数据挖掘学习笔记
如果你对 Python有一定了解，那么可以直接跳过这部分内容。
Python 是一门面向对象、直译式编程语言， 编写简单、上手迅速，开源扩展包十分丰富，所以在数据挖掘的前沿科研和工业领域都广受欢迎，有着瑞士军刀般的价值。利用 Python，可以非常方便地开展各种领域的数据挖掘工作。
回顾python的数据结构和基本语法
- 数据挖掘学习笔记
- 一、Python 的介绍
- Python 的优、缺点
- 1. 优点
- 2. 缺点
- 二、Python 支持的数据类型
- 1. 列表（list）
- 三、数据挖掘有什么用处
- 1.分类问题
- 2.聚类问题
- 3.回归问题
- 4.关联问题
- 四、数据挖掘怎么做
- 1.业务理解（Business Understanding）
- 2.数据理解（Data Understanding）
- 3.数据准备（Data Preparation）
- 4.构建模型（Modeling）
- 5.评估模型（Evaluation）
- 6.模型部署（Deployment）
- 五、总结
一、Python 的介绍
Python 的优、缺点
1. 优点
简单易学：Python 的代码比较简洁、语法比较规范， 甚至有点像伪代码，很容易上手。如果你有其他编程语言基础的话，那么学习 Python 就会变得很快了。如果你没有学过，也不要担心，市面上关于 Python 入门的课程非常多，足够满足你的需求。
开源：因为用户可以免费使用，所以不管是在工作中，还是在学习中，使用 Python 的人群都很多，这使得各种更新包层出不穷。
可移植性好：在不同的平台都可以运行，不管是 MacOS、Windows 还是 Linux，唯一需要注意的是运行环境的配置。比如 Python 中各种包的依赖关系，如果处理不好将导致程序无法运行，要注意避免。下一课时我会介绍一种常用的包管理办法。
可扩展性：Python 拥有丰富的第三方库，不管是文件操作、网络编程、各种数据库，还是 3D 图形编程都可以运用到。
2. 缺点
慢！通常来说 Python 的缺点就 1 个， 为了使语言更加简便易懂，Python 在底层做了很多工作，所以其运行速度比 C、Java 等要慢很多。 如果非要说还有什么缺点，我认为，由于各种扩展库太庞大，导致配置这些相关包有些困难，比如不同版本的包可能存在不兼容的情况，甚至是 Python 语言本身，在从 2.x 版本升级到 3.x 版本后，很多语句和功能都发生了变化，无法跨版本运行。
知道了 Python 的特点之后，我们来了解一下它的数据类型，这对我们编写代码有很大的帮助。
二、Python 支持的数据类型
支持的数据类型
1. 列表（list）
列表可以理解为是一个有序可重复的数组，主要用于按顺序存放我们的数据。
首先，来举个例子，下面是一个为列表赋值的语句：
list=['one','two',3,4,5]通过该语句生成了一个列表，即 list，里面有 5 个元素，但它们的类型不一样，前 2 个是字符串，后 3 个是数字。
简单来说有三点：
1.数据量大：数据的生产、收集和存储也越来越方便，海量数据因此产生
2.维度多：比如点外卖事件涉及的维度就有：浏览饭店的菜品（形式有文字、图片或语言、视频等）、浏览时间、下单价格、交易处理、分配配送员及 GPS 信息、完成订单后的评价等。
3.问题复杂:编写一段代码来区分某图片中是否有一只猫咪，那要考虑的问题就太多了，使用传统的方法很难解决，而这恰恰是数据挖掘所擅长的
三、数据挖掘有什么用处
1.分类问题
什么是分类
一张图片，电脑判断男人还是女人，一封邮件，电脑判断为垃圾信息还是又用信息？
2.聚类问题
聚类与分类不同，聚类的类别预先是不清楚的，我们的目标就是要去发现这些类别。聚类的算法比较适合一些不确定的类别场景。
比如:比如我们出去玩，捡了一大堆不同的树叶回来，你不知道这些树叶是从什么树上掉落的，但是你可以根据它们的大小、形状、纹路、边缘等特征给树叶进行划分，最后得到了三个较小的树叶堆，每一堆树叶都属于同一个种类
3.回归问题
