数据概念
数据比对
在本练习中，我们使用灵活的比较技术对不同的DataFrame进行比较
python
import pandas as pd
import random
random.seed(123)
list1 = [['A']*3,['B']*5,['C']*7]
charlist = [x for sublist in list1 for x in sublist]
random.shuffle(charlist)
ser1 = pd.Series(charlist)
random.seed(123)
ser2 = pd.Series(random.sample(range(10, 100), 15))
prodDf1 = pd.concat([ser1,ser2],axis=1)
prodDf1.columns=['Product','Sales']
random.seed(321)
list1 = [['A']*2,['B']*8,['C']*5]
charlist = [x for sublist in list1 for x in sublist]
random.shuffle(charlist)
ser3 = pd.Series(charlist)
random.seed(321)
ser4 = pd.Series(random.sample(range(10, 100), 15))
prodDf2 = pd.concat([ser3,ser4],axis=1)
prodDf2.columns=['Product','Sales']
...比较两商店销售数据
- 从数据中获得见解，有效地规划营销活动
数据结构
使用数据结构简析GDP
数据输入输出
SQL数据分析（使用季度客户和订单列表）
- 确定最大的采购客户
数据类型
优化内存（使用汽车评估数据集）
数据选择
从列创建多索引（使用蘑菇分类数据集）
- 种群、栖息地多指标蘑菇数据比较
确定人口增长（使用人口数据集）
- 计算增长率并对比
生物环数分析雌雄性样本（鲍鱼牡蛎数据集）
- 生物环数计算，获取不同维度汇总值
数据探索和转换
数据透视（使用学生表现数据集）
- 处理缺失数据和汇总数据以获得见解
数据可视化
探索性数据分析（使用装配式房屋数据集）
- 构建不同类型的地块，以便对销售价格进行探索性数据分析
数据建模预处理
建立简单线性模型（使用发电厂满负荷电力和环境变量数据集）
- 数据分割、缩放和建模
标准化和平滑数据（使用股票交易数据集）
- 构建预测模型
非线性模型的多元回归（使用一氧化碳和金属氧化物半导体传感器数据集）
- 对非线性特征执行一些特征工程，然后将基线线性回归方法与随机森林模型进行比较