數據分析基礎內容介紹 — 模型、工具、統計、挖掘與展現

1. 數據分析多層模型介紹

這個金字塔圖像是數據分析的多層模型，從下往上一共有六層：

底下第一層稱為Data Sources 元數據層。

比如說在生產線上，在生產的數據庫里面，各種各樣的數據，可能是銀行的業務數據，也可能是電信運營商在交換機里面采集下來的數據等等，然后這些生產的數據通過ETL，是英文 Extract-Transform-Load 的縮寫，用來描述將數據從來源端經過抽?。╡xtract）、轉換（transform）、加載（load）至目的端的過程，通過這個過程，我們可以把需要的數據放到數據倉庫里面，那這個數據倉庫就是多層模型中的第二層。

數據倉庫主要是給我們需要存放的數據提供一個物理基礎，我們對數據進行分析，原材料都放在這個數據倉庫里面，這幾年以來，除了數據倉庫這個概念，還興起了數據集市這個概念，數據集市其實就是部門級的數據倉庫，規模比較小一點的數據倉庫。

再上面一層是Data Exploration，這層主要做統計分析的事情，比如我們算均值、標準差、方差、排序、求最小\大值、中位數、眾數等等，這些統計學比較常用的指標，另外還有些SQL查詢語句，總的來說主要是做一些目標比較明確，計算方法比較清楚的事情。

第四層是Data Mining數據挖掘層，數據挖掘與數據分析（統計分析）有什么區別呢，數據分析往往是統計量和算法比較清楚，數據挖掘往往是目標不是很清楚，在實現目標的過程中采用什么方法不能確定，所以數據挖掘比數據分析難度要高很多。

第五層是數據展現層，把數據分析和數據挖掘得出來的結果通過數據展現層的圖表、報表把他展現出來，也可以稱為數據可視化。

最后把這些圖表、報表交給決策者，以這個為基礎做一些決策。

2. 數據分析工具簡介

常用的數據分析工具，包括一些廠商的數據庫產品，包括IBM的DB2、甲骨文的Oracle數據庫。這些廠商的數據庫本身帶有一些統計分析的包，里面有些標準的功能可以做數據分析工作，但用這些自帶的數據分析工具功能相對不夠專業。主要反映在缺乏標準的統計函數，比如做一個線性回歸模型，需要寫一大堆SQL語句，甚至要寫一個plsql程序才能完成。但是在專業的統計軟件只需要寫一個簡單的函數就可以完成。

目前最主流的統計軟件有R、SAS、SPSS，R是一個免費的開源軟件。

SAS大概是歷史最悠久的統計軟件，是一個商業軟件，在60年代就誕生，在70年代以后逐漸商業化，發展到現在SAS已經成為國際標準。

SPSS也是一個歷史悠久的統計軟件，SPSS一開始是一個仿真軟件，后來演變成一個統計軟件，目前已經發展成為一個數據挖掘軟件，目前被IBM收購，變成IBM旗下的一個產品，在社會學研究院領域有很多的應用。

其他的還有一些軟件，比如說水晶報表（Crystal Reports），在做BI和報表非常擅長，另外如UCINET也是在社會學比較常用的軟件，它可以畫群體的網絡圖，社交關系圖非常擅長。

3. 常用統計方法

使用統計方法，有目的地對收集到的數據進行分析處理，并且解讀分析結果：

常用算法

4. 數據挖掘

數據挖掘是以查找隱藏在數據中的信息為目標的技術，是應用算法從大型數據庫中提取知識的過程，這些算法確定信息項之間的隱性關聯，并且向用戶顯示這些關聯。

數據挖掘思想來源：假設檢驗，模式識別，人工智能，機器學習

常見數據挖掘任務：關聯分析，聚類分析，孤立點分析等等

例：啤酒與尿布的故事

5. 展現層：報表與圖形

展現層在數據分析中是一個很重要的組成部分，在大家的心目中數據分析軟件只是讀數據和算數據，結果算出來就OK了。但其實結果算出來以后對于數據分析還遠沒有結束，還需要把結果展現出來，有些時候可能結果的展現比計算花的時間還要多。

下圖是一個比較老土的報表。

如果那這種報表給老板看，那體驗效果肯定很差，其實人的特點對數字的感覺不敏感，如果你那一大堆數字組成的報表給老板看，老板肯定不是很高興。

人對圖形會比較敏感，所以在統計學里面通常有比較標準的圖，如餅圖、柱形圖（垂直和水平）、虛線圖、水泡圖、魚骨圖、箱線圖等等。

下面是一張在地圖上展現數據的展現形式

下圖是關于使用安卓手機的數據展現

根據信息圖顯示，Android先生的頭發有47%的可能是黑色的，戴眼鏡的幾率為37%，有36%的可能是北美人，30%的可能臉上長雀斑。71%的時 間會穿T恤，下身穿牛仔褲的時間占了62%。工作只占了38%，玩游戲卻占了62%，平均每個月會用掉582MB的數據流量。這種圖稱為信息圖，在數據分析這個行業里面，是數據展現工作的主要組成部分。