JayRay 的沙龍

【資料分析】Pandas 基礎操作語法彙整

JayRay 資料科學-學習筆記
JayRay 資料科學-學習筆記
閱讀時間約 29 分鐘
raw-image

pandas是用於資料操縱和分析的Python軟體庫。它建造在 NumPy 基礎上，並為操縱數值表格和時間序列，提供了資料結構和運算操作。

pandas 提供了高效且靈活的數據結構和數據操作工具，主要包括 Series 和 DataFrame 兩種數據結構。Series 是一維標籤數組，而 DataFrame 是二維的表格數據結構，類似於 Excel 表格。

Pandas 將 Python 打造成一個強大的資料處理工具，讓資料科學家和分析師能夠快速地對數據進行清洗、分析和可視化，從而提高工作效率並做出數據驅動的決策。


# 可使用目錄功能快速確認要閱覽的主題

Pandas 資料基礎操作語法

import pandas as pd

### 創健一個範例資料集 ###
data = pd.DataFrame({
    'col1': [1, 2, 3, 4],
    'col2': [5, 6, 7, 8],
    'col3': [9, 10, 11, 12]
    'name': ['Jerry','Tom','Bob','Amy']
    })


資料查看

# 查看該資料集的前五筆資料
data.head()

# 查看該資料集的前八筆資料
data.head(8)

# 查看該資料集的後五筆資料
data.tail()

# 查看該資料集的後八筆資料
data.tail(8)

# 查看該資料的形狀
data.shape

# 查看該資料集的描述性統計信息和數據摘要
data.describe()

# 查看該資料集的結構性摘要信息
data.info()

# 查看該資料集的dtype屬性
data.dtypes​

# 查看所有欄位中最大的值
data.max()

# 指定 age 欄位，查看該欄位最大的值​
data['age'].max()

# 計算指定資料中，每個類別或數值出現的次數​
titanic["Pclass"].value_counts()

# 以 Pclass 做分組，計算每個類別或數值出現的次數​
titanic.groupby("Pclass")["Pclass"].count()

# 在 data 中，object 類型的欄位，計算每欄出現的唯一值的數量
data.select_dtypes(["object"]).nunique()


資料選擇

# 選擇第一列資料
row = data.loc[0]

# 選擇第一列和第二列資料
rows = data.loc[[0, 1]]

# 選擇第一列和第二列，以及第一欄和第二欄的資料
subset = data.loc[[0, 1], ['col1', 'col2']]

# ':'表示所有行，​'col2':'col3'表示'col2'到'col3'的所有列
subset2 = data.loc[:,'col2':'col3']

# loc 方法可以按照標籤選擇資料，而 iloc 方法可以按照索引位置選擇資料。
# ​選擇第 10 行到第 25 行（不含第 25 行）的數據，以及第 3 列到第 5 列（不含第 5 列）的數據。
titanic.iloc[9:25, 2:5]

# 將特定 Column 定義為 index
# 選取 "Jerry" 和 "Amy" 兩筆資料的 "col2" 和 "col3" 這兩個欄位
data.set_index('name', inplace=True)
result = df.loc[['Jerry', 'Amy'], ['col2', 'col3']]
result

​# 選擇 col1 的所有資料(Series)
data['col1']

# 選擇 col1、col3 的所有資料(Dataframe)
data[['col1','col3']]

# ​選擇前三列的所有資料(Dataframe)
data[0:3]

# 將特定 Column 定義為 index ,利用 Row 名稱進行選取
data.set_index('name', inplace=True)
data['Jerry':'Bob']

# 刪除特定欄位
data = data.drop('欄位名稱', axis=1)

​# 刪除多個欄位
data = data.drop(['欄位名稱1', '欄位名稱2'], axis=1)

