tableau和python对比

俗话说啊，人在江湖走，怎能不被问呢？这个问题啊也是我经常见到的，说说我的看法吧。 tombro 比 powerbi 更容易上手在 powerbi 需要各种操作设计的时候啊， tombro 确实可以通过点选拖拽就可以轻松完成了。也就是说你还在用 powerbi 梳理逻辑的时候， turbo 已经输出结果了。主要是因为 turbo 数据来源单一，规范整齐，不用清洗集成。但是像设计复杂， 数据原脏，数据来源多样的活啊， table 干不了，不能深度清洗，建模什么也白搭。总体来说， table 和 corbia 都在发展进步中，版本迭代啊非常快，不如结合自己的需求，选一个顺眼的，先学着呗。

想做数据分析的同学基本了解我们是需要会议门 bi 工具的，那 pover bi 和汤姆柳作为两个经常看到和听到的工具，我们应该选择哪个来学习呢？哈喽，大家好，我是你们的冷凡社长。 这期视频是让从七个方面来对比 party 和 table， 从而帮助大家来判断你更需要的是 party 还是 table。 这里提醒大家一点，下面所有的内容呢，仅代表我个人的学习和使用体验，如果和你的观点有所不同，欢迎到评论区客观的讨论交流建议。有些同学的时间比较紧张，那我这里先直接抛出结论， 通过对比打分， powerbi 得三点五分， time6 得二点五分。如果你是一名数据分析师的话，那社长推荐你先学 parobi， 然后再学 time6。 如果你是运营等业务同学，社长推荐先学 time6， 当 time 六不够用的时候再考虑 partibei。 那我们下面进行一些细节的对比。第一个是连接数据员 方面，这两个工具都支持一个 clcsv 和众多数据库的连接，在这个环节打成平手都不得分。第二个方向是数据清洗， poverbi 的清洗工具叫 poverq， 他的功能强大，上手简单，与 bi 的集成性高。 w 的清洗工具叫 wprow， 它的功能也相对完善，就是和 w 的继承性不够高，在使用的时候有种割裂的感觉，在数据清洗方面抛而不爱，得一分。第三个方面就是关系建模，当我们想对多张表进行数据分析的时候，需要首先将它们关联起来才可以。 porby 通过关系可以将多张表关联，也可以额外建立辅助表，唯独遗憾的就是他不支持多个字段相互连接，他不留也可以连接多张表，而且他支持多字档连接，但表遗憾的就是他没有办法很好的建立辅助表，所以在关系建模方向， porby 得零点五分。第四个方面是可视化图表， 在这点上他们就支持行和列分别的分组，也支持多层次的分组，而且他的图表元素都是相对自由的，可玩性很高，那 powerbi 在这方面就没有什么优势了。鉴于可视化分析的重要性，这里他们就可以得到两分。但是 powerbi 支持大量的第三方图表类型 w 由于组建模块化了，就没有第三方图表这么一说了。那在这个角度上， polerbe 还可以得零点五分。第五个方面就是度量值建模。 哈尔 bi 由于 dix 的存在，基本上我们能想到的他都是可以实现的，能力是相当的出众，但他的学习难度也是比较高的。他们留也有表计算和唠的表达式，一些比较复杂的分析也是可以实现的，就比如 rfm 模型， 这两个 b i 工具都可以实现，不过相比之下还是 part b i d x 更强大一些，所以这部分 part b i 得一分。第六个方面是数据看版， b i 工具本身就是专业做 可说话看版的嘛，所以他们俩在这方面都没有什么问题，无论是制作的自由度，还是图表的交互筛选，他们都是没有问题的。那我个人更喜欢的呢，是用 poloby 做可说话看版，但他们俩本身是没有什么太大差别的。另外他们还有个模块叫故事，在一些场景下他可以发挥一定的作用， 所以在这方面我们给他们六零点五分，那 power 边的免费账户就可以把图表上传到服务器，并通过链接发给你的同事们，而且这个过程也是可以做成自动化的， 只是每天有八次的更新上线，那他们六在这方面就会弱一点。