业务逻辑
数据分析遵循一定的流程，不仅可以保证数据分析每一个阶段的工作内容有章可循，而且还可以让分析最终的结果更加准确，更加有说服力。一般情况下，数据分析分为以下几个步骤：
- 业务理解，确定目标、明确分析需求;
- 数据理解，收集原始数据、描述数据、探索数据、检验数据质量;
- 数据准备，选择数据、清洗数据、构造数据、整合数据、格式化数据;
- 建立模型，选择建模技术、参数调优、生成测试计划、构建模型;
- 评估模型，对模型进行较为全面的评价，评价结果、重审过程;
- 成果部署，分析结果应用。
特征工程
包括特征提取、特征构建、特征选择。特征工程的目的是筛选出更好的特征，获取更好的训练数据。因为好的特征具有更强的灵活性，可以用简单的模型做训练，更可以得到好的结果。
数据采集 / 清洗 / 采样
数据采集
数据采集前需要明确采集哪些数据，一般的思路为：哪些数据对最后的结果预测有帮助？数据我们能够采集到吗？线上实时计算的时候获取是否快捷？
举例1：我现在要预测用户对商品的下单情况，或者我要给用户做商品推荐，那我需要采集什么信息呢？
- 店家：店铺的评分、店铺类别……
- 商品：商品评分、购买人数、颜色、材质、领子形状……
- 用户：历史信息（购买商品的最低价最高价）、消费能力、商品停留时间……
数据清洗
数据清洗也是很重要的一步，机器学习算法大多数时候就是一个加工机器，至于最后的产品如何，取决于原材料的好坏。数据清洗就是要去除脏数据，比如某些商品的刷单数据。
那么如何判定脏数据呢？
- 简单属性判定：一个人身高3米+的人；一个人一个月买了10w的发卡。
- 组合或统计属性判定：号称在米国却ip一直都是大陆的新闻阅读用户？你要判定一个人是否会买篮球鞋，样本中女性用户85%？
- 补齐可对应的缺省值：不可信的样本丢掉，缺省值极多的字段考虑不用。
数据清洗标准：
- 数据的完整性----例如人的属性中缺少性别、籍贯、年龄等
- 数据的唯一性----例如不同来源的数据出现重复的情况
- 数据的权威性----例如同一个指标出现多个来源的数据，且数值不一样
- 数据的合法性----例如获取的数据与常识不符，年龄大于150岁
- 数据的一致性----例如不同来源的不同指标，实际内涵是一样的，或是同一指标内涵不一致
数据采样
采集、清洗过数据以后，正负样本是不均衡的，要进行数据采样。采样的方法有随机采样和分层抽样。但是随机采样会有隐患，因为可能某次随机采样得到的数据很不均匀，更多的是根据特征采用分层抽样。
正负样本不平衡处理办法：
正样本 >> 负样本，且量都挺大 => downsampling
正样本 >> 负样本，量不大 =>
数据标准化和归一化
max-min: 这种方法有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。
Z-score: 最常见的标准化方法就是Z标准化，也是SPSS中最为常用的标准化方法，spss默认的标准化方法就是z-score标准化。也叫标准差标准化，这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：x∗=x−μσ，其中μ为所有样本数据的均值，σ为所有样本数据的标准差。z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
ROC与AOC
ROC（Receiver Operating Characteristic）曲线即受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve），用来评价一个二值分类器（binary classifier）的优劣。
AUC（Area Under Curve）被定义为ROC曲线下的面积，这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。为什么呢，因为ROC曲线越接近左上角，AUC面积就越大，分类器性能就越好。
辛普森悖论
分组比较中都占优势的一方，在总评中有时反而是失势的一方。即，数据集分组呈现的趋势与数据集聚合呈现的趋势相反的现象。
如下图，按照性别分组的结果与总体的结果不同。
具体参考：https://www.jiqizhixin.com/articles/2018-10-26-6https://www.jiqizhixin.com/articles/2018-10-26-6
面经收藏
Great content! Super high-quality! Keep it up! 🙂