r語言數(shù)據(jù)分析方法(數(shù)據(jù)分析的方法)
1.數(shù)據(jù)分析的方法有哪些
分析大數(shù)據(jù)，R語言和Linux系統(tǒng)比較有幫助，運(yùn)用到的方法原理可以翻翻大學(xué)的統(tǒng)計(jì)學(xué)，不需要完全理解，重在應(yīng)用。
分析簡單數(shù)據(jù)，Excel就可以了。Excel本意就是智能，功能很強(qiáng)，容易上手。我沒有見過有人說自己精通Excel的，最多是熟悉Excel。Excel的函數(shù)可以幫助你處理大部分?jǐn)?shù)據(jù)。
數(shù)據(jù)分析是指用適當(dāng)?shù)慕y(tǒng)計(jì)分析方法對收集來的大量數(shù)據(jù)進(jìn)行分析，提取有用信息和形成結(jié)論而對數(shù)據(jù)加以詳細(xì)研究和概括總結(jié)的過程。這一過程也是質(zhì)量管理體系的支持過程。在實(shí)用中，數(shù)據(jù)分析可幫助人們作出判斷，以便采取適當(dāng)行動(dòng)。
數(shù)據(jù)分析的數(shù)學(xué)基礎(chǔ)在20世紀(jì)早期就已確立，但直到計(jì)算機(jī)的出現(xiàn)才使得實(shí)際操作成為可能，并使得數(shù)據(jù)分析得以推廣。數(shù)據(jù)分析是數(shù)學(xué)與計(jì)算機(jī)科學(xué)相結(jié)合的產(chǎn)物。
“啤酒與尿布”的故事產(chǎn)生于20世紀(jì)90年代的美國沃爾瑪超市中，沃爾瑪?shù)某泄芾砣藛T分析銷售數(shù)據(jù)時(shí)發(fā)現(xiàn)了一個(gè)令人難于理解的現(xiàn)象：在某些特定的情況下，“啤酒”與“尿布”兩件看上去毫無關(guān)系的商品會(huì)經(jīng)常出現(xiàn)在同一個(gè)購物籃中，這種獨(dú)特的銷售現(xiàn)象引起了管理人員的注意，經(jīng)過后續(xù)調(diào)查發(fā)現(xiàn)，這種現(xiàn)象出現(xiàn)在年輕的父親身上。
在美國有嬰兒的家庭中，一般是母親在家中照看嬰兒，年輕的父親前去超市購買尿布。父親在購買尿布的同時(shí)，往往會(huì)順便為自己購買啤酒，這樣就會(huì)出現(xiàn)啤酒與尿布這兩件看上去不相干的商品經(jīng)常會(huì)出現(xiàn)在同一個(gè)購物籃的現(xiàn)象。如果這個(gè)年輕的父親在賣場只能買到兩件商品之一，則他很有可能會(huì)放棄購物而到另一家商店， 直到可以一次同時(shí)買到啤酒與尿布為止。沃爾瑪發(fā)現(xiàn)了這一獨(dú)特的現(xiàn)象，開始在賣場嘗試將啤酒與尿布擺放在相同的區(qū)域，讓年輕的父親可以同時(shí)找到這兩件商品，并很快地完成購物；而沃爾瑪超市也可以讓這些客戶一次購買兩件商品、而不是一件，從而獲得了很好的商品銷售收入，這就是“啤酒與尿布” 故事的由來。
當(dāng)然“啤酒與尿布”的故事必須具有技術(shù)方面的支持。1993年美國學(xué)者Agrawal提出通過分析購物籃中的商品集合，從而找出商品之間關(guān)聯(lián)關(guān)系的關(guān)聯(lián)算法，并根據(jù)商品之間的關(guān)系，找出客戶的購買行為。艾格拉沃從數(shù)學(xué)及計(jì)算機(jī)算法角度提 出了商品關(guān)聯(lián)關(guān)系的計(jì)算方法——Aprior算法。沃爾瑪從上個(gè)世紀(jì) 90 年代嘗試將 Aprior 算 法引入到 POS機(jī)數(shù)據(jù)分析中，并獲得了成功，于是產(chǎn)生了“啤酒與尿布”的故事。
2.常用的數(shù)據(jù)分析方法有哪些
數(shù)據(jù)分析落實(shí)到實(shí)處，一般就是圍繞用戶漏斗展開的。也就是人們常說的訪問-激活-留存-交易-推薦。
這核心的5步會(huì)有不同維度的細(xì)分。
獲客：來源、渠道、關(guān)鍵字、著陸頁、地域、設(shè)備、訪問時(shí)間、跳出率、訪問深度、停留時(shí)間、新客量等等；
激活：DAU（日活躍用戶）、MAU（月活躍用戶）
留存：日留存率、周留存率、月留存率
交易：訂單量、訂單金額、LTV
推薦：是否傳播（k>1）
