Python技术学习报告.pdf

Python技术》课程学习报告

本学期的《技术》课程已经结束，我将从《Python技术》课程归纳

总结和本课程的学习体会两部分展示我在本门课程的收获与体会。

一、《技术》课程归纳（基于课本概述）

第一章Python数据分析概述

本章根据目前的数据分析发展状况，将数据分析具象化，首先介绍了数据分

析的概念、流程、目的以及应用场景，阐述了使用Python进行数据分析的优势，

列举说明了Python数据分析重要类库的功能，比如NumPy库、Pandas库、

Matplotlib库、scikit-learn等。紧接着阐述了Anaconda的特点，如何安装Anaconda

数据分析环境。最后学习了Python数据分析工具JupyterNotebook的使用方法。

第二章Numpy数值分析基础

本章重点介绍了NumPy重要的基础内容，比如NumPy的部分常用属性和

方法，包括NumPy的“心脏”ndarray及其索引，生成随机数，创建矩阵，使用

通用函数计算，以及进行统计分析的常用函数，为后面真正进入数据分析课程内

容的学习和学习其他数据分析库(如pandas)打下了坚实的基础。

第三章Matplotlib数据可视化基础

本章介绍了pyplot绘图的基本语法、常用参数。以2000~2017年各季度国民

生产总值数据为例，介绍了分析特征间相关关系的散点图、分析特征间趋势关系

的折线图、分析特征内部数据分布的直方图和饼图，以及分析特征内部数据分散

情况的箱线图，为我们后续深入学习Matplotlib数据可视化打下了深厚的基础。

第四章pandas统计分析基础

本章以餐饮数据为例，介绍了数据库数据、CSV数据和Excel数据3种常用

的数据读取与写入方式。阐述了DataFrame的常用属性、方法与描述性统计相关

内容。介绍了时间数据的转换、信息提取与算术运算。同时还剖析了分组聚合方

法groupby的原理、用法和3种聚合方法。

通过本章的学习，我们能够利用pandas库进行基础的统计。

第五章使用pandas进行数据预处理

本章以菜品数据为例，学习了数据分析的数据预处理过程，即数据清洗、数

据合并、数据标准化和数据转换。这4个步骤并不存在严格的先后关系，实际工

作中往往需要交叉。

缺失值和异常值的处理。重复值处理细分为

记录去重和特征去重。缺失值处理方法包括删除、替换和插值。异常值介绍了

σ原则。数据合并是将多个数据源中的数据合并存放到一个数据存储的过程。数

据标准化介绍了如何将不同量纲的数据转化为可以相互比较的标准化数据。数据

转换介绍了如何从不同的应用角度对已有特征进行转换。

通过本章的学习，我们学会了如何使用pandas进行数据预处理。

第六章使用scikit-learn构建模型

本章重点介绍了对应的数据分析建模方法及实现过程。通过对本章的学习，

我们可在以后的数据分析过程中采用适当的算法并按所介绍的步骤实现综合应

用。

总的来说，sklearn数据分析技术的基本任务主要体现在聚类、分类和回归3

类。同时，每一类又有对应的多种评估方法，能够评价所构建模型的性能优劣。

通过本章的学习，我们掌握了常用的模型构建与评价方法。

第七章航空公司客户价值分析

本章结合航空公司客户价值分析的案例，重点介绍了数据分析算法中

K-Means聚类算法在客户价值分析中的应用。针对RFM客户价值分析模型的不

足，使用K-Means算法构建了航空客户价值分析LRFMC模型，详细地描述了

数据分析的整个过程。

第八章财政收入预测分析

本章主要介绍了财政收入预测原始数据的相关性分析、特征的选取、构建灰

色预测和支持向量回归预测模型、模型的评价。在财政收入相关数据的相关性分

析中，采用了简单相关系数对数据进行了分析；在特征选取中，运用了广泛使用

的Lasso回归模型；在模型的构建阶段，针对历史数据首先构建了灰色预测模型，

对所选特征的2014年与2015年