大數(shù)據(jù)常用的理論方法(大數(shù)據(jù)分析的常用方法)

1.大數(shù)據(jù)分析的常用方法有哪些

總的分兩種：

1 列表法

將實(shí)驗(yàn)數(shù)據(jù)按一定規(guī)律用列表方式表達(dá)出來(lái)是記錄和處理實(shí)驗(yàn)數(shù)據(jù)最常用的方法。表格的設(shè)計(jì)要求對(duì)應(yīng)關(guān)系清楚、簡(jiǎn)單明了、有利于發(fā)現(xiàn)相關(guān)量之間的物理關(guān)系；此外還要求在標(biāo)題欄中注明物理量名稱、符號(hào)、數(shù)量級(jí)和單位等；根據(jù)需要還可以列出除原始數(shù)據(jù)以外的計(jì)算欄目和統(tǒng)計(jì)欄目等。最后還要求寫(xiě)明表格名稱、主要測(cè)量?jī)x器的型號(hào)、量程和準(zhǔn)確度等級(jí)、有關(guān)環(huán)境條件參數(shù)如溫度、濕度等。

2 作圖法

作圖法可以最醒目地表達(dá)物理量間的變化關(guān)系。從圖線上還可以簡(jiǎn)便求出實(shí)驗(yàn)需要的某些結(jié)果（如直線的斜率和截距值等），讀出沒(méi)有進(jìn)行觀測(cè)的對(duì)應(yīng)點(diǎn)（內(nèi)插法），或在一定條件下從圖線的延伸部分讀到測(cè)量范圍以外的對(duì)應(yīng)點(diǎn)（外推法）。此外，還可以把某些復(fù)雜的函數(shù)關(guān)系，通過(guò)一定的變換用直線圖表示出來(lái)。例如半導(dǎo)體熱敏電阻的電阻與溫度關(guān)系為，取對(duì)數(shù)后得到，若用半對(duì)數(shù)坐標(biāo)紙，以lgR為縱軸，以1/T為橫軸畫(huà)圖，則為一條直線。

2.大數(shù)據(jù)分析普遍存在的方法及理論有哪些

PEST分析法

PEST分析理論主要用于行業(yè)分析。PEST分析法用于對(duì)宏觀環(huán)境的分析。宏觀環(huán)境又稱一般環(huán)境，是指影響一切行業(yè)和企業(yè)的各種宏觀力量。

對(duì)宏觀環(huán)境因素作分析時(shí)，由于不同行業(yè)和企業(yè)有其自身特點(diǎn)和經(jīng)營(yíng)需要，分析的具體內(nèi)容會(huì)有差異，但一般都應(yīng)對(duì)政治、經(jīng)濟(jì)、技術(shù)、社會(huì)，這四大類影響企業(yè)的主要外部環(huán)境因素進(jìn)行分析。

2.邏輯樹(shù)分析法

邏輯樹(shù)分析理論課用于業(yè)務(wù)問(wèn)題專題分析。邏輯樹(shù)又稱問(wèn)題樹(shù)、演繹樹(shù)或分解樹(shù)等。邏輯樹(shù)是分析問(wèn)題最常使用的工具之一，它將問(wèn)題的所有子問(wèn)題分層羅列，從最高層開(kāi)始，并逐步向下擴(kuò)展。

把一個(gè)已知問(wèn)題當(dāng)成樹(shù)干，然后開(kāi)始考慮這個(gè)問(wèn)題和哪些相關(guān)問(wèn)題有關(guān)。

3.大數(shù)據(jù)挖掘常用的方法有哪些

1. Analytic Visualizations（可視化分析）

不管是對(duì)數(shù)據(jù)分析專家還是普通用戶，數(shù)據(jù)可視化是數(shù)據(jù)分析工具最基本的要求。可視化可以直觀的展示數(shù)據(jù)，讓數(shù)據(jù)自己說(shuō)話，讓觀眾聽(tīng)到結(jié)果。

2. Data Mining Algorithms（數(shù)據(jù)挖掘算法）

可視化是給人看的，數(shù)據(jù)挖掘就是給機(jī)器看的。集群、分割、孤立點(diǎn)分析還有其他的算法讓我們深入數(shù)據(jù)內(nèi)部，挖掘價(jià)值。這些算法不僅要處理大數(shù)據(jù)的量，也要處理大數(shù)據(jù)的速度。

