#数据分析

比特币总裁

3天前

顶级公链的链上交易情况对比，数据一目了然

#区块链 #公链 #链上交易 #数据分析 #对比

1周前

背就完事了，我之前让公司的人干了一个事。3人一个小组，把21年-25年所有能涨跌30%以上的新闻，最开始的1min走势，市值都背下来，然后写个总结报告，每日复习。结果不了了之了，但是阿水说是全都看了一遍，后来新闻交易的敏锐度比以前高多了。

#新闻交易 #阿水 #经验学习 #股票涨跌 #数据分析

Sky. XiaoChen（吸吸喜气版）

1周前

一分钟揭秘：最全 Polymarket 的秘密工具！！居然可以数据分析，聪明钱监控，一键跟单 .. 小白必读，我花了3 个小时整理，进阶 Polymarket 高手👇

#Polymarket #数据分析 #聪明钱监控 #一键跟单 #小白必读

1周前

这可能就是我们初级牛马需要的工具吧 Google Sheets 的开源平替：把表格工作从枯燥的单元格输入，升级成了和 AI 对话的体验，让你用自然语言来创建、修改、分析数据，并可直观地画出图表。 Cheat Sheet

#AI工具 #Google Sheets平替 #自然语言处理 #数据分析 #效率提升

中国日报网-央视网

2周前

透过数据看前三季度“三农”成绩单

非凡“十四五”成就引发热议，数据背后的幸福感与获得感· 116 条信息

#三农 #前三季度 #经济 #数据分析 #乡村振兴

2周前

🚨事实核查：Newsmax 报道称——“全美有 4200 万人每周依赖食品券，而 59% 的非法移民正在领取食品券。这意味着，从美国政府和美国纳税人那里领取食品补助的大多数人，甚至都不是美国人。” 📊 数据显示： ▪️45% 的阿富汗移民领取食品券 ▪️42% 的索马里移民领取食品券 ▪️34% 的伊拉克移民领取食品券 ▪️23% 的海地移民领取食品券此外，报道称： “我们今晚可以确认，数以百万计的非法移民……正在领取食品券。” ⚠️ 补充说明： “这个国家有 4200 万人每周依赖食品券” 指的是全体领取者的总数（包括美国公民与非公民）。而各国移民的百分比，是指各自群体内部领取食品券的比例，并不意味着这些比例可以相加或代表全国总和。小编：不认真解决这个问题真的有可能能给美国带来动乱

#食品券 #非法移民 #美国政府 #社会问题 #数据分析

2周前

这里的详情展开是指点击了一条推文进入详情页吗？也就是显示 1.3 万阅读的推文点详情看长文的只有 190 人？不知道理解对不对。

#推文详情 #阅读量 #长文 #数据分析 #用户行为

吕立青_JimmyLv (🐣, 🐣) 2𐃏25 | building bibigpt.co

3周前

YouTube 这个 A/B 测试，用了几次发现：标题的影响还挺小的，视频封面更重要。

#YouTube A/B测试 #视频封面 #标题影响小 #用户体验 #数据分析

3周前

不用怀疑 AI 的写作能力了这篇数据爆炸的帖子，全网没有一个人怀疑是 AI 写的但不小心破圈破到了清华学生圈… 一堆人看不起这个研究 “这不就是xxx”的一大堆贻笑大方

