第1章 熱銷產(chǎn)品銷售數(shù)據(jù)統(tǒng)計分析 1
pandas numpy matplotlib ABC分類法
1.1 開發(fā)背景 1
1.2 系統(tǒng)設(shè)計 2
1.2.1 開發(fā)環(huán)境 2
1.2.2 分析流程 2
1.2.3 功能結(jié)構(gòu) 2
1.3 技術(shù)準(zhǔn)備 3
1.3.1 技術(shù)概覽 3
1.3.2 ABC分類法 3
1.4 前期工作 4
1.4.1 開發(fā)環(huán)境設(shè)置 4
1.4.2 安裝第三方模塊 5
1.4.3 新建項目目錄 5
1.4.4 數(shù)據(jù)準(zhǔn)備 5
1.5 數(shù)據(jù)預(yù)處理 6
1.5.1 查看數(shù)據(jù)信息 6
1.5.2 缺失性分析 8
1.5.3 描述性統(tǒng)計分析 9
1.6 數(shù)據(jù)統(tǒng)計分析 10
1.6.1 月銷售趨勢分析 10
1.6.2 熱銷產(chǎn)品分析（ABC分類法） 12
1.6.3 熱銷單品環(huán)比增長情況分析 14
1.6.4 加購人數(shù)和購買數(shù)量分析 16
1.6.5 不同種類產(chǎn)品的銷量占比情況分析 17
1.6.6 工作日與周末銷量對比分析 19
1.7 項目運(yùn)行 21
1.8 源碼下載 22
第2章 籃壇薪酬揭秘：球員位置與薪資數(shù)據(jù)的深度分析 23
pandas numpy matplotlib seaborn
2.1 開發(fā)背景 24
2.2 系統(tǒng)設(shè)計 24
2.2.1 開發(fā)環(huán)境 24
2.2.2 分析流程 24
2.2.3 功能結(jié)構(gòu) 25
2.3 技術(shù)準(zhǔn)備 25
2.3.1 技術(shù)概覽 25
2.3.2 詳解read_htlm()獲取網(wǎng)頁數(shù)據(jù)全過程 25
2.3.3 應(yīng)用lambda函數(shù)快速處理數(shù)據(jù) 26
2.4 數(shù)據(jù)準(zhǔn)備 27
2.4.1 數(shù)據(jù)集介紹 27
2.4.2 確定網(wǎng)頁數(shù)據(jù)的結(jié)構(gòu) 28
2.4.3 獲取當(dāng)前數(shù)據(jù) 29
2.5 數(shù)據(jù)預(yù)處理 30
2.5.1 查看數(shù)據(jù) 30
2.5.2 數(shù)據(jù)清洗 31
2.5.3 獲取并處理歷史數(shù)據(jù) 33
2.6 基本統(tǒng)計分析 34
2.6.1 2024賽季球員的薪資排行TOP10 34
2.6.2 統(tǒng)計分析各個球隊的薪資狀況 36
2.6.3 勇士隊球員的薪資狀況分析 37
2.6.4 箱形圖分析實(shí)力和戰(zhàn)績TOP5球隊的薪資狀況 39
2.6.5 對比分析20232024賽季各球隊薪資變化 41
2.7 深度分析 42
2.7.1 球員薪資分布密度圖 42
2.7.2 分析不同位置球員的薪資狀況 43
2.7.3 分析球員位置和薪資的關(guān)系 45
2.8 項目運(yùn)行 46
2.9 源碼下載 47
第3章 股海秘籍：股票行情數(shù)據(jù)分析之旅 48
tushare pandas matplotlib numpy mplfinance
3.1 開發(fā)背景 49
3.2 系統(tǒng)設(shè)計 49
3.2.1 開發(fā)環(huán)境 49
3.2.2 分析流程 49
3.2.3 功能結(jié)構(gòu) 50
3.3 技術(shù)準(zhǔn)備 50
3.3.1 技術(shù)概覽 50
3.3.2 詳解tushare模塊獲取股票數(shù)據(jù) 50
3.3.3 mplfinance模塊的應(yīng)用 53
3.4 前期準(zhǔn)備 56
3.4.1 新建Jupyter Notebook文件 56
3.4.2 導(dǎo)入必要的庫 58
3.4.3 獲取股票行情數(shù)據(jù) 58
3.5 數(shù)據(jù)加載與預(yù)處理 59
3.5.1 數(shù)據(jù)加載與處理 59
3.5.2 數(shù)據(jù)查看與缺失性分析 59
