數(shù)據(jù)分析概述

商務(wù)數(shù)據(jù)分析1數(shù)據(jù)分析的流程目錄商務(wù)數(shù)據(jù)分析的基本概念2商務(wù)數(shù)據(jù)分析應(yīng)用場景3數(shù)據(jù)分析工具4小結(jié)5數(shù)據(jù)分析是指用適當(dāng)?shù)姆治龇椒▽κ占瘉淼拇罅繑?shù)據(jù)進行分析，提取有用信息和形成結(jié)論而對數(shù)據(jù)加以詳細(xì)研究和概括總結(jié)的過程。隨著計算機技術(shù)的全面發(fā)展，企業(yè)生產(chǎn)、收集、存儲和處理數(shù)據(jù)的能力大大提高，數(shù)據(jù)量與日俱增。而在現(xiàn)實生活中，需要把這些繁多、嘈雜的數(shù)據(jù)運用統(tǒng)計分析進行萃取、提煉，以此研究出數(shù)據(jù)的發(fā)展規(guī)律，然后幫助企業(yè)管理層做出決策?；靖拍顝V義的數(shù)據(jù)分析包括狹義數(shù)據(jù)分析和數(shù)據(jù)挖掘。狹義的數(shù)據(jù)分析是指根據(jù)分析目的，采用描述性統(tǒng)計和圖形可視化等分析方法，運用對比分析、分組分析、交叉分析和回歸分析等分析策略，對收集來的數(shù)據(jù)進行處理與分析，提取有價值的信息，發(fā)揮數(shù)據(jù)的作用，得到一個針對不同統(tǒng)計量的統(tǒng)計結(jié)果的過程。數(shù)據(jù)挖掘則是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應(yīng)用數(shù)據(jù)中，通過應(yīng)用聚類、分類、回歸和關(guān)聯(lián)規(guī)則等技術(shù)，挖掘潛在價值的過程。數(shù)據(jù)分析概念圖中展示了廣義數(shù)據(jù)分析的主要內(nèi)容、分析方法、輸出結(jié)果和總體目標(biāo)。數(shù)據(jù)分析概念商務(wù)數(shù)據(jù)分析與一般的數(shù)據(jù)分析的不同之處在于，商務(wù)數(shù)據(jù)分析更為側(cè)重商業(yè)場景。商務(wù)數(shù)據(jù)分析需要結(jié)合內(nèi)外部數(shù)據(jù)深度剖析商業(yè)問題，基于具體的商業(yè)場景以及商業(yè)邏輯，使用數(shù)據(jù)作為原材料，對數(shù)據(jù)進行相應(yīng)的邏輯處理與結(jié)構(gòu)化處理。同時通過數(shù)據(jù)洞察商業(yè)問題，為企業(yè)戰(zhàn)略及商業(yè)決策提供數(shù)據(jù)支持。商務(wù)數(shù)據(jù)分析概念1數(shù)據(jù)分析的流程目錄數(shù)據(jù)分析的基本概念2商務(wù)數(shù)據(jù)分析應(yīng)用場景3數(shù)據(jù)分析工具4小結(jié)5數(shù)據(jù)分析已經(jīng)逐漸演化為一種解決問題的過程，甚至是一種方法論。雖然每個公司都會根據(jù)自身需求和目標(biāo)創(chuàng)建最適合的數(shù)據(jù)分析流程，但數(shù)據(jù)分析的核心步驟是一致的。數(shù)據(jù)分析的流程需求分析一詞來源于產(chǎn)品設(shè)計，主要是指從用戶提出的需求出發(fā)，探索用戶內(nèi)心的真實意圖，并轉(zhuǎn)化為產(chǎn)品需求的過程。產(chǎn)品設(shè)計的第一步就是需求分析，也是最關(guān)鍵的一步，因為需求分析決定了產(chǎn)品方向，錯誤需求分析，會導(dǎo)致在產(chǎn)品實現(xiàn)過程中走入錯誤方向，對企業(yè)造成損失。