#AI写作 #清华学生 #学术质疑 #数据分析 #舆论争议

3周前

[论文解读] DeepAnalyze: Agentic LLM 助力自主数据科学来自中国人民大学和清华大学团队的论文，提出 DeepAnalyze-8B 模型，基于 Agentic LLM 实现从原始数据到深度报告的自主数据科学，突破传统固定流程的局限。核心贡献 · DeepAnalyze-8B：80亿参数开源模型，自主协调规划、数据理解、代码生成等任务，通过提示或微调支持数据问答、建模及开放研究。 · 课程式训练：从单一技能（推理、代码）到综合能力，结合强化学习解决反馈稀疏问题。 · 轨迹生成框架：通过多智能体交互和关键词引导，从数据集生成50万条高质量训练样本（DataScience-Instruct-500K，已开源）。 · 实现从数据清洗到报告生成的端到端流程。方法概述基于 DeepSeek-R1-0528- Qwen3-8B，模型通过五类行动标记（如⟨Analyze⟩规划、⟨Code⟩代码生成）循环优化输出。训练分两阶段： 1. 单一技能微调：监督学习提升推理、数据理解、代码能力，关键词优化增强表格处理。 2. 多技能训练：交互轨迹微调后，用.GRPO 强化学习，结合规则、准确性和 LLM 评分优化。训练在 NVIDIA A800 GPU 上完成，支持 32K tokens 序列，轨迹从 Spider/BIRD 等数据集生成并过滤。主要成果在12个基准测试中，DeepAnalyze-8B 表现优异： · 完整流程（DataSciBench）：成功率59.91%，完成率66.24%，接近GPT-4o（66.31%），数据准备（71.68%）和可视化（69.09%）领先。 · 分析/建模（DSBench）：准确率30.04%，成功率90.63%，超GPT-4o智能体。 · 多步推理（DABStep）：准确率38.88%，远超ReAct+GPT-4o（15.77%）。 · 深度研究（DABStep-Research）：内容得分3.81/5，格式4.39/5，优于GPT-4o（3.05/5），案例中识别18-27%费用优化和35-42%欺诈降低潜力。 · 代码/表格问答：代码生成61.7%（超GPT-4-turbo 53.9%），表格问答64.47%（SOTA）。消融实验显示课程训练提升23.54%，轨迹优化增4.57%。模型、代码、数据集已开源。论文地址：

#DeepAnalyze-8B #agentic LLM #自主数据科学 #数据分析 #开源模型

3周前

DeepAnalyze：数据分析智能体能自主完成一系列数据任务，包括：准备、分析、建模、可视化、生成报告。 Github：

谷歌Deep Research：AI操作系统雏形？· 122 条信息

#DeepAnalyze #数据分析 #智能体 #GitHub #自动化

4周前

【四年周期总刻系列（4）】 2015年熊底后 1431天到下轮熊底 2018年熊底后 1437天到下轮熊底 2022年熊底已过去 1060天

比特币减半与牛市周期的神秘关联引发热议· 39 条信息

#熊市 #周期 #经济 #金融 #数据分析

Haze 𝓰𝓶𝓰𝓷𝓪𝓲

1个月前

这就是为什么我要交易的原因🤣 把钱包加入技术团队的数据分析，然后自己成为那个小白鼠。与其让用户先发现并且亏损，不如我自己来。

币圈“1011”六倍崩盘：高杠杆爆仓潮，谁在裸泳？· 6037 条信息

#交易 #技术团队 #数据分析 #小白鼠 #用户

饼干哥哥🍪

1个月前

我用n8n+飞书监控了100 个AI头部公众号动态，借势解决「选题」困境 🧵 先说下整体的搭建逻辑：一、采集公众号文章 1. 我在服务器上部署了一个 wechat2rss，订阅了 15 个 ai主题的公众号 2. 在n8n访问它，筛选指定时间的文章，下载保存到飞书，含文章链接 3. 在飞书利用快捷字段的 AI 功能给文章都打上固定的几个类型的标签二、搭建数据分析模型 4. 在n8n把文章链接传给「极致了」api，抓取文章的数据：阅读量、评论数、转发率、在看数、点赞数、收藏数 5. 在飞书把这些数据做组合指标，例如转发率等 6. 把标签和指标组合做交叉分析三、AI做选题分析报告 7. 最终得出哪些标签数据好，背后就是建议做什么样的选题 8. 确定选题后，筛选出这些标签的原文，给出具体的选题方向建议、内容结构 9. 形成选题方案报告

#AI公众号 #选题分析 #n8n #飞书 #数据分析

Yunchao Wen 💙💛

1个月前

猫砂还是造成了巨大麻烦。前天昨天是 A 厂的 Big Deal Day，我这个站点的机器人不可用率奇高，一度超过 3% 。超过六成是因为机器人无法识别地面标志所致。上面要求找原因，运行想推责给我们维护。我找数据列图片，写了个文档有力地证明，那些不当处理的猫砂才是罪魁祸首。小主管送了 AirPods 4 给我。