# 使用 inplace=True 直接修改原始 DataFrame
data.drop('欄位名稱', axis=1, inplace=True)


資料過濾

# 選擇 col1 大於 10 的資料
subset = data.query('col1 > 10')

# 選擇 col1 大於 10 且 col2 小於 20 的資料
subset = data[(data['col1'] > 10) & (data['col2'] < 20)]

# 使用多個條件組合過濾資料
mask = (data['col2'] > 7)  & (data['name'] == 'Tom') 
data[mask]

# ​以鐵達尼號資料為例，選擇 Pclass 欄位中，Pclass 等於 2 跟 3 的所有資料
class_23 = titanic[titanic["Pclass"].isin([2, 3])]

# ​以鐵達尼號資料為例，選擇 age 欄位中沒有缺失值的所有資料
age_no_na = titanic[titanic["Age"].notna()]


資料排序

# 按照 col1 排序，預設為升序排序（從小到大）
data.sort_values('col1')

# 按照 col1 和 col2 排序
data.sort_values(['col1', 'col2'])

# 按照 col1 升序排列，col2 降序排列（從大到小）
data.sort_values(['col1', 'col2'], ascending=[True, False])

# 按照索引進行排序
data.sort_index()

# ​按照 Age 來排序，預設為升序排序（從小到大）
titanic.sort_values(by="Age")

# ​先按照 Pclass 來排序，在按照 Age 來排序，並指定以降序排序（從大到小）
titanic.sort_values(by=['Pclass', 'Age'], ascending=False)


資料去重

# 去除重複資料
data.drop_duplicates()


資料計算

import pandas as pd

# 計算​ titanic 資料中的 Age 平均值
titanic["Age"].mean()

# 計算 ​titanic 資料中的 Age 以及 Fare 的中位數
titanic[["Age", "Fare"]].median()

# 創建兩個DataFrame物件
data1 = {'name': ['Alice', 'Bob', 'Charlie', 'David'],
         'age': [25, 32, 18, 47],
         'city': ['New York', 'Paris', 'London', 'Berlin']}
df1 = pd.DataFrame(data1)

data2 = {'name': ['Eva', 'Frank', 'Grace', 'Henry'],
         'age': [29, 23, 37, 31],
         'city': ['Rome', 'Sydney', 'Tokyo', 'Moscow']}
df2 = pd.DataFrame(data2)

# 進行加法
print(df1 + df2)

"""
             name  age            city
0    AliceEva     54    New YorkRome
1      BobFrank   55      ParisSydney
2  CharlieGrace   55  LondonTokyo
3    DavidHenry   78    BerlinMoscow
"""

# 按照 "city" 的值進行分組，並對每個城市的人口數、平均年齡、平均薪資進行統計分析
grouped = df.groupby('city')
result = grouped.agg({'name': 'count', 'age': 'mean', 'salary': 'mean'})
print(result)

"""
name age salary
city
Berlin 1 47.000000 100000.000000
London 1 18.000000 25000.000000
New York 2 24.000000 42500.000000
Paris 2 31.500000 77500.000000
"""

# 對鐵達尼號資料，選擇 Sex 和 Age 列，以 Sex 作為分組做平均，回傳 DataFram
​titanic[["Sex", "Age"]].groupby("Sex").mean()

"""​
              Age
Sex              
female  27.915709
male    30.726645
"""

# ​對鐵達尼號資料，以 Sex 為分組，只針對數值資料做平均
titanic.groupby("Sex").mean(numeric_only=True)

# ​對鐵達尼號資料，以 Sex 為分組，做 Age 的平均，回傳 series
titanic.groupby("Sex")["Age"].mean()

# ​對鐵達尼號資料，以 Sex 和 Pclass 為分組，做 Fare 的平均，回傳 series
​titanic.groupby(["Sex", "Pclass"])["Fare"].mean()


增加、刪除資料欄位

# 創建​一個新欄位，資料為 col1 欄位的數值*2 
data["新增欄位名"] = data["col1"] * 2

# 創建​一個新欄位，計算 col1 與 col2 的比率
data["投資報酬率"] =  (data["投資淨損益"] /  data["投入資金"])

# 使用 loc 新增一行 
dfta.loc[2] = ['第一欄位內容', '第二欄位內容']

# 新增一列並且想保持原有 DataFrame 不變，使用 assign 新增一列 
data = pd.DataFrame({ 'Name': ['Alice', 'Bob'], 'Age': [25, 30] })
data_new = data.assign(City=['New York', 'Los Angeles'])

