更新README.md文件

Day66-80/78.方差分析和参数估计.md

@@ -1,6 +1,8 @@
-## 方差分析
+## 方差分析和参数估计
 
-### 基本概念
+### 方差分析
+
+#### 基本概念
 
 在产品运营中，我们会遇到各种需要评估运营效果的场景，包括促活的活动是否起到作用、A/B 测试的策略有无成效等等。具体例如，产品升级前的平均 DAU 是 155 万，产品升级后的平均 DAU 是 157 万，那么如何判断 DAU 提升的 2 万是正常的波动，还是升级带来的效果呢？对比同一组数据在实施某些策略前后的数据变化，判断数据波动是不是某一因素导致的，这种方法我们称之为方差分析。方差分析通常缩写为 ANOVA（Analysis of Variance），也叫“F 检验”，用于两个及两个以上分组样本的差异性检验。简单的说，**分析差异的显著性是否明显的方法就是方差分析**。
 
@@ -28,7 +30,7 @@
 
 综上所述，如果上面三个分组的用户购买率平均值不在中线（整体购买率）左右，而是有明显的偏高或偏低，并且该组内的每个转化率都紧紧围绕在该组购买率平均值的附近（即组内方差很小）。那么我们就可以断定：该组的购买率与整体不一致，是该组对应优惠金额的影响造成的。
 
-### 定量分析
+#### 定量分析
 
 如果要进行定量分析，可以使用 F 检验值和 F crit 临界值这两个指标。F 检验值用来精确表达这几组差异大小的，F crit临界值是一个判断基线：
 
@@ -41,7 +43,7 @@
 
 上图是用 Excel 得出的 A、B、C 三组的方差分析结果，如图所示 F  < F crit，所以从定量分析角度，可以判定优惠金额不会对购买率产生影响。
 
-### 实施方法
+#### 实施方法
 
 实施方差分析可以分为以下三步走：
 
@@ -66,7 +68,7 @@
 
 > **练习**：打开“方差分析练习.xlsx”文件，完成练习1。
 
-### 多因素方差分析
+#### 多因素方差分析
 
 上面的案例是针对一种策略来分析效果。我们把这种形式的方差分析叫作单因素方差分析，实际工作中，我们可能需要研究多种策略（例如运营中的渠道、活动、客群等）对结果的影响，我们称之为多因素方差分析。例如我们会在多个运营渠道上安排多种运营活动，评价各个渠道的转化率。此时，影响转化率的因素有渠道和活动两个因素，我们可以使用“无重复双因素方差分析”来检查数据。
 
@@ -74,7 +76,7 @@
 
 <img src="https://gitee.com/jackfrued/mypic/raw/master/20210714130853.png" width="75%">
 
-### 应用场景
+#### 应用场景
 
 工作中遇到以下两类场景就可以使用方差分析：
 
@@ -83,3 +85,28 @@
 
 <img src="https://gitee.com/jackfrued/mypic/raw/master/20210714131318.png" width="85%">
 
+### 参数估计
+
+在产品运营的工作中，数据分析常会遭遇诸多非常让人困扰的情况，例如：产品运营面对的数据量动辄百万级、千万级，带来的就是分析速度急剧下降，跑个数等一两天时间已经是很理想情况；另外，在很多场景下，我们都只能拿到部分数据（样本），而无法获取全量数据（总体）。在这种情况下我们就必须通过分析非常小量样本的特征，再用这些特征去评估海量总体数据的特征，可以称之为**样本检验**。
+
+**推断型统计的核心就是用样本推测总体**。在实际生产环境中，可能无法获得所有的数据，或者即便获取了所有的数据，但是没有足够的资源来分析所有的数据，在这种情况下，我们都需要用非常小量的样本特征去评估总体数据的特征，这其中的一项工作就是参数估计。
+
+参数估计应用的场景非常的多，例如：
+
+1. 在产品侧，我们可以用参数估计的方式评估A/B测试的效果。
+2. 在运营侧，我们可以用参数估计的方式优化活动配置和推荐策略。
+3. 在市场侧，我们可以用参数估计的方式制定广告投放策略。
+
+#### 实施步骤
+
+1. 确定分析的置信水平
+
+2. 确定估计的参数类型
+
+3. 计算参数估计的区间
+
+    - 数值型指标：$ A = z \times 样本标准差 / \sqrt{样本数量} $，其中 $ z $ 的值可以通过查表得到，如果置信水平选择95%，那么 $ z $ 的值就是1.96。大部分运营指标都是数值型指标，例如DAU、ARPU、转化率等。
+    - 占比型指标：$ A = z \times \sqrt{占比 \times (1 - 占比) / 样本数量} $，$ z $ 值同上。占比型指标如性别占比、渠道占比、品类占比等。
+
+    最终得到的估计区间就是：$ [样本均值 - A, 样本均值 + A] $。
+