他们六本身就是收费的，虽然说在某宝上可以以每年几十块钱的价格拿下，但是上传服务器这个动作还是不好实现，所以在这方面可以给 parabel 点五分。 为什么开头市场建议数据分析先学 popp i， 再学 tw， 而对于业务同学却是相反的呢？首先可以明确的一点是，他们的上述难度都比较低， 对于小白来说都是比较友好的。 prbi 对于数据分析师来讲，最大的优点在于全面，作为数据分析师来讲，我们所使用的 bi 工具应该可以承接更全面的需求，而不是说我工具实现不了， 那这个需求我就不接了。那对于业务同学来说，最重要的是数据可视化的分析能力，以辅助他做出更好的决策。而且业务同学处理的数据表一般都不复杂，基本上也不需要做太多的清洗和整理，那在这个时候他们就是更具有优势的，这里讲究的是 适合的才是最好的。在上上期 part 边应该学习到什么程度的视频中上上忘记讲了一个点，在这里补充一下，如果你在工作中有将数据做成可视化看板，并分发给你的同事使用的场景， 那社长推荐大家使用 poverby pro 的国内版，这个只能付费，一年大概不到八百块钱的样子，但是国内版连接打开的速度大 大概在一到二秒，而国际版打开的速度一般在三十秒到一分钟之间，那为了更舒服和更高效的工作体验，花一点钱也是值得的。以上就是这期视频的全部内容了，如果觉得社长的内容有用的话， 欢迎给市长来一个点赞、收藏加转发，谢谢大家！大家有问题可以在评论区留言，那废话就不多讲了，我们下期视频见。

大家好，我们今天要讲的主题是利用拍摄来进行 top luo 图表创建的自动化。我们将会有两个视频来讲解，第一个视频主要涵盖基础知识，包括 tublo 是怎么存储图表文件的，我们怎么手动修改这些文件来创建新的图表。 第二个视频是利用拍摄来操作文件，从而实现图表的自动化创建。那我们话不多说，直接进入到基础知识部分吧。这里我们依然选取世界卫生组织提供的新冠肺炎数数据作为例子，我们简单的创建一个图表 来显示自从疫情爆发以来，全世界每天的新增数量。当我们保存这张表的时候呢，我们会得到一个 covet 点 dtwb 文件，当我们双击打开这个文件的时候，发现他 其实就是一个 xml 文件。这里我们简单的复制一下 call it 点 twb， 然后创建相对应的 xml 文件。这个 xml 文件中有三个点非常重要， 第一个是数据元部分，他告诉 turbo 数据来自什么地方。第二个是表单部分， 就是表明这个表单用了什么列，做了怎样的可视化。第三个部分是窗口部分，表单的布局是怎么样的？ 这这里讲完 topro 是怎样存出文件后，我们尝试手动修改这个 xml 文件来添加一个新的表单， 绿色的部分是我自己新添加的部分。 然后呢，我只是简单的拷贝了第一个表单的一些配置，做一些名字替换。然后呢，我们重命名这个文件为 twb 格式，最后用 top 了打开就可以了。那现在我们尝试打开一下， 因为打开这个文件的话，他不知道需需要是，呃，另外起一个他不知道的一个程序，所以他可能会比较慢一点。那我们稍微等一下， 那现在的话已经完全启动了，而且你也可以看到他现在已经创建了这个新的表单了。好，那我们今天就到这里，下一期我们聊聊用拍摄进行文件操作，从而实现表单的自动化创建。

在数据分析师的照片要求上，数据建模这四个字出现的非常高频，非常多的小伙伴第一反应应该是数据建模是什么？一脸懵。当初还是小白的社长也是被这个问题困扰了很久，那么我们今天就来揭开数据建模的神秘面纱。 哈喽，大家好，我是你们的冷凡社长。社长之前呢，也被数据建模这个名词困扰了，非常自救。 在社长的经历里，发生过一件非常记忆犹新的事，在以前我投体简历的时候，还和 hr 因为这件事发生了一点小插曲。当时我在应聘数据分析师的岗位，在某招聘软件上，有一位 hr 问我，你会数据建模吗？然后我就反问了他一句，您说的数据建模具体是指哪方面呢？ 那他就直接给我回了一个，那看来你不合我们的要求。当时我是比较气愤的，这话还没有说明白呢，怎么就不合适了是吧？ 