數據分析方法精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的數據分析方法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：數據分析方法范文

關鍵詞：數據分析應用率；分析應用點；四個層次；數據中心；儀表盤

中圖分類號：N37 文獻標識碼：B 文章編號：1009-9166（2009）02（c）-0063-02

現代企業(yè)的決策往往是在整合大量信息資料的基礎上制定出來的，對數據的理解和應用將是企業(yè)決策的基石。與傳統的操作型應用相比，數據利用的應用建設難度更大，它是隨著管理水平而發(fā)展，同時又取決于業(yè)務人員的主觀意識，這就決定了以數據利用為核心的應用建設不可能一蹴而就，而是一個長期迭展的建設過程。從2003年起工廠開始全面推進數據分析應用工作，經歷過曲折，同時也有收獲。經過多年的努力，工廠的數據分析應用工作開始進入良性發(fā)展階段，筆者認為有必要對工廠目前數據分析應用工作作一總結和思考。

一、工廠數據分析應用工作開展現狀

工廠數據分析應用工作推進至今已有四五年的時間，從最初全面調研工廠數據量和數據分析應用狀況，將數據分析應用率指標作為方針目標定量指標來考核，到后來將數據分析應用工作的推進重心從量向質轉移，采用以項目為載體進行管理，著重體現數據分析應用的實效性，再到目前以分析應用的需求為導向，以分析應用點為載體，分層次進行策劃。經過上述三個階段，工廠數據分析應用工作推進機制得到了逐步的完善，形成了廣度深度協同發(fā)展的信息資源利用管理框架。截止到目前，工廠數據分析應用率達到96%，四個層次的分析應用點共計100多個，數據分析應用工作在生產、質量、成本、物耗、能源等條線得到廣泛開展，有效推動了工廠管理數字化和精細化。2007年，工廠開始探索細化四個應用層次的推進脈絡，進一步豐富工廠信息資源利用框架，形成層次清晰、脈絡鮮明、職責分明的信息資源利用立體化的推進思路。

1、第一層次現場監(jiān)控層。第一層次現場監(jiān)控層，應用主體是一線工人和三班管理干部，應用對象是生產過程實時數據，應用目標是通過加強生產過程控制，輔助一線及時發(fā)現生產過程中的異常情況，提高生產穩(wěn)定性。例如制絲車間摻配工段的生產報警，通過對生產過程中葉絲配比、膨絲配比、梗絲配比、薄片配比、加香配比等信息進行判異操作，對異常情況通過語音報警方式提醒擋車工進行異常處理；例如卷包車間通過在機臺電腦上對各生產機組的工藝、設備參數、實時產量、質量、損耗數據的監(jiān)控，提高對產品質量的過程控制能力。第一層次應用以上位機和機臺電腦上固化的監(jiān)控模型為主，制絲車間每個工序、卷包車間每種機型的應用點都有所不同，為此我們建立了制絲車間以工序為脈絡，卷包車間以機種為脈絡的應用點列表，圍繞脈絡對第一層次應用點進行梳理，形成第一層次應用的規(guī)范化模板。制絲車間第一層次應用點模板包括工序名稱、應用點名稱、應用模型描述、應用對象、應用平臺、異常處置路徑等基本要素。卷包車間應用點模板橫向根據機種分，縱向按上班及交接班、上班生產過程中、下班及交接班三個時間段分，通過調研分別列出擋車工針對每個機種在三個時間段分別要查看的數據和進行的操作。隨著模板的擴充和完善，一線職工的知識、經驗不斷充實其中，第一層次應用點模板將成為一線工人和三班管理干部日常應用監(jiān)控的標準，同時可以規(guī)避人員退休或調動帶來的經驗、知識流失的風險。2、第二層次日常管理分析層。第二層次日常管理分析層，應用主體是一般管理干部，應用對象是產質損、設備、動能等指標，應用目標是通過加強對各類考核指標的監(jiān)控和分析，提高工廠整體的關鍵績效指標水平。例如制絲車間的劣質成本數據匯總和分析，通過對車間內各類廢物料、劣質成本的數據進行匯總、對比和分析，尋找其中規(guī)律及薄弱環(huán)節(jié)，并尋根溯源，采取措施，降低劣質成本。例如卷包車間的產量分析，通過對產量數據、工作日安排、計劃產量進行統計和匯總，結合車間定額計劃、作業(yè)計劃和實際產量進行分析，尋找實際生產情況與計劃間的差異，并分析原因。第二層次應用以管理人員個性化的分析為主，呈現出分析方法多樣化、應用工具多樣化的特點。但是萬變不離其中的是每個管理崗位的管理目標以及圍繞管理目標開展的分析應用是相對固定的，至少在短期內不會有太大的變化。為此我們建立了一份以重點崗位為脈絡的應用點列表，圍繞脈絡對第二層次應用點進行梳理，形成第二層次應用的規(guī)范化模板。模板包括崗位名稱、管理目標、應用點名稱、應用描述、涉及主要考核指標、應用平臺、應用頻次、分析去向等基本要素。通過構建第二層次應用點模板，明確了每個管理崗位應用信息資源支撐管理目標的內容和職責。隨著新的管理目標的不斷提出以及應用的逐步深入，模板每年都會有更新和擴充。3、第三層次針對性分析應用層。第三層次針對性分析應用層，應用主體是項目實施者，應用對象是各類項目的實施過程，例如QC項目、六西格瑪項目、質量改進項目，或針對生產中的特定事件進行的分析和研究。應用目標是通過應用數據資源和統計方法開展現狀調查、因果分析、效果驗證等工作，提高各類項目實施的嚴密性和科學性。第三層次的應用工具在使用初級統計方法的基礎上會大量應用包括方差分析、回歸分析、正交試驗、假設檢驗、流程圖等在內的中級統計方法。以QC活動為例，我們可以看出其實施過程無一不與數據應用之間有密切的聯系[1]。近年來，在質量改進項目和QC項目的評審工作中已逐步將“應用數據說話、運用用正確合理的統計方法，提高解決問題的科學性”作為項目質量考核標準之一。而六西格瑪項目實施的核心思想更是強調“以數據和事實驅動管理”，其五個階段[2]D（定義）、M（測量）、A（分析）、I（改善）、C（控制），每個階段都要求結合如FMEA（失效模式后果分析），SPC（統計流程控制），MSA（測量系統分析），ANOVE（方差分析），DOE（實驗設計）等統計方法和統計工具的應用。4、第四層次主題性應用層。第四層次主題性應用層，應用主體是中層管理者，應用對象是專業(yè)性或綜合性的分析主題，應用目標是通過專業(yè)科室設計的專題性分析模型或綜合性分析模型，為中層管理層提供決策依據。工廠在實施了業(yè)務流程“自動化”之后，產生了大量的數據和報表。如何將工廠的業(yè)務信息及時、精煉、明確地陳述給中層管理層，以此來正確地判斷工廠的生產經營狀況，是擺在我們眼前的一個突出問題。大家都有開車的經驗，司機在駕駛車輛的時候，他所掌握的車況基本上是來自汽車的儀表盤，在車輛行使的過程中，儀表盤指針的變化，告知汽車的車速、油料、水溫等的狀況，駕駛員只要有效地控制這些指標在安全范圍之內，車子就能正常地運行。我們不妨將儀表盤的理念移植于工廠，建立工廠關鍵指標及運行管理儀表盤，將工廠的關鍵信息直觀地列在上面，及時提醒各級管理人員工廠生產運營是否正常。

⑴關鍵績效指標監(jiān)控系統。對分布在各處的當前及歷史數據進行統一展示，以工廠關鍵績效指標為中心，支持統計分析和挖掘，可為中層管理者提供工廠關鍵績效指標一門式的查詢服務，使各業(yè)務部門尋找、闡釋問題產生的原因，以有效監(jiān)控各類關鍵績效指標，及時采取改進措施，提高生產經營目標完成質量。⑵系統運行狀態(tài)監(jiān)控系統。通過數據采集、手工錄入等各種渠道收集各類系統的運行狀態(tài)，及時掌握故障情況，采取措施加以閉環(huán)，將因系統故障造成對用戶的影響減至最小，確保各類系統的穩(wěn)定運行和有效應用。通過建立系統運行狀態(tài)監(jiān)控系統，中層管理人員上班一打開電腦進入系統，就能了解到當天及上一天各類系統的運轉情況，發(fā)生了什么異常，哪些故障已經得到解決，哪些故障還未解決。⑶第四層次主題性分析應用。在展示關鍵績效指標和系統運行狀態(tài)的基礎上，由各專業(yè)科室思考專業(yè)條線上的分析主題，采用先進科學的理念和方法對數據進行分析和挖掘。近兩年來，工廠充分發(fā)揮專業(yè)科室的優(yōu)勢和力量，相繼設計和開發(fā)了工藝質量條線的六西格瑪測評系統，設備條線的設備效能分析系統，還有質量成本核算與分析系統。通過這些分析主題的支持，工廠管理人員可以更方便快捷地了解質量、設備、成本等條線上的關鍵信息，及時采取相應措施，從而提升管理效率。