# 刪除特定欄位 'Column_Name' 
data = data.drop(columns=['Column_Name'])

# 刪除特定行（根據索引） 
data = data.drop(index=[0]) # 刪除第0行

# 如果要一次刪除多行 
data = data.drop(index=[0, 1]) # 刪除第0和第1行

# 刪除特定欄位 'Column_Name'，直接在原 DataFrame 上修改
data.drop(columns=['Column_Name'], inplace=True)


資料合併與重組(concat)

使用 concat() 方法可以將多個DataFrame物件沿著指定的軸合併在一起。

import pandas as pd

# 創建兩個DataFrame物件
data1 = {'name': ['Alice', 'Bob', 'Charlie', 'David'],
         'age': [25, 32, 18, 47],
         'city': ['New York', 'Paris', 'London', 'Berlin']}
df1 = pd.DataFrame(data1)

data2 = {'name': ['Eva', 'Frank', 'Grace', 'Henry'],
         'age': [29, 23, 37, 31],
         'city': ['Rome', 'Sydney', 'Tokyo', 'Moscow']}  
df2 = pd.DataFrame(data2)

# 沿著上下合併
print(pd.concat([df1, df2], axis=0))

"""
      name  age      city
0    Alice   25  New York
1      Bob   32     Paris
2  Charlie   18    London
3    David   47    Berlin
0      Eva   29      Rome
1    Frank   23    Sydney
2    Grace   37     Tokyo
3    Henry   31    Moscow
"""

# 沿著左右合併
print(pd.concat([df1, df2], axis=1))

"""
       name  age      city   name  age    city
0     Alice   25  New York    Eva   29    Rome
1       Bob   32     Paris  Frank   23  Sydney
2   Charlie   18    London  Grace   37   Tokyo
3     David   47    Berlin  Henry   31  Moscow
"""

# 合併兩個DataFrame後，增加一層索引，方便辨識資料來自哪一個資料集
pd.concat([df1,df2],keys=['data1','data2'])

"""
						name			age		city
data1	0		Alice		25		New York
				1		Bob				32		Paris
				2		Charlie	18		London
				3		David		47		Berlin
data2	0		Eva				29		Rome
				1		Frank		23		Sydney
				2		Grace		37		Tokyo
				3		Henry		31		Moscow
"""



資料合併與重組(merge)

使用 merge() 方法可以根據指定的欄位將兩個DataFrame物件合併在一起。

import pandas as pd

# 創建兩個DataFrame物件
data1 = {'name': ['Alice', 'Bob', 'Charlie', 'David'],
         'age': [25, 32, 18, 47],
         'city': ['New York', 'Paris', 'London', 'Berlin']}
df1 = pd.DataFrame(data1)

data2 = {'name': ['Alice', 'Bob', 'Charlie', 'David'],
         'salary': [5000, 6000, 7000, 8000]}
df2 = pd.DataFrame(data2)

# 根據name欄位合併，若兩個 DataFrame 沒有匹配到相同 name，則不會合併
print(pd.merge(df1, df2, on='name'))  


"""
      name  age      city  salary
0    Alice   25  New York    5000
1      Bob   32     Paris    6000
2  Charlie   18    London    7000
3    David   47    Berlin    8000
"""

# 根據name欄位合併, 所有 df1 資料都會被保留
# 若 df1 跟 df2 有無匹配到的資料，合併後的空欄位會顯示 NaN
print(pd.merge(df1, df2, how='left', on='name'))​


資料合併與重組(merge) (續)

import pandas as pd

data1 = {'employee_id': [1, 2, 3, 4],
         'name': ['Alice', 'Bob', 'Charlie', 'David']}
df1 = pd.DataFrame(data1)

data2 = {'id': [1, 2, 3, 4],
         'salary': [5000, 6000, 7000, 8000]}
df2 = pd.DataFrame(data2)

# 當​欲合併的兩個 DataFrame 有列名稱不同，但內容相同的情況
# ​使用 left_on 和 right_on 來指定需要對齊的列。
merged_df = pd.merge(df1, df2, left_on='employee_id', right_on='id')
merged_df

