淘宝用户行为分析概述：

# 一、项目背景
本数据报告以淘宝app平台为数据集，通过行业的指标对淘宝用户行为进行分析，从而探索淘宝用户的行为模式，具体指标包括：
日PV和日UV分析，付费率分析，复购行为分析，漏斗流失分析和用户价值RFM分析。

# 二、数据来源
https://tianchi.aliyun.com/dataset/dataDetail?dataId=46&userId=1

# 三、提出问题
1.日PV有多少
2.日UV有多少
3.付费率情况如何
4.复购率是多少
5漏斗流失情况如何
6.用户价值情况

PUBG游戏数据分析：

# 一、项目简介： 
此次的项目分析数据基于 Kaggle 平台的开源数据集，数据集地址记录在代码处，分析工具为 python。主要进行的是探索性数据分析（EDA），工作主要有前期的数据准备和预处理，如对数据的获取、     清洗、整合等； 然后对数据进行一定程度上的挖掘并进行数据可视化; 完成数据分析后将选取的数据上传至 mysql 数据库中。最后利用机器学习对数据集做了一个二分类的模型。    
# 二、数据集介绍： 
数据集信息来自是一款叫做《绝地求生》（PUBG）的即时多人的战术竞技类游戏，在该游戏中，玩家需要在游戏地图上收集各种资源，并在不断缩小的安全区域对抗其他玩家，让自己生存到最后。根据数     据集作者介绍，数据源来自开放的第三方网站 pubg.op.gg，记录了大概 720000 场比赛的数据，包含了赛事概况数据和玩家死亡的具体数据两部分，本次项目取自于大概 150000 场的比赛概况数据，主     要有赛事 id、比赛日期、游戏规模、比赛模式、队伍规模，最终排名、击杀数、生存时间等比赛信息。    
# 三、数据分析： 
数据集信息 
源数据包含 13849287 场不唯一的比赛数据，每场比赛有 15 类数据信息，分别是比赛日期、游戏规模、赛事 id、比赛模式、队伍规矩、玩家助攻、击倒敌人次数、车辆驾驶距离、玩家行走距离、玩家     造成伤害量、击杀玩家数、玩家名称、生存时间、队伍 id、最终排名。 
在数据选择上，使用了唯一的赛事 id 数据，即去除了重复的比赛场次，最终共有 149994场比赛数据。同时还去除了相对不太重要的数据维度，有队伍 id，比赛日期，玩家名称；并且在游戏模式分布     中，所有玩家都是第三人称视角（TPP），因此也筛除出分析维度里。源数据并没有缺失值，所以最终以筛选后的数据来进行后面的数据分析与挖掘。

支付宝营销策略abtest：

# 本文所用数据集来自阿里云天池： 阿里云天池 - Audience Expansion Dataset https://tianchi.aliyun.com/dataset/dataDetail?dataId=50893&lang=zh-cn
该数据集包含三张表，分别记录了支付宝两组营销策略的活动情况：
emb_tb_2.csv: 用户特征数据集 effect_tb.csv: 广告点击情况数据集 seed_cand_tb.csv: 用户类型数据集 本分析报告主要使用广告点击情况数据，涉及字段如下：
dmp_id：营销策略编号（源数据文档未作说明，这里根据数据情况设定为1：对照组，2：营销策略一，3：营销策略二） user_id：支付宝用户ID label：用户当天是否点击活动广告（0：未点击，1：点     击）。

滴滴出行运营分析与abtest：

# 项目背景 1 背景 随着企业日常经营活动的进行，企业内部必然产生了各式各样的数据，如何利用这些数据得出有益的见解，并支持我们下一步的产品迭代以及领导决策就显得尤为重要。 A/B测试是互       联网企业常用的一种基于数据的产品迭代方法，它的主要思想是在控制其他条件不变的前提下对不同（或同一、同质）样本设计不同实验水平（方案），并 根据最终的数据变现来判断自变量对因变量       的影响；A/B测试的理论基础主要源于数理统计中的假设检验部分，此部分统计学知识读者可自行探索。