1. 数据挖掘常见的几种研究方法及特点
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。数据挖掘的任务是从数据集中发现模式，可以发现的模式有很多种，按功能可以分为两大类：预测性（Predictive）模式和描述性（Descriptive）模式。在应用中往往根据模式的实际作用细分为以下几种：分类，估值，预测，相关性分析，序列，时间序列，描述和可视化等。
数据挖掘涉及的学科领域和技术很多，有多种分类法。
（1）根据挖掘任务分，可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等；根据挖掘对象分，有关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web。
（2）根据挖掘方法分，可粗分为：机器学习方法、统计方法、神经网络方法和数据库方法。机器学习中，可细分为：归纳学习方法（决策树、规则归纳等）、基于范例学习、遗传算法等。统计方法中，可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）等。神经网络方法中，可细分为：前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法等等。
2. 数据挖掘主要方法
大数据挖掘报告难点在于数据，只要有了数据，报告无非是将这些数据维度进行整合。
如果你顺利拿到了数据，大数据本身的数据集又不是很大，那么想生成数据报告有一个简单的办法，那就是使用现在的一站式BI工具，只要给出一些维度与条件，会自动分析出相应的结果并生成报告
3. 简述数据挖掘常见的几种研究方法及特点
分析数据有两种，
1列表法
将实验数据按一定规律用列表方式表达出来是记录和处理实验数据最常用的方法。表格的设计要求对应关系清楚、简单明了、有利于发现相关量之间的物理关系；此外还要求在标题栏中注明物理量名称、符号、数量级和单位等；根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。最后还要求写明表格名称、主要测量仪器的型号、量程和准确度等级、有关环境条件参数如温度、湿度等。
2作图法
作图法可以最醒目地表达物理量间的变化关系。从图线上还可以简便求出实验需要的某些结果（如直线的斜率和截距值等），读出没有进行观测的对应点（内插法），或在一定条件下从图线的延伸部分读到测量范围以外的对应点（外推法）。此外，还可以把某些复杂的函数关系，通过一定的变换用直线图表示出来。例如半导体热敏电阻的电阻与温度关系为，取对数后得到，若用半对数坐标纸，以lgR为纵轴，以1／T为横轴画图，则为一条直线。
这个要看你分析什么数据。
分析大数据，R语言和Linux系统比较有帮助，运用到的方法原理可以翻翻大学的统计学，不需要完全理解，重在应用。
分析简单数据，Excel就可以了。Excel本意就是智能，功能很强，容易上手。我没有见过有人说自己精通Excel的，最多是熟悉Excel。Excel的函数可以帮助你处理大部分数据。
一、掌握基础、更新知识。
基本技术怎么强调都不过分。这里的术更多是（计算机、统计知识），多年做数据分析、数据挖掘的经历来看、以及业界朋友的交流来看，这点大家深有感触的。
数据库查询—sql
数据分析师在计算机的层面的技能要求较低，主要是会sql，因为这里解决一个数据提取的问题。有机会可以去逛逛一些专业的数据论坛，学习一些sql技巧、新的函数，对你工作效率的提高是很有帮助的。
统计知识与数据挖掘
你要掌握基础的、成熟的数据建模方法、数据挖掘方法。例如：多元统计：回归分析、因子分析、离散等，数据挖掘中的：决策树、聚类、关联规则、神经网络等。但是还是应该关注一些博客、论坛中大家对于最新方法的介绍，或者是对老方法的新运用，不断更新自己知识，才能跟上时代，也许你工作中根本不会用到，但是未来呢？
行业知识
如果数据不结合具体的行业、业务知识，数据就是一堆数字，不代表任何东西。是冷冰冰，是不会产生任何价值的，数据驱动营销、提高科学决策一切都是空的。
一名数据分析师，一定要对所在行业知识、业务知识有深入的了解。例如：看到某个数据，你首先必须要知道，这个数据的统计口径是什么？是如何取出来的？这个数据在这个行业，在相应的业务是在哪个环节是产生的？数值的代表业务发生了什么（背景是什么）？对于a部门来说，本月新会员有10万，10万好还是不好呢？先问问上面的这个问题：
对于a部门，
1、新会员的统计口径是什么。第一次在使用a部门的产品的会员？还是在站在公司角度上说，第一次在公司发展业务接触的会员？
2、是如何统计出来的。a：时间；是通过创建时间，还是业务完成时间。b：业务场景。是只要与业务发接触，例如下了单，还是要业务完成后，到成功支付。
3、这个数据是在哪个环节统计出来。在注册环节，在下单环节，在成功支付环节。
4、这个数据代表着什么。10万高吗？与历史相同比较？是否做了营销活动？这个行业处理行业生命同期哪个阶段？
在前面二点，更多要求你能按业务逻辑，来进行数据的提取（更多是写sql代码从数据库取出数据）。后面二点，更重要是对业务了解，更行业知识了解，你才能进行相应的数据解读，才能让数据产生真正的价值，不是吗？
对于新进入数据行业或者刚进入数据行业的朋友来说：
行业知识都重要，也许你看到很多的数据行业的同仁，在微博或者写文章说，数据分析思想、行业知识、业务知识很重要。我非常同意。因为作为数据分析师，在发表任何观点的时候，都不要忘记你居于的背景是什么？
但大家一定不要忘记了一些基本的技术，不要把基础去忘记了，如果一名数据分析师不会写sql，那麻烦就大了。哈哈。。你只有把数据先取对了，才能正确的分析，否则一切都是错误了，甚至会导致致命的结论。新同学，还是好好花时间把基础技能学好。因为基础技能你可以在短期内快速提高，但是在行业、业务知识的是一点一滴的积累起来的，有时候是急不来的，这更需要花时间慢慢去沉淀下来。