"""
   employee_id     name  id  salary
0            1    Alice   1    5000
1            2      Bob   2    6000
2            3  Charlie   3    7000
3            4    David   4    8000
"""
import pandas as pd

data1 = {'first_name': ['Alice', 'Bob', 'Charlie', 'David'],
         'last_name': ['Smith', 'Brown', 'Johnson', 'Williams'],
         'age': [25, 32, 18, 47]}
df1 = pd.DataFrame(data1)

data2 = {'fname': ['Alice', 'Bob', 'Charlie', 'David'],
         'lname': ['Smith', 'Brown', 'Johnson', 'Williams'],
         'salary': [5000, 6000, 7000, 8000]}
df2 = pd.DataFrame(data2)

# ​通過指定 left_on 和 right_on 來正確地合併這兩個DataFrame。
merged_df = pd.merge(df1, df2, left_on=['first_name', 'last_name'], right_on=['fname', 'lname'])
merged_df

"""
  first_name last_name  age    fname     lname  salary
0      Alice     Smith   25    Alice     Smith    5000
1        Bob     Brown   32      Bob     Brown    6000
2    Charlie   Johnson   18  Charlie   Johnson    7000
3      David  Williams   47    David  Williams    8000
"""​


資料合併與重組(join)

使用 join() 方法可以將兩個DataFrame物件按照索引合併在一起。

import pandas as pd

# 創建兩個DataFrame物件
data1 = {'age': [25, 32, 18, 47],
         'city': ['New York', 'Paris', 'London', 'Berlin']}
df1 = pd.DataFrame(data1, index=['Alice', 'Bob', 'Charlie', 'David'])

data2 = {'salary': [5000, 6000, 7000, 8000]}
df2 = pd.DataFrame(data2, index=['Alice', 'Bob', 'Charlie', 'David'])

# 按照索引合併
print(df1.join(df2))

"""
         age      city  salary
Alice    25  New York    5000
Bob      32     Paris    6000
Charlie  18    London    7000
David    47    Berlin    8000
"""


分組資料處理(groupby)

使用 groupby() 方法可以將 DataFrame 分組後對每個組進行操作。

import pandas as pd

data = {'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emma', 'Frank'],
        'age': [25, 32, 18, 47, 23, 31],
        'gender': ['female', 'male', 'female', 'male', 'female', 'male'],
        'city': ['New York', 'Paris', 'London', 'Berlin', 'New York', 'Paris'],
        'salary': [50000, 80000, 25000, 100000, 35000, 75000]}
df = pd.DataFrame(data)


# 按照 "city" 的值進行分組，並對每個城市的人口數、平均年齡、平均薪資進行統計分析
grouped = df.groupby('city')
result = grouped.agg({'name': 'count', 'age': 'mean', 'salary': 'mean'})
print(result)

"""
          name        age        salary
city                                   
Berlin       1  47.000000  100000.000000
London       1  18.000000   25000.000000
New York     2  24.000000   42500.000000
Paris        2  31.500000   77500.000000
"""

# 對鐵達尼號資料，選擇 Sex 和 Age 列，以 Sex 作為分組做平均，回傳 DataFram
​titanic[["Sex", "Age"]].groupby("Sex").mean()

"""​
              Age
Sex              
female  27.915709
male    30.726645
"""

