数据统计分析的方法有哪些
描述统计分析方法？
描述统计分析方法？
描述性统计是一种用来概括和表达事物的总体情况，以及事物之间的关系和类属关系的统计方法。通过统计处理，一组数据的集中度和分散度(波动性)可以简单地用几个统计值来表示。
以一定的方法从总体中抽取一些研究对象作为样本，对样本总体进行调查，根据样本的结果估计总体的特征。
样本应具有代表性：随机抽样和足够的样本含量。抽样方法包括随机抽样和非随机抽样。
随机抽样：遵循随机化原则，保证人群中的每一个对象都有平等的机会被选为研究对象。
非随机抽样：实验者根据实验调查的目的和要求以及被调查对象的总体情况，有意识地选择部分对象进行实验。
描述统计分析方法？
1)仔细观察会发现生活中统计数据无处不在，但如何理解这些数据背后的意义？这时候就要用统计分析的方法了。常用的方法有四种：平均值、四分位数、标准差和标准分。
1.平均值：容易受到离群值的影响，找不到数据的整体意义。
2.四分位数：常用于找出异常值，但不能表示波动。
3.标准差：常用于分析数据波动。
4.标准分数：主要用于计算某个值在数据中的相对位置。
现在，有两个表，表1购买商品信息，表2婴儿信息。
来源阿里巴巴天池
表1数据集中有29，971条记录，有7个字段，即：
User_id:用户id，购买用户的id。是用户的唯一识别码，不可重复。如果user_id相同，则为同一用户；
拍卖标识：商品编号
Cat_id:二级商品分类id，类别。比如衣服和下面外套的关系；
Cat1:商品的一级分类标识。
属性：商品的属性，其基本参数和规格，(属性值可以是尺寸、大小、ml等数字，也可以指品牌等。任何能描述商品特征的东西都可以称为财产价值)
Buy_mount:商品的购买数量；
日：购买时间，精确到“天”。
表2数据集有953条记录和3个字段，它们是：
User_id:用户id，购买用户的id，可以和表1匹配；
生日：出生日期，可以换算成宝宝的年龄，可以分析各个年龄段的用户行为。
性别：性别(0男；1名女性；2未知)
2)通过以上两个表格，可以从数据集中分析出哪些问题？
(1)分析不同时期商品分类的销售趋势。
(2)不同年龄/性别的婴儿对商品的偏好
(3)用户的回购情况、
第一个问题是，我们可以利用数据集中商品的购买时间、一级分类、二级分类来分析不同时期的热销产品和滞销产品。
第二个问题是通过出生日期、性别、购买的商品来分析是否存在对商品的偏好。
第三个问题，通过用户id，购买商品的次数，来分析用户复购情况。
常用的统计分析方法？
有两种分析数据，
1列表法
将实验数据按照一定的规则用列表表示出来，是记录和处理实验数据最常用的方法。表格设计要求对应关系清晰、简单明了，有利于发现相关量之间的物理关系；另外，要求在标题栏注明物理量的名称、符号、量值和单位；根据需要，除了原始数据外，还可以列出计算列和统计列。最后要求写明表的名称，主要测量仪器的型号、量程和精度等级，以及温度、湿度等相关环境参数。
2绘图方法
作图法最能突出地表达物理量之间的变化关系。从图中，我们可以简单地找到实验所需的一些结果(如直线的斜率和截距值等。)，读出未被观测到的对应点(内插法)，或在一定条件下从图形的延伸中读出测量范围外的对应点(外推法)。另外，一些复杂的函数关系可以通过一定的变换用直线来表示。例如，半导体热敏电阻的电阻和温度之间的关系是通过取对数得到的。如果用半对数的图形纸，纵轴是lgR，横轴是1/t，就是一条直线。
看你分析什么数据了。
大数据分析，R语言和Linux系统比较有帮助，应用的方法和原理可以翻翻大学统计，不需要完全理解，重在应用。
分析简单的数据，Excel就行。Excel应该是智能的、强大的和易于使用的。我没见过有人说自己精通Excel，最多是熟悉Excel。Excel的功能可以帮你处理大部分数据。
一、掌握基础，更新知识。
基础技术怎么强调都不为过。这里的技能比较多(计算机，统计知识)。从多年的数据分析和数据挖掘经验，以及业内朋友的交流中，我们对此深有感触。
数据库查询-—sql
数据分析师在计算机层面的技能较低，主要懂sql，因为这里解决了一个数据抽取的问题。有机会可以去一些专业的数据论坛看看，学习一些sql技巧和新功能，对提高工作效率会有很大的帮助。
统计知识和数据挖掘
