1、当缺失比例很小时，可直接对缺失记录进行舍弃或进行手工处理。但在实际数据中，往往缺失数据占有相当的比重。这时如果手工处理非常低效，如果舍弃缺失记录，则会丢失大量信息，使不完全观测数据与完全观测数据间产生系统差异，对这样的数据进行分析，你很可能会得出错误的结论。
2、单元无回答的缺失数据处理方法是个案剔除法、均值替换法、热卡填充法。（一）个案剔除法（Listwise Deletion）。最常见、最简单的处理缺失数据的方法是用个案剔除法（listwisedeletion），也是很多统计软件（如SPSS和SAS）默认的缺失值处理方法。（二）均值替换法（Mean Imputation）。
3、简单缺失值处理的方法有。：完整数据及分析法、简单均数填补法、回归均数填补法、新类别法和LOCF法。
SQL 是结构化查询语言的缩写。用于存取数据以及查询、更新和管理关系数据库系统.，它有多种形式，包括 MySQL、Oracle、SQL Server、PostgreSQL 和 SQLite。每个版本都共享大部分相同的核心 API。有很多优质的免费产品。具有一体化、语法简单、使用方式灵活的特点。Excel 几乎和SQL一样常见。
Data Mining Algorithms（数据挖掘算法）可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值。这些算法不仅要处理大数据的量，也要处理大数据的速度。
常用的数据分析技术方法有：逻辑树分析法、多维拆解分析法、PEST分析方法、对比分析法、假设检验分析方法。逻辑树分析法 如果分析的目的是为了简化复杂的事情，你可以使用逻辑树分析法。著名的费米问题就是使用逻辑树分析法。这些估算类的问题可以分解成逻辑树，把一个复杂的问题细分为可以具体量化的问题。
比较常用的财务和因子分析法有杜邦分析法、EVA分析、财务指标、财务比率、坪效公式、品类公式、流量公式等。专题大数据分析 所谓专题大数据分析，是指对特定的一些规模巨大的数据进行分析。大数据常用来描述和定义信息爆炸时代产生的海量数据，并命名与之相关的技术发展与创新。
在描述性分析中，我们处理过去的数据以得出结论，并以仪表板的形式展现出来。在企业中，描述性分析多用于确定关键绩效指标或KPI以评估企业绩效。 预测分析 借助预测分析，我们可以确定未来的结果。基于对历史数据的分析，我们甚至可以预测未来。
交易数据 大数据平台能够获取时间跨度更大、更海量的结构化交易数据，这样就可以对更广泛的交易数据类型进行分析，不仅仅包括POS或电子商务购物数据，还包括行为交易数据，例如Web服务器记录的互联网点击流数据日志。
数据处理的三种方法是：数据清洗、数据转换、数据分析。数据清洗 数据清洗是指对原始数据进行筛选、过滤和修正，以使其符合分析的要求。原始数据中可能存在着错误、缺失、重复、异常值等问题，这些问题都会影响数据的质量和分析的结果。因此，数据清洗是数据分析的第一步，也是最关键的一步。
数据处理的三种方法分别是数据趋势分析、数据对比分析与数据细分分析。根据处理设备的结构方式、工作方式，以及数据的时间空间分布方式的不同，数据处理有不同的方式。数据处理（data processing），是对数据的采集、存储、检索、加工、变换和传输。
列表法：是将实验所获得的数据用表格的形式进行排列的数据处理方法。列表法的作用有两种：一是记录实验数据，二是能显示出物理量间的对应关系。图示法：是用图象来表示物理规律的一种实验数据处理方法。一般来讲，一个物理规律可以用三种方式来表述：文字表述、解析函数关系表述、图象表示。
平均值法：取算术平均值是为减小偶然误差而常用的一种数据处理方法。通常在同样的测量条件下，对于某一物理量进行多次测量的结果不会完全一样，用多次测量的算术平均值作为测量结果，是真实值的最好近似。
我们所处理的数据一般存在信息的含糊性（Vagueness）问题。含糊性有三种：术语的模糊性，如高矮；数据的不确定性，如噪声引起的；知识自身的不确定性，如规则的前后件间的依赖关系并不是完全可靠的。
根据用户交互输入，分段的输出。使用内存文件映射，这是最常用的文件的处理方法，Linux和Windows都提供一种内存文件映射的机制，以Windows为例，可以调用 CreateFile（）、 CreateFileMapping（）以及 MapViewOfFile（）三个函数来完成内存文件映射。使用数据库，借助SQL查询语言对大数据进行操作。
1、内容分析：对媒体、广告、政策文件、网站等文本和非文本信息进行分析和解读，以揭示其中的特征和趋势。内容分析通常包括语义分析、符号分析、框架分析等方法。场所研究：在特定场所中进行观察和研究，了解场所的结构、功能和互动关系。场所研究通常包括建筑分析、环境分析、社会网络分析等方法。
2、分析数据 分析数据往往需要各类统计分析模型，如关联规则、聚类、分类、预测模型等等。SPSS、SAS、Python、R等工具，多多益善。数据呈现 可视化工具，有开源的Tableau可用，也有一些商业BI软件，根据实际情况掌握即可。
3、引流 通过分析PV、UV、访问次数、平均访问深度、跳出率等数据来衡量流量质量优劣。目的是保证流量的稳定性，并通过调整，尝试提高流量。转化 完成引流工作后，下一步需要考虑转化，这中间需要经历浏览页面注册成为用户登陆添加购物车下单付款完成交易。
4、内部数据主要是网络日志相关数据、客户信息数据、业务流程数据等，外部数据是第三方监测数据、企业市调数据、行业规模数据等。数据分析、处理 使用的工具取决于公司的需求。如何做数据分析 数据跟着业务走，数据分析的过程就是将业务问题转化为数据问题，然后再还原到业务场景中去的过程。
5、可视化分析：数据可视化是数据分析工具的核心功能，无论针对数据分析专家还是普通用户。它通过图形化的方式直观展示数据，使数据自身传达出有价值的信息，让观众能够直观理解。 数据挖掘算法：数据挖掘为机器提供洞察力，涉及集群、分割、孤立点分析等多种算法。