我就反问他，哎，您说的数据电摩是不是只以下某某某某某这方面？当然了，最后他也没有给我正面的反馈，不过当时社长已经对这些概念有了比较清晰的了解，所以这件事对社长也没有造成太大的困扰啊。讲完了一个小故事， 进入正题。那在数据分析师的领域内，数据建筑和数据模型的第一种行业是指业务模型。在社长前两期的视频有讲过什么叫懂业务，那个视频里面以租房为例，详细的讲解了什么叫懂业务。那具体的业务模型 指了解业务的这整个过程，简单来说就是了解业务是怎么发生的，从 a 到 b 到 c， 他一条线路也是清晰的，这个就叫业务模型。那社长遇到的这些概念中呢，大部分也是指业务模型，在有些时候呢，有些人也会把指标体系 充分为数据模型，但这本质上也是在反映业务本身，就这块也是可以归为这个业务模型的。那数据店铺的第二种含义就是在数据库构建表关系，或者是在某些 bi 工具中构建表连接。它的核心含义呢，是使几个相关的表 之间建立好联系，一共我们可以更好的数据分析，它解决的是数据表结构层面上的一些连接的一些问题。 那特别要指出 bi 工具的是我们数据分析师经常要进行建模的这么一个关系。但是数据库的表结构建模一般都是数据仓库的同学来进行，或者是管理数据库的同学来进行。那数据模型的第三种含义呢？就是数学模型。 这里的数学模型呢，是可以按照一定的规律进行计算的模型，很多同学都在 excel 中进行过公司计算，其实这就是数学模型，只不过是有， 有些是简单的模型，有些是复杂的模型。那比如我们工作中常常接触到的一些像评分模型，根据不同的维度进行打分，最后得出一个总分。还有我们常常接触到的 rfm 模型， 也是根据几个维度进行打分，最后得出我们的用户分类。再比如渠道质量评估模型，就是通过渠道的数据表现来判断他是好渠道还是坏渠道。 这些模型呢，都是利用了一些数学计算或者是公式计算而得出我们想要的结果，然而这些计算本身都不复杂，而难免在于你这些模型计算出的结果是否可以真的帮到业务。那在刚才我们提到的指标体系，一些指标的计算也可以归为数学模型里面。 那数据模型的第四种含义就是指算法模型，比如我们最常接触到的推荐系统，这就是利用一系列的算法，根据我们的行为输入来反馈给我们可能会喜欢的结。 算法模型呢，可能用到了机器学习，也可能用到了人工智能，但是这些内容是数据挖掘工程师应该掌握的，比如在更特定的领域内的一些头像识别、视频识别、语言识别、语音识别，这些都是算法工程师的砍价本领。那数据分析师如果有兴趣的话，当然是可以向这方面去发展的， 毕竟将来你如果你想往技术方向深入的话，那数据挖掘这个路也是不错的。虽然都是基于业务，但是数据分析师呢，是更偏向于直接作用业务，而数据挖掘呢，是通过模型来间接的作用业务。 ok， 最后我们总结一下，我们数据分析师呢，经常会接触到并且会用到的就是数据模型的前三种解释，分别是业务模型、表表关系和数学模型。至于算法模型呢，不在我们的能力范围内，也不在我们的职责范围内。但如果一个工作需要你懂继续学习算法的话，面试 他一定会很直接的问你，你是否应用过某些机器学习上访，在某些项目中做过哪些事情，所以大家也不必过多的担心，他会对你有更多的要求，因为如果他对你有要求的话，在这方面他一定会直接说出来的。 下期视频呢，市场准备讲讲买点的知识，如果大家对别的方面有兴趣的话，也可以给市场留言。以上就是这期视频的全部内容了，如果觉得市场讲的还不错的话，欢迎给市场点赞收藏加转发。谢谢大家！那今天就先聊到这里，我们下期视频再见。