二、數據分析應用工作存在的不足及思考

工廠數據分析應用工作的推進方法從最初的采用數據分析應用率單個指標進行推進發(fā)展到目前按上文所述的四個層次進行推進，每個層次的推進脈絡已經逐步清晰和明朗，但事物發(fā)展到一定的階段總會達到一個瓶頸口，目前工廠數據分析應用工作存在的問題及措施思考如下：

1、從推進手段上要突破信息條線，充分發(fā)揮專業(yè)條線的力量。信息條線作為推進工廠數據分析應用的主管條線，其作用往往局限在技術層面上的支撐。雖然信息條線每年都會規(guī)劃形成工廠數據分析應用整體的工作思路和具體的實施計劃，但是無論從工廠層面還是從車間層面來講，單純依靠信息條線從側面加以引導和推進，使得數據分析應用工作始終在業(yè)務條線的邊緣徘徊，與產量、質量、設備、消耗、成本、動能等各個條線本身工作的結合度有一定的距離。所以工廠要進一步推進數據分析應用工作，調動起業(yè)務人員的積極性和主動性，突破現有的瓶頸，應該考慮如何調動起專業(yè)條線的力量。一是可以在年初策劃應用點的時候要加強專業(yè)條線對車間業(yè)務自上而下的指導，引導管理人員加強對缺少數據分析支撐的工序、崗位/管理目標的思考；二是建立平臺加強各車間同性質崗位之間的溝通與交流，均衡各個車間的數據分析應用水平和能力；三是對車間提交的分析報告給出專業(yè)性的指導意見。2、要加強對數據中心的應用。數據中心的建立可以使業(yè)務系統從報表制作、數據導出等功能中解放出來，專注于事務處理，將數據應用方面的功能完全交給數據中心來解決。目前，數據中心已建立了涉及產量、質量、消耗等各個條線的Universe模型，并對全廠管理干部進行了普及性的培訓。但是從目前應用情況來看，還比較局限于個別管理人員，追尋原因如下：一是業(yè)務系統開發(fā)根據用戶需求定制開發(fā)報表，業(yè)務人員通常習慣于從現成的報表中獲取信息。如果要求業(yè)務人員使用數據中心工具自行制作報表模板，甚至可能需要將其導出再作二次處理，那么業(yè)務人員一定更傾向于選擇第一種方式。二是近幾年來人員更替較多，新進管理人員不熟悉數據中心應用，導致數據中心應用面受到限制。隨著今后MES的建設，業(yè)務系統中的數據、報表、臺帳和分析功能將有可能由業(yè)務用戶自行通過集成在MES中的數據中心前端開發(fā)工具來訪問和靈活定制。因此，要盡快培養(yǎng)工廠業(yè)務人員數據中心的應用能力，包括數據獲取以及報表定制方面的技能。筆者認為應對方法如下：一是對于崗位人員變更做好新老人員之間一傳一的交接和培訓；二是適時針對新進管理人員開展集中培訓；三是通過采用一定的考核方法。3、提高新增應用點的質量。工廠每年都會組織各部門審視第一、第二層次應用點列表，圍繞重點工序和重點管理崗位調研有哪些應用上的空白點是需要重點思考的，以新增分析應用點的方式進行申報和實施。同時針對第三層次針對性分析應用，工廠也會要求部門以新增分析應用點的方式將需要數據支撐的項目進行申報。作為一項常規(guī)性工作，工廠每年都會組織部門進行應用點的申報，并按項目管理的思想和方法實施，事先確立各個應用點的應用層次、數據獲取方式、實現平臺，并對其實施計劃進行事先的思考和分解，確定每一個階段的活動目標、時間節(jié)點以及負責人員，每個季度對實施情況予以總結，并動態(tài)更新下一階段的實施計劃。該項工作從2005年起已經連續(xù)開展了三年，部門可供挖掘的應用點越來越少，如何調動部門的積極性，保持并提高應用點的實效性，我們有必要對新增分析應用點的質量和實施情況進行考評，考評標準為：一是新增分析應用點是否能體現數據應用開展的進取性、開拓性和創(chuàng)新性；二是新增分析應用點是否能切實提高管理的精細化和科學化水平；三是新增分析應用點是否能采用項目管理的思想和方法實施，按時間節(jié)點完成各項預定計劃。

三、結束語。隨著近幾年來技術平臺的相繼成熟以及管理手段的逐步推進，工廠業(yè)務人員用數據說話的意識已經越來越強，但是要真正使工廠管理達到“三分技術、七分管理、十二分數據”的水平，還有很長的路要走，這既需要我們的業(yè)務人員從自身出發(fā)提高應用數據的水平和能力，同時也需要工廠從管理手段和管理方法上不斷拓寬思路、創(chuàng)新手段，真正實現數據分析應用成為工廠管理的重要支撐手段。

作者單位：上海卷煙廠

參考文獻：

第2篇：數據分析方法范文

關鍵詞：粗糙集理論；數據分析方法；信息系統；決策表；屬性約簡

中圖分類號：TP18 文獻標識碼：A文章編號：1009-3044(2007)06-11651-01

1 引言

粗糙集（Rough Set）理論[1]是波蘭數學家Z.Pawlak于1982年提出的，它建立在完善的數學基礎之上，是一種新的處理含糊性和不確定性問題的數學工具。其主要思想是在保持分類能力不變的前提下，通過知識約簡，導出問題的決策或分類規(guī)則[2]。由于粗糙集理論不需要任何預備或額外的有關數據信息，使得粗糙集理論成為研究熱點之一，被廣泛應用與知識發(fā)現、機器學習、決策分析、模式識別、專家系統和數據挖掘等領域。

屬性約簡是粗糙集理論中核心研究內容之一[3]。在眾多的屬性約簡算法中，大致可以分為兩類：一類是基于信息熵的啟發(fā)式算法[4]，這類算法往往不能得到系統的所有約簡．另一類是基于區(qū)分矩陣和區(qū)分函數構造的算法[5]，這種算法直觀，易于理解，能夠計算出所有約簡。但在區(qū)分矩陣中會出現大量的重復元素，造成時間和空間的浪費，從而降低了屬性約簡算法的效率。

本文基于數據分析方法[6]的屬性簡約算法是在保持分類能力不變的前提下，逐個約去冗余的屬性，直到不再有冗余的屬性，此時得到的屬性集是最小屬性集，即為約簡。該算法簡單，能夠求出所有約簡，不會出現區(qū)分矩陣中大

量的重復元素，從而提高了屬性約簡的效率。

2 粗糙集概念

定義2.1設U為所討論對象的非空有限集合，稱為論域；R為建立在U上的一個等價關系族，稱二元有序組S=(U，R)為近似空間。

定義2.2令R為等價關系族，設P?哿R，且P≠?I，則P中所有等價關系的交集稱為P上的不可分辨關系，記作IND(P)，即有：[x] IND(P)= ∩ [x]R,顯然IND(P)也是等價關系。

定義2.3稱4元有序組K=(U，A，V，f)為信息系統，其中U為所考慮對象的非空有限集合，稱為論域；A為屬性的非空有限集合；V=∪Va，Va為屬性a的值域；f：U×AV是一個信息函數，?坌x∈U，a∈A，f(x,a)∈Va。對于給定對象x，f(x,a)賦予對象x在屬性a下的屬性值。信息系統也可簡記為K=(U，A)。若A=C∪D且C∩D=?I，則S稱，為決策表，其中C為條件屬性集，D為決策屬性集。

顯然，信息系統中的屬性與近似空間中的等價關系相對應。

定義2.4設K=(U，A，V，f)為信息系統，P?哿A且P≠?I，定義由屬性子集P導出的二元關系如下：

IND(P)={(x,y)|(x,y)∈U×U且?坌a∈P有f(x,a)=f(y,a)}

則IND(P)也是等價關系,稱其為由屬性集P導出的不可分辨關系。

定義2.5稱決策表是一致的當且僅當D依賴于C，即IND(C)?哿IND(D)，否則決策表是不一致的。一致決策表說明：在不同個體的條件屬性值相同時，他們的決策屬性值也相同。

