數據分析

yueyueyue816421

如何深入學習數據分析？ 目前已經學習了numpy, pandas, matplotlib 的基本使用方法，但還停留在理論階段，如何深入學習呢？大神們有好的數據分析實例教程，或者適用于自學者的數據分析網站或論壇推薦嗎？51自學網！或是關注我，給你發資料！MES環境下，CNC數控系統、PLC壓裝及測試設備、三坐標等數據提供了海量數據進行分析，而工業過程中，由于變化因子較多，且往往是在短期內變化因子數量較少、在較長時間內之前變化的因子又重新發生了變化，而之前穩定的因子，又發生了變化，故，我們稱之為因子變化的隨機性和不確定性。 此時，數據源不成為問題，而如何根據MES框架下的數據進行分析，快速查找到產品失效的根本原因，則成為了重中之重。本文提供一種分析思路，用于解決沒有頭緒情況下的問題分析。 時間序列分析，顧名思義，是以時間為軸進行分析，主要評價生產過程中的周期性變化；時間序列提供了很好的時間軸，幫助用戶縮小問題范圍；在具體使用時間分析時，有基于秒為單位進行時間序列分析，也有基于小時和天進行時間序列分析，這往往取決于要分析對象的變化周期或影響因素的變化周期，而天，則是一個相對比較常用的變化周期：一方面考慮到在很多行業，潛在因素變化的概率較小；另一方面，則要考慮到生產過程中的抽檢特性，以便在分析問題時，數據本身能夠具備映射關系，便于分析。 上圖是作者在某具體項目時，確認以天為時間軸，進行數據分析，該時間軸覆蓋了2013/01/12到2014/02/10這段時間軸范圍內的數據，通過時間序列分析發現（每天的樣本量約2000多）,不同天之間的Y輸出變化較大，具備選取時間為基準因素的條件。注意，選擇時間為基準因素時，我們將借用謝林BOB 、WOW的概念在這里；同時，需要注意選取BOB、WOW樣本時，樣本時間盡量間隔周期較短，避免長時間階段下其他因素帶來的影響（混雜其他因子）；BOB和WOW的狀態差別也要夠大，以避免α和β風險。 通過時間序列圖和正態性時間匯總信息，本例中選定了兩組對應的BOB和WOW，樣本量各為5。此時，通過時間序列分析方法，借用謝林BOB 和WOW的思想，成功取樣，用以避免統計上的α和β風險。而5對BOB和5對WOW對比，也具備了99.4%的置信度（Man Whitny test）。 此時的5對5的檢驗，目的是從連續性測試轉化到離散型測量上來，用以規避傳統的連續性測試和離散型測量之間的非映射關系，此時，通過，自動調取三坐標中的關鍵零件測量數據（MES+環境下的三坐標數據管理與分析一文），進行對比分析： 通過Y時間序列變化鎖定時間軸，基于時間軸調出測量系統中關鍵數據，借用Man Whitney統計思想，快速找到關鍵零件中的關鍵尺寸差異。 當然，現在需要進一步確認因子帶來的影響是否顯著，可以單獨設定實驗進行確認，而方法則可以多樣化，線性分析、方差分析等方法，都能夠在這個場景下進行應用。 基于MES框架下，工業過程的數據采集將變得越來越容易，而數據本身卻具備連續狀態和離散狀態，如何在不同狀態下進行切換和對應，除了在大數據維度下的插補技術、線性擬合技術等，也需要對工藝有著較深的理解，本文僅以此拋磚引玉，期望得到更多討論。 西格數據致力于通過工業數據采集、管理與分析服務，實現工業數據的互聯互通和智能分析，助推中國進入智慧型工廠制造時代！
: J. ]& u# |' e, b! q/ ^  z