㈠ 常用的數據處理方法
前面所述的各種放射性測量方法，包括航空γ能譜測量，地面γ能譜測量和氡及其子體的各種測量方法，都已用在石油放射性勘查工作之中。數據處理工作量大的是航空γ能譜測量。
（一）數據的光滑
為了減少測量數據的統計漲落影響及地面偶然因素的影響，對原始測量數據進行光滑處理。消除隨機影響。
放射性測量數據光滑，最常用的光滑方法是多項式擬合移動法。在要光滑測量曲線上任取一點，並在該點兩邊各取m個點，共有2m+1點；用一個以該點為中心的q階多項式對這一曲線段作最小二乘擬合，則該多項式在中心點的值，即為平滑後該點的值。用此法逐點處理，即得光滑後的曲線，光滑計算公式（公式推導略）為
核輻射場與放射性勘查
式中：yi+j、為第i點光滑前後的值；為系數；為規范化常數。
五點光滑的二次多項式的具體光滑公式為
核輻射場與放射性勘查
如果一次光滑不夠理想，可以重復進行1～2次，但不宜過多重復使用。
光滑方法，還有傅里葉變換法，以及多點平均值法，多點加權平均值法等。
使用那種方法選定之後，一般都通過編程存入計算機，進行自動化處理。
圖7-2-1是美國東得克薩斯州一個油田上的航空γ放射性異常中的兩條剖面圖（A-B和B-C）。經過光滑處理後，低值連續，清晰明顯，與油田對應的位置較好。說明四個油藏都在鈾（w（U））和鉀（w（K））的低值位置。
圖7-2-1 美國東得克薩斯油田航空γ放射性異常剖面圖
（二）趨勢面分析方法
趨勢分析主要反映測量變數在大范圍（區域）連續變化的趨勢。在原始數據中常含有許多隨機誤差和局部點異常，直觀反映是測量曲線上下跳動或小范圍突變。使用趨勢分析處理是為了得到研究區域輻射場的總體分布趨勢。
趨勢面分析，實質上是利用多元回歸分析，進行空間數據擬合。根據計算方法不同，又可分為圖解法趨勢面分析和數學計演算法趨勢面分析。圖解法趨勢面分析的基本思路是對觀測數據採用二維方塊取平均值法，或滑動平均值法計算趨勢值。方塊平均值法是對每一方塊內的數據取平均值，作為該方塊重心點的趨勢值。滑動平均值法是設想一個方框，放在測區數據分布的平面圖上，把落在方框內的測點數據取平均值，記在方框中心上，最後得到趨勢面等值圖。一般講做一次是不夠的，需要如此重復3～9次。一般都有專門程序可供使用（不作詳述）。如圖7-1-14（a）為原始數據等值圖，中間有許多呈點狀高值或低值分布，經過四次趨勢面分析之後可以清楚地看出三個低值異常區。
計演算法趨勢面分析是選定一個數學函數，對觀測數據進行擬合，給出一個曲線。擬合函數常用的有多項式函數，傅里葉級數，三角函數以及指數函數的多項式函數等。目前以二維多項式函數應用最多。
（三）岩性影響及其校正分析
不同岩石、不同土壤中放射性核素含量是有差別，有的相差還比較大，有的相差甚至超過10%～20%。這是油田放射性測量的主要影響因素。
一個測區可能出現不同土壤分布，把不同放射性水平的土壤上測量結果校正到同一水平（叫歸一化方法）是非常重要的工作，主要有下面三種方法。
1.確定土壤核素含量的歸一化方法
利用γ能譜測量資料，根據測區地質圖或土壤分布圖，分別統計總道的總計數率和鈾、釷、鉀含量的平均值。然後進行逐點校正，即逐點減去同類土壤的平均值，其剩餘值即為異常值。
核輻射場與放射性勘查
式中：分別為第 i類土壤中測點 j的總計數和鈾、釷、鉀含量。分別為i類土壤的平均總計數和鈾、釷、鉀的平均值。分別為扣除各類土壤平均值後的剩餘值，即為各測點不同土壤校正後的歸一化的油田的放射性異常。根據需要可以用來繪制平面剖面圖或等值線圖，即為經過不同岩性（土壤）校正後的油田放射性異常圖。
這個方法的缺點是計算工作量較大。
2.用釷歸一化校正鈾、鉀含量
對自然界各種岩石中的釷、鈾、鉀含量的相關性研究（D.F.Saundr，1987），發現它們的含量具有很好的相關性（表7-2-2）；而且隨岩性不同含量確有相應的增加或減小，據此可以利用釷的含量計算鈾和鉀的含量。釷有很好的化學穩定性，釷在地表環境條件下基本不流失。因此，利用釷含量計算出來的鈾、鉀含量，應當是與油藏存在引起的鈾、鉀