數(shù)據(jù)分析中的需求分析也是數(shù)據(jù)分析環(huán)節(jié)的第一步和最重要的步驟之一，決定了后續(xù)的分析的方向、方法。數(shù)據(jù)分析中的需求分析主的要內(nèi)容是根據(jù)業(yè)務(wù)的需要，結(jié)合業(yè)務(wù)背景和現(xiàn)有的數(shù)據(jù)情況，提出的數(shù)據(jù)分析需求的整體分析方向、分析內(nèi)容，制定項目的分析目標(biāo)，最終和需求方達成一致意見。需求分析數(shù)據(jù)是數(shù)據(jù)分析工作的基礎(chǔ)，是指根據(jù)需求分析的結(jié)果提取、收集數(shù)據(jù)。數(shù)據(jù)來源主要有兩種，即網(wǎng)絡(luò)數(shù)據(jù)和本地數(shù)據(jù)。網(wǎng)絡(luò)數(shù)據(jù)是指存儲在互聯(lián)網(wǎng)中的各類視頻、圖片、語音、文字等信息。本地數(shù)據(jù)則是指存儲在本地數(shù)據(jù)庫中的生產(chǎn)營銷財務(wù)等系統(tǒng)的數(shù)據(jù)。本地數(shù)據(jù)按照數(shù)據(jù)時間又可以劃分為兩個類型：歷史數(shù)據(jù)與實時數(shù)據(jù)。歷史數(shù)據(jù)是指系統(tǒng)在運行過程中，歷史遺存下來的數(shù)據(jù)，其數(shù)據(jù)量隨系統(tǒng)運行時間增加而增長。實時數(shù)據(jù)是指最近一個單位時間周期（月、周、日、小時等）產(chǎn)生的數(shù)據(jù)。數(shù)據(jù)獲取的常見方式有連接數(shù)據(jù)庫和讀取文件等，在數(shù)據(jù)分析過程中，具體使用哪種數(shù)據(jù)獲取方式，依據(jù)需求分析的結(jié)果而定。數(shù)據(jù)獲取探索性分析指的是指通過計算某些統(tǒng)計指標(biāo)、繪制圖表等手段，對樣本數(shù)據(jù)集的結(jié)構(gòu)和規(guī)律進行分析的過程。對數(shù)據(jù)進行探索性分析能夠掌握數(shù)據(jù)的基本情況，揭示數(shù)據(jù)的分布特征和分布類型，把握數(shù)據(jù)的趨勢和周期性，理解數(shù)據(jù)中蘊含的相關(guān)性，同時也有助于選擇合適的數(shù)據(jù)預(yù)處理方法和建模方法。探索性分析數(shù)據(jù)預(yù)處理是指對數(shù)據(jù)進行數(shù)據(jù)合并、數(shù)據(jù)清洗、數(shù)據(jù)變換和數(shù)據(jù)標(biāo)準(zhǔn)化，使得數(shù)據(jù)可以直接用于分析建模過程。數(shù)據(jù)合并可以將多張互相關(guān)聯(lián)的表格合并為一張表。數(shù)據(jù)清洗可以去掉數(shù)據(jù)中的重復(fù)、缺失、異常、不一致的數(shù)據(jù)。數(shù)據(jù)標(biāo)準(zhǔn)化可以去除屬性間的量綱差異。數(shù)據(jù)變換則可以通過離散化、啞變量處理等技術(shù)滿足后期分析與建模的數(shù)據(jù)要求。在數(shù)據(jù)分析的過程中，數(shù)據(jù)預(yù)處理的各個過程互相交叉，并沒有明確的先后順序。數(shù)據(jù)預(yù)處理構(gòu)建模型是指通過回歸、聚類、分類、關(guān)聯(lián)規(guī)則、智能推薦等模型與算法發(fā)現(xiàn)數(shù)據(jù)中的有價值信息，并得出結(jié)論的過程，構(gòu)建模型的方法按照目標(biāo)不同可以分為幾大類。如果分析目標(biāo)是描述客戶行為模式，可采用描述型數(shù)據(jù)分析方法，同時還可以考慮關(guān)聯(lián)規(guī)則、序列規(guī)則、聚類等模型。