全国服务热线:
18106547650

EDA在数据分析中的使用(一)

分享到:
点击次数:34 更新时间:2020年11月14日15:42:25 打印此页 关闭

时至今日,虽然大数据分析师这个岗位已然成为2020最火热的岗位之一,但是还有部分小伙伴分不清统计分析和数据分析的区别。传统的统计分析一般是指假设数据符合某种分布,例如正态分布,然后参数估计,再对假设进行检验。贝尔实验室的John Turky在1977年写的《Exploratory Data Analysis》一书中认为作为数据分析从业者应该更多地把重点放在让数据来揭示需要检验的假设上面去。我们常用的EDA就是一种探索性数据分析法,主要探索数据的结构和规律。

探索性分析的目的是揭示数据的形态和性质,对数据的了解始于非常仔细地“观察”数据,所以会使用到可视化的技术,如果采用这种方法首先就要排除任何关于数据的先入为主的概念,对于复杂的统计方法、机器学习、数据挖掘的方法使用比较少。

数据分析师在进行EDA分析时可以简单地分为探索和验证两个阶段。探索阶段强调灵活探索线索和证据,发现隐藏在数据中有价值的信息,而验证阶段侧重于评估证据和相对准确地研究某些具体情况,在验证阶段,主要方法是传统的统计方法。

EDA数据分析法有什么特点呢?

图片1.png

  首先,让数据在分析中告诉数据分析人员它的特征属性,而不是强调对数据的处理。其次,EDA分析方法是灵活的,而不是坚持传统的统计方法。第三,EDA分析工具简单直观,更加易于推广。

EDA作为你在数据建模分析之前一个相当关键的步骤,它是帮助我们熟悉数据并且探索数据的过程。可以从单一变量和多变量来分析。单变量的探查,或者叫描述性统计分析。它是使用一个单一的数值来代表一个变量的重要特征与属性。常见的关于集中趋势的统计变量有:众数、中位数和平均数。系统化的探查数据变量,是从探查数值的分布开始的,数据分析师寻求一个变量里面数值的分布情况,了解什么是该变量最普遍或典型的数值?每一个数据变量所代表的经营业务的绩效数值与典型的数值之间的区别在哪里?这个变量是否包含了一些极端的数值呢?这个经营业务或者数值是否是平均的分布在一个典型的数值周围?再或者说,这些数值的分布中是否有一些偏向于某些非典型数值的情况?

集中趋势是一个说明同质总体各个体变量值的代表值,其代表性如何,取决于被平均的变量值之间的变异程度。在统计上,把反映现象总体中各个体之间差异程度的指标称为离散程度指标。反映离散程度的指标有绝对数和相对数。

多变量非图形EDA技术通常以交叉制表或统计的形式显示两个或多个变量之间的关系。关联性检验的主要目的是检查两个变量之间是否有关联性,没有关联即是独立。两个类变量之间的关联性分析是基于交叉表来进行卡方检验得出结论的。

在数据分析项目中,因为分析的目的和所要描述的事情不同,有时候要对指标的表现形式进行设计。指标的这种多样化的表现形式能够有效地帮助分析师组织逻辑化的分析故事。除了前面EDA过程中大量使用的平均指标,其他常用的指标表现形式还可以有总量指标和相对指标。数据分析师应该针对不同的项目场景选用最恰当的指标体系进行分析。

20201114154515_77832.png

上一条:数据分析师的核心是业务? 下一条:窥探数据分析中的市场研究
  • 发表评论
  • 查看评论
文明上网理性发言,请遵守评论服务协议。
首页 上一页 下一页 尾页