Python技术学习报告.pdf

该【Python技术学习报告 】是由【青山代下】上传分享，文档一共【4】页，该文档可以免费在线阅读，需要了解更多关于【Python技术学习报告 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。:..Python技术》课程学****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****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****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****和学****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****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****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****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****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****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****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年的值进行预测,然后根据所选特征的原始数据与预测值,建立支持向量回归模型,得到财政收入的最终预测值。第九章---家用热水器用户行为分析与事件辨别本章基于实时监控的智能热水器的用户使用数据,构建了BP神经网络洗浴事件识别模型,重点介绍了根据用水停顿时间间隔的阈值划分一次用水事件的过程,以及用水行为特征的构建,最后根据用户用水日志判断模型结果的好坏。二、本课程的学****体会基于《Python数据分析与应用》这本书,本学期的《Python技术》课程中,:..我掌握了数据分析与应用的相关知识。也有一些想法和体会。我们都知道,它可以应用于众多领域,如:数据分析、组件集成、网络服务、图像处理、数值计算和科学计算等领域。目前业内几乎所有大中型互联网企业都在使用Python,如:Youtube、豆瓣、知乎、Google、Facebook、百度等。互联网公司广泛使用Python来做的事一般有:自动化运维、自动化测试、大数据分析、爬虫、Web等。在这样的大背景下,我们要能够做到熟练地掌握Python,拥有一定的开发经验,学****掌握统计基础理论及大数据分析的基本技能,这会让我们站得更高,望得更远。努力掌握数据信息搜集、清洗与分析等方法,提高我们的人文素养,激发我们的学****兴趣和钻研探索的精神,向着梦想进发。本学期我们从最基本的Python概念及基本语法开始学****包括语言的语法和语义,每个编程概念都有清晰的定义,让我们能够循序渐进地学****变量、表达式、语句、函数等。之后主要学****了Python语言基础知识,数据分析的基本概念,掌握了Python数据分析的常用库及其应用,包含有NumPy数值计算、Matplotlib数据可视化、pandas统计分析、使用pandas进行数据预处理、使用scikit-learn构建模型,从而掌握了Python数据分析方法。最后结合之前所学的数据分析技术,学****了企业综合案例的数据分析流程及相关操作等相关知识。我认为对于课本上的实训代码等,我们在课下都应该实现多次,这对我们记忆重难点知识是非常有用的方法。我们要注重知识的积累与应用,除要多次记忆老师讲述的知识外,多动手敲代码,是对本门课程能力提升的重要手段。柯老师教学态度严谨认真,有自己独特的教学方式和方法,教学中注重知识点的难易结合,而且注重培养学生的学****能力。老师自身在Python技术方面的理论水平很高而且教学的质量和水平也非常高,这也使得我们对《Python技术》的初次学****掌握的更好。本学期在柯老师的悉心指导下,我们在掌握一些python的基本用法之后,再努力实现熟练掌握课本上的知识对我们来说变得简单很多。所安排的实验和实训更是锻炼了我们将所学知识加以应用的能力。我认为数据分析最重要的技能是问题解决,问题解决意味着发现问题、创造性地思考解决方案、以及清晰准确地表达解决方案的能力。对于我们这种数据分析的初学者来说,本学期的课程,学****了Python语言编程及数据分析重要模块等,培养了我们利用Python开展数据分析工作、解决各专业问题的思维和能力。通过短短一学期的学****虽然学****研究地并不深入,但该课程的每一处内容我都有仔细学****我很喜欢这门课程,但也不得不说课后在它上面花的时间不:..因此学****得还不深入,但它在以后的学****工作生涯中也是很重要的,所以我一定会找时间进一步深入地学****它。总之,在老师的指导教学下,本学期的《技术》课程学****之旅,我收获很大。