数据统计分析工具 数据分析有哪些工具

大家好，关于数据统计分析工具很多朋友都还不太明白，不过没关系，因为今天小编就来为大家分享关于数据分析有哪些工具的知识点，相信应该可以解决大家的一些困惑和问题，如果碰巧可以解决您的问题，还望关注下本站哦，希望对各位有所帮助！

本文目录

1. 数据分析有哪些工具
2. 概率论与数理统计研究生有什么用如何就业
3. 选哪款统计学教材比较好
4. 数据分析需要用什么技术java还python好一点

数据分析有哪些工具

数据分析工具其实有很多种，对应不同类型的使用者也有各自适合的选择。例如懂数据算法计算机语言的人，可能给他一款，填写算法代码流畅的分析软件就是有效。掌握了数据分析专业技能的人，强大的分析功能能将工作做到事半功倍，不管看着功能多复杂。还有就是我这种非计算机专业出身，非统计学出身，但工作做还需要对大量数据进行分析的人。

如果你跟我一样，那么可以看下我的回答。

我总结了下，我以前找分析工具的时候，自己先想了几个方向点：

1、好上手。一看板面就知道怎么导入数据，怎么做图表，怎么排版的。这样的高效。

2、功能还得强大的.毕竟是非专业人士了，找分析工具就是为了充分发挥工具自身能动性，和强大功能，来给我们创造价值的，特别是涉及到数据大量、复杂，必须有给力的功能支撑才能是良心工具。

3、可视化呈现要好一点，就是图表要高大上的。数据分析报告得拿出手，图表的展现就是第一门面。包装的意识还是要有的。

所以结论就是找一些操作容易、功能强大、图表颜值还得好的工具了。我就是照着这个思路找的，也用过几个，可以给大家说说。像东软做的Dataviz，是用着比较顺手的了。具体介绍我就摘抄下，自己懒得码那么多字

DataViz数据可视化分析工具，不需要编写代码，也不需要任何程序设计基础，用户可以通过简单的拖拽就可以实现数据可视化展示与分析。DataViz使用简单，但是实现的功能却不简单，上百种丰富的炫酷图表，可以实现数据的多维度多层次分析。

上图先，先看些基本图

各种数据分析好后，可以做成组合图册：

重点就是操作起来简单，拖拖拽拽的，看起来特别复杂的图表，其实拼贴一下就能搞定了。操作面板基本本国人都可以分分钟用起来。

如果是专业人士或者计算机大拿的，估计可以寻找更复杂的工具进行尝试了。但不适合我，所以我这里就不进行推荐了。

概率论与数理统计研究生有什么用如何就业

发展方向：银行、保险、证券、IT都可以，但是都不能只学习数学理论，还必须学习相关行业的基础知识。主要可以从事数据挖掘、数据分析预测等。目前最先进的方向是大数据师方向。大数据分析师是指基于各种分析手段对大数据进行科学分析、挖掘、展现并用于决策支持的过程，大数据分析师就是从事此项职业的从业人员称呼，国内已有商务部对大数据分析师进行等级认证。大数据分析师可以使企业清晰的了解到企业现状与竞争环境，风险评判与决策支持，能够充分利用大数据带来的价值，在进行数据挖据与展现后，呈现给企业决策者的将是一份清晰、准确且有数据支撑的报告。所以，大数据分析师已经不是简单的IT工作人员，而是可以参与到企业决策发展制定中的核心人物。数据分析可谓由来已久，帐房先生在某种意义上讲也可以称之为数据分析师，分析着往来帐务、应收、支出等，但这不是大数据分析，只是基于自身数据的统计而已，所以，清楚大数据分析师的职责必须要明白数据分析与大数据分析师的区别。与传统的数据分析师相比，大数据分析师要学会打破信息孤岛利用各种数据源，在海量数据中寻找数据规律，在海量数据中发现数据异常。负责大数据数据分析和挖掘平台的规划、开发、运营和优化；根据项目设计开发数据模型、数据挖掘和处理算法；通过数据探索和模型的输出进行分析，给出分析结果。技能要求：具有丰富的数据分析，挖掘，和数据仓库建模的项目实践经验，擅长常用的统计方法如：线性回归、逻辑回归、实验设计、市场篮分析、聚类、分群等，熟悉主流统计分析软件，数据挖掘的常用算法，能够进行海量数据处理和挖掘。

