datacastle融資

『壹』 DC（DataCastle）的競賽獎金是真的么

肯定是真的啊，之前四川的一些新聞媒體也報道過。
好像已經舉辦過4次競賽了，獎金都是萬元起步~
似乎沒得到前3的隊伍有些也有相應的鼓勵，可惜我才學演算法沒多久，不然我就去了。
對自己有信心的，或者有實力的還是建議去試試~

『貳』 DataCastle和國外的kaggle有什麼區別

直觀的肯定是kaggle是一個已經成熟的數據競賽，而DC才在國內剛剛興起。但從一定角度來說，如果和國外的相比，DC也具有一定的條件了，那肯定是在DC上去做競賽好，畢竟首要的語言方面的問題就能夠克服。而且對於初次參加此類競賽，或者想練手的同學來說，DC可以是你開始做數據分析的第一步。

『叄』 DC（DataCastle）什麼時候開始正式上線的

2014年9月上線的，上線的第一個競賽是CCF的新聞瀏覽模式預測及個性化推薦~

『肆』 DataCastle這個比賽有什麼作用

通過大數據挖掘比賽能夠解決企業具體的演算法問題，通過開放數據舉辦創意比賽，採取眾籌方式徵集解決方案，對企業以及競賽者是雙贏的。

『伍』 阿里巴巴的天池大數據競賽和datacastle大數據競賽哪個好

直觀的肯定是kaggle是一個已經成熟的數據競賽，而DC才在國內剛剛興起。但從一定角度來說，如果和國外的相比，DC也具有一定的條件了，那肯定是在DC上去做競賽好，畢竟首要的語言方面的問題就能夠克服。而且對於初次參加此類競賽，或者想練手的同學來說，DC可以是你開始做數據分析的第一步。
-

『陸』 有哪些適合學生使用的論文數據收集方法

在這個用數據說話的時代，能夠打動人的往往是用數據說話的理性分析，無論是對於混跡職場的小年輕，還是需要數據進行分析和研究的同學，能夠找到合適的數據源都是非常重要的。特別是想要對一個新的領域進行研究和探索，擁有這個領域的數據那都是有十分重要的意義的。

快速找到論文數據的19個方法

來源 | DataCastle數據城堡

在這里給大家推薦一些能夠用上數據獲取方式，有了這些資源，不僅可以在數據收集的效率上能夠得到很大的提升，同時也可以學習更多思維方式。

公開的資料庫

1. 國家數據

http://data.stats.gov.cn/index.htm

數據來源於中國國家統計局，包含了我國經濟民生等多個方面的數據，並且在月度、季度、年度都有覆蓋，較為全面和權威，對於社會科學的研究不要太有幫助。最關鍵的是，網站簡潔美觀，還有專門的可視化讀物。

2.CEIC

http://www.ceicdata.com/zh-hans

最完整的一套超過128個國家的經濟數據，能夠精確查找GDP, CPI, 進口，出口，外資直接投資，零售，銷售，以及國際利率等深度數據。其中的「中國經濟資料庫」收編了300,000多條時間序列數據，數據內容涵蓋宏觀經濟數據、行業經濟數據和地區經濟數據。

3. wind（萬得）

http://www.wind.com.cn/

萬得被譽為中國的Bloomberg，在金融業有著全面的數據覆蓋，金融數據的類目更新非常快，據說很受國內的商業分析者和投資人的親睞。

4. 搜數網

http://www.soshoo.com/

已載入到搜數網站的統計資料達到7,874本,涵蓋1,761,009張統計表格和364,580,479個統計數據，匯集了中國資訊行自92年以來收集的所有統計和調查數據，並提供多樣化的搜索功能。

5.中國統計信息網

http://www.tjcn.org/

國家統計局的官方網站，匯集了海量的全國各級政府各年度的國民經濟和社會發展統計信息，建立了以統計公報為主，統計年鑒、階段發展數據、統計分析、經濟新聞、主要統計指標排行等。

6.亞馬遜aws

『柒』 如何快速成為數據分析師

接下來我們分別從每一個部分講講具體應該學什麼、怎麼學。

數據獲取：公開數據、Python爬蟲

如果接觸的只是企業資料庫里的數據，不需要要獲取外部數據的，這個部分可以忽略。

外部數據的獲取方式主要有以下兩種。

第一種是獲取外部的公開數據集，一些科研機構、企業、政府會開放一些數據，你需要到特定的網站去下載這些數據。這些數據集通常比較完善、質量相對較高。

另一種獲取外部數據費的方式就是爬蟲。

比如你可以通過爬蟲獲取招聘網站某一職位的招聘信息，爬取租房網站上某城市的租房信息，爬取豆瓣評分評分最高的電影列表，獲取知乎點贊排行、網易雲音樂評論排行列表。基於互聯網爬取的數據，你可以對某個行業、某種人群進行分析。

