我要分析一組數據應該用什麼演算法

『壹』 數據分析的方法有哪些

② 數據分析為了挖掘更多的問題，並找到原因；
③ 不能為了做數據分析而坐數據分析。
2、步驟：① 調查研究：收集、分析、挖掘數據
② 圖表分析：分析、挖掘的結果做成圖表
3、常用方法： 利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等，它們分別從不同的角度對數據進行挖掘。 ①分類。分類是找出資料庫中一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到某個給定的類別。它可以應用到客戶的分類、客戶的屬性和特徵分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。 ②回歸分析。回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。 ③聚類。聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。 ④關聯規則。關聯規則是描述資料庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶資料庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。 ⑤特徵。特徵分析是從資料庫中的一組數據中提取出關於這些數據的特徵式，這些特徵式表達了該數據集的總體特徵。如營銷人員通過對客戶流失因素的特徵提取，可以得到導致客戶流失的一系列原因和主要特徵，利用這些特徵可以有效地預防客戶的流失。 ⑥變化和偏差分析。偏差包括很大一類潛在有趣的知識，如分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。 ⑦Web頁挖掘。

『貳』 數據分析的基本方法有哪些

數據分析的三個常用方法：
1. 數據趨勢分析
趨勢分析一般而言，適用於產品核心指標的長期跟蹤，比如，點擊率，GMV，活躍用戶數等。做出簡單的數據趨勢圖，並不算是趨勢分析，趨勢分析更多的是需要明確數據的變化，以及對變化原因進行分析。
趨勢分析，最好的產出是比值。在趨勢分析的時候需要明確幾個概念：環比，同比，定基比。環比是指，是本期統計數據與上期比較，例如2019年2月份與2019年1月份相比較，環比可以知道最近的變化趨勢，但是會有些季節性差異。為了消除季節差異，於是有了同比的概念，例如2019年2月份和2018年2月份進行比較。定基比更好理解，就是和某個基點進行比較，比如2018年1月作為基點，定基比則為2019年2月和2018年1月進行比較。
比如：2019年2月份某APP月活躍用戶數我2000萬，相比1月份，環比增加2%，相比去年2月份，同比增長20%。趨勢分析另一個核心目的則是對趨勢做出解釋，對於趨勢線中明顯的拐點，發生了什麼事情要給出合理的解釋，無論是外部原因還是內部原因。
2. 數據對比分析
數據的趨勢變化獨立的看，其實很多情況下並不能說明問題，比如如果一個企業盈利增長10%，我們並無法判斷這個企業的好壞，如果這個企業所處行業的其他企業普遍為負增長，則5%很多，如果行業其他企業增長平均為50%，則這是一個很差的數據。
對比分析，就是給孤立的數據一個合理的參考系，否則孤立的數據毫無意義。在此我向大家推薦一個大數據技術交流圈： 658558542 突破技術瓶頸，提升思維能力 。
一般而言，對比的數據是數據的基本面，比如行業的情況，全站的情況等。有的時候，在產品迭代測試的時候，為了增加說服力，會人為的設置對比的基準。也就是A/B test。
比較試驗最關鍵的是A/B兩組只保持單一變數，其他條件保持一致。比如測試首頁改版的效果，就需要保持A/B兩組用戶質量保持相同，上線時間保持相同，來源渠道相同等。只有這樣才能得到比較有說服力的數據。
3. 數據細分分析
在得到一些初步結論的時候，需要進一步地細拆，因為在一些綜合指標的使用過程中，會抹殺一些關鍵的數據細節，而指標本身的變化，也需要分析變化產生的原因。這里的細分一定要進行多維度的細拆。常見的拆分方法包括：
分時 ：不同時間短數據是否有變化。
分渠道 ：不同來源的流量或者產品是否有變化。
分用戶 ：新注冊用戶和老用戶相比是否有差異，高等級用戶和低等級用戶相比是否有差異。
分地區 ：不同地區的數據是否有變化。
組成拆分 ：比如搜索由搜索片語成，可以拆分不同搜索詞;店鋪流量由不用店鋪產生，可以分拆不同的店鋪。
細分分析是一個非常重要的手段，多問一些為什麼，才是得到結論的關鍵，而一步一步拆分，就是在不斷問為什麼的過程。

