2025莞纺大数据竞赛队
CentOS基础配置（Ver.8）
Linux虚拟机IP分配
Hadoop+JDK配置
Zookeeper集群配置
ChenJiaYing-第一周工作汇报
Kafka配置
Hadoop搭建
数据可视化总结
ChenJiaYing-第三周工作汇报
数据分析总结
本文档使用 MrDoc 发布
-
+
首页
数据分析总结
## 数据分析 什么是==数据分析==？ 数据分析：对大量有序或无序的数据进行信息的集中整合、运算提取、展示等操作，通过这些操作找出研究对象的内在规律。 ==目的==：揭示事物运动、变化、发展的规律。 ==意义==：提高系统运行效率、优化系统作业流程、预测未来发展趋势。 --- ## pandas 什么是==pandas==？ Pandas的名字来源于面板数据（Panel Data）与数据分析（data analysis）两个词的组合。它是一个开源的第三方 Python 库，从 NumPy 和 Matplotlib 的基础上构建而来的。它的目标是称为强大、灵活、可以支持任何编程语言的数据分析工具。它主要实现数据分析的五个重要环节： * 加载数据 * 整理数据 * 操作数据 * 构建数据模型 * 分析数据 pandas导入方式 ```python import pandas as pd ``` --- ## 数据分析分类汇总 数据分析任务都是使用pandas库，解决方法大致相同：使用pandas进行数据读取，分组，聚合，排序，筛选，计算等操作； 接下来进行数据分析任务的分类汇总： ### 类别1：分组计数并排序前n名 ==用法：== 这类分析用于识别重点区域或热门类别，帮助资源优化配置和市场战略制定。例如在商业布局中，了解哪个区域的餐厅数量最多，可以指导新店选址或广告投放。 ==解决方法：== 用==value_counts()==计数，然后排序，最后用head(N)取前N名； 适用任务： 餐厅主题 任务1：统计各地区餐厅数量，按降序排列并展示前两名 ```python ``` 输出结果：  --- 二手房主题 任务1：统计每个市区的房源销售数量，倒序排序展示前三名 ```python ``` 输出结果：  --- 共享单车主题 任务4：统计每个地区的起始和结束骑行次数，识别最热门的上车区域和下车区域（**需分别对起始区域和结束区域分组计数**） ```python ``` 输出结果：  --- 餐厅主题 任务4：统计每种菜系类型的出现频次，按升序并展示前两名 ```python ``` 输出结果：  --- 二手房主题 任务4：统计不同装修情况的房源数量，正序排序展示（未指定前N名，但方法相同） ```python ``` 输出结果：  --- 酒店主题 任务4：统计每种房间类型出现的频次，正序排序展示前两名 ```python ``` 输出结果：  --- ==总结==：使用value_counts方法，可以更简洁地实现同样的功能，因为value_counts**默认**就是计算每个类别的频数并**降序排列** --- ### 类别2：分组平均并排序前N名 ==用法==：这类分析用于比较不同群体的表现差异。比如分析不同装修时间的平均设施评分，可以评估装修质量随时间的变化趋势 ==解决办法==：使用groupby()分组后，用mean()计算平均值，然后用sort_values()排序，最后用head()取前N名 适用任务： 餐厅主题 任务3：计算每个地区的人均消费平均值，按降序排列并展示前三名 ```python ``` 输出结果：  --- 二手房主题 任务2：计算各户型的平均售价，倒序排序展示前三名 ```python ``` 输出结果:  --- 二手房主题 任务3：计算每个市区的平均售价，并倒序排序出前三名； ```python ``` 输出结果：  --- 酒店主题 任务3:计算每个地区的平均房价，倒序排序前三名 ```python ``` 输出结果：  --- 汽车主题 任务2：计算每个厂商的年度总销量，倒序排序展示前五名（这个是计算总销量而不是平均） ```python ``` 输出结果：  ---
MARKJY
2025年11月3日 16:22
转发文档
收藏文档
上一篇
下一篇
手机扫码
复制链接
手机扫一扫转发分享
复制链接
Markdown文件
PDF文档（打印）
分享
链接
类型
密码
更新密码