# ​對鐵達尼號資料，以 Sex 為分組，只針對數值資料做平均
titanic.groupby("Sex").mean(numeric_only=True)

# ​對鐵達尼號資料，以 Sex 為分組，做 Age 的平均，回傳 series
titanic.groupby("Sex")["Age"].mean()

# ​對鐵達尼號資料，以 Sex 和 Pclass 為分組，做 Fare 的平均，回傳 series
​titanic.groupby(["Sex", "Pclass"])["Fare"].mean()

# 對鐵達尼號資料，以 Pclass 做分組，計算每個類別或數值出現的次數​
titanic.groupby("Pclass")["Pclass"].count()

# 對鐵達尼號資料，以 Sex 做分組，做 Age 的平均，返回一個與原始 DataFrame 大小相同的 series
titanic.groupby("Sex")["Age"].transform("mean")


資料匯入與匯出

import pandas as pd

# 匯入csv檔​(DataFrame)
titanic = pd.read_csv("data/titanic.csv")

# 將資料匯出為excel​
titanic.to_excel("titanic.xlsx", sheet_name="passengers", index=False)


資料 columns 更名

# 更改 columns 名稱，使用字典，鍵為原名，值為更改後的名
​air_quality_renamed = air_quality.rename(
...: columns={
...: "station_antwerp": "BETR801",
...: "station_paris": "FR04014",
...: "station_london": "London Westminster",
...: }
...: )

