實訓(xùn)1.請使用本章介紹的知識按以下步驟編寫相應(yīng)代碼并進行基本分析。步驟一：生成并操作數(shù)據(jù)（1）創(chuàng)建一個包含10個隨機整數(shù)（范圍從1到100）的列表，模擬實驗數(shù)據(jù)。（2）計算并輸出該列表的最大值、最小值和平均值。Deepseek指令如下：結(jié)果：步驟二：數(shù)據(jù)分類和統(tǒng)計1、將步驟一生成的數(shù)據(jù)分為大于50和小于等于50的兩個列表。2、分別計算這兩個列表的平均值并輸出。Deepseek指令如下：結(jié)果：步驟三：數(shù)據(jù)存儲和檢索1、創(chuàng)建一個字典，其中包含大于50和小于等于50的列表及其平均值。2、打印字典內(nèi)容，并根據(jù)鍵值檢索大于50的列表及其平均值。Deepseek指令如下：結(jié)果：實訓(xùn)請使用本章介紹的基礎(chǔ)模塊知識按以下步驟編寫相應(yīng)代碼生成模擬實驗數(shù)據(jù)，并進行基本分析。（1）步驟一：生成實驗數(shù)據(jù)使用random模塊生成50個介于0到1之間的隨機浮點數(shù)，模擬實驗中的測量誤差。使用math模塊計算這些隨機數(shù)的算術(shù)平均值、中位數(shù)和標準差。Deepseek指令如下：結(jié)果：、（2）步驟二：數(shù)據(jù)的正則表達式匹配編寫一個正則表達式，匹配字符串“Themeasurementerrorsare0.1,1.2,0.65and3.27.”中所有滿足實驗條件的數(shù)據(jù)。Deepseek指令如下：結(jié)果：（3）步驟三：數(shù)據(jù)的異常檢測檢測并輸出所有高于平均值20%的數(shù)據(jù)。Deepseek指令如下：結(jié)果：實訓(xùn)請使用本章介紹的知識按以下步驟編寫相應(yīng)代碼并進行基本分析。生成PandasDataFrame數(shù)據(jù)Deepseek指令如下：創(chuàng)建一個包含學生成績數(shù)據(jù)的PandasDataFrame，數(shù)據(jù)如下所示：student_data={'姓名':['小明','小紅','小剛','小美','小軍'],'數(shù)學成績':[88,92,78,89,84],'英語成績':[85,95,91,87,78],'科學成績':[90,85,88,82,87]}結(jié)果：對生成的數(shù)據(jù)進行描述性統(tǒng)計：Deepseek指令如下：使用Pandas對學生數(shù)據(jù)進行基本的統(tǒng)計分析，包括每門課程的平均成績、最高成績和最低成績結(jié)果：對生成的數(shù)據(jù)進行可視化分析Deepseek指令如下：使用Matplotlib創(chuàng)建以下兩個圖表：（1）一個條形圖，顯示每位學生的總成績（數(shù)學成績+英語成績+科學成績）。（2）一個折線圖，顯示每門課程的平均成績隨時間的變化趨勢。結(jié)果：實訓(xùn)淘寶用戶行為數(shù)據(jù)集`taobao.csv`，該數(shù)據(jù)集記錄了用戶每天的多種指標信息，包括日期、瀏覽量、訪客數(shù)、人均瀏覽量、平均停留時間、跳失率、成交用戶數(shù)、成交單量、成交金額、客單價、成交商品數(shù)、成交轉(zhuǎn)化率等。請運用上文提到的數(shù)據(jù)分析方法和指標對數(shù)據(jù)集`taobao.csv`進行研究。步驟一：導(dǎo)入必要的Python庫在Python數(shù)據(jù)分析中，導(dǎo)入`Pandas`和`numpy`這兩個常用的庫。`Pandas`主要用于數(shù)據(jù)的讀取、處理和分析，它提供了`DataFrame`等數(shù)據(jù)結(jié)構(gòu)來方便地操作表格型數(shù)據(jù)；`numpy`則主要用于數(shù)值計算，提供了高效的數(shù)組操作和數(shù)學函數(shù)等。