作为常识，数据分析中至少80%的时间都用在数据预处理，分析、建模、测试等工作占比不到20%。
During the course of doing data analysis and modeling, a significat amout of time is spent on data preparation: loading, cleaning, transforming, and rearanging.
Such tasks are often reported to take up 80% or more of an analysits's time.
resource: Python for Data Analysis 2nd Edition by Wes McKinney
首先，数据分析步骤为：
一：数据预处理
1）数据读取和储存，数据清洗，数据再处理；
1.1）常用工具主要有SQL、EXCEL、pandas、numpy
二：常规分析
4）数据现状盘点，用于现状的理解和洞察。
4.1）常见应用有经营分析、RFM、留存漏斗等（营销领域）等业务数据的聚合和拆分；
4.2）常见方法为透视+机器学习中的分类聚类，以及可视化；
4.3）常用工具主要有pandas、numpy、matplotlibpyplot/seaborn/plotly、PPT；
三：进阶分析
5）数据价值的进一步压榨，用于深入挖掘数据价值和预测分析。
5.1）常见方法为机器学习中回归+可视化；
5.2）常用工具主要有sklearn、scipy、statsmodel、spark、tensorflow及数据科学家自定义模型；
其次，数据分析的工具的特点
一、Excel工具
- 属于spreadsheet software。它是一个十分优秀的入门级数据分析工具，但是数据量规模需要限制在十万级（MS EXCEL 2016最大储存100万条数据）。
EXCEL麻雀虽小但五脏俱全。在数据储存、数据预处理、数据分析透视、数据可视化方面都非常强大，并且可以进行简单的算法应用。界面友好，函数比较丰富、支持VBA，兼顾“傻瓜式”操作和“定制化”操作，搭配MS自带的PPT，应用广泛市场广阔。
二、SPSS或者SAS工具
- 属于statistical analysis software。它俩属于进阶级的统计分析工具，可以轻松处理百万级数据，SAS可以轻松应对更巨量数据（SPSS的32位最大2百万条，64位没有数据量限制，具体取决于计算机性能Maximum number of cases in an SPSS dataset这里）
相对EXCEL来说，它倆的整体功能变得更加强大，尤其是统计分析方面，比如可以做因子分析、回归、聚类、分类。
实际操作中，SPSS可以视为加强版的EXCEL，并有额外的算法优势。SAS类似一个编程化的加强版SPSS(SAS不太懂)。
界面方面，SPSS和EXCEL都属于统一的拖拽式窗口操作模式（所以被称作“傻瓜”软件），一般步骤是选择变量、设置参数，最后得到结果，使用者甚至不用懂太多统计专业知识，用默认的设置即可完成专业的统计。此外，能做相对简单的数据清洗和再处理。
应用方面，SPSS常用语社科领域(偏学术方面)，SAS比较广泛包括金融、医药健康和商业公司。
三、Python和R工具
- 数据分析整体使用人数最多的语言。得益于不断成熟和完善的libraries比如pandas、scikit-learn，在18年超过R成为第一大数据处理语言（65.6% 比 45.5%，来源这里）
截止到目前我的感觉是，python类似于一个可拓展的多接口平台，通过python能对接多种功能模块，实现不同的功能。
Python数据分析常用的模块有pandas、scikit-learn，实用性高、性能高，像pandas可以说是numpy的定制化版本，而numpy底层使用C语言&应用自身优化了的指令集，速度非常高知乎来源）
和R相比，结合作者"R语言中文社区"的看法，简单说1）Python上手容易、R上手困难，2）R语言发展时间长、细节方面更优秀，Python发展时间短、支持的库在对于大神来说不够精细。3）Pthon属于通用性语言，发展速度快，使用人数更多，R属于专业的数据分析语言，一旦上手之后能较容易地达到很高水平，并且各个方面都十分成熟完善。4）R更偏向于学术，python更偏向于商业应用。
-----------------------------------------------------------------------------------------------------------------------------------------------
