在为任何应用程序使用数据集之前，一个基本要求是了解手头的数据集及其元数据。发现给定数据集的元数据的过程称为“数据分析”，它包含大量的方法来检查数据集并生成元数据。数据挖掘是一个广泛的概念，它采用了广泛的方法和技术来处理大量的问题集。数据挖掘可以简单地称为知识发现，即从可用数据中收集模式。两者之间不存在明确、明确的区别。

什么是数据挖掘(data mining)？

数据挖掘是一个在大型数据集中识别模式和相关性以获取更多有用知识的过程。这些有意义的知识可以输入到商业智能的更一般的领域。对于商业、科学和工程的几乎所有领域来说，理解大型、复杂数据集的需求都是共同的。应用计算机方法（包括新技术）提取隐藏在数据中的有用信息的整个过程称为数据挖掘。它只是评估大量原始数据并将其转换为信息。数据挖掘是在大型数据集中寻找新的、有价值的、非平凡的知识，然后利用这些信息来发现这些数据集中的关系和隐藏的模式。简单地说，数据挖掘就是从数据中挖掘知识。

什么是数据分析(data profiling)？

数据分析是从现有数据集中分析原始数据的过程，目的是收集有关数据的统计数据或信息摘要。它指的是一组活动，设计用于在给定数据集的元数据不可用时确定元数据，并在元数据在数据集中可用时验证元数据。这些元数据（例如关于数据或列之间的依赖关系的统计信息）可以帮助理解和管理新的数据集。有些数据分析可以应用于任何数据类型，而有些是特定于类型的。这与数据分析有很大不同，后者更倾向于从数据中获取业务信息。数据分析用于获取有关数据本身的信息，并评估数据的质量，以便发现数据集中的异常情况。此外，它还有助于理解和准备数据，以便进行后续的清理、集成和分析。

数据挖掘与数据分析的区别

定义

–数据挖掘是一个识别原始数据中存在的模式和相关性，并在其问题域中解释这些模式以将其转化为有用信息和知识的过程。这些有意义的知识可以输入到商业智能的更一般的领域。另一方面，数据分析是从现有数据集中分析数据以确定数据的实际内容、结构和质量的过程。数据分析是一个从数据中学习的过程。

过程

–数据分析采用一系列活动，包括发现和分析技术来收集有关数据的统计数据或信息性摘要，然后业务分析师可以对这些数据进行分析，以确定数据是否符合业务意图。它有助于理解和准备数据，以便进行后续的清理、集成和分析。另一方面，数据挖掘可以分为两类：预测性数据挖掘，它使用数据集中的一些变量来预测其他感兴趣的变量的未知值或未来值；描述性数据挖掘，它侧重于根据可用的数据集生成新的、非平凡的信息。

目的

–数据挖掘的目的是挖掘数据以获取可操作的信息。它涉及到有效的数据收集和处理，并利用复杂的数学算法对数据进行分割和预测未来趋势，以便将其应用于更广泛的商业智能领域。数据分析的目的是获取有关数据的信息并评估数据的质量，以便发现数据集中的异常。目标是创建一个关于数据的准确信息的知识库。有时需要在关键数据存储上重复该过程，以确保信息保持准确。

数据挖掘与数据分析：比较图

总结

很明显，数据挖掘的一些技术可以用于数据分析。数据分析用于收集有关数据的统计数据或信息性摘要，而数据挖掘有助于识别大型数据集中的特定数据模式。数据分析收集技术元数据以支持数据管理，而数据挖掘则发现不明显的结果以支持具有新的可操作见解的业务管理。数据挖掘是一个相当宽泛的概念，它基于这样一个事实：几乎每个领域都需要分析大量的数据，数据分析为这种分析增加了价值。