学习
实践
活动
专区
工具
TVP
写文章

数据分析:产品促销价值分析和评估

年底了,很多电商公司、零售企业都会开展如火如荼的大促销活动,那么如何评估产品促销带来的价值呢? 通过上图,我们可以综合观察第一极端所有产品的销售利润状况,获得如下信息: 1、净利润为负的产品很多,折价促销确实成为了持续性的习惯。 2、大折扣促销的产品数量很多。第二象限中横轴0点左边圆的面积相对较大,并且颜色为红,说明很大销售额的产品都在赔钱,这些产品的累计销售额很大,但都是大折扣促销的产品,以至于利润都为负。 Excel是使用最为广泛、最为便捷的办公软件,而且它的数据分析和挖掘功能功能十分强大,能够快速完成所有的数据清洗的过程,能够快速建立分析模型,并且快速运行得出结果,是做数据分析必备的工具。 下面是即将在我的小密圈里分享的120个Excel商业数据分析实战案例目录,欢迎看我个人资料联系我: ?

83260
  • 广告
    关闭

    【限时特惠】腾讯云大数据产品,爆品秒杀1折起!

    移动推送、BI、云数仓Doris、ES、数据湖DLC、WeData、流计算Oceanus,多款产品助您高效挖掘数据潜力,提升数据生产力!

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    Python做数据分析(一)分析社区超市运营数据,自动更新促销时间

    2.分析哪些类别的商品比较畅销 首先将数据按照类别ID进行分组,然后对分组后的销量进行求和,最后用reset_index重置索引 data_group=data.groupby("类别ID")["销量" 分析逻辑与哪些类别的分析一致,代码如下: data_group=data.groupby("商品ID")["销量"].sum().reset_index().sort_values(by="销量",ascending 476 30023041 64.416 505 30026255 62.375 7 29989058 56.052 510 30027007 48.757 903 30171264 45.000 4.分析不同门店的销售额占比 5.分析超市客流高分高峰时间段 了解客流高峰时间段是很有必要的,可以帮助超市确定什么时间开展促销活动最合适 首先从日期中提取小时数 data['小时']=data['成交时间'].map(lambda 从上图可以发现,8点至10点是超市一天中的销量高峰期,然后17至19点又有一个小高峰,所以这两个时间段搞促销效果会比较好!

    35530

    二值图像分析之轮廓分析

    图像的二值化 在先前的文章二值图像分析:案例实战(文本分离+硬币计数)中已经介绍过,什么是图像的二值化以及二值化的作用。 这次,我们借助cv4j来实现简单的基于内容的图像分析。 轮廓分析(Contour Analysis) 轮廓(Contours),指的是有相同颜色或者密度,连接所有连续点的一条曲线。检测轮廓的工作对形状分析和物体检测与识别都非常有用。 轮廓分析一.jpeg 第三步,进行轮廓分析。 矩是描述图像特征的算子,主要应用于图像检索和识别 、图像匹配 、图像重建 、数字压缩 、数字水印及运动图像序列分析等。 一阶矩和零阶矩用来计算某个形状的重心。 ? 该系列先前的文章: 基于边缘保留滤波实现人脸磨皮的算法 二值图像分析:案例实战(文本分离+硬币计数) Java实现高斯模糊和图像的空间卷积 Java实现图片滤镜的高级玩法 Java实现图片的滤镜效果

    1.1K30

    细粒度图像分析_图像分类研究现状

    细粒度图像分析任务相对通用图像(General/Generic Images)任务的区别和难点在于其图像所属类别的粒度更为精细。 细粒度图像分类的挑战 由于分类的粒度很小,细粒度图像分类非常困难,在某些类别上甚至专家都难以区分。 将不同的部位图像进行弯曲,并且使用不同的DCNN(AlexNet)提取其特征。最后拼接各个部位及整张图像的特征训练分类器。 最终,还是将不同级别特征级联作为整张图像的表示。 使用FCN得到conv5中M个关键点的位置之后,将定位结果输入到分类网络,使用两级架构分析图像物体级及部件级的特征。 部件级网络首先通过共享层提取特征,之后分别计算关键点周围的部件特征。 四、高阶特征编码 双线性汇合(bilinear pooling)在细粒度图像分析及其他领域的进展综述 【AAAI2020系列解读 01】新角度看双线性池化,冗余、突发性问题本质源于哪里?

