数据分析概述

目录

互联网数据分析的基本思路

一、描述性分析

数值分析

分布规律

可视化方法

二、诊断性分析

 三、预测性分析

 线性回归

 逻辑回归

四、仿真模拟

---

数据分析流程：数据获取、数据处理、数据分析、数据可视化

Excel分析优势：

1、对单数据源（单表格）数据分析非常灵活，方便

2、操作简单，分析方法可复制性强，对业务方指导性强

Excel分析劣势：

1、对多数据源（多表格）数据分析时较为麻烦，低效率

2、对大数据量数据源分析时容易发生卡顿、报错

Python分析优势：

1、可读性文字编写的语言之一，学习难度较小

2、数据可视化、数据分析的工具包丰富，分析效率高

---

互联网数据分析的基本思路

一、描述性分析

通过计算数据的集中性特征和波动性特征以了解数据的基本情况。

• 数值分析

数量、平均数、极差（最大值和最小值的差值）、标准差、方差、极值

• 分布规律

均匀分布（掷筛子分布）、正态分布（人的身高分布）、长尾分布（网上店铺销售量分布）

长尾分布：

• 可视化方法

柱状图、条形图、散点图、饼状图

二、诊断性分析

深入挖掘问题根源，识别依赖关系，找出影响因子。

 三、预测性分析

使用线性回归或逻辑回归的方法找到自变量与因变量之间的关系，并使用该关系等式预测因变量的变化。

 线性回归

什么是回归以及线性回归，通俗的理解就是给定了一组数据，我们要找出一条能很好拟合这些数据的直线，找这条直线的过程就是线性回归，具体解释参考这篇博客：https://blog.csdn.net/alw_123/article/details/82193535

了解了什么是线性回归后，下面具体来看下找这条直线的过程，要把这条直线找出来我们只需要把这条直线的两个系数（斜率和截距）找出来即可，我们使用的方法是最小二乘法，具体过程如下图：其中表示真实值，表示回归值，和表示平均值，是这条直线的斜率，是这条直线的截距，有了这两个系数后就能确定这条直线。

 逻辑回归

逻辑回归就是将线性回归中的直线变成曲线，就是非线性回归。因变量的取值范围由线性回归的转变为[0,1]。

线性回归中是用回归值和真实值的差值来表示间距，那现在直线变为曲线后，就不能用这种方法了。逻辑回归中采用极大似然估计这种方式。

极大似然估计：

概率：是在已知一些概率分布参数的情况下，预测观测的结果。

似然：是用于在已知某些观测所得到的结果时，对观测结果所属的概率分布参数进行估值。

似然函数：将每个样本点的对应概率相乘就得到似然函数。

 极大似然估计就是求使得似然函数最大的那个参数值

 概率密度函数：用来描述某个随机变量取某个值得时候，取值点所对应的概率的函数

四、仿真模拟

利用数学仿真来模拟各种条件下产生的结果。