西交利物浦大学DTS001 Final Coursework教程

　　你需要首先确认的“事实”(请以你课程网站/Canvas上的最终说明为准)

　　模块名称与目标：DTS001 — Data Analytics for Entrepreneurship，目标是将数据分析技能用于商业/创业情境(含建模、预测、分类、把数据当组织资产并用价值创造框架生成洞察)。

　　学习成果(通常被评估的点)：

　　A. 使用现代计算工具对数据进行预处理、分析与解释;

　　B. 使用现代计算工具对数据进行总结与可视化;

　　C. 以适合商业受众的格式呈现发现(报告/演示)。

　　评估权重(示例)：部分学年该 final coursework 占 100%(不同学年/学期可能变动，请以课程页/讲师邮件为准)。

　　如果你要找模块负责老师或助教，可参考任课教师信息(示例之一)。

　　总体策略(把商业问题放在第一位)

　　明确商业问题：作业通常会给一个案例场景或数据集。先问自己：业务/创业方想解决什么?(提升转化、降低流失、优化库存、识别客户细分…)

　　把学习成果映射到作业交付物：数据清洗与分析 -> 对应 A;图表/摘要 -> 对应 B;结论与推荐(PPT/one-pager)-> 对应 C。按这三项组织你的工作。

　　数据分析标准流程(每一步都写进你的报告)

　　下面给出每一步该写什么、为什么及示例代码片段(Python)。作业通常要求使用现代计算包(例如 Python + pandas / scikit-learn / matplotlib)，按此准备会安全命中评分点。

　　1) 环境与说明(写在 report 的开头)

　　指明：Python 版本、主要库及版本(pandas, numpy, scikit-learn, matplotlib)、运行环境(Jupyter Notebook)。

　　数据来源与简短描述(行数、字段、缺失情况)。

　　2) 探索性数据分析(EDA)

　　描述性统计：均值、中位数、分位数、缺失比例、唯一值等。

　　可视化：变量分布(直方图/箱线图)、类别比例条形图、相关矩阵热图(注意只用 matplotlib 时不要用 seaborn，除非作业允许)。

　　写法说明(示例)：

　　import pandas as pd

　　df = pd.read_csv('data.csv')

　　# 基本信息

　　print(df.shape)

　　print(df.dtypes)

　　print(df.isnull().sum())

　　# 描述性统计

　　print(df.describe(include='all'))

　　# 简单可视化示例(matplotlib)

　　import matplotlib.pyplot as plt

　　plt.figure()

　　df['age'].hist(bins=20)

　　plt.xlabel('age')

　　plt.ylabel('count')

　　plt.title('Age distribution')

　　plt.show()

　　3) 数据清洗与特征工程

　　处理缺失：删除 vs 插补(均值/中位/模型插补)，说明理由。

　　处理异常值：通过箱线图/百分位判断并说明是否修正或保留(业务场景决定)。

　　类别变量编码(one-hot / ordinal)与时间类特征提取(年/月/日/星期/周期性等)。

　　标准化/归一化(在需要距离或正则化模型时)。

　　示例：

　　# 填充缺失(示例)

　　df['income'] = df['income'].fillna(df['income'].median())

　　# one-hot

　　df = pd.get_dummies(df, columns=['region'], drop_first=True)

　　4) 建模(根据任务：回归/分类/聚类/时间序列)

　　选择 1-2 个合适模型(例如分类用 LogisticRegression + RandomForest;回归用 LinearRegression + XGBoost/RandomForest)，并进行交叉验证(k-fold)与超参数调优(GridSearchCV/RandomizedSearchCV)。

　　强调可解释性(创业场景通常要可行的、可解释的建议)——可使用特征重要性、SHAP 值或系数表。

　　示例(分类)：

　　from sklearn.model_selection import train_test_split, cross_val_score

　　from sklearn.ensemble import RandomForestClassifier

　　from sklearn.metrics import classification_report, roc_auc_score

　　X = df.drop(columns=['target'])

　　y = df['target']

　　X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

　　clf = RandomForestClassifier(n_estimators=100, random_state=42)

　　clf.fit(X_train, y_train)

　　y_pred = clf.predict(X_test)

　　print(classification_report(y_test, y_pred))

　　print("AUC:", roc_auc_score(y_test, clf.predict_proba(X_test)[:,1]))

　　5) 评估与商业阐释

　　用适合任务的评估指标(分类：精确率/召回/F1/AUC;回归：MAE/MSE/R²)。

　　把技术指标翻译成商业影响(例如：召回率由 0.6 提升到 0.8，意味着能捕获 X% 的高价值客户并带来估算收入提升 Y)。

　　包括敏感性分析与局限性讨论(数据偏差、外生因素、因果性提醒)。

　　6) 可视化呈现(为商务受众设计)

　　使用清晰的图表：柱状/堆叠柱状、时间序列折线、漏斗图、决策树示意或特征重要性条形图。

　　每张图要有标题、轴标签、图注并在报告里一句话总结结论(图说话 + 一句商业结论)。

　　结语

　　DTS001的最终作业不仅是一次数据分析能力的检验，更是一次将理论落地为商业价值的综合实践。无论是数据清洗的细节、模型选择的逻辑，还是报告中结论的表达，都体现了“以商业问题为导向”的核心精神。

　　想要在 Final Coursework 中脱颖而出，关键不在于堆砌复杂算法，而在于展示清晰、完整、可复现的分析思路，并能把模型结果转化为真正可执行的商业洞察。