預(yù)測型數(shù)據(jù)分析就是量化未來一段時間內(nèi)，某個事件的發(fā)生概率。預(yù)測分析模型分為兩類，即分類預(yù)測和回歸預(yù)測。在常見的分類預(yù)測模型中，目標(biāo)屬性通常都是二元數(shù)據(jù)，例如，欺詐與否、流失與否、信用好壞等。在回歸預(yù)測模型中，目標(biāo)屬性通常都是連續(xù)型數(shù)據(jù)，常見的有股票價格預(yù)測和違約損失率預(yù)測等。構(gòu)建模型模型評價是指對已經(jīng)建立的一個或多個模型，根據(jù)其模型的類別，使用不同的指標(biāo)評價其性能優(yōu)劣的過程。常用的回歸模型的算法評價指標(biāo)有平均絕對誤差、均方誤差、中值絕對誤差、可解釋方差值等。常用分類模型的評價指標(biāo)有準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值（F1Value）、ROC和AUC等。常用的聚類模型評價指標(biāo)有ARI評價法（蘭德系數(shù)）、AMI評價法（互信息）、V-Measure評分、FMI評價法和輪廓系數(shù)等。模型評價應(yīng)用是指將通過了正式應(yīng)用數(shù)據(jù)分析的結(jié)果與結(jié)論應(yīng)用至實際生產(chǎn)中的過程。根據(jù)需求的不同，應(yīng)用階段可以是一份包含了對現(xiàn)狀具體整改措施的數(shù)據(jù)分析報告，也可以是將模型部署在生產(chǎn)系統(tǒng)中。在多數(shù)項目中，數(shù)據(jù)分析師提供的是一份數(shù)據(jù)分析報告或者一套解決方案，實際執(zhí)行與部署的是需求方。應(yīng)用1數(shù)據(jù)分析的流程目錄數(shù)據(jù)分析的基本概念2商務(wù)數(shù)據(jù)分析應(yīng)用場景3數(shù)據(jù)分析工具4小結(jié)5客戶分析（CustomerAnalytics）主要是對客戶的基本數(shù)據(jù)信息進行商業(yè)行為分析。首先界定目標(biāo)客戶，根據(jù)客戶的需求、目標(biāo)客戶的性質(zhì)、所處行業(yè)的特征以及客戶的經(jīng)濟狀況等基本信息，使用統(tǒng)計分析方法和預(yù)測驗證法分析目標(biāo)客戶，提高銷售效率。其次了解客戶的采購過程，對客戶采購類型和采購性質(zhì)進行分類分析，從而制定不同的營銷策略。最后還可以根據(jù)已有的客戶特征，進行客戶特征分析、客戶忠誠分析、客戶注意力分析、客戶營銷分析、客戶收益分析。通過有效的客戶分析能夠掌握客戶具體行為特征，將客戶細(xì)分，使得運營策略達到最優(yōu)，提升企業(yè)整體效益等?？蛻舴治鰻I銷分析（SalesandMarketingAnalytics）囊括了產(chǎn)品分析、價格分析、渠道分析、廣告與促銷分析這4類分析。產(chǎn)品分析主要是競爭產(chǎn)品分析，通過對競爭產(chǎn)品的分析制定自身產(chǎn)品策略。價格分析又可以分為成本分析和售價分析，成本分析的目的是降低不必要成本，售價分析的目的是制定符合市場的價格。渠道分析目的是指對產(chǎn)品的銷售渠道進行分析，確定最優(yōu)的渠道配比。廣告與促銷分析則能夠結(jié)合客戶分析，實現(xiàn)銷量的提升，利潤的增加。營銷分析03-11月-237.2.2自同步法數(shù)字鎖相法：比較接收碼元與本地碼元定時(位定時)脈沖的相位，通過控制電路調(diào)整定時脈沖的相位，直至獲得精確同步7.2.2自同步法數(shù)字鎖相環(huán)輸出脈沖7.1載波同步方法7.2 位同步7.3 群同步7.4網(wǎng)同步7.5頻分復(fù)用7.6時分復(fù)用7.7 碼分復(fù)用7.8 多址技術(shù)第7章同步和多路復(fù)用7.3.1