3. Predictive Analytic Capabilities（預(yù)測(cè)性分析能力）

數(shù)據(jù)挖掘可以讓分析員更好的理解數(shù)據(jù)，而預(yù)測(cè)性分析可以讓分析員根據(jù)可視化分析和數(shù)據(jù)挖掘的結(jié)果做出一些預(yù)測(cè)性的判斷。

4. Semantic Engines（語(yǔ)義引擎）

由于非結(jié)構(gòu)化數(shù)據(jù)的多樣性帶來(lái)了數(shù)據(jù)分析的新的挑戰(zhàn)，需要一系列的工具去解析，提取，分析數(shù)據(jù)。語(yǔ)義引擎需要被設(shè)計(jì)成能夠從“文檔”中智能提取信息。

5. Data Quality and Master Data Management（數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理）

數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理是一些管理方面的最佳實(shí)踐。通過(guò)標(biāo)準(zhǔn)化的流程和工具對(duì)數(shù)據(jù)進(jìn)行處理可以保證一個(gè)預(yù)先定義好的高質(zhì)量的分析結(jié)果。

4.常用的大數(shù)據(jù)技術(shù)有哪些

大數(shù)據(jù)技術(shù)包括數(shù)據(jù)收集、數(shù)據(jù)存取、基礎(chǔ)架構(gòu)、數(shù)據(jù)處理、統(tǒng)計(jì)分析、數(shù)據(jù)挖掘、模型預(yù)測(cè)、結(jié)果呈現(xiàn)。

1、數(shù)據(jù)收集：在大數(shù)據(jù)的生命周期中，數(shù)據(jù)采集處于第一個(gè)環(huán)節(jié)。根據(jù)MapReduce產(chǎn)生數(shù)據(jù)的應(yīng)用系統(tǒng)分類，大數(shù)據(jù)的采集主要有4種來(lái)源：管理信息系統(tǒng)、Web信息系統(tǒng)、物理信息系統(tǒng)、科學(xué)實(shí)驗(yàn)系統(tǒng)。

2、數(shù)據(jù)存?。捍髷?shù)據(jù)的存去采用不同的技術(shù)路線，大致可以分為3類。第1類主要面對(duì)的是大規(guī)模的結(jié)構(gòu)化數(shù)據(jù)。第2類主要面對(duì)的是半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。第3類面對(duì)的是結(jié)構(gòu)化和非結(jié)構(gòu)化混合的大數(shù)據(jù)，

3、基礎(chǔ)架構(gòu)：云存儲(chǔ)、分布式文件存儲(chǔ)等。

4、數(shù)據(jù)處理：對(duì)于采集到的不同的數(shù)據(jù)集，可能存在不同的結(jié)構(gòu)和模式，如文件、XML 樹(shù)、關(guān)系表等，表現(xiàn)為數(shù)據(jù)的異構(gòu)性。對(duì)多個(gè)異構(gòu)的數(shù)據(jù)集，需要做進(jìn)一步集成處理或整合處理，將來(lái)自不同數(shù)據(jù)集的數(shù)據(jù)收集、整理、清洗、轉(zhuǎn)換后，生成到一個(gè)新的數(shù)據(jù)集，為后續(xù)查詢和分析處理提供統(tǒng)一的數(shù)據(jù)視圖。

5、統(tǒng)計(jì)分析：假設(shè)檢驗(yàn)、顯著性檢驗(yàn)、差異分析、相關(guān)分析、T檢驗(yàn)、方差分析、卡方分析、偏相關(guān)分析、距離分析、回歸分析、簡(jiǎn)單回歸分析、多元回歸分析、逐步回歸、回歸預(yù)測(cè)與殘差分析、嶺回歸、logistic回歸分析、曲線估計(jì)、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對(duì)應(yīng)分析、多元對(duì)應(yīng)分析（最優(yōu)尺度分析）、bootstrap技術(shù)等等。

