近期在kaggle刷到一个数据分析项目🈶很多人upvoted， 看到里面基本上是一个完整的数据分析流程，跟我工作里的项目流程类似，这么好的干货也想分享给大家一起学习看看 另外我也整理了数据分析流程： 使用数据工具进行业务分析时，通常是以下流程（以Python为例，SQL和Excel等同样可以遵循下列流程，视乎数据量级和处理难度选择工具） 1️⃣ 导入数据🔺 将数据源导入Python，Excel文件可以使用pandas库中的read_excel() 💻示例代码：import pandas as pd; df = pd.read_excel('文件路径.xlsx') 2️⃣ 数据清洗🔺 确保数据质量，包括处理缺失值、异常值、重复数据等 使用pandas的isnull()、dropna()、fillna()等方法处理缺失值 使用条件语句或query()方法筛选和处理异常值 使用duplicated()和drop_duplicates()方法处理重复数据 数据清洗还有数据类型转换、删掉空格、大小写统一等 3️⃣ 数据探索与分析🔺 使用描述性统计如describe()方法来了解数据的分布和特征 使用分组groupby()和聚合函数如sum()、mean()等进行分组分析 使用pivot_table()创建交叉表报告 进行相关性分析、趋势分析、假设检验等 4️⃣ 数据可视化🔺 利用matplotlib、seaborn等库将数据以图表的形式展示出来，帮助直观理解数据 常见的图表类型包括折线图、柱状图、散点图、饼图、热力图等 5️⃣ 导出数据🔺 将处理后的数据或分析结果导出到Excel或其他格式的文件中，使用pandas的to_excel()方法可以将DataFrame对象导出Excel 💻示例代码：df.to_excel('输出文件路径.xlsx', index=False)（index=False表示不导出索引列） 6️⃣ 报告🔺 编写分析报告，总结分析结果和提出建议 可以使用Jupyter或类似工具来整合代码、分析和可视化结果，便于分享和复现 7️⃣ 优化迭代🔺 优化改进分析流程和模型，保持报告各部分数据一致性