# ​將 columns 名稱全部更改微小寫
air_quality_renamed = air_quality_renamed.rename(columns=str.lower)


其它常用指令

待補

JayRay 的沙龍
3會員
19內容數
留言0
查看全部
發表第一個留言支持創作者！
你可能也想看
Google News 追蹤
avatar
MimiVsJames的美股投資分享
2024/10/26
Thumbnail
第二部分：美國總統大選看未來四年的佈局板塊與投資邏輯（下篇：會員獨享）
接下來第二部分我們持續討論美國總統大選如何佈局, 以及選前一週到年底的操作策略建議 分析兩位候選人政策利多/ 利空的板塊和股票
#美國大選#美國總統選舉#美股投資
avatar
矽谷jojo的沙龍
2024/10/27
Thumbnail
[獵人]冨樫如何合理化妮翁的死亡？
🤔為什麼團長的能力是死亡筆記本? 🤔為什麼像是死亡筆記本呢？ 🤨作者巧思-讓妮翁死亡合理的幾個伏筆
#HUNTER×HUNTER#全職獵人
avatar
李政旺的沙龍
2023/07/22
Thumbnail
資料分析和廚師料理一樣！資料分析的 9 大流程
資料分析就像廚師料理一樣，但你知道可以分成哪9大流程嗎？一起看看資料分析流程和廚師料理有多像！
#資料分析#流程
avatar
李政旺的沙龍
2023/07/22
Thumbnail
資料分析的3大目的：探索、解釋及預測
資料分析三個主要的目的分別是探索性、解釋性及預測性。看看他們在方法及複雜度上有什麼差異，以及適用的情境。
#模型#統計#資料分析
avatar
李政旺的沙龍
2023/06/28
Thumbnail
資料分析前最重要的事：決定「分析單位(unit of analysis)」
決定「分析單位」是資料分析執行前，最需要確認的項目；決定了「分析單位」等同於決定分析結果數據呈現方式、解讀和應用方法。讓我們一起了解「分析單位」到底是什麼？什麼會決定分析單位？以及沒有弄清楚分析單位會有什麼影響？
#資料科學#資料分析#大數據
avatar
我吃故窩宅的沙龍
2022/11/28
Thumbnail
資料分析 | Python新手村03_迴圈
上一篇介紹了 Python 中的條件判斷，方法是透過了自動程式條件式判斷，以不同劇本的方式來執行動作。然而實際情況下，我們還常會遇到一種問題，就是必須重複執行某些相同的步驟，而迴圈（loop）的設計就是為了解決此「重複執行」的一種控制結構，讓我們可以在條件符合的情況下利用迴圈執行資料的輸入、處理與輸
#執行#輸入#條件
avatar
我吃故窩宅的沙龍
2022/11/25
Thumbnail
資料分析 | Python新手村02_條件判斷式
經歷過第一次的課程內容後，我們已經初步理解到Python的基本運算功能，接下來就要開始進入到高階語言都有的程式控制邏輯，先來個小小開胃菜—條件判斷。 if敘述 直接來帶範例會比較清楚理解： 第一次我們輸入國文分數為50分，由於數值50並沒有大於60，第一個if敘述的condition條件判斷就會是F
#程式#條件#analysis
avatar
我吃故窩宅的沙龍
2022/11/24
Thumbnail
資料分析 | 業界最愛用的強大競站分析工具SimilarWeb
首先，聊聊我與SimilarWeb的不解之緣😊，以前在媒體界擔任產品經理時，老闆最愛問下屬的一件事，別人家競品的網站狀況如何？流量如何？廣告策略有哪些？可是坦白說，沒有認識到別家公司內部員工的話，誰有辦法清楚知道，這時只能想些折衷的辦法，去翻翻網路資訊，或請教一些數位界的前輩，了解是否有哪些第三方
avatar
我吃故窩宅的沙龍
2022/11/14
Thumbnail
資料分析 | Python新手村01_基本的輸出應用
前幾年因為工作方面的需求，花了一些時間自學了Python，進行網站爬蟲與資料分析，但近期由於職務的轉換，Python的實作應用機會減少了許多，對於code撰寫的敏感度也因此降低不少，趁著上個月看到勞動力職能發展協會官網有一門新課程「Python大數據資料探勘分析應用班」正在線上招生，想說既然政府與公
#python#analysis
avatar
我吃故窩宅的沙龍
2022/07/21
Thumbnail
資料分析｜有關係就是沒關係-淺談Apriori演算法
最近在公司跟資料科學家一起討論了產品推薦機制的運作邏輯，才開始理解了甚麼是關聯分析（Associative Analysis），覺得挺有趣的，想說把學習心得記錄下來，藉此機會跟大家分享。 接著下來，我們就以「樂屋網」產品的使用者行為資料庫，做為假設的範例，進行簡單的解釋說明。 條件機率與貝氏定理
#basket#演算法#機率
avatar
Jackie Chien的沙龍
2021/12/18
Thumbnail
資料分析，必學三大重點
這一次在高雄上課，租用昂貴的電腦教室，只是很可惜，這家巨匠居然沒有安裝office，只有開放原始碼的試算表，有一點卡卡的，影響我的教學。 趁學員陸續到期，趕緊教他們下載資料；下載資料對我來說雖然簡單，但對於這一批學員來說，卻可能是第一次操作；還好很多學員立即學會，也立馬變身為種子教官，教會旁邊的學員
avatar
Jackie Chien的沙龍
2019/06/09
Thumbnail
EXCEL資料分析/敘述統計
