常用的数据分析方法-{下拉词

大家好，今天小编关注到一个比较有意思的话题，就是关于常用的数据分析方法的问题，于是小编就整理了1个相关介绍常用的数据分析方法的解答，让我们一起看看吧。

1. 数据分析需要用什么技术？java还python好一点？

数据分析需要用什么技术？j***a还python好一点？

先说结论，

问题1回答：数据分析技术简单来说可归类为统计分析技术和数据可视化两类。

问题2回答：目前阶段做数据分析使用Python更高效，方便一点。

希望我作为数据分析师的经验能对你有帮助

1、数据分析的本质

数据分析是指用适当的统计方法对收集的大量数据进行数据分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程，最后再通过得到的结论应用到行业中解决实际问题。

简单概括来说数据分析就是-- 处理数据然后推进优化现实工作。

数据分析应用在各行各业，互联网，工业，咨询行业等，有一个共同点，数据分析都是为业务服务的，用于解决实际运营中出来的问题，或者探索业务可优化的空间。

明白了这一点，就知道数据分析不是目的，数据分析的结果产出对业务的实际提升和优化才是目的，数据分析只是一种解决的方法，既然是方法，我们就要考虑它的效果，成本（学习成本，使用成本）等。

2.数据分析的技能要求

以现在最热门的互联网行业的数据分析而言，随便从招聘网站上截取部分应届生数据分析师招聘JD，选取应届生是因为相对要求低一点，对题主想要入门应该更有参考下价值。

不同公司业务不同，对于“岗位职责”先可以不用太关注，我们这里主要看“任职资格”这一部分，关于技能方面，可以看到有SQL，Python/R，Spark，hive，BI工具等。

看起来需要掌握的很多，那我们再来通过大数据的方法看一下，获取招聘网站上的招聘要求，根据工具关键词出现的频率，绘制成数据分析所需工具词云图：

可以看到，Excel，sql，python，PPT，hive，spss等出现的评率最高，同时可以可以看到还有很多其他的工具技能要求，但这几个出现频率最高的肯定是基本要求，那么是否这些工具我们都需要掌握呢，这个根据两个方面，一是你所处的工作阶段，二是作为数据分析师的不同方向。

我这里从数据分析方法的角度将数据分析方向分为三个：业务数据分析，数据挖掘分析，大数据分析。将每个方向对应的工具和方法做成思维导图如下：

可以见到，每个方向所对应的主要工具要求都不一样，一般来说，从业务数据分析》数据挖掘分析》大数据分析的技能门槛是逐步提高的，而且技能要求也是叠加的，也就是说例如数据挖掘分析师也需要掌握业务数据分析的工具和方法。

但这并不是数据分析师的发展路径，这只是数据分析不同的方向，如果对业务数据分析非常感兴趣且工作非常有成效，有很好的数据分析思维，那么完全可以往业务方向发展，只掌握SQL，EXCEL,PPT等成为商业分析师和集团战略分析师也是没有问题的，所以根据自己的情况，不用过分追求技术，别忘记，数据分析是为业务服务的！。

根据以上部分我们可以总结回答下题主的第一个问题（数据分析需要的技术），结合上图，可以归纳为描述性统计分析技术（业务数据分析），探索性统计分析技术（数据挖掘，大数据分析），数据可视化（将数据分析结果图表化，撰写报告用或汇报用）。

3.Python

既然题主提出Python和J***a的对比，说明对编程语言和数据分析还是有一定了解的，结合上面2部分的分析，题主可能实际想知道的是Python和J***a哪一个更适合做探索性的数据分析（数据挖掘和大数据分析），做简单的探索性分析其实用SPSS和R语言等一样可行。

但探索性数据分析里目前非常重要且流行的一个方法是机器学习，目前机器学习的主要框架如Tensorflow, sklearn等均是基于Python语言，因为应用广泛且被证明是高效可行的，所以目前来看使用成本相对较低，另外考虑到公司里的团队合作，使用同样的编程语言，团队交流合作也会更加高效。

另外涉及学习成本，Python出名的灵活便捷使其成为数据分析的首选，使用Python做数据分析，掌握基本语法之后，学会使用Numpy,Pandas,matplotlib等库之后就可以开始数据分析，实现同样的数据分析功能，先比于J***a, Python用更少的代码即可实现, 另外Python的众多数据分析相关的开源库也提供了很好的数据分析平台。

而J***a并非在数据领域很少使用，相反它是大数据平台的基础，例如Hadoop等大数据平台是基于J***a, 但这部分更多的是数据开发和数据仓库方向的技术开发的内容，与数据分析有较大区别。即使是大数据分析师，在使用大数据平台时，掌握Hive sql 也能完成取数要求，并不需要掌握J***a。

综上，数据分析技术因数据分析方向和阶段各异，主要是统计分析和数据可视化，现阶段Python比J***a更适合做数据分析。谢谢

J***a大数据：

J***a语言应用广泛，可以应用的领域也非常多，有完整的生态体系，另外J***a语言的性能也非常不错。J***a与大数据的关系非常密切，一方面目前做大数据开发的程序员很多都是从J***a程序员转过去的，另一方面Hadoop平台本身就是基于J***a开发的，所以目前J***a在大数据开发中的使用还是非常普遍的。

但是J***a语言自身的复杂性让很多程序员感觉它有点“重”，格式化的东西有点多，所以在Spark平台下，很多程序员更愿意使用Scala语言，而Scala就是基于J***a语言构建的，所以有J***a基础再学习Scala还是比较轻松的。