选哪款统计学教材比较好

经典教材这里就不推荐了，来看看这本统计学新书。近日，斯坦福大学心理学教授RussellA.Poldrack公开了他为斯坦福大学统计学本科教程准备的教材。这本书引入了一些实用的新理念和新方法。Russell教授在序言中称自己并未接受过统计学家的培训，但是在过去20年的脑成像研究中他掌握了多种复杂统计和计算工具，对哪些统计方法有助于科研有自己独到的见解。

该课程要求使用R语言，课程涉及数据、概率、模型与数据的拟合、数据可视化、采样、假设验证、贝叶斯统计学、通用线性模型、统计建模过程、如何进行可复现研究等概念和方法。

本书地址：http://thinkstats.org/StatsThinking21.pdf

以下是本书的部分内容。

写作背景

2018年，我开始在斯坦福给本科生上一门统计学课程。此前我从未教过统计学，所以这是一个改变现状的机会。我对心理学专业的本科统计学教育越来越不满意，因此想带来一些新的想法和方法，尤其是21世纪实际统计实践中广泛使用的方法。这些方法利用当今日益增长的算力来解决统计问题，其方式远远超出了心理学学生在统计学课程中所学到的标准方法。

教这门课的第一年，我用的教材是AndyField的《AnAdventureinStatstics》。这本书中有很多我非常喜欢的地方，比如它围绕模型构建来介绍统计实践，并且非常谨慎地对待零假设检验。但我大部分学生却讨厌此书，因为它需要涉猎大量的故事来获得统计知识。我也发现了其中的不足，因为有很多我想要讲的主题（特别是人工智能领域的机器学习等）书中没有讨论。最终，我觉得如果能有一本与我的讲课内容比较接近的书，学生们会非常受益。这也是我编写这本书的初衷。它的框架和Field的书大致相同，因为我的课程最初很大程度上是基于那本书的内容，但本书内容与他的书大相径庭（也没那么有趣）。

什么是统计思维？

统计思维是用一些相对简单的术语来描述复杂的世界，捕捉其结构的本质，进而帮助我们理解世界的一种方式。同时，它还帮我们认识到我们对于自己的知识有多么不确定。统计思维最早起源于数学和统计学，以及计算机科学、心理学及其它学科。

与统计思维相比，其它形式的思维描述世界的方式都没那么准确。人类通常会用直觉去尝试回答那些可以使用统计思维回答的问题，但答案通常是错的。例如，多数美国人都认为近几年的暴力犯罪率比往年要高，但数据分析显示，这一比率自20世纪90年代以来就开始平稳下降。直觉败给了统计，这是因为我们依赖于常常导致错误答案的最佳猜测（bestguesses，心理学家称之为启发式方法）。人们进行判断时常依赖最先想到的经验和信息，并将其作为判断的依据。我们很容易想到暴力犯罪的例子，因此觉得这种事件非常普遍。基于此，我们关于犯罪率日益增长的判断可能源于新闻报道的增加，尽管实际犯罪率是下降的。统计学为我们提供了一种更加准确地认识世界的工具，帮助我们克服由直觉带来的错误。

统计学的意义

统计学可以在三个方面为我们提供帮助：

描述：用一种大家能理解的简单方式来描述这个复杂的世界。

决策：在面对不确定性时，通常需要基于数据做出决策。

预测：基于对过去状况的知识对新情况做出预测。

我们来看一个实例，关于我们都很关心的问题：如何决定健康的食物？这个话题太宽泛，我们将其细化为一个具体问题：食物中的饱和脂肪是糟糕的东西吗？

一种回答方式是基于常识。

如果我们吃饱含脂肪的东西，这些脂肪会直接转化为体内的脂肪，对吗？

我们都看过脂肪堵塞动脉的照片，所以吃脂肪会堵塞我们的动脉，对吗？

回答这个问题的另一种方式是听取权威人士的意见。美国食品药品监督管理局（USFoodandDrugAdministration）的饮食指南中有一条重要建议：「健康的饮食应当限制饱和脂肪的摄入」。你也许期待这些指南基于科学，在某些情况下它们的确如此。但正如NinaTeicholz在《BigFatSurprise》中所概括的，该建议似乎更多基于营养学研究人员的教条，而不是实际证据。

