如果你对商业数据分析感兴趣、想要积累更多项目经验，那么就来看看下面这项目吧。
数据竞赛平台和鲸社区最近正在举办一场数据分析大赛，不仅带来了22w奖金和30w创业基金支持，更是提供了统一的在线比赛环境，引入投中网的独家创业投资类数据，囊括了江苏地区科技金融，生物医药、芯片半导体制造行业，吸引了不少人的关注。
为了让大家更加熟悉商业数据分析流程，赛事平台和鲸社区还非常贴心提供了多场数据分析专题分享，下面就为大家打来第一场直播培训中，主讲老师黄凯根据大家反馈提供的培训Notebook，覆盖数据预处理、分组聚合计算、可视化的全流程，内容由浅入深。既适合数据分析入门的爱好者，也能给老手们提供不一样的分析思路。
（贴心提示：项目代码可以直接在平台上Fork哦~）
数据分析项目开发步骤简介
- 数据分析项目第一步骤首先要确定分析目标，如果不能明确分析目标，那么就是数据挖掘项目。这也是数据分析项目与数据挖掘项目之间的主要区别；
- 接下来进行收集，整理和清洗数据工作。本次竞赛已经提供质量非常高的数据，因此无需再进行收集工作。我们只要简单的进行一下整理和清洗即可；
- 再针对我们的分析目标，进行分组聚合计算，得出有效的结论；
- 最后对我们得出的结论进行可视化展示。
下图展示了本课程中使用Pandas、 Seaborn等常用工具库绘制的部分图表：
现在教程开始啦~
创新活力数据分析项目实战开发步骤
- 数据集简介
数据预处理：清洗、过滤
数据分析：公司
数据分析：人员
数据分析：投资
最值得投资的公司：公司估值 vs 注册资金
投资活力指数计算
图表：投资活力指数
- 数据预处理
# 先让我们建立一下开发环境。
# 导入常用库
import numpy as np
import pandas as pd
import matplotlib. pyplot as plt
import seaborn as sns
import math
from datetime import datetime
# 忽略警告信息
import warnings
warnings. filterwarnings("ignore")
print(" 建立开发环境" str(datetime. now() ) )# 查看以下数据及所在路径中的文件名称。
! ls /home/kesci/input/inv_data6040# 读取全部 CSV 数据
df_gs = pd. read_csv(' /home/kesci/input/inv_data6040/01_工商信息. csv' )
df_ry = pd. read_csv(' /home/kesci/input/inv_data6040/02_主要人员. csv' )
df_tz = pd. read_csv(' /home/kesci/input/inv_data6040/03_投融资事件. csv' )
df_td = pd. read_csv(' /home/kesci/input/inv_data6040/核心团队. csv' )# 了解公司基本信息
df_gs. info()
In [20] :
# 查看数据
df_gs. head(1)- 绘制图表：产业图谱条形图
# 绘制条形图查看产业图谱
df_gs[' 产业图谱' ] . value_counts() . plot(kind=' barh' )
# barh 横向条形图, 方便查看种类的名称
# 如果我们使用 bar 绘制这个图表, 中文字符会比较难以查看
- 按时间查看企业总数增长趋势
# 按时间查看企业总数增长趋势
df_gs. groupby(df_gs. index. year) . 企业名称. count() . cumsum() . plot()Out[32] :
<matplotlib. axes. _subplots. AxesSubplot at 0x7fbfe0bf07f0>
本项目第一次使用分组聚合计算, 在这里详细讲解一下
分组: groupby 按年度分组
聚合: count 企业名称计数
请思考为什么用企业名称而不是用其他列来计数？
回答：因为其他列包括空值，不唯一
计算: cumsum 增长求和
拓展：去 pandas 官网查看 cumsum 方法的文档，并查看其他相关方法。
- 按产业图谱 时间 查看新公司注册趋势
# 按 产业图谱 时间 查看新公司注册趋势
df_gs. groupby([ ' 产业图谱' , df_gs. index. year] ) . 企业名称. count() . unstack() . T. plot()
# groupby 可以对多列数据进行分组
# unstack 对多项索引转换为单例索引
# T 将x轴和y轴转置， 是 transform 的简写方法
# 技巧：unstack(). T 是一对难兄难弟，常常在一起使用
绘制图表， 展示注册资本随时间变化规律Out[33] :
<matplotlib. axes. _subplots. AxesSubplot at 0x7fbfe0de3e48>
- 按产业图谱分组绘制 注册资本对数值
# 按产业图谱分组绘制 注册资本对数值
# 首先将注册资本取对数后的结果放在数据集当中。
df_gs[' 注册资本log' ] = df_gs. 注册资本. apply(lambda x : np. log10(x) )
# 使⽤seaborn 的 FacetGrid 按照产业图谱分组绘制注册资本对数值直⽅图
g = sns. FacetGrid(df_gs, col=' 产业图谱' )
g. map(sns. distplot, ' 注册资本log' )
# seaborn 的直方图默认也绘制了密度图Out[27] :
<seaborn. axisgrid. FacetGrid at 0x7f15523073c8>
# 融资情况对比：按产业图谱分组后计算投资次数
# fillna 填充空值
# sort_values 对数据进⾏排序
df_gs. groupby([' 产业图谱' , ' 当前轮次' ] ) . 企业名称
. count() . unstack() . T. fillna(value=0) . sort_values(by=' ⽣物医药' ) . plot(kind=' barh' , figsize=(12, 6))Out[32] :
<matplotlib. axes. _subplots. AxesSubplot at 0x7f154ff5c588>
- 绘制中文词云
# 绘制中文词云
# 导入并初始化词云
from wordcloud import WordCloud
w = WordCloud(
font_path=' /home/kesci/input/hanserif6546/SourceHanSerifK-Light. otf' , # 字体文件
background_color=' white' # 背景色)
# 从词频绘制词云图片
w. generate_from_frequencies(pd. Series( words_clean) . value_counts() [1: 100] )
# 绘制词云图片
plt. figure(figsize=[16, 8] )
plt. imshow(w, interpolation=' bilinear' ) # 平滑参数Out[45] :
<matplotlib. image. AxesImage at 0x7f1549e112e8>
- 绘制投资关系图
# 绘制高管、投资关系图
import networkx as nx
G = nx. Graph()
# 公司、高管
G. add_node(name)
G. add_edge(name, ' 高管' )
for r in ry. values:
G. add_edge(' 高管' , r[0] " " r[2] )
# 投资数据
G. add_edge(name, ' 投融资' )
for i, r in tz. iterrows() :
G. add_edge(' 投融资' , r[' 投资⽅' ] ' ' str( r[' 总交易⾦额 (万元) ' ] ) )
# 绘制
nx. draw(G, with_labels=True)
plt. show()
原文过长，这里进行了缩略。如果想要看到完整的项目代码与数据，快快点击“阅读原文”吧！报名参赛后，直接进入和鲸K-Lab就可以找到这个项目。项目代码在课程里，Fork一下就能跑~
