1. 数据读取

- 读取数据

- 文件路径（一般不要有中文，反斜杠/，r）

- 分隔符

- 编码格式

- 看下每个特征的数据类型，是否有缺失

- 数据规模--样本量，特征数

2. 特征理解（数据探索，可视化）

- 单变量分析

- 多变量分析，综合多种因素影响

- 统计绘图（得出简单结论）

- 条形图：主要反映项目比较

- 饼图：反映构成，占比，（块数不能太多，不要用三维饼图）

- 线图：主要用于趋势分析，时间因素

- 散点图：反映分布，相关性

- 箱线图：观察异常值

3. 数据清洗与预处理

- 缺失值处理（填充：中位数，众数，平均值，特定值，算法填充）

- 重复值（直接删除）

- 特征标准化，归一化

- 特征工程

- 业务筛选

- 过滤算法

- 特征构建（lambda函数（字符串处理，正则表达式，三元运算符）结合map,apply使用）

- 降维算法（PCA）

- 变量编码（分箱，独热编码）

- 特征相关性（相关矩阵，热图，删除一些变量/降维压缩）

4. 数据建模（分类，聚类，回归）

- 划分数据集（训练集，测试集（验证集））

- 多个模型对比

- 超参数设置，学习曲线，网格搜索

- 集成算法，提升算法，深度学习

- 模型评估

- 回归：R方，平方根误差，平均平方误差

- 聚类：轮廓系数

- 分类：混淆矩阵，精准率，召回率，精准度，F值，ROC-AUC

5. 项目报告