-------------------------------------更新---全文转载一篇好的文章--------------------------------------------------------------------------
在银行做了两年的数据分析和挖掘工作，较少接触互联网的应用场景，因此，一直都在思考一个问题，“互联网和金融，在数据挖掘上，究竟存在什么样的区别”。在对这个问题的摸索和理解过程中，发现数据挖掘本身包含很多层次。并且模型本身也是存在传统和时髦之分的。本文就想聊聊这些话题。
一、数据挖掘的层次
一直想整理下对数据挖掘不同层次的理解，这也是这两年多的时间里面，和很多金融领域、互联网做数据相关工作的小伙伴，聊天交流的一些整理和归纳。大概可以分为四类。
1.1 纯粹的数据加工
侧重于变量加工和预处理，从源系统或数据仓库，对相关数据进行提取、加工、衍生处理，生成各种业务表。然后，以客户号为主键，把这些业务表整合汇总，最终可以拉出一张大宽表，这张宽表就可以称之为“客户画像”。即，有关客户的很多变量和特征的集合。
在这个阶段，主要的数据加工工具为SQL和SAS base。
1.2 傻瓜式的挖掘工具
较为典型的就是SAS EM和clementine，里面嵌入很多较为传统成熟的算法、模块和节点（例如逻辑回归、决策树、SVM、神经网络、KNN、聚类等）。通过鼠标的托拉拽，流程式的节点，基本上就可以实现你挖掘数据的需求。
傻瓜式操作的优点就是使得数据挖掘，入手非常快，较为简单。但是，也存在一些缺陷，即，使得这个挖掘过程变得有点单调和无趣。没办法批量运算模型，也没办法开发一些个性化的算法和应用。用的比较熟练，并且想要进一步提升的时候，建议把这两者抛弃。
1.3 较为自由的挖掘工具
较为典型的就是R语言和Python。这两个挖掘工具是开源的，前者是统计学家开发的，后者是计算机学家开发的。
一方面，可以有很多成熟的、前沿的算法包调用，另外一方面，还可以根据自己的需求，对既有的算法包进行修改调整，适应自己的分析需求，较为灵活。此外，Python在文本、非结构化数据、社会网络方面的处理，功能比较强大。
1.4 算法拆解和自行开发
一般会利用python、c、c++，自己重新编写算法代码。例如，通过自己的代码实现逻辑回归运算过程。甚至，根据自己的业务需求和数据特点，更改其中一些假定和条件，以便提高模型运算的拟合效果。尤其，在生产系统上，通过C编写的代码，运行速度比较快，较易部署，能够满足实时的运算需求。
一般来说，从互联网的招聘和对技能的需求来说，一般JD里面要求了前三种，这样的职位会被称为“建模分析师”。但是如果增加上了最后一条，这样的职位或许就改称为“算法工程师”。
二、模型的理解：传统的和时髦的
据理解，模型应该包括两种类型。一类是传统的较为成熟的模型，另外一类是较为时髦有趣的模型。对于后者，大家会表现出更多的兴趣，一般是代表着新技术、新方法和新思路。
2.1 传统的模型
传统的模型，主要就是为了解决分类（例如决策树、神经网络、逻辑回归等）、预测（例如回归分析、时间序列等）、聚类（kmeans、系谱、密度聚类等）、关联（无序关联和有序关联）这四类问题。这些都是较为常规和经典的。
2.2 时髦有趣的模型
比较有趣、前沿的模型，大概包括以下几种类型，即社会网络分析、文本分析、基于位置的服务（Location-based Service，LBS）、数据可视化等。
它们之所以比较时髦，可能的原因是，采用比较新颖前沿的分析技术（社会网络、文本分析），非常贴近实际的应用（LBS），或者是能够带来更好的客户体验（数据可视化）。
（1）社会网络的应用
传统的模型将客户视为单一个体，忽视客户之间的关系，基于客户的特征建立模型。社会网络是基于群体的，侧重研究客户之间的关联，通过网络、中心度、联系强度、密度，得到一些非常有趣的结果。典型的应用，例如，关键客户的识别、新产品的渗透和扩散、微博的传播、风险的传染、保险或信用卡网络团伙欺诈、基于社会网络的推荐引擎开发等。
（2）文本挖掘的应用
文本作为非结构化数据，加工分析存在一定的难度，包括如何分词、如何判断多义词、如何判断词性，如何判断情绪的强烈程度。典型的应用，包括搜索引擎智能匹配、通过投诉文本判断客户情绪、通过舆情监控品牌声誉、通过涉诉文本判定企业经营风险、通过网络爬虫抓取产品评论、词云展示等。
文本和湿人。关于文本分析，最近朋友圈有篇分享，很有意思，号称可以让你瞬间变成湿人。原理很简单，就是先把《全宋词》分词，然后统计频数前100的词语。然后你可以随机凑6个数（1-100），这样就可以拼凑出两句诗。比如，随机写两组数字，（2,37,66）和（57,88,33），对应的词语为（东风、无人、黄花）和（憔悴、今夜、风月）。组成两句诗，即“东风无人黄花落，憔悴今夜风月明”。还真像那么一回事，有兴趣可以玩一玩。