你要掌握基本的、成熟的数据建模方法和数据挖掘方法。例如：多元统计：回归分析、因子分析、离差等。以及数据挖掘：决策树、聚类、关联规则、神经网络等。但你还是要关注一些博客和论坛上最新方法的介绍，或者旧方法的新应用，不断更新知识，跟上时代。也许你在工作中根本不会用到它们，但是未来呢？
行业知识
如果数据没有结合具体的行业和业务知识，数据只是一堆数字，没有任何意义。很冷，不会产生任何价值。数据驱动营销，科学决策，都是虚的。
数据分析师必须对自己的行业和业务有深入的了解。比如你看到一些数据，你首先要知道，这个数据的统计口径是什么？是怎么取出来的？这个行业和相应业务的这些数据是从哪里产生的？业务的价值是什么(有什么背景)？对于A部门，本月将有100，000名新会员。10万是好是坏？先问上面这个问题：
对于部门a，
1.新成员的统计口径是什么。第一次使用a部门产品的会员？或者从公司的角度来说，会员是第一次在公司发展业务往来吗？
2.是怎么算的。答：时间；无论是通过创建时间还是业务完成时间。b:商业场景。只要和商家取得联系，比如下单，或者是在商家完成后，都需要支付成功。
3.这个数据是在哪个环节统计的？在注册过程中，在订购过程中，以及在成功的支付过程中。
4.这个数据代表了什么。10万高？对比历史？你做过营销活动吗？这个行业处理的是同期行业生命的哪个阶段？
前两点，更多的是要求你按照业务逻辑提取数据(更多的是写sql代码从数据库中提取数据)。后两点，更重要的是懂业务，更懂行业，这样你才能解读相应的数据，让数据产生真正的价值，对吗？
对于刚接触或刚刚进入数据行业的朋友：
行业知识很重要。可能你看到很多数据行业的同事在微博里写文章说数据分析思路、行业知识、业务知识很重要。我完全同意。因为作为一个数据分析师，发表任何观点的时候都不要忘记自己的背景是什么。
但是一定不能忘记一些基础技术，不要忘记基础。如果一个数据分析师不会写sql，那就麻烦大了。哈哈。只有先把数据搞对了，才能正确分析，否则一切都会错，甚至得出致命的结论。新同学，还是抓紧时间学好基本功吧。因为基本功可以在短时间内快速提升，但是行业和业务方面的知识是一点一滴积累起来的，有时候也不能操之过急，需要时间慢慢沉淀下来。
不要过分追求非常高级和先进的统计方法。我主张大家有空的时候多学习一些基础的统计知识，这样可以提高工作效率，事半功倍。以我的经验，我有责任告诉新生，千万不要忘记基础知识和技能的学习。
第二，要有三颗心。
1.小心点。
2.耐心。
3.冥想。
数据分析师其实是个小工作，尤其是上面提到的例子的前两点。而且在数据分析的过程中，是一个迭代的过程，所以一定要有耐心，不怕麻烦，能够静下心来不断修正自己的分析思路。
第三，形成自己的结构化思维。
分析师对数据必须严谨。刚性需要很强的结构化思维，如何提高结构化思维，可能只需要在课题组不断练习。但是我建议你使用思维管理。先把自己的整体思路整理出来，然后根据分析的深入和得到的信息的增多来完善自己的结构。慢慢的，你会形成一套自己的想法。当然，有空的时候看看《麦肯锡思维》关于结构化逻辑思维训练的书也不错。现在我想我会多看看你身边更多资深同事的报告，问问他们是怎么看待这个问题的，别人的想法是什么。他是如何构建整个分析体系的？
四。商业、工业和贸易知识。
当你掌握了基础知识和一些技术性的东西，就要学习和积累商业、工业、商业的知识。
这在最后不是不重要，也是非常重要的。如果说前三点决定了你能否进入这个行业，那么这就是你进入这个行业后成功的最根本因素。数据和具体行业知识之间的关系，比起一个池塘里的鱼和水的关系，并不过分。数据(鱼)没有行业和商业背景(水)是死的，但不可能是“活的”。没有“鱼”的水更像是“死”水，你根本不知道看什么(方向在哪里)。
如何提高商业知识，尤其是对于没有相关背景的学生。很简单，我总结了几点：
1.与业务部门的同事进行咨询和沟通。多问问他们。数据分析师和业务部门没有利益，是共生体，所以如果你态度好，相信业务部门的同事也愿意把自己知道的告诉你。
2.千万别忘了谷歌神，定制一些行业关键词，每天先查看定制的邮件。
3.每天有时间浏览行业相关网站。看行业内正在发生什么，主要竞争对手或相关行业正在发展什么重大事件，把这些事件和你公司的业务、数据结合起来。
4.有机会去一线，和一线客户交流，才是最根本的。
题目说是警告，其实差远了。是我自己的一些经历的总结。希望对新朋友有帮助。数据分析行业绝对是朝阳行业，尤其是随着互联网的不断发展。一个不讲数据的公司根本不叫互联网公司，数据分析师已经成为一个互联网公司的必要岗位。