表7-2-2 幾種岩石的釷、鈾、鉀含量
異常無關的正常值。用每點實測的鈾、鉀，減去計算的正常值，那麼每個測點的鈾、鉀剩餘值（差值）應當是油氣藏引起的異常值。這樣就校正了岩性（土壤）變化的影響。
對於航空γ能譜測量的總道計數率，也同樣可以用釷含量（或計數率）歸一化校正總道計數率，效果也非常好。
具體方法如下。
1）對鈾、鉀的歸一化校正。
2）根據航空γ能譜測量或地面γ能譜測量數據，按測線計算鈾、釷、鉀含量。根據岩石（土壤）中釷與鈾，釷與鉀的相關關系（表7-2-1），認為鈾和釷存在線性關系，鉀和釷存在對數線性關系，於是建立相應的擬合關系式。
核輻射場與放射性勘查
式中：A、B、A′、B′為回歸系數（對每個測區得到一組常數）；wi（Th）為測點i實測的釷含量；w點i（U）、w點i（K）為i點由釷含量計算的鈾、鉀含量。
計算每個測點的鈾、鉀剩餘值：
核輻射場與放射性勘查
式中：wi（U）、wi（K）為測點i的實測值。剩餘值Δwi（U）和Δwi（K）為油藏引起的異常值。
南陽-泌陽航空γ能譜測區，測得的釷、鈾、鉀含量，按釷含量分間隔，計算其平均值，列於表7-2-3。根據此表中數據，由（7-2-7）和（7-2-8）式得：
核輻射場與放射性勘查
表7-2-3 南陽-泌陽航空γ能譜計算的釷、鈾、鉀
3）對總道γ計數率的歸一化校正。釷比較穩定，可以認為與油氣藏形成的放射性異常無關。經研究得知，原岩的總道計數率（I點i）與釷含量的對數值存在近似的線性關系，即
核輻射場與放射性勘查
根據γ能譜實測數據求得實測i點的總道計數率（Ii）與I點i的差值：
核輻射場與放射性勘查
即為消除岩性影響的，由油氣藏引起的γ總計數率異常值。
圖7-2-2 釷歸一化校正岩性影響的結果
圖7-2-2為任丘雙河油田，兩條測線（1100線和11010線）。用釷歸一化法，消除岩性影響的結果。油田邊界高值和油田上方低值，除鉀11010線外都比較明顯清晰。與已知油田邊界基本一致。
㈡ 常用的數據分析方法有哪些
常見的數據分析方法有哪些？
1.趨勢分析
當有大量數據時，我們希望更快，更方便地從數據中查找數據信息，這時我們需要使用圖形功能。所謂的圖形功能就是用EXCEl或其他繪圖工具來繪制圖形。
趨勢分析通常用於長期跟蹤核心指標，例如點擊率，GMV和活躍用戶數。通常，只製作一個簡單的數據趨勢圖，但並不是分析數據趨勢圖。它必須像上面一樣。數據具有那些趨勢變化，無論是周期性的，是否存在拐點以及分析背後的原因，還是內部的或外部的。趨勢分析的最佳輸出是比率，有環比，同比和固定基數比。例如，2017年4月的GDP比3月增加了多少，這是環比關系，該環比關系反映了近期趨勢的變化，但具有季節性影響。為了消除季節性因素的影響，引入了同比數據，例如：2017年4月的GDP與2016年4月相比增長了多少，這是同比數據。更好地理解固定基準比率，即固定某個基準點，例如，以2017年1月的數據為基準點，固定基準比率是2017年5月數據與該數據2017年1月之間的比較。
2.對比分析
水平對比度：水平對比度是與自己進行比較。最常見的數據指標是需要與目標值進行比較，以了解我們是否已完成目標；與上個月相比，要了解我們環比的增長情況。
縱向對比：簡單來說，就是與其他對比。我們必須與競爭對手進行比較以了解我們在市場上的份額和地位。
許多人可能會說比較分析聽起來很簡單。讓我舉一個例子。有一個電子商務公司的登錄頁面。昨天的PV是5000。您如何看待此類數據？您不會有任何感覺。如果此簽到頁面的平均PV為10,000，則意味著昨天有一個主要問題。如果簽到頁面的平均PV為2000，則昨天有一個跳躍。數據只能通過比較才有意義。
3.象限分析
根據不同的數據，每個比較對象分為4個象限。如果將IQ和EQ劃分，則可以將其劃分為兩個維度和四個象限，每個人都有自己的象限。一般來說，智商保證一個人的下限，情商提高一個人的上限。