DeepSeek指令如下：結(jié)果：步驟二：讀取數(shù)據(jù)并且進行描述性統(tǒng)計分析1.使用`DataFrame`對象的`head()`方法，默認查看前5行數(shù)據(jù)。這可以快速了解數(shù)據(jù)的大致結(jié)構(gòu)和內(nèi)容，確認數(shù)據(jù)是否正確讀取以及各列的數(shù)據(jù)類型和格式等。2.通過`DataFrame`對象的`info()`方法，獲取數(shù)據(jù)的基本信息，包括列名、每列的數(shù)據(jù)類型、非空值的數(shù)量等。這有助于了解數(shù)據(jù)是否存在缺失值等問題，以便后續(xù)決定是否需要進行數(shù)據(jù)清洗等操作。利用`DataFrame`對象的’describe()`方法，計算數(shù)據(jù)集中數(shù)值型列（如瀏覽量、訪客數(shù)、人均瀏覽量等）的描述性統(tǒng)計信息，包括均值、標準差、最小值、最大值、25%分位數(shù)、50%分位數(shù)（中位數(shù)）、75%分位數(shù)等。這些統(tǒng)計量可以幫助我們了解數(shù)據(jù)的集中趨勢、離散程度等特征。DeepSeek指令如下：結(jié)果：步驟三：獲取有用的指標1.數(shù)據(jù)集中已經(jīng)有“訪客數(shù)”這一列，直接從`data`這個`DataFrame`對象中提取該列數(shù)據(jù)即可。在Python中，通過`data['訪客數(shù)']`的方式獲取“訪客數(shù)”列的數(shù)據(jù)。2.同理，數(shù)據(jù)集中有“瀏覽量”列，通過`data['瀏覽量']`的方式獲取該列數(shù)據(jù)。3.計算每周轉(zhuǎn)化率。首先讀取數(shù)據(jù)并將日期列轉(zhuǎn)換為日期時間類型，接著添加了周數(shù)列，然后通過groupby()方法按周數(shù)分組，對“成交用戶數(shù)”和“訪客數(shù)”求和后計算出每周的轉(zhuǎn)化率，并最終打印輸出包含周數(shù)和每周轉(zhuǎn)化率的結(jié)果。DeepSeek指令如下：結(jié)果：實訓(xùn)假設(shè)你是一名市場營銷專員，請根據(jù)文中5.2的數(shù)據(jù)使用RFM模型進行分析。 1．對數(shù)據(jù)集應(yīng)用RFM模型：根據(jù)用戶的最近一次消費時間(Recency)、消費頻率(Frequency)和消費總金額(MonetaryValue)三個指標對用戶進行分類。計算每個用戶的RFM得分，并根據(jù)得分將用戶劃分為不同的價值段Deepseek指令如下：

結(jié)果：2．分析RFM模型結(jié)果。可以從以下角度分析：（1）分析不同用戶價值段的特征，如消費習慣、偏好等（2）識別高價值用戶群和流失風險用戶群（3）找出各個用戶價值段的共性和差異Deepseek指令如下：結(jié)果：3．提出營銷建議：針對不同用戶價值段提出針對性的營銷策略（1）對高價值用戶提供更優(yōu)質(zhì)的服務(wù)，維護和提升用戶粘性（2）對中低價值用戶采取差異化營銷，如提供優(yōu)惠活動、交叉銷售等（3）針對流失風險用戶制定挽留策略，如進行針對性溝通、提供更好的體驗等（4）根據(jù)RFM分析結(jié)果優(yōu)化現(xiàn)有營銷活動，提高營銷效率Deepseek指令如下：結(jié)果:實訓(xùn)請結(jié)合聚類模型，利用raw_sample.csv、user_profile.csv、ad_feature.csv文件數(shù)據(jù)，分析淘寶網(wǎng)站的廣告數(shù)據(jù)集不同用戶群體與點擊率的關(guān)系。（1）步驟一：數(shù)據(jù)預(yù)處理①讀取數(shù)據(jù)集，使用merge函數(shù)將raw_sample.csv、user_profile.csv、ad_feature.csv文件數(shù)據(jù)集合并。對數(shù)據(jù)進行清洗，查詢并處理缺失值、重復(fù)值。