Day66-80/79.参数估计.md

@@ -1,25 +0,0 @@
-## 参数估计
-
-在产品运营的工作中，数据分析常会遭遇诸多非常让人困扰的情况，例如：产品运营面对的数据量动辄百万级、千万级，带来的就是分析速度急剧下降，跑个数等一两天时间已经是很理想情况；另外，在很多场景下，我们都只能拿到部分数据（样本），而无法获取全量数据（总体）。在这种情况下我们就必须通过分析非常小量样本的特征，再用这些特征去评估海量总体数据的特征，可以称之为**样本检验**。
-
-**推断型统计的核心就是用样本推测总体**。在实际生产环境中，可能无法获得所有的数据，或者即便获取了所有的数据，但是没有足够的资源来分析所有的数据，在这种情况下，我们都需要用非常小量的样本特征去评估总体数据的特征，这其中的一项工作就是参数估计。
-
-参数估计应用的场景非常的多，例如：
-
-1. 在产品侧，我们可以用参数估计的方式评估A/B测试的效果。
-2. 在运营侧，我们可以用参数估计的方式优化活动配置和推荐策略。
-3. 在市场侧，我们可以用参数估计的方式制定广告投放策略。
-
-### 实施步骤
-
-1. 确定分析的置信水平
-
-2. 确定估计的参数类型
-
-3. 计算参数估计的区间
-
-    - 数值型指标：$ A = z \times 样本标准差 / \sqrt{样本数量} $，其中 $ z $ 的值可以通过查表得到，如果置信水平选择95%，那么 $ z $ 的值就是1.96。大部分运营指标都是数值型指标，例如DAU、ARPU、转化率等。
-    - 占比型指标：$ A = z \times \sqrt{占比 \times (1 - 占比) / 样本数量} $，$ z $ 值同上。占比型指标如性别占比、渠道占比、品类占比等。
-
-    最终得到的估计区间就是：$ [样本均值 - A, 样本均值 + A] $。
-

Day66-80/79.聚类和降维.md

@@ -0,0 +1,2 @@
+### 聚类和降维
+

README.md

@@ -348,61 +348,59 @@ Python在以下领域都有用武之地。
 - JavaScript逆向工程
 - 使用Selenium获取动态内容
 
-### Day66~70 - [数据分析](./Day66-70)
+### Day66~80 - [数据分析](./Day66-80)
 
-#### Day66 - [数据分析概述](./Day66-70/66.数据分析概述.md)
+#### Day66 - [数据分析概述](./Day66-80/66.数据分析概述.md)
 
-#### Day67 - [NumPy的应用](./Day66-70/67.NumPy的应用.md)
+#### Day67 - [环境准备](./Day66-80/67.环境准备.md)
 
-#### Day68 - [Pandas的应用](./Day66-70/68.Pandas的应用.md)
+#### Day68 - [NumPy的应用-1](./Day66-80/68.NumPy的应用-1.md)
 
-#### Day69 - [数据可视化](./Day66-70/69.数据可视化.md)
+#### Day69 - [NumPy的应用-2](./Day66-80/69.NumPy的应用-2.md)
 
-#### Day70 - [数据分析项目实战](./Day66-70/70.数据分析项目实战.md)
+#### Day70 - [Pandas的应用-1](./Day66-80/70.Pandas的应用-1.md)
 