定義2.6設K=(U，A)為一個信息系統。若P?哿A是滿足IND(P)=IND(A)的極小屬性子集，則稱P為A的一個約簡，或稱為信息系統的一個約簡。

定義2.7設K=(U，CUD)為一個決策表，其中C為條件屬性集，D為決策屬性，若P?哿C為滿足POSC(D)=POSP(D)的極小屬性子集，則稱P為決策表K的一個約簡。其中POSC(D)表示決策D關于屬性集C的正域。

定義2.8數據分析方法對于信息系統K=(U，A)，逐個移去A中的屬性，每移去一個屬性即刻檢查新得到的屬性子集的不可分辨關系，如果等于IND(A)，則該屬性可被約去，否則該屬性不可被約去；對于決策表K=(U，CUD)，逐個移去C中的屬性，每移去一個屬性即刻檢其決策表，如果不出現新的不一致，則該屬性可被約去，否則該屬性不可被約去。

3 基于數據分析方法的屬性簡約算法

3.1 算法思路

利用函數的遞歸調用，逐個判定信息系K=(U，A)中屬性a(a∈A)，若IND(A)＝ND(A－{a})，則a可以約去，A‘=A－{a}，否則a不可以約去，繼續(xù)檢查A‘中的每個屬性是否能被約去，此過程一直進行下去，直到出現某一屬性子集中的每個屬性都不可約去為止，此時該屬性子集即為所求的屬性簡約。對于決策表，每次檢查是否增加了不一致的決策規(guī)則，作為是否約去屬性的依據。

算法如下：

輸入：信息系統K=(U，A)。

輸出：K的屬性約簡。

Match(A') // A’=A-{a}//

begin

for i=1to|U|-1 //|U|表示U的基數//

for j=i+1to|U|

begin

r=|R|//|R|表示屬性個數//

if((f(ui，a1)= f(uj，a1))∧（f(ui，a2)= f(uj，a2)）∧….∧（f(ui，ar)= f(uj，ar)))

then a不可被約去，return0

end

a可以被約去return1

end

Reduce (A)

begin

flag=1

for i=1 to |R|//|R|表示屬性個數//

begin

a=ai

A'=A-{ai}

if match(A')thenflag =0 ， reduce (A’)

if (flag且A未被輸出)then

輸出A中所有元素//flag≠0，說明A中所有元素不可移去，且不會被重復輸出//

End

end

以上給出的函數是求解信息系統的屬性約簡算法；對于決策表，只要將Match(A’)函數中的if語句的條件換成(f(ui，a1)= f(uj，a1))∧（f(ui，a2)= f(uj，a2))∧….∧(f(ui，ar)= f(uj，ar))∧(f(ui，ag)≠f(uj，ag))，r=|C|是條件屬性個數，ag是決策屬性。Reduce (A)函數中|R|換成|C|即可。該算法適用于一致決策表，對非一致決策表，算法類似，也就是逐個移去屬性并檢查決策表是否出現新的不一致，作為約去此屬性的依據。

4 舉例

文獻[7]中決策表1，a，b，c，d，e是條件屬性，g是決策屬性，求出的約簡是{a,b,d}

應用本算法，求得的屬性約簡為{a,e}和{a,b,d}，得到決策簡化表2和表3。

表1 決策表表2簡化表表3簡化表

如果將決策表表1看作一信息系統，運用本算法，求得的屬性約簡有{c,d,e,g}, {b,e,g}, {a,c,d,g}, {a,c,d,e}, {a,b,g}, {a,b,e}h和{a,b,d}

5 結束語

本文通過數據分析方法討論了屬性約簡問題。該算法是基于不可分辨關系的，具有直觀、易于理解和完備性的特點。當屬性和對象都較少時，效率較高，但當屬性和對象較多時，計算的復雜度較高。實例表明，該算法是有效的。

參考文獻：

[1]PAWLAK z．Rough set[J]．International jom：ua ofcomputer and information science，1982，(11)：341―356．

[2]張文修，吳偉志，梁吉業(yè)等．粗糙集理論與方法[M]．北京：科學出版社，2001．

[3]Pawlak Z．Slowinski R．Rough set approach to muhiattribute decision analysis．Ivited Review[J]．European Journal of Operational Research．1994，72：443-459

[4]王國胤，于洪，楊大春．基于條件信息熵的決策表約簡[J]．計算機學報，2002（7）：760―765．

[5]Skowron A，Rauszer C．The Discernibility Matrices and Functions in Information Systems[A]．I Slowinsk R．ntelligent Decision Support― Handbook of Applications and Advances of the Rough Sets Theory[c]．1991，331-362．

[6]劉請．Rough集及Rough推理[M]．北京：科學出版社，2001．

第3篇：數據分析方法范文

【關鍵詞】駕駛行為；油耗；大數據；綠色駕駛

A Method of Automobile Driving Behavior and Data Analysis

ZHANG Zhi-de

（Guangzhou Automobile Group Co.，Ltd.，Automobile Engineering Institute，Guangzhou Guangdong 510640，China）

【Abstract】A car bus data collection and analysis methods of environment，expatiates the bus signal correlation between performance and corresponding working principle of the electronic control module，each over a period of time the data to carry on the comprehensive analysis，put forward several kinds of conditions associated with economic driving model，and through the working condition of model reflects in a period of time correlation between vehicle fuel consumption and driving behavior，for the analysis of driving behavior to provide the reference basis.

【Key words】Driving behavior；Oil consumption；Big Data；Eco-driving

0 引言

隨著近幾年汽車銷售和保有量的急劇增加，降低能源消耗與汽車排放的要求越來越嚴格。節(jié)能減排政策成為對應汽車領域能源問題和治理環(huán)境污染的主要措施之一。橄煊節(jié)能減排，各個汽車制造商都在積極研究新技術以對應能源與環(huán)境需求。其中車輛動力技術、道路條件以及汽車駕駛運用是目前影響汽車燃油消耗的三大主要因素。汽車的駕駛運用水平直接反應在汽車駕駛人員對于汽車燃油經濟性掌控的關鍵環(huán)節(jié)。駕駛人員以較少的汽車燃油消耗實現車輛空間位置安全轉移的駕駛行為就是目前我們所倡導的汽車節(jié)能駕駛。通過研究駕駛行為數據并進行分析提示，輔助提高駕駛技術、研究節(jié)能駕駛輔助系統有巨大的節(jié)能潛力。

狹義上的駕駛行為數據分析一般是以考慮經濟性駕駛為基礎研究對象和主要前提。通過對駕駛員控制油門、擋位和制動等相關操作，在不改變車輛動力結構前提下，計算一段時間的控制數據和車輛理想駕駛模型數據進行對比，提醒駕駛人員日常駕駛行動的統計結果，包括對操作車輛油門、擋位、制動的方式。并以此為依托進行駕駛習慣改進、駕駛操作輔助、“人―車―路”多環(huán)境協調，合理匹配車輛運動與道路條件、交通狀態(tài)、車輛性能之間的關系，以滿足節(jié)能減排的目的。

1 駕駛行為分析模型

車輛運行過程中主要存在四種行駛狀態(tài)：怠速、加速（含啟動）、減速、巡航。

圖1是城市工況的不同行駛狀態(tài)所占能耗比。由圖1可知，加速（含啟動）過程占比最大，達到38% ；其次是巡航過程，約為35%。這說明城市工況中，采用經濟性的加速和巡航策略對降低能耗具有積極意義。經濟性加速主要指以適宜的加速度、檔位、油門開度等完成加速過程，盡量避免急加速工況的出現；經濟的巡航策略主要指盡量把車速維持在經濟車速區(qū)間。