最后，我们还是得看实际的科学研究。首先我们可以从一项名为PURE的大型研究开始，这项研究对来自18个国家135000多人的饮食和健康结果（包括死亡）进行了调查。对该数据的一项分析（发表在《TheLancet》2017;Dehghanetal.(2017)）显示，PURE调查人员分析了不同种类的宏营养素（包括饱和脂肪和碳水化合物）的摄入与研究追踪期间人们死亡可能性之间的关系。该研究追踪期的时间中位数为7.4年，也就是说有一半人被追踪的时间少于7.4年，而另一半人则超过7.4年。下图绘制了研究中的一些数据（从论文中摘取），展示了饱和脂肪和碳水化合物的摄入与任何死亡风险之间的关系。

图1.1：来自PURE研究的数据图表，展示了任何死亡风险与饱和脂肪和碳水化合物的相对摄入量之间的关系。

上图基于十个数字。为了获得这些数字，研究人员根据参与者（即样本）对这两种营养的摄入量进行排序，然后把135,335位参与者分成了五组（quintiles）。第一组是摄入量最少的五分之一参与者；第五组是摄入量最高的五分之一。接下来研究人员计算了研究追踪期间每组的死亡率。该数字是与摄入量最少的小组相比的死亡相对风险：如果数字大于1，则意味着这组的参与者死亡率要大于摄入量最少的组；如果它小于1，则结果相反。结果很清楚：那些摄入更多饱和脂肪的人们在研究期间死亡率更低，他们摄入脂肪越多，这个效应越明显。与之相反的是碳水化合物，人们摄入的碳水化合物越多，在研究期间死亡率越高。这个例子展示了如何利用统计学用一组较为简单的数字描述复杂的数据集。如果我们同时观察每个参与者的数据，我们将会被数据淹没，很难发现以更简单的方式描述数据时所呈现的模式。

表1.1显示随着饱和脂肪摄入量的增加，死亡率降低；而摄入碳水化合物越多则死亡率更高，但我们也知道数据中必然存在很多不确定性。有些人即使摄入很少的碳水化合物，仍然较早去世，同样，有些人食用了大量碳水化合物却仍长命百岁。鉴于这种可变性，我们想确定在数据中看到的这种关系是否足够强大，如果饮食和长寿之间没有真正的关系，我们不认为这种情况会随机发生。统计学给我们提供了确定这些关系的工具，而外界的人通常将此视为统计学的主要目的。但通过全书，我们将会发现这种基于模糊证据的黑白决策需求经常导致研究人员误入歧途。

基于数据，我们还能预测未来结果。例如，保险公司可能会基于特定人群摄入脂肪和碳水化合物的数据来预测他们的寿命长短。预测的一个重要方面是，它要求我们把从已有数据中得到的关系泛化到其它情况；如果我们的结论限于特定时期的特定人群，则研究结果用处不大。一般来说，研究人员必须假设样本代表的是大量人群，这就要求他们以无偏的方式获得样本。例如，如果PURE研究招募的所有参与者都是践行素食主义的宗教人员，那我们就没法把研究结果泛化到遵循不同饮食标准的人身上。

统计学的基本概念

有些非常基本的概念几乎贯穿了统计学的所有方面。其中有些是Stigler2016年在《TheSevenPillarsofStatisticalWisdom》一书中提出的，我在这里对此进行了补充。