起止同步法原理：收、發(fā)兩端時鐘相互獨立，以字符為單位，前有起始位，后有1-2位停止位優(yōu)點：1)位定時的頻率誤差只在一個字符范圍內(nèi)積累；2)對收發(fā)時鐘的頻率標(biāo)準(zhǔn)性要求不高；3)終止信號長度可變?nèi)秉c：1)字符間的間隔不定；2)額外開銷大；3)不適合傳長位串，容易產(chǎn)生誤差積累應(yīng)用：常用于低速傳輸場合且效率較低7.3.2集中插入法原理：將群同步碼以集中的形式插入信息碼流要求同位碼組具有良好的自相關(guān)特性，便于與信息碼區(qū)別識別同步碼組的識別器盡量簡單碼長適當(dāng)，以保證傳輸效率應(yīng)用：要求快速建立同步或間斷傳輸信息且每次傳輸時間很短的場合7.3.2集中插入法巴克碼組N巴克碼1＋2＋＋或

＋－3＋＋－4＋＋＋－或＋＋－＋5＋＋＋－＋7＋＋＋――＋－11＋＋＋－－－＋－－＋－13＋＋＋＋＋－－＋＋－＋－＋注：“+”代表“+1”，“-”代表“-1”7.3.2集中插入法巴克碼的識別識別器識別器輸出波形7.4網(wǎng)同步定義：通信網(wǎng)中各站之間時鐘的同步單向通信或一對一通信

接收設(shè)備以發(fā)送設(shè)備的時鐘為準(zhǔn)，調(diào)整自己的時鐘，使之和發(fā)送設(shè)備的時鐘同步多站雙向通信同步網(wǎng)：全網(wǎng)各站具有統(tǒng)一的時間標(biāo)準(zhǔn)異步網(wǎng)：容許各站時鐘有誤差，但是通過調(diào)整碼元速率的辦法使全網(wǎng)能協(xié)調(diào)工作，也稱為準(zhǔn)同步網(wǎng)7.4網(wǎng)同步同步網(wǎng)：全網(wǎng)的同步可能是由接收設(shè)備負(fù)責(zé)解決，也可能需要收發(fā)雙方共同解決

7.4網(wǎng)同步發(fā)射機同步

開環(huán)法：終端站根據(jù)所存儲的鏈路長度等信息預(yù)先校正其發(fā)送時間。捕捉快，運算量小；需要外部提供鏈路參量數(shù)據(jù)，靈活性差閉環(huán)法：中心站測量來自終端站的信號的同步準(zhǔn)確度，并將結(jié)果通過反向信道送給終端站，終端站根據(jù)此反饋信息適當(dāng)調(diào)整其時鐘。不需要外界提供鏈路參量數(shù)據(jù)，靈活性強；需要雙向鏈路，捕捉時間較長，終端站運算量大7.5頻分復(fù)用頻分復(fù)用(FDM)原理：將信號調(diào)制到不同載波頻率上，載波頻率彼此間隔足以使信號帶寬不會交迭，從而同時傳送多路信號

7.5頻分復(fù)用頻分復(fù)用系統(tǒng)的發(fā)送和接收

發(fā)送接收7.5頻分復(fù)用多路載波電話系統(tǒng)

頻譜結(jié)構(gòu)接收端7.5頻分復(fù)用頻分復(fù)用信號正?；謴?fù)的條件

載波頻率之間頻率差能夠容納調(diào)制信號的帶寬信道之間由警戒頻帶分隔以防止信號交叉載波頻率不會影響原來的數(shù)據(jù)頻率優(yōu)點：實現(xiàn)簡單，技術(shù)成熟缺點：設(shè)備復(fù)雜，濾波器難以制作，引入非線性失真，而產(chǎn)生各路信號的相互干擾頻分復(fù)用優(yōu)缺點03-11月-23社交媒體分析（SocialMediaAnalytics）是以不同社交媒體渠道生成的內(nèi)容為基礎(chǔ)，實現(xiàn)不同社交媒體的用戶分析、訪問分析、互動分析等。用戶分析主要根據(jù)用戶注冊信息、登錄平臺的時間點和平時發(fā)表的內(nèi)容等用戶數(shù)據(jù)，分析用戶個人畫像和行為特征。訪問分析是通過用戶平時訪問的內(nèi)容，分析用戶的興趣愛好，進而分析潛在的商業(yè)價值。