数据科学原理

第3章　数据科学的5个步骤

我们在上一章介绍了数据的类型，以及处理不同类型数据的方法，为进一步学习数据科学做好了准备。本章，我们将重点介绍数据科学的第三步——探索数据（data exploration）。我们将使用Python的Pandas和Matplotlib包探索不同的数　 据集。

3.1　数据科学简介

很多人问我数据科学（data science）和数据分析（data analytic）的最大区别是什么。有的人认为两者没有区别，有的人则认为两者千差万别。我认为，尽管两者确实存在很多不同之处，但最大的不同在于数据科学严格遵循结构化、一步一步的操作过程，保证了分析结果的可靠性。

和其他科学研究一样，这些过程必须被严格执行，否则分析结果将不可靠。再直白一点，对于外行的数据科学家，严格遵循这些过程将能够快速获得准确结果。反之，如果没有清晰的路线图，则分析结果很难得到保证。

虽然这些步骤更多是写给业余分析师的指引，但它们同样是数据科学家，甚至更严格的商业分析和学术分析的基础。每一位数据科学家都理解这些步骤的重要意义，会在实践过程中严格遵守它们。

3.2　5个步骤概览

数据科学的5个必备步骤分别是：

（1）提出有意思的问题；

（2）获取数据；

（3）探索数据；

（4）数据建模；

（5）可视化和分享结果。

首先，我们从宏观上了解以上5个步骤。

3.2.1　提出有意思的问题

这是我最喜欢的一步。作为一个创业者，我经常问自己（和他人）很多有意思的问题。我像对待头脑风暴会议一样对待这一步。现在开始写下问题，不要关心回答这些问题所需的数据是否存在。这样做的原因有两个。第一，你不会希望在没有找到数据之前，就被自己的偏见影响。第二，获取数据可能涉及公开渠道和私有渠道，因此不会轻松和显而易见。

你可能想到一个问题，然后自言自语说：“我打赌没有这样的数据可以帮到我们！”然后就将它从问题列表中删除。千万不要这样做，把它留在你的问题列表中！ ...