EXCEL應該是最多朋友會使用的工具，因為如果能善用EXCEL來分析手邊的股價資訊，必然能有極大的幫助。 雖然說現在市面上有非常多既有的既定工具，但資料在自己手上，分析方法由自己決定，長期來說還是比較好。 今天來講一個簡單的敘述統計...
#EXCEL#分析工具#敘述統計
avatar
MimiVsJames的美股投資分享
2024/10/26
Thumbnail
第二部分：美國總統大選看未來四年的佈局板塊與投資邏輯（下篇：會員獨享）
接下來第二部分我們持續討論美國總統大選如何佈局, 以及選前一週到年底的操作策略建議 分析兩位候選人政策利多/ 利空的板塊和股票
#美國大選#美國總統選舉#美股投資
avatar
矽谷jojo的沙龍
2024/10/27
Thumbnail
[獵人]冨樫如何合理化妮翁的死亡？
🤔為什麼團長的能力是死亡筆記本? 🤔為什麼像是死亡筆記本呢？ 🤨作者巧思-讓妮翁死亡合理的幾個伏筆
#HUNTER×HUNTER#全職獵人
avatar
李政旺的沙龍
2023/07/22
Thumbnail
資料分析和廚師料理一樣！資料分析的 9 大流程
資料分析就像廚師料理一樣，但你知道可以分成哪9大流程嗎？一起看看資料分析流程和廚師料理有多像！
#資料分析#流程
avatar
李政旺的沙龍
2023/07/22
Thumbnail
資料分析的3大目的：探索、解釋及預測
資料分析三個主要的目的分別是探索性、解釋性及預測性。看看他們在方法及複雜度上有什麼差異，以及適用的情境。
#模型#統計#資料分析
avatar
李政旺的沙龍
2023/06/28
Thumbnail
資料分析前最重要的事：決定「分析單位(unit of analysis)」
決定「分析單位」是資料分析執行前，最需要確認的項目；決定了「分析單位」等同於決定分析結果數據呈現方式、解讀和應用方法。讓我們一起了解「分析單位」到底是什麼？什麼會決定分析單位？以及沒有弄清楚分析單位會有什麼影響？
#資料科學#資料分析#大數據
avatar
我吃故窩宅的沙龍
2022/11/28
Thumbnail
資料分析 | Python新手村03_迴圈
上一篇介紹了 Python 中的條件判斷，方法是透過了自動程式條件式判斷，以不同劇本的方式來執行動作。然而實際情況下，我們還常會遇到一種問題，就是必須重複執行某些相同的步驟，而迴圈（loop）的設計就是為了解決此「重複執行」的一種控制結構，讓我們可以在條件符合的情況下利用迴圈執行資料的輸入、處理與輸
#執行#輸入#條件
avatar
我吃故窩宅的沙龍
2022/11/25
Thumbnail
資料分析 | Python新手村02_條件判斷式
經歷過第一次的課程內容後，我們已經初步理解到Python的基本運算功能，接下來就要開始進入到高階語言都有的程式控制邏輯，先來個小小開胃菜—條件判斷。 if敘述 直接來帶範例會比較清楚理解： 第一次我們輸入國文分數為50分，由於數值50並沒有大於60，第一個if敘述的condition條件判斷就會是F
#程式#條件#analysis
avatar
我吃故窩宅的沙龍
2022/11/24
Thumbnail
資料分析 | 業界最愛用的強大競站分析工具SimilarWeb
首先，聊聊我與SimilarWeb的不解之緣😊，以前在媒體界擔任產品經理時，老闆最愛問下屬的一件事，別人家競品的網站狀況如何？流量如何？廣告策略有哪些？可是坦白說，沒有認識到別家公司內部員工的話，誰有辦法清楚知道，這時只能想些折衷的辦法，去翻翻網路資訊，或請教一些數位界的前輩，了解是否有哪些第三方
avatar
我吃故窩宅的沙龍
2022/11/14
Thumbnail
資料分析 | Python新手村01_基本的輸出應用
前幾年因為工作方面的需求，花了一些時間自學了Python，進行網站爬蟲與資料分析，但近期由於職務的轉換，Python的實作應用機會減少了許多，對於code撰寫的敏感度也因此降低不少，趁著上個月看到勞動力職能發展協會官網有一門新課程「Python大數據資料探勘分析應用班」正在線上招生，想說既然政府與公
#python#analysis
avatar
我吃故窩宅的沙龍
2022/07/21
Thumbnail
資料分析｜有關係就是沒關係-淺談Apriori演算法
最近在公司跟資料科學家一起討論了產品推薦機制的運作邏輯，才開始理解了甚麼是關聯分析（Associative Analysis），覺得挺有趣的，想說把學習心得記錄下來，藉此機會跟大家分享。 接著下來，我們就以「樂屋網」產品的使用者行為資料庫，做為假設的範例，進行簡單的解釋說明。 條件機率與貝氏定理
#basket#演算法#機率
avatar
Jackie Chien的沙龍
2021/12/18
Thumbnail
資料分析，必學三大重點
這一次在高雄上課，租用昂貴的電腦教室，只是很可惜，這家巨匠居然沒有安裝office，只有開放原始碼的試算表，有一點卡卡的，影響我的教學。 趁學員陸續到期，趕緊教他們下載資料；下載資料對我來說雖然簡單，但對於這一批學員來說，卻可能是第一次操作；還好很多學員立即學會，也立馬變身為種子教官，教會旁邊的學員
avatar
Jackie Chien的沙龍
2019/06/09
Thumbnail
EXCEL資料分析/敘述統計
EXCEL應該是最多朋友會使用的工具，因為如果能善用EXCEL來分析手邊的股價資訊，必然能有極大的幫助。 雖然說現在市面上有非常多既有的既定工具，但資料在自己手上，分析方法由自己決定，長期來說還是比較好。 今天來講一個簡單的敘述統計...
#EXCEL#分析工具#敘述統計