根據一般駕駛工況，按照與能耗關聯的行為可以得出以下幾種行為模式：

1）急加速

在緊急加速過程中，燃燒室中燃油多、空氣少，燃燒室內呈現缺氧狀態(tài)，燃油不能夠充分燃燒，導致油耗增加。

2）急減速

減速過程屬于動能轉換為熱能的過程，合理的預判行車減速過程進行適宜的制動強度有利于充分利用車輛慣性，減少油耗；頻繁的急減速會消耗較多的車輛動力裝置產生的動能。

3）脫檔滑行

汽車帶檔滑行，不踩油門，發(fā)動機管理系統EMS會切斷供油利用慣性來維持運轉；脫檔滑行則需要一個怠速油耗。因此長距離滑行時采用脫檔滑行會增加油耗。

4）打開車窗高速行駛

汽車以較高車速行駛時，打開車窗會增加整車的空氣阻力系數，增加空氣阻力，進而導致油耗提高。

5）換擋時的轉速（高轉換擋）

合理的控制檔位，能保證發(fā)動機在不同的車速區(qū)間里均能維持在經濟轉速區(qū)域，有利于減少發(fā)動機的油耗。

6）長時間怠速

長時間的怠速狀態(tài)會導致發(fā)動機做過多的無用功，導致油耗上升。

7）頻繁變道和曲線行車

頻繁變道超車使汽車經常加速、減速、制動，發(fā)動機工作不穩(wěn)定，同時使汽車處于曲線行駛狀態(tài)。汽車曲線行駛時，如汽車轉彎，地面對輪胎將產生側向反作用力、滾動阻力大幅增加，導致油耗上升。

1.1 急加速模式

當車輛加速度n_vehicleActSpeed>X1*，油門踏板開度n_emsGasPedalActPst>X2*（排除下坡導致的無油門輸入加速），記錄為一次急加速，急加速計數器Drastic_Acc_Counter++。

X1*為設定的加速度限值，考慮到不同車速區(qū)間內車輛提供的加速能力不一致，為獲得更優(yōu)的評價方法，在不同速度區(qū)間能選用不同的限值。加速度限值是車速的函數，車速越低限值越大。X2*為油門踏板開度限值可以設置為定值20%。

加速度限值函數 X1：

y=a■x+b■，x？綴（0，40]a■x+b■，x？綴（40，80]a■x+b■，x？綴（80，max）

1.2 急轉彎模式

對于急轉彎駕駛行為，為濾去低速工況下掉頭等實際狀況的影響，首先判斷車速，車速當車速n_vehicleSpeed>20km/h時，再進行急轉彎判斷，判斷方法如下：

1）當某時間區(qū)間內（如1s）車輛角速度均值n_averageSteeringAngleSpeed大于預設角速度X*時，記錄為一次急轉彎，急轉彎計數器n_turnCounter++；

2）當車輛行車速度大于50km/h且一秒內方向盤轉動角度大于 Y*時，記錄為一次急轉彎急轉彎計數器n_turnCounter++；

3）當車輛轉彎角度大于31°，且車輛行駛速度大于S時，記錄為一次急轉彎，例如：S取值范圍為51km/h至60km/h，急轉彎計數器n_turnCounter++；

注：X*為動態(tài)限制量，是一個和車速有關的函數，車速越大轉角速度極限值X*越小。

Y*為動態(tài)限制量，是一個和車速有關的函數，車速越大轉角極限值Y*越小。

如下：

X*=k■x+l■，x？綴（0，40]k■x+l■，x？綴（40，80]k■x+l■，x？綴（80，max），Y■=r■x+t■，x？綴（0，40]r■x+t■，x？綴（40，80]r■x+t■，x？綴（80，max）

其中：k1，k2，k3，l1，l2，l3，r1，r2，r3，t1，t2，t3為常數。

2 非經濟駕駛行為數據統計

根據第一章節(jié)中的描述，對行程中不利于油耗降低的駕駛行為（急駕駛、急減速、急轉彎、怠速過長等）進行記錄，并將每次行程的結果保存在存儲區(qū)中作為歷史數據。統計界面的默認界面為本次行程的駕駛行為統計（如圖2左圖）；通過操作駕駛者可以進入歷史統計界面，該界面內駕駛者可以觀察本次駕駛行程中各駕駛行為發(fā)生次數與歷史行程的對比（如圖2右圖）。

3 不同平均車速下的歷史綜合油耗統計

實際駕駛過程中不同路況下的油耗差異性很大，例如：高速公路駕駛中高速行駛發(fā)動機運行在經濟區(qū)域占比較大，油耗較低；而城市道路駕駛過程中，車流量較大、交通燈數量多，車輛處于中低速區(qū)域比例較大，油耗較高。僅僅從平均油耗進行對比，有時不能正確反映駕駛者駕駛習慣。平均車速能較為有效的反應出道路工況，因此可以以行程的平均車速進行區(qū)間劃分，歷史油耗對比時僅對比同一區(qū)間內的油耗，可將平均車速劃分為低速行駛區(qū)域（0～40km/h）、中速行駛區(qū)域（40～80km/h）、高速行駛區(qū)域（V≥80km/h），加入行程平均車速的考慮因素再做燃油消耗的統計。

4 方法總結

通^統計與經濟駕駛關聯的幾種模式進行算法設計，可以將駕駛行為轉化為可以具體量化的數據結果。基于數據有限分析和樣本量，數據累計歷史等前提下，可以通過模型進行一些可視化的輸出結果。并以此作為駕駛人員輔助駕駛和行為提醒的基本數據。當然如果該模型能基于大數據后臺平臺，通過建立復雜的算法模型和自學習模型?？梢愿嗟姆治鲴{駛人員、同類車型、相似工況環(huán)境等。并以此為基礎逐步影響駕駛人員的駕駛習慣，建立起良好的駕駛行為。

【參考文獻】

第4篇：數據分析方法范文

【關鍵詞】統計數據；分析方法；市場調研；判別分析

一、數據統計分析的內涵

數據分析是指運用一定的分析方法對數據進行處理，從而獲得解決管理決策或營銷研究問題所需信息的過程。所謂的數據統計分析就是運用統計學的方法對數據進行處理。在實際的市場調研工作中，數據統計分析能使我們挖掘出數據中隱藏的信息，并以恰當的形式表現出來，并最終指導決策的制定。

二、數據統計分析的原則

（1）科學性?？茖W方法的顯著特征是數據的收集、分析和解釋的客觀性，數據統計分析作為市場調研的重要組成部分也要具有同其他科學方法一樣的客觀標準。（2）系統性。市場調研是一個周密策劃、精心組織、科學實施，并由一系列工作環(huán)節(jié)、步驟、活動和成果組成的過程，而不是單個資料的記錄、整理或分析活動。（3）針對性。就不同的數據統計分析方法而言，無論是基礎的分析方法還是高級的分析方法，都會有它的適用領域和局限性。（4）趨勢性。市場所處的環(huán)境是在不斷的變化過程中的，我們要以一種發(fā)展的眼光看待問題。（5）實用性。市場調研說到底是為企業(yè)決策服務的，而數據統計分析也同樣服務于此，在保證其專業(yè)性和科學性的同時也不能忽略其現實意義。

三、推論性統計分析方法

（1）方差分析。方差分析是檢驗多個總體均值是否相等的一種統計方法，它可以看作是t檢驗的一種擴展。它所研究的是分類型自變量對數值型因變量的影響，比如它們之間有沒有關聯性、關聯性的程度等，所采用的方法就是通過檢驗各個總體的均值是否相等來判斷分類型自變量對數值型因變量是否有顯著影響。（2）回歸分析。在數據統計分析中，存在著大量的一種變量隨著另一種變量的變化而變化的情況，這種對應的因果變化往往無法用精確的數學公式來描述，只有通過大量觀察數據的統計工作才能找到他們之間的關系和規(guī)律，解決這一問題的常用方法是回歸分析?；貧w分析是從定量的角度對觀察數據進行分析、計算和歸納。

四、多元統計分析方法

（1）相關分析。相關分析是描述兩組變量間的相關程度和方向的一種常用的統計方法。值得注意的是，事物之間有相關關系，不一定是因果關系，也可能僅僅是伴隨關系；但如果事物之間有因果關系，則兩者必然存在相關關系。（2）主成分分析。在大部分數據統計分析中，變量之間是有一定的相關性的，人們自然希望找到較少的幾個彼此不相關的綜合指標盡可能多地反映原來眾多變量的信息。所謂的主成分分析就是利用降維的思想，把多指標轉化為幾個綜合指標的多元統計分析方法，很顯然在一個低維空間識別系統要比在一個高維空間容易的多。（3）因子分析。因子分析的目的是使數據簡單化，它是將具有錯綜復雜關系的變量綜合為數量較少的幾個因子，以再現原始變量與因子之間的相互關系，同時根據不同因子，對變量進行分類。這些因子是不可觀測的潛在變量，而原先的變量是可觀測的顯在變量。（4）聚類分析。在市場調研中，市場細分是最常見的營銷術語之一，它按照一定的標準將市場分割為不同的族群，并使族群之間具有某種特征的顯著差異，而族群內部在這種特征上具有相似性。聚類分析就是實現分類的一種多元統計分析方法，它根據聚類變量將樣本分成相對同質的族群。聚類分析的主要優(yōu)點是，對所研究的對象進行了全面的綜合分析，歸類比較客觀，有利于分類指導。（5）判別分析。判別分析是判別樣品所屬類型的一種多元統計方法。若在已知的分類下，遇到新的樣本，則可利用此法選定一種判別標準，以判定將該新樣品放置于哪個類中。由定義我們可以知道判別分析區(qū)別于聚類分析的地方，而在判別分析中，至少要有一個已經明確知道類別的“訓練樣本”，從而利用這個數據建立判別準則，并通過預測變量來為未知類別的觀測值進行判別。與聚類分析相同的地方是，判別分析也是利用距離的遠近來把對象歸類的。

