Вот несколько методов анализа данных в программах MBA, а также примеры кода:

1. Очистка и предварительная обработка данных.
   Очистка данных включает в себя обработку пропущенных значений, выбросов и несоответствий в наборе данных. Предварительная обработка включает в себя такие задачи, как нормализация данных, масштабирование признаков и кодирование категориальных переменных. Вот пример очистки и предварительной обработки данных с использованием Python с библиотекой pandas:

   import pandas as pd
   
   # Load the dataset
   data = pd.read_csv('data.csv')
   
   # Handling missing values
   data = data.dropna()
   
   # Encoding categorical variables
   data = pd.get_dummies(data, columns=['category'])
   
   # Normalizing numerical data
   data['num_column'] = (data['num_column'] - data['num_column'].mean()) / data['num_column'].std()
   
   # Feature scaling
   data['feature'] = (data['feature'] - data['feature'].min()) / (data['feature'].max() - data['feature'].min())

2. Исследовательский анализ данных (EDA).
   EDA помогает понять данные, суммируя их основные характеристики и визуализируя закономерности. Он включает в себя такие задачи, как статистический анализ, визуализация данных и корреляционный анализ. Вот пример EDA с использованием Python с библиотекой seaborn:

   import seaborn as sns
   
   # Load the dataset
   data = pd.read_csv('data.csv')
   
   # Statistical summary
   print(data.describe())
   
   # Correlation heatmap
   sns.heatmap(data.corr(), annot=True)
   
   # Distribution plot
   sns.distplot(data['num_column'])
   
   # Scatter plot
   sns.scatterplot(x='feature1', y='feature2', data=data)

3. Прогнозное моделирование.
   Прогнозирующее моделирование включает в себя построение моделей машинного обучения для прогнозирования или классификации на основе исторических данных. Вот пример прогнозного моделирования с использованием Python с библиотекой scikit-learn:

   from sklearn.model_selection import train_test_split
   from sklearn.linear_model import LogisticRegression
   
   # Split data into training and testing sets
   X_train, X_test, y_train, y_test = train_test_split(data.drop('target', axis=1), data['target'], test_size=0.2)
   
   # Create a logistic regression model
   model = LogisticRegression()
   
   # Train the model
   model.fit(X_train, y_train)
   
   # Make predictions
   predictions = model.predict(X_test)

4. Визуализация данных.
   Визуализация данных помогает представить информацию и закономерности в данных посредством графических представлений. Вот пример визуализации данных с использованием Python с библиотекой matplotlib:

   import matplotlib.pyplot as plt
   
   # Line chart
   plt.plot(data['x'], data['y'])
   plt.xlabel('X')
   plt.ylabel('Y')
   plt.title('Line Chart')
   plt.show()
   
   # Bar chart
   plt.bar(data['category'], data['count'])
   plt.xlabel('Category')
   plt.ylabel('Count')
   plt.title('Bar Chart')
   plt.show()