6、數(shù)據(jù)挖掘：目前，還需要改進(jìn)已有數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)技術(shù)；開(kāi)發(fā)數(shù)據(jù)網(wǎng)絡(luò)挖掘、特異群組挖掘、圖挖掘等新型數(shù)據(jù)挖掘技術(shù)；突破基于對(duì)象的數(shù)據(jù)連接、相似性連接等大數(shù)據(jù)融合技術(shù)；突破用戶興趣分析、網(wǎng)絡(luò)行為分析、情感語(yǔ)義分析等面向領(lǐng)域的大數(shù)據(jù)挖掘技術(shù)。

7、模型預(yù)測(cè)：預(yù)測(cè)模型、機(jī)器學(xué)習(xí)、建模仿真。

8、結(jié)果呈現(xiàn)：云計(jì)算、標(biāo)簽云、關(guān)系圖等。

5.大數(shù)據(jù)的使用方式有哪些

最常用的四種數(shù)據(jù)分析方法：描述型分析、診斷型分析、預(yù)測(cè)型分析和指令型分析。

1. 描述型分析：發(fā)生了什么？

這是最常見(jiàn)的分析方法。在業(yè)務(wù)中，這種方法向數(shù)據(jù)分析師提供了重要指標(biāo)和業(yè)務(wù)的衡量方法。

例如，每月的營(yíng)收和損失賬單。數(shù)據(jù)分析師可以通過(guò)這些賬單，獲取大量的客戶數(shù)據(jù)。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強(qiáng)描述型分析所提供的信息。

2. 診斷型分析：為什么會(huì)發(fā)生？

描述性數(shù)據(jù)分析的下一步就是診斷型數(shù)據(jù)分析。通過(guò)評(píng)估描述型數(shù)據(jù)，診斷分析工具能夠讓數(shù)據(jù)分析師深入地分析數(shù)據(jù)，鉆取到數(shù)據(jù)的核心。

良好設(shè)計(jì)的BI dashboard能夠整合：按照時(shí)間序列進(jìn)行數(shù)據(jù)讀入、特征過(guò)濾和鉆取數(shù)據(jù)等功能，以便更好的分析數(shù)據(jù)。

3. 預(yù)測(cè)型分析：可能發(fā)生什么？

預(yù)測(cè)型分析主要用于進(jìn)行預(yù)測(cè)。事件未來(lái)發(fā)生的可能性、預(yù)測(cè)一個(gè)可量化的值，或者是預(yù)估事情發(fā)生的時(shí)間點(diǎn)，這些都可以通過(guò)預(yù)測(cè)模型來(lái)完成。

預(yù)測(cè)模型通常會(huì)使用各種可變數(shù)據(jù)來(lái)實(shí)現(xiàn)預(yù)測(cè)。數(shù)據(jù)成員的多樣化與預(yù)測(cè)結(jié)果密切相關(guān)。

在充滿不確定性的環(huán)境下，預(yù)測(cè)能夠幫助做出更好的決定。預(yù)測(cè)模型也是很多領(lǐng)域正在使用的重要方法。

4. 指令型分析：需要做什么？

數(shù)據(jù)價(jià)值和復(fù)雜度分析的下一步就是指令型分析。指令模型基于對(duì)“發(fā)生了什么”、“為什么會(huì)發(fā)生”和“可能發(fā)生什么”的分析，來(lái)幫助用戶決定應(yīng)該采取什么措施。通常情況下，指令型分析不是單獨(dú)使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

6.大數(shù)據(jù)分析普遍存在的方法論主要有哪些

有問(wèn)題找靈玖，010-62648216 大數(shù)據(jù)搜索挖掘分析一站式解決方案

靈玖軟件全稱靈玖中科軟件（北京）有限公司，專注于大數(shù)據(jù)搜索與挖掘的技術(shù)創(chuàng)新與服務(wù)，提供大數(shù)據(jù)搜索、大數(shù)據(jù)挖掘與大數(shù)據(jù)應(yīng)用解決方案，以應(yīng)對(duì)大數(shù)據(jù)的管理、處理、分析并從大數(shù)據(jù)中獲知識(shí)與智慧，將用戶的大數(shù)據(jù)困境轉(zhuǎn)變?yōu)榇髷?shù)據(jù)寶藏。靈玖軟件大數(shù)據(jù)搜索與挖掘技術(shù)已經(jīng)應(yīng)用于全球二十余萬(wàn)家機(jī)構(gòu)，包括國(guó)家統(tǒng)計(jì)局、中國(guó)證監(jiān)會(huì)、中國(guó)郵政集團(tuán)、國(guó)家氣象局、國(guó)家新聞辦公室、最高人民法院等國(guó)家單位，中國(guó)上市公司協(xié)會(huì)、中國(guó)對(duì)外承包工程商會(huì)、北京市園林局、解放軍某部等事業(yè)與機(jī)關(guān)，以及海航集團(tuán)、上海電信、中國(guó)網(wǎng)、富基融通eFuture、四維圖新、締元信等大中型企業(yè)。010-62648216 62648067