不要过于追求很高级、高深的统计方法，我提倡有空还是要多去学习基本的统计学知识，从而提高工作效率，达到事半功倍。以我经验来说，我负责任告诉新进的同学，永远不要忘记基本知识、基本技能的学习。
二、要有三心。
1、细心。
2、耐心。
3、静心。
数据分析师其实是一个细活，特别是在前文提到的例子中的前面二点。而且在数据分析过程中，是一个不断循环迭代的过程，所以一定在耐心，不怕麻烦，能静下心来不断去修改自己的分析思路。
三、形成自己结构化的思维。
数据分析师一定要严谨。而严谨一定要很强的结构化思维，如何提高结构化思维，也许只需要工作队中不断的实践。但是我推荐你用mindmanagement，首先把你的整个思路整理出来，然后根据分析不断深入、得到的信息不断增加的情况下去完善你的结构，慢慢你会形成一套自己的思想。当然有空的时候去看看《麦肯锡思维》、结构化逻辑思维训练的书也不错。在我以为多看看你身边更资深同事的报告，多问问他们是怎么去考虑这个问题的，别人的思想是怎么样的？他是怎么构建整个分析体系的。
四、业务、行业、商业知识。
当你掌握好前面的基本知识和一些技巧性东西的时候，你应该在业务、行业、商业知识的学习与积累上了。
这个放在最后，不是不重要，而且非常重要，如果前面三点是决定你能否进入这个行业，那么这则是你进入这个行业后，能否成功的最根本的因素。数据与具体行业知识的关系，比作池塘中鱼与水的关系一点都不过分，数据（鱼）离开了行业、业务背景（水）是死的，是不可能是“活”。而没有“鱼”的水，更像是“死”水，你去根本不知道看什么（方向在哪）。
如何提高业务知识，特别是没有相关背景的同学。很简单，我总结了几点：
1、多向业务部门的同事请教，多沟通。多向他们请教，数据分析师与业务部门没有利益冲突，而更向是共生体，所以如果你态度好，相信业务部门的同事也很愿意把他们知道的告诉你。
2、永远不要忘记了google大神，定制一些行业的关键字，每天都先看看定制的邮件。
3、每天有空去浏览行业相关的网站。看看行业都发生了什么，主要竞争对手或者相关行业都发展什么大事，把这些大事与你公司的业务，数据结合起来。
4、有机会走向一线，多向一线的客户沟通，这才是最根本的。
标题写着告诫，其实谈不上，更多我自己的一些心得的总结。希望对新进的朋友有帮助，数据分析行业绝对是一个朝阳行业，特别是互联网的不断发展，一个不谈数据的公司根本不叫互联网公司，数据分析师已经成为一个互联网公司必备的职位了。
4. 数据挖掘的分析方法有哪些
您是否想更好地了解传统数据与大数据之间的区别，在哪里可以找到数据以及可以使用哪些技术来处理数据?
这些是处理数据时必须采取的第一步，因此这是一个不错的起点，特别是如果您正在考虑从事数据科学职业!
“数据”是一个广义术语，可以指“原始事实”，“处理后的数据”或“信息”。为了确保我们在同一页面上，让我们在进入细节之前将它们分开。
我们收集原始数据，然后进行处理以获得有意义的信息。
好吧，将它们分开很容易!
现在，让我们进入细节!
原始数据(也称为“ 原始 事实”或“ 原始 数据”)是您已累积并存储在服务器上但未被触及的数据。这意味着您无法立即对其进行分析。我们将原始数据的收集称为“数据收集”，这是我们要做的第一件事。
什么是原始数据?
我们可以将数据视为传统数据或大数据。如果您不熟悉此想法，则可以想象包含分类和数字数据的表格形式的传统数据。该数据被结构化并存储在可以从一台计算机进行管理的数据库中。收集传统数据的一种方法是对人进行调查。要求他们以1到10的等级来评估他们对产品或体验的满意程度。
传统数据是大多数人习惯的数据。例如，“订单管理”可帮助您跟踪销售，购买，电子商务和工作订单。
但是，大数据则是另外一回事了。
顾名思义，“大数据”是为超大数据保留的术语。
您还会经常看到它以字母“ V”为特征。如“大数据的3V ”中所述。有时我们可以拥有5、7甚至11个“ V”的大数据。它们可能包括– 您对大数据的愿景，大数据的价值，您使用的可视化工具或大数据一致性中的可变性。等等…
但是，以下是您必须记住的最重要的标准：
体积
大数据需要大量的存储空间，通常在许多计算机之间分布。其大小以TB，PB甚至EB为单位
品种
在这里，我们不仅在谈论数字和文字。大数据通常意味着处理图像，音频文件，移动数据等。
速度
在处理大数据时，目标是尽可能快地从中提取模式。我们在哪里遇到大数据?
答案是：在越来越多的行业和公司中。这是一些著名的例子。
作为最大的在线社区之一，“ Facebook”会跟踪其用户的姓名，个人数据，照片，视频，录制的消息等。这意味着他们的数据种类繁多。全世界有20亿用户，其服务器上存储的数据量巨大。
让我们以“金融交易数据”为例。
当我们每5秒记录一次股价时会发生什么?还是每一秒钟?我们得到了一个庞大的数据集，需要大量内存，磁盘空间和各种技术来从中提取有意义的信息。
传统数据和大数据都将为您提高客户满意度奠定坚实的基础。但是这些数据会有问题，因此在进行其他任何操作之前，您都必须对其进行处理。
如何处理原始数据?
让我们将原始数据变成美丽的东西!
在收集到足够的原始 数据之后，要做的第一件事就是我们所谓的“数据预处理 ”。这是一组操作，会将原始数据转换为更易理解且对进一步处理有用的格式。
我想这一步会挤在原始 数据和处理之间!也许我们应该在这里添加一个部分...
数据预处理
那么，“数据预处理”的目的是什么?
它试图解决数据收集中可能出现的问题。
例如，在您收集的某些客户数据中，您可能有一个注册年龄为932岁或“英国”为名字的人。在进行任何分析之前，您需要将此数据标记为无效或更正。这就是数据预处理的全部内容!
让我们研究一下在预处理传统和大原始数据时应用的技术吗?