參考文獻

[1]溫美琴．統計分析方法在我國政府績效審計中的應用[J]．統計與決策．2006（23）

第5篇：數據分析方法范文

關鍵詞：質量管理，統計分析，船舶設計

中圖分類號：U673.2 文獻標識碼：A

Data Analysis Method of Quality Control Applied for Ship Design Project

LI Lanjuan

( Guangzhou Marine Engineering Corporation, Guangzhou 510250 )

Abstract:Statistic and analysis for drawings which are censored by CCS with a new data analysis method of quality control. It can reflect technique level of each profession clearly, then we can adjust to achieve the aim of improve design according to requires.

Key words: Quality control; Data analysis; Ship design

1概述

在船舶設計項目質量管理中，對設計圖紙的差錯率進行統計分析非常重要，不僅可以總結經驗，還可以找出設計環(huán)節(jié)中的薄弱之處，進而有針對性地采取改進措施，降低圖紙差錯率和圖紙修改率，最終達到提高設計質量的目的。本文將一種全新的質量管理數據分析方法應用到船舶設計項目中，對某船送中國船級社（CCS）廣州審圖中心的各專業(yè)圖樣文件進行了統計和分析。首先對CCS審圖意見類別及其導致修改的原因進行統計，然后對統計結果進行分析，最后針對產生原因采取相應的改進措施。

2專業(yè)審圖意見類別和原因分析

對各專業(yè)分別進行統計和分析，有利于了解各專業(yè)本身技術力量的實際情況，以便專業(yè)負責人做出適時的調整，對薄弱之處加以改進和提高。根據CCS的審圖意見類別，對某船各專業(yè)的圖樣文件進行統計，然后根據CCS提出的意見進行原因分析。

為了方便分析，設置下列不同的代碼，表示不同的審圖意見類別和原因分析含義。

（1）審圖意見類別代碼含義：

A－認可無意見；

AC－認可有意見；

N－備查無意見；

NC－備查有意見；

TS－轉送現場驗船師審核；

RS－不予批準，需修改后重新送審。

（2）原因分析代碼含義：

B1-設計方案欠妥；

B2-設計接口不協調；

B3-不符合現行有效的規(guī)范、法規(guī)要求；

B4-標識不明或有誤；

B5-其它。

下面對輪機專業(yè)進行舉例說明：

該專業(yè)的意見類別統計見表1，原因分析統計見表2。

表1輪機專業(yè)CCS審圖意見類別統計表

表2輪機專業(yè)原因分析統計表

由表1可清楚地看出某船輪機專業(yè)圖樣文件的退審意見分布情況。其它專業(yè)也分別如此進行歸類和統計，便能了解本專業(yè)圖樣文件的退審意見分布情況，并且還可將各專業(yè)的退審情況進行比較。

由表2可清楚地看出某船輪機專業(yè)圖樣文件的差錯分布較為集中在B3 （不符合現行有效的規(guī)范、法規(guī)要求），其次是B1（設計方案欠妥），說明輪機專業(yè)在這兩方面需采取措施加以改進。其它專業(yè)也分別如此歸類和統計，這樣就能清楚地了解各專業(yè)自身的薄弱環(huán)節(jié)在何處，從而可采取相應的措施來改進和提高。

3全船審圖意見類別和原因分析

為了使分析具有全局性，對各專業(yè)之間進行比較之后，需對全船進行統計和分析，這樣有利于找出整體中的薄弱環(huán)節(jié)在何處。某船全船圖樣文件的CCS審圖意見類別統計見表3；原因分析統計見表4。

表3全船CCS審圖意見類別數據統計表

表4全船原因分析統計表

由表3可清楚地看出各個專業(yè)退審圖樣文件的總體情況。由表4可看出各個專業(yè)圖樣文件的退審意見主要集中在B3（不符合現行有效的規(guī)范、法規(guī)要求），說明在這一環(huán)節(jié)所有專業(yè)均比較薄弱，特別是電氣專業(yè)，因此需專門針對這一環(huán)節(jié)制定改進措施。

通過對全船的退審圖樣文件進行統計和分析后，使項目負責人能清楚地掌握各專業(yè)的實際工作情況與整個項目組中的薄弱環(huán)節(jié)所在，以便采取改進措施，從全局出發(fā)對各專業(yè)的技術力量進行調整，進而提高產品項目設計質量。

4結論

在船舶設計項目中采用這種全新的質量管理數據分析方法，不僅能清晰地反映出各專業(yè)本身的優(yōu)劣勢，還能反映出各個專業(yè)之間技術力量的強弱差別。這樣不但讓專業(yè)負責人能了解本專業(yè)的問題所在，并采取相應的改進措施，同時也能讓項目負責人掌控全局，根據需要對各專業(yè)進行協調，從而提高產品項目的質量，降低圖樣文件的差錯率。

作者簡介：李蘭娟（1979-），女，工程師。從事項目管理與質量管理工作。

收稿日期：2013-07-05

國際動態(tài)

日本獲得6艘靈便型散貨船訂單

近日，Sesoda公司表示，通過其子公司及合資公司(JV)訂造了2艘34000DWT型及4艘38000DWT型散貨船。相關散貨船的新造船價分別為“每艘2500萬美元以下”及“最高2600萬美元”水平。

這些新造船將在日本Namura(名村)造船、Imabari(今治)造船以及匿名的其他日本造船廠進行建造，安排在2016-2018年交付。

南日本造船獲4艘甲醇運輸船訂單

第6篇：數據分析方法范文

關鍵詞：經典功率譜估計；現代功率譜估計；飛行試驗

1 概述

當飛機在閉環(huán)補償跟蹤任務中飛行時，飛機飛行品質的一種量度是它的穩(wěn)定裕度，因而將在不危及穩(wěn)定性的情況下可以進行閉環(huán)跟蹤的最大頻率定義為頻寬。頻寬是衡量最大頻率的一個指標，它對高增益飛機特別有用，不論是對駕駛員操縱力和操縱位移的俯仰姿態(tài)響應還是根據航向角或者橫向航跡角對座艙直接力空中輸入的開環(huán)頻率響應，它都可以在這個頻率條件下實現閉環(huán)跟蹤而不需要駕駛員提供有利的動態(tài)補償且不對穩(wěn)定性構成惡化[5]。因此，在飛行試驗的數據分析中，獲取精準的飛機響應的頻域特性尤為重要，這就需要首先對操縱輸入信號進行功率譜估計，本文列出4種功率譜估計方法，并用這些方法對飛機的輸入激勵信號進行譜估計，以便得到適用行品質頻域準則評估的頻域特性。功率譜估計可分為經典譜估計和現代譜估計。

2 經典譜估計

功率譜密度是一種概論統計方法，是對隨機變量均方值的量度。平穩(wěn)信號的自相關函數的傅立葉變換稱為功率譜密度。實際中采用有限長的數據來估計隨機過程的功率譜密度[2、3]。

2.1 周期圖法

周期圖法是信號功率譜的一個有偏估計，它對觀測到的有限長序列x（n）求其N點離散傅立葉變換XN（ej？棕），再取其模值的平方除以N，得到計算公式：

周期圖法是基本的功率譜估計方法，計算簡便，計算效率高，但是當數據長度N過大時，功率譜曲線起伏加劇，當N過小，譜分辨率較差。

2.2 加權交疊平均法（Welch法）

Welch法是對隨機序列分段處理，使每一段部分重疊，然后對每一段數據用一個合適的窗函數進行平滑處理，最后對各段譜求平均。這樣可以得到序列x（n）的功率譜估計：

（n）是窗函數[1]，由于各段數據的交疊，數據段數L增大，從而減小了方差，另外，通過選擇合適的窗函數，也可使遺漏的頻譜減少，改進了分辨率。因此這是一種把加窗處理和平均處理結合起來的方法，它能夠滿足譜估計對分辨率和方差的要求，但是如果信號數據過短，也會無法進行觀測。

