|6种数据分析实用方法，终于有人讲明白了( 二 )

02 预测和时间序列
在讨论支持分析的方法时，预测和时间序列往往被一起提及，并不是因为它们是同一种方法，而是因为它们都针对同一类问题，即基于历史信息对时间序列数据进行特征提炼和预测。
预测和时间序列分析是指对时间序列数据进行分析、从数据中提炼有意义特征的方法。很多时候，预测被描述为通过历史数据对趋势进行判断，并通过可视化手段进行直观展现的方法，有些还提供了关于未来的预测。
而时间序列分析不同于预测，虽然你需要时间序列数据来进行预测，但并非所有的时间序列分析都是用来进行预测的。例如，时间序列分析可用于在多个时间序列中发现模式或相似的特征，或执行统计过程控制。类似地，季节性的分析也可以用来识别模式。
时间序列分析采用了多种方法，既有定量的，也有定性的。时间序列分析的目的是在历史数据（或时间序列数据）中找出一种模式，然后推测未来趋势。通常有四大类时间序列分析方法，如图1-5所示。

本文插图

▲图1-5 预测和时间序列分析的方法
一般而言，定量方法是最常见的预测方法。但是，当无法获得定量的历史数据时，或者广泛存在不确定性时，使用定性分析和决策分析方法也很普遍。
03 自然语言处理
自然语言处理（Natural Language Process ， NLP）是指通过计算机来理解和生成“自然语言”的方法。
当前， NLP是一个专注于人类语言和计算机之间相互交互的研究领域，处于计算机科学、人工智能和计算语言学的交叉领域。文本挖掘和文本分析技术通常可以互换使用，既是NLP的前置活动也可以是NLP本身的应用。
NLP的目标是理解计算机文本中的自然语言， NLP用于文本的分类、提取和总结，我们在理解和技术方面的进步正迅速将NLP推向分析和其他许多领域应用的前沿。例如，在分析过程中，我们获取过去的描述信息（如文本、文档、推文、演讲），并对它们进行语义分类或情绪理解。
情绪分析对于理解人们如何看待产品或服务特别有用。在医疗保健领域，情绪分析被用来衡量患者的情绪，以及识别那些有心力衰竭风险的患者。然后，这些文本摘要将作为分析过程的输入，用于预测建模、决策分析、搜索或回答问题的机器人。
图1-6概述了这样一个自然语言处理的普遍过程。

本文插图
【|6种数据分析实用方法，终于有人讲明白了】

▲图1-6 自然语言处理过程示意图
NLP的一个非常实际的应用是在市场营销领域，文本用于理解客户对某商品（通常指品牌或产品）的整体“情感” 。这里的情感指的是如何理解客户的情绪并对情绪进行提炼与归类。除了情感分析， NLP还可以有多种应用，比如：

语法检查
实体提取
翻译
搜索
标准化
回答问题

拓展学习：欲了解更多自然语言处理中使用的技术，请阅读Matthew Mayo的文章：https://www.kdnuggets.com/2017/02/natural-language-processing-key-terms-explained.html

自然语言生成（Natural Language Generation ， NLG）是人工智能和NLP研究的一个子集，它指自动从结构化数据中生成有意义的、可阅读的文本。与NLP不同， NLG走的是另一条研究道路。
也就是说， NLG以数据或其他形式的信息作为输入，以文本作为输出。
NLG已经被广泛应用于各种聊天机器人，从客户服务（见Pathania和Guzma ， Chatbots in Customer Service）到疾病症状诊断。聊天机器人只是NLG的一种应用，其他应用还包括自动化完成下列事项：