类标签
这涉及将数据点标记为正确的数据类型，换句话说，按类别排列数据。
我们将传统数据分为两类：
一类是“数字” –如果您要存储每天售出的商品数量，那么您就在跟踪数值。这些是您可以操纵的数字。例如，您可以计算出每天或每月销售的平均商品数量。
另一个标签是“分类的” –在这里您正在处理数学无法处理的信息。例如，一个人的职业。请记住，数据点仍然可以是数字，而不是数字。他们的出生日期是一个数字，您不能直接操纵它来给您更多的信息。
考虑基本的客户数据。*(使用的数据集来自我们的 SQL课程)
我们将使用包含有关客户的文本信息的此表来给出数字变量和分类变量之间差异的清晰示例。
注意第一列，它显示了分配给不同客户的ID。您无法操纵这些数字。“平均” ID不会给您任何有用的信息。这意味着，即使它们是数字，它们也没有数值，并且是分类数据。
现在，专注于最后一列。这显示了客户提出投诉的次数。您可以操纵这些数字。将它们加在一起以给出总数的投诉是有用的信息，因此，它们是数字数据。
我们可以查看的另一个示例是每日历史股价数据。
*这是我们在课程Python课程中使用的内容。
您在此处看到的数据集中，有一列包含观察日期，被视为分类数据。还有一列包含股票价格的数字数据。
当您使用大数据时，事情会变得更加复杂。除了“数字”和“分类”数据之外，您还有更多的选择，例如：
文字数据
数字图像数据
数字视频数据
和数字音频数据
数据清理
也称为“ 数据清理” 或“ 数据清理”。
数据清理的目的是处理不一致的数据。这可以有多种形式。假设您收集了包含美国各州的数据集，并且四分之一的名称拼写错误。在这种情况下，您必须执行某些技术来纠正这些错误。您必须清除数据;线索就是名字!
大数据具有更多数据类型，并且它们具有更广泛的数据清理方法。有一些技术可以验证数字图像是否已准备好进行处理。并且存在一些特定方法来确保文件的音频 质量足以继续进行。
缺失值
“ 缺失的 价值观”是您必须处理的其他事情。并非每个客户都会为您提供所需的所有数据。经常会发生的是，客户会给您他的名字和职业，而不是他的年龄。在这种情况下您能做什么?
您是否应该忽略客户的整个记录?还是您可以输入其余客户的平均年龄?
无论哪种最佳解决方案，都必须先清理数据并处理缺失值，然后才能进一步处理数据。
处理传统数据的技术
让我们进入处理传统数据的两种常用技术。
平衡
想象一下，您已经编制了一份调查表，以收集有关男女购物习惯的数据。假设您想确定谁在周末花了更多钱。但是，当您完成数据收集后，您会发现80%的受访者是女性，而只有20%是男性。
在这种情况下，您发现的趋势将更趋向于女性。解决此问题的最佳方法是应用平衡技术。例如，从每个组中抽取相等数量的受访者，则该比率为50/50。
数据改组
从数据集中对观察结果进行混洗就像对一副纸牌进行混洗一样。这将确保您的数据集不会出现由于有问题的数据收集而导致的有害模式。数据改组是一种改善预测性能并有助于避免产生误导性结果的技术。
但是如何避免产生错觉呢?
好吧，这是一个详细的过程，但概括地说，混洗是一种使数据随机化的方法。如果我从数据集中获取前100个观察值，则不是随机样本。最高的观察值将首先被提取。如果我对数据进行混洗，那么可以肯定的是，当我连续输入100个条目时，它们将是随机的(并且很可能具有代表性)。
处理大数据的技术
让我们看一下处理大数据的一些特定于案例的技术。
文本数据挖掘
想想以数字格式存储的大量文本。嗯，正在进行许多旨在从数字资源中提取特定文本信息的科学项目。例如，您可能有一个数据库，该数据库存储了来自学术论文的有关“营销支出”(您的研究主要主题)的信息。大数据分析技术有哪些https://www.aaa-cg.com.cn/data/2272.html如果源的数量和数据库中存储的文本量足够少，则可以轻松找到所需的信息。通常，尽管数据巨大。它可能包含来自学术论文，博客文章，在线平台，私有excel文件等的信息。
这意味着您将需要从许多来源中提取“营销支出”信息。换句话说，就是“大数据”。
这不是一件容易的事，这导致学者和从业人员开发出执行“文本数据挖掘”的方法。
数据屏蔽
如果您想维持可靠的业务或政府活动，则必须保留机密信息。在线共享个人详细信息时，您必须对信息应用一些“数据屏蔽”技术，以便您可以在不损害参与者隐私的情况下进行分析。
像数据改组一样，“数据屏蔽”可能很复杂。它用随机和假数据隐藏原始数据，并允许您进行分析并将所有机密信息保存在安全的地方。将数据屏蔽应用于大数据的一个示例是通过“机密性保留数据挖掘”技术。
完成数据处理后，您将获得所需的宝贵和有意义的信息。我希望我们对传统数据与大数据之间的差异以及我们如何处理它们有所了解。
https://www.toutiao.com/i6820650243210609166/
5. 数据挖掘与传统分析方法的区别
1.定义不同，数据挖掘也称为数据库中的知识发现。数据提取是用运技术从在线资源中提取数据（有时是非结构化的或结构不良的）到集中存储位置以供使用进一步处理。
2.处理过程不同，数据挖掘的作用是在数据中发现和理解新的和看不见的知识，并从中确定一个价值。数据的抽取过程不包括处理或分析。这些是在数据存储之后完成的。
6. 数据挖掘常见的几种研究方法及特点是
教育课题研究的基本方法主要有以下几种：
一、观察法
1．观察法：为了了解事实真相，从而发现某种现象的本质和规律。
2．观察法的步骤：观察法的实施分为以下三个步骤,步骤之一就是进行观察研究的设计,
此步骤可分为如下几个方面：
（1）作大略调查和试探性观察。
