数据分析基础内容介绍 — 模型、工具、统计、挖掘与展现

1. 数据分析多层模型介绍

这个金字塔图像是数据分析的多层模型，从下往上一共有六层：

底下第一层称为Data Sources 元数据层。

比如说在生产线上，在生产的数据库里面，各种各样的数据，可能是银行的业务数据，也可能是电信运营商在交换机里面采集下来的数据等等，然后这些生产的数据通过ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程，通过这个过程，我们可以把需要的数据放到数据仓库里面，那这个数据仓库就是多层模型中的第二层。

数据仓库主要是给我们需要存放的数据提供一个物理基础，我们对数据进行分析，原材料都放在这个数据仓库里面，这几年以来，除了数据仓库这个概念，还兴起了数据集市这个概念，数据集市其实就是部门级的数据仓库，规模比较小一点的数据仓库。

再上面一层是Data Exploration，这层主要做统计分析的事情，比如我们算均值、标准差、方差、排序、求最小\大值、中位数、众数等等，这些统计学比较常用的指标，另外还有些SQL查询语句，总的来说主要是做一些目标比较明确，计算方法比较清楚的事情。

第四层是Data Mining数据挖掘层，数据挖掘与数据分析（统计分析）有什么区别呢，数据分析往往是统计量和算法比较清楚，数据挖掘往往是目标不是很清楚，在实现目标的过程中采用什么方法不能确定，所以数据挖掘比数据分析难度要高很多。

第五层是数据展现层，把数据分析和数据挖掘得出来的结果通过数据展现层的图表、报表把他展现出来，也可以称为数据可视化。

最后把这些图表、报表交给决策者，以这个为基础做一些决策。

2. 数据分析工具简介

常用的数据分析工具，包括一些厂商的数据库产品，包括IBM的DB2、甲骨文的Oracle数据库。这些厂商的数据库本身带有一些统计分析的包，里面有些标准的功能可以做数据分析工作，但用这些自带的数据分析工具功能相对不够专业。主要反映在缺乏标准的统计函数，比如做一个线性回归模型，需要写一大堆SQL语句，甚至要写一个plsql程序才能完成。但是在专业的统计软件只需要写一个简单的函数就可以完成。

目前最主流的统计软件有R、SAS、SPSS，R是一个免费的开源软件。

SAS大概是历史最悠久的统计软件，是一个商业软件，在60年代就诞生，在70年代以后逐渐商业化，发展到现在SAS已经成为国际标准。

SPSS也是一个历史悠久的统计软件，SPSS一开始是一个仿真软件，后来演变成一个统计软件，目前已经发展成为一个数据挖掘软件，目前被IBM收购，变成IBM旗下的一个产品，在社会学研究院领域有很多的应用。

其他的还有一些软件，比如说水晶报表（Crystal Reports），在做BI和报表非常擅长，另外如UCINET也是在社会学比较常用的软件，它可以画群体的网络图，社交关系图非常擅长。

3. 常用统计方法

使用统计方法，有目的地对收集到的数据进行分析处理，并且解读分析结果：

常用算法

4. 数据挖掘

数据挖掘是以查找隐藏在数据中的信息为目标的技术，是应用算法从大型数据库中提取知识的过程，这些算法确定信息项之间的隐性关联，并且向用户显示这些关联。

数据挖掘思想来源：假设检验，模式识别，人工智能，机器学习

常见数据挖掘任务：关联分析，聚类分析，孤立点分析等等

例：啤酒与尿布的故事

5. 展现层：报表与图形

展现层在数据分析中是一个很重要的组成部分，在大家的心目中数据分析软件只是读数据和算数据，结果算出来就OK了。但其实结果算出来以后对于数据分析还远没有结束，还需要把结果展现出来，有些时候可能结果的展现比计算花的时间还要多。

下图是一个比较老土的报表。

如果那这种报表给老板看，那体验效果肯定很差，其实人的特点对数字的感觉不敏感，如果你那一大堆数字组成的报表给老板看，老板肯定不是很高兴。

人对图形会比较敏感，所以在统计学里面通常有比较标准的图，如饼图、柱形图（垂直和水平）、虚线图、水泡图、鱼骨图、箱线图等等。

下面是一张在地图上展现数据的展现形式

下图是关于使用安卓手机的数据展现

根据信息图显示，Android先生的头发有47%的可能是黑色的，戴眼镜的几率为37%，有36%的可能是北美人，30%的可能脸上长雀斑。71%的时 间会穿T恤，下身穿牛仔裤的时间占了62%。工作只占了38%，玩游戏却占了62%，平均每个月会用掉582MB的数据流量。这种图称为信息图，在数据分析这个行业里面，是数据展现工作的主要组成部分。