布置的小练习，不知道怎么搞了

Question

回电话是不是比现金都不得劲焦恩俊不对劲小鸡儿不多喝百度和人还是得不到好久打扮打扮教学进度吧胡写的

Answer 1

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/746306
• 这篇博客你也可以参考下：山东省第二届数据应用创新大赛日照赛区-公积金贷款逾期预测-赛后总结
• 除此之外, 这篇博客: 基金亏到底了？那就来分析一下如何合理投资吧中的 不足与改进： 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  不足之处在于我对金融投资的了解还不够，可能想到的影响因素没有很全面。当然对于基金投资来说本来就是有风险的事，想要稳赚不赔还是很难的。

  改进：我也想过用svr或者神经网络对模型进行拟合预测，找到什么时候是最低价，然后买入，什么时候是最高价然后全部卖出。但是这样太理想化，对于数据集我们是从未来看过去的事，换句话说，我们只要对数据涨跌幅排个序，然后找到最低价的时候买入，最高价的时候卖出，这个时候的收益率肯定是最大的，但是这个还是定投吗？当一个事后诸葛亮应该不是这次数据分析的目的，所以还是应该想一种定投策略可以使它对于未来的定投有指导作用，那么 定投金额=固定金额∗(1+α收益率)定投金额=固定金额*(1+\alpha收益率)定投金额=固定金额∗(1+α收益率) 这个策略对定投就很有帮助。

• 您还可以看一下 CSDN讲师老师的大数据技术在金融领域的应用与实战课程中的 银行业数据仓库向大数据平台转型实战-2小节, 巩固相关知识点
  
• 以下回答来自chatgpt:

  对于第一个问题，关于回电话和现金的重要性，需要更具体的信息才能提供解决方案。请提供更多细节。

  对于第二个问题，如何更好地理清思路，可以考虑以下几个步骤：

  1.明确问题：首先需要明确自己要解决的问题是什么，可以使用提问法来帮助理清思路，比如“我需要回答什么问题？”“问题的范围是什么？”“需要回答的人群是谁？”

  2.分类信息：把杂乱无章的想法进行分类归纳，比如把焦恩俊、小鸡儿、百度和教学进度分别归为“人物”，“公司”，“搜索引擎”和“教学”，然后再看看这些分类是否有重复的或者可以合并的。

  3.列出关键信息：在分类清晰的基础上，列出每个分类下最关键的信息，这些信息可以作为问题的关键词，以备后续分析使用。

  4.确定分析方法和工具：明确自己要使用哪些分析方法和工具来处理这些信息，比如可以使用分类分析来理清人物和公司的关系，使用网络爬虫来收集百度搜索结果，使用数据可视化工具来分析教学进度等。

  5.整理思路：最后，根据以上步骤整理思路，把问题和解决方案简洁明了地呈现出来，以便更好地展示给他人。

  对于第三个问题，如何根据顾客购买金额和购买频率对顾客进行分类，可以考虑以下步骤：

  1.根据数据集，计算每个顾客的购买总金额和购买次数。

  2.根据购买总金额和购买次数对顾客进行分组，可以根据经验或者具体情况来设定分组级别，比如购买总金额在前20的归为高消费组，购买次数在前20的归为高频次组。

  3.对不同分组的顾客进行深入分析，比如高消费组可能是公司或者VIP客户，需要提供更好的服务体验；高频次组可能是经常买小商品的个人消费者，需要重点关注促销活动的策划和实施。

  4.对不同分组的顾客采取不同的营销策略，比如高消费组可以推荐更高档次的商品或服务，高频次组可以推出限时优惠等。

  代码示例：（以Python为例）

  customer_total = data_buy["Total"].groupby(data_buy["CustomerID"]).sum().sort_values(ascending=False) customer_buy_fre = data_buy.drop_duplicates(["InvoiceNo"])["InvoiceNo"].groupby(data_buy["CustomerID"]).count().sort_values(ascending=False)

  删除CustomerID为nan的行

  customer_total.drop("nan", inplace=True) customer_buy_fre.drop("nan", inplace=True)

  分组信息

  group_suffix = ["_high_buy", "_middle_buy", "_low_buy"] money_median = customer_total.median() money_25 = customer_total.quantile(.25) money_75 = customer_total.quantile(.75) buy_median = customer_buy_fre.median() buy_25 = customer_buy_fre.quantile(.25) buy_75 = customer_buy_fre.quantile(.75)

  循环进行分组

  for i, row in enumerate(customer_total.iteritems()): # 判断购买总金额 if row[1] >= money_75: customer_total.at[row[0]] = "high" + group_suffix[0] elif row[1] >= money_median: customer_total.at[row[0]] = "middle" + group_suffix[1] else: customer_total.at[row[0]] = "low" + group_suffix[2]

  # 判断购买次数
  if customer_buy_fre[row[0]] >= buy_75:
      customer_buy_fre.at[row[0]] = "high" + group_suffix[0]
  elif customer_buy_fre[row[0]] >= buy_median:
      customer_buy_fre.at[row[0]] = "middle" + group_suffix[1]
  else:
      customer_buy_fre.at[row[0]] = "low" + group_suffix[2]
  

  绘制散点图

  plt.style.use("ggplot") plt.scatter(customer_buy_fre.sort_index(), customer_total.sort_index()) plt.axhline(y=money_median, c="green") plt.axhline(y=money_75, c="red") plt.axvline(x=buy_median, c="green") plt.axvline(x=buy_75, c="red")

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^