ValeurCube est un outil puissant qui vous permet de créer facilement des tableaux de bord Excel personnalisés qui vous permettent de visualiser et d’analyser les données d’une façon unique et intuitive. Avec l’aide de cet outil, vous pouvez créer des tableaux de bord qui fournissent un aperçu complet et à jour de votre activité et des performances de vos produits. ValeurCube vous offre la possibilité de créer des graphiques, des diagrammes et des tableaux et de les partager avec vos collègues et clients. Vous pouvez également utiliser cet outil pour créer des rapports personnalisés et des présentations visuelles qui peuvent être partagées facilement. Grâce à Excel et à ValeurCube, vous pouvez gagner du temps et simplifier votre analyse des données.
Exemple d’utilisation de la fonction SOMME() sur Excel :
=SOMME(A1:A5)
Cette fonction somme les valeurs des cellules de A1 à A5.
Apprenez à faire des calculs 3d avec excel : mettre une valeur au cube en quelques étapes simples
1. Ouvrez une nouvelle feuille de calcul Excel et entrez votre valeur dans la première cellule.
2. Cliquez sur la cellule et sélectionnez l’onglet Formules dans le ruban.
3. Dans la liste déroulante Fonctions, recherchez et sélectionnez la fonction PUISSANCE.
4. Dans le dialogue de la fonction PUISSANCE, entrez votre valeur dans la case Nombre et entrez 3 dans la case Exposant.
5. Cliquez sur OK pour terminer et voilà, votre valeur dans la cellule est maintenant au cube.
Créer un cube de données en excel : les étapes à suivre !
1. Ouvrez un nouveau classeur Excel et créez une feuille de calcul.
2. Saisissez les données que vous souhaitez analyser dans la feuille de calcul.
3. Cliquez sur l’onglet Outils de données dans le ruban et sélectionnez l’option Créer un cube de données.
4. Dans la boîte de dialogue Créer un cube de données, entrez le nom de votre cube de données et sélectionnez la feuille de calcul contenant les données que vous souhaitez analyser.
5. Dans l’onglet Structure, définissez le nombre de dimensions et les champs qui seront utilisés pour créer le cube.
6. Dans l’onglet Valeurs, sélectionnez les champs que vous souhaitez analyser et définissez les fonctions de calcul à utiliser.
7. Cliquez sur Terminer et votre cube de données est prêt à être utilisé. Vous pouvez maintenant utiliser les fonctions pivot pour analyser les données à l’aide de métriques prédéfinies et créer des tableaux et des graphiques pour mieux comprendre les données.
En conclusion, ValeurCube est un outil puissant qui offre aux entreprises une solution complète pour gérer leur portefeuille d’actifs et leurs investissements. Il prend en charge le cycle de vie complet des actifs financiers, de la planification et de la gestion de portefeuille à la prise de décision et à la comptabilité. Il est facile à utiliser et offre une grande flexibilité et des fonctionnalités avancées pour les clients. Il a également des coûts très abordables, ce qui le rend très attrayant pour les entreprises qui recherchent une solution complète et abordable pour gérer leurs actifs financiers.
# Language: Python 3 Notebook
§ Markdown
# Logistic Regression
## Problem Statement
Use Logistic Regression to determine whether customers of a financial services company will subscribe a term deposit
## Dataset
The data is related with direct marketing campaigns (phone calls) of a Portuguese banking institution. The classification goal is to predict if the client will subscribe a term deposit.
There are two datasets:
1. `bank-full.csv` with all examples (41188) and 20 inputs, ordered by date (from May 2008 to November 2010).
2. `bank.csv` with 10% of the examples (4119), randomly selected from `bank-full.csv`.
The smallest dataset is provided to test more computationally demanding machine learning algorithms (e.g. SVM)
## Input Variables
Input variables are:
| Variable | Description |
| :- | :- |
| age | (numeric) |
| job | type of job (categorical: ‘admin.’,’blue-collar’,’entrepreneur’,’housemaid’,’management’,’retired’,’self-employed’,’services’,’student’,’technician’,’unemployed’,’unknown’)|
| marital | marital status (categorical: ‘divorced’,’married’,’single’,’unknown’; note: ‘divorced’ means divorced or widowed) |
| education | (categorical: ‘basic.4y’,’basic.6y’,’basic.9y’,’high.school’,’illiterate’,’professional.course’,’university.degree’,’unknown’) |
| default | has credit in default? (categorical: ‘no’,’yes’,’unknown’) |
| housing | has housing loan? (categorical: ‘no’,’yes’,’unknown’) |
| loan | has personal loan? (categorical: ‘no’,’yes’,’unknown’) |
| contact | contact communication type (categorical: ‘cellular’,’telephone’) |
| month | last contact month of year (categorical: ‘jan’, ‘feb’, ‘mar’, …, ‘nov’, ‘dec’) |
| day_of_week | last contact day of the week (categorical: ‘mon’,’tue’,’wed’,’thu’,’fri’) |
| duration | last contact duration, in seconds (numeric). Important note: this attribute highly affects the output target (e.g., if duration=0 then y=’no’). Yet, the duration is not known before a call is performed. Also, after the end of the call y is obviously known. Thus, this input should only be included for benchmark purposes and should be discarded if the intention is to have a realistic predictive model |
| campaign | number of contacts performed during this campaign and for this client (numeric, includes last contact) |
| pdays | number of days that passed by after the client was last contacted from a previous campaign (numeric; 999 means client was not previously contacted) |
| previous | number of contacts performed before this campaign and for this client (numeric) |
| poutcome | outcome of the previous marketing campaign (categorical: ‘failure’,’nonexistent’,’success’) |
| emp.var.rate | employment variation rate – (numeric) |
| cons.price.idx | consumer price index – (numeric) |
| cons.conf.idx | consumer confidence index – (numeric) |
| euribor3m | euribor 3 month rate – (numeric) |
| nr.employed | number of employees – (numeric) |
## Output Variables
The classification goal is to predict if the client will subscribe a term deposit (variable y).
| Variable | Description |
| :- | :- |
| y | has the client subscribed a term deposit? (binary: ‘yes’,’no’) |
# Import Libraries
§ Code
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
§ Markdown
# Load the Data
§ Code
# load the dataset
bank_data = pd.read_csv(‘bank-full.csv’)
§ Markdown
# Exploratory Data Analysis
§ Code
# view the dataset
bank_data.head()
§ Output
> [‘ age job marital education default balance housing loan \n’, ‘0 58 management married tertiary no 2143 yes no n’, ‘1 44 technician single secondary no 29 yes no n’, ‘2 33 entr… unknown no n’, ‘2 unknown 5 may 76 1 -1 0 unknown no n’, ‘3 unknown 5 may 92 1 -1 0 unknown no n’, ‘4 unknown 5 may 198 1 -1 0 unknown no ‘]
§ Code
# view the data types
bank_data.dtypes
§ Output
> [‘age int64n’, ‘job objectn’, ‘marital objectn’, ‘education objectn’, ‘default objectn’, ‘balance int64n’, ‘housing
