【1】数据分析基础（一些概念）

数据分析的五步：

（1）提出问题；（2）收集数据；（3）数据处理和清洗；（4）数据分析；（5）可视化，得出结论

提出问题

一个数据分析的过程，其实是从数据中得到结论的过程。但分析的起点并非数据，而是问题！先确定问题是什么，再投入精力从相关的数据中挖掘答案。

一个好的问题，可以帮助理清方向，将精力集中在数据的相关部分，并帮助你得出有洞察力的分析结果。

提出问题之后，就可以从问题入手，确定需要哪些数据，获得进行分析的数据集。也就是数据分析的第二步，“收集数据”。

收集数据

通常情况下，我们想要收集数据，会有4种数据的来源：
1.观测和统计得到的数据
2.问卷和调研得到的数据
3.从数据库中获取的数据
4.从网络爬虫获取的数据
需要根据我们希望获得数据，来判断应该从哪些来源获取。

观测和统计数据

是指经过实地获取的实测数据。这类数据可大可小。

例如：一个商场的客流量。

这是对商场各个出入口的人员进出，按人头统计，汇总的数据，也是实地观测获得的。只是目前会有红外感应装置来获取，不需要人工来数了。

问卷和调研数据
是指通过抽取样本，用问卷或访谈的方式，获取的数据。
有一些需要获取到个人信息、心理感受的数据，我们需要通过询问访谈获得。

从数据库中获取的数据
数据库，可以简单理解为储存数据的一种结构。
我们在计算机、手机上产生的操作行为，被捕捉下来会存储到数据库中。
例如：在电商平台上购买商品记录，会存储在这个电商平台的数据库中。

数据库通过一些工具和SQL语言，可以将数据查询出来，下载成Excel、csv文件，供我们使用。从数据库中查询数据，不是这门课的重点。我们重点来解决的是：数据拿到手后，应该如何使用和分析。

从网络爬虫获取的数据

有时，我们想要获取的数据，并不归属自己所有的数据库。

例如，想要豆瓣的电影评论。

这时就会使用网络爬虫，按照一定规则自动抓取网页信息。组织成我们需要的数据形式。

数据处理和清洗

在收集完问卷数据，开展进一步的分析之前。

Algo对问卷中，填写时长少于5s的问卷数据进行了剔除。

因为填写时长少于5s，大概率是随意填写的，这一部分随便填写的数据，可能会干扰数据的有效性。

这是数据分析的第3步：“数据处理和清洗”。

数据清洗其实有一些很复杂的规则和逻辑，在后面课程中，我们会详细进行学习。

数据分析

数据处理好后，就可以进入“数据分析”的阶段了。

Algo统计了每个选项，使用Python进行初步分析和可视化，每个问题的答案都生成一张柱状图表。

示例：

# 导入模块

import pandas as pd

import matplotlib.pyplot as plt

# 读取文件进行处理

df = pd.read_excel("/Users/survey/数据分析课程调研.xlsx",usecols=[0,3,4,5,6,7,8,9,10,26],skiprows=[1])

df.drop(index = df[df['答题时长']<5].index,inplace = True)

# 对问卷答案进行可视化

plt.figure(1)

plt.subplot2grid((2,3),(0,0),colspan=1,rowspan=1)

df1 = df.drop(index = df[df[list(df.columns)[2]].isnull()].index)

result1 = df1[list(df.columns)[2]].groupby(df[list(df.columns)[2]]).count()

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(result1.index , result1.values)

plt.title(list(df.columns)[2])

plt.subplot2grid((2,3),(0,1),colspan=1,rowspan=1)

df1 = df.drop(index = df[df[list(df.columns)[3]].isnull()].index)

result1 = df1[list(df.columns)[3]].groupby(df[list(df.columns)[3]]).count()

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(result1.index , result1.values)

plt.title(list(df.columns)[3])

plt.subplot2grid((2,3),(0,2),colspan=1,rowspan=1)

df1 = df.drop(index = df[df[list(df.columns)[4]].isnull()].index)

result1 = df1[list(df.columns)[4]].groupby(df[list(df.columns)[4]]).count()

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(result1.index , result1.values)

plt.title(list(df.columns)[4])

plt.subplot2grid((2,3),(1,0),colspan=2,rowspan=1)

df1 = df.drop(index = df[df[list(df.columns)[5]].isnull()].index)

result1 = df1[list(df.columns)[5]].groupby(df[list(df.columns)[5]]).count()

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(result1.index , result1.values)

plt.title(list(df.columns)[5])

plt.subplot2grid((2,3),(1,2),colspan=1,rowspan=1)

df1 = df.drop(index = df[df[list(df.columns)[6]].isnull()].index)

result1 = df1[list(df.columns)[6]].groupby(df[list(df.columns)[6]]).count()

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(result1.index , result1.values)

plt.title(list(df.columns)[6])

plt.tight_layout()

plt.show()

# 对问题进行可视化

plt.figure(2)

plt.subplot2grid((3,3),(0,0),colspan=1,rowspan=1)

df1 = df.drop(index = df[df[list(df.columns)[7]].isnull()].index)

result1 = df1[list(df.columns)[7]].groupby(df[list(df.columns)[7]]).count()

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(result1.index , result1.values)

plt.title(list(df.columns)[7])

data1 = pd.read_excel("/Users/survey/数据分析课程调研.xlsx",usecols=[3,11,12,13,14,15,16],skiprows=1)

data1.drop(index = data1[data1["Unnamed: 3"]<5].index,inplace = True)

data1.drop("Unnamed: 3", axis=1,inplace = True)

data1.drop(index = data1[data1['Excel'].isnull()].index , inplace = True)

plt.subplot2grid((3,3),(0,1),colspan=2,rowspan=1)

