这篇文章是整个专栏的引言部分，我将从数据分析过程的基本要素组成、各要素具备技能分析和专栏章节安排三个方面来展开接下来的论述。
一、数据分析过程的基本要素组成
由上图可知，进行数据分析的的基本流程是“确认需求-数据收集-分析、建模-数据可视化及结论”组成。
（一）确认需求和数据选择
在进行数据分析时先要明确进行这项工作的目的是什么，这是进行数据选取和分析方法选择的前提。例如，无人机遥感大热，将其运用于农田缺水感知的研究已开展许多年，目前有结论指出多光谱归一化遥感植被指数（NDVI）越大作物越不缺水。那么我们回顾一下是如何从确认需求到得出结论的：（1）无人机有监测面积大，适合于大面积作业场景，（2）研究证明大面积种植农场效益更优，（3）有人提出设想，能否将无人机用于农田作物管理，（4）无人机感知手段有光谱、微波等，而能直观反应作物缺水的指数有土壤相对含水率、叶面积指数、气孔导度等等（数据选择），（5）确定研究课题，将遥感光谱和作物缺水联系起来（确认需求），（6）直观的光谱图像是无法反应作物水分状况的，需要建立光谱反射率同直观反应作物缺水的指数的联系（数据选择），（7）通过相关性、聚类等分析最终得出结论（数据分析）。
相同的道理，我们可以在换个思维方式，例如，某种消费现象已经发生（有益的），如果我们想让它再次发生（确认需求），就得对消费者的各项行为数据进行分析（数据分析），最终通过企业引导等手段增加行为发生的概率，达到目的。
这样的例子还有很多，就不一一举例了。
（二）数据收集
数据获取的方式有很多种，一种是利用一种装置，将来自各种数据源的数据自动收集到一个装置中。被采集数据是已被转换为电讯号的各种物理量，如温度、水位、风速、压力等，可以是模拟量，也可以是数字量。另一种是借助网络平台优势，利用一些平台的公开数据或者爬取一些数据（爬虫需谨慎，看清楚能不能爬，别瞎爬）。本专栏所有案例获取的数据全部保存在云数据库，之后会单独写一篇云数据库使用的教程，以及如何用python选取云库的数据。
当获取到数据后，需要对数据进行清洗，清洗对象就是我们平时所遇到的异常值，比如，缺失值、重复值、字符串等，最终将其剔除或者转换为不影响最终结果的数值，然后将数据保存。
（三）分析、建模
分析建模的目的是将杂乱无章的数据整合、提取特征、找规律，得到简单的可以代表某种特征的数据。本专栏将通过案例分析的方式将部分机器学习算法整理出来，和大家共同学习，更好的去掌握这些算法。（线性回归、逻辑分析、线性判别分析、分类和回归树、朴素贝叶斯、KNN、Kmeans、SVM）
（四）数据可视化及结论
数据可视化可以将结果更加直观的展示，忘记从哪看到的这么一句话“数据可视化并不是简单的把数据变成图表。而是以数据为视角，看待世界。以数据为工具，以可视化为手段，目的是描述真实，探索世界。”可视化将抽象的客观世界具体的展现在人们面前，是人与这个世界的桥梁，因此，本专栏会利用python（有时间把R也用一下）和大家讨论一些可视化的方法，以及各类图的绘制。
二、各要素所需技能介绍
（一）数据存放调用所用到SQL语句
接下来我将介绍一些常用的SQL语句（没错，就是在这介绍，基本的数据库操作并没有多难，掌握基础语句即可（不够希望大家给我补充），后面在对SQL使用进行深化，以及如何用python操作数据库）
创建数据库
CREATE DATABASE 数据库名字
打开数据库
USE 数据库名字
查看数据数据库
#查看所有数据库
SHOW DATABASES
#查看当前打开的数据库
SELECT DATABASE()
删除数据库
DROP DATABASES 数据库名字
在数据库中创建数据表，根据具体数据类型，选择相应数据长度
CREATE TABLE 表名称
(
列名称1 数据类型,
列名称2 数据类型,
列名称3 数据类型,
....
)
#查看数据表
SHOW 表名称 FROM 库名称
#查看数据表结构
SHOW COLUMNS FROM 库名称
向数据表中写入记录
INSERT 表名称(列名称1, 列名称2, 列名称3) VALUES(值1,值2, 值3);
删除记录的数据
DELETE FROM 表名 WHERE 列名 = 值
更新记录的数据
UPDATE 表名称 SET 列名称 = 新值 WHERE 列名称 =值
添加、修改或删除列
ALTER TABLE 表名
#加列
ADD 列名 数据类型
#删除列
DROP COLUMN 列名
（二)数据处理
数据处理我依旧使用了python，这方面资料比较多，我不多说了，如有需要后续我会将链接放上来。
（三）分析、构建模型和数据可视化（本专栏的重点）
本专栏所有模型和可视化工具皆使用python编写，回在后面的案例分析提供源代码。此外，无python基础也无所谓，我会在代码讲解时附带讲解一些基础的python语句。
三、章节安排