互動分析是根據(jù)互相關(guān)注對象的行為預(yù)測該對象未來的某些行為特征。同時，社交媒體分析還能為情感和輿情監(jiān)督提供豐富的資料。社交媒體分析對用戶行為進行監(jiān)測，并對監(jiān)測獲取的數(shù)據(jù)進行分析，可以幫助企業(yè)更為深入了解用戶的行為習(xí)慣，從而制定更為有效的策略。通過追蹤分析用戶的瀏覽路徑，分析用戶對于不同頁面和不同內(nèi)容的喜好程度，從而對網(wǎng)站結(jié)構(gòu)和內(nèi)容進行調(diào)整優(yōu)化。通過分析用戶的瀏覽歷史，了解用戶的習(xí)慣和偏好，從而制定針對不同用戶的個性化推薦等。用戶行為分析網(wǎng)站是否盈利成為網(wǎng)站是否能生存下去的主要問題，唯有盈利之后，才能真正的穩(wěn)定發(fā)展。盈利是網(wǎng)站最初的運營目標(biāo)，也網(wǎng)站運營的核心目標(biāo)。圍繞盈利這個目標(biāo)對網(wǎng)站的運營進行市場化的調(diào)整，需要針對渠道、成本和收益3個方面進行分析。渠道分析主要根據(jù)渠道的引流數(shù)、發(fā)布的推廣數(shù)等渠道數(shù)據(jù)分析渠道所能帶來的運營效果。成本分析則是分析活動的預(yù)估成本、實際成本等數(shù)據(jù)評估運營的成本。收益分析則用參與人數(shù)、轉(zhuǎn)化率、評分等數(shù)據(jù)，從用戶、營收或者口碑等多種角度的收益評估運營的效果。網(wǎng)站運營分析身份信息泄露導(dǎo)致身份被盜用的事件發(fā)生率逐年增長，隨之而來的是欺詐行為和交易的增多。公安機關(guān)、各大金融機構(gòu)、電信部門可利用用戶基本信息、用戶交易信息、用戶通話短信信息等數(shù)據(jù)，識別可能發(fā)生的潛在欺詐交易，做到提前預(yù)防未雨綢繆。以大型金融機構(gòu)為例，通過分類預(yù)測對非法集資和洗錢的邏輯路徑分析，找到其行為特征。聚類分析方法可以分析相似價格的運動模式，例如，對股票進行聚類，可能發(fā)現(xiàn)關(guān)聯(lián)交易及內(nèi)幕交易的可疑信息，監(jiān)控多個用戶的關(guān)聯(lián)交易行為，為檢查跨賬號協(xié)同的金融詐騙行為提供依據(jù)。欺詐行為檢測1數(shù)據(jù)分析的流程目錄數(shù)據(jù)分析的基本概念2商務(wù)數(shù)據(jù)分析應(yīng)用場景3數(shù)據(jù)分析工具4小結(jié)5目前主流的數(shù)據(jù)分析語言有Python、R、MATLAB三種程序語言。Python具有豐富和強大的庫，它常被稱為膠水語言，能夠把用其他語言制作的各種模塊（尤其是C／C++）很輕松地連結(jié)在一起，是一門更易學(xué)，更嚴(yán)謹(jǐn)?shù)某绦蛟O(shè)計語言。R語言則是用于統(tǒng)計分析，繪圖的語言和操作環(huán)境，它是屬于GNU系統(tǒng)的一個自由、免費、源代碼開放的軟件。MATLAB可進行矩陣運算、繪制函數(shù)與數(shù)據(jù)、實現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語言的程序等，主要應(yīng)用于工程計算、控制設(shè)計、信號處理與通訊、圖像處理、信號檢測、金融建模設(shè)計與分析等領(lǐng)域。常用數(shù)據(jù)分析工具三種語言均可以進行數(shù)據(jù)分析，下表從語言學(xué)習(xí)難易程度，使用場景，第三方支持，流行領(lǐng)域和軟件成本5方面比較Python、R、MATLAB三種數(shù)據(jù)分析工具。常用數(shù)據(jù)分析工具