『叄』 數據分析包括哪些演算法

1. Analytic Visualizations(可視化分析)

不管是對數據分析專家還是普通用戶，數據可視化是數據分析工具最基本的要求。可視化可以直觀的展示數據，讓數據自己說話，讓觀眾聽到結果。

2. Data Mining Algorithms(數據挖掘演算法)

可視化是給人看的，數據挖掘就是給機器看的。集群、分割、孤立點分析還有其他的演算法讓我們深入數據內部，挖掘價值。這些演算法不僅要處理大數據的量，也要處理大數據的速度。

3. Predictive Analytic Capabilities(預測性分析能力)

數據挖掘可以讓分析員更好的理解數據，而預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。

4. Semantic Engines(語義引擎)

我們知道由於非結構化數據的多樣性帶來了數據分析的新的挑戰，我們需要一系列的工具去解析，提取，分析數據。語義引擎需要被設計成能夠從「文檔」中智能提取信息。

5. Data Quality and Master Data Management(數據質量和數據管理)

數據質量和數據管理是一些管理方面的最佳實踐。通過標准化的流程和工具對數據進行處理可以保證一個預先定義好的高質量的分析結果。

『肆』 論文數據分析方法有哪些

論文數據方法有多選題研究、聚類分析和權重研究三種。

1、多選題研究：多選題分析可分為四種類型包括：多選題、單選-多選、多選-單選、多選-多選。

拓展資料：

一、回歸分析

在實際問題中，經常會遇到需要同時考慮幾個變數的情況，比如人的身高與體重，血壓與年齡的關系，他們之間的關系錯綜復雜無法精確研究，以致於他們的關系無法用函數形式表達出來。為研究這類變數的關系，就需要通過大量實驗觀測獲得數據，用統計方法去尋找他們之間的關系，這種關系反映了變數間的統計規律。而統計方法之一就是回歸分析。

最簡單的就是一元線性回歸，只考慮一個因變數y和一個自變數x之間的關系。例如，我們想研究人的身高與體重的關系，需要搜集大量不同人的身高和體重數據，然後建立一個一元線性模型。接下來，需要對未知的參數進行估計，這里可以採用最小二乘法。最後，要對回歸方程進行顯著性檢驗，來驗證y是否隨著x線性變化。這里，我們通常採用t檢驗。

二、方差分析

在實際工作中，影響一件事的因素有很多，人們希望通過實驗來觀察各種因素對實驗結果的影響。方差分析是研究一種或多種因素的變化對實驗結果的觀測值是否有顯著影響，從而找出較優的實驗條件或生產條件的一種數理統計方法。

人們在實驗中所觀察到的數量指標稱為觀測值，影響觀測值的條件稱為因素，因素的不同狀態稱為水平，一個因素可能有多種水平。

在一項實驗中，可以得到一系列不同的觀測值，有的是處理方式不同或條件不同引起的，稱為因素效應。有的是誤差引起的，稱做實驗誤差。方差分析的主要工作是將測量數據的總變異按照變異原因的不同分解為因素效應和試驗誤差，並對其作出數量分析，比較各種原因在總變異中所佔的重要程度，作為統計推斷的依據。

例如，我們有四種不同配方下生產的元件，想判斷他們的使用壽命有無顯著差異。在這里，配方是影響元件使用壽命的因素，四種不同的配方成為四種水平。可以利用方差分析來判斷。

三、判別分析

判別分析是用來進行分類的統計方法。我來舉一個判別分析的例子，想要對一個人是否有心臟病進行判斷，可以取一批沒有心臟病的病人，測其一些指標的數據，然後再取一批有心臟病的病人，測量其同樣指標的數據，利用這些數據建立一個判別函數，並求出相應的臨界值。

