Python数据分析与可视化概述_数据化聚焦于解决将数据转换成图形,并进行交叉处理,是否正确

数据分析与可视化概述

一、数据、信息与数据分析

• 数据：是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。它是可识别的、抽象的符号。
• 数据是信息的表现形式和载体，可以是符号、文字、数字、语音、图像、视频等
• 数据聚焦于数据的采集、清理、预处理、分析和挖掘，图形聚焦于解决对光学图像进行接收、提取信息、加工变换、模式识别及存储显示，可视化聚焦于解决将数据转换成图形，并进行交互处理。
• 信息：是数据的内涵，信息是加载于数据之上，对数据作具有含义的解释。
• 数据和信息是不可分离的，信息依赖数据来表达，数据则生动具体表达出信息。
  • 数据是符号，是物理性的，信息是对数据进行加工处理之后得到、并对决策产生影响的数据，是逻辑性和观念性的；
  • 数据是信息的表现形式，信息是数据有意义的表示。数据是信息的表达、载体，信息是数据的内涵，是形与质的关系。
  • 数据本身没有意义，数据只有对实体行为产生影响时才成为信息。
• 数据分析：是指用适当的统计分析方法对收集来的大量数据进行分析，为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。
• 数据分析就是针对搜集来的数据运用基础探索、统计分析、深层挖掘等方法，发现数据中有用的信息和未知的规律与模式，进而为下一步的业务决策提供理论与实践依据。所以广义的数据分析就包含 了数据挖掘的部分

数据挖掘与数据分析：

• 数据分析是指根据分析目的，采用对比分析、分组分析、交叉分析和回归分析等分析方法，对收集来的数据进行处理与分析，提取有价值的信息，发挥数据的作用，得到一个特征统计量结果的过程。
• 数据挖掘则是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，通过应用聚类、分类、回归和关联规则等技术，挖掘潜在价值的过程。

二者区别

数据分析的流程：

• 需求分析：数据分析中的需求分析也是数据分析环节的第一步和最重要的步骤之一，决定了后续的分析的方向、方法。
• 数据获取：数据是数据分析工作的基础，是指根据需求分析的结果提取，收集数据。
• 数据预处理：数据预处理是指对数据进行数据合并，数据清洗，数据变换和数据标准化，数据变换后使得整体数据变为干净整齐，可以直接用于分析建模这一过程的总称。
• 分析与建模：分析与建模是指通过对比分析、分组分析、交叉分析、回归分析等分析方法和聚类、分类、关联规则、智能推荐等模型与算法发现数据中的有价值信息，并得出结论的过程。
• 模型评价与优化：模型评价是指对已经建立的一个或多个模型，根据其模型的类别，使用不同的指标评价其性能优劣的过程。
• 部署：部署是指将通过了正式应用数据分析结果与结论应用至实际生产系统的过程。

二、数据可视化

• 数据可视化：是关于数据视觉表现形式的科学技术研究。其中，这种数据的视觉表现形式被定义为“一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量”。
• 数据可视化主要是借助于图形化手段，清晰有效地传达与沟通信息。

数据：聚焦于解决数据的采集、清理、预处理、分析和挖掘

图形：聚焦于解决对光学图像进行接收、提取信息、加工变换、模式识别及存储显示

可视化：聚焦于解决将数据转换成图形，并进行交互处理

数据可视化方法：

• 面积&尺寸可视化
• 颜色可视化
• 图形可视化
• 概念可视化

注意：

• 做数据可视化时，几种方法经常是混合用的，尤其是做一些复杂图形和多维度数据的展示时。
• 做出的可视化图表一定要易于理解，在显性化的基础上越美观越好，切忌华而不实。
• 数据可视化要根据数据的特性，如时间和空间信息等，找到合适的可视化方式，将数据用直观地展现出来，以帮助人们理解数据，同时找出包含在海量数据中的规律或者信息。

三、数据分析与可视化常用工具

1．Microsoft Excel
2．R语言
3．Python语言
4．JavaScript
5．PHP

四、为何选用Python

Python语言是一种解释型、面向对象、动态数据类型的高级程序设计语言
Python语言是数据分析师的首选数据分析语言，也是智能硬件的首选语言

优点：

1.简单易学
Python是一种代表简单主义思想的语言，它有极简单的语法，极易上手。

2.集解释性与编译性于一体
Python语言写的程序不需要编译成二