PythonRMATLAB語言學(xué)習(xí)難易程度接口統(tǒng)一，學(xué)習(xí)曲線平緩接口眾多，學(xué)習(xí)曲線陡峭自由度大，學(xué)習(xí)曲線較為平緩使用場景數(shù)據(jù)分析、機器學(xué)習(xí)、矩陣運算、科學(xué)數(shù)據(jù)可視化、數(shù)字圖像處理、Web應(yīng)用、網(wǎng)絡(luò)爬蟲、系統(tǒng)運維等統(tǒng)計分析、機器學(xué)習(xí)、科學(xué)數(shù)據(jù)可視化等矩陣計算、數(shù)值分析、科學(xué)數(shù)據(jù)可視化、機器學(xué)習(xí)、符號計算、數(shù)字圖像處理、數(shù)字信號處理、仿真模擬等第三方支持擁有大量的第三方庫，能夠簡便地調(diào)用C、C++、Fortran、Java等其他程序語言擁有大量的包，能夠調(diào)用C、C++、Fortran、Java等其他程序語言擁有大量專業(yè)的工具箱，在新版本中加入了對C、C++、Java的支持流行領(lǐng)域工業(yè)界＞學(xué)術(shù)界工業(yè)界≈學(xué)術(shù)界工業(yè)界≤學(xué)術(shù)界軟件成本開源免費開源免費商業(yè)收費目前還出現(xiàn)了許多基于Python二次開發(fā)的開源平臺，如TipDM數(shù)據(jù)挖掘建模平臺。它是基于Python引擎、用于數(shù)據(jù)分析的開源平臺，采用B/S結(jié)構(gòu)，用戶不需要下載客戶端，可通過瀏覽器進行訪問。平臺支持?jǐn)?shù)據(jù)分析所需的主要過程：探索性分析（相關(guān)性分析、主成分分析、周期性分析等）；數(shù)據(jù)預(yù)處理（特征構(gòu)造、記錄選擇、缺失值處理等）；構(gòu)建模型（聚類模型、分類模型、回歸模型等）；模型評價（R-Squared、混淆矩陣、ROC曲線等）。用戶可在沒有Python編程基礎(chǔ)的情況下，通過拖曳的方式進行操作，將數(shù)據(jù)輸入輸出、數(shù)據(jù)預(yù)處理、挖掘建模、模型評估等環(huán)節(jié)通過流程化的方式進行連接，以達到構(gòu)建數(shù)據(jù)分析全流程的目的。常用數(shù)據(jù)分析工具結(jié)合不同數(shù)據(jù)分析工具的對比，可以發(fā)現(xiàn)Python是一門應(yīng)用十分廣泛的計算機語言，在數(shù)據(jù)科學(xué)領(lǐng)域具有無可比擬的優(yōu)勢。Python正在逐漸成為數(shù)據(jù)科學(xué)領(lǐng)域的主流語言。Python數(shù)據(jù)分析主要包含以下5個方面優(yōu)勢。語法簡單精練，對于初學(xué)者來說，比起其他編程語言，Python更容易上手。有很強大的庫，結(jié)合在編程方面的強大實力，可以只使用Python這一種語言去構(gòu)建以數(shù)據(jù)為中心的應(yīng)用程序。功能強大。從特性觀點來看，Python是一個混合體。豐富的工具集使它介于傳統(tǒng)的腳本語言和系統(tǒng)語言之間。Python不僅具備所有腳本語言簡單和易用的特點，還提供了在編譯語言中的高級軟件工程工具。Python數(shù)據(jù)分析的優(yōu)勢不僅適用于研究和原型構(gòu)建，同時也適用于構(gòu)建生產(chǎn)系統(tǒng)。研究人員和工程技術(shù)人員使用同一種編程工具將會給企業(yè)帶來非常顯著的組織效益，并降低企業(yè)的運營成本。Python是一門膠水語言。Python程序能夠以多種方式輕易地與其他語言的組件“粘接”在一起。例如，Python的C語言API可以幫助Python程序靈活地調(diào)用C程序。這意味著用戶可以根據(jù)需要給Python程序添加功能，或者在其他環(huán)境系統(tǒng)中使用Python。