数据分析中的缺失值处理

2017-12-01

数据分析中的缺失值处理 没有高质量的数据，就没有高质量的数据挖掘结果，数据值缺失是数据分析中经常遇到的问题之一。当缺失比例很小时，可直接对缺失记录进行舍弃或进行手工处理。但在实际数据中，往往 ...

数据探索之缺失值处理及代码实现

2017-11-30

数据探索之缺失值处理及代码实现 在数据挖掘中，前期数据预处理，会涉及到很多缺失值的处理问题。 现以python代码实现为例，看如何具体处理的。 所需python包 from pandas import Series, DataFrame import pan ...

数据清洗之python实现缺失值处理

2020-07-24

在实际的数据清洗过程中，我们经常会遇到数据内容丢失的情况，这些丢失的数据内容就是缺失值。缺失值的产生的原因多种多样，主要分为机械原因和人为原因。 机械原因，也就是由于例如，数据存储失败，存储器损坏 ...

常用的python缺失值处理方法有哪几种？

2020-07-06

缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断。它指的是现有数据集中某个或某些属性的值是不完全的。 python缺失的处理一般情况下有三种方法： （1）删掉缺失值数据 删除法是 ...

数据分析实践入门：缺失值处理、重复值处理、异常值处理等

2020-05-11

从菜市场买来的菜，总有一些是坏掉的不太好的，所以把菜买回来之后要做一遍预处理，也就是把那些坏掉的不太好的部分扔掉。现实中大部分的数据都类似于菜市场的菜品，拿到手以后会有一些不好的数据，所以都要先做 ...

R语言缺失值处理

2017-11-25

R语言缺失值处理 缺失值 1. is.na 确实值位置判断 注意: 缺失值被认为是不可比较的，即便是与缺失值自身的比较。这意味着无法使用比较运算 符来检测缺失值是否存在。例如，逻辑测试myvar == NA的结果永远不会 ...

R语言中的缺失值处理

2017-02-27

R语言中的缺失值处理 在处理一些真实数据时，样本中往往会包含缺失值（Missing values)。我们需要对缺失值进行适宜的处理，才能建立更为有效的模型，使得后续预测分析能有更小的偏差。本文将罗列不同的缺失值处 ...

CDA数据分析师：决策树分析实战，可解释性建模的核心工具与业务赋能

2026-03-31

在CDA（Certified Data Analyst）数据分析师的职场实战与认证考核中，“可解释性建模”是核心需求之一——企业决策中，不仅需要模型给出精准预测，更需要清晰的决策逻辑支撑，让非技术人员读懂“为什么这么判断”。 ...

CDA数据分析师：聚类分析实战，无监督学习下的精准分组与业务赋能

2026-03-30

在CDA（Certified Data Analyst）数据分析师的日常工作中，“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中需对海量用户按行为偏好分组实现精准营销，金融场景中需对客户按风险等级聚类优化风控 ...

CDA数据分析师：主成分分析（PCA）实战，破解高维数据降维难题的核心工具

2026-03-27

在CDA（Certified Data Analyst）数据分析师的能力体系与职场实操中，高维数据处理是高频且核心的痛点——随着业务场景的复杂化，分析师往往需要面对成百上千个特征变量（如用户行为数据、产品属性数据、金融风控指 ...

CDA数据分析师：线性回归建模实战，从关联分析到业务预测的核心工具

2026-03-26

在CDA（Certified Data Analyst）数据分析师的能力体系中，线性回归是连接描述性统计与预测性分析的关键桥梁，也是CDA二级认证的核心必考模块，更是企业业务分析、数据建模、决策支撑场景中应用最广泛的基础算法。不 ...

【CDA干货】数据清洗全指南：基础核心+常用工具实操，数据工作第一步必学

2026-03-20

在数据工作的全流程中，数据清洗是最基础、最耗时，同时也是最关键的核心环节，无论后续是做常规数据分析、可视化报表，还是开展数据挖掘、算法建模，都离不开干净、规范、高质量的数据支撑。行业内常说“数据质量决 ...

【CDA干货】机器学习算法工程实用案例解析：从落地到优化全流程

2026-03-18

机器学习算法工程的核心价值，在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案，解决实际业务中的痛点问题。不同于纯算法研究，工程落地更注重“实用性、稳定性、可扩展性”——既要选择适配业务场景的 ...

CDA数据分析师：数据清洗实操指南，筑牢数据分析的质量防线

2026-03-18

“垃圾数据进，垃圾结果出”，这是数据分析领域的黄金法则，更是CDA（Certified Data Analyst）数据分析师日常工作中时刻恪守的准则。原始数据往往裹挟着各类“瑕疵”——缺失的字段、异常的数值、重复的记录、混乱 ...

【CDA干货】重复测量问卷统计分析：实操指南，精准挖掘纵向数据价值

2026-02-26

在问卷调研中，我们常遇到这样的场景：针对同一批调查对象，在不同时间点（如干预前、干预后、随访期）发放相同或相似的问卷，收集其态度、行为、认知等指标的变化数据；或是对同一批对象，在不同场景、不同条件下进 ...

【CDA干货】运用机器学习进行分析：从流程拆解到行业落地，让数据发挥核心价值

2026-02-25

在数字化时代，数据已成为企业决策、行业升级的核心资产，但海量杂乱的原始数据本身不具备价值—— 只有通过科学的分析方法，挖掘数据背后的规律、关联与趋势，才能将数据转化为可落地的决策依据。机器学习作为数据 ...

【CDA干货】Power BI函数大全：分类、实操与实战全指南

2026-02-13

在Power BI实操中，函数是实现数据清洗、建模计算、可视化呈现的核心工具——无论是简单的数据筛选、异常值处理，还是复杂的度量值计算、时间智能分析，都离不开函数的灵活运用。很多从业者在使用Power BI时，常常陷 ...

表结构数据的获取、加工与使用：CDA数据分析师的核心实操指南

2026-02-09

表结构数据作为结构化数据的核心载体，其“获取-加工-使用”全流程，是CDA（Certified Data Analyst）数据分析师开展专业工作的核心链路。CDA的核心价值，并非单纯解读数据，而是从数据源头出发，规范获取表结构数据 ...

CDA数据分析师实战：逻辑回归的业务应用与落地指南

2026-01-14

在CDA（Certified Data Analyst）数据分析师的业务实操中，“分类预测”是高频核心需求——比如“预测用户是否会购买商品”“判断客户是否存在违约风险”“识别用户是否为流失高潜人群”。这类需求的核心是“将数据 ...

【CDA干货】数据清洗基本流程全解析：从“脏数据”到“高质量数据”的蜕变

2026-01-13

在数据驱动决策的时代，“数据质量决定分析价值”已成为行业共识。数据库、日志系统、第三方平台等渠道采集的原始数据，往往存在重复、缺失、异常、格式混乱等问题，这些“脏数据”会直接导致分析结果失真，甚至误导 ...