DeepSeek指令如下：結(jié)果：②采用特征工程提取和轉(zhuǎn)換數(shù)據(jù)形式。選取幾個分析維度創(chuàng)建分類變量，例如對clk（點擊與否）、age_level（年齡層）、final_gender_code（性別）和shopping_level（購物層次）、price（價格水平）等分析維度創(chuàng)建新的分類變量，并轉(zhuǎn)換數(shù)據(jù)類型為字符串類型。刪除無用的原始列。DeepSeek指令如下：結(jié)果：③將分析變量拆分為數(shù)值變量和分類變量。對于數(shù)值列，使用MinMaxScaler對數(shù)值列進行最小-最大歸一化處理；對于分類列，使用OneHotEncoder對分類列進行獨熱編碼，把數(shù)據(jù)轉(zhuǎn)換成適合機器學習模型處理的格式。DeepSeek指令如下：結(jié)果：（2）步驟二：K-Means聚類分析①使用K-Means和MiniBatchKMeans進行聚類，并計算對應(yīng)的輪廓系數(shù)以確定最優(yōu)的聚類數(shù)量。DeepSeek指令如下：結(jié)果：K值圖：最佳聚類數(shù)為5。②完成K-Means聚類后，計算每個類別數(shù)值特征的平均值和類別特征的眾數(shù)，利用雷達圖可視化呈現(xiàn)每類群體的特征分布情況。DeepSeek指令如下：結(jié)果：示例結(jié)果：繪制的雷達圖可以滑動查看每類群體的特征數(shù)值，上圖以群體3為例展示。③依據(jù)繪制的雷達圖，分析不同用戶群體特征（如年齡、購物層次、價格偏好等）與點擊率的關(guān)系。群體1的購物平均價格較低，年齡層次和購物深度均為3，屬于中等水平。點擊率也處于中等水平，表明這個群體對廣告的關(guān)注度一般，可能是因為他們的購買力和對廣告的興趣都處于中等水平。群體2的購物平均價格略低于群體1，點擊率稍高，年齡層次和購物深度相同。這表明群體2可能對廣告有一定的興趣，但由于購買力相對較低，可能更傾向于點擊但不一定購買。群體3的購物平均價格最高，年齡層次最高，點擊率也最高。這表明這個群體為年紀最大，購買能力最強，對廣告的點擊率也最高，可能是因為他們有更多的可支配收入和對廣告內(nèi)容的興趣。群體4的購物平均價格最低，年齡層次最低，點擊率處于中等水平。這表明這個群體可能是年輕人，購買力較低，對廣告有一定的興趣但購買行為較少。群體5的購物平均價格較高，年齡層次較高，點擊率也較高。這表明這個群體可能有一定的購買力和對廣告的興趣，但不如群體3那么高，可能是因為他們的購買力和廣告興趣都處于中等偏上的水平。從以上分析可以看出，年齡層次和購買力（平均價格）對點擊率有一定的影響。年紀較大、購買力較強的群體（如群體3和群體5）通常有更高的點擊率，可能是因為他們有更多的可支配收入和對廣告內(nèi)容的興趣。而年紀較輕、購買力較低的群體（如群體4）則點擊率較低，可能是因為他們的購買力和對廣告的興趣都較低。實訓(xùn)利用阿里云天池的淘寶用戶行為數(shù)據(jù)集，分析不同統(tǒng)計周期（日、周、月等）的用戶留存率，并探討不同周期對用戶留存行為的影響。步驟一：數(shù)據(jù)準備。使用阿里云天池提供的淘寶用戶行為數(shù)據(jù)集UserBehavior，篩選出用戶行為相關(guān)的數(shù)據(jù)，包括但不限于用戶的瀏覽、收藏、購買等行為記錄。DeepSeek指令如下：結(jié)果：（2）步驟二：留存率計算。計算不同的統(tǒng)計周期（如日、周、月等）的留存率。①日留存率：統(tǒng)計用戶在首次訪問后的每一天是否再次訪問的數(shù)據(jù)，日留存率=第1天活躍并在第2天仍然活躍的用戶數(shù)/第1天活躍的用戶總數(shù)×100%DeepSeek指令如下：結(jié)果：=②周留存率：統(tǒng)計用戶在首次訪問后的每一周是否再次訪問的數(shù)據(jù)，周留存率=第1周活躍并在第2周仍然活躍的用戶數(shù)/第1周活躍的用戶總數(shù)×100%周留存率DeepSeek指令如下：結(jié)果：③月留存率：統(tǒng)計用戶在首次訪問后的每一月是否再次訪問的數(shù)據(jù)，月留存率=第1個月活躍并在第2個月仍然活躍的用戶數(shù)/第1個月活躍的用戶總數(shù)×100%月留存率DeepSeek指令如下：結(jié)果：（3）步驟三：留存率分析①使用統(tǒng)計學方法（如生存分析）來分析不同周期的留存率。