3.5.3 描述性統(tǒng)計分析 60
3.5.4 抽取特征數(shù)據(jù) 61
3.5.5 異常值分析 61
3.5.6 數(shù)據(jù)歸一化處理 61
3.6 數(shù)據(jù)統(tǒng)計分析 63
3.6.1 可視化股票走勢圖 63
3.6.2 股票成交量時間序列圖 63
3.6.3 股票收盤價與成交量分析 64
3.6.4 股票漲跌情況分析 65
3.6.5 股票k線走勢圖 66
3.7 股票指標(biāo)相關(guān)性分析 67
3.7.1 散點(diǎn)圖矩陣分析 67
3.7.2 相關(guān)系數(shù)分析 68
3.8 項目運(yùn)行 70
3.9 源碼下載 71
第4章 京東某商家的銷售評價數(shù)據(jù)分析 72
pandas numpy jieba matplotlib pyecharts snownlp
4.1 開發(fā)背景 72
4.2 系統(tǒng)設(shè)計 73
4.2.1 開發(fā)環(huán)境 73
4.2.2 分析流程 73
4.2.3 功能結(jié)構(gòu) 73
4.3 技術(shù)準(zhǔn)備 74
4.3.1 技術(shù)概覽 74
4.3.2 詳解jieba模塊 74
4.3.3 繪制詞云圖 78
4.3.4 snownlp模塊的應(yīng)用 80
4.4 前期準(zhǔn)備 82
4.4.1 安裝第三方模塊 82
4.4.2 新建Jupyter Notebook文件 82
4.4.3 導(dǎo)入必要的庫 84
4.4.4 數(shù)據(jù)加載 84
4.5 數(shù)據(jù)預(yù)處理 84
4.5.1 查看數(shù)據(jù) 84
4.5.2 缺失性分析 85
4.5.3 數(shù)據(jù)處理 86
4.5.4 缺失值處理 87
4.5.5 數(shù)據(jù)類型轉(zhuǎn)換 87
4.6 用戶維度分析 88
4.6.1 總體評價狀況分析 88
4.6.2 詞云圖分析差評用戶 89
4.6.3 正負(fù)面情感對比分析 90
4.6.4 評價數(shù)量和評價時間的關(guān)系分析 91
4.7 商品維度分析 93
4.7.1 差評商品分析 93
4.7.2 各評價級別商品件數(shù)分析 93
4.8 項目運(yùn)行 94
4.9 源碼下載 95
第5章 商城注冊用戶數(shù)據(jù)探索分析 96
MySQL sqlalchemy pandas matplotlib
5.1 開發(fā)背景 97
5.2 系統(tǒng)設(shè)計 97
5.2.1 開發(fā)環(huán)境 97
5.2.2 分析流程 97
5.2.3 功能結(jié)構(gòu) 97
5.3 技術(shù)準(zhǔn)備 98
5.3.1 技術(shù)概覽 98
5.3.2 詳解sqlalchemy模塊 98
5.3.3 數(shù)據(jù)類型轉(zhuǎn)換兩個核心方法 102
5.3.4 fill_between()函數(shù)的應(yīng)用 102
5.4 導(dǎo)入MySQL數(shù)據(jù) 103
5.5 數(shù)據(jù)預(yù)處理 105
5.5.1 數(shù)據(jù)準(zhǔn)備 105
5.5.2 sqlalchemy連接MySQL數(shù)據(jù)庫 105
5.5.3 數(shù)據(jù)檢測與處理 106
5.6 用戶注冊情況分析 107
5.6.1 年度注冊用戶分析 107
5.6.2 月度注冊用戶分析 109
5.6.3 小時注冊用戶分析 110
5.6.4 新注冊用戶分析 112
5.7 用戶活躍情況分析 113
5.7.1 用戶登錄情況分析 113
5.7.2 用戶登錄周情況分析 114
5.7.3 用戶登錄時段分析（工作日） 116
5.7.4 用戶登錄時段分析（非工作日） 117
5.8 項目運(yùn)行 118
5.9 源碼下載 119
第6章 自媒體賬號內(nèi)容數(shù)據(jù)分析 120
pandas matplotlib plotly
6.1 開發(fā)背景 120
6.2 系統(tǒng)設(shè)計 121
6.2.1 開發(fā)環(huán)境 121
6.2.2 分析流程 121
