以下是数据分析中常用的8种核心方法，结合了描述性、探索性、相关性及特定场景的分析技术：

一、描述性分析

1. 集中趋势指标

   • 平均数 ：反映数据总体水平（如薪资、销量）

   • 中位数 ：避免极端值影响，定位中间值

   • 众数 ：出现频率最高的数据值

2. 离散程度指标

   • 标准差/方差 ：衡量数据波动范围

   • 四分差 ：反映中间50%数据的离散程度

3. 分布形态分析

   • 通过直方图、箱线图展示数据分布特征

二、探索性分析

1. 可视化工具

   • 柱状图 ：对比不同类别数据（如用户行为倾向）

   • 散点图 ：探索变量间关系（如温度与产量）

   • 箱线图 ：识别异常值及分布偏态

2. 统计方法

   • 聚类分析 ：将数据分为不同群体（如用户细分）

   • 主成分分析（PCA） ：降维处理高维数据

三、相关性分析

1. 皮尔逊相关系数

   • 衡量线性相关强度（取值范围-1到1）

   • 例如：身高与体重呈正相关

2. 多重相关分析

   • 探讨多个变量间的关联（如年龄、收入与消费行为）

四、分类与预测方法

1. 逻辑回归

   • 适用于二分类问题（如邮件是否为垃圾邮件）

2. 决策树与随机森林

   • 通过树状结构进行分类，随机森林提升泛化能力

3. K近邻（KNN）

   • 基于实例学习，适用于分类和回归

五、时间序列分析

1. 趋势预测

   • 分析数据随时间的变化规律（如销售额季节性波动）

   • 常用方法：移动平均、指数平滑

六、财务分析方法（特定场景）

1. 杜邦分析法

   • 将净资产收益率分解为财务比率乘积，评估盈利能力

七、其他实用方法

1. 帕累托分析（ABC分类）

   • 识别少数关键项目（如80%销售额来自20%产品）

2. RFM模型

   • 通过最近消费时间、频次、金额评估用户价值

总结

这些方法覆盖了从数据理解到深入挖掘的多个层面，实际应用中常结合使用。例如，先用描述性分析把握整体，再通过探索性分析发现规律，最后用相关性或预测模型验证假设。根据具体问题选择合适方法，可显著提升分析效率与准确性。