    24120

    图像分析及简单算法

    所以图像分析实际上是对这些数据的分析及计算” 01 — 图片:3维数据矩阵 图1是一张彩色图片。读取该图片的数据后,会得到三个20✖️30的矩阵(如图2,图3,图4)。 ? 图7 图像分析,是对R,G,B矩阵某一行、某一列或某一区域数据的分析。 02 — 算例:停车位边界判断 图8是一张停车位的照片。 图17 03 — 算例总结 以上仅是个图像识别的简单算例,计算思路及步骤如下: 1)寻找RGB矩阵中图像特征明显的矩阵,或是处理灰度矩阵:Z=0.299R+0.587G+0.114B, (计算后需要对Z 2)对矩阵的某行,某列,或某区域进行信号分析。 3)通过各种计算得到特征位置或特征数值。 04 — 应用展望 图像识别已被广泛使用,本篇只是简单介绍一下最简单的算例及原理,真正的应用远比本例要复杂。 图片特性稳定,则程序简单,计算速度较快;图像特性变化大,则要求程序具有更强的容错能力,程序就越复杂,计算越慢。 目前比较流行的机器学习等算法在图像识别中已广泛应用,使用者不需要对图像特征进行深入了解。

    57810

    OpenCV 图像分析之 —— Canny

    Canny 是1986年提出的图像边缘检测经典算法,本文记录相关内容与 OpenCV 实现。 简介 通常情况下边缘检测的目的是在保留原有图像属性的情况下,显著减少图像的数据规模。 图像中的任意边缘应该只被标记一次,同时图像噪声不应产生伪边缘。 任何边缘检测算法都不可能在未经处理的原始数据上很好地工作,所以第一步是对原始数据与高斯 mask 作卷积,得到的图像与原始图像相比有些轻微的模糊(blurred)。 找寻图像的强度梯度(intensity gradients) 图像的边缘可以指向不同方向,因此经典Canny算法用了四个梯度算子来分别计算水平,垂直和对角线方向的梯度。 edges 输出边缘图; 单通道8位图像,与图像大小相同。

    16420

    OpenCV 图像分析之 —— 分割

    图像被“填满”时,所有有标记的区域就被分割开了。这样一来,连通到标记点的盆地就属于这个标记点了,然后就把相应的标记区域从图像中分割出来。 分水岭算法然后通过让标记区域“获取”梯度图中与片段连接的边界确定的峡谷来分割图像。 cv2.watershed 使用分水岭算法执行基于标记的图像分割。 官方文档 在将图像传递给函数之前,您必须用正 (>0) 索引粗略地勾勒出图像标记中所需的区域。因此,每个区域都表示为一个或多个具有像素值 1、2、3 等的连通分量。 函数使用 cv2.watershed( image, # 输入 uint8 三通道图像 markers # 输入/输出标记的 32 位单通道图像。 dst[, # 与源图像格式和大小相同的目标图像。 maxLevel[, # 用于分割的金字塔的最大级别。

    19410

    OpenCV 图像分析之 —— 距离变换

    函数 cv2.distanceTransform() 用于计算图像中每一个非零点像素与其最近的零点像素之间的距离(Distance Transform, DT算法),本文记录OpenCV 距离变换相关内容 距离变换 OpenCV中,函数cv2.distanceTransform()用于计算图像中每一个非零点像素与其最近的零点像素之间的距离,输出的是保存每一个非零点与最近零点的距离信息;图像上越亮的点,代表了离零点的距离越远 图像的距离变换定义为一幅新图像,其中每个输出像素的值被设为输入图像中与最近的零像素的距离一当然得根据某个特定的距离度量。不难看出,距离变换生成的是某种边缘图像。 原始 DT 算法 参考论文: 《Distance Transformations in Digital Images》 计算二维图像中非特征点距离最近特征点的距离,例如: 其中 * 为特征点, 之后每个被覆盖到的未定义点从距离和中选择最小的作为自己的距离定义 对定义过的像素遍历完成后即可开启下一轮遍历,表示为: image.png 其中v_{i,j}^m为第 m 轮迭代时图像

