前言：大数据和人工智能相信大家都知道，这是未来的趋势，作为一枚程序员居安思危，业务代码什么的都是浮云，数据分析了解
一波。让我们揭开大数据分析的神秘面纱。
大数据分析其实在实际生活中很常见，京东淘宝智能推荐系统就是其中的代表，通过收集用户行为，分析用户行为，处理用户行为数
据，建立用户行为模型，智能推荐商品。这就是数据分析。
数据分析挖掘第一步：明确目标
从上面京东天猫商品推荐系统上，我们也大致知道了数据分析的流程，同时也可以了解到前面的一系列动作，最终就是为了合理的推
荐商品。也就是说数据分析都是带有目的性的，所以数据分析并不是随便分析，首先需要明确数据分析的目的，比如我数据分析的目的就
为了知道股票行情，知道哪只股票会涨，然后自己赚点小钱钱，ok，我们的目的很明确了。
数据分析挖掘第二步：数据获取
有了挖掘目标之后，就需要收集数据了，毕竟是数据分析，没有数据还分析啥。所以明确挖掘目标之后就需要收集数据，像之前我们
的目标是分析股票行情，所以我们下一步就是收集和股票行情相关的数据，这个数据没有人给我们，所以我们需要自立更生，网络上最不
缺的就是数据，而我们就是在海量数据中淘金的人，写个爬虫，各大应用商店APP下载量及评论数据，是我们哒了，再写个爬虫大众点评的
资讯数据，也是我们哒了，总之爬虫是获取网络数据的重要方式，get一波。瞄准各个行业的数据，撸个爬虫，啥数据都有了。还有些情况
是不用写爬虫的，比如有些连锁店也想搞数据分析，毕竟大型连锁店想更合理的发展离不开大数据分析，分析哪款产品好卖，就能提升销
售额了，像这种大型连锁店的数据一般都有自己的管理工具管理，我们只需要从数据库里面抽取就可以了。kettle了解下。
数据分析挖掘第三步：数据探索
获取了数据就等于走上了人生巅峰，准备迎娶白富美了，不，醒醒！！海量的数据只是贫瘠的沙漠，你不知道下面埋葬的是黄金还是
沙子，获取数据只是走出了人生巅峰的第一步。我们从网络上获取的数据都是混乱无序的，我们不知道这些数据之间有何关联，而数据探
索就是分析数据结构和规律过程，沙漠里淘金的关键一步。
看到这里可能就比较懵了，沙漠淘金谈何容易，用双手挖是不可能用双手挖的。同样数据探索也不可能靠人力去探索，人之所以是人
就是擅长使用工具，而数据探索也是有工具可用，有方向可循的，漫无目的的寻找不可能到达目的地。在数据探索方面也有2个方向：数
据质量分析（缺失值分析，异常值分析，一致性分析）、数据特征分析（分布分析，对比分析，统计量分析，周期性分析，贡献度分析，
相关性分析），掌握相关工具数据探索就变得很容易哒。
数据分析挖掘第四步：数据处理
数据探索是给我们指引方向，告诉我们沙漠哪个地方可能有黄金，属于有依据的猜测，就是告诉你“那里可能有黄金，去找吧”，但
是这个范围还是很大，毕竟数据探索只是指个方向，指定范围，不让我们埋头乱窜。所以我们要想挖到黄金还是得再次缩小范围，而数据
处理就能帮我们缩小范围，数据处理包括:数据清洗（缺失值处理、异常值处理）、数据集成（实体识别、冗余属性识别）、数据变换（
简单函数变换，规范化，连续属性离散化，属性构造，小波变换）、数据规约（属性规约、数值规约）。数据处理的目的在于提高数据的
质量，使数据更易于建模。
数据分析挖掘第五步：数据建模
万事具备，只差东风。现在你离迎娶白富美只差一个数据建模了，不论是数据探索还是数据处理都是为了数据建模，也就是离黄金的
最后一铲子，当然一铲子下去也有可能是沙子，毕竟我们的分析方向，挖掘方向也是有可能有误差的。建模说的神秘，其实模型的本质就
是一个函数，或者说是一个公式，我们通过大量数据推演出的公式，这个公式通过输入得到我们想要的输出。比如我们把后续爬取的股票
行情相关的信息输入公式，得到哪只股票会涨，哪只股票会跌。而这个公式都是通过前面大量的数据分析总结出来的。而推演公式的方法
，或者说建模的方法包括:分类与预测（分类算法，预测算法，回归分析，决策树，人工神经网络）、聚类分析、关联规则、时系模式、离
群点检测。
就像不同地形判断是否有黄金一样，不同的数据和场景，我们需要选择不同的建模方式来达到我们的目的。比如我想给股票分类，分
哪些股票容易涨，哪些容易跌可以使用分类算法（分类算法的的具体原理我们悄悄讨论）。还有预测算法，通过某个现象（变量）会导致
其他现象（因变量）的发生。然后构建公式，输入变量得到因变量的结果。比如输入某公司管理层出现问题的某些问题，预测这个公司的
股票涨跌等等。
数据分析挖掘第六步：模型评价
就像前面说的，建模是挖掘黄金的最后一铲子，但是铲下去得到的是黄金还是沙子我们是不清楚的，但是我们可以通过一些手段来提
高是黄金的几率，而提高几率的过程就是模型评价。通过模型测试提高模型的准确率。
总结:干货是不可能有干货的，我们的主题就是了解数据分析流程哒，干货在哪，期待后续未知的更新，喵喵喵！！！