拍森一定是所有数据工具中最后学习的，我们要清楚的认识到，一般业务规模下的数据需求， excel 和 bi 工具完全可以处理，根本轮不到拍森。首长 现在还在推荐纯拍森数据分析的，不是菜就是坏，纯属无人子弟。像拍森这样初期学习成本巨高的工具，我们一定要等到有明确的目的后再去学习，不然大概率都是学不会还劝退。 而对于一线分析师，拍森的使用场景只有以下三个，一、公司用不了 b i 只能用拍森处理大量级数据，二、个别数据处理 b i 工具无法实现，只好用拍森。 三、需要用拍森做建模分析。那么除了第三种场景是刚需，第一种和第二种，只要是一家数据建设完善的公司，你都不会遇到。不过拍森的学习意义早就不在于实战了，掌握拍森最大的收获其实 是在简历上，你会，他不会，你就有优势，薪资也更高。但是师兄再次强调，拍森一定是最后学习的，他是加分项，不是必选项。很多小伙伴不会拍森，一样找到了大厂分析师的工作， 那么如果各位小伙伴想要系统的学习拍摄，需要大家优先掌握数据分析和机器学习部分的原理和基础操作。数据分析这里依旧推荐孙新华大神的教程，拍摄数据三部曲， 基础语法和安排， pandasamericeparoliba 三个核心工具包都讲了，并且深入显出，大家一定能听懂，继续学习，这里蔡才大神的机器学习 skling 讲的既基础又全面， 强烈推荐！如果你想上手实战，推荐给大家上硅谷的机器学习推荐系统项目实战，如果想继续在算法领域生根，可以到卡购和天池上参加各种算法竞赛，获得了名次还能写在 简历上。最后推荐合金社区，社区里有非常多的优质项目可以参考在社区创建的项目还可以用链接轻松分享，更好的展示你的学习成果。在完成以上主限的学习后，我们还可以根据实际需求继续补充自动办公、网络爬虫和深度学习方面的知识。 所有的电子书和视频链接师兄都放在了笔记里，大家需要时自取即可。搞定了拍摄，我们所有主流的数据分析工具就讲完了，什么？你说怎么没讲啊？语言， space stata 答案是不用讲，因为以上分析工具现在只用于科研或传统分析场景，走出校门后，你基本上不会看到有互联网公司用这些传统工具做数据分析，所以大家并不需要去掌握。 在视频的最后，我们再来聊聊数学和统计学的问题，师兄直接跟大家讲，如果你是校招，是非常有必要系统学习 高数和统计学的。这里强烈推荐三栏一中 app 组的高数原理和宋浩老师的概率论与数理统计，绝对能让你轻松入门。如果你是社招，数学和统计学不需要专门花时间去学习， 因为现在大多数数学和统计学的时间过程都已经封装在了工具和软件里，根本不需要大家自己动手去推倒和实现。 很多数学不好的分析师，各种工具和模型还不是一样容，就算有些场景需要知道一些基本的原理，现学现卖也完全足够，直接百度都能学会。要知道我们学习数据分析的目的是解决问题，而 不是证明自己掌握了某一个具体的知识点。相比于统计学，有很多更加重要更加有趣的知识在等着你学习，所以别再纠结统计学了，相信师兄他不会成为你学习之路上的绊脚石。大家好，我是 代师兄！小伙伴们心心念念的数据分析自学全攻略终于完成了，转眼距离第一个自学攻略已经过去了一年多的时间，这段时间师兄亲眼见证了很多小伙伴的成长，见证了大家转型成功进大厂， 真正的数据分析帮助大家切实的提升了薪资，改善了生活。不管怎么说，数据分析在我们这个时代都是一个值得掌握的工具技能， 欢迎你学习数据分析，在接下来的日子里，专注于提高工作效率，解决技术难题，用数据的力量在我们的工作岗位上为祖国的 发展做出一份独特的贡献。最后，小伙伴们有任何问题可以在评论区里分享讨论，学习后也要注意自我提升，更不要忘了在实际工作中不断积累。也希望本期视频能够成为所有数据分析爱好者的交流平台，让我们共同进步，共同成长。我是代师兄，我们下期见，拜拜！

大家好，今天我们讲讲比较的两种方法。那我这里有两个类似的， a list 跟 b list 都等于七三二两个例子。 比较的第一个方法就是两个等号，我去比较的时候发现返回的结果是处，但如果我用 alice 的 is alice 的来做的话，他给我返回的结果是 false， 那怎么理解呢？ 两个等号它比较的是你这两个值到底是不是一样啊？是不是都是这样的构造？七三二，但是 is 他比较的是你是否 a list 和 b list 都是指向他，或者都是指向他，你别看他一样，但是他在内存里面创建的这个身份证是不一样的。 所以如果你指向的是不一样身份证的两个列表，即使他长得很像，他也是两个人。所以 is 是来判断你两个电量指向的是不是同一个元素，这个比较你学会了吗？