7.常用的數(shù)據(jù)分析方法有哪些

一、掌握基礎(chǔ)、更新知識(shí)。

基本技術(shù)怎么強(qiáng)調(diào)都不過(guò)分。這里的術(shù)更多是（計(jì)算機(jī)、統(tǒng)計(jì)知識(shí)）， 多年做數(shù)據(jù)分析、數(shù)據(jù)挖掘的經(jīng)歷來(lái)看、以及業(yè)界朋友的交流來(lái)看，這點(diǎn)大家深有感觸的。

數(shù)據(jù)庫(kù)查詢—SQL 數(shù)據(jù)分析師在計(jì)算機(jī)的層面的技能要求較低，主要是會(huì)SQL，因?yàn)檫@里解決一個(gè)數(shù)據(jù)提取的問(wèn)題。有機(jī)會(huì)可以去逛逛一些專業(yè)的數(shù)據(jù)論壇，學(xué)習(xí)一些SQL技巧、新的函數(shù)，對(duì)你工作效率的提高是很有幫助的。

統(tǒng)計(jì)知識(shí)與數(shù)據(jù)挖掘 你要掌握基礎(chǔ)的、成熟的數(shù)據(jù)建模方法、數(shù)據(jù)挖掘方法。例如：多元統(tǒng)計(jì)：回歸分析、因子分析、離散等，數(shù)據(jù)挖掘中的：決策樹(shù)、聚類、關(guān)聯(lián)規(guī)則、神經(jīng)網(wǎng)絡(luò)等。

但是還是應(yīng)該關(guān)注一些博客、論壇中大家對(duì)于最新方法的介紹，或者是對(duì)老方法的新運(yùn)用，不斷更新自己知識(shí)，才能跟上時(shí)代，也許你工作中根本不會(huì)用到，但是未來(lái)呢？行業(yè)知識(shí) 如果數(shù)據(jù)不結(jié)合具體的行業(yè)、業(yè)務(wù)知識(shí)，數(shù)據(jù)就是一堆數(shù)字，不代表任何東西。是冷冰冰，是不會(huì)產(chǎn)生任何價(jià)值的，數(shù)據(jù)驅(qū)動(dòng)營(yíng)銷、提高科學(xué)決策一切都是空的。

一名數(shù)據(jù)分析師，一定要對(duì)所在行業(yè)知識(shí)、業(yè)務(wù)知識(shí)有深入的了解。例如：看到某個(gè)數(shù)據(jù)，你首先必須要知道，這個(gè)數(shù)據(jù)的統(tǒng)計(jì)口徑是什么？是如何取出來(lái)的？這個(gè)數(shù)據(jù)在這個(gè)行業(yè)， 在相應(yīng)的業(yè)務(wù)是在哪個(gè)環(huán)節(jié)是產(chǎn)生的？數(shù)值的代表業(yè)務(wù)發(fā)生了什么（背景是什么）？對(duì)于A部門(mén)來(lái)說(shuō)，本月新會(huì)員有10萬(wàn)，10萬(wàn)好還是不好呢？先問(wèn)問(wèn)上面的這個(gè)問(wèn)題：對(duì)于A部門(mén)，1、新會(huì)員的統(tǒng)計(jì)口徑是什么。

第一次在使用A部門(mén)的產(chǎn)品的會(huì)員？還是在站在公司角度上說(shuō)，第一次在公司發(fā)展業(yè)務(wù)接觸的會(huì)員？2、是如何統(tǒng)計(jì)出來(lái)的。A：時(shí)間；是通過(guò)創(chuàng)建時(shí)間，還是業(yè)務(wù)完成時(shí)間。

