数据分析与统计的核心知识框架
数据分析是针对某种业务目的，有目的地处理数据，提取有价值的信息，以解决各种业务问题的过程。
1. 数据分析流程
明确目的和内容：确定项目整体框架或业务问题。
数据收集：根据假设或问题收集相应数据，确保数据准确有效，包括使用SQL和业务调整信息。
数据预处理：检验数据并清理，确保其可比性，如标准化、得分转换等。
数据分析：选择合适的方法和工具。
数据表达：利用图表等方式呈现数据。
数据报告：总结结论、提出建议和解决方案。
2. 数据分析方法
预处理加工：包括描述性统计分析（如数据分布、趋势分析）和相关分析。
基于数理统计的方法：如方差分析、回归分析和因子分析。
数据挖掘技术：涵盖聚类、分类和回归等多种算法。
3. 数据分析工具
Excel、SQL、R、Python、BI、HADOOP和Spark等工具可助力数据分析。
4. 数据趋势与分布
通过计量尺度刻画或比较数据，定类、定序用于刻画定性数据，定距、定比用于刻画定量数据。
描述了数据的集中趋势（平均数、众数、分位数），离中趋势（极值、方差、标准差等），以及数据分布（如偏态和峰度）的衡量标准。
5. 数据展示
提供了条形图、扇形图、折线图、直方图和盒式图等多种数据展示方式，用于直观展示数据的分布和变化。
6. 数理统计基础知识
介绍了随机变量及其概率描述，包括离散型和连续型随机变量的分布，以及条件概率、相互独立事件等概念。
还提到了常见的分布类型如正态分布、卡方分布、t分布和F分布，以及大数定律和中心极限定理等基础理论。
7. 抽样估计与假设检验
阐述了抽样估计的概念，包括总体和个体的相关概念，以及如何利用样本指标来估计总体指标。
介绍了区间估计的相关指标如置信区间和置信系数，以及检验统计量的选择和方法，包括Z检验、t检验等。
8. 方差分析
方差分析用于描述多个总体的差异性，检验多个总体均值是否相同，从而判断分类型自变量对数值型因变量的影响是否显著。