这一步工作的目的不在于搜集材料，而在于掌握基本情况，以便能正确地计划整个观察过程。例如：要观察某一教师的教学工作，便应当预先到学校大致了解这位教师的工作情况，学生的情况，有关的环境和条件等等。这可以通过跟教师和学校领导人谈话，查阅一些有关的材料，如教案、教学日记、学生作业等，以及听课等方式进行。
（2）确定观察的目的和中心。
根据研究任务和研究对象的特点，考虑弄清楚什么问题，需要什么材料和条件，然后作明确的规定。如果这规定不明确，观察便不能集中，结果就不能深入。观察不能有几个中心，范围不能太广，全部观察要围绕一个中心进行。如果必须要观察几个中心，那就采取小组观察，分工合作。
（3）确定观察对象
一是确定拟观察的的总体范围；
二是确定拟观察的个案对象；
三是确定拟观察的具体项目。比如，要研究新分配到小学任教的中师或大专毕业生在课余时间进行业务、文化进修的情况，那么，拟观察总体就是教师工作年限达一年或两年的新教师。在这一总体范围内，再定下具体观察哪几所小学，哪几个教研组中的哪些教师。具体观察名单确定以后，再把拟观察的时间、场合、具体观察项目确定下来。
（4）制定观察计划
观察计划除了明确规定观察的目的、中心、范围，以及要了解什么问题、搜集什么材料之外，还应当安排观察过程：观察次数、密度、每次观察持续的时间，如何保证观察现象的常态等。
（5）策划和准备观察手段
观察手段一般包括两种：
一种是获得观察资料的手段；一种是保存观察资料的手段。
获得观察资料的手段主要是人的感觉器官，但有时需要一些专门设置的仪器来帮助观察，如观察屏、计算机终端装置、更高级的如动作反应器等。这些仪器主要起两方面作用：保证观察的客观性与提高观察的精确性。
在保存资料的手段中，人脑是天然器官。但这种与观察主体连在一起的保存手段缺乏精确性和持久性，也不能实现资料的客体化。因此，人们先利用文字、图形等符号手段，进而又利用摄影、录音、录像等技术手段，把观察时瞬间发生的事、物、状况以永久的方式，准确地、全面地记录下来，供研究地反复观察资料和分析资料所用。
无论哪一类手段，都应在观察开始前就准备好，对观察中使用的种仪器也须事先作好功能检查，以保证在使用过程中不出现障碍。对于观察人员来说，必须掌握使用仪器的基本方法，并知道在观察中应做些什么。如要详细、全面拍摄一堂课，一部摄像机是不够的。观察者应准备几部摄像机，并事先作好分工。即使是作观察记录，也需要事先作好设计。在记录纸上印好以一定的格式排列的必须记录的项目，还可以约定一些记录符号，以尽量减少现场记录时书写文字的时间。
我们以中学生课堂行为记录为例，见表5－1。在下面表格中，研究人员根据研究需要，列出他认为在课堂上学生可能发生的行为。但估计所列不会完全，所以留出一些空格，让观察员在需要时使用。研究者如果要请别人帮助观察，必须事先和观察人员讲清楚每一个项目的具体所指，遇到意外情况的处理方法，要求他们熟悉每一个项目的所在位置。为了稳妥起见，还可以在正式观察前先作几次观察练习，帮助观察人员熟悉表格的内容；如发现表格的缺陷，可在正式观察前作出调整。
（6）规定统一性标准
为了增加观察的客观性，为了便于衡量和评价各种现象，为了易于用数量来表达观察的现象，为了使观察结果可以核对、比较、统计和综合，必须事先考虑自己的观察可能涉及到的各种因素，并对每一因素规定出统一的标准。每次观察或观察同一现象的不同观察者，要坚持采用统一的标准去衡量。这主要在于，不同的研究项目常会涉及到不同性质的标准。如：有的涉及到单位问题，如怎样衡量学生表现的知识质量；有的涉及到定义问题，如怎样才算违反纪律；有的涉及计算方式问题，如怎样登记和表达学生之间产生的矛盾的频率，等等。对类似问题，都应事先做好统一规定。
（7）逐段提出观察提纲
在观察计划的基础上，应对每次或每段（几次同一性质上一内容的观察组成一段）观察提出具体提纲，以便使观察者对每一次观察的目的、任务和要获得什么材料非常明确。观察提纲可以包括本次观察要解决的具体问题，并且应当在前一次观察的基础上，经过深思熟虑之后提出来。亦可采用表格的方式，以便于分类统计。
观察实际过程，加以分析研究，得出某种结论。也许可以形成某个研究课题。
二、调查法 ：
同样是为了了解事实情况，分析事实情况，得出结论，证实某种问题，以便改进工作（包括改进研究方法）或形成新的研究课题。
包括问卷调查、访问调查等。了解事实情况、分析情况、认真研究，得出结论，寻找解决办法或进一步研究的方案。
举例说明调查法的操作过程：
抽样调查的主要步骤
在实际的抽样操作中，整个过程可大致分为如下步骤：
1.确定调查的目的（确定问题，形成假说；通过调查验证假说，使问题明确化，得出结论）。
2.确定抽样总体。要从中进行抽样的总体应与要得到信息的总体（目标总体）一致。从样本得出的结论适用于被抽样总体，超出这个范围结论的适用程度取决于被抽样总体与目标总体的差异程度。
3.确定待收集的数据。一般只收集与调查目的有关的数据，过长的调查表会降低回答的质量。
4.选择抽样方法。这时总体中的哪种单位作为个体基本上可定下来。
5.编制抽样框。如学校名录、学生花名册等。
6.确定需要的精确度。因抽样调查是要由样本推断总体，会带有某些不确定性。一般是对相对误差或绝对误差作出概率水平上的要求。
7.估计样本容量，估计费用。
8.抽样试验，在小范围内试填一下调查表，做些必要的改进。
9.实地调查工作的组织。按抽样方案进行调查。对收回的调查表的质量及时进行检查。对不回答的表要有处理方案。
10.根据所用的抽样方法进行数据分析。
11.可对同样的数据采用其它的分析方法，以作比较。
