总体上来讲，数据分析挖掘体系可分为数据预处理、分析挖掘、数据探索、数据展现和分析工具。
数据预处理
数据预处理包含数据清洗、数据集成、数据变换和数据规约几种方法。
而数据清洗包括缺失值处理和异常值处理；
数据集成包括同名同义、异名同义、单位不统一的实体识别和冗余性识别。数据变化包括函数变换、规范化、连续属性离散化、属性沟通和小波变换。数据规约包括属性规约和数值规约。
分析挖掘
分析挖掘的内容就多了。包括假设检验、方差分析、回归分析、主成分分析、因子分析、典型相关分析、对应分析、多维尺度分析、信度分析、生存分析、分类预测、聚类分析、关联规则、时间序列分析和著名的灰色理论。后几个应用较多。
分类预测的方法包括决策树、神经网络、支持向量机(SVM)、Logistic回归、判别分析和贝叶斯网络。
聚类分析包括K-Means聚类、kohonen网络聚类、两步聚类和层次聚类。
关联规则的算法有Apriori算法、GRI算法和Carma算法。
时间序列分析包括：简单回归分析法。
趋势外推法、指数平滑法、自回归法、ARIMA模型、季节调整法。
灰色理论可分为灰色关联和灰色预测。
数据探索
数据探索主要分为两大类，数据质量分析和数据特征分析。
数据质量分析包括缺失值分析、异常值分析和一致性分析。
数据特征分析包括分布分析、对比分析、统计量分析、周期性分析、贡献度分析和相关性分析。
分析工具
常用的分析工具有Excel、clementine、Eviews、R语言、Matlab、Stata、SAS、Tableau、报表工具FineReport、商业智能FineBI
数据展现
在数据展现方面要做的内容可分为图表制作和数据分析报告的撰写，这两方面之前都写过详细的
文章图表制作可以用柱形图、条形图、折线图、饼图、面积图、雷达图、散点图等等。展现的方式可以是单图，组合图，多图搭配的dashboard或者深入分析的联动钻取等。
整理的思维导图如下（建议收藏）：
网友评论