說一個象限分析方法的例子，在實際工作中使用過：通常，p2p產品的注冊用戶由第三方渠道主導。如果您可以根據流量來源的質量和數量劃分四個象限，然後選擇一個固定的時間點，比較每個渠道的流量成本效果，則該質量可以用作保留的總金額的維度為標准。對於高質量和高數量的通道，繼續增加引入高質量和低數量的通道，低質量和低數量的通過，低質量和高數量的嘗試策略和要求，例如象限分析可以讓我們比較和分析時間以獲得非常直觀和快速的結果。
4.交叉分析
比較分析包括水平和垂直比較。如果要同時比較水平和垂直方向，則可以使用交叉分析方法。交叉分析方法是從多個維度交叉顯示數據，並從多個角度執行組合分析。
分析應用程序數據時，通常分為iOS和Android。
交叉分析的主要功能是從多個維度細分數據並找到最相關的維度，以探究數據更改的原因。
㈢ 數據處理方式
什麼是大數據：大數據（big data），指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
大數據的5V特點：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性），網路隨便找找都有。
大數據處理流程：
1.是數據採集,搭建數據倉庫，數據採集就是把數據通過前端埋點，介面日誌調用流數據，資料庫抓取，客戶自己上傳數據，把這些信息基礎數據把各種維度保存起來，感覺有些數據沒用（剛開始做只想著功能，有些數據沒採集， 後來被老大訓了一頓）。
2.數據清洗/預處理：就是把收到數據簡單處理，比如把ip轉換成地址，過濾掉臟數據等。
3.有了數據之後就可以對數據進行加工處理，數據處理的方式很多，總體分為離線處理，實時處理，離線處理就是每天定時處理，常用的有阿里的maxComputer,hive,MapRece,離線處理主要用storm,spark,hadoop,通過一些數據處理框架，可以吧數據計算成各種KPI,在這里需要注意一下，不要只想著功能，主要是把各種數據維度建起來，基本數據做全，還要可復用，後期就可以把各種kpi隨意組合展示出來。
4.數據展現，數據做出來沒用，要可視化，做到MVP，就是快速做出來一個效果，不合適及時調整，這點有點類似於Scrum敏捷開發，數據展示的可以用datav，神策等，前端好的可以忽略，自己來畫頁面。
數據採集：
1.批數據採集，就是每天定時去資料庫抓取數據快照，我們用的maxComputer，可以根據需求，設置每天去資料庫備份一次快照，如何備份，如何設置數據源，如何設置出錯，在maxComputer都有文檔介紹，使用maxComputer需要注冊阿里雲服務
2.實時介面調用數據採集，可以用logHub,dataHub,流數據處理技術,DataHub具有高可用，低延遲，高可擴展，高吞吐的特點。
高吞吐：最高支持單主題（Topic）每日T級別的數據量寫入，每個分片（Shard）支持最高每日8000萬Record級別的寫入量。
實時性：通過DataHub ，您可以實時的收集各種方式生成的數據並進行實時的處理，
設計思路：首先寫一個sdk把公司所有後台服務調用介面調用情況記錄下來，開辟線程池，把記錄下來的數據不停的往dataHub,logHub存儲，前提是設置好接收數據的dataHub表結構
3.前台數據埋點，這些就要根據業務需求來設置了，也是通過流數據傳輸到數據倉庫，如上述第二步。
數據處理：
數據採集完成就可以對數據進行加工處理，可分為離線批處理，實時處理。
1.離線批處理maxComputer，這是阿里提供的一項大數據處理服務，是一種快速，完全託管的TB/PB級數據倉庫解決方案，編寫數據處理腳本，設置任務執行時間，任務執行條件，就可以按照你的要求，每天產生你需要數據
2.實時處理：採用storm/spark,目前接觸的只有storm,strom基本概念網上一大把，在這里講一下大概處理過程，首先設置要讀取得數據源，只要啟動storm就會不停息的讀取數據源。Spout，用來讀取數據。Tuple：一次消息傳遞的基本單元，理解為一組消息就是一個Tuple。stream,用來傳輸流，Tuple的集合。Bolt：接受數據然後執行處理的組件,用戶可以在其中執行自己想要的操作。可以在里邊寫業務邏輯，storm不會保存結果，需要自己寫代碼保存，把這些合並起來就是一個拓撲，總體來說就是把拓撲提交到伺服器啟動後，他會不停讀取數據源，然後通過stream把數據流動，通過自己寫的Bolt代碼進行數據處理，然後保存到任意地方，關於如何安裝部署storm，如何設置數據源，網上都有教程，這里不多說。
