Вот несколько методов, обычно используемых в аналитике, а также примеры кода, которые можно применять к различным типам задач анализа данных:

1. Описательная статистика:

   • Описание: обобщение и интерпретация данных с использованием статистических показателей.
   • Пример кода (Python):

     import numpy as np
     data = [1, 2, 3, 4, 5]
     mean = np.mean(data)
     median = np.median(data)
     std_dev = np.std(data)
     print("Mean:", mean)
     print("Median:", median)
     print("Standard Deviation:", std_dev)

2. Визуализация данных:

   • Описание: Создание визуального представления данных для получения ценной информации.
   • Пример кода (Python – использование Matplotlib):

     import matplotlib.pyplot as plt
     x = [1, 2, 3, 4, 5]
     y = [2, 4, 6, 8, 10]
     plt.plot(x, y)
     plt.xlabel("X-axis")
     plt.ylabel("Y-axis")
     plt.title("Data Visualization")
     plt.show()

3. Регрессионный анализ:

   • Описание: Моделирование взаимосвязей между переменными с использованием методов регрессии.
   • Пример кода (Python – использование scikit-learn):

     from sklearn.linear_model import LinearRegression
     X = [[1], [2], [3], [4], [5]]
     y = [2, 4, 6, 8, 10]
     model = LinearRegression()
     model.fit(X, y)
     predicted_y = model.predict([[6]])
     print("Predicted Y:", predicted_y)

4. Классификация:

   • Описание: присвоение точек данных предопределенным классам или категориям.
   • Пример кода (Python – использование scikit-learn):

     from sklearn.svm import SVC
     X = [[1, 2], [2, 3], [3, 3], [2, 1], [3, 2]]
     y = [0, 0, 1, 1, 1]
     model = SVC()
     model.fit(X, y)
     predicted_class = model.predict([[2.5, 2.5]])
     print("Predicted Class:", predicted_class)

5. Кластеризация:

   • Описание: группировка схожих точек данных по их характеристикам.

   • Пример кода (Python – использование scikit-learn):

     from sklearn.cluster import KMeans
     X = [[1], [2], [10], [11], [12]]
     
     model = KMeans(n_clusters=2)
     model.fit(X)
     cluster_labels = model.predict([[3], [13]])
     print("Cluster Labels:", cluster_labels)