#猫砂 #机器人故障 #A厂Big Deal Day #AirPods 4 #数据分析

1个月前

在社交媒体营销这个领域，我见过不少企业栽跟头，其实很多时候，他们并非不懂“该做什么”，而是没避开那些“不该做的事”。我发现这一点尤其关键。很多企业主会花大量时间研究各种社交媒体指南，看别人怎么成功，怎么发内容、搞互动。但根据我的观察，真正决定营销效果的，往往是那些我们“不做什么”的选择。首先，最常见的错误是“盲目跟风”。看到别人做什么火，自己就马上模仿，完全不考虑自己的品牌定位和目标用户。每个品牌都有自己的特色，硬搬别人的模式，只会让自己变得不伦不类，反而失去了自己的辨识度。其次是“只发广告，不做互动”。有些企业把社交媒体当成了单向的广告投放渠道，只想着推销产品，却很少和用户交流。用户是活生生的人，不是冰冷的消费机器，他们需要被尊重、被理解。只有真诚地和用户互动，才能建立起信任，而信任，才是营销的基石。再者，“内容没有价值”也很要命。很多企业发的内容，要么是空洞的口号，要么是和用户毫不相关的信息。用户刷社交媒体是为了获取价值，无论是知识、娱乐还是情感共鸣。如果我们提供的内容对他们没用，他们自然会划走，而且是再也不会回来的那种。还有一个容易犯的错误是“忽视数据”。社交媒体平台提供了很多数据，比如阅读量、互动率、用户画像等等。但有些企业从不看这些数据，凭感觉发内容，凭感觉调整策略。数据就像航海的罗盘，能告诉我们方向对不对，哪里需要调整。不看数据，就好比在大海里没有罗盘，很容易迷失方向。最后，“缺乏耐心和坚持”也会导致失败。社交媒体营销不是一蹴而就的事情，它需要时间积累，需要持续投入。有些企业一开始热情高涨，发了几天内容没效果就放弃了，这是非常可惜的。成功从来都不是偶然的，它需要我们一步一个脚印，不断优化和坚持。其实，社交媒体营销的核心很简单，就是“以用户为中心”。我们要思考的是：我们能给用户带来什么？我们如何和用户建立连接？我们如何让用户记住我们？只要抓住了这几点，避开那些常见的“雷区”，成功就会离我们越来越近。希望这些经验能给大家带来一些启发。营销之路没有捷径，但只要方向对了，方法得当，坚持下去，就一定能看到成果。

#社交媒体营销 #用户互动 #内容价值 #数据分析 #耐心

Nexmoe - Dreamweaver

1个月前

我用 PandasAI 直接问数据：哪国收入最高？它秒回图表 + 答案，SQL、CSV 都能聊，免写代码，Docker 沙箱还安全。

#PandasAI #数据分析 #自动化 #Docker #图表

1个月前

在内容创作领域，很多人遇到瓶颈，并非能力不足，而是视野局限。就像登山，若只盯着眼前的山路，容易迷失方向；若能看到更高处的风景和别人的路径，便多了许多可能性。以下是一些实用的方向，帮助你突破现状：首先，学会“拆解优秀案例”。打开任何平台，用关键词搜索与你目标相关的内容（比如想提升涨粉率，就搜“高转粉率爆款”），找出近期表现突出的博主。重点研究他们单篇内容的关键数据：涨粉多少、转粉率多高、引导入群人数有多少。把这些数据记录下来，就像拆解别人的成功密码，这些数字背后藏着他们的运营逻辑。其次，建立“数据对比表”。把收集到的多个案例数据整理到一张表里，比如“涨粉数”“互动率”“完播率”等，然后找到你设定的“北极星指标”（比如涨粉、变现、私域引流等），筛选出排名前五的案例。这些案例就像标杆，你需要思考：为什么他们能成为“头部”？他们的内容结构、选题方向有什么共同点？接着，进行“深度复刻练习”。把这五个标杆案例的选题、脚本、拍摄手法、剪辑节奏等，像做实验一样原封不动地模仿一遍。注意不是简单抄袭，而是拆解每个环节的“底层逻辑”：比如开头3秒如何抓住注意力？中间用什么故事或观点引发共鸣？结尾如何引导用户行动？通过“刻意练习”，你会逐渐理解内容创作的“骨架”。然后，从“模仿”到“创新”。当你对标杆案例足够熟悉后，就可以进入“二次创作”阶段。去看这些案例的评论区，记录用户常问的问题、高频讨论的话题。结合自己的经验和认知，把这些问题转化为新的选题。比如别人讲“职场沟通技巧”，你可以结合自己的行业，讲“互联网行业的沟通潜规则”。这样既保留了爆款的“基因”，又融入了你的独特价值。最后，关于“人设”的思考。真正的人设是在长期创作中自然形成的，这需要你在模仿期结束后，加入自己的思考和风格。但如果你的目标是做矩阵转化（比如多个账号同时引流私域），那么“标准化复制”就足够了——只要每个账号能稳定产出符合标杆逻辑的内容，即使人设不同，也能形成规模化的引流效果。内容创作就像学游泳，看再多理论不如下水练习。当你把“模仿-拆解-创新”这三步走通，数据会慢慢给你反馈。记住：优秀从来不是凭空出现的，而是站在别人的肩膀上，一步步试出来的。与其空想“做不起来”，不如现在就开始拆解第一个标杆案例，行动永远比焦虑更有力量。

