如何对一组数据进行统计分析

数据分析步骤：

1. 明确问题：解决工作中遇到的问题，明确的问题为数据分析提供了方向

2. 理解数据：采集数据（根据研究问题）采集数据理解字段含义

3. 数据清洗：整理数据分析所需要的内容

4. 数据分析或构建模型：根据分析结合统计方法得出业务指标

5. 数据可视化：以图表的形式或PPT形成商业分析报告

主要任务：对数据进行描述统计分析，并观察分析结论里的数据，解决问题或发现规律

一、明确问题

婴儿的性别分布是怎么样的？

婴儿的年龄分布如何？

哪种产品属性需求最大？

什么时间段的客户购买数量较高？

二、理解数据

数据集介绍

本数据集包括2个excel文件：表1购买商品信息，表2婴儿信息。

字段含义

表1购买商品字段：

① 用户ID：每个用户独有的编号

② 商品编号：商品独有的编号

③ 商品二级分类：如 母婴用品-奶粉

④ 商品一级分类：如 母婴用品

⑤ 商品属性：属性值可以是大小，可以是尺码、毫升等数字，还可以指品牌等，一切可以描述商品特征的都可以称为属性值

⑥ 购买数量

⑦ 购买时间

表2婴儿信息表字段：

① 用户ID

② 出生日期

③ 性别：0女性；1男性；2未知的性别

三、数据清洗

数据清洗分为以下7个步骤：

第一步，选择子集，即选择哪些表格的数据

第二步，列名重命名，将表格里的列名由英文改为中文

（这是为了使自己更加方便理解数据集并进行操作，非必要）

第三步，删除重复值，表2无重复数据，表1中用户id有1个重复项，此处可能为一个用户购买两个不同商品，因此无需删除

（操作方法如下）

删除重复值

第四步，缺失值处理，表1中商品属性那里有144个缺失值，但不影响数据分析所以无需删除

（操作方法：选中用户ID那一列可以看见计数29972，依次重复操作其他列，只发现商品属性计数为29828，说明商品属性缺失了144个数值）解决方法：人工添加，平均值代替

计数（查看一列有多少个数据）

第五步，一致化处理，表1，表2中购买时间需要进行一致化处理，采用分列方式进行

（操作方法：选中出生日期，数据-分列-弹出框中选择分隔符号-下一步-下一步-列数据格式选择日期YMD-完成）

分列

第六步，数据排序，在分析中透视数据后会用到

（排序在这里）

排序

第七步，异常值处理：表中无异常数据

通过筛选功能寻找错误值，表1中的商品属性有一部分为“空白”，因属性种类过多无法确定并进行手动添加，所以全部“空白”修改为0方便后续处理；表2婴儿信息中有一个1984，应当是用户错填信息，处理方法删除

四、数据分析

1.婴儿性别分布？

由下图可得女性婴儿数量比男婴儿多（0女性，1男性，2未知）

婴儿不同性别分布的数据透视图

2.婴儿年龄段分布？

操作步骤：

① 利用VLOOKUP函数将两个表格的内容进行匹配合并，提取出表一的购买日期，通过购买日期与出生日期计算婴儿的年龄（注意：购买日期那列的单元格格式需要设置为日期）

VLOOKUP函数

② 计算年龄

计算年龄

计算出来有小数，两种方法一种是利用round函数，一种设置单元格格式数值小数点后0位。

③ 通过数据透视表可见，0岁和1岁的婴儿最多（负数和年龄过大为用户错填信息？可以对数数据透视图进行筛选删除错误值）

婴儿年龄分布（这图我应该删除错误值的。。）

3.哪类产品购买量最多？

由下图可得，一级类目产品中编号为28的商品类目销量最高，二级类目中50018831的销量最高

这是一级类目商品销量二级类目商品销量缩略图（有很多二级类目被隐藏了）

4.什么时间段的客户购买数量较高？

利用数据透视表得出，每一年的第三季度和第四季度购买数量较多，可能与节日促销活动有关

月份销量图季度销量图