2020年6月13日
饼图
摘要： import matplotlib.pyplot as pltlabels = ['Nokia','apple','sumsug','lumai']values = [10,30,45,15]colors = ['yellow','green','red','blue']explode = [0.3 阅读全文
posted @ 2020-06-13 22:17 逐梦无惧_数据分析 阅读(123) 评论(0) 推荐(0)
为pandas DataFrame 生成多序列条状图
摘要： import matplotlib.pyplot as pltimport numpy as npimport pandas as pddata = {'series1':[1,3,4,3,5], 'series2':[2,4,5,2,4], 'series3':[3,2,3,1,3]}df = p 阅读全文
posted @ 2020-06-13 21:56 逐梦无惧_数据分析 阅读(439) 评论(0) 推荐(0)
多序列条状图
摘要： import matplotlib.pyplot as pltimport numpy as npindex = np.arange(5)values1 = [5,7,3,4,6]values2 = [6,6,4,5,7]values3 = [5,6,5,4,6]bw = 0.3plt.axis([ 阅读全文
posted @ 2020-06-13 21:46 逐梦无惧_数据分析 阅读(160) 评论(0) 推荐(0)
带有误差线的条状图
摘要： import matplotlib.pyplot as pltimport numpy as npindex = np.arange(5)values1 = [5,7,3,4,6]std1 = [0.8,1,0.4,0.9,1.3]plt.title('A Bar Chart')plt.barh(i 阅读全文
posted @ 2020-06-13 21:32 逐梦无惧_数据分析 阅读(354) 评论(0) 推荐(0)
条状图
摘要： import matplotlib.pyplot as plt import numpy as np index = [0,1,2,3,4] #index = np.arange(5) values = [5,7,3,4,6] plt.bar(index,values) plt.xticks(ind 阅读全文
posted @ 2020-06-13 21:11 逐梦无惧_数据分析 阅读(157) 评论(0) 推荐(0)
为pandas数据结构绘制线性图
摘要： import matplotlib.pyplot as plt import numpy as np import pandas as pd data = {'series1':[1,3,4,3,5], 'series2':[2,4,5,2,4], 'series3':[3,2,3,1,3]} df 阅读全文
posted @ 2020-06-13 21:01 逐梦无惧_数据分析 阅读(262) 评论(0) 推荐(0)
python直方图
摘要： import matplotlib.pyplot as plt import numpy as np pop = np.random.randint(0,100,100) pop n,bins,patches = plt.hist(pop,bins=20) plt.show() 阅读全文
posted @ 2020-06-13 16:27 逐梦无惧_数据分析 阅读(311) 评论(0) 推荐(0)
python 直方图
摘要： import matplotlib.pyplot as plt import numpy as np pop = np.random.randint(0,100,100) pop n,bins,patches = plt.hist(pop,bins=20) plt.show() 阅读全文
posted @ 2020-06-13 16:02 逐梦无惧_数据分析 阅读(172) 评论(0) 推荐(0)
2019年5月19日
决策树
摘要： 决策树：1、场景：最典型的应用场景是预测和分类，如新客户分类。2、特点：决策树有很好的直观性，生成模式简单，对预测和分类结果也有很好的解释性。3、相关概念：熵是无序性（或不确定性）的度量指标。假如事件A的全概率划分是（A1,A2,...,An）,每部分发生的概率是(p1,p2,...,pn)，那信息 阅读全文
posted @ 2019-05-19 21:22 逐梦无惧_数据分析 阅读(169) 评论(0) 推荐(0)
数据分析思维概述
摘要： 描述性数据挖掘用于描述现有的规律，常见算法如下： A.聚类分析 B.关联规则分析 C.因子、主成分分析 预测性数据挖掘用于预测未来发生了什么，使用的模型算法如下： A.线性回归 B.逻辑回归 C.神经元网络 D.决策树 E.支持向量机 F.随机森林（集成算法） 阅读全文
posted @ 2019-05-19 21:10 逐梦无惧_数据分析 阅读(110) 评论(0) 推荐(0)