了解数据分析
数据分析的四大重要组成部分：
1.数据采集。它是我们的原材料，也是最 “接地气” 的部分，因为任何分析都要有 数据源。
2.数据清理。它可以是处理原材料的一部分，任何东西都有杂质。
3.数据挖掘。它可以说是最 “高大上” 的部分，也是整个商业价值所在。之所以要进行数据分析，就是要找到其中的规律，来指导我们的业务。因此数据挖掘的核心是挖掘数据的商业价值，也就是我们所谈的商业智能 BI
4.数据可视化 。它可以说是数据领域中 万金油 的技能，可以让我们直观地了解到数据分析的结果。
数据采集：
数据源：
1.开源数据库
2.爬虫抓取
3.日志采集
4.传感器工具使用：
1.八爪鱼
2.火车采集器
3.搜集客数据质量的准则
数据清理4个关键点 “完全合一” ：
1、完整性：单条数据是否存在空值，统计的字段是否完善。
2、全面性：观察某一列的全部数值，比如在 Excel 表中，我们选中一列，可以看到该列的平均值、最大值、最小值。我们可以通过常识来判断该列是否有问题，比如：数据定义、单位标识、数值本身。
3、合法性：数据的类型、内容、大小的合法性。比如数据中存在非 ASCII 字符，性别存在了未知，年龄超过了 150 岁等。
4、唯一性：数据是否存在重复记录，因为数据通常来自不同渠道的汇总，重复的情况是常见的。行数据、列数据都需要是唯一的，比如一个人不能重复记录多次，且一个人的体重也不能在列指标中重复记录多次。数据清理：
1.完整性：
问题 1：缺失值
在数据中有些年龄、体重数值是缺失的，这往往是因为数据量较大，在过程中，有些数值没有采集到。通常我们可以采用以下 三种方法：
删除：删除数据缺失的记录；
均值：使用当前列的均值；
高频：使用当前列出现频率最高的数据。比如我们想对 df[‘Age’] 中缺失的数值用平均年龄进行填充，可以这样写：
df['Age'].fillna(df['Age'].mean(), inplace=True) # inplace表示是否直接在元数据上修改如果我们用最高频的数据进行填充，可以先通过 valuecounts 获取 Age 字段最高频次 agemaxf，然后再对 Age 字段中缺失的数据用 age_maxf 进行填充：
age_maxf = train_features['Age'].value_counts().index[0]
train_features['Age'].fillna(age_maxf, inplace=True)问题 2：空行我们发现数据中有一个空行，除了 index 之外，全部的值都是 NaN。Pandas 的 read_csv() 并没有可选参数来忽略空行，这样，我们就需要在数据被读入之后再使用 dropna() 进行处理，删除空行。
# 删除全空的行
df.dropna(how='all',inplace=True)2.全面性
问题：列数据的单位不统一
如将磅（lbs）转化为千克（kgs）：
# 获取 weight 数据列中单位为 lbs 的数据
rows_with_lbs = df['weight'].str.contains('lbs').fillna(False)
print df[rows_with_lbs]
# 将 lbs 转换为 kgs, 2.2lbs=1kgs
for i,lbs_row in df[rows_with_lbs].iterrows():
# 截取从头开始到倒数第三个字符之前，即去掉 lbs。
weight = int(float(lbs_row['weight'][:-3])/2.2)
df.at[i,'weight'] = '{}kgs'.format(weight)3.合理性
问题：非 ASCII 字符
如在数据集中 Fristname 和 Lastname 看到有一些非 ASCII 的字符。我们可以采用删除或者替换的方式来解决非 ASCII 问题，这里我们使用删除方法：
# 删除非 ASCII 字符
df['first_name'].replace({r'[^\x00-\x7F]+':''}, regex=True, inplace=True)
df['last_name'].replace({r'[^\x00-\x7F]+':''}, regex=True, inplace=True)4.唯一性
问题 1：一列有多个参数
为了达到数据整洁目的，将
d=True)，将列表拆成新的列，再将原来的 Name 列删除。
# 切分名字，删除源数据列
df[['first_name','last_name']] = df['name'].str.split(expand=True)
df.drop('name', axis=1, inplace=True)问题 2：重复数据
# 删除重复数据行
df.drop_duplicates(['first_name','last_name'],inplace=True)数据挖掘：
数学基础：
1.概率论与数据统计
2.线性代数
3.图论
4.最优化方法基本流程：
商业理解 -> 数据理解 -> 数据准备 -> 模型建立 -> 模型评估 -> 上线发布十大算法：
分类算法：c4.5、朴素贝叶斯算法、SVM、KNN、Adaboost、CART
聚类算法：K-Means、EM
关系分析：Apriori
连接分析：PageRank数据可视化：
工具：
1.使用python 的Matplotlib、Seaborn等第三方库
2.第二种就是使用第三方工具。如果你已经生成了 csv 格式文件，想要采用所见即所得的方式进行呈现，可以采用微图、DataV、Data GIF Maker 等第三方工具，它们可以很方便地对数据进行处理，还可以帮你制作呈现的效果。数据分析项目
注意的两点：
不重复造轮子
如果已经有了成熟的第三方工具，就不要进行重复的开发，因为这样耗时耗力，还没什么成效.工具决定效率
使用使用者最多的工具，因为Bug少，文档全，案例多。
对工具有着高熟练度，可以提升我们的认知模型。完
腾讯云开发者