數據展現：做了上述那麼多，終於可以直觀的展示了，由於前端技術不行，借用了第三方展示平台datav,datav支持兩種數據讀取模式，第一種，直接讀取資料庫，把你計算好的數據，通過sql查出，需要配置數據源，讀取數據之後按照給定的格式，進行格式化就可以展現出來
@jiaoready @jiaoready 第二種採用介面的形式，可以直接採用api，在數據區域配置為api，填寫介面地址，需要的參數即可，這里就不多說了。
㈣ 數據處理的常用方式
數據分析與處理方法：
採集
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間進行負載均衡和分片的確是需要深入的思考和設計。
統計/分析
統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的大量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些大量數據進行有效的分析，還是應該將這些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
挖掘
與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各種演算法的計算，從而起到預測的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的K-Means、用於統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並且計算涉及的數據量和計算量都很大，還有，常用數據挖掘演算法都以單線程為主。
㈤ 常用數據分析與處理方法
一、漏斗分析法：漏斗分析法能夠科學反映用戶行為狀態，以及從起點到終點各階段用戶轉化率情況，是一種重要的分析模型。漏斗分析模型已經廣泛應用於網站和APP的用戶行為分析中，例如流量監控、CRM系統、SEO優化、產品營銷和銷售等日常數據運營與數據分析工作中
二、留存分析法：留存分析法是一種用來分析用戶參與情況和活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行後續行為。從用戶的角度來說，留存率越高就說明這個產品對用戶的核心需求也把握的越好，轉化成產品的活躍用戶也會更多，最終能幫助公司更好的盈利。
三、分組分析法：分組分析法是根據數據分析對象的特徵，按照一定的標志（指標），把數據分析對象劃分為不同的部分和類型來進行研究，以揭示其內在的聯系和規律性。
四、矩陣分析法：矩陣分析法是指根據事物（如產品、服務等）的兩個重要屬性（指標）作為分析的依據，進行分類關聯分析，找出解決問題的一種分析方法，也稱為矩陣關聯分析法，簡稱矩陣分析法。
㈥ 如何在excel中對數據進行分類並處理
當需要在Excel中對數據進行分類計算時，除了使用
數據透視表
，還可以使用
分類匯總
命令。與數據透視表不同的是，它可以直接在數據區域中插入匯總行，從而可以同時看到數據明細和匯總。下面是分類匯總的使用方法:
在進行分類匯總前，需保證數據具有下列格式，即數據區域的第一行為標題行，數據區域中沒有
空行
和空列，數據區域四周是空行和空列，如下圖是幾種商品在一些城市的銷售數據。另外，如果數據區域在應用分類匯總前已被設置成Excel
2003列表或Excel
2007表，需將其轉換為普通區域。因為對於Excel
2003列表或Excel
2007表無法使用分類匯總。
一、僅對某列進行分類匯總
例如上例中需要對各城市的銷售量進行分類匯總，方法如下:
1.