②繪制留存曲線，比較不同統(tǒng)計周期的留存率變化趨勢。③探討不同周期對用戶留存行為的影響，分析留存率變化的可能原因。DeepSeek指令如下：結(jié)果：（4）步驟四：異常檢測①檢測并輸出留存率異常的數(shù)據(jù)點，例如，某個周期的留存率遠高于或低于其他周期。②分析異常留存率的可能原因，如特殊促銷活動、節(jié)假日影響等。DeepSeek指令如下：結(jié)果：實訓(xùn)請基于本章配套的小紅書數(shù)據(jù)集，使用線性回歸模型，完成用戶購買行為預(yù)測，并根據(jù)代碼結(jié)果給出相應(yīng)的商務(wù)活動建議。1.數(shù)據(jù)預(yù)處理針對小紅書數(shù)據(jù)集，進行缺失值處理、編碼分類變量、特征縮放和數(shù)據(jù)分割處理，主要包括以下步驟：（1）使用fillna函數(shù)處理數(shù)據(jù)集中數(shù)值列的缺失值，可以用均值填充；（2）將用戶前30天是否參加重點活動（engaged_last_30）列轉(zhuǎn)換為數(shù)值類型，以便后續(xù)進行建模；（3）使用LabelEncoder函數(shù)對性別（gender）和用戶生命周期（lifecycle）兩個分類變量進行編碼；（4）使用StandardScaler函數(shù)對特征進行標準化處理，以確保所有特征在相同的規(guī)模上。（5）按照80%訓(xùn)練集和20%測試集的比例，使用train_test_split()函數(shù)將數(shù)據(jù)集分割為訓(xùn)練集和測試集。Deepseek指令：結(jié)果：Deepseek指令：結(jié)果：2.訓(xùn)練預(yù)測（1）基于處理好的數(shù)據(jù)集，定義模型的特征和目標變量，然后使用LinearRegression類初始化一個線性回歸模型；（2）使用linear_regressor.fit函數(shù)在訓(xùn)練集上擬合線性回歸模型，學習數(shù)據(jù)中的模式，并使用linear_regressor.predict函數(shù)在訓(xùn)練好的模型上對測試集進行預(yù)測。Deepseek指令：結(jié)果：實訓(xùn)請使用本章介紹的知識按以下步驟編寫相應(yīng)代碼并進行基本分析。描述性分析，查看各情況下流失用戶占比。第一步：上傳csv數(shù)據(jù)集，并使用python讀取。Deepseek指令如下：使用pandas庫讀取csv格式的數(shù)據(jù)集。結(jié)果：第二步：根據(jù)讀取數(shù)據(jù)集使用Pandas庫計算用戶流失的總?cè)藬?shù)和各個城市級別、婚姻狀況下的用戶流失比例。DeepSeek指令如下：根據(jù)讀取數(shù)據(jù)集使用Pandas庫計算用戶流失的總?cè)藬?shù)和各個城市級別、婚姻狀況下的用戶流失比例。結(jié)果：可視化分析Deepseek不能直接輸出可視化結(jié)果，但根據(jù)其提供的可視化代碼可以進行可視化。將程序放入已導(dǎo)入Matplotlib庫的python中實現(xiàn)可視化。（1）DeepSeek指令如下：繪制用戶流失情況的分布圖（如條形圖或餅圖），直觀展示不同城市級別和婚姻狀況下的用戶流失情況。結(jié)果：（2）DeepSeek指令如下：利用boxplot圖展示不同城市級別和婚姻狀況下的用戶流失比例，幫助識別潛在的趨勢。結(jié)果：回歸分析DeepSeek指令如下：通過構(gòu)建Logistic回歸模型，探討城市級別和婚姻狀況對用