12.写出调查报告。留存有关总体的信息，它们可能对将来的抽样起指导作用。
对于教育现象，有时难于进行严格意义上的概率抽样，可以考虑采用下列方法抽样：从总体中选出若干有代表性的大单位（群），在群内进行概率抽样；从一个小总体中选出接近于研究者对总体平均数的印象的那些个体；样本限于总体中易于取到的部分；样本是随便选取的；样本由自愿被调查的人员组成；等等。但对这样得到的样本要选择适当的数据分析方法，对结论也要慎重，应充分利用其它信息进行核查、确认。在教育现象的研究中，研究者的智恝、经验和抽样技术的有机结合，是获取好样本的关键。
三、测验法：
是想描述某些行为的状况，或推论某些行为的状况（包括：能力与成就，个性、兴趣、动机、态度、观念及心理需要等）；从而考虑改建的策略或方案，或进一步形成新的研究课题。
在教育学和心理学中，测量被用作定量研究的重要方法。主要功能是评估、诊断和预测。（举例，如XXX老师所做的“学生自学能力测验（试验）”，就是为了了解小学中高年级学生的自学能力究竟能达到何种程度）。
所谓测量就是根据一定的法则，将某种物体或现象所具有的属性或特征用数字或符号表示出来的过程。测验法是教育和心理学测量的一项主要内容和形式。
测验的客观性是关于测验系统化过程好坏程度的指标。测验的控制，在不同时间对于同一个被试，或同一时间对于不同的被试，其意义都应该是相同的。保持刺激的客观性则要遵照一定的程序予以控制。（如周文琴老师在做这一测试前邀请我去在他们的家长会上的讲话，目的就在于排除和避免人为因素影响，排除测验的随意性和不真实性，实现评测标准的同一性）。
推论的客观性指对同一结果不同的人所做的推论应该一致，同一个人在不同的时间对同一结果的所做解释应该相同。
四、行动研究法：
行动研究法是一种适应小范围内教育改革的探索性的研究方法，其目的不在于建立理论、归纳规律，而是针对教育活动和教育实践中的问题，在行动研究中不断地探索、改进改进工作，解决教育实际问题。行动研究将改革行动与研究工作相结合，与教育实践的具体改革行动紧密相连。（特点是边执行、边评价、边修改）。
模式基本是：计划——行动——考察——反思（即总结评价）。教师个体比较适用。
另一种模式：预诊——搜集资料初步研究——拟订总体计划——制订具体计划——行动——总结评价
从上述行动研究法的几个步骤中可以发现三个明显的特征：
一是具有动态性，所有的设想、计划、，都处于一个开放的动态系统中，都是可修改的；
二是较强的联合性与参与性，研究者、教师、行政人员的全体小组成员参与行动研究法实施的全过程。
三是在整个研究过程中，诊断性评价、形成性评价、总结性评价贯穿于行动研究法工作流程的始终。
具体说说操作方法：
1．预诊：这一阶段的任务是发现问题。对教学或学校工作中的问题，进行反思发现问题，并根据实际情况进行诊断，得出行动改变的最初设想。在各步骤中，预诊占有十分重要的地位。
2．收集资料初步研究：这一阶段成立由教研人员、教师和教育行政人员组成的研究小组对问题进行初步讨论和研究，查找解决问题的有关理论、文献，充分占有资料，参与研究的人员共同讨论，听取各方意见，以便为总体计划的拟定做好诊断性评价。
3．拟定总体计划：这是最初设想的一个系统化计划。行动研究法是一个动态的开放系统，所以总体计划是可以修订更改的。
4．制定具体计划：这是实现总体计划的具体措施，它以实际问题解决的需要为前提，有了它，才会导致旨在改变现状的干预行动的出现。
5．行动：是整个研究工作成败的关键。这一阶段的特点是边执行、边评价、边修改。在实施计划的行动中，注意收集每一步行动的反馈信息，可行的，则可以进入下一步计划和行动。反之，则总体计划甚至基本设想都可能需要作出调整或修改。这里行动的目的，不是为了检验某一设想或计划，而是为了解决实际问题。在行动研究中，过程性资料的搜集、整理也是非常重要的。
6．总结评价：首先要对研究过程进行考察。考察内容有：一是行动背景因素以及影响行动的因素。二是行动过程，包括什么人以什么方式参与了计划实施，使用了什么材料，安排了什么活动，有无意外的变化、如何排除干扰。三是行动的结果，包括预期的与非预期的，积极和消极的。要注意搜集三方面的资料，背景资料是分析计划设想有效性的基础材料，过程资料是判断行动效果是不是、由方案带来和怎样带来的考察依据；结果资料是分析方案带来的什么样的效果的直接依据。考察要灵活运用各种观察技术以及数据、资料的采集和分析技术，充
总结评价实际上是对行动研究过程及其结果的“反思”。反思是行动研究第一个循环周期的结束，又是过渡到另一个循环周期的中介。这一环节包括：整理描述，评价解释，写出研究报告。这是对整个研究工作的总结和评价。这一阶段除了要对研究中获得的数据、资料进行科学处理，得到研究所需要的结论外，还应对产生这一课题的实际问题作出解释和评价。
五、经验总结法：
这是教师可以常用的方法。教育经验总结法是根据教育实践所提供的事实，分析概括教育现象，挖掘现有的经验材料，并使之上升到教育理论的高度，以便更好地指导新的教育实践活动的一种教育科学研究方法。关键是要能够从透过现象看本质，找出实际经验中的规律；从而更好地更加理性地改进自己的教学。进行教育经验总结要遵循以下基本要求：
1．要注意经验的先 进 性（观念必须更新）
2．要全面考察总结的对象，充分占有原始的事实材料；且做到有“点”有“面”，“点”、“面”结合，防止以偏概全的片面性。
3．要以教育实践活动为依据，不能凭空想当然，那是毫无价值。
4．要善于进行理论分析
六、文献法：
分类阅读有关文献（包括文字、图形、符号、声频、视频等具有一定历史价值、理论价值和资料价值的材料），得出一般性结论或者发现问题，寻找新的思路。