使用回归的方法预测北京某个房子的总价（y），假设总价只跟房子的面积（x）有关，那么我们构建的方程式就是 ax+b=y。如何根据已知 x 和 y 的值解出 a 和 b 就是回归问题要解决的。回归方法是通过构建一个模型去拟合已知的数据（自变量），然后预测因变量结果。
4.关联问题
常见的啤酒与尿布的故事
四、数据挖掘怎么做
应用最多的 CRISP-DM（Cross-industry Standard Process for Data Mining，跨行业数据挖掘标准流程）方法论
1.业务理解（Business Understanding）
业务理解就是需求，弄明白问题所需求什么？训练模型用来预测垃圾邮件，那么你得弄明白，什么是垃圾邮件，他的特征有哪些，对于垃圾邮件的定义是什么，还有就是你目前的资源、局限、设想、存在风险等等问题。
2.数据理解（Data Understanding）
数据理解阶段始于数据的收集工作，但我认为重点是在业务理解的基础上，对我们所掌握的数据要有一个清晰、明确的认识，了解有哪些数据、哪些数据可能对目标有影响、哪些可能是冗余数据、哪些数据存在不足或缺失，等等。
需要注意的是，数据理解和业务理解是相辅相成的，因此你在制定数据挖掘计划的时候，不能只是单纯地谈需求，这也是大多数初入门的数据挖掘工程师容易忽略的。数据理解得不好，很可能会导致你对业务需求的错误评估，从而影响后续进度甚至是结果。
3.数据准备（Data Preparation）
你需要找销售要销售数据，找采购要采购数据，找财务要各种收入、支出数据，然后整理所有需要用到的数据，想办法补全那些缺失的数据，计算各种统计值，等等。数据准备就是基于原始数据，去构建数据挖掘模型所需的数据集的所有工作，包括数据收集、数据清洗、数据补全、数据整合、数据转换、特征提取等一系列动作。
事实上，在大多数的数据挖掘项目中，数据准备是最困难、最艰巨的一步。如果你的数据足够干净和完整，那么在建模和评估阶段所付出的精力就越少，甚至都不必去使用什么复杂的模型就可以得到足够好的效果，所以这个阶段也是十分重要的。
4.构建模型（Modeling）
也可以叫作训练模型，在这一阶段，我们会把准备好的数据喂给算法，所以这个阶段重点解决的是技术方面的问题，会选用各种各样的算法模型来处理数据，让模型学习数据的规律 ，并产出模型用于后续的工作。
对于同一个数据挖掘的问题类型，可以有多种方法选择使用。如果有多重技术要使用，那么在这一任务中，对于每一个要使用的技术要分别对待。一些建模方法对数据的形式有具体的要求，比如 SVM 算法只能输入数值型的数据，等等 。 因此，在这一阶段，重新回到数据准备阶段执行某些任务有时是非常必要的
5.评估模型（Evaluation）
在模型评估阶段，我们已经建立了一个或多个高质量的模型。但是模型的效果如何，能否满足我们的业务需求，就需要使用各种评估手段、评估指标甚至是让业务人员一起参与进来，彻底地评估模型，回顾在构建模型过程中所执行的每一个步骤，以确保这些模型达到了目标。在评估之后会有两种情况，一种是评估通过，进入到上线部署阶段；另一种是评估不通过，那么就要反过来再进行迭代更新了。
6.模型部署（Deployment）
整理了数据，研究了算法模型，并通过了多方评估，终于到了部署阶段。此时可能还要解决一些实际的问题，比如长期运行的模型是否有足够的机器来支撑，数据量以及并发程度会不会造成我们部署的服务出现问题，等等。但是，关于数据挖掘的生命周期可能还远未结束，关于一些特殊情况的出现可能仍然无法处理，以及在后续的进程中，随着新数据的生产以及变化，我们的模型仍然会发生一些变化。所以部署是一个挖掘项目的结束，也是一个数据挖掘项目的开始。
五、总结
我们主要来认识一下“数据挖掘”，让它不再是一个抽象的名词，从“它解决什么问题”和“怎么做”的角度建立了全面而具体的认识。后面的篇幅，我也将围绕这些内容进行展开和扩充讲解。
数据挖掘与数据分析，业务目标相同，但是工作上有些区别。一般数据挖掘更倾向于技术层面，而数据分析倾向于业务结果方面，数据挖掘和算法工程师更接近一点。