B：業(yè)務(wù)場(chǎng)景。是只要與業(yè)務(wù)發(fā)接觸，例如下了單，還是要業(yè)務(wù)完成后，到成功支付。

3、這個(gè)數(shù)據(jù)是在哪個(gè)環(huán)節(jié)統(tǒng)計(jì)出來(lái)。在注冊(cè)環(huán)節(jié)，在下單環(huán)節(jié)，在成功支付環(huán)節(jié)。

4、這個(gè)數(shù)據(jù)代表著什么。10萬(wàn)高嗎？與歷史相同比較？是否做了營(yíng)銷活動(dòng)？這個(gè)行業(yè)處理行業(yè)生命同期哪個(gè)階段？在前面二點(diǎn)，更多要求你能按業(yè)務(wù)邏輯，來(lái)進(jìn)行數(shù)據(jù)的提?。ǜ嗍菍?xiě)SQL代碼從數(shù)據(jù)庫(kù)取出數(shù)據(jù)）。

后面二點(diǎn)，更重要是對(duì)業(yè)務(wù)了解，更行業(yè)知識(shí)了解，你才能進(jìn)行相應(yīng)的數(shù)據(jù)解讀，才能讓數(shù)據(jù)產(chǎn)生真正的價(jià)值，不是嗎？對(duì)于新進(jìn)入數(shù)據(jù)行業(yè)或者剛進(jìn)入數(shù)據(jù)行業(yè)的朋友來(lái)說(shuō)：行業(yè)知識(shí)都重要，也許你看到很多的數(shù)據(jù)行業(yè)的同仁，在微博或者寫(xiě)文章說(shuō)，數(shù)據(jù)分析思想、行業(yè)知識(shí)、業(yè)務(wù)知識(shí)很重要。我非常同意。

因?yàn)樽鳛閿?shù)據(jù)分析師，在發(fā)表任何觀點(diǎn)的時(shí)候，都不要忘記你居于的背景是什么？但大家一定不要忘記了一些基本的技術(shù)，不要把基礎(chǔ)去忘記了，如果一名數(shù)據(jù)分析師不會(huì)寫(xiě)SQL，那麻煩就大了。哈哈。

你只有把數(shù)據(jù)先取對(duì)了，才能正確的分析，否則一切都是錯(cuò)誤了，甚至?xí)?dǎo)致致命的結(jié)論。

新同學(xué)，還是好好花時(shí)間把基礎(chǔ)技能學(xué)好。因?yàn)榛A(chǔ)技能你可以在短期內(nèi)快速提高，但是在行業(yè)、業(yè)務(wù)知識(shí)的是一點(diǎn)一滴的積累起來(lái)的，有時(shí)候是急不來(lái)的，這更需要花時(shí)間慢慢去沉淀下來(lái)。

不要過(guò)于追求很高級(jí)、高深的統(tǒng)計(jì)方法，我提倡有空還是要多去學(xué)習(xí)基本的統(tǒng)計(jì)學(xué)知識(shí)，從而提高工作效率，達(dá)到事半功倍。以我經(jīng)驗(yàn)來(lái)說(shuō)，我負(fù)責(zé)任告訴新進(jìn)的同學(xué)，永遠(yuǎn)不要忘記基本知識(shí)、基本技能的學(xué)習(xí)。

二、要有三心。1、細(xì)心。

2、耐心。3、靜心。

數(shù)據(jù)分析師其實(shí)是一個(gè)細(xì)活，特別是在前文提到的例子中的前面二點(diǎn)。而且在數(shù)據(jù)分析過(guò)程中，是一個(gè)不斷循環(huán)迭代的過(guò)程，所以一定在耐心，不怕麻煩，能靜下心來(lái)不斷去修改自己的分析思路。

三、形成自己結(jié)構(gòu)化的思維。數(shù)據(jù)分析師一定要嚴(yán)謹(jǐn)。

而嚴(yán)謹(jǐn)一定要很強(qiáng)的結(jié)構(gòu)化思維，如何提高結(jié)構(gòu)化思維，也許只需要工作隊(duì)中不斷的實(shí)踐。但是我推薦你用mindmanagement，首先把你的整個(gè)思路整理出來(lái)，然后根據(jù)分析不斷深入、得到的信息不斷增加的情況下去完善你的結(jié)構(gòu)，慢慢你會(huì)形成一套自己的思想。

