编辑导语：在我们的日常工作中，很多时候都会用到数据分析的方式，其中建模分析的方法也是数据分析的一种类型，对于各种数值能够清晰明了的呈现；本文作者分享了关于数据分析中的建模分析的基本流程，我们一起来了解一下。

日常的数据分析工作中，除了基本的拆解法、对比法做分析外，也经常需要用到模型的方法来做预测或者分类，这里会介绍建模分析的基本流程及常见处理方法。

01 描述性分析

在拿到数据后，不能着急立刻开始清洗数据或者模型训练，而是先了解数据（除建模分析外，其他的数据开发也要做这一步），这样才能避免后期的踩坑，否则十有八九是要复工的。

那“了解数据”这一环节，具体要了解哪些东西呢？

• 了解各个特征的业务含义和计算逻辑
• 各个特征的分布是否符合预期
• 特征之间的相关性如何，是否符合基本逻辑
• 特征和目标值的相关性如何，是否符合基本逻辑

在相关性分析这里，数值型变量之间可通过计算相关系数或者画图呈现；数值型变量和分类变量可通过箱线图呈现关系。

02 缺失值处理

在初步了解数据后，需要做一些数据预处理的行为。

第一步就是对缺失值处理，一般根据样本量多少以及缺失比例，来判断是“宁缺毋滥”的删除，还是缺失值填充。

具体处理的思路可以是这样的：

1. 统计计算样本量n，各个特征数据缺失率y，各样本数据特征缺失率x；
2. 特征缺失率x比较高的样本一般都建议删除；因为多个特征都缺失，填补也比较困难，即使填补信息偏差也会比较大。
3. 如果某特征缺失率y比较大，则删除此特征；如果特征缺失率低且样本量比较大的话，可删除特征缺失的样本；如果样本量少不可删除，则对缺失值做填充。

缺失值填充的方法有：

1. 根据特征的众数、中位数或者平均值来填充；也可以对样本做分类，根据所在类的平均值众数等填充；
2. 通过回归法来做样本填充，缺失值作为因变量，其他特征做自变量去预测；
3. 还可通过比较复杂的方法，如多重插补法。

03 异常数据处理

处理完缺失值后，需要做异常数据处理。

之前介绍过一篇异常数据处理的方法，数据分析-异常数据识别；这篇介绍了多种适应不同场景下的异常数据识别方法。

04 数据标准化处理

对于很多模型，如线性回归、逻辑回归、Kmeans聚类等，需要计算不同特征的系数，或者计算样本距离。

这种情况下，如果不同特征的数值量级差的特别大，会严重影响系数和距离的计算，甚至这种计算都会失去意义；所以在建模前必须要做的就是要去量纲，做标准化处理。

当然有些模型是不需要做数据标准化处理的，如决策树、随机森林、朴素贝叶斯等。

当前最常用的数据标准化处理方法有：

1）最小—**规范化

(x-min)/(max-min)，将其规范到[0,1]之间

2）z值规范化

(x-均值)/标准差，将其规范为均值为0，标准差为1；

如果这种情况，受离群点影响比较大的话，可以用中位数代替均值，用绝对标准差代替标准差。

还需要注意的是，如果样本分布非常有偏的话，可以先做box-cox变换，将其往正态分布变换后再标准化。

05 特征选择

在做完基本的数据清洗以及特征变换后，需要做的是特征选择，一般做特征选择的原因是：

1. 某些特征存在多重共线性，这种情况对线性回归和逻辑回归影响比较大；
2. 特征太多，有些特征增加了模型复杂性却与模型无关，不能全部入模，需要筛选出价值更高的特征。