文献按内容性质分，有零次文献、一次文献、二次文献和三次文献。零次文献是未经发表和有意识处理的最原始的资料。一次文献指直接记录事件经过、研究成果、新知识、新技术的专著、论文、调查报告等文献。二次文献是指对一次文献进行加工整理，包括著录其文献特征、摘录其内容要点，并按照一定方法编排成系统的便于查找的文献。三次文献是指工具书和在二次文献的基础上，又对众多一次文献的综合研究结果。
七、个案研究法：
个案研究法就是对单一的研究对象进行深人而具体研究的方法。
个案研究的对象可以是个人，也可以是个别团体或机构。前者如对一个或少数几个优生或差生进行个案分析，后者如对某先进班级或学校进行个案研究。个案研究一般对研究对象的一些典型特征作全面、深入的考察和分析，也就是所谓“解剖麻雀”的方法。
个案研究中，原始的资料积累是非常重要的。同时个案研究不仅停留在对个案的研究和认识的水平上，而且需要认识教育与发展之间的因果关系，提出一些积极的教育对策，以改革教育教学方法。也可能通过对某个案的研究而形成假说，进而产生新的研究课题或教改实验。
观察或追踪一个人、几个人、一个团体、一节课……的过程，时间可长可短，依需要而定，进行分析概括，透过现象看本质，得出规律性的结论，找出解决问题的办法。（个案研究的对象少，研究规模也较小；同时个案研究一般都是在没有控制的自然状态中进行的，也不要在一段时间内突击完成。所以，个案研究就特别适合教师的研究。教师可以抓住一两个典型的学生或一类学生，结合教学、教育工作实践进行研究。对于每一个教育实践工作者来说，总可以在班上找到研究对象，而且也不需要什么特殊的处理，不影响正常的教育活动）。
八、案例研究法：
什么是“案例”？中外学者尚无普遍公认的、权威的定义，一般认为，案例是对现实生活中某一具体现象的客观描述。教育案例是对教育活动中具有典型意义的，能够反映教育某些内在规律或某些教学思想、原理的具体教学事件的描述、总结分析，它通常是课堂内真实的故事，教学实践中遇到的困惑的真实记录。对这些“真实记录”进行分析研究，寻找规律或产生问题的根源，进而寻求解决问题或改进工作的方法，或形成新的研究课题。在案例法的研究中，研究者自身的洞察力是关键。
关于案例含义的基本观点：
第一，所有的案例都是事件，但并不是所有的事件都可以成为案例。教育上的案例首先表现为一个事件。但是能够作为案例的事件必须要具备这样两个基本条件；一是在事件中必须要包含有一个或多个疑难问题，同时也可能包含有解决这些问题的方法，换句话说，没有问题在内的事件不能称为案例；二是这个事件应该具有一定的典型性，通过这个事件可以给人带来许多思考，带来若遇到同样或类似事件如何应对的借鉴意义和价值。
第二，所有的案例都是故事，但并不是所有的故事都可以成为案例。案例讲述的肯定是一个故事，并且许多情况下讲述的一个有趣的故事，其中会有一些生动的情节、鲜活的人物。作为案例的故事至少应该具备这样两个两个条件：一是这个故事必须是一个真实的事例，不能是编制者自己凭空想象杜撰出来的，没有真实发生的故事不能作为一个案例；二是这个要有一个从开始到结束的完整情节，片段的、支离破碎的无法给人以整体感的所谓故事不能成为一个案例。
第三，所有的案例都是对某一个事例的描述，但不是所有事例的描述都可以成为案例。
除了满足上述两个方面的要求外，在案例的叙写上，要具备下列条件：
一是事例的描述中要包括有一定的冲突；二是事例的描述要具体、明确，不应是对事情大体如何的笼统描述，也不应对事情所具有的总体特征所作的抽象化的、概括化的说明；三是描述中要把事例置于一个时空框架之中，也就是要说明故事发生的时间、地点等；四是事例的描述，要能反映出教育教学工作的复杂性，揭示出人物的内心世界，如态度、动机、需要等；五是事例的描述要能反映出故事发生的特定的背景。通过上面的分析，可以看到，虽然一项练习、一个难题、一篇文章或其它近似于案例的材料，也可以在课堂上起到调动学生积极性的效果，但它们并不能称为案例。既然任何案例的基础，都是个人或一个单位在实际情景中所面对的事实，若把虚拟的材料、没有任何问题或疑难包含在内的材料也纳入案例的阵营，案例的主要特征也就几乎不存在了。
案例的结构（每个完整的案例大体包括以下四个部分）：
①主题与背景——每个案例都提炼出一个鲜明的主题，它通常应关系到课堂教学的核心理念、常见问题、困扰事件，要富有时代性、体现现代教育思想和改革精神。
②情境描述——案例描述应是一件文学作品或片段，而不是课堂实录，无论主题是多么深刻、故事是多么复杂，它都应该以一种有趣的，引人入胜的方式来讲述。案例描述不能杜撰，它应来源于教师真实的经验（情境故事，教学事件）、面对的问题；当然，具体情节要经适当调整与改编，因为只有这样才能紧紧环绕主题并凸显了讨论的焦点。
③问题讨论——首先可设计一份案例讨论的作业单，包括学科知识要点、教学法和情境特点，以及案例的说明与注意事项。然后提了建议讨论的问题，如学科知识问题、评价学生的学习效果、教学方法和情境问题、扩展问题。
④诠释与研究——对案例作多角度的解读，可包括对课堂教学行为作技术分析，教师的课后反思等，案例研究所得结论可在这一部分展开。这里的分析，应回归到对课堂教学基本面的探讨才能展现案例的价值。最后，案例可以是单个的，也可以是多个的，例如横向的差别比较，纵向的改变和进步，各有不同的作用。
九、实验法：
1．什么是“实验法”
通俗地说，这是一种先想后做的研究方法（相对来说）——“想”：从已有的理论和经验出发，形成某种教育思想和理论构想，即“假说”（亦可称“假设”）；——“做”：就是将形成的假说在积极主动有计划有控制的教育实践中加以验证。通过对实验对象变化、发展状况的观察，确立自变量与因变量之间的因果关系，有效的验证和完善假说。