3 現代功率譜估計

現代功率譜估計分為參數模型法和非參數模型法。

3.1 參數模型法（AR模型的Burg法）

參數模型法是將數據建模成一個由白噪聲驅動的線性系統輸出，并估計該系統的參數。最常用的線性系統模型是全極點模型，也就是一個濾波器，這樣的濾波器輸入白噪聲后的輸出是一個自回歸（設AR模型的沖擊響應在方差？滓2的白噪聲序列作用下產生輸出，再由初值定理得到：

這就是AR模型的Yule-Walker方程。本文采用的是該方程的Burg法，即先估計反射系數，然后利用Levinson遞推算法，用反射系數求AR參數。Burg法在信號長度較短時能夠獲得較高的分辨率，并且計算高效。

3.2 非參數模型法（多窗口法）

多窗口法也叫做Thompson Multitaper Method，MTM法，它使用一組最優(yōu)濾波器計算估計值，這些最優(yōu)FIR濾波器是由一組離散扁平類球體序列（DPSS）得到的，除此之外，MTM法提供了一個時間-帶寬參數，它能在估計方差和分辨率之間進行平衡。因此，MTM法具有更大的自由度，在估計精度和估計波動方面均有較好的效果，其增加的窗口也會使序列兩端丟失的信息大幅減少[7]。

4 實例分析

本文采用Matlab計算，輸入信號使用飛行試驗中常用的掃頻和倍脈沖信號。通過Matlab中的譜估計函數方法[4、6]，編寫程序對給定的輸入信號分別進行周期圖法、Welch法、Burg法和MTM法的譜估計并分析。估計結果如圖1、圖2所示：

從圖1、圖2可以看出：

（1）周期圖法得到的掃頻功率譜曲線起伏大，倍脈沖信號的頻譜分辨率低；（2）Welch法明顯改善了周期圖法的不足，方差性能得到很大的改善，只要窗函數選取適當，可減少頻譜泄露。圖中可見Welch法的譜估計曲線比較光滑，在飛行品質關注的頻段頻譜分辨率高；（3）Burg法的曲線平滑性好，頻譜分辨率高，但是其譜峰窄而尖，在飛行品質關注的低頻段頻譜并不理想，也就是不能在所需的頻段內產生足夠的能量；（4）MTM法得到的結果介于周期圖法和Welch法之間，但是對于時間序列較長的信號，MTM法的功率譜曲線起伏較大，分辨率變低。

5 結束語

通過4種功率譜估計方法對飛機輸入激勵信號的譜估計分析，采用Welch法得到了更有效的輸入信號的譜估計，得到的頻域特性能夠更好地進行飛行品質頻域準則的評估，這對飛行品質的等級界定提供了有效的依據。

參考文獻

[1]Mark B.Tischler，Robert K.Remple.Aircraft and Rotorcraft System Identification.AIAA，Inc，2006.8.

[2]楊曉明，晉玉劍，等.經典功率譜估計Welch法的MATLAB仿真分析[J].電子測試，2011，7（7）：101-104.

[3]王春d.基于MATLAB實現經典功率譜估計[J].曲阜師范大學學報，2011，4（2）：59-62.

[4]鄧澤懷，劉波波，李彥良.常見的功率譜估計方法及其Matlab仿真[J].電子科技， 2014，2（27）：50-52.

[5] GJB2874-97.電傳操縱系統飛機的飛行品質[S].國防科學技術工業(yè)委員會，1997，12.

[6]楊高波，杜青松.MATLAB圖像/視頻處理應用及實例[M].北京：電子工業(yè)出版社，2010，1.

第7篇：數據分析方法范文

一、審計調查前加大數據采集量，加強數據轉化的可靠性

審計調查前，采集被審計單位的電子數據非常關鍵。隨著被審計單位電算化程度的提高，無論是財務數據還是業(yè)務數據，這些均是審計人員進行審計調查的基礎，在對某農村信用合作金融機構審計調查中，取得業(yè)務數據尤為重要，因為業(yè)務數據量大、面寬，是該金融機構的主要資產，這自然也是審計人員審計調查應關注的重點。

(一)全方位取得金融機構后臺數據庫表和數據字典。首先，全面了解信息系統。審計人員過去只是被動得到農村信用合作金融機構提供的貸款分戶賬，對公存款分戶賬等少量數據庫表，對其整個的綜合業(yè)務系統了解甚少，經過探索學習后，對了解掌握金融機構整個業(yè)務系統的重要性有了新認識。去年3月末，在對某市農村信用合作金融機構審前調查時，要求該機構全面提供其使用的綜合業(yè)務管理系統全部后臺數據庫表400多張，隨即索取了全部的數據庫表目錄。全面分析后，有針對性地采集了擬審計調查的某設區(qū)市各縣區(qū)市農村信用合作金融機構的貸款分戶賬、對公存款分戶賬、擔保登記簿、抵債資產登記簿、分錄流水賬等50余種數據庫表。其次，拿回全數據字典。數據字典是對綜合業(yè)務管理系統后臺各數據庫表的設計、字段含義、字段類型、字段長度等諸多方面的詳細解釋，對于開展審計前的數據分析十分重要。利用它將已獲取的各種原始數據庫表翻譯成可視賬表，經分析進而實現種種審計思路。做好以上兩項工作，不僅滿足了審計調查項目需求，更重要的是基本掌握了被審計調查金融機構數據系統的全面情況，為開展更全面的信息系統審計打下了堅實基礎。

（二）完善數據采集及轉換，保證數據的完整性和準確性。經調查了解，某農村信用合作金融機構所使用的數據庫管理軟件為Informix，審計組與計算機信息中心人員積極合作，從該軟件管理的后臺數據庫中提取純文本形式的業(yè)務核算數據，對數據輸入不規(guī)范的記錄進行了清理和調整，再將其庫表逐張分別導入審計人員使用的數據庫軟件中，使數據字典表與業(yè)務數據庫表相連接，初步完成了對擬使用的數據庫的表名及表字段的漢化。為了驗證已轉換數據庫表記錄的完整性和準確性，審計人員將各分支金融機構的電子數據報表與已轉換數據庫表中的主要數據進行核對，使用了結構化查詢語句，通過對比分析，發(fā)現有兩家分支金融機構截至2009年3月末業(yè)務庫表數據大于電子報表數據，其中某縣、某區(qū)的差異數額分別達5,000多萬元、1,500萬元。找出的原因是這兩家分支金融機構因票據兌付到期卻未能及時銷賬。

二、將數據分析方法貫穿于審計調查整個過程

在對某農村信用合作金融機構審計調查現場實施前，結合審計目標對所轄全部分支金融機構業(yè)務數據，尤其涉及客戶關聯互保貸款、多頭貸款等予以重點關注，優(yōu)化了審計資源，提高了審計調查方案的針對性。如對于關聯互保問題，因為數據量大，必須全面運用結構化語言（SQL查詢語句）分析。在某計算機學院老師的指導下，用SQL語句篩選形成貸款擔保人擔保情況表，再對貸款擔保人擔保情況表進行自連接，最終形成貸款關聯互保表，使初步分析出的問題均在實際的審計調查過程中得到證實。

在審計調查中，審計人員根據新信息，對數據進一步分析和挖掘。經與被審計調查的某農村信用合作金融機構有關業(yè)務人員進行交談，根據提供的情況，審計人員發(fā)現一些數據庫表中的個別字段含義對審計調查極有幫助，從而大膽、積極運用這一成果，結果成績凸顯，比如某分支金融機構提供貸款分戶賬的數據庫表中有一個“客戶號”字段，該字段如果以“01”開頭時，后面數據則代表貸款戶個人的身份證號碼。審計組充分利用這一信息，運用EXECL電子表格強大篩選功能分析篩選，最后核實，該分支金融機構個人貸款中存在違規(guī)發(fā)放異地貸款4萬多元的事實。并將此做法推廣至其他分支金融機構的審計調查中，結果核實發(fā)現某市所屬農村信用合作金融機構違規(guī)發(fā)放異地貸款金額高達2.5億元。審計人員還以貸款分戶賬為基礎，利用結構化查詢語句篩選形成了疑似發(fā)放房地產及相關行業(yè)貸款明細表，經進一步審計調查核實，2008年至2009年一季度，某市所轄分支金融機構向50多家房地產開發(fā)企業(yè)發(fā)放貸款7億元，余額4億元，為房地產及相關的建筑、建材、裝修等發(fā)放貸款20億元，余額16億元；對各農村信用合作金融機構的內部職工貸款情況篩選、統計和分析，均查出違規(guī)問題。