首先對數據按需要分類匯總的列(本例為「城市」列)進行排序。
選擇「城市」列中的任意單元格，在Excel
2003中單擊工具欄中的排序按鈕如「A→Z」。在Excel
2007中，選擇功能區中「數據」
選項卡
，在「排序和篩選」組中單擊「A→Z」按鈕。
2.
選擇數據區域中的某個單元格，在Excel
2003中單擊菜單「數據→分類匯總」。如果是Excel
2007，則在「數據」選項卡的「分級顯示」組中單擊「分類匯總」。
3.
在彈出的「分類匯總」對話框中，在「分類欄位」下選擇「城市」，在「匯總方式」中選擇某種匯總方式，可供選擇的匯總方式有「求和」、「計數」、「平均值」等，本例中選擇默認的「求和」。在「選定匯總項」下僅選擇「銷售額」。
4.單擊確定，Excel將按城市進行分類匯總。
二、對多列進行分類匯總
如上例中需要同時對「城市」列和「
商品名稱
」列進行分類匯總，可以插入嵌套分類匯總。
1.對數據進行多列排序，即進行多關鍵字排序。
首先選擇數據區域中的某個單元格。
在Excel
2003中，單擊菜單「數據→排序」。彈出「排序」對話框，其中主要關鍵字選擇「城市」，次要關鍵字選擇「商品名稱」，其他選擇默認。
如果是Excel
2007，在「數據」選項卡的「排序和篩選」組中單擊「排序」命令，在彈出的「排序」對話框中，單擊「添加條件」按鈕添加次要關鍵字排序條件，然後主要關鍵字選擇「城市」，次要關鍵字選擇「商品名稱」，其他選擇默認。
2.對「城市」列進行分類匯總(外部分類匯總)。
按上述方法打開「分類匯總」對話框，在「分類欄位」下選擇「城市」，在「匯總方式」中選擇默認的「求和」，在「選定匯總項」下僅選擇「銷售額」。單擊「確定」。
3.對「商品名稱」列進行分類匯總(嵌套分類匯總)。
再次打開「分類匯總」對話框，在「分類欄位」下選擇「商品名稱」，取消選擇「替換當前分類匯總」，單擊「確定」。
這時Excel將按「城市」列和「商品名稱」列對「銷售額」進行分類匯總。
如果不需要顯示明細數據，可以單擊左側的分級顯示符號，如本例中右上角的數字和左側的
減號
來隱藏明細數據。
三、刪除分類匯總
在「分類匯總」對話框中，單擊「全部刪除」即可。
㈦ 數據分析的基本方法有哪些
數據分析的三個常用方法：
1. 數據趨勢分析
趨勢分析一般而言，適用於產品核心指標的長期跟蹤，比如，點擊率，GMV，活躍用戶數等。做出簡單的數據趨勢圖，並不算是趨勢分析，趨勢分析更多的是需要明確數據的變化，以及對變化原因進行分析。
趨勢分析，最好的產出是比值。在趨勢分析的時候需要明確幾個概念：環比，同比，定基比。環比是指，是本期統計數據與上期比較，例如2019年2月份與2019年1月份相比較，環比可以知道最近的變化趨勢，但是會有些季節性差異。為了消除季節差異，於是有了同比的概念，例如2019年2月份和2018年2月份進行比較。定基比更好理解，就是和某個基點進行比較，比如2018年1月作為基點，定基比則為2019年2月和2018年1月進行比較。
比如：2019年2月份某APP月活躍用戶數我2000萬，相比1月份，環比增加2%，相比去年2月份，同比增長20%。趨勢分析另一個核心目的則是對趨勢做出解釋，對於趨勢線中明顯的拐點，發生了什麼事情要給出合理的解釋，無論是外部原因還是內部原因。