需要獲取以上數(shù)據(jù)，可以通過ptengine通過漏斗細(xì)分得到可視化圖表。一般來講，同比（本周和上周）、環(huán)比（本月第一周和上月第一周）、定基比（所有數(shù)據(jù)和當(dāng)年第一周）即可獲得數(shù)據(jù)的變化情況。
以上，其實(shí)不用很專業(yè)也能做好數(shù)據(jù)分析，獲取數(shù)據(jù)并不難，難的是你能洞察數(shù)據(jù)背后的意義。
3.求問R 語言數(shù)據(jù)處理的操作
使用R語言的時(shí)候，如果是少量數(shù)據(jù)，不妨使用c（)或其他函數(shù)進(jìn)行創(chuàng)建；但是對于大量數(shù)據(jù)，最好還是先通過其他更方便的軟件創(chuàng)建數(shù)據(jù)文件，然后使用R讀入這個(gè)文件。
.csv是非常好的數(shù)據(jù)文件格式，跨平臺支持非常好。我在Excel或者SPSS中創(chuàng)建的數(shù)據(jù)，只要存為csv格式，就可以使用幾乎任何數(shù)據(jù)處理軟件對這些數(shù)據(jù)進(jìn)行處理了。使用通用格式在多人合作、不同版本兼容等常見行為中，優(yōu)勢十分明顯。另外，之所以使用不同的數(shù)據(jù)處理軟件，第一，可以取長補(bǔ)短。比如有些工作SPSS很復(fù)雜的，可以用R語言幾行命令搞定。第二，可以進(jìn)行軟件間處理結(jié)果對照，發(fā)現(xiàn)問題。
R語言中讀取外部文件的最基本函數(shù)是read.table（)，還有用來讀csv的read.csv(), .csv是非常好的數(shù)據(jù)文件格式，跨平臺支持非常好。
輸入help(read.table)命令，就看到了關(guān)于數(shù)據(jù)輸入函數(shù)的說明。
4.R語言相關(guān)性分析圖
框內(nèi)的數(shù)字是行變量和列變量之間的相關(guān)系數(shù)R，相關(guān)系數(shù)R絕對值越大，顏色越深（紅正，藍(lán)負(fù)）。統(tǒng)計(jì)學(xué)中，P值越小相關(guān)性越顯著，一般來說 一個(gè)*代表顯著相關(guān)（P值為0.01，選取不同參數(shù)可能不一樣）、兩個(gè)**代表極顯著相關(guān)（P值為0.001）、三個(gè)***代表極極顯著相關(guān)（P值為0.0001）. 圖中還可以看出，相關(guān)系數(shù)R的絕對值0.67（變量P50與T之間）以上的都顯著相關(guān)，至少一個(gè)*。符合一般關(guān)于相關(guān)系數(shù)R值的顯著性統(tǒng)計(jì)。
5.數(shù)據(jù)分析的方法有哪些
處理工程數(shù)據(jù)一般有三種方法：數(shù)據(jù)程序化處理、數(shù)據(jù)文件化處理、數(shù)據(jù)庫處理。
數(shù)據(jù)程序化處理的優(yōu)點(diǎn)是：充分將數(shù)據(jù)與程序結(jié)合在了一起。其缺點(diǎn)是數(shù)據(jù)無法共享，增加了程序的長度。
數(shù)據(jù)文件化處理的優(yōu)點(diǎn)是：數(shù)據(jù)與程序作了初步的分離，實(shí)現(xiàn)了有條件的共享。其缺點(diǎn)有四點(diǎn)：①文件只能表示事物而不能表示事物之間的聯(lián)系；②文件較長；③數(shù)據(jù)與應(yīng)用程序之間仍有依賴關(guān)系；④安全性和保密性較差。
數(shù)據(jù)庫處理的優(yōu)點(diǎn)是：①數(shù)據(jù)共享，②數(shù)據(jù)集中，安全性和保密性好。③數(shù)據(jù)結(jié)構(gòu)化，既表示了事物，又表示了事物之間的聯(lián)系。
其缺點(diǎn)是：數(shù)據(jù)與應(yīng)用程序無關(guān)聯(lián)。
6.怎么學(xué)習(xí)用 R 語言進(jìn)行數(shù)據(jù)挖掘
如果說數(shù)據(jù)挖掘是一門手藝，那么R語言就是工匠手里一種工具，要做出一件價(jià)值連城的藝術(shù)品需要先“利其器”，但更關(guān)鍵的是工匠能夠“集百家之長，成一家之言“自成一派的創(chuàng)造力。
正所謂”操千曲而后曉聲，觀千劍而后識器"。建議初學(xué)者先了解一些機(jī)器學(xué)習(xí)的基礎(chǔ)理論以及典型的應(yīng)用領(lǐng)域?qū)嵗?，定下自己想要研究的方向后與行業(yè)相結(jié)合，然后再學(xué)習(xí)工具的使用。