（3）LBS应用
即基于位置的服务，即如何把服务和用户的地理位置结合。当下的APP应用，如果不能很好地和地理位置结合，很多时候很难有旺盛的生命力。典型的APP，例如大众点评（餐饮位置）、百度地图（位置和路径）、滴滴打车、微信位置共享、时光网（电影院位置）等服务。此外，银行其实也在研究，如何把线上客户推送到距离客户最近的网点，完成O2O的完美对接，从而带来更好的客户体验。
（4）可视化应用
基于地图的一些可视化分析，比较热门，例如，春节人口迁徙图、微信活跃地图、人流热力图、拥堵数据的可视化、社会网络扩散可视化等。
如果你想让你的分析和挖掘比较吸引眼球，请尽量往以上四个方面靠拢。
三、互联网和金融数据挖掘的差异
博士后两年，对银行领域的数据挖掘有些基本的了解和认识，但是面对浩瀚的数据领域，也只能算刚刚入门。很多时候，会很好奇互联网领域，做数据挖掘究竟是什么样的形态。
很早之前，就曾在知乎上提了个问题，“金融领域的数据挖掘和互联网中的数据挖掘，究竟有什么的差异和不同”。这个问题挂了几个月，虽有寥寥的回答，但是没有得到想要的答案。
既然没人能够提供想要的答案，那就，根据自己的理解、一些场合的碰壁、以及和一些互联网数据小伙伴的接触，试图归纳和回答下。应该有以下几个方面的差异。
3.1 “分析”和“算法”
在互联网中，“分析”和“算法”，分得非常开，对应着“数据分析师”和“算法工程师”两种角色。前者更多侧重数据提取、加工、处理、运用成熟的算法包，开发模型，探索数据中的模式和规律。后者更多的是，自己写算法代码，通过C或python部署到生产系统，实时运算和应用。
在银行领域，基本上，只能看到第一种角色。数据基本上来源于仓库系统，然后运用SQL、SAS、R，提取、加工、建模和分析。
3.2 数据类型
数据类型，主要包括“结构化”和“非结构化”两类数据。前者就是传统的二维表结构。一行一条记录，一列一个变量。后者包括文本、图像、音频、视频等。
银行里面的数据，更多的是结构化数据，也有少量的非结构化数据（投诉文本、贷款审批文本等）。业务部门对非结构化数据的分析需求比较少。因此，在非结构化数据的分析建模方面，稍显不足。
互联网，更多的是网络日志数据，以文本等非结构化数据为主，然后通过一定的工具将非结构化数据转变为结构化数据，进一步加工和分析。
3.3 工具、存储和架构
互联网，基本上是免费导向，所以常常选择开源的工具，例如MySql、R、Python等。常常是基于hadoop的分布式数据采集、加工、存储和分析。
商业银行一般基于成熟的数据仓库，例如TD，以及一些成熟的数据挖掘工具，SAS EG和EM。
3.4 应用场景
在应用场景上，两者之间也存在着非常大的差异。
（1）金融领域
金融领域的数据挖掘，不同的细分行业（如银行和证券），也是存在差别的。
银行领域的统计建模。银行内的数据挖掘，较为侧重统计建模，数据分析对象主要为截面数据，一般包括客户智能（CI）、运营智能（OI）和风险智能（RI）。开发的模型以离线为主，少量模型，例如反欺诈、申请评分，对实时性的要求比较高。
证券领域的量化分析。证券行业的挖掘工作，更加侧重量化分析，分析对象更多的是时间序列数据，旨在从大盘指数、波动特点、历史数据中发现趋势和机会，进行短期的套利操作。量化分析的实时性要求也比较高，可能是离线运算模型，但是在交易系统部署后，实时运算，捕捉交易事件和交易机会。
（2）互联网
互联网的实时计算。互联网的应用场景，例如推荐引擎、搜索引擎、广告优化、文本挖掘（NLP）、反欺诈分析等，很多时候需要将模型部署在生产系统，对实时响应要求比较高，需要保证比较好的客户体验。
四、数据挖掘在金融领域的典型应用
别人常常会问，在银行里面，数据挖掘究竟是做什么的。也常常在思考如何从对方的角度回答这个问题。举几个常见的例子做个诠释。
4.1 信用评分
申请评分。当你申请信用卡、消费贷款、经营贷款时，银行是否会审批通过，发放多大规模的额度？这个判断很可能就是申请评分模型运算的结果。通过模型计算你的还款能力和还款意愿，综合评定放款额度和利率水平。
行为评分。当你信用卡使用一段时间后，银行会根据你的刷卡行为和还款记录，通过行为评分模型，判断是否给你调整固定额度。
4.2 个性化产品推荐
很多时候，你可能会收到银行推送的短信或者接到银行坐席的外呼，比如，向你推荐某款理财产品。这背后，很可能就是产品响应模型运算的结果。银行会通过模型，计算你购买某款理财产品的概率，如果概率比价高的话，就会向你推送这款理财产品。
此外，很多时候，不同的客户，银行会个性化的推荐不同的产品，很可能就是产品关联分析模型运算的结果。