2．试验法的特征：“验证假说”和“控制条件”是一切实验方法所具备的共性。但教育实验还有伦理原则、有限控制、控制下的形成性（其过程是很有价值的）等特征。
教育实验的几层含义：首先，教育实验必须确立自变量与因变量之间的因果关系。其次，教育教学实验必须科学地选择研究对象。再次，教育教学实验也必须控制和操纵实验条件。实验应当具有可重复性，亦即应不仅具有效度而且具有信度（即经过重复实验后所得到的实验结果应大致相同）。
3．什么叫“假说”？
所谓“假说”，就是根据事实材料和一定的科学理论，对所研究问题的因果性和规律性在进行研究之前
预先做出一个推测性论断和假定性解释。假说的形成是一个理论构思过程。一般经过三个阶段：发现问题——初步假设——形成假说。
4．教育实验中的“变量”
①自变量（又称做实验因子或实验因素因素）。它由实验者操纵，由实验者自身独立的变化而引起其它变量发生变化。举例如：考察不同教材对学生的学习影响。在这里，教材就是实验自变量。再如我校构建“‘乐学·会学’式课堂教学基本模式”的实验……。一个实验因子至少要有两种水平（比如两个组、两个班级等等）才能进行比较（如上所举就必须至少要有两种教材）。否则其本身就不能构成实验因子。
②因变量。因变量是一种假定的结果变量是对自变量的反应变量，或曰“输出”。它是实验变量作用于实验对象之后所出现的效果变量。实验因变量必须具有一定的可测性。
③无关变量（也称“控制变量”）。那些不是某实验所需要研究的、自变量与因变量之外的一切变量，这些统称为该实验研究的无关变量，也称非实验因子或无关因子。例如不同教材的比较实验，教材之外的教师水平、学生原有基础、家教、学习时间等一切可能影响教学效果的因素都是该实验中的无关变量。
控制无关变量非常重要：为了很好地探索因果关系，以确实保证因变量的变化是由自变量的变化所引起的，就必须排除其它无关因素的影响，控制无关因素，使实验除了自变量以外的其它条件保持一致，这样才能保证实验实验研究具有一定的效度，否则，实验就失败了。
5．实验的操作（严密控制实验过程至关重要）：——形成假说
——研究制定严谨科学的实验方案（选择被试、确定对比组、实验方法过程的设计、实验材料和工具的选择、研究无关变量及其控制措施、实验的阶段划分、原始过程性资料积累的方案与分工、成果形式的确定等等）
—— 按照方案实施实验
—— 形成实验的阶段性报告和总结性报告。
—— 对实验进行评价论证。
教育科研的方法当然不只是上述这些。但以上方法是一般教师都可以方便使用的方法。
7. 数据挖掘中的常用方法和特点
您是否想更好地了解传统数据与大数据之间的区别，在哪里可以找到数据以及可以使用哪些技术来处理数据?
这些是处理数据时必须采取的第一步，因此这是一个不错的起点，特别是如果您正在考虑从事数据科学职业!
“数据”是一个广义术语，可以指“原始事实”，“处理后的数据”或“信息”。为了确保我们在同一页面上，让我们在进入细节之前将它们分开。
我们收集原始数据，然后进行处理以获得有意义的信息。
好吧，将它们分开很容易!
现在，让我们进入细节!
原始数据(也称为“ 原始 事实”或“ 原始 数据”)是您已累积并存储在服务器上但未被触及的数据。这意味着您无法立即对其进行分析。我们将原始数据的收集称为“数据收集”，这是我们要做的第一件事。
什么是原始数据?
我们可以将数据视为传统数据或大数据。如果您不熟悉此想法，则可以想象包含分类和数字数据的表格形式的传统数据。该数据被结构化并存储在可以从一台计算机进行管理的数据库中。收集传统数据的一种方法是对人进行调查。要求他们以1到10的等级来评估他们对产品或体验的满意程度。
传统数据是大多数人习惯的数据。例如，“订单管理”可帮助您跟踪销售，购买，电子商务和工作订单。
但是，大数据则是另外一回事了。
顾名思义，“大数据”是为超大数据保留的术语。
您还会经常看到它以字母“ V”为特征。如“大数据的3V ”中所述。有时我们可以拥有5、7甚至11个“ V”的大数据。它们可能包括– 您对大数据的愿景，大数据的价值，您使用的可视化工具或大数据一致性中的可变性。等等…
但是，以下是您必须记住的最重要的标准：
体积
大数据需要大量的存储空间，通常在许多计算机之间分布。其大小以TB，PB甚至EB为单位
品种
在这里，我们不仅在谈论数字和文字。大数据通常意味着处理图像，音频文件，移动数据等。
速度
在处理大数据时，目标是尽可能快地从中提取模式。我们在哪里遇到大数据?
答案是：在越来越多的行业和公司中。这是一些著名的例子。
作为最大的在线社区之一，“ Facebook”会跟踪其用户的姓名，个人数据，照片，视频，录制的消息等。这意味着他们的数据种类繁多。全世界有20亿用户，其服务器上存储的数据量巨大。
让我们以“金融交易数据”为例。
当我们每5秒记录一次股价时会发生什么?还是每一秒钟?我们得到了一个庞大的数据集，需要大量内存，磁盘空间和各种技术来从中提取有意义的信息。
传统数据和大数据都将为您提高客户满意度奠定坚实的基础。但是这些数据会有问题，因此在进行其他任何操作之前，您都必须对其进行处理。
如何处理原始数据?
让我们将原始数据变成美丽的东西!
在收集到足够的原始 数据之后，要做的第一件事就是我们所谓的“数据预处理 ”。这是一组操作，会将原始数据转换为更易理解且对进一步处理有用的格式。
我想这一步会挤在原始 数据和处理之间!也许我们应该在这里添加一个部分...
