什么是数据分析？
数据分析检查、清理、转换和建模数据，以提取见解并支持决策。作为数据分析师，您的角色包括剖析大量数据集、挖掘隐藏的模式以及将数字转换为可操作的信息。
数据分析流程是怎样的？
数据分析过程是一个结构化的步骤序列，从原始数据到可操作的见解。以下是什么是数据分析的答案：
原始数据收集(raw data collection)：从各种来源收集相关数据，确保数据质量和完整性。
数据清理（data cleansing）：识别并纠正数据集中的错误、缺失值和不一致。干净的数据对于准确分析至关重要。
探索性数据分析 （EDA）：进行初步分析以了解数据的特征、分布和关系。这里经常使用可视化技术。
数据转换：如有必要，通过对分类变量进行编码、缩放特征和处理异常值来准备数据以进行分析。
模型构建：根据目标，应用适当的数据分析方法，例如回归、聚类或深度学习。
模型评估：根据问题类型，使用平均绝对误差、均方根误差等指标评估模型的性能。
解释和可视化：将模型的结果转化为可操作的见解。可视化、表格和摘要统计数据有助于有效地传达调查结果。
现场部署：实施对实际解决方案或策略的见解，确保实施数据驱动的建议。
原始数据收集 数据清理
探索性数据分析 （EDA）
数据转换
模型构建
模型评估
解释和可视化
现场部署
接下来将一步一步用代码和图文解释各个流程
原始数据收集(raw data collection)
原始数据（raw data）定义
原始数据，也称为主数据、源数据或原子数据，是直接从源收集和记录的未处理数据，无需任何操作、组织或分析。它可以采用多种形式，包括文本、数字、图像、音频或任何其他数据类型。
文本：这可能是来自书籍、文档、电子邮件等的原始数据。它是非结构化的，需要处理以提取有意义的信息。
数字：数字原始数据可以来自各种来源，如调查、实验等。它可以是定量的或定性的。
图像：图像可以是机器学习、计算机视觉等领域使用的原始数据。它们需要处理以提取特征。
音频：音频数据用于语音识别、音乐信息检索等领域。它是一种需要处理以提取相关信息的原始数据。
简易样例代码的展示
raw_data <- GET(API_URL)在编译器下原始数据长什么样子
(这只是其中一个小例子)
数据清理(data cleansing)
数据清洗的定义
数据清理涉及发现和解决潜在的数据不一致或错误，以提高数据质量。误差是指任何值（例如，记录的重量）不能反映所测量物体的真实值（例如，实际重量）。
在此过程中，您可以查看、分析、检测、修改或删除“脏”数据，以使您的数据集“干净”。数据清理也称为数据清理或数据清理。
常用R方法清洗数据样本
方法 1：删除具有缺失值的行
library(dplyr)
#remove rows with any missing values
df %>% na.omit()方法 2：将缺失值替换为其他值
library(dplyr)
library(tidyr)
#replace missing values in each numeric column with median value of column
df %>% mutate(across(where(is.numeric), ~replace_na(., median(., na.rm=TRUE))))方法 3：删除重复的行
library(dplyr)
df %>% distinct(.keep_all=TRUE)其余常用方式不在本文中列举
探索性数据分析 （EDA）（exploratory data analysis）
探索性数据分析（EDA）定义
探索性数据分析 （EDA） 是数据科学项目中至关重要的初始步骤。它涉及分析和可视化数据以了解其关键特征、发现模式和识别变量之间的关系，是指研究和探索记录集以理解其主要特征、发现模式、定位异常值和识别变量之间关系的方法。EDA 通常作为进行额外正式统计分析或建模之前的初步步骤进行。
探索性数据分析（EDA）图解