从数据中学习

看待统计学的一种方式是将其作为从数据中学习的工具。在任何情况下，我们要了解情况总是需要从一系列假设或者猜想开始。在PURE研究中，研究人员可能就会猜测吃更多饱含脂肪的食物会导致更高的死亡率，因为饱和脂肪本身传递的就是一种负面信息。在后面的课程中，我们会介绍先验知识（priorknowledge）的概念，它反映了我们对情况的已有知识。这种先验知识的力量可能会有所不同，通常要基于我们的经验。如果我去一家从未去过的餐馆吃饭，我可能不会对其抱有太高的期望，但如果去一家我已经去过十次的餐馆吃饭，我的期望会高得多。类似地，如果我查看一个餐馆的评论网站，发现其平均四星评论仅基于三条评论，那我对它的期望不会太高，但如果它的四星评论是基于300条评论，那结果就不一样了。

统计学给我们提供了一种方式来描述如何用新数据来更新我们的想法，这样统计学和心理学之间就有了深刻的联系。实际上，从心理学当中学到的关于人类和动物学习的很多理论都与机器学习领域密切相关。机器学习是统计学和计算机科学的交叉领域，它关注如何构建能够从经验中学习的计算机算法。虽然统计学和机器学习经常尝试解决同样的问题，但来自这两个领域的研究人员总是采用不同的方法，著名统计学家LeoBreiman曾将二者称为「两种文化」，以此来反映二者的方法有多不同（Breiman2001）。在本书中，我将把这两种文化糅合到一起，因为它们都为思考数据提供了有用的工具。

Aggregation

对统计学的另一种理解是「扔掉数据的科学」。在上面提到的PURE研究案例中，我们取了10万多个数字，并将其浓缩到10个。这种aggregation是统计学中最重要的概念之一。当它第一次被提出时，在当时是革命性的：如果抛弃了每个参与者的所有细节，我们该如何确保没有遗漏重要的东西呢？

正如我们将看到的，统计学提供了表征数据集合结构的方法，以及为什么这种方法通常有效的理论基础。然而，还有一点也很重要：aggregation可能会走得过于远。稍后我们会遇到这种案例，其中根据数据总结出来的结论可能会产生误导性。

不确定性

世界是不确定的。我们知道抽烟会导致肺癌，但这个因果关系是概率性的：一位68岁的老人近五十年来每天抽两盒烟，并且还会继续这样下去，他得肺癌的风险是15%，比不抽烟的人得肺癌的几率高。但是，这也意味着也有很多人虽然抽烟但并不会得肺癌。统计学提供了一些工具来概括不确定性，让我们在不确定性的前提下做决策，并做出可以量化其不确定性的决策。

我们常看到记者写科学研究人员「证明」了一些假设。但是统计分析不会「证明」假设。统计学提供的是证据，但它通常受限于现实世界中的不确定性。

采样

aggregation的概念表示我们可以从数据崩溃中得到有用的见解，但是我们需要多少数据呢？采样即表明我们可以基于来自所有数据的少数样本来总结整体数据的特征，前提是样本的获取方式正确。例如，PURE研究一共收集了135000多人的样本，但该研究的目标是提供样本来源群体这数十亿人的特征。如上所述，该研究获取样本的方式非常关键，这决定了结果的可泛化性。另一个关于采样的基本洞见是：尽管样本量越大越好（就其代表整个群体的能力而言），但是样本量变大会出现回报减小的情况。事实上，样本量增加所带来的回报率递减遵循一个简单的数学规则，即样本量的平方根。

目录

数据分析需要用什么技术java还python好一点

先说结论，

问题1回答：数据分析技术简单来说可归类为统计分析技术和数据可视化两类。

问题2回答：目前阶段做数据分析使用Python更高效，方便一点。

希望我作为数据分析师的经验能对你有帮助

1、数据分析的本质

数据分析是指用适当的统计方法对收集的大量数据进行数据分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程，最后再通过得到的结论应用到行业中解决实际问题。

