发帖
雷达卡
关于分析没有讨论的内容：混乱的秩序
如何确保编写的多行代码符合目标？分析数据的关键阶段是在拥有数据集之后，在设置环境之前编写代码。我们可以访问什么数据是一门科学，足以回答企业正在寻找的问题。那是另一个讨论。在这里，我们将重点介绍一旦获得数据就将发生什么。
对于成功进行任何分析活动至关重要的一项工作是组织思想。
组织数据和思想
这是开始设置环境以运行代码之前的阶段。在开始编写代码之前，分析就已经开始了。这个过程从理解问题开始。将其映射到Python，数学，统计，颜色，语言库中。那不是一个全面的起点，而是一个很好的起点。
让我们通过一个例子来理解这一点。
“学习曲线是具有正增量的向上倾斜线”
每个读者在这里对这一行的理解将有所不同。暂停一下，记下您的想法。除了单词以外，请考虑什么是合适的视觉描述。欢迎您在完成阅读之前与Analytics Vidya和作者分享您的想法。您可以通过learningbyobservation@gmail.com进行撰写。
该语句有很多层次。在本文结尾处，我们将征募他们。在这里，我们参观了如何组织思想以及颜色对可视化的影响。
了解数据集
数据集（或数据集）是数据的集合。从更专业的角度讲，数据是一组有关一个或多个人或物体的定性或定量变量的值，而数据（数据的单数）是单个变量的单个值。[1]
制表是组织思想的第一步。它表示行和列中的某些内容。制表非常适合数字。降价单元格是将语言描述制成表格的好方法。
让我们看一下基础数据。列表和量化对援助的理解。
必不可少的数据科学
作为数据科学家的诱惑将是：将1的性能评估为25。谁这么说，为什么我们可以以此作为结论依据呢？好吧，恭喜您即将成为一名数据科学家！
可视化：学习曲线：线图
可视化是思想的视觉描述。非语言描述是图形。
请注意，学习曲线的可视化不一定总是折线图。它也不必向上倾斜。数据科学鼓励我们建立。分享您对学习曲线的其他可视化可能性的想法。
了解颜色作为维度
不管可视化有多详细，如果显示在纸上或屏幕上，它都是二维的。颜色将添加第三维。
条形图周围最简单的可视化效果。它们很容易解密。它们之所以简单，还因为它们培养了熟悉度。理货标记和条形图对我们大多数人来说至少可以追溯到10年。让我们使用条形图将颜色理解为维。
上面的主要特征可以表示如下：
必不可少的数据科学
不管可视化有多详细，如果显示在纸上或屏幕上，它都是二维的。所有对话都将在x轴和y轴之间。颜色将添加第三维。
分析层次
先入为主的观念和文化影响为数据分析增加了深度。数据和基准可以是数字，单词，还可以扩展为图片甚至语音。因此，影响一切的一切都是数据。
如果您可以组织思想，那么您将能够识别变量。每个变量将成为表中列的标题。所有读数（如果是数字的话）将一起分发。数据科学将成为理解变量之间相互作用的一种练习。
让我们征集该语句中汇总的各个层。
“学习曲线是具有正增量的向上倾斜线”。
这是口头的。
在Python中，我需要使用字符串的函数。
对于机器学习模型，将单词转换为数字形式。
图形将帮助我们可视化。
数学将有助于量化。
统计数据将很有帮助。平均表现如何？我可以增加表现和学习努力吗？如果性能值的范围是0-100，但学习努力值的范围是0 -1000。那我还可以使用折线图吗？
文化影响：制作相同数据集的放射状图。考虑一下它是否对读者有意义。读者是否有动力投入阅读复杂图表所需的精力？
向上倾斜的线和正三角形：技术说明。
结论：组织思想是数据分析的基础。制表有助于组织思想。可视化将产生有关变量的见解。在数据的旅途中，科学家征集了许多层。探索变量之间的相互作用。旅行愉快！与作者分享您的想法
题库
京公网安备 11010802022788号
