数据分析

按数据分析的思维模式或者目的：

• 描述性分析：使用统计方法（如均值、中位数、众数、方差等）来描述数据的特征，总结和组织数据，以提供对数据集的清晰理解
• 预测性分析：使用历史数据来建立模型，如回归分析、时间序列分析和机器学习算法，以预测未来事件。
• 指导性分析：不仅预测结果，还建议最佳的行动方案，通常涉及优化和模拟

按数据分析采用的方法：

• 描述性数据分析：提供对数据的直观理解
• 探索性数据分析：自由形式的分析，发现数据中的模式和结构
• 验证性数据分析：验证或反驳特定的假设

探索性数据分析EDA(Exploratory Data Analysis)

定义：EDA是一种在尽量少的先验假设下，通过数据可视化分析数据集，探索数据结构和规律的数据分析方法

目的：

• 帮助理解数据的基本特征
• 发现数据中的重要特征和变量
• 揭示数据中的意外模式或异常值
• 识别并处理数据中的缺失值、异常值和错误，为后续分析做准备
• 为业务决策提供初步的支持

基本步骤：

• 数据加载与清洗：从不同的数据源加载数据，并进行数据清理，包括处理缺失值、重复数据或异常值
• 描述性统计分析：计算数据集的统计信息，如均值、中位数、分位数等，以获得数据的总体轮廓
• 数据可视化：通过直方图、箱型图、散点图等图形化手段，探索数据的分布和变量间的关系
• 特征间相关性分析：分析不同变量之间的相关性，可以使用散点图矩阵或相关矩阵等工具
  。
  工具：
• numpy
• pandas
• matplotlib
• seaborn