探索性數據分析(EDA),你會使用嗎？

　　所謂探索性數據分析(Exploratory Data Analysis，以下簡稱EDA)，是指對已有的數據(特別是調查或觀察得來的原始數據)在盡量少的先驗假定下進行探索，通過作圖、制表、方程擬合、計算特征量等手段探索數據的結構和規律的一種數據分析方法。特別是當我們對這些數據中的信息沒有足夠的經驗，不知道該用何種傳統統計方法進行分析時，探索性數據分析就會非常有效。探索性數據分析在上世紀六十年代被提出，其方法由美國著名統計學家約翰·圖基(John Tukey)命名。

　　EDA的出現主要是在對數據進行初步分析時，往往還無法進行常規的統計分析。這時候，如果分析者先對數據進行探索性分析，辨析數據的模式與特點，并把它們有序地發掘出來，就能夠靈活地選擇和調整合適的分析模型，并揭示數據相對于常見模型的種種偏離。在此基礎上再采用以顯著性檢驗和置信區間估計為主的統計分析技術，就可以科學地評估所觀察到的模式或效應的具體情況。

　　所以概括起來說，分析數據可以分為探索和驗證兩個階段。探索階段強調靈活探求線索和證據，發現數據中隱藏的有價值的信息，而驗證階段則著重評估這些證據，相對精確地研究一些具體情況。在驗證階段，常用的主要方法是傳統的統計學方法，在探索階段，主要的方法就是EDA，下面我們重點對EDA做進一步的說明。

　　EDA的特點有三個：一是在分析思路上讓數據說話，不強調對數據的整理。傳統統計方法通常是先假定一個模型，例如數據服從某個分布(特別常見的是正態分布)，然后使用適合此模型的方法進行擬合、分析及預測。但實際上，多數數據(尤其是實驗數據)并不能保證滿足假定的理論分布。因此，傳統方法的統計結果常常并不令人滿意，使用上受到很大的局限。EDA則可以從原始數據出發，深入探索數據的內在規律，而不是從某種假定出發，套用理論結論，拘泥于模型的假設。

　　二是EDA分析方法靈活，而不是拘泥于傳統的統計方法。傳統的統計方法以概率論為基礎，使用有嚴格理論依據的假設檢驗、置信區間等處理工具。EDA處理數據的方式則靈活多樣，分析方法的選擇完全從數據出發，靈活對待，靈活處理，什么方法可以達到探索和發現的目的就使用什么方法。這里特別強調的是EDA更看重的是方法的穩健性、耐抗性，而不刻意追求概率意義上的精確性。

　　三是EDA分析工具簡單直觀，更易于普及。傳統的統計方法都比較抽象和深奧，一般人難于掌握，EDA則更強調直觀及數據可視化，更強調方法的多樣性及靈活性，使分析者能一目了然地看出數據中隱含的有價值的信息，顯示出其遵循的普遍規律及與眾不同的突出特點，促進發現規律，得到啟迪，滿足分析者的多方面要求，這也是EDA對于數據分析的的主要貢獻。

　　值得一提的是，正因為EDA更強調直觀及圖形顯示,所以它采用了很多創新的可視化技術，目前這些可視化技術已經有了很好的實現載體，目前最為主流的探索性數據分析軟件是以圖形效果好、交互性強、易學易用著稱的統計發現軟件JMP。即使不具備統計學基礎的分析者也能在JMP的幫助下，輕松地發現數據、擬合以及殘差的規律，獲得意想不到的發現，為后續的分析啟發思路、指明方向。

　　下面，用一個典型的小案例來說明EDA的實際應用。

　　我們為了對全球經濟的發展趨勢和世界頂級公司的經營狀況做一些研究，可以從公共網站上下載數據(如http://www.forbes.com/lists中的福布斯2000強名單)，用JMP略作整理之后可以得到如表一所示的數據表，其中包含了上榜公司的名稱、所屬行業、所屬國家、上榜年份、上榜排名、市場價值、資產額、銷售額、利潤額等9個變量，總計14000條記錄(每年2000條，從2004年至2010年共7個年度)。現在的問題是：數據有了，其中到底隱藏著怎樣的有價值的信息呢?我們又如何發現這些信息呢?

　　有人說：既然是連續型數據，又包含時間變量，應該用時間序列方法進行分析!的確，時間序列可以告訴我們變量隨時間的變化，然而實際中我們所希望和可以得到的有價值的信息，往往遠不止“隨時間變化”這么簡單，更何況，需要分析這些商業數據的用戶常常并不清楚什么是“時間序列分析”方法。