-### Day71~85 - [机器学习和深度学习](./Day71-85)
+#### Day71 - [Pandas的应用-2](./Day66-80/71.Pandas的应用-2.md)
 
-#### Day71 - [机器学习基础](./Day71-85/71.机器学习基础.md)
+#### Day72 - [Pandas的应用-3](./Day66-80/72.Pandas的应用-3.md)
 
-#### Day72 - [k最近邻分类](./Day71-85/72.k最近邻分类.md)
+#### Day73 - [Pandas的应用-4](./Day66-80/73.Pandas的应用-4.md)
 
-#### Day73 - [决策树](./Day71-85/73.决策树.md)
+#### Day74 - [Pandas的应用-5](./Day66-80/74.Pandas的应用-5.md)
 
-#### Day74 - [贝叶斯分类](./Day71-85/74.贝叶斯分类.md)
+#### Day75 - [数据可视化](./Day66-80/75.数据可视化.md)
 
-#### Day75 - [支持向量机](./Day71-85/75.支持向量机.md)
+#### Day76 - [概率基础](./Day66-80/76.概率基础.md)
 
-#### Day76 - [K-均值聚类](./Day71-85/76.K-均值聚类.md)
+#### Day77 - [相关和回归](./Day66-80/77.相关和回归.md)
 
-#### Day77 - [回归分析](./Day71-85/77.回归分析.md)
+#### Day78 - [方差分析和参数估计](./Day66-80/78.方差分析和参数估计.md)
 
-#### Day78 - [深度学习入门](./Day71-85/78.深度学习入门.md)
+#### Day79 - [聚类和降维](./Day66-80/79.聚类和降维.md)
 
-#### Day79 - [Tensorflow概述](./Day71-85/79.Tensorflow概述.md)
+#### Day80 - [数据分析方法论](./Day66-80/80.数据分析方法论.md)
 
-#### Day80 - [Tensorflow实战](./Day71-85/79.Tensorflow实战.md)
+### Day81~90 - [机器学习和深度学习](./Day81-90)
 
-#### Day81 - [Kaggle项目实战](./Day71-85/81.Kaggle项目实战.md)
+#### Day81 - [机器学习基础](./Day81-90/81.机器学习基础.md)
 
-#### Day82 - [天池大数据项目实战](./Day71-85/82.天池大数据项目实战.md)
+#### Day82 - [k最近邻分类](./Day81-90/82.k最近邻分类.md)
 
-#### Day83 - [推荐系统实战-1](./Day71-85/83.推荐系统实战-1.md)
+#### Day83 - [决策树](./Day81-90/83.决策树.md)
 
-#### Day84 - [推荐系统实战-2](./Day71-85/84.推荐系统实战-2.md)
+#### Day84 - [贝叶斯分类](./Day81-90/84.贝叶斯分类.md)
 
-#### Day85 - [推荐系统实战-3](./Day71-85/85.推荐系统实战-3.md)
+#### Day85 - [支持向量机](./Day81-90/85.支持向量机.md)
 
-### Day86~90 - [大数据分析概述](./Day86-90)
+#### Day86 - [K-均值聚类](./Day81-90/86.K-均值聚类.md)
 
-#### Day86 - [大数据概述](./Day86-90/86.大数据概述.md)
+#### Day87 - [回归分析](./Day81-90/87.回归分析.md)
 
-#### Day87 - [Hive查询](./Day86-90/87.Hive查询.md)
+#### Day88 - [深度学习入门](./Day81-90/88.深度学习入门.md)
 
-#### Day88 - [PySpark和离线数据处理](./Day86-90/87.PySpark和离线数据处理.md)
+#### Day89 - [Tensorflow概述](./Day81-90/89.Tensorflow概述.md)
 
-#### Day89 - [Flink和流式数据处理](./Day86-90/89.Flink和流式数据处理.md)
+#### Day90 - [Tensorflow实战](./Day81-90/90.Tensorflow实战.md)
-
-#### Day90 - [大数据分析项目实战](./Day86-90/90.大数据分析项目实战.md)
 
 ### Day91~100 - [团队项目开发](./Day91-100)