### Python 数据分析与处理实战项目示例 #### 1. 销售数据分析 销售数据通常包含时间序列、产品类别、地区分布等多个维度的信息。可以使用 Pandas 加载 CSV 文件并进行清洗，随后利用 Matplotlib 或 Seaborn 创建趋势图和热力图展示销售额随时间和区域的变化情况[^2]。 ```python import pandas as pd import matplotlib.pyplot as plt data = pd.read_csv('sales_data.csv') data['date'] = pd.to_datetime(data['date']) monthly_sales = data.resample('M', on='date').sum() plt.figure(figsize=(10,6)) plt.plot(monthly_sales.index, monthly_sales['amount'], label="Monthly Sales") plt.title("Sales Trend Over Time") plt.xlabel("Date") plt.ylabel("Amount Sold ($)") plt.legend() plt.show() ``` --- #### 2. 社交媒体情感分析 社交媒体平台上的评论往往蕴含着大量关于品牌或产品的公众情绪反馈。可以通过爬取 Twitter API 获取推文数据，并借助 TextBlob 库实现自然语言处理中的极性评分计算，从而评估整体舆论倾向[^1]。 ```python from textblob import TextBlob import tweepy auth = tweepy.OAuthHandler(consumer_key, consumer_secret) api = tweepy.API(auth) tweets = api.search(q="Python", count=100) sentiments = [TextBlob(tweet.text).sentiment.polarity for tweet in tweets] positive_ratio = sum([s > 0 for s in sentiments]) / len(sentiments) print(f"Positive Sentiment Ratio: {positive_ratio:.2%}") ``` --- #### 3. 股票市场预测 金融领域内的股票价格波动受到众多因素影响，因此具有较高的不确定性。然而，仍可尝试采用 ARIMA 时间序列模型对未来几天的价格走势作出短期估计[^2]。 ```python import numpy as np from statsmodels.tsa.arima.model import ARIMA stock_prices = pd.Series(np.random.randn(100)) # Replace with real stock price series model = ARIMA(stock_prices, order=(5,1,0)) results = model.fit() forecast_steps = results.forecast(steps=7) print("Next Week's Forecast:", forecast_steps.values) ``` --- #### 4. 客户分群 (Customer Segmentation) 企业希望了解不同类型的客户群体行为特征以便制定针对性营销策略。K-Means 聚类是一种简单有效的无监督学习方法，可用于依据消费习惯等因素划分顾客组别[^1]。 ```python from sklearn.cluster import KMeans customer_features = [[age, income, spending_score], ... ] # List of customer attributes kmeans = KMeans(n_clusters=5, random_state=0).fit(customer_features) labels = kmeans.labels_ centroids = kmeans.cluster_centers_ for i, centroid in enumerate(centroids): print(f"Cluster {i}: Centroid at {centroid}") ``` --- #### 5. 图像分类任务 虽然严格意义上不属于传统意义上的“数据分析”，但对于那些想要拓宽视野的人来说，图像识别也是一个值得探索的方向。TensorFlow/Keras 提供了高层次接口让开发者快速搭建卷积神经网络(CNN)，进而完成手写数字辨认等功能[^1]。 ```python import tensorflow as tf from tensorflow.keras.datasets import mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print('\nTest accuracy:', test_acc) ``` ---