R語言經(jīng)典圖書推薦：
《R in Action-Data Analysis and Graphics with R》鏈接：R語言實(shí)戰(zhàn) （豆瓣）
這本書從實(shí)用的統(tǒng)計(jì)研究角度，每一章節(jié)結(jié)合實(shí)際的例子講解了R在創(chuàng)建數(shù)據(jù)集、繪制圖形、數(shù)據(jù)管理、以及模型構(gòu)建的使用方法，堪稱經(jīng)典。前兩部分屬于R基本功能介紹，第三部分以后才是精髓開始（包括了回歸分析、方差分析、功效分析、廣義線性模型、主成分和因子分析等統(tǒng)計(jì)方法詳細(xì)的實(shí)例分析）。
《數(shù)據(jù)之魅-基于開源工具的數(shù)據(jù)分析》鏈接：數(shù)據(jù)之魅 （豆瓣）
作者是華盛頓大學(xué)理論物理學(xué)博士。這本書是數(shù)據(jù)分析系列著作的經(jīng)典之一，包含大量的R語言模擬過程及結(jié)果展示，例舉了很多數(shù)據(jù)分析實(shí)例和代碼。吃透以后就能夠?qū)φ麄€(gè)數(shù)據(jù)挖掘的流程有一個(gè)全方位的了解。
轉(zhuǎn)載
7.數(shù)據(jù)分析的思路都有哪些
數(shù)據(jù)分析師的工作一定要好好把握。關(guān)于數(shù)據(jù)分析師的思路和方法，小編覺得是這樣的：
首先，你要明白什么是數(shù)據(jù)分析；
第二你要知道數(shù)據(jù)分析的目的；
第三、清楚數(shù)據(jù)分析的分類以及作用：現(xiàn)狀分析、原因分析、預(yù)測分析第四，如何進(jìn)行數(shù)據(jù)分析：
1.明確目的和思路
2.數(shù)據(jù)收集
3.數(shù)據(jù)處理
4.數(shù)據(jù)分析
數(shù)據(jù)處理好之后，就要進(jìn)行數(shù)據(jù)分析，數(shù)據(jù)分析是用適當(dāng)?shù)姆治龇椒肮ぞ撸瑢μ幚磉^的數(shù)據(jù)進(jìn)行分析，提取有價(jià)值的信息，形成有效結(jié)論的過程。
常用的數(shù)據(jù)分析工具，掌握Excel的數(shù)據(jù)透視表，就能解決大多數(shù)的問題。需要的話，可以再有針對性的學(xué)習(xí)SPSS、SAS等。
數(shù)據(jù)挖掘是一種高級的數(shù)據(jù)分析方法，你需要掌握數(shù)據(jù)挖掘基礎(chǔ)理論，數(shù)據(jù)庫操作Phython,R語言， Java 等編程語言的使用以及高級的數(shù)據(jù)可視化技術(shù)。要側(cè)重解決四類數(shù)據(jù)分析問題：分類、聚類、關(guān)聯(lián)和預(yù)測，重點(diǎn)在尋找模式與規(guī)律。
5.數(shù)據(jù)展現(xiàn)
一般情況下，數(shù)據(jù)是通過表格和圖形的方式來呈現(xiàn)的。常用的數(shù)據(jù)圖表包括餅圖、柱形圖、條形圖、折線圖、氣泡圖、散點(diǎn)圖、雷達(dá)圖等。進(jìn)一步加工整理變成我們需要的圖形，如金字塔圖、矩陣圖、漏斗圖、帕雷托圖等。
圖表制作的五個(gè)步驟：
確定要表達(dá)主題；確定哪種圖表最適合；選擇數(shù)據(jù)制作圖表；檢查是否真實(shí)；反映數(shù)據(jù)檢查是否表達(dá)觀點(diǎn)
6.報(bào)告撰寫
數(shù)據(jù)分析的四大誤區(qū)
1.目的不明確，為了做而作，導(dǎo)致分析效果不明確；
2.對與行業(yè)、公司業(yè)務(wù)還有其他考慮因素認(rèn)知不清楚，分析結(jié)果偏離實(shí)際。
3.為了方法而方法，為了工具而工具，只要能解決問題的方法和工具就是好的方法和工具；
4.數(shù)據(jù)本身是客觀的，但被解讀出來的數(shù)據(jù)是主觀的。同樣的數(shù)據(jù)由不同的人分析很可能得出完全相反的結(jié)論，所以一定不能提前帶著觀點(diǎn)去分析。
每個(gè)人都有自己的工作特點(diǎn)和方法傾向，不過對于數(shù)據(jù)分析這種很有邏輯的工作，邏輯思路一定要處理清楚，該遵從的客觀標(biāo)準(zhǔn)還是要嚴(yán)格遵守，而且數(shù)據(jù)分析只有產(chǎn)生了價(jià)值，你做的這份工作才算真在發(fā)揮了作用。