審計調查現場結束后，對匯總的所有分支金融機構的問題及情況，以貸款分戶賬表中的“科目控制字”字段為限制條件，運用結構化查詢語句，分析發(fā)現各金融機構農貸指標被擠占達19億元，其中存在違規(guī)個貸公用貸款1億元?！皩婵罘謶糍~”庫表中，經延伸審計調查，發(fā)現某縣滯留巨額應上繳財政收入的問題。在結束現場審計調查后，對各分支金融機構問題及情況進行了匯總，但并不是簡單具體問題的疊加，而是根據現場計算機對審計數據分析的成果，以整個市農村信用合作金融機構數據為基礎，分析重點問題。例如違規(guī)發(fā)放多頭關聯貸款問題，利用結構化語句分析出一些企業(yè)及其法人代表的多頭關聯貸款跨若干個縣區(qū)金融機構。

三、利用計算機審計調查的構想

（一）聯網審計。在近幾年的農村信用合作金融機構審計中，目前已實現了經審計組所有審計人員的筆記本電腦全部現場聯網，實現審計數據共享、打印機共享、電子數據互傳等自動化辦公功能。由以前單兵分散工作的傳統模式轉變?yōu)槿缃竦挠嬎銠C協同作戰(zhàn)，較大地提高審計工作效率，但也只能稱作小聯網審計。真正意義的聯網審計，是指審計單位的信息系統與被審計單位的信息系統通過數據庫接口技術，將被審計單位備份的后臺數據庫直接通過網絡遷移到審計專用服務器上進行集中批處理。充分利用計算機審計方法體系預警系統和報告系統，實現實時監(jiān)測，變事后審計為事后與事中審計相結合，提高審計工作質量和效率。

（二）利用ODBC進行數據遷移。在尚不具備大規(guī)模聯網審計條件下，審計組可以要求被審計調查對象在其信息系統創(chuàng)建ODBC數據源，利用該數據源將其業(yè)務信息系統中的有用數據分不同時段移到審計組服務器的數據庫管理系統中。

第8篇：數據分析方法范文

基于理念分析和比較研究方法，對大數據的分析方法和傳統統計學分析方法的關聯性和差異進行了對比分析，從方法的基本思想、量化形式、數據來源、分析范式、分析方法、分析視角等角度揭示了兩種社會科學分析方法存在的聯系與差異。

關鍵詞：

大數據；統計學；研究方法

中圖分類號：

F27

文獻標識碼：A

文章編號：16723198（2015）11005201

隨著信息技術的日益發(fā)展與普及，信息以及數據在社會經濟發(fā)展過程中發(fā)揮的作用越來越重要。現如今，“大數據”時代已經來臨，于是如何更有效地利用數據快速做出科學決策也已成為眾多企業(yè)甚至是國家所共同關注的焦點問題。在數據處理和分析方法方面，《統計學》以及在其基礎上發(fā)展而來的實證統計方法是當前的主流，這些方法可以幫助數據持有者從大量的數據中挖掘有價值的信息，并為其相關決策提供理論支撐和方法支持。然而，傳統的實證統計方法在最新出現的大數據情境下，卻呈現出了諸多缺陷，例如傳統數據收集方法無法實現大規(guī)模（甚至是總體）數據的收集，傳統統計方法和分析軟件無法處理大規(guī)模數據，等等。于是，在將傳統統計學方法應用于最新的大數據情境和問題之前，需要首先明確大數據所要求的處理方法與傳統的統計學處理方法存在哪些關聯和區(qū)別，然后才能夠決定是否可以應用既有統計學理論和方法來處理某些大數據問題。

1大數據的界定

根據一位美國學者的研究，大數據可以被定義為：it means data that’s too big， too fast， or too hard for existing tools to process。也就是說，該學者認為：在關于大數據的所有定義中，他傾向于將之定義為那類“太大”、“太快”，或現存工具“太難”處理的數據。一般而言，大數據的特征可以概括為四個V：一是量大（Volume）；二是流動性大（Velocity），典型的如微博；三是種類多（Variety），多樣性，有結構化數據，也有半結構化和非結構化數據；四是價值大（Value），這些大規(guī)模數據可以為持有企業(yè)或者組織創(chuàng)造出巨大的商業(yè)或社會價值。

Victor在其最新著作《大數據時代――生活、工作與思維的大變革》中指出，大數據時代，思維方式要發(fā)生3個變革：第一，要分析與事物相關的所有數據，而不是依靠分析少量數據樣本；要總體，不要樣本。第二，要樂于接受數據的紛繁復雜，而不再追求精確性。第三，不再探求難以捉摸的因果關系，應該更加注重相關關系。這些變革反映出了大數據處理方式與傳統統計學分析方法的很多關聯以及主要不同。因此，下面我們分別針對兩者的聯系和區(qū)別進行討論。

2大數據與統計學分析方法的聯系

從18世紀中葉至今，統計學已經經歷了兩百多年的發(fā)展歷程，不論是基礎理論還是社會應用都極其堅實而豐富。大數據作為一種新興的事物規(guī)律認知和挖掘思維，也將會對人類的價值體系、知識體系和生活方式產生重要影響，甚至引發(fā)重大改變。作為兩種認知世界和事物規(guī)律的基本方法，它們在以下兩個方面存在緊密關聯。

（1）挖掘事物規(guī)律的基本思想一致。統計學（statistics）探索事物規(guī)律的基本方法是：通過利用概率論建立數學模型，收集所觀察系統的數據，進行量化分析和總結，做出推斷和預測，為相關決策提供依據和參考。對于大數據，維克托指出，大數據思維的來臨使人類第一次有機會和條件，在非常多的領域和非常深入的層次獲得和使用全面數據、完整數據和系統數據，深入探索現實世界的規(guī)律，獲取過去不可能獲取的知識。通過這兩個定義可以看出，不論是傳統的統計學方法還是新興的大數據分析方法，都是以數據為基礎來揭示事物特征以及發(fā)展趨勢的。

（2）均采用量化分析方式。大數據分析的基礎是數據化，也就是一種把各種各樣現象轉變?yōu)榭芍票矸治龅牧炕问降倪^程。不論是傳統統計學中所應用的數據（定性和定量數據），還是大數據時代即將被轉化和采用其他形式數據（如文字、圖像等），最終都是通過量化分析方法來揭示數據中所蘊含的事物特征與發(fā)展趨勢。

3大數據與統計學分析方法的區(qū)別

（1）基礎數據不同。在大數據時代，我們可以獲得和分析更多的數據，有時候甚至可以處理和某個特別現象相關的所有數據，而不再依賴于隨機抽樣。這意味著，與傳統統計學數據相比，大數據不僅規(guī)模大，變化速度快，而且數據來源、類型、收集方法都有根本性變化。

①在數據來源方面，在大數據背景下，我們需要的紛繁多樣的數據可以分布于全球多個服務器上，因此我們可以獲得體量巨大的數據，甚至是關于總體的所有數據。而統計學中的數據多是經由抽樣調查而獲得的局部數據，因此我們能夠掌握的事“小數據量”。這種情況下，因為需要分析的數據很少，所以必須盡可能精確的量化我們的數據。綜上，大數據情況下，分析人員可以擁有大量數據，因而不需要對一個現象刨根問底，只需要掌握事物大體的發(fā)展方向即可；然而傳統的小數據情況下則需要十分注意所獲得數據的精確度。

②在數據類型與收集方面，在既往模式下，數據的收集是耗時且耗力的，大數據時代所提出的“數據化”方式，將使得對所需數據的收集變得更加容易和高效。除了傳統的數字化數據，就連圖像、方位、文本的字、詞、句、段落等等，世間萬物都可以成為大數據范疇下的數據。屆時，一切自然或者社會現象的事件都可以被轉化為數據，我們會意識到本質上整個世界都是由信息構成的。

