因為參加了一個專業相關的比賽,需要用到數據挖掘、可視化

大家有沒有什麼好的入門方法,快,最多半個月能夠進行可視化

目前看中的是python

求解答謝謝


短期可視化速成最好考慮專門的可視化工具,比如Tableau等,簡單的拖拉拽就可以做出效果很好的可視化。Python如果做Data Engineer(偏工程,也就是碼農)和 Data Scientist (數據挖掘,演算法工程師)應用更廣泛。

快速入門數據可視化可以參考這個小課程【Tableau數據可視化】4小時打開數據分析新世界

關注公眾號瞭解更多 【DataGirls】

發佈於 2018-11-07繼續瀏覽內容知乎發現更大的世界打開Chrome繼續ssthousessthouse?

騰訊 前端開發工程師

題主你好,如果只是為了一個比賽的話,完全沒有必要用編程的方式來數據可視化。

tableau 甚至 excel 就能滿足你的需求。

如果想要非常定製化的數據可視化,並且展示。你需要的可能是一個前端開發。比如D3.js 的數據可視化,定製化非常強。

不妨看看我的數據可視化專欄中的一些示例:

前端 / 數據可視化?

zhuanlan.zhihu.com圖標

題主你好,如果只是為了一個比賽的話,完全沒有必要用編程的方式來數據可視化。

tableau 甚至 excel 就能滿足你的需求。

如果想要非常定製化的數據可視化,並且展示。你需要的可能是一個前端開發。比如D3.js 的數據可視化,定製化非常強。

不妨看看我的數據可視化專欄中的一些示例:

前端 / 數據可視化?

zhuanlan.zhihu.com圖標

我不知道你日後還用不用Python, 還是單純為了這個比賽.

我假設你單純為了這個比賽, 那麼就直接買本可視化方面的書就可以了, 因為你不是深入的學習, 所以不需要大量時間去了解Python更深層次的東西, 而且你參加比賽, 比賽嘛, 他又不看你代碼寫的多麼花哨, 只管把功能做出來就可以了, Python 的語法還是比較簡單的, 只需要在看可視化方面的書的實例代碼的過程中, 你所學的就足夠了.


利用Python做數據分析與挖掘的話,比較常用的模塊包含matplotlib(專用於可視化),numpy(用於數值計算),pandas(用於數據清洗,整理等),sklearn(用於機器學習,就包含你的lda模型)。不妨可以看看《從零開始學Python數據分析與挖掘》,幾乎涵蓋了你的需求,但半個月確實太短了,Python在短時間去速成還是很困難的。


謝邀~

是的,數據可視化python 的matplotlib很強大的,可以滿足你的需求,數據挖掘用庫sklearn也該夠了吧,但是半個月不保證能達到很厲害的水平了,那就突擊去學習下用sklearn機器學習,熟悉常用的模型,然後對照網上教程去做。

不過兩周還是時間挺緊的,人還是要多逼逼自己纔是對吧?


儘快入門這種事,你要是學過基礎類的編程語言 就可以做到快速入門。

沒有的話。半個月時間也夠了,前提你要前三天每天拿出一整天去學對於新手小白來講十分晦澀難懂的新東西,什麼是類什麼是方法,什麼是元組,什麼是鏈表什麼是字典。

然後就是在用1天玩順這些新的概念的東西。

庫包大概就是pandas,numpy兩個繞不開的。不用專門找這倆的API你要做什麼直接看網上別人實例百度也好谷歌也好github也好。看實例就夠你學會別人的用法,前提是你前三天把基礎概念都熟練了。

你說半個月做可視化,我估計你能把matpoltlab這個庫用明白了就能玩出python能實現的最基本幾種可視化。商業用途的就用BI工具,現在流行 一種說法叫「敏捷BI」。專業性強比賽類的應該是代碼。

不過說實在的只為了可視化,你最好的選擇是R,Python更適合學過幾種編程語言的玩。


半個月入門可視化應該沒問題。因為可視化不僅僅涉及matplotlib一個包,同是還需要numpy啦,scipy啦等等其他的包,要熟練調用他們的API比較困難。

所以為了參加比賽,想畫出漂亮的圖,有很多在線的網頁工具,題主可以瞭解一下。

Python是個長期的,可視化的時候可定製程度高,需要一段時間的學習成本。


瀉藥。

gephi JAVA環境 做可視化挺好

jieba Python環境 做文本挖掘/分詞不錯

這兩個入門都比較容易


看你說目前看中的是python,我瞭解可視化就是看這本書的

可以從第四章開始,可以不必看完, 挑案例敲幾遍 大概就瞭解瞭如何可視化的過程了

至於可視化的工具包有很多選擇

  • pyecharts (echarts的封裝)
  • matplotlib
  • geoplotlib
  • Seaborn
  • Boken
  • gephi

先弄清可視化的流程思路再去調合適的工具使用

謝謝!


推薦閱讀:
相關文章