该资源内含ipynb文件 主要用于机器学习进行深度学习，能帮助大家加深学习影响。 通过本次实训，要求初步掌握数据分析过程和Python数据分析常用包：Pandas、matplotlib、sklearn的基本使用。 一个完整、充分的数据统计过程主要包括以下步骤：电影数据读取，数据清洗，模型建立，模型训练，数据预测与模型的可视化 实训环境： PyCharm或Anacorda环境、Pandas、NumPy、matplotlib、sklearn 在电影数据中，统计量日均票房=累计票房/放映天数。当日均票房不足百万元时一般将会在接下来的一周左右下档。我们可能会联想推测，日均票房与放映天数是否存在一定的相关性？在本节中，我们将通过一元线性回归对两项数据进行简要的相关性分析，探讨是否可以通过计划放映天数预测电影的票房。

泰坦尼克号数据集分析 问题：有哪些因素会让船上的人生还率更高？ 一、数据基本信息 #引入需要的包 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline #读取数据集 titanic_df = pd.read_csv('titanic-data.csv') titanic_df.head() 舱房等级越高生还率越高，女性生还率高于男性，儿童生还率高于其他年龄段。但是此结论有一定的局限性，实际上泰坦尼克号上有2224名乘客，而此数据集只有891名乘客的数据，另外也并不知道样本是如何选取的，样本量也不大，如果不是随机抽样，那么这个结论就不可靠了，而且可能还有其他数据集中没有的变量影响着生还率，比如乘客的身高、体重等等。

泰坦尼克号数据_泰坦尼克号数据分析报告 891名乘客中遇难乘客有549⼈，占61.6%，⽣还乘客342⼈，占38.4%.各等级船舱乘客⼈数 各等级船舱乘客⼈数 Pclass_count=titanic_data['Pclass'].value_counts().sort_index() #⽤Bar_pie()函数作条形图和饼状图 Bar_pie(Pclass_count) 三等船舱乘客最多，占55.1%；⼀等船舱次之占24.2%；⼆级船舱乘客最少，占20.7%.男⼥乘客分布情况 男⼥乘客分布情况 Sex_count=titanic_data['Sex'].value_counts() print(Sex_count) Bar_pie(Sex_count) male 577 female 314 Name: Sex, dtype: int64 男乘客有577⼈，占64.8%；⼥乘客有314⼈，占35.2%.乘客年龄分布情况 乘客年龄分布情况 In [84]: #乘客年龄分布直⽅图 #创建figure、subplot，并⽤hist作条形图 fig_Age=plt.figure(figsize=(10,5)) ax_Age=fig_Age.add_subplot(1,2,1) titanic_data['Age'].hist(bins=10,color='g',alpha=0.3,grid=False) #设置x轴刻度标签 ax_Age.set_xticks([0,10,20,30,40,50,60,70,80,90,100]) #添加标题，x轴标签，y轴标签 ax_Age.set_title('Hist plot of Age') ax_Age.set_xlabel('Age') ax_Age.set_ylabel('number of people') #乘客年龄分布箱线图 #作箱线图 plt.subplot(122) titanic_data.boxplot(column='Age',showfliers=False) #添加y轴标签 plt.ylabel('Age') plt.title('boxplot of Fare') titanic_data['Age'].describe() count 891.000000 mean 29.544332 std 13.013778 min 0.000000 25% 22.000000 50% 29.000000 75% 35.000000 max 80.000000 Name: Age, dtype: float64 乘客年龄⼤概成正态分布，平均年龄29岁多，最⼤的80岁，最⼩的不到1岁（利⽤int()取整，不到1岁的为0）.兄弟姐妹、配偶在船上的 兄弟姐妹、配偶在船上的 乘客分布情况条形图 乘客分布情况条形图 #创建figure、subplot，⽤plot()作柱状图 fig_SibSp=plt.figure(figsize=(10,5)) ax_SibSp=fig_SibSp.add_subplot(1,2,1) SibSp_count=titanic_data['SibSp'].value_counts() SibSp_count.plot(kind='bar') #添加标题，x轴标签，y轴标签 ax_SibSp.set_title('Bar plot of SibSp') ax_SibSp.set_xlabel('number of SibSp') ax_SibSp.set_ylabel('number of people') #拥有各 数量的兄弟姐妹、配偶的乘客⽐例条形图 plt.subplot(122) SibSp_count.div(SibSp_count.sum()).plot(kind='bar') #添加标题,x、y轴 标签 plt.title('Ratio of people in SibSp') plt.xlabel('SibSp') plt.ylabel('ratio') 在船上没有兄弟姐妹配偶的乘客较多，占68.2%.⽗母、孩⼦在船上的乘客分布条形图 ⽗母、孩⼦在船上的乘客分布条形图 Parch_count=titanic_data['Parch'].value_counts() #创建figure、subplot，⽤plot()作柱状图 fig_Parch=plt.figure(figsize=(10,5)) ax_Parch=fig_Parch.add_subplot(1,2,1) Parch_count.plot(kind='bar') #添加标题，x、y轴标签 ax_Parch.set_title('Bar plot of Parch') ax

【作品名称】：基于R语言计算耐药率和数据分析 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。

本文给大家带来是DLinear模型，DLinear是一种用于时间序列预测（TSF）的简单架构，DLinear的核心思想是将时间序列分解为趋势和剩余序列，并分别使用两个单层线性网络对这两个序列进行建模以进行预测(值得一提的是DLinear的出现是为了挑战Transformer在实现序列预测中有效性)。本文的讲解内容包括：模型原理、数据集介绍、参数讲解、模型训练和预测、结果可视化、训练个人数据集，讲解顺序如下->预测类型->这个模型我在写的过程中为了节省大家训练自己数据集，我基本上把大部分的参数都写好了。我看论文的内容大比分都是对比实验，因为DLinear的产生就是为了质疑Transformer所以他和各种Transformer的模型进行对比试验，因为本篇文章就是DLinear的实战案例，对比的部分我就不讲了，大家有兴趣可以看看论文内容在最上面我已经提供了链接。 到此本文已经全部讲解完成了，希望能够帮助到大家，在这里也给大家推荐一些我其它的博客的时间序列实战案例讲解，其中有数据分析的讲解就是我前面提到的如何设置参数的分析博客，最后希望大家订阅我的专栏，本专栏均分文章均分98，并且免费阅读。

python数据分析与可视化 # 导入matplotlib.pyplot，并使用"plt"作为该模块的简写 import matplotlib.pyplot as plt # 导入pandas，并使用"pd"作为该模块的简写 import pandas as pd # 读取路径为 "/Users/书店图书销量和广告费用.csv" 的CSV文件，并将结果赋值给变量data data = pd.read_csv("/Users/书店图书销量和广告费用.csv") # 通过 rcParams 参数将字体设置为 Arial Unicode MS plt.rcParams["font.sans-serif"] = "Arial Unicode MS"

基于App Inventor2的车辆管理APP设计.pdf

Python数据分析与可视化大作业 + 源代码 + 数据 + 详细文档

旋成体飞艇艇体的MATLAB辅助设计工具箱.pdf

数据集来自Kaggle网站上公开的Hotel booking demand项目 该数据集包含了一家城市酒店和一家度假酒店的预订信息，包括预订时间、入住时间、成人、儿童或婴儿数量、可用停车位数量等信息。本次数据分析主要包含如下内容： 总览数据，完成对数据的数据预处理 利用数据集对酒店运营状况/市场情况/客户画像进行数据分析 根据数据集建立预测模型，预测客户是否会取消预订.