数据分析技术

了解数据分析的定义、发展历程与应用领域。认识数据分析的完整流程，建立数据思维。

• 数据分析的定义与价值
• 数据分析流程：需求分析 → 数据获取 → 数据清洗 → 分析建模 → 可视化 → 报告
• 数据分析的应用领域：电商、金融、医疗、零售、供应链
• 数据分析师的能力模型与职业发展路径
• 常用工具概览：Excel、Python、SQL、Tableau、Power BI

学习NumPy库的核心功能，掌握多维数组的创建、运算与操作，为Pandas学习打下基础。

• NumPy简介与安装
• ndarray数组：创建、属性（shape、dtype、ndim）
• 数组索引与切片
• 数组运算：广播机制、通用函数（ufunc）
• 常用函数：sum()、mean()、std()、argmax()、sort()
• 实战：使用NumPy进行简单数据统计分析

深入学习Pandas库，掌握Series和DataFrame的核心操作，实现高效的数据读取、筛选、处理。

• Series与DataFrame：创建、属性、索引操作
• 数据读取：read_csv()、read_excel()、read_json()、read_sql()
• 数据筛选：loc[]、iloc[]、条件筛选、isin()
• 数据排序：sort_values()、sort_index()
• 数据统计：describe()、value_counts()、groupby()
• 实战：读取超市销售数据并进行基础统计分析

学习如何处理真实数据中的质量问题，包括缺失值、异常值、重复值，以及数据标准化方法。

• 缺失值处理：isnull()、dropna()、fillna()
• 异常值检测：箱线图法、Z-score法、IQR法
• 重复值处理：duplicated()、drop_duplicates()
• 数据类型转换：astype()、pd.to_datetime()
• 数据标准化：Min-Max归一化、Z-Score标准化
• 实战：清洗某电商订单数据集

掌握描述性统计方法与探索性分析技巧，能够对数据进行系统性的初步分析。

• 描述性统计：集中趋势（均值、中位数、众数）、离散程度（方差、标准差）
• 分布分析：偏度、峰度、正态分布检验
• 相关性分析：corr()、相关系数矩阵
• 分组分析：groupby() + agg() 多函数聚合
• 交叉分析：pivot_table()、crosstab()
• 实战：某连锁超市销售数据EDA报告

学习使用Matplotlib和Seaborn进行数据可视化，掌握常见图表的绘制方法与选择逻辑。

• Matplotlib基础：figure、axes、子图
• 常见图表：折线图、柱状图、散点图、饼图、直方图、箱线图
• 图表美化：标题、标签、图例、颜色、样式
• Seaborn高级绘图：heatmap、pairplot、violinplot
• 图表选择原则：对比→柱状图、趋势→折线图、分布→直方图、相关→散点图
• 实战：绘制销售数据分析可视化报告

学习时间序列数据的处理方法，掌握日期时间操作、重采样、滚动窗口等常用技术。

• 时间序列数据特点与常见场景
• Pandas时间处理：to_datetime()、dt访问器
• 时间索引与切片
• 重采样：resample() 按日/周/月聚合
• 滚动窗口：rolling() 移动平均、移动标准差
• 实战：分析某股票/商品的历史价格走势

综合运用所学知识，完成一个完整的销售数据分析项目，从数据读取到报告输出全流程实践。

• 项目背景：某零售企业年度销售数据分析
• 数据读取与初步探索
• 数据清洗：缺失值、异常值、重复值处理
• 业务分析：销售额趋势、品类分析、客户分析、RFM模型
• 可视化报告：多图表组合、仪表盘设计
• 分析结论与业务建议