2. 數據對比分析
數據的趨勢變化獨立的看，其實很多情況下並不能說明問題，比如如果一個企業盈利增長10%，我們並無法判斷這個企業的好壞，如果這個企業所處行業的其他企業普遍為負增長，則5%很多，如果行業其他企業增長平均為50%，則這是一個很差的數據。
對比分析，就是給孤立的數據一個合理的參考系，否則孤立的數據毫無意義。在此我向大家推薦一個大數據技術交流圈： 658558542 突破技術瓶頸，提升思維能力 。
一般而言，對比的數據是數據的基本面，比如行業的情況，全站的情況等。有的時候，在產品迭代測試的時候，為了增加說服力，會人為的設置對比的基準。也就是A/B test。
比較試驗最關鍵的是A/B兩組只保持單一變數，其他條件保持一致。比如測試首頁改版的效果，就需要保持A/B兩組用戶質量保持相同，上線時間保持相同，來源渠道相同等。只有這樣才能得到比較有說服力的數據。
3. 數據細分分析
在得到一些初步結論的時候，需要進一步地細拆，因為在一些綜合指標的使用過程中，會抹殺一些關鍵的數據細節，而指標本身的變化，也需要分析變化產生的原因。這里的細分一定要進行多維度的細拆。常見的拆分方法包括：
分時 ：不同時間短數據是否有變化。
分渠道 ：不同來源的流量或者產品是否有變化。
分用戶 ：新注冊用戶和老用戶相比是否有差異，高等級用戶和低等級用戶相比是否有差異。
分地區 ：不同地區的數據是否有變化。
組成拆分 ：比如搜索由搜索片語成，可以拆分不同搜索詞;店鋪流量由不用店鋪產生，可以分拆不同的店鋪。
細分分析是一個非常重要的手段，多問一些為什麼，才是得到結論的關鍵，而一步一步拆分，就是在不斷問為什麼的過程。
㈧ 數據處理的常用方法有
1、列表法：是將實驗所獲得的數據用表格的形式進行排列的數據處理方法。列表法的作用有兩種：一是記錄實驗數據，二是能顯示出物理量間的對應關系。
2、圖示法：是用圖象來表示物理規律的一種實驗數據處理方法。一般來講,一個物理規律可以用三種方式來表述:文字表述、解析函數關系表述、圖象表示。
3、圖解法：是在圖示法的基礎上，利用已經作好的圖線，定量地求出待測量或某些參數或經驗公式的方法。
4、逐差法：由於隨機誤差具有抵償性，對於多次測量的結果，常用平均值來估計最佳值，以消除隨機誤差的影響。
5、最小二乘法：通過實驗獲得測量數據後，可確定假定函數關系中的各項系數，這一過程就是求取有關物理量之間關系的經驗公式。從幾何上看，就是要選擇一條曲線，使之與所獲得的實驗數據更好地吻合。
㈨ 數據整理的好方法有哪些
1、整理數據的常用方法有：⑴歸納法: 可應用直方圖、分組法、層別法及統計解析法。⑵演繹法: 可應用要因分析圖、散布圖及相關回歸分析。⑶預防法: 通稱管制圖法，包括Pn管制圖、P管制圖、C管制圖、U管制圖、管制圖、X-Rs管制圖。
2、數據整理是對調查、觀察、實驗等研究活動中所搜集到的資料進行檢驗、歸類編碼和數字編碼的過程。它是數據統計分析的基礎。
3、整理數據的步驟：⑴原始數據之審核。⑵分類項目之確定。⑶施行歸類整理。⑷列表。⑸繪圖。