Python介绍、 Unix & Linux & Window & Mac 平台安装更新 Python3 及VSCode下Python环境配置配置 python基础知识及数据分析工具安装及简单使用(Numpy/Scipy/Matplotlib/Pandas/StatsModels/Scikit-Learn/Keras/Gensim)) 数据探索（数据清洗）①——数据质量分析（对数据中的缺失值、异常值和一致性进行分析） 数据探索（数据清洗）②—Python对数据中的缺失值、异常值和一致性进行处理 数据探索（数据集成、数据变换、数据规约）③—Python对数据规范化、数据离散化、属性构造、主成分分析 降维 数据探索（数据特征分析）④—Python分布分析、对比分析、统计量分析、期性分析、贡献度分析、相关性分析 挖掘建模①—分类与预测 挖掘建模②—Python实现预测 挖掘建模③—聚类分析(包括相关性分析、雷达图等)及python实现 挖掘建模④—关联规则及Apriori算法案例与python实现 挖掘建模⑤—因子分析与python实现

对数据进行质量分析以后，接下来就是对数据做特征分析。一般可通过绘制图表、计算某些特征量等手段进行数据的特征分析。

分布分析能揭示数据的分布特征和分布类型，便于发现某些特大或特小的可疑值。对于定量数据，欲了解其分布形式，是对称的、还是非对称的，可做出频率分布表、绘制频率分布直方图、绘制茎叶图进行直观地分析；对于定性分类数据，可用饼图和条形图直观地显示分布情况。

对于定量变量而言，做频率分布分析时选择“组数”和“组宽”是主要的问题，一般按照以下步骤：

第一步：求极差

第二步：分组 这里根据业务数据的含义，可取组距为10。

第三步：决定分点，如下表：

第四步：绘制频率分布直方图

第五步：绘制频率分布直方图