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(data1.sum().index , data1.sum().values)

plt.title("Q8_您现在进行数据分析，会用到的工具是？（多选）")

plt.subplot2grid((3,3),(1,0),colspan=1,rowspan=1)

df1 = df.drop(index = df[df[list(df.columns)[8]].isnull()].index)

result1 = df1[list(df.columns)[8]].groupby(df[list(df.columns)[8]]).count()

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(result1.index , result1.values)

plt.title(list(df.columns)[8])

data2 = pd.read_excel("/Users/survey/数据分析课程调研.xlsx",usecols=[3,17,18,19,20,21],skiprows=1)

data2.drop(index = data2[data2["Unnamed: 3"]<5].index,inplace = True)

data2.drop("Unnamed: 3", axis=1,inplace = True)

data2.drop(index = data2[data2['步骤繁多，重复操作'].isnull()].index , inplace = True)

plt.subplot2grid((3,3),(1,1),colspan=2,rowspan=1)

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(data2.sum().index , data2.sum().values)

plt.title("Q9_基于目前的工具进行数据分析，会出现的问题是？（多选）")

plt.subplot2grid((3,3),(2,0),colspan=1,rowspan=1)

df1 = df.drop(index = df[df[list(df.columns)[9]].isnull()].index)

result1 = df1[list(df.columns)[9]].groupby(df[list(df.columns)[9]]).count()

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(result1.index , result1.values)

plt.title(list(df.columns)[9])

data3 = pd.read_excel("/Users/survey/数据分析课程调研.xlsx",usecols=[3,22,23,24,25],skiprows=1)

data3.drop(index = data3[data3["Unnamed: 3"]<5].index,inplace = True)

data3.drop("Unnamed: 3", axis=1,inplace = True)

data3.drop(index = data3[data3['学术目的'].isnull()].index , inplace = True)

plt.subplot2grid((3,3),(2,1),colspan=2,rowspan=1)

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

plt.bar(data3.sum().index , data3.sum().values)

plt.title("Q10_想学习Python数据分析的目的是？")

plt.tight_layout()

plt.show()

产生新疑问：

我们现在的分析仅仅停留在简单读取数据分布的层面，难道这就是数据分析的全部了吗？

当然不是。数据分析，是一个循序渐进的过程。

刚刚进行图表可视化的部分，是数据分析最前置的描述性分析。

是对得到的大量数据资料进行整理和归纳的初步分析方法。目的是找出数据的大致分布状态，进行单个因素分析。

比如，学员是学生还是职场人，对于学习时间和学习目的，可能会有不同的表现。

这些内在规律，是需要进一步深入，尝试进行挖掘的，也就是探索性分析。

探索性分析

探索性数据分析，是指仅有一些非常浅的假设，通过数据分析方法，深入探索数据。

它有三大作用，包括分析现状、分析原因、预测未来。

如果缺失一些基本的数据分析思路，那么面对处理好的数据，也会不知道从何入手。但其实，数据分析的思路非常简单。三大作用分别对应着三个基本思路：对比、细分、预测。

对比

数据的高低，通常需要进行比较，分析它们的差异。

对比可以非常直观地看出变化/差距，并且量化变化/差距是多少。

比如，相同方法调研了《Python办公效率化》的学员。明显对比看，《Python数据分析》课程的学生占比相较更多一些。

另一个常用的对比思路，就是同比和环比。

同比，通常是本期数据和过往的同一期数据的对比。

例如，2020二季度GDP的同比增长，是和2019二季度GDP对比，这就是年同比。可以消除不同季度的季节因素影响。

环比，通常是本期数据和连续周期的上一期数据的对比。

例如，2020二季度全国GDP的环比增长，是和2020一季度对比，这就是环比。可以观测数据连续的变化趋势。

细分

在深入挖掘数据现状，和追溯内部原因的时候。需要在对比的基础上，进行细分分析。

细分，是指将数据划分成不同的部分，从而对比内部各个部分之间异同和关系的思路。

细分分析，可以对比量的直接大小外，还可以对比内部结构。

内部结构中，某个部分的比例越大，说明其重要程度越高，影响越大。

一次探索性分析的过程，通常是从问题出发，不断细分对比，从而发现有洞见和针对性的结论。在单一的维度上，不断向下细分，进行维度下钻。或者，在单一的维度上，不断添加新的维度，进行维度交叉。
可以说，细分是数据分析的本源。

杜邦分析的本质，就是将想要分析的一个指标，不断拆解为所有影响它的细分指标，分析细分指标的变动，从而挖掘目标的指标。 比如，一个电商平台的销量 = 浏览量 × 转化率，浏览量可以往下拆解，转化率也可以往下拆解。

细分分析中，还有一种知名的分析方法，叫“杜邦分析法”。

预测

数据分析中，预测未来是一个非常重要的问题。数据之间客观上存在互相影响和依存的关系。 挖掘这种数据间的关系，就可以通过一个因素的发展，从而推断另一个因素的发展，这就实现了预测。

而预测，往往要通过更复杂的数学模型来实现。一般来说分为三种：

相关性分析，回归分析，时间序列模型。

探索性分析

指仅有一些非常浅的假设，通过数据分析方法，深入探索数据。 有三大作用，包括分析现状、分析原因、预测未来。 三大作用分别对应着三个基本思路：对比、细分、预测。

因为图像能更加凸显数据结果，所以，数据分析和可视化往往同时进行。不同的问题，可以根据不同的图像来展现，每种图像各有各的优势。

原文地址：https://blog.csdn.net/fmc121104/article/details/144355995

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！