数据分析究竟是一门什么样的学问？

数据分析一定是针对某一些对象的，就像消费记录针对的是某一店铺。那首先要做的，就是通过数据来描述这一对象。通过研究一些有代表性的群体来了解相关的整个行业，接下来小编给大家具体介绍一下datafocus数据分析究竟是什么？

1、基础统计

统计是最直接的方法，而且应用起来也很简单。常用的方法有总和、平均数、最大最小值、中位数、方差、增长率、类型占比、分布、频率频次等等。这里不多做介绍。

2、聚类

“物以类聚，人以群分”，聚类属于非监督学习，聚类可以将一组数据分成多个类别，每个类别内部的数据相似，但两个类别之间相异。聚类有助于发现数据分布上的特点，可以大量减少分析的数据量。比如在轨迹分析和预测中，通过聚类，我们会发现某个人主要出现在三个地方，宿舍周围、食堂周围、教学楼周围，那么当我们预测他在哪的时候，就可以从对无数经纬度坐标的分析变成对三个地点的分析。

3、特征分析

特征工程是很庞大，正如描述的那样，数据和特征决定了机器学习的上限，而模型和算法只能逼近这个上限而已。特征工程包含了特征提取和特征选择，由于其算法众多且比较复杂，这里不一一介绍。特征分析首先要明确分析的单位，包括时间、空间和类型等等。就像轨迹预测中，分析每十分钟的所在地要比分析每秒钟的经纬度坐标要实际得多，而分析每小时的所在地又太过粗糙。然后就是特征提取，特征提取的算法有很多，线性的PCA（主成分分析）、LDA（线性判别分析）、ICA（独立成分分析），文本的F-IDE、期望交叉熵，图像的HOG、LBP等。特征分析的主要目的是降维、减少冗余，提高存储计算能力。举个不太恰当的例子，比如我们要描述二氧化碳的化学特性，有颜色、气味、酸性、碱性、氧化性、还原性、热稳定性等等，同样一氧化碳也一样，那这时候我们把这些特性降维到C和O上，那么认为由C和O的组成的一氧化碳和C和2个O组成的二氧化碳有相似的特性，都是无色无味的气体。

现在大家对datafocus数据分析有所了解了吗？希望小编今天介绍的内容能够帮到大家，如果还有问题欢迎咨询网站老师。