（2）分析范式不同。在小數據時代，我們往往是假想世界是如何運行的，然后通過收集和分析數據來驗證這種假想。也就是說，傳統統計實證分析的基本范式為：（基于文獻）提出理論假設-收集相關數據并進行統計分析-驗證理論假設的真?zhèn)?。然而，在不久的將來，我們將會在大數據背景下探索世界，不再受限制于傳統的思維模式和特定領域里隱含的固有偏見，我們對事物的研究始于數據，并可以發(fā)現以前不曾發(fā)現的聯系。換言之，大數據背景下，探索事物規(guī)律的范式可以概括為：數據觀察與收集――數據分析――描述事物特征/關系。

（3）數據分析方法不同。傳統統計學主要是基于樣本的“推斷分析”，而大數據情境下則是基于總體數據的“實際分析”，即直接得出總體特征，并可以分析出這些特征出現的概率。

（4）分析視角不同。傳統的實證統計意在弄清事物之間的內在聯系和作用機制，但大數據思維模式認為因果關系是沒有辦法驗證的，因此需要關注的是事物之間的相關關系。大數據并沒有改變因果關系，但使因果關系變得意義不大，因而大數據的思維是告訴我們“是什么”而不是“為什么”。換言之，大數據思維認為相關關系盡管不能準確地告知我們某事件為何會發(fā)生，但是它會提醒我們這件事情正在發(fā)生，因此相關關系的發(fā)現就可以產生經濟和社會價值了。

4結語

綜上，相對于傳統而言，大數據思維主要包括三個重大轉變。首先，要分析與某事物相關的所有數據，而不是依靠分析捎來能夠的數據樣本；其次，研究人員應樂于接受數據的紛繁復雜，而不再追求精確性；最后，認知世界的思想發(fā)生了轉變，不再探求難以捉摸的因果關系，轉而關注事物的相關關系。以上三個轉變構成了大數據思維的核心。在統計學的進一步應用和發(fā)展完善過程中，需要結合以上轉變所產生的挑戰(zhàn)，思考有效的統計學發(fā)展對策。

參考文獻

[1]孟小峰，慈祥.大數據管理：概念，技術與挑戰(zhàn)[J].計算機研究與發(fā)展，2013，50（1）：146169.

第9篇：數據分析方法范文

關鍵詞：數據挖掘；網格技術；聚類分析

中圖分類號：TP311 文獻標識碼：A文章編號：1007-9599 (2011) 17-0000-01

Cluster Analysis Method Application of Grid Technology

Ma Dongmei

(Xinjiang Tianshan Vocational and Technical College,Urumqi830017,China)

Abstract:In the grid based on data mining combines the advantages of grid technology to various information carriers in the distribution of vast amounts of information for efficient processing, analysis and mining.This paper analyzes the grid and cluster analysis of the characteristics,the use of grid-based methods of data analysis methods will be ground into space(hyper)rectangular grid consisting of grid cells,then the cluster analysis of grid cells in order to achieve a more in-depth analysis of the data mining purposes.

Keywords:Data mining;Grid;Cluster analysis

一、引言

隨著信息技術的飛速發(fā)展，人們對計算機信息處理的要求越來越高，同時處理、傳輸、儲存各種信息的數據量也越來越龐大。如何進一步增強計算機信息系統的處理能力，從海量的數據中提取有益的資源，便成為人們不斷追求的目標。網格技術和數據挖掘技術的發(fā)展，為解決此問題提供了一種有效的辦法。網格是一個集成的資源環(huán)境，它能夠充分吸納各種資源，并將它們轉化成一種隨處可得的、可靠的、標準的、經濟的能力。這些資源包括計算資源、網絡通信資源、數據資料、儀器設備、知識等各種各樣的資源。網格計算就是基于網格的問題求解。數據挖掘就是從大量的數據中發(fā)現或"挖掘"知識，而網格上含有豐富的數據，是數據挖掘的理想目標?；诰W格的數據挖掘就是建立在數據網格的基礎設施和相關技術的基礎上，在廣域分布的海量數據和計算資源的環(huán)境中發(fā)現數據模式，獲取新的科學知識和規(guī)律。

二、基于網格的數據挖掘

網格計算技術是解決復雜海量科學數據的訪問存儲組織和管理的一種有效技術，是廣域分布的異構虛擬組織間實現協同資源共享、多領域的科學和工程的問題求解。建立在網格基礎上的數據挖掘結合網格計算的思想及其技術的優(yōu)點，能夠對廣域分布的海量數據進行高效的處理、分析和挖掘，將給信息分析處理的效率帶來極大的促進。（一）網格數據挖掘過程：數據的處理，數據的分析與挖掘，模式的評價。（二）網格數據挖掘的特點：超強的計算能力；具有分布性和動態(tài)性；具有高性能的I/O負載平衡能力；高效的數據存儲服務、傳輸服務和復制管理。（三）聚類分析在網格計算中的實現方法。

三、網格聚類過程劃分

基于網格聚類算法的第一步是劃分網格結構，按搜索子空間的策略不同，主要有基于由底向上網格劃分方法的算法和基于自頂向下網格劃分方法的算法。由底向上劃分方法只需對數據集進行一次線性掃描以及較高的簇的描述精度，算法的效率與維度密切相關。自頂向下劃分方法能夠自動根據數據的分布對空間進行劃分，可以快速將大型高維數據集中的簇分隔開，數據空間維度對網格計算的影響較小?？梢钥闯?，兩類方法適用于不同的問題。前者適于處理高維數據集，后者能有效處理存取代價較大的超大型數據集與動態(tài)數據。

四、基于網格的聚類過程分析

基于網格的聚類算法的基本過程是，首先將數據空間W劃分為網格單元，將數據對象集O映射到網格單元中，并計算每個單元的密度。根據用戶輸入的密度閾值Min Pts判斷每個網格單元是否為高密度單元，由鄰近的稠密單元組形成簇，第一步，定義一個網絡單元集；第二步，將對象指派到單元，并計算密度；第三步，刪除密度低于指定闕值的單元；第四步，由稠密網格單元形成簇。

（一）網格單元的密度。簇就是一個區(qū)域，該區(qū)域中的點的密度大于與之相鄰的區(qū)域。在網格數據結構中，由于每個網格單元都有相同的體積，因此網格單元中數據點的密度即是落到單元中的點的個數。據此可以得到稠密網格單元的密度是，設在某一時刻t一個網格單元的密度為density，定義density=單元內的數據點數/數據空間中總的數據點數，設密度閾值為A，為用戶輸入的密度闕值，當density>A時，該網格單元是一個密集網格單元。反之為稀疏網格單元。需聚類計算時，對于稀疏網格單元一般采用壓縮或直接刪除的處理方法，理論分析和實驗證明刪除稀疏網格單元并不影響聚類的質量。（二）由稠密網格單元形成簇。在基于網格的聚類算法中，根據以上分析，由鄰接的稠密單元形成簇是相對直截了當的，這也是基于網格的方法的優(yōu)點之一。但是需要首先定義鄰接單元的含義。設n維空問中的存在任意兩個網格單元U1和U2，當這兩個網格單元在一個維上有交集或是具有一個公共面時，稱它們?yōu)猷徑泳W格單元。在二維空間中，比較常使用的是4-connection相鄰定義和8-connection相鄰定義，

五、結束語

基于網格聚類方法的優(yōu)點是它的處理速度快，因為其速度與數據對象的個數無關。但是，基于網格方法的聚類算法的輸入參數對聚類結果影響較大，而且這些參數較難設置。當數據中有噪音時，如果不加特殊處理，算法的聚類質量會很差。而且，算法對于數據維度的可伸縮性較差。

基于網格的聚類方法目前還存在一些急需解決的問題，主要有以下幾點：（1）當簇具有不同的密度時，全局的密度參數不能有效發(fā)現這樣的簇，需要開發(fā)具有可變密度參數的算法。（2）對于不同類型數據的聚類問題，比如對于高維數據，網格的數據將急劇增加，需要有效地技術發(fā)現近鄰單元。（3）當數據集的規(guī)模巨大以及數據具有地理分布特性時，需要開發(fā)有效的并行算法來提高處理的速度。（4）對現有網格算法的優(yōu)化，從不同方面提高網格算法的有效性。比如開發(fā)稀疏網格的壓縮算法、密度相似網格的合并算法等。

本文對基于網格的聚類方法的進行了分析和研究，包括網格的定義與劃分方法、網格單元密度的確定、由鄰接網格單元形成聚簇的聚類過程；最后對網格聚類方法優(yōu)點與局限性進行總結，在已有研究分析的基礎上，提出后續(xù)需要重點解決的問題。

參考文獻：

[1]曹洪其,余嵐,孫志揮.基于網格聚類技術的離群點挖掘算法[J].計算機工程,2006,6