Python数据分析与可视化

Python数据分析与可视化实战培训【课程目标】
本课程为基础课程，主要讲解如何利用Python进行数据分析，以及数据可视化。假定学员已经基本掌握Python语言的使用。
通过本课程的学习，达到如下目的：
掌握数据分析的基本步骤和过程（数据分析六步曲）
掌握搭建数据分析框架的基本思想（数据分析框架）
熟悉Pandas常用数据结构，掌握用Python访问、操作数据集
掌握Pandas常用的统计功能（函数和方法）
理解统计分析原理，掌握统计分析常用的分析方法
熟练掌握matplotlib模块，熟练画图函数
学会解读图形，形成业务结论和业务策略。
【授课时间】
2天时间
（要根据学员的实际情况调整重点内容及时间）
【授课对象】
业务支持部、IT系统部、系统开发部、网络运维部等相关技术人员。
【学员要求】
每个学员自备一台便携机(必须)。
便携机中事先安装好Python 3.9版本及以上。
注：讲师现场提供开源的安装程序、扩展库，以及现场分析的数据源。
【授课方式】
分析步骤 + 分析框架+ 分析方法 + 可视化呈现 + 案例实战
采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中获得能力提升。
【课程大纲】
数据分析基础
目的：掌握数据分析基本步骤和过程，学会如何构造数据分析框架
数据分析 VS 数据挖掘
数据分析的六步曲
步骤1：明确目的--理清思路
步骤2：数据收集—理清思路
步骤3：数据预处理—寻找答案
步骤4：数据分析--寻找答案
步骤5：数据展示--观点表达
步骤6：报表撰写--观点表达
搭建精准营销分析框架
演练：如何用大数据来支撑手机精准营销项目
数据操作基础
简化的Python操作过程
常用扩展包
Numpy数组处理支持
Pandas数据分析和探索工具
Matplotlib可视化工具库
数据集读写
读取文件（CSV文件、Excel文件）
数据集保存（CSV、Excel）
数据集结构
数据集基本属性
Index：位置索引、标签索引
Series：一维结构
DataFrame：二维结构
数据集基本操作
数据访问：行访问/列访问/值访问
字段类型
类型检查
类型转换
定义有序类别变量
排序
按值排序
按索引排序
数据筛选
数据修改
数据删除
统计分析方法篇
统计分析基础
统计分析的关键要素
统计分析三个步骤
六种统计操作
描述统计describe
分类计数value_counts分段计数/分箱计数value_counts(bins)
分类汇总(groupby, count/sum/mean/…)
透视表（多维统计分析）pivot_table按日期汇总resample/to_period案例实战：掌握常用的Python统计函数/方法
五种统计分析方法
对比分析法(不同用户的消费水平差异)
结构分析法(用户的学历结构、收入结构分析、动态结构分析)
分布分析法(用户的年龄分布、用户消费层次)
交叉分析法(产品偏好分析)
趋势分析法(销售淡旺季节、用户活跃时间)
案例实战：掌握常用的统计分析方法
数据可视化
目的：掌握作图扩展库，实现数据可视化
中文显示的问题解决
了解图形元素及其函数
标题、坐标轴、刻度
数据标签、文本、注释
图例、网格线、边框
简单图形的画法
柱状图（简单/复式/堆积/堆积百分比柱状图）
直方图（分布分析，查看分布特征）
箱图（判断离群值）
饼图（结构分析）
折线图（趋势分析）
复杂图形的画法
多子图
多坐标系作图
多区域作图
图形保存
数据预处理
数据预处理四大任务
数据清洗
数据集成
样本处理
变量处理
数据集成
数据追回
变量合并
拼接
演练：样本追加与变量合并
数据清洗
四大异常数据
重复值检查与处理
无效值检查与处理
离群值检查与处理
缺失值检查与处理
演练：异常值查找、删除、填充
样本处理
变量处理
实战篇(上述知识点都融入下面分析实战中)
零售商用户消费行为分析
用户行为分析框架：5W2H
用户的典型特征
用户的消费能力
用户的消费水平
运营商用户购买行为分析
用户维度
用户地域分布
用户学历结构
用户消费能力/消费层次
用户流量分布/层次
用户流失分析
产品维度
套餐销量分析
套餐贡献分析
服务满意度分析
套餐偏好分析
时间维度
产品淡旺季分析
用户活跃度分析
重购周期分析
金额维度
收入结构（用户、产品、区域）
价格偏好分析
成本/利润分析
金融风险数据分析
用户维度
违约用户的典型特征
违约用户的消费水平
违约的影响因素分析
违约与学历/岗位的关系
违约与行业/职业的关系
注：会根据学员所在行业选择合适的实战案例。
结束：课程总结与问题答疑。

傅一航老师的其它课程