从中，我们了解到数据分析的重要作用、数据分析的定义以及数据分析流程，建立数据分析的基础知识体系；进而从数据分析知识体系及实践（二）中，我们介绍了进行数据分析的角色——数据工程师、数据科学家和机器学习工程师等的职责区别，以及要进行数据分析必备的技术技能和通用技能，构建数据分析的技能知识体系。本章我们继续介绍数据分析的常用数据模型。从数据分析知识体系及实践（三）中，我们介绍了经典的、常用的数据模型，模型的作用是将大量复杂的数据，转换为易于理解和操作的洞察。本章我们基于一个实践，对前面的知识进行应用示例。
同比和环比分析（基于Python的数据分析实践）
场景介绍XX是一款中英阅读 app，迄今已上线 3 年多。为调研该 app 的使用情况，需要统计 2021 年来，月活跃用户的 同比 与 环比 变化情况，并找出哪些月份的月活有同比或环比下降。
需求分析同比增长 = (本期/去年同期 - 1) × 100%
环比增长 = (本期/上期 - 1) × 100%
Pandas 是基于 Python 的数据分析工具，适合处理与 SQL 或 Excel 表类似的二维数据，它就像一把瑞士军刀，广泛地运用于金融、统计、社会科学、工程等领域里的各种场景。
安装方法：pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
文件地址：/月活数据.csv
Step 1 读取数据
import pandas as pd
# 设置展示样式的代码，可以忽略
pd.set_option('display.unicode.east_asian_width', True)
# 代码中的路径是示范，自己在本地运行时要换成你的实际路径
path = "/Users/wenwen/Desktop/data-analysis/月活数据.csv"
df = pd.read_csv(path)
print(df)
'''
输出：
Unnamed: 0 2020 2021 2022
0 1 1057066 1315871 1600889.0
1 2 1557372 1236012 1715643.0
2 3 1585905 1807039 1884091.0
3 4 1348273 1686054 2072804.0
4 5 1205402 1576076 1628067.0
5 6 1154504 1571498 1544610.0
6 7 1382068 1690782 NaN
7 8 1427213 1722690 NaN
8 9 1611728 1954804 NaN
9 10 1544990 1893907 NaN
10 11 1562527 1876472 NaN
11 12 1381485 1703075 NaN
'''