    98810

    图像融合的方法及分析

    而彩色图像的每个像素值包括了R、G、B 3个基色分量,每个分量决定了其基色的强度。因此,在图像融合时,不同图像采用不同的融合方法。本文对其分别进行了分析。 I_F在下文中,图中的 , 均为输入的源图像, 为融合结果。01 灰度图像融合方法及分析通常,像素级图像融合方法按照域的选择分为空间域和变换域2大类,此分类方法过于泛化。 主成分分析 PCA是一种典型的空间域方法,通过降维寻找图像的主成分,根据主成分来确定各融合图像的权重并完成融合。 Wan等提出了基于鲁棒性的主成分分析 RPCA的多聚焦图像融合方法,采用滑窗技术和标准差参数对低秩分解得到的稀疏矩阵进行划分生成决策图完成图像融合。 除此之外,Mitianoudis等提出的基于独立成分分析 ICA的图像融合方法和Jiang等提出的基于形态学成分分析 MCA的图像融合方法等也都属于空间域方法。

    29270

    二值图像分析案例精选

    点击上方↑↑↑“OpenCV学堂”关注我 面向CV技术爱好者征稿,点击底部【合作交流】即可 最近一直有人在知识星球上向我提问很多二值图像分析相关的问题,特别选择了两个典型的轮廓分析问题。 进行分析与编码实现与演示,废话不多说,先看第一个问题。 问题一 描述如下: 想找到工具盘中间缺少的几个点,统计出可以看到的工件数目 ? 仔细分析图像发现,中间都毫无另外的有个白色很亮的圆圈,这个给了我两个思路 可以通过霍夫变换检测圆来提取到 可以通过二值图像分析来提取 + 轮廓分析来提取到这些点 得到这些轮廓点之后通过分析整个轮廓区域得到倾斜角度 代码实现是基于轮廓分析的思路,因为这个方法,用的阈值比较少,有利于算法稳定性检测。演示各部输出。二值化处理之后(形态学处理): ? 轮廓发现与校正角度之后 ? 投影分析与统计结果如下: ? 看到这个图像之后,个人觉得解决十分简单,基于最外层轮廓发现即可,无需树形结构与层次分析,集合图像形态学分析或者距离变换就可以得到,最终代码的运行结果如下: ?

    46630

    OpenCV 图像分析之 —— 积分图

    积分图是一种允许子区域快速求和的数据结构,本文记录 OpenCV 图像分析中的 积分图 相关内容。 积分图 使用积分图是数字图像处理中常用的一种方法,通常能够很大程度的加速计算过程,比如均值滤波,非局部均值滤波,以及Harr计算等。 从直观来说,一张图像就是一个矩形,这个矩形中每个像素点的积分值,就是以图像左上角像素点为左上角顶点,以该像素点为右下角顶点的矩形中包含的所有元素之和。 每种情况的结果图像图像的每个方向上都加1之后,与原始图像的大小相同。 {image}\left(x^{\prime}, y^{\prime}\right) 平方和图像 平方和图像是平方的和: $$ \operatorname{sum}_{\text {square

    18310

    医学图像分析的深度学习

    探索数据集 试着看看每个类别中的图像数量和图像的大小。 验证数据集中只有9个图像(极少数) 我们有大约37k的火车图像CNV,26k NORMAL 和11k以及8k DME和DRUSEN 图像预处理 要为网络准备图像,必须将它们调整为224 x 224,并通过减去平均值并除以标准偏差来标准化每个颜色通道 这些操作是使用图像完成的,图像transforms为神经网络准备数据。 当在预先训练的网络中使用图像时,必须将它们重塑为224 x 224.这是图像的大小,因此是模型所期望的。大于此的图像将被截断,而较小的图像将被插值。 数据扩充 由于图像数量有限,可以使用图像增强来人为地增加网络“看到”的图像数量。这意味着,对于训练,会随机调整大小并裁剪图像,并将其水平翻转。

    83630

    关注

    腾讯云开发者公众号
    10元无门槛代金券
    洞察腾讯核心技术
    剖析业界实践案例
    腾讯云开发者公众号二维码

    相关产品

    • 图像识别

      图像识别

      腾讯云图像分析基于深度学习等人工智能技术,提供综合性图像理解、图像处理、图像质量评估等服务,包含图像标签、logo识别、动漫人物识别、植物识别等,可以用于智能相册、视频理解、AI营销等场景…..

    相关资讯

    热门标签

    活动推荐

    扫码关注腾讯云开发者

    领取腾讯云代金券