数据分析与决策学习笔记
一、数据分析的基本概念
数据：原始的、未处理的数字或信息。
数据分析：通过统计或机器学习的方法，对数据进行分析、挖掘和解读，以获取有意义的信息。
决策：基于数据分析的结果，制定决策或提供决策依据。
二、数据分析流程
数据收集：根据业务需求，收集相关数据。
数据清洗：去除异常值、重复值，确保数据质量。
数据探索：通过图表、统计量等，初步了解数据特征。
数据建模：选择合适的方法，对数据进行深入分析。
结果解读与呈现：将分析结果以易于理解的方式呈现。
决策应用：基于分析结果，制定策略或提供决策建议。
三、数据分析工具
Excel：适用于基础的数据处理和分析。
Python (Pandas, NumPy, Scikit-learn)：适用于数据处理、建模和可视化。
Tableau/Power BI：适用于数据可视化。
四、数据分析方法与技巧
描述性分析：对数据进行基础统计描述，如平均值、中位数、众数等。
预测性分析：利用历史数据预测未来趋势，如回归分析、时间序列分析等。
分类与聚类：将数据分成不同的组或类别，如决策树、K-means聚类等。
关联规则挖掘：发现数据之间的关联性，如购物篮分析。
数据可视化：利用图表、图像等形式展示数据，提高信息传达效率。
五、注意事项
数据质量：确保数据的准确性和完整性。
隐私保护：在处理敏感数据时，注意遵守相关法律法规。
结果解读与呈现：避免误导或夸大分析结果。

数据分析与决策的流程：
明确问题：首先明确数据分析的目标和问题，确定需要解决的业务问题或挑战。
数据收集：根据问题，收集相关数据。数据来源可以包括内部数据库、外部数据源、市场调研等。
数据清洗与预处理：对收集到的数据进行清洗和预处理，包括缺失值处理、异常值处理、数据类型转换等，确保数据的质量和准确性。
数据分析与建模：利用数据分析工具和方法，对数据进行深入分析。这可能包括描述性分析、探索性分析、预测性分析等，选择适合的方法来揭示数据中的模式和趋势。
结果解读与呈现：将分析结果以易于理解的方式呈现，如制作图表、撰写报告等。确保结果能够清晰地传达给决策者或其他利益相关者。
制定决策：基于分析结果，制定相应的决策或建议。这可能包括优化业务流程、调整市场策略、投资决策等。
实施与监控：将决策付诸实践，并持续监控实施效果，收集反馈并进行必要的调整。
评估与优化：定期评估决策的效果和影响，并根据实际情况进行优化和改进。

数据分析的首要任务：定义问题

现在怎么样

为什么会这样？分析与综合，判断与推理

将来会怎样？
比较与分类，分析与综合，判断与推理

因果分析

• 分析的类型：
1. 因果分析 2. 表象和本质分析 3. 相关分析 4. 典型分析

分析就是把客观事物整体分解为部分或要素，并根据事物之间或事物
内部各要素之间的特定关系，通过推理、判断，达到认识事物目的的
一种逻辑思维方法。

分类方法是指在比较基础上根据
一定的标准对各种事物进行类别
划分的逻辑方法。

比较方法，是在不同事物之间或在同类事物之间找出它们的差异点和
共同点的逻辑方法。

分类数据，顺序数据，数值数据

数据类型决定数据分析方法