6.2.3 功能結(jié)構(gòu) 121
6.3 技術(shù)準(zhǔn)備 122
6.3.1 技術(shù)概覽 122
6.3.2 pandas查看數(shù)據(jù)類型 122
6.3.3 詳解to_datetime()函數(shù)轉(zhuǎn)換時間序列數(shù)據(jù) 123
6.4 前期準(zhǔn)備 125
6.4.1 安裝第三方模塊 125
6.4.2 新建Jupyter Notebook文件 126
6.4.3 導(dǎo)入必要的庫 127
6.4.4 數(shù)據(jù)準(zhǔn)備 127
6.4.5 數(shù)據(jù)預(yù)覽 128
6.5 數(shù)據(jù)預(yù)處理 129
6.5.1 數(shù)據(jù)合并 129
6.5.2 查看數(shù)據(jù) 130
6.5.3 數(shù)據(jù)類型轉(zhuǎn)換 130
6.5.4 描述性統(tǒng)計分析 131
6.6 數(shù)據(jù)統(tǒng)計分析 133
6.6.1 各類別內(nèi)容閱讀人數(shù)的集中趨勢分析 133
6.6.2 各類別內(nèi)容數(shù)量占比分析 134
6.6.3 箱形圖分析各類別內(nèi)容的閱讀人數(shù) 135
6.6.4 水平柱形圖分析平均展現(xiàn)量 136
6.6.5 箱形圖分析內(nèi)容展現(xiàn)量 137
6.6.6 內(nèi)容展現(xiàn)量和閱讀量的相關(guān)性分析 138
6.7 項目運(yùn)行 139
6.8 源碼下載 140
第7章 汽車數(shù)據(jù)可視化與相關(guān)性分析 141
pandas matplotlib seaborn
7.1 開發(fā)背景 141
7.2 系統(tǒng)設(shè)計 142
7.2.1 開發(fā)環(huán)境 142
7.2.2 分析流程 142
7.2.3 功能結(jié)構(gòu) 142
7.3 技術(shù)準(zhǔn)備 143
7.3.1 技術(shù)概覽 143
7.3.2 盤點(diǎn)seaborn自帶的數(shù)據(jù)集 143
7.3.3 value_counts()方法的應(yīng)用 147
7.3.4 詳解pairplot()函數(shù) 147
7.4 前期準(zhǔn)備 153
7.4.1 新建項目目錄 153
7.4.2 數(shù)據(jù)準(zhǔn)備 153
7.5 數(shù)據(jù)預(yù)處理 154
7.5.1 查看數(shù)據(jù) 154
7.5.2 缺失值查看與處理 155
7.5.3 描述性統(tǒng)計分析 156
7.6 數(shù)據(jù)統(tǒng)計分析 156
7.6.1 汽車產(chǎn)地占比情況分析 156
7.6.2 品牌旗下汽車差異情況分析 157
7.7 相關(guān)性分析 159
7.7.1 矩陣圖分析相關(guān)性 159
7.7.2 相關(guān)系數(shù)分析相關(guān)性 160
7.7.3 散點(diǎn)圖分析氣缸數(shù)和馬力之間的關(guān)系 160
7.7.4 折線圖分析氣缸數(shù)和油耗之間的關(guān)系 161
7.7.5 產(chǎn)地和油耗之間的關(guān)系 162
7.7.6 車型生產(chǎn)年份和油耗之間的關(guān)系 163
7.7.7 油耗、馬力和重量之間的關(guān)系 164
7.8 項目運(yùn)行 165
7.9 源碼下載 166
第8章 抖音電商數(shù)據(jù)分析系統(tǒng) 167
pandas numpy pyecharts
8.1 開發(fā)背景 168
8.2 系統(tǒng)設(shè)計 168
8.2.1 開發(fā)環(huán)境 168
8.2.2 分析流程 168
8.2.3 功能結(jié)構(gòu) 169
8.3 技術(shù)準(zhǔn)備 169
8.3.1 技術(shù)概覽 169
8.3.2 pandas數(shù)據(jù)美化樣式匯總 169
8.3.3 eq()方法詳解 172
8.4 前期準(zhǔn)備 173
8.4.1 數(shù)據(jù)準(zhǔn)備 173
8.4.2 新建Jupyter Notebook文件 173