當(dāng)然有空的時(shí)候去看看《麥肯錫思維》、結(jié)構(gòu)化邏輯思維訓(xùn)練的書(shū)也不錯(cuò)。在我以為多看看你身邊更資深同事的報(bào)告，多問(wèn)問(wèn)他們是怎么去考慮這個(gè)問(wèn)題的，別人的思想是怎么樣的？他是怎么構(gòu)建整個(gè)分析體系的。

四、業(yè)務(wù)、行業(yè)、商業(yè)知識(shí)。當(dāng)你掌握好前面的基本知識(shí)和一些技巧性東西的時(shí)候，你應(yīng)該在業(yè)務(wù)、行業(yè)、商業(yè)知識(shí)的學(xué)習(xí)與積累上了。

這個(gè)放在最后，不是不重要，而且非常重要，如果前面三點(diǎn)是決定你能否進(jìn)入這個(gè)行業(yè)，那么這則是你進(jìn)入這個(gè)行業(yè)后，能否成功的最根本的因素。 數(shù)據(jù)與具體行業(yè)知識(shí)的關(guān)系，比作池塘中魚(yú)與水的關(guān)系一點(diǎn)都不過(guò)分，數(shù)據(jù)（魚(yú)）離開(kāi)了行業(yè)、業(yè)務(wù)背景（水）是死的，是不可能是“活”。

而沒(méi)有“魚(yú)”的水，更像是“死”水，你去根本不知道看什么（方向在哪）。如何提高業(yè)務(wù)知識(shí)，特別是沒(méi)有相關(guān)背景的同學(xué)。

很簡(jiǎn)單，我總結(jié)了幾點(diǎn)：1、多向業(yè)務(wù)部門(mén)的同事請(qǐng)教，多溝通。多向他們請(qǐng)教，數(shù)據(jù)分析師與業(yè)務(wù)部門(mén)沒(méi)有利益沖突，而更向是共生體，所以如果你態(tài)度好，相信業(yè)務(wù)部門(mén)的同事也很愿意把他們知道的告訴你。

2、永遠(yuǎn)不要忘記了google大神，定制一些行業(yè)的關(guān)鍵字，每天都先看看定制的郵件。3、每天有空去瀏。

8.數(shù)據(jù)分析的幾種經(jīng)典的理論

數(shù)據(jù)分析理論導(dǎo)航頁(yè)收錄已經(jīng)發(fā)布的工作生活用到的數(shù)據(jù)分析思路及理論方法。例如數(shù)據(jù)分析師基本技能、時(shí)間序列分析、分析軟件功能介紹等。

1 大數(shù)據(jù)時(shí)代：數(shù)據(jù)分析能力重要性

2 大數(shù)據(jù)時(shí)代：數(shù)據(jù)分析基礎(chǔ)

3 正態(tài)性檢驗(yàn)方法介紹

4 數(shù)據(jù)分析技術(shù)：數(shù)據(jù)差異的顯著性檢驗(yàn)

5 數(shù)據(jù)分析方法：非正態(tài)數(shù)據(jù)轉(zhuǎn)化成正態(tài)數(shù)據(jù)

6 均值差異性檢驗(yàn)：Z檢驗(yàn)和T檢驗(yàn)綜述

7 均值差異性檢驗(yàn)：方差分析綜述

8 數(shù)據(jù)分析方法：非參數(shù)檢驗(yàn)

9 數(shù)據(jù)分析技術(shù)：擬合優(yōu)度檢驗(yàn)

10 數(shù)據(jù)分析技術(shù)：數(shù)據(jù)關(guān)聯(lián)性分析綜述

11 數(shù)據(jù)分析技術(shù)：數(shù)據(jù)的歸納分析

12 數(shù)據(jù)分析技術(shù)：?jiǎn)柧恚季恚┑男哦扰c效度

13 數(shù)據(jù)分析技術(shù)：相關(guān)關(guān)系分析

14 數(shù)據(jù)分析技術(shù)：數(shù)據(jù)分類很重要

15 數(shù)據(jù)分析技術(shù)：回歸分析

16 數(shù)據(jù)分析技術(shù)：非參數(shù)檢驗(yàn)