数据分析的主要方法（1）——业务分析类

本文链接：https://blog.csdn.net/weixin_43418093/article/details/124585152

本文详细介绍了数据分析的多种方法，包括异常值查找、描述分析、对比分析、公式拆解、路径分析、漏斗分析、归因分析、热力图分析、留存分析、分群分析和分布分析。在异常值查找中，提到了监督和无监督学习算法，如孤立森林和DBSCAN。描述分析、对比分析和公式拆解是理解数据现状和业务表现的关键。路径分析和漏斗分析用于优化用户流程，而归因分析则解决广告效果的功劳分配问题。热力图分析揭示了页面点击分布，留存分析衡量用户参与度，分群分析帮助细化用户群体。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

异常值查找方法

1. $3\sigma$ 原则：局限于对正态或近似正态分布的样本数据。Y 的取值几乎全部集中在（μ-3σ,μ+3σ)区间内，超出这个范围的可能性仅占不到0.3%。如果你有任何数据点超过标准差的 3 倍，那么这些点很有可能是异常值或离群点。

2.箱线图：与方差和极差相比，更加不易受极端值的影响，且处理大规模数据效果很好。离群点被定义为低于箱形图下触须（或 Q1 − 1.5x IQR）或高于箱形图上触须（或 Q3 + 1.5x IQR）的观测值。

3.算法类：

监督学习的算法适用于正常数据和异常数据都存在且有标签；

无监督学习的算法适用于正常数据和异常数据都存在且没有标签，比如孤立森林（Isolation Forest）——高效的异常检测算法，和随机森林类似，但每次选择划分属性和划分点（值）时都是随机的。在建树过程中，如果一些样本很快就到达了叶子节点（即叶子到根的距离d很短），那么就被认为很有可能是异常点；DBSCAN ——用于把数据聚成组的聚类算法，它同样也被用于单维或多维数据的基于密度的异常检测。基于密度的聚类算法,重点是发现邻居的密度(MinPts)在n维球体的半径ɛ。

半监督学习的算法适用于只有正常数据，没有异常数据。

4.时间序列：恒定阈值——中心值小范围内波动；动态阈值，移动平均法——由过去n段时间的时序数据计算决定的；STL数据拆解法——加法方式：原始数据 = 平均季节数据 + 趋势数据 + 余项/乘法方式：原始数据 = 平均季节数据 * 趋势数据 * 余项。一般情况下，余项部分的时序数据是平稳分布状态，我们可对余项设置恒定阈值或者动态阈值，如果某个时间节点的分解余项超过设定阈值，则是异常数据。