Scroll
项目背景：新品上线后用户讨论密度高，需要识别核心情绪与高频关注点。
数据来源：5000+条真实用户评论文本。
分析流程：采集 → 清洗 → 分词 → 情感分析 → 关键词提取 → 图表展示。
项目成果：输出词云、情感分布、关键词分析与评论主题可视化。
Pandas
SnowNLP
项目背景：基于阿里天池公开电商数据集，针对用户浏览、收藏、加购、购买行为进行分析，建立用户价值评估模型。
核心分析：针对原始数据缺少消费金额字段的问题，设计行为权重体系，优化 RFM 分析方法，并结合 K-Means 聚类划分用户群体。
分析方法：结合K-Means聚类、用户价值分层、AARRR行为漏斗分析以及Cohort留存分析，探索用户转化路径和生命周期变化。
项目成果：构建数据可视化分析Dashboard，实现用户分群、行为趋势、留存分析和商品表现等多维度数据展示。
Python
Scikit-learn
Pandas
K-Means
Flask
ECharts
数据来源：weibo真实用户评论
数据流程：数据采集 → Sqoop数据同步 → HDFS分布式存储 → Hive数据分析 → Python文本处理 → Flask/ECharts可视化展示
核心分析：通过文本清洗、中文分词、关键词提取、词频统计和情感分类等方法，对评论内容进行多维度分析。
项目成果：实现情感倾向分析、热门关键词分析、评论长度分析以及用户活跃度分析，并通过可视化页面展示分析结果。
Hadoop
Hive
HDFS
Python
Sqoop
Flask
ECharts
作品展示
从数据到图像，从观察到表达