8.4.3 導(dǎo)入必要的庫 175
8.5 數(shù)據(jù)預(yù)處理 176
8.5.1 查看數(shù)據(jù) 176
8.5.2 突出顯示數(shù)據(jù) 176
8.5.3 0值檢測與處理 177
8.5.4 數(shù)據(jù)類型轉(zhuǎn)換 177
8.5.5 描述性統(tǒng)計分析 178
8.6 成交數(shù)據(jù)分析 179
8.6.1 整體情況分析 179
8.6.2 自營/帶貨訂單量分析 179
8.6.3 不同載體訂單量分析 180
8.6.4 每日訂單量分析 181
8.6.5 商品成交金額分析 182
8.6.6 新老客戶成交額對比分析 183
8.7 主播數(shù)據(jù)分析 184
8.7.1 引流能力分析 184
8.7.2 互動能力分析 185
8.7.3 吸粉能力分析 186
8.7.4 UV價值分析 186
8.8 項目運(yùn)行 187
8.9 源碼下載 188
第9章 會員數(shù)據(jù)化運(yùn)營RFM分析實(shí)戰(zhàn) 189
RFM模型 pandas matplotlib seaborn
9.1 開發(fā)背景 189
9.2 系統(tǒng)設(shè)計 190
9.2.1 開發(fā)環(huán)境 190
9.2.2 分析流程 190
9.2.3 功能結(jié)構(gòu) 190
9.3 技術(shù)準(zhǔn)備 191
9.3.1 技術(shù)概覽 191
9.3.2 RFM模型 191
9.3.3 隨機(jī)抽取數(shù)據(jù)的sample()方法 192
9.3.4 深度解讀直方圖（histplot()函數(shù)） 193
9.4 前期工作 200
9.4.1 新建項目目錄 200
9.4.2 數(shù)據(jù)準(zhǔn)備 200
9.5 數(shù)據(jù)預(yù)處理 201
9.5.1 數(shù)據(jù)預(yù)覽 201
9.5.2 缺失性分析 202
9.5.3 描述性統(tǒng)計分析 202
9.5.4 數(shù)據(jù)處理 203
9.5.5 計算RFM值 204
9.6 數(shù)據(jù)統(tǒng)計分析 205
9.6.1 消費(fèi)周期分析 205
9.6.2 消費(fèi)頻次分析 206
9.6.3 消費(fèi)金額分析 206
9.7 會員群體分析 208
9.7.1 RFM模型指標(biāo)打分 208
9.7.2 會員群體劃分 209
9.8 項目運(yùn)行 210
9.9 源碼下載 211
第10章 商超購物Apriori關(guān)聯(lián)分析 212
pandas matplotlib Apriori關(guān)聯(lián)分析 mlxtend
10.1 開發(fā)背景 212
10.2 系統(tǒng)設(shè)計 213
10.2.1 開發(fā)環(huán)境 213
10.2.2 分析流程 213
10.2.3 功能結(jié)構(gòu) 213
10.3 技術(shù)準(zhǔn)備 214
10.3.1 技術(shù)概覽 214
10.3.2 Apriori關(guān)聯(lián)分析 214
10.3.3 詳解mlxtend模塊 215
10.4 前期工作 220
10.4.1 新建項目目錄 220
10.4.2 數(shù)據(jù)準(zhǔn)備 221
10.5 數(shù)據(jù)預(yù)處理 221
10.5.1 查看數(shù)據(jù) 221
10.5.2 轉(zhuǎn)換交易日期類型 222
10.5.3 重復(fù)值檢測與處理 223
10.6 數(shù)據(jù)統(tǒng)計分析 223
10.6.1 上半年成交金額分析 223
10.6.2 上半年客單價分析 225
10.6.3 顧客客單價占比分析 226
10.7 購物關(guān)聯(lián)分析 227
10.7.1 統(tǒng)計顧客所購買的商品 227
10.7.2 數(shù)據(jù)one-hot編碼 228
10.7.3 Apriori關(guān)聯(lián)分析 229
10.8 項目運(yùn)行 230
10.9 源碼下載 231
第11章 基于K-Means算法實(shí)現(xiàn)鳶尾花聚類分析 232