简单概括来说数据分析就是–处理数据然后推进优化现实工作。

数据分析应用在各行各业，互联网，工业，咨询行业等，有一个共同点，数据分析都是为业务服务的，用于解决实际运营中出来的问题，或者探索业务可优化的空间。

明白了这一点，就知道数据分析不是目的，数据分析的结果产出对业务的实际提升和优化才是目的，数据分析只是一种解决的方法，既然是方法，我们就要考虑它的效果，成本（学习成本，使用成本）等。

2.数据分析的技能要求

以现在最热门的互联网行业的数据分析而言，随便从招聘网站上截取部分应届生数据分析师招聘JD，选取应届生是因为相对要求低一点，对题主想要入门应该更有参考下价值。

不同公司业务不同，对于“岗位职责”先可以不用太关注，我们这里主要看“任职资格”这一部分，关于技能方面，可以看到有SQL，Python/R，Spark，hive，BI工具等。

看起来需要掌握的很多，那我们再来通过大数据的方法看一下，获取招聘网站上的招聘要求，根据工具关键词出现的频率，绘制成数据分析所需工具词云图：

可以看到，Excel，sql，python，PPT，hive，spss等出现的评率最高，同时可以可以看到还有很多其他的工具技能要求，但这几个出现频率最高的肯定是基本要求，那么是否这些工具我们都需要掌握呢，这个根据两个方面，一是你所处的工作阶段，二是作为数据分析师的不同方向。

我这里从数据分析方法的角度将数据分析方向分为三个：业务数据分析，数据挖掘分析，大数据分析。将每个方向对应的工具和方法做成思维导图如下：

可以见到，每个方向所对应的主要工具要求都不一样，一般来说，从业务数据分析》数据挖掘分析》大数据分析的技能门槛是逐步提高的，而且技能要求也是叠加的，也就是说例如数据挖掘分析师也需要掌握业务数据分析的工具和方法。

但这并不是数据分析师的发展路径，这只是数据分析不同的方向，如果对业务数据分析非常感兴趣且工作非常有成效，有很好的数据分析思维，那么完全可以往业务方向发展，只掌握SQL，EXCEL,PPT等成为商业分析师和集团战略分析师也是没有问题的，所以根据自己的情况，不用过分追求技术，别忘记，数据分析是为业务服务的！。

根据以上部分我们可以总结回答下题主的第一个问题（数据分析需要的技术），结合上图，可以归纳为描述性统计分析技术（业务数据分析），探索性统计分析技术（数据挖掘，大数据分析），数据可视化（将数据分析结果图表化，撰写报告用或汇报用）。

3.Python

VSJava,更高效，方便一点

既然题主提出Python和Java的对比，说明对编程语言和数据分析还是有一定了解的，结合上面2部分的分析，题主可能实际想知道的是Python和Java哪一个更适合做探索性的数据分析（数据挖掘和大数据分析），做简单的探索性分析其实用SPSS和R语言等一样可行。

但探索性数据分析里目前非常重要且流行的一个方法是机器学习，目前机器学习的主要框架如Tensorflow,sklearn等均是基于Python语言，因为应用广泛且被证明是高效可行的，所以目前来看使用成本相对较低，另外考虑到公司里的团队合作，使用同样的编程语言，团队交流合作也会更加高效。

另外涉及学习成本，Python出名的灵活便捷使其成为数据分析的首选，使用Python做数据分析，掌握基本语法之后，学会使用Numpy,Pandas,matplotlib等库之后就可以开始数据分析，实现同样的数据分析功能，先比于Java,Python用更少的代码即可实现,另外Python的众多数据分析相关的开源库也提供了很好的数据分析平台。

而Java并非在数据领域很少使用，相反它是大数据平台的基础，例如Hadoop等大数据平台是基于Java,但这部分更多的是数据开发和数据仓库方向的技术开发的内容，与数据分析有较大区别。即使是大数据分析师，在使用大数据平台时，掌握Hivesql也能完成取数要求，并不需要掌握Java。

综上，数据分析技术因数据分析方向和阶段各异，主要是统计分析和数据可视化，现阶段Python比Java更适合做数据分析。谢谢

关于数据统计分析工具到此分享完毕，希望能帮助到您。