1.讨论数据科学生命周期的真实世界背景。

2.操作给定数据集的数据。

3.使用pandas、Seaborn和Plotly生成可视化图表。

4.使用外部文档自定义图表。

5.使用pandas.groupby进行数据操作。

使用set index和reset index在数据帧之间进行计算。

• 问题定义：首先需要提出一个明确的问题。例如：预测房屋的销售价格。

• 数据获取与理解：找到相关数据并理解其内容。例如：数据集的行和列代表什么？哪些数据是有用的？哪些数据缺失？

• 数据准备：清洗和准备数据以供模型使用。

• 建模：使用清洗后的数据训练模型。

• 评估：评估模型的性能。

• 部署：将模型部署到生产环境中。

• 业务理解：定义问题，例如预测房屋价格。

• 数据理解：理解数据集的结构和内容。

• 数据准备：清洗和准备数据。

• 建模：选择合适的模型进行训练，例如线性回归。

• 评估：使用如均方根误差（RMSE）等指标评估模型。

• 部署：将模型部署到生产环境中。

• 意义：展示数据分布的集中趋势和离散程度，通过五个统计量（最小值、第一四分位数、中位数、第三四分位数、最大值）来描述数据集的特性，并通过异常值标识出数据中的离群点。

• 用法：常用于比较不同类别数据的分布情况。

• 意义：结合箱型图和密度图的优点，展示数据的分布情况以及密度估计。通过左右对称的形状，表示出数据在不同取值范围内的分布密度。

• 用法：适用于查看数据分布和数据密度的情况，并对比不同类别的数据分布。

• 意义：通过点的位置表示两个变量之间的关系，可以直观地看出数据的分布趋势和离群点。

• 用法：用于分析两个变量之间的关系。

• 意义：通过颜色表示数据点的密集程度，展示数据分布的总体趋势。

• 用法：用于查看数据点的密集区域。

• 意义：结合散点图和边际图，展示两个变量之间的关系以及它们各自的分布。

• 用法：用于深入分析两个变量的联合分布。