#内容创作 #拆解模仿 #数据分析 #创新 #人设

1个月前

看懂推荐算法：从数据到内容，它如何影响你看到的世界推荐算法就像一位智能管家，每天根据你的喜好筛选信息。想知道它是如何工作的吗？我们用简单的步骤拆解这个过程，或许能帮你更好地理解信息如何触达你。第一步：收集“原材料”——数据从哪里来？算法的起点是数据，就像厨师需要食材一样。推荐系统主要依靠三类“原料”：社交关系网：你关注了谁、谁关注了你，朋友之间的互动，这些关系就像一张无形的网，告诉你“你是谁的圈子”。互动记录：你点赞、转发、评论、收藏的内容，这些行为是最直接的“喜好证据”。个人信息：你的头像、简介、浏览历史，甚至你忽略了什么内容——这些细节都在悄悄告诉系统“你可能喜欢什么”。第二步：给数据“贴标签”——特征工程如何理解你？原始数据就像一堆杂乱的积木，需要“装修”成有用的信息。这一步被称为“特征工程”，系统会用各种工具给内容和用户打上标签：社交关系图谱：实时追踪谁和谁互动，比如A关注了B，B又转发了C的内容，这些关系会被标记出来。兴趣分组：通过模型把你和内容分到不同的“圈子”，比如“科技爱好者”“美食圈”，就像学校里的兴趣小组。信任与安全：过滤垃圾信息、广告和你不喜欢的内容，就像门卫筛选访客。第三步：筛选候选内容——从“海量库存”中挑重点内容池里可能有成千上万条信息，系统需要先“捞”出可能适合你的候选内容，主要有两类：你关注的人：从你已关注的圈子里选，比如你关注的博主发了新动态。你可能感兴趣的人：系统会根据你的喜好，推荐一些你还没关注但可能合得来的内容，比如你常看科技，它可能推荐相关领域的新人。这一步就像整理书架，避免你只看到同一类书，让内容更多元。第四步：打分排序——神经网络如何决定“谁排前面”？候选内容会被送进一个“打分机器”（神经网络），它会根据你可能的反应来评分，比如：你会点赞这条内容吗？会转发给朋友吗？会花时间看完吗？分数越高，内容就越容易排在你前面，就像考试分数高的学生更容易被老师注意到。第五步：人工“微调”——让体验更人性化 AI打分后，人工规则会介入，让推荐更符合人的需求：避免你连续刷到同一个人的内容，防止“审美疲劳”。平衡内容类型，比如不会全是视频，也不会全是文字。再次检查安全，过滤掉不合适的内容。这些调整就像帮你整理房间，让环境更舒适。第六步：最终呈现——你的“推荐页”是怎么来的？最后，所有筛选好的内容会和广告、“关注谁”的建议一起，混合成你的“为你推荐”页面。你看到的每一条内容，都是算法和人工共同作用的结果。普通人如何利用算法逻辑？了解算法后，普通人也能找到自己的“增长密码”： 1. 专注一个领域：比如只分享摄影技巧，算法会更快识别你的定位。 2. 做有价值的内容：能引发点赞、评论的内容，更容易被推荐。 3. 积极互动：在领域内回复他人，能让更多人注意到你，提升可信度。算法不是“敌人”，而是一位需要“沟通”的伙伴。理解它的逻辑，你就能更高效地表达自己，让有价值的内容被更多人看到。

