摘要：
''' A/B测试是为了得到同一个目标进行制定的两个方案，在同一时间维度，分别让组成成分相似的用户群组随机使用一个方案， 最后根据结果进行判断哪一个方案效果好。 数据集来源：阿里云天池 dmp_id：营销策略编号（这里根据数据情况设定为1：对照组，2：营销策略一，3：营销策略二） user_id 阅读全文
摘要：
天猫订单分析 Logout Python 3 可信的 File Edit View Insert Cell Kernel Widgets Help 运行 In [44]: ''' 根据天猫定订单数据集进行订单的综合分析 共有28010条数据 字段的说明： 订单编号：订单编号 总金额：订单总金 阅读全文
摘要：
# 订单维度 # 首先将mydata_finall按订单号进行分组，对商品数量quantity和总价sumcost进行分组求和 invoiceno_grouped = mydata_finall.groupby('InvoiceNo')[['Quantity','SumCost']].sum() i 阅读全文
摘要：
#导入需要的包 import pandas as pd import numpy as np # 导入数据 mydata = pd.read_excel(r'D:\学习\dataA\Online Retail.xlsx') mydata.head() InvoiceNo StockCode Desc 阅读全文
摘要：
第3章 特征增强：清洗数据 主要内容： 识别数据中的缺失值； 删除有害数据； 输入（填充）缺失值； 对数据进行归一化/标准化； 构建新特征； 手动或自动选择（移除）特征； 使用数学矩阵计算将数据集转换到不同的维度。 3.1 识别数据中的缺失值 查看数据集中是否有数据点是空的，用pandas data 阅读全文
摘要：
第2章 特征理解：我们的数据集里有什么？ 主要内容： 结构化数据和非结构化数据 定量数据与定性数据 数据的4个等级 探索性数据分析和数据可视化 描述性统计 2.1 数据结构的有无 结构化数据：可以分成观察值和特征数据，一般以表格的形式组织（行是观察值。列是特征）。 非结构化数据：作为自由流动的实体， 阅读全文
摘要：
第一章 特征工程简介 1.1 激动人心的例子：AI驱动的聊天 请求表示最终用户输入客服聊天框的内容；回复则表示客服对所收到消息的回复。 1.2 特征工程的重要性 准备数据：概念是比较模糊的，包括捕获数据、存储数据、清洗数据等等。清洗数据就是将数据转换为云系统和数据库可以轻松识别的形式。组织数据更为彻 阅读全文