数据分析杂谈

转载 盒须图（Boxplot）

盒须图（Boxplot）主要用于对数据分布的显示。对于详细数据的显示通常采用下面几种方法。最简单的方法是把所有的数据显示在一个散点图上。读者可以直接观察数据点的分布。 但如果数据量很大，数据点就会大量的重叠。虽然可以采用一些方法来减少重叠的影响，比如抖动，半透明显示等措施，但当数据量达到一定规模之后，唯一可行的方式就是显示数据汇总之后的结果。比如在上面的例子，我们显

原创 用Google Analytics监控营销邮件打开率

Google Analytics越来越强大了，最近惊喜的发现可以用GA来监控邮件的打开情况，具体的来说，就是模拟一个GA的自定义事件，下面我就来告诉大家具体怎么实现。第一步，首先从原理说起：GA就是通过调用一个伪图片，把相关的信息提交到GA服务器，所以理论上我们只要模拟一个URL请求，辅以正确的参数，就可以模拟一个GA的事件监控。我们首先来看一下GA的发送信息的URL格式：#ema

原创 样本方差为什么是除以n-1？

原创 茎叶图

茎叶图（Stem-and-Leaf Diagrams)：把不变化的位数（如十位数）放在树茎上，把变化的部分（如个位数）放在树叶上，类似直方图，但又保留了原始信息，只适合分析两位有效数字的数据。

原创 统计学基础知识：2、极差、中程数

极差（range），就是用最大数-最小数，从英文的字面意思来看，是范围的意思。中程数（midrange），就是最大数和最小数的平均值。

原创 统计学基础知识：1、均值、中位数、众数

统计学是数据分析的基础学科，我想花些时间，把统计学的一些基础知识整理一下，温故而知新嘛！均值（mean），也叫平均数，这个大家都懂，在此强调一下它的意义：平均数(均值)和标准差是描述数据资料集中趋势和离散程度的两个最重要的测度值。中位数（median），就是在一组按大小排列好的数列中，位于中间的那个数，如果有两个数，就求中间两个数的平均值。众数（mode），出现最多的数。均

原创 《大数据时代》摘抄，第一部分大数据时代的思维变革（2、不是精确性，而是混杂性）

执迷于精确性是信息缺乏时代和模拟时代的产物。只有5%的数据是结构化且能适用于传统数据库的。如果不接受混乱，剩下95%的非结构化数据都无法被利用，只有接受不精确性，我们才能打开一扇从未涉足的世界的窗户。允许不精确——数据量的大幅增加会造成结果的不准确，与此同时，一些错误的数据也会混进数据库。然而，重点是我们通过努力避免这些问题，学会接受它们。混杂性一方面来自错误的数据（测量的不准确），也来自格式

原创 《大数据时代》摘抄，第一部分大数据时代的思维变革（1、不是随机样本，而是全体数据）

大数据强调更多的数据，不是随机样本，而是全体数据让数据“发声”——IBM的资深“大数据”专家 Jeff Jonas提出要让数据“说话”。  注：数据如何才能说话呢？数据是客观的，我想数据的要表达的意思是它在的数学与统计上呈现的特征，以及根据这些特征所获得的洞察，如何能理解数据呢？数学和统计是它的语言。目前我们可以处理的数据量已经大大增加，而且未来会越来越多。在某些方面，我们依然没有完全意识

原创 《大数据时代》摘抄，引言部分

最近读了《大数据时代》这本书，觉得写得非常好，读了一遍意犹未尽，于是回过头来再看一遍，把一些精华摘抄出来。引言—— 一场生活、工作与思维的大变革谷歌的冬季流感预测系统：关注特定检索词条的使用频率与流感在时间和空间上的传播之间的联系。谷歌以一种前所未有的方式，通过对海量数据进行分析，获得有巨大价值的产品和服务，或深刻的洞见。大数据导致新的处理技术的诞生：mapReduce、Had