Méthodes de base d'analyse des données
1. Clarifiez le problème
Pour l’analyse des données, le plus important n’est pas l’analyse des données elle-même, mais le problème.
Autrement dit, que veux-tu savoir ?
La capacité de poser des questions est plus importante que la capacité de les résoudre.
Je suis profondément d’accord avec cette affirmation.
Cette affirmation est particulièrement vraie lorsqu’il s’agit d’analyse de données.
Différentes personnes poseront différentes questions sous différents angles et directions sur la même chose. Des questions claires, sans ambiguïté et spécifiques rendront l’analyse des données elle-même simple et efficace.
L’une des principales raisons pour lesquelles l’analyse de nombreuses données est difficile est que les questions ne sont pas claires et peu spécifiques.
2. Analysez le problème
De quelles dimensions de données proviennent les réponses aux questions ?
Les données originales sont-elles disponibles pour toutes ces données ?
Si toutes les données originales peuvent être obtenues, alors l’étape d’enfouissement ponctuel peut être entrée.
Si les données originales ne peuvent pas être obtenues pour certaines données, vous pouvez juger si les résultats peuvent être obtenus par des calculs simples. Si cela est possible, vous pouvez alors passer à l'étape des points d'enfouissement pour obtenir des données. Si des calculs simples ne donnent pas de résultats, le problème doit alors être décomposé en problèmes plus petits et plus simples.
En bref, il y a deux points clés dans l'analyse du problème : l'un est que les données de ces dimensions déterminent la réponse à la question, et l'autre est d'obtenir autant de données originales que possible.
La raison pour laquelle il est nécessaire d'obtenir autant de données originales que possible est que, d'après mon expérience précédente d'une grande quantité d'analyses de données, de calculs trop nombreux et trop complexes, le résultat final s'écartera facilement de la situation réelle, c'est-à-dire la probabilité de distorsion sera relativement élevée et la distorsion sera également relativement importante.
Bien entendu, cela n’est pas absolu : si l’algorithme est suffisamment rigoureux, vous pouvez également envisager des méthodes permettant d’obtenir des résultats via des calculs complexes.
3. Obtenir des données
1. Point d'enfouissement
L’enfouissement des points est une chose très technique, et c’est aussi quelque chose qui peut facilement prêter à confusion. Il est préférable d’avoir une planification et une gestion unifiées des lieux de sépulture.
2. Exploration des données
N’en dis pas plus.
3. Enquête auprès des utilisateurs
N’en dis pas plus.
4. Visualisation et comparaison des données
Les résultats de l’analyse des données doivent être visualisés, ce n’est qu’ainsi que les problèmes peuvent être vus et que des réponses peuvent être obtenues.
Une chose que nous rencontrons souvent lors de la visualisation de données est : quel type de graphique devrions-nous utiliser ?
Un tableau de données peut utiliser un graphique à barres, un graphique linéaire ou même un graphique circulaire, etc. A cette époque, comment choisir ?
Par rapport.
Ce sont les critères de sélection des graphiques.
La visualisation des données est principalement destinée à la comparaison. Ce n'est que par la comparaison que nous pouvons découvrir les problèmes et trouver des réponses.
Il existe deux types de comparaison. L'un est la comparaison des données dans le même graphique. Par exemple, dans un histogramme, vous pouvez voir clairement la quantité/taille des données dans une certaine dimension.
L’autre est la comparaison de plusieurs graphiques, qui peuvent révéler beaucoup de choses.
Ainsi, le graphique à utiliser pour la visualisation dépend des données que vous souhaitez comparer et de la manière dont.