单学J***a以后的就业方向单一，薪资就是J***a程序员的基本水平；而J***a大数据工程师，以后的就业可以从事J***a方面的工作，也可以涉猎大数据方面的工作，因为对大数据技术知识有所涉猎，所以谈薪资的资本会高一些：

由于大数据产业的火爆，相关职位的待遇也是水涨船高。可以看到，大数据相关职位的平均薪资已经超过月薪20K。

Python大数据：

Python语言目前在大数据和人工智能领域有广泛的应用，原因就是Python语言简单、直接、方便。Python语言是脚本式语言，所以学习起来比较简单，脚本语言的天然属性就是直接，所以Python在语法结构上比J***a要“轻”很多。

另外，由于Python有丰富的库支持，所以Python做软件开发也非常“直接”，程序员的作用有点像做“集成”的感觉。目前Python在Hadoop和Spark平台下的使用都非常普遍，而且越来越多的J***a程序员转向使用Python，因为没人愿意复杂。

但是Python缺点也比较明显，那就是Python的性能远不及J***a，另外与大数据平台的耦合度也不如J***a好。但是如果你使用Python做算法实现、数据分析、数据呈现等应用是完全没有问题的，效率也比较高。

总之，如果做大数据开发，小编建议J***a和Python最好都学习一下（主学J***a），语言本身就是工具。

这是一个非常好的问题，作为一名IT从业者，我来回答一下。

首先，随着大数据技术的落地应用，数据分析作为大数据的常见任务会逐渐增多，未来不仅IT（互联网）行业会需要进行大量的数据分析，传统行业领域也会逐渐释放出大量的数据分析任务。

从当前的技术体系来看，目前常见的数据分析方式有两种，一种是统计学方式，另一种是机器学习方式，而无论***用哪种数据分析方式，通常都离不开程序设计。当前在生产环境下，数据分析任务通常都基于平台来展开，比如Hadoop、Spark就是比较常见的数据分析平台。

在Hadoop和Spark平台下，***用J***a和Python都可以，同时也可以***用Scala和R等编程语言，开发人员可以根据自身的知识结构来选择具体的编程语言，而对于初学者来说，当前学习Python语言是不错的选择。

***用Python进行数据分析有三方面好处，其一是Python语言自身比较简单易学，初学者很容易上手；其二是Python语言有众多的库可以使用，比如Numpy、Matplotlib、Pandas等，这些库对于提升Python数据分析能力有非常直接的帮助；其三是Python语言本身就是一门全场景编程语言，具有较强的落地应用能力。

从当前的使用情况来看，在数据分析领域，Python语言的上升趋势还是比较明显的，而且数据分析人员也比较愿意使用Python，与J***a语言主要应用在IT（互联网）行业不同，Python语言在传统行业的应用也比较普遍。

我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！

数据分析需要使用多种技术，包括编程语言、数据库管理系统、数据可视化工具等。

在编程语言方面，常用的有Python和R。Python具有广泛的应用，支持各种类型的数据分析，常用的库有pandas、numpy、matplotlib等。R语言在统计学和数据科学方面应用广泛，常用的库有ggplot2、dplyr等。

在数据库管理系统方面，常用的有MySQL、PostgreSQL和MongoDB。

在数据可视化方面，常用的工具有matplotlib、seaborn、ggplot2等。

j***a 也有数据分析库的支持，如 weka, rapid miner 等。

除了上述提到的语言、数据库、工具之外，数据分析还需要使用一些其他技术，如：

• 机器学习：机器学习是人工智能的一个分支，它使用算法来让计算机学习和改进，而不是被明确编程。常见的机器学习算法有监督学习、非监督学习和强化学习。常用的机器学习库有scikit-learn和TensorFlow。

• 大数据处理：Apache Hadoop是一个分布式存储和分布式计算框架，可以处理海量数据。Apache Spark是一个快速、通用的大数据处理框架，可以用来处理海量数据。

• 云计算：云计算是利用互联网提供的硬件和软件服务。云计算提供了弹性的计算***，帮助数据分析人员更高效地处理数据。云计算平台如Amazon Web Services（AWS）、Microsoft Azure和Google Cloud Platform（GCP）提供了大量的云服务，可以满足数据分析的需求。

• 可视化工具：可视化工具可以帮助我们更好地理解和展示数据。常用的可视化工具有Tableau、QlikView和Looker，它们可以帮助我们创建交互式图表和报表，更直观地了解数据。
• 数据清洗和预处理：数据清洗和预处理是指对原始数据进行清理、转换和规范化的过程。这个过程通常需要使用编程语言，如Python或J***a，并使用库和框架来处理数据。常用的数据清洗和预处理工具有Pandas和OpenRefine。
• 数据库管理：数据库管理是指管理和维护数据库的过程。常用的数据库有MySQL、PostgreSQL和MongoDB。这些数据库都有自己的语言和工具来管理和查询数据。

综上所述，数据分析需要使用各种不同的技术和工具来处理和分析数据。具体使用哪种技术和工具，取决于需要解决的问题和所用数据的性质。 Python和J***a都是流行的编程语言，都可以用来进行数据分析。

关于语言的选择，主要还是要看个人喜好和项目需求。 Python和R是数据分析领域常用的语言，提供了丰富的库和工具，适合新手学习。而j***a更适合大型项目开发。

到此，以上就是小编对于常用的数据分析方法的问题就介绍到这了，希望介绍关于常用的数据分析方法的1点解答对大家有用。