Python數(shù)據(jù)分析的優(yōu)勢NumPy是NumericalPython的簡稱，是一個Python科學(xué)計算的基礎(chǔ)包。NumPy主要提供了以下功能?？焖俑咝У亩嗑S數(shù)組對象ndarray。用于對數(shù)組執(zhí)行元素級的計算以及直接對數(shù)組執(zhí)行數(shù)學(xué)運算的函數(shù)。用于讀寫硬盤上基于數(shù)組的數(shù)據(jù)集的工具。線性代數(shù)運算、傅里葉變換以及隨機數(shù)生成。用于將C、C++、Fortran代碼集成到Python的工具。Python數(shù)據(jù)分析常用類庫1.NumPy除了為Python提供快速的數(shù)組處理能力，NumPy在數(shù)據(jù)分析方面還有另外一個主要作用，即作為在算法支架傳遞數(shù)據(jù)的容器。對于數(shù)值型數(shù)據(jù)，NumPy數(shù)組在存儲和處理數(shù)據(jù)時要比內(nèi)置的Python數(shù)據(jù)結(jié)構(gòu)高效的多。此外，由低級語言（如C和Fortran）編寫的庫可以直接操作NumPy數(shù)組中數(shù)據(jù)，使用者無須進行任何數(shù)據(jù)復(fù)制工作。Python數(shù)據(jù)分析常用類庫SciPy是一個基于Python的開源代碼，是一組專門解決科學(xué)計算中各種標(biāo)準(zhǔn)問題域的模塊的集合，特別是與NumPy、Matplotlib、IPython、pandas這些核心包一起使用。對于不同子模塊有不同應(yīng)用，如插值、積分、優(yōu)化、圖像處理和特殊函數(shù)等。Python數(shù)據(jù)分析常用類庫2.SciPySciPy主要包含了8個模塊，每個模塊的內(nèi)容如下表所示。Python數(shù)據(jù)分析常用類庫模塊名稱簡介egrate數(shù)值積分例程和微分方程求解器scipy.linalg擴展了由numpy.linalg提供的線性代數(shù)例程和矩陣分解功能scipy.optimize函數(shù)優(yōu)化器（最小化器）以及根查找算法scipy.signal信號處理工具scipy.sparse稀疏矩陣和稀疏線性系統(tǒng)求解器scipy.specialSPECFUN（這是一個實現(xiàn)了許多常用數(shù)學(xué)函數(shù)（如伽馬函數(shù)）的Fortran庫）的包裝器scipy.stats檢驗連續(xù)和離散概率分布（如密度函數(shù)、采樣器、連續(xù)分布函數(shù)等），各種統(tǒng)計檢驗方法，以及更好的描述統(tǒng)計法scipy.weave利用內(nèi)聯(lián)C++代碼加速數(shù)組計算的工具pandas是Python的數(shù)據(jù)分析核心庫，最初被作為金融數(shù)據(jù)分析工具而開發(fā)出來，因此pandas為時間序列分析提供了很好的支持。它提供了一系列能夠快速便捷地處理結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)和函數(shù)。Python之所以成為強大而高效的數(shù)據(jù)分析環(huán)境與它息息相關(guān)。pandas兼具NumPy高性能的數(shù)組計算功能以及電子表格和關(guān)系型數(shù)據(jù)庫（如MySQL）靈活的數(shù)據(jù)處理功能。它提供了復(fù)雜精細(xì)的索引功能，以便便捷地完成重塑、切片和切塊、聚合以及選取數(shù)據(jù)子集等操作。pandas將是本書中使用的主要工具。Python數(shù)據(jù)分析常用類庫3.pandasMatplotlib是最流行的用于繪制數(shù)