在爬蟲之前你需要先了解一些 Python 的基礎知識：元素（列表、字典、元組等）、變數、循環、函數（鏈接的菜鳥教程非常好）……以及如何用成熟的 Python 庫（urllib、BeautifulSoup、requests、scrapy）實現網頁爬蟲。如果是初學，建議從 urllib 和 BeautifulSoup 開始。（PS：後續的數據分析也需要 Python 的知識，以後遇到的問題也可以在這個教程查看）

網上的爬蟲教程不要太多，爬蟲上手推薦豆瓣的網頁爬取，一方面是網頁結構比較簡單，二是豆瓣對爬蟲相對比較友好。

掌握基礎的爬蟲之後，你還需要一些高級技巧，比如正則表達式、模擬用戶登錄、使用代理、設置爬取頻率、使用cookie信息等等，來應對不同網站的反爬蟲限制。

除此之外，常用的的電商網站、問答網站、點評網站、二手交易網站、婚戀網站、招聘網站的數據，都是很好的練手方式。這些網站可以獲得很有分析意義的數據，最關鍵的是，有很多成熟的代碼，可以參考。

數據存取：SQL語言

你可能有一個疑惑，為什麼沒有講到Excel。在應對萬以內的數據的時候，Excel對於一般的分析沒有問題，一旦數據量大，就會力不從心，資料庫就能夠很好地解決這個問題。而且大多數的企業，都會以SQL的形式來存儲數據，如果你是一個分析師，也需要懂得SQL的操作，能夠查詢、提取數據。

SQL作為最經典的資料庫工具，為海量數據的存儲與管理提供可能，並且使數據的提取的效率大大提升。你需要掌握以下技能：

提取特定情況下的數據：企業資料庫里的數據一定是大而繁復的，你需要提取你需要的那一部分。比如你可以根據你的需要提取2018年所有的銷售數據、提取今年銷量最大的50件商品的數據、提取上海、廣東地區用戶的消費數據……，SQL可以通過簡單的命令幫你完成這些工作。

資料庫的增、刪、查、改：這些是資料庫最基本的操作，但只要用簡單的命令就能夠實現，所以你只需要記住命令就好。

數據的分組聚合、如何建立多個表之間的聯系：這個部分是SQL的進階操作，多個表之間的關聯，在你處理多維度、多個數據集的時候非常有用，這也讓你可以去處理更復雜的數據。

數據預處理：Python（pandas）

很多時候我們拿到的數據是不幹凈的，數據的重復、缺失、異常值等等，這時候就需要進行數據的清洗，把這些影響分析的數據處理好，才能獲得更加精確地分析結果。

比如空氣質量的數據，其中有很多天的數據由於設備的原因是沒有監測到的，有一些數據是記錄重復的，還有一些數據是設備故障時監測無效的。比如用戶行為數據，有很多無效的操作對分析沒有意義，就需要進行刪除。

那麼我們需要用相應的方法去處理，比如殘缺數據，我們是直接去掉這條數據，還是用臨近的值去補全，這些都是需要考慮的問題。

對於數據預處理，學會 pandas 的用法，應對一般的數據清洗就完全沒問題了。需要掌握的知識點如下：

選擇：數據訪問（標簽、特定值、布爾索引等）

缺失值處理：對缺失數據行進行刪除或填充

重復值處理：重復值的判斷與刪除

空格和異常值處理：清楚不必要的空格和極端、異常數據

相關操作：描述性統計、Apply、直方圖等

合並：符合各種邏輯關系的合並操作

分組：數據劃分、分別執行函數、數據重組

Reshaping：快速生成數據透視表

概率論及統計學知識

數據整體分布是怎樣的？什麼是總體和樣本？中位數、眾數、均值、方差等基本的統計量如何應用？如果有時間維度的話隨著時間的變化是怎樣的？如何在不同的場景中做假設檢驗？數據分析方法大多源於統計學的概念，所以統計學的知識也是必不可少的。需要掌握的知識點如下：