#推荐算法 #数据分析 #内容推荐 #用户兴趣 #算法逻辑

1个月前

急求数据可视化编程团队待遇：人均预算每年15万美元+潜在的股票期权要求： •Python：matplotlib、seaborn、plotly、bokeh、altair •R：ggplot2、shiny •可视化工具平台：Tableau、Power BI •数据清洗 •数据建模 •数据连接与整合 •描述性统计（均值、中位数、方差、分布等）。 •概率论与回归分析。 •基础线性代数 •人机交互 (HCI) 哲学思想（客户要求的，我TM也不知道为什么要哲学，对方大哥说数据以什么哲学方向去分析才是精髓，我！听！不！懂！） •数据讲故事 •领域知识：理解业务 •项目经验：从数据源接入 → 数据清洗 → 分析 → 可视化 → 结果解释，完整流程。

#数据可视化 #编程团队 #招聘 #高薪 #数据分析

1个月前

去年 9.30 号发的第一条推，现在 5 万 followers 用时一年零两天，这一年我不断把推文改成视频发到其他平台，数据是：抖音 35.1 万粉丝小红书 8.7 万粉丝视频号大号 3 万粉丝视频号小号 5.3 万粉丝 B 站 3.7 万粉丝公众号 1 万粉丝 YouTube、TikTok 暂时不做快手永远不做其实我本以为推特可以每月 1w fo，一年 12w，但后来意识到这必须靠内容破圈为了推特的流量去改我的内容是得不偿失，于是放弃，随缘

#推特涨粉 #多平台运营 #内容破圈 #数据分析 #放弃快手

1个月前

我当然知道。我在2001年写文章指出：当初，法轮功被中共定成邪教，主要罪状是说它不让人打针吃药，摧残身体害死人。当时，中共当局公布过一个数据，从法轮功于1993年问世到1999年7月被禁止，“被法轮功治死”的病人有1400例。根据官方自己的统计，相信法轮功的人数是230万。这样算起来，法轮功学员的死亡率是0.06%，而当时中国人的正常死亡率是0.65%。这就是说，法轮功学员的死亡率还不到一般中国人的死亡率的1/10。

#法轮功 #中共 #死亡率 #邪教 #数据分析

红网-新华社

1个月前

数据告诉你新疆是如何“逆袭”的

新疆畜牧业数字化转型引发产业变革· 11 条信息

#新疆逆袭 #数据分析 #经济发展 #社会进步 #正能量

1个月前

有了 AI 之后，在【用数据反驳脑补归因】这一块确实方便太多太多了。我看到有人把黄金突破新高归结于美国政府停摆带来的不确定性。但是请 GPT 和 Grok 两位老师跑了一下发现：过去 30 年，美国政府 5 次停摆前，黄金有时候小涨，有时候横盘，还有时候小跌——鉴定为毫无相关性 😂

#黄金价格震荡：暴涨暴跌？避险依旧？· 126 条信息

#AI #黄金 #美国政府停摆 #不确定性 #数据分析

沉浸式翻译

1个月前

用腻了那些经典的“玩具”数据集，想用真实世界的真实数据集来做研究、报告、测试。 Kaggle Datasets + 沉浸式翻译 = 你的私人数据仓库 Kaggle 是全球最大的“真实世界”数据集集散地之一。这里有从“全球空气质量”到“电子游戏销量”的成千上万个数据集，每个数据集都配有社区成员分享的分析代码（Notebooks）。可以在线阅读数据表格，也可以直接下载csv文件。 2020-2025 年各国 GDP数据集 5.9 万+ 电影剧本数据集902MB 韩国流行音乐占星术：出道图表与成功 reddit 规则数据集等等你能想到的和想不到的各种数据集

#Kaggle数据集 #真实世界数据集 #数据分析 #CSV文件 #研究