数据预处理
那么，“数据预处理”的目的是什么?
它试图解决数据收集中可能出现的问题。
例如，在您收集的某些客户数据中，您可能有一个注册年龄为932岁或“英国”为名字的人。在进行任何分析之前，您需要将此数据标记为无效或更正。这就是数据预处理的全部内容!
让我们研究一下在预处理传统和大原始数据时应用的技术吗?
类标签
这涉及将数据点标记为正确的数据类型，换句话说，按类别排列数据。
我们将传统数据分为两类：
一类是“数字” –如果您要存储每天售出的商品数量，那么您就在跟踪数值。这些是您可以操纵的数字。例如，您可以计算出每天或每月销售的平均商品数量。
另一个标签是“分类的” –在这里您正在处理数学无法处理的信息。例如，一个人的职业。请记住，数据点仍然可以是数字，而不是数字。他们的出生日期是一个数字，您不能直接操纵它来给您更多的信息。
考虑基本的客户数据。*(使用的数据集来自我们的 SQL课程)
我们将使用包含有关客户的文本信息的此表来给出数字变量和分类变量之间差异的清晰示例。
注意第一列，它显示了分配给不同客户的ID。您无法操纵这些数字。“平均” ID不会给您任何有用的信息。这意味着，即使它们是数字，它们也没有数值，并且是分类数据。
现在，专注于最后一列。这显示了客户提出投诉的次数。您可以操纵这些数字。将它们加在一起以给出总数的投诉是有用的信息，因此，它们是数字数据。
我们可以查看的另一个示例是每日历史股价数据。
*这是我们在课程Python课程中使用的内容。
您在此处看到的数据集中，有一列包含观察日期，被视为分类数据。还有一列包含股票价格的数字数据。
当您使用大数据时，事情会变得更加复杂。除了“数字”和“分类”数据之外，您还有更多的选择，例如：
文字数据
数字图像数据
数字视频数据
和数字音频数据
数据清理
也称为“ 数据清理” 或“ 数据清理”。
数据清理的目的是处理不一致的数据。这可以有多种形式。假设您收集了包含美国各州的数据集，并且四分之一的名称拼写错误。在这种情况下，您必须执行某些技术来纠正这些错误。您必须清除数据;线索就是名字!
大数据具有更多数据类型，并且它们具有更广泛的数据清理方法。有一些技术可以验证数字图像是否已准备好进行处理。并且存在一些特定方法来确保文件的音频 质量足以继续进行。
缺失值
“ 缺失的 价值观”是您必须处理的其他事情。并非每个客户都会为您提供所需的所有数据。经常会发生的是，客户会给您他的名字和职业，而不是他的年龄。在这种情况下您能做什么?
您是否应该忽略客户的整个记录?还是您可以输入其余客户的平均年龄?
无论哪种最佳解决方案，都必须先清理数据并处理缺失值，然后才能进一步处理数据。
处理传统数据的技术
让我们进入处理传统数据的两种常用技术。
平衡
想象一下，您已经编制了一份调查表，以收集有关男女购物习惯的数据。假设您想确定谁在周末花了更多钱。但是，当您完成数据收集后，您会发现80%的受访者是女性，而只有20%是男性。
在这种情况下，您发现的趋势将更趋向于女性。解决此问题的最佳方法是应用平衡技术。例如，从每个组中抽取相等数量的受访者，则该比率为50/50。
数据改组
从数据集中对观察结果进行混洗就像对一副纸牌进行混洗一样。这将确保您的数据集不会出现由于有问题的数据收集而导致的有害模式。数据改组是一种改善预测性能并有助于避免产生误导性结果的技术。
但是如何避免产生错觉呢?
好吧，这是一个详细的过程，但概括地说，混洗是一种使数据随机化的方法。如果我从数据集中获取前100个观察值，则不是随机样本。最高的观察值将首先被提取。如果我对数据进行混洗，那么可以肯定的是，当我连续输入100个条目时，它们将是随机的(并且很可能具有代表性)。
处理大数据的技术
让我们看一下处理大数据的一些特定于案例的技术。
文本数据挖掘
想想以数字格式存储的大量文本。嗯，正在进行许多旨在从数字资源中提取特定文本信息的科学项目。例如，您可能有一个数据库，该数据库存储了来自学术论文的有关“营销支出”(您的研究主要主题)的信息。大数据分析技术有哪些https://www.aaa-cg.com.cn/data/2272.html如果源的数量和数据库中存储的文本量足够少，则可以轻松找到所需的信息。通常，尽管数据巨大。它可能包含来自学术论文，博客文章，在线平台，私有excel文件等的信息。
这意味着您将需要从许多来源中提取“营销支出”信息。换句话说，就是“大数据”。
这不是一件容易的事，这导致学者和从业人员开发出执行“文本数据挖掘”的方法。
数据屏蔽
如果您想维持可靠的业务或政府活动，则必须保留机密信息。在线共享个人详细信息时，您必须对信息应用一些“数据屏蔽”技术，以便您可以在不损害参与者隐私的情况下进行分析。
像数据改组一样，“数据屏蔽”可能很复杂。它用随机和假数据隐藏原始数据，并允许您进行分析并将所有机密信息保存在安全的地方。将数据屏蔽应用于大数据的一个示例是通过“机密性保留数据挖掘”技术。
完成数据处理后，您将获得所需的宝贵和有意义的信息。我希望我们对传统数据与大数据之间的差异以及我们如何处理它们有所了解。
https://www.toutiao.com/i6820650243210609166/
8. 数据挖掘属于什么研究方法
数据驱动的研究方式兴起，极大提高了科研效率。
数据驱动的研究方式：目前最新的研究方式。通过设备采集数据或是模拟器仿真产生的数据（蒙特卡罗方法），并通过计算机实现过程仿真。将数据和资料（信息）存储在数据库中，采用数据挖掘、机器学习等方法来分析相关数据，并发现其中的相关知识和规律。