SPSS中的转换函数和缺失值函数

2017-07-03

SPSS中的转换函数和缺失值函数 转换函数 NUMBER（strexpr，format）数值。以数字形式返回字符串表达式 strexpr 的值。第二个参数 format 是用于读取 strexpr 的数值格式。因此，如果 NUMBER（name，f8）中 ...

SPSS缺失值：缺失值分析

2017-11-02

SPSS缺失值：缺失值分析 一、缺失值： 具有缺失值的个案会引发严重的问题，因为典型的建模过程会简单地从分析中丢弃这些个案。如果存在少量缺失值（大约低于个案总数的5%），且这些值可以被认为随 ...

【CDA干货】数据清洗全流程常见问题解析：规避陷阱，筑牢数据价值根基

2026-04-22

数据是数据分析、建模与业务决策的核心基石，而“数据清洗”作为数据预处理的核心环节，是打通数据从“原始杂乱”到“干净可用”的关键一步。所谓数据清洗，并非简单的“删除错误数据”，而是一套系统性的流程——涵 ...

【CDA干货】数据波动性评估：从量化分析到风险防控的实践指南

2026-04-21

在数据分析与业务决策中，数据并非静止不变的数值，而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、用户活跃度的周期性变化、实验数据的随机波动，这些波动背后既隐藏着业务规律，也可能 ...

【CDA干货】特征重要性分析：解锁机器学习模型价值的核心钥匙

2026-04-20

在机器学习建模全流程中，特征工程是连接原始数据与模型效果的关键环节，而特征重要性分析则是特征工程的“灵魂”——它不仅能帮我们筛选冗余特征、优化模型结构，更能破解模型“黑箱”困境，揭示数据与目标变量之间 ...

从“杂乱”到“有序”：CDA数据分析师视角下的数据的描述性统计

2026-04-20

很多数据分析师沉迷于复杂的机器学习算法，却忽略了数据分析最基础也最核心的能力——描述性统计。事实上，80%的商业分析问题，用描述性统计就能解决。 引言：为什么描述性统计是数据分析的“基本功”？ 小张是一名 ...

【CDA干货】数据分析与数据挖掘：必备工具与核心技能全解析

2026-04-17

在数字化时代，数据已成为企业决策的核心驱动力，数据分析与数据挖掘作为解锁数据价值的关键手段，广泛应用于互联网、金融、医疗、零售等各个领域。数据分析聚焦“解读数据、发现规律”，回答“是什么、为什么”；数 ...

从汇总到洞察：CDA数据分析师视角下的透视分析方法

2026-04-17

面对一份上万行的销售明细表，要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复杂的问题，其实只需要一个工具就能解决：透视分析。 一、透视分析的核心三要素：维度 ...

【CDA干货】随机森林特征重要性分析：原理、方法与实操指南

2026-04-16

在机器学习建模实践中，特征工程是决定模型性能的核心环节之一。面对高维数据集，冗余特征、无关特征不仅会增加模型训练成本、延长训练时间，还可能引发过拟合，降低模型泛化能力，甚至掩盖关键特征的真实影响。随机 ...

从表格到洞察：数据分析师视角下的表格结构数据特征与实战应用

2026-04-16

数据分析师一天的工作，80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告，表格结构数据贯穿始终。但你真的了解它的特征吗？ 引言：为什么 “看懂表格” 是数据分析的第一步？ 小王刚信心满满 ...

表格结构数据进阶：从类型识别到功能实战

2026-04-15

数据分析师的一天，80%的时间花在表格数据上，但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别，不知道数据从哪里来、怎么查、怎么算，分析结果从一开始就是错的。 引言：为什么你掌握了基础，还是做 ...

【CDA干货】模型质量测试对比：方法、维度与实操指南

2026-04-14

在人工智能与机器学习落地过程中，模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型，还是推荐、预测类模型，只有通过科学、全面的测试对比，才能精准判断模型的性能边界、适用场景，避免因模型偏 ...

数据分析第一步：你真的读懂“表格结构数据”了吗？

2026-04-14

 很多新人学完Python、SQL，拿到一张Excel表还是不知从何下手。 其实，90%的商业分析问题，都藏在表格的结构里。 ” 引言：为什么你总在“取数”，却做不出分析？ 小李刚转行做数据分析师，第一天就收到需求：“ ...

【CDA干货】回归方程筛选主要因子：方法、计算流程与实操指南

2026-04-13

在回归分析中，因子（即自变量）的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中，往往存在多个候选因子，其中部分因子与因变量关联性弱、甚至存在冗余，盲目纳入所有因子会导致模型过拟合、解释性下降 ...

【CDA干货】学习曲线：验证机器学习模型过拟合的核心工具与实践指南

2026-04-13

在机器学习模型开发过程中，过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节，导致在训练集上表现优异，却在未见过的验证集、测试集上性能大幅下滑，最终失去实际应用价值[3][6]。传 ...

流程为脉，专业为核：CDA数据分析师赋能商业数据分析全流程

2026-04-13

在数据驱动商业升级的今天，商业数据分析已成为企业精细化运营、科学决策的核心手段，而一套规范、高效的商业数据分析总体流程，更是实现数据价值转化的关键前提。商业数据分析总体流程并非零散的步骤拼接，而是一套 ...

范式为纲，专业为器：CDA数据分析师玩转数据分析基础范式

2026-04-09

在数据驱动的时代，数据分析早已不是“凭经验、靠感觉”的零散操作，而是一套具备固定逻辑、标准化流程的系统方法——这就是数据分析基础范式。它为数据分析工作提供了清晰的框架与路径，让杂乱无章的原始数据，能够 ...

【CDA干货】LSTM预测结果波动：成因解析、影响评估与优化策略

2026-04-08

长短期记忆网络（LSTM）作为循环神经网络（RNN）的重要改进模型，凭借其独特的门控机制（遗忘门、输入门、输出门），有效解决了传统RNN在处理长序列数据时的梯度消失或梯度爆炸问题，已广泛应用于时间序列预测、自然 ...

【CDA干货】基于3σ原则的数据异常值处理：原理、实操与应用

2026-04-08

在数据分析全流程中，数据质量是决定分析结论可靠性的核心前提，而异常值作为数据集中的“异类”，往往会干扰统计检验、模型训练的结果，导致结论失真。无论是学术研究中的实验数据、企业运营中的业务数据，还是日常 ...

解析数据分析核心：从基础概念到CDA数据分析师的价值赋能

2026-04-08

在数字经济飞速发展的今天，数据已渗透到各行各业的核心场景，成为解读趋势、优化决策、创造价值的核心载体。而数据分析，作为挖掘数据价值的核心手段，早已从专业领域走向普及，成为企业发展和个人成长的必备能力。 ...