基本統計量：均值、中位數、眾數、百分位數、極值等

其他描述性統計量：偏度、方差、標准差、顯著性等

其他統計知識：總體和樣本、參數和統計量、ErrorBar

概率分布與假設檢驗：各種分布、假設檢驗流程

其他概率論知識：條件概率、貝葉斯等

有了統計學的基本知識，你就可以用這些統計量做基本的分析了。通過可視化的方式來描述數據的指標，其實可以得出很多結論了，比如排名前100的是哪些，平均水平是怎樣的，近幾年的變化趨勢如何……

你可以使用python的包 Seaborn（python包）在做這些可視化的分析，你會輕松地畫出各種可視化圖形，並得出具有指導意義的結果。了解假設檢驗之後，可以對樣本指標與假設的總體指標之間是否存在差別作出判斷，已驗證結果是否在可接受的范圍。

python數據分析

如果你有一些了解的話，就知道目前市面上其實有很多 Python 數據分析的書籍，但每一本都很厚，學習阻力非常大。但其實真正最有用的那部分信息，只是這些書里很少的一部分。比如用 Python 實現不同案例的假設檢驗，其實你就可以對數據進行很好的驗證。

比如掌握回歸分析的方法，通過線性回歸和邏輯回歸，其實你就可以對大多數的數據進行回歸分析，並得出相對精確地結論。比如DataCastle的訓練競賽「房價預測」和「職位預測」，都可以通過回歸分析實現。這部分需要掌握的知識點如下：

回歸分析：線性回歸、邏輯回歸

基本的分類演算法：決策樹、隨機森林……

基本的聚類演算法：k-means……

特徵工程基礎：如何用特徵選擇優化模型

調參方法：如何調節參數優化模型

Python 數據分析包：scipy、numpy、scikit-learn等

在數據分析的這個階段，重點了解回歸分析的方法，大多數的問題可以得以解決，利用描述性的統計分析和回歸分析，你完全可以得到一個不錯的分析結論。

當然，隨著你實踐量的增多，可能會遇到一些復雜的問題，你就可能需要去了解一些更高級的演算法：分類、聚類，然後你會知道面對不同類型的問題的時候更適合用哪種演算法模型，對於模型的優化，你需要去學習如何通過特徵提取、參數調節來提升預測的精度。這就有點數據挖掘和機器學習的味道了，其實一個好的數據分析師，應該算是一個初級的數據挖掘工程師了。

系統實戰

這個時候，你就已經具備了數據分析的基本能力了。但是還要根據不同的案例、不同的業務場景進行實戰。能夠獨立完成分析任務，那麼你就已經打敗市面上大部分的數據分析師了。

如何進行實戰呢？

上面提到的公開數據集，可以找一些自己感興趣的方向的數據，嘗試從不同的角度來分析，看看能夠得到哪些有價值的結論。

另一個角度是，你可以從生活、工作中去發現一些可用於分析的問題，比如上面說到的電商、招聘、社交等平台等方向都有著很多可以挖掘的問題。

開始的時候，你可能考慮的問題不是很周全，但隨著你經驗的積累，慢慢就會找到分析的方向，有哪些一般分析的維度，比如top榜單、平均水平、區域分布、年齡分布、相關性分析、未來趨勢預測等等。隨著經驗的增加，你會有一些自己對於數據的感覺，這就是我們通常說的數據思維了。

你也可以看看行業的分析報告，看看優秀的分析師看待問題的角度和分析問題的維度，其實這並不是一件困難的事情。

在掌握了初級的分析方法之後，也可以嘗試做一些數據分析的競賽，比如 DataCastle 為數據分析師專門定製的三個競賽，提交答案即可獲取評分和排名：

員工離職預測訓練賽

美國King County房價預測訓練賽

北京PM2.5濃度分析訓練賽

種一棵樹最好的時間是十年前，其次是現在。現在就去，找一個數據集開始吧！！

『捌』 什麼是DataCastle

DataCastle（簡稱DC）是中國最大的數據科學競賽平台，致力於通過最優秀的數據科學家的力量解決復雜的大數據問題。

『玖』 天池大數據競賽和Kaggle，DataCastle的比較，哪個比較好

孤舟蓑笠翁，獨釣寒江雪。

『拾』 參加了國內的大數據，演算法競賽，可以得到什麼

不要抱著太功利的思想參加比賽。參加這種大型的比賽，獎勵或許很豐厚，也能夠讓自己的履歷好看點，但實際上我么你更應該看到，這場比賽給我們帶來怎樣的經歷，他能夠讓我們見識到更加開闊的世界，更多的新新聞，結識到更多有創意的人，這些寶貴的經歷才是帶給我最寶貴的財富。