零售需求预测 一家英国在线零售商的在线数据集的数据探索和预测。 包含大约12/2009-12/2011期间的发票数据。 数据探索 初始数据分析考虑了每日，每周和每月的销售量，同时还考虑了数据集的VWAP（体积加权平ASP格）。 最后，考虑了基于客户ID，国家/地区和产品类型的潜在影响者。 时间序列分析 每周和每月数据都适合一系列不同的预测模型。 解释12月季节性高峰的SARIMA模型具有最佳拟合和最合乎逻辑的预测：

Coz：查找与因果分析有关的代码 Coz是一种新型的探查器，可释放传统探查器错过的优化机会。 Coz使用一种称为因果分析的新颖技术来衡量优化潜力。 此度量符合开发人员对探查器的假设：优化高级代码将对性能产生最大影响。 因果分析可测量串行，并行和异步程序的优化潜力，而无需对库调用和并发原语进行特殊处理。 相反，因果分析器使用性能实验来预测优化的效果。 这使探查器可以确定因果关系：“优化函数X将产生效果Y”，正是开发人员一直认为测量一直以来的结果。 有关Coz的完整详细信息，请参见我们的论文《 ，SOSP 2015，2015年10月（获得最佳论文奖）。 安装 在Debian，Ubuntu，Fedora上，您可以通过apt安装Coz： % sudo apt install coz-profiler OpenSUSE软件包由用户准备，可以在。 Coz应该可以在具有Python 3.x解释

[情感分析] Yelp数据集的综合情感分析 对Yelp_Dataset的综合情感分析 下载Yelp数据集以进行大规模数据分析，包括情绪，多年分布和一个月分布。 包括： - 情绪分析。 数据清理。 数据预处理。 数月，数年的正面，负面，中性评论分布。 下载输出文件夹，以了解此python程序的确切功能。

贷款批准预测：贷款申请数据分析

易语言股票成交数据分时分析 系统结构:读取分析, ======窗口程序集_股票数据分析显示 | | | |------ 读取分析 | | | |------ _导入_被选择 | | | |------ __启动窗口_创建完毕

1039组-美国婴儿名字趋势 大事记 里程碑的详细信息可在Canvas（左侧的侧边栏，Course Project）上或。 用大约150-200个字词描述您的主题/兴趣 我们选择此美国婴儿名字数据集，是因为有趣的是在整个100年中看到了特定区域的命名趋势。 该数据集收集了1990年代至2014年美国各州和国家/地区的婴儿名字。我们将分析州/州/地区数据集，并比较各州之间最受欢迎和最不受欢迎的婴儿名字，以通过地理位置了解相似之处。 还将分析国家一级的数据集，以查看100年来是否存在总体命名趋势。 可以通过比较给定时间段内最受欢迎的男孩/女孩的名字来完成。 最终，我们可以比较州和国家级数据集，并查看哪个州的命名趋势与国家趋势最相似。 当然，从分析中可以回答许多有趣的问题。 我们期待着通过查看近年来和各性别的命名趋势来预测新生儿的名字是否可能。 通过仪表板工具构建GUI，可以公开查看我们从该数

捕获数据包 分层次分析 对各层的数据头有更清楚的了解 里面包含捕包过程 协议分析过程

GSEApy GSEApy：Python中的基因集富集分析。 有关使用GSEApy的示例，请单击此处： 发行说明： : 常见问题解答： GSEApy是GSEA和包装器Enrichr Python实现。 GSEApy可用于RNA序列，ChIP序列，微阵列数据。 它可用于方便的GO富集并以python生成出版物质量数据。 GSEApy有六个可用的子命令： gsea ， prerank ， ssgsea ， replot enrichr ， biomart 。 gsea： gsea模块产生GSEA结果。 输入以gmt格式查询txt文件（FPKM，预期计数，TPM等），cls文件和gene_sets文件。 预排名： prerank模块产生预排名工具结果。 输入期望以.rnk格式提供的具有相关值的预排序基因列表数据集，并以gmt格式提供gene_sets文件。 prer

周期共享方案统计项目 在这个项目中，我们分析了trip.csv数据文件，并告诉公司在哪里吃午餐，以赚取大量利润。 基于分析...。数据位于Cycle-Sharing-Scheme-Stats-Project.zip文件中

Jupyter笔记本 Jupyter Notebooks，用于RAPcores分析。