這時候，對於需要判別的病人，還是測量相同指標的數據，將其帶入判別函數，求得判別得分和臨界值，即可判別此人是否屬於有心臟病的群體。

四、聚類分析

聚類分析同樣是用於分類的統計方法，它可以用來對樣品進行分類，也可以用來對變數進行分類。我們常用的是系統聚類法。首先，將n個樣品看成n類，然後將距離最近的兩類合並成一個新類，我們得到n-1類，再找出最接近的兩類加以合並變成n-2類，如此下去，最後所有的樣品均在一類，將上述過程畫成一張圖。在圖中可以看出分成幾類時候每類各有什麼樣品。

比如，對中國31個省份的經濟發展情況進行分類，可以通過收集各地區的經濟指標，例如GDP，人均收入，物價水平等等，並進行聚類分析，就能夠得到不同類別數量下是如何分類的。

五、主成分分析

主成分分析是對數據做降維處理的統計分析方法，它能夠從數據中提取某些公共部分，然後對這些公共部分進行分析和處理。

在用統計分析方法研究多變數的課題時，變數個數太多就會增加課題的復雜性。人們自然希望變數個數較少而得到的信息較多。在很多情形，變數之間是有一定的相關關系的，當兩個變數之間有一定相關關系時，可以解釋為這兩個變數反映此課題的信息有一定的重疊。

主成分分析是對於原先提出的所有變數，將重復的變數（關系緊密的變數）刪去多餘，建立盡可能少的新變數，使得這些新變數是兩兩不相關的，而且這些新變數在反映課題的信息方面盡可能保持原有的信息。

最經典的做法就是用F1（選取的第一個線性組合，即第一個綜合指標）的方差來表達，即Var(F1)越大，表示F1包含的信息越多。因此在所有的線性組合中選取的F1應該是方差最大的，故稱F1為第一主成分。

如果第一主成分不足以代表原來P個指標的信息，再考慮選取F2即選第二個線性組合，為了有效地反映原來信息，F1已有的信息就不需要再出現在F2中，用數學語言表達就是要求Cov(F1, F2)=0，則稱F2為第二主成分，依此類推可以構造出第三、第四，……，第P個主成分。

六、因子分析

因子分析是主成分分析的推廣和發展，它也是多元統計分析中降維的一種方法。因子分析將多個變數綜合為少數幾個因子，以再現原始變數與因子之間的相關關系。

在主成分分析中，每個原始變數在主成分中都佔有一定的分量，這些分量（載荷）之間的大小分布沒有清晰的分界線，這就造成無法明確表述哪個主成分代表哪些原始變數，也就是說提取出來的主成分無法清晰的解釋其代表的含義。

因子分析解決主成分分析解釋障礙的方法是通過因子軸旋轉。因子軸旋轉可以使原始變數在公因子（主成分）上的載荷重新分布，從而使原始變數在公因子上的載荷兩級分化，這樣公因子（主成分）就能夠用哪些載荷大的原始變數來解釋。以上過程就解決了主成分分析的現實含義解釋障礙。

例如，為了了解學生的學習能力，觀測了許多學生數學，語文，英語，物理，化學，生物，政治，歷史，地理九個科目的成績。為了解決這個問題，可以建立一個因子模型，用幾個互不相關的公共因子來代表原始變數。我們還可以根據公共因子在原始變數上的載荷，給公共因子命名。

例如，一個公共因子在英語，政治，歷史變數上的載荷較大，由於這些課程需要記憶的內容很多，我們可以將它命名為記憶因子。以此類推，我們可以得到幾個能評價學生學習能力的因子，假設有記憶因子，數學推導因子，計算能力因子等。

接下來，可以計算每個學生的各個公共因子得分，並且根據每個公共因子的方差貢獻率，計算出因子總得分。通過因子分析，能夠對學生各方面的學習能力有一個直觀的認識。

七、典型相關分析

典型相關分析同樣是用於數據降維處理，它用來研究兩組變數之間的關系。它分別對兩組變數提取主成分。從同一組內部提取的主成分之間互不相關。用從兩組之間分別提取的主成分的相關性來描述兩組變數整體的線性相關關系。