seaborn pandas matplotlib numpy scikit-learn 232
11.1 開發(fā)背景 233
11.2 系統(tǒng)設(shè)計 233
11.2.1 開發(fā)環(huán)境 233
11.2.2 分析流程 233
11.2.3 功能結(jié)構(gòu) 234
11.3 技術(shù)準(zhǔn)備 234
11.3.1 技術(shù)概覽 234
11.3.2 numpy模塊補(bǔ)充知識點(diǎn) 234
11.3.3 深入了解機(jī)器學(xué)習(xí)sklearn模塊 237
11.3.4 訓(xùn)練集和測試集劃分函數(shù)train_test_split()的全面解讀 240
11.3.5 模型評估（calinski_harabasz_score()方法） 242
11.4 前期工作 242
11.4.1 安裝第三方庫 242
11.4.2 新建項目目錄 243
11.4.3 認(rèn)識鳶尾花 243
11.4.4 了解鳶尾花數(shù)據(jù)集iris 244
11.5 數(shù)據(jù)預(yù)處理 244
11.5.1 加載數(shù)據(jù) 244
11.5.2 查看數(shù)據(jù) 245
11.5.3 查看鳶尾花種類 245
11.5.4 描述性統(tǒng)計分析 245
11.5.5 隨機(jī)抽樣 246
11.6 數(shù)據(jù)統(tǒng)計分析 247
11.6.1 鳶尾花花瓣長度TOP10 247
11.6.2 使用箱形圖分析鳶尾花花瓣的長度 248
11.6.3 最常見的鳶尾花花瓣長度 249
11.6.4 直方圖分析鳶尾花花瓣長度 250
11.7 相關(guān)性分析 251
11.7.1 相關(guān)系數(shù)分析 251
11.7.2 各特征之間關(guān)系矩陣圖 252
11.7.3 散點(diǎn)圖分析鳶尾花花瓣長度和寬度的關(guān)系 253
11.7.4 散點(diǎn)圖分析鳶尾花花萼長度和寬度的關(guān)系 254
11.7.5 鳶尾花的線性關(guān)系分析 255
11.8 鳶尾花聚類分析 256
11.8.1 抽取特征數(shù)據(jù) 256
11.8.2 劃分訓(xùn)練集和測試集 256
11.8.3 基于K-Means算法創(chuàng)建聚類模型 256
11.8.4 聚類模型評估 258
11.8.5 預(yù)測鳶尾花種類 258
11.9 項目運(yùn)行 258
11.10 源碼下載 259
第12章 電視節(jié)目數(shù)據(jù)分析系統(tǒng) 260
Qt Designer PyQt5 pandas pyecharts
12.1 開發(fā)背景 260
12.2 系統(tǒng)設(shè)計 261
12.2.1 開發(fā)環(huán)境 261
12.2.2 分析流程 261
12.2.3 功能結(jié)構(gòu) 261
12.3 技術(shù)準(zhǔn)備 262
12.3.1 技術(shù)概覽 262
12.3.2 可視化設(shè)計環(huán)境安裝與配置 262
12.3.3 Qt Designer入門 264
12.3.4 PyQt5入門知識點(diǎn)總結(jié) 267
12.4 前期工作 272
12.4.1 新建項目目錄 272
12.4.2 數(shù)據(jù)準(zhǔn)備 273
12.5 主窗體界面 274
12.5.1 功能草圖 274
12.5.2 創(chuàng)建主窗體 274
12.5.3 工具欄 275
12.5.4 其他控件 277
12.5.5 將.ui文件轉(zhuǎn)換為.py文件 278
12.6 數(shù)據(jù)預(yù)處理 279
12.6.1 數(shù)據(jù)預(yù)覽 279
12.6.2 查看數(shù)據(jù) 280
12.6.3 描述性統(tǒng)計分析 280
12.7 數(shù)據(jù)統(tǒng)計分析 281
12.7.1 數(shù)據(jù)連接模塊 281
12.7.2 數(shù)據(jù)分析及可視化模塊 281
12.7.3 顯示主窗體模塊 284
12.8 項目運(yùn)行 286
12.9 源碼下載 286