geo数据库挖掘入门（数据挖掘的入门概念）

本文目录

• 数据挖掘的入门概念
• 请问什么是数据挖掘
• 数据分析和数据挖掘的区别是什么如何做好数据挖掘
• 写给新人数据挖掘基础知识介绍
• 数据挖掘的数据分析方法有哪些
• 沈浩老师谈如何学好数据挖掘（推荐）
• GEO数据挖掘小尝试：（三）利用clusterProfiler进行富集分析
• 什么是数据挖掘数据挖掘怎么做啊

数据挖掘的入门概念

数据挖掘的入门概念
1 数据挖掘
数据挖掘(Data Mining，简称DM)，是指从大量的数据中，挖掘出未知的且有价值的信息和知识的过程。
2 机器学习 与 数据挖掘
与数据挖掘类似的有一个术语叫做”机器学习“，这两个术语在本质上的区别不大，如果在书店分别购买两本讲数据挖掘和机器学习的书籍，书中大部分内容都是互相重复的。具体来说，小的区别如下：
机器学习：更侧重于技术方面和各种算法，一般提到机器学习就会想到语音识别，图像视频识别，机器翻译，无人驾驶等等各种其他的模式识别，甚至于谷歌大脑等AI，这些东西的一个共同点就是极其复杂的算法，所以说机器学习的核心就是各种精妙的算法。
数据挖掘：更偏向于“数据”而非算法，而且包括了很多数据的前期处理，用爬虫爬取数据，然后做数据的清洗，数据的整合，数据有效性检测，数据可视化(画图)等等，最后才是用一些统计的或者机器学习的算法来抽取某些有用的“知识”。前期数据处理的工作比较多。
所以，数据挖掘的范畴要更广泛一些。
3 数据挖掘所覆盖的学科
数据挖掘是一门交叉学科，覆盖了统计学、计算机程序设计、数学与算法、数据库、机器学习、市场营销、数据可视化等领域的理论和实践成果
4 数据挖掘的误区
误区一：算法至上论。认为数据挖据是某些对大量数据操作的算法，这些算法能够自动地发现新的知识。
误区二：技术至上论。认为数据挖据必须需要非常高深的分析技能，需要精通高深的数据挖掘算法，需要熟练程序开发设计。
这两种认知都有一定的偏颇。实际上，数据挖掘本质上是人们处理商业问题的方法，通过适量的数据挖掘来获得有价值的结果，技术在随着大数据时代的来临变得愈发重要，但是最好的数据挖掘工程师往往是那些熟悉和理解业务的人。
5 数据挖掘能解决什么问题
商业上的问题多种多样，例如：
“如何能降低用户流失率?”
“某个用户是否会响应本次营销活动?“
"如何细分现有目标市场?"
“如何制定交叉销售策略以提升销售额?”
“如何预测未来销量?”
从数据挖掘的角度看，都可以转换为五类问题：
分类问题
聚类问题
回归问题
关联分析
推荐系统
5.1 分类问题
简单来说，就是根据已经分好类的一推数据，分析每一类的潜在特征建立分类模型。对于新数据，可以输出新出具属于每一类的概率。
比如主流邮箱都具备的垃圾邮件识别功能：一开始，正常邮件和垃圾邮件都是混合在一起的，如果我们手工去点击哪些是垃圾邮件，逐渐的，垃圾邮件就会自动被识别放到垃圾文件夹。如果我们对于混在正常邮件中的垃圾持续进行判断，系统的识别率就会越来越高。我们人工点击判断，相当于预先分类(两类：垃圾邮件和非垃圾邮件)，系统就会自己学习两类邮件的特征建立模式，对于新邮件，会根据模式判断属于每个类别的可能性。

分类算法示意
5.2 聚类问题
和分类算法是不同概念，但是工作中业务人员经常误用。 聚类的的目的也是把数据分类，但类别并不是预先定义的，算法根据“物以类聚”的原则，判断各条数据之间的相似性，相似的就归为一类。
比如我有十万消费者的信息数据，比如包括性别，年龄，收入，消费等，通过聚类的方法事可以把这些数据分成不同的群，理论上每群用户内都是相似性较高的，就可以覆盖分群用户制定不同的策略

聚类算法示意
5.3 回归问题
回归问题和分类问题有点类似，但是回归问题中的因变量是一个数值，而分类问题，最终输出的因变量是一个类别。简单理解，就是定义一个因变量，在定义若干自变量，找到一个数学公式，描述自变量和因变量之间的关系。
比如，我们要研究房价(Y)，然后收集房子距离市中心的距离(X1)，面积(X2)，收集足够多的房子的数据，就可以建立一个房价和距离、面积的方程式(例如Y=aX1+bX2)，这样给出一个新的距离和面积数据，就可以预测这个房子的价格。

回归问题示意
5.4 关联分析
关联分析主要就是指”购物篮分析“，很有名气案例是【啤酒与尿布】的故事，”据说“这是一个真实的案例：沃尔玛在分析销售记录时，发现啤酒和尿布经常一起被购买，于是他们调整了货架，把两者放在一起，结果真的提升了啤酒的销量。后来还分析背后的原因，说是因为爸爸在给宝宝买尿布的时候，会顺便给自己买点啤酒……
所以，关联分析就是基于数据识别产品之间潜在的关联，识别有可能频繁发生的模式。
5.5 推荐系统
利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。也就是平时我们在浏览电商网站、视频网站、新闻App中的"猜你喜欢"、“其他人也购买了XXX”等类似的功能。
5.6 数据挖掘的工作流程
数据挖掘的通用流程叫做CRISP-DM(Cross Industry Standard Process-Data Mining)数据挖掘方法论。

CRISP-DM
6.1 商业理解
商业理解阶段主要完成对商业问题的界定，以及对企业内外部资源进行评估与组织，最终确定将企业的商业目标转化为数据挖掘目标，并制定项目的方案
6.2 数据理解
了解企业目前数据现状，提出数据需求，并尽可能多的收集数据。通过初步的数据探索，快速了解数据的质量
6.3 数据准备
在建立数据挖掘模型之前对数据做最后的准备工作，主要是把收集到的各部分数据关联起来，形成一张最终数据宽表。这个阶段其实是耗时最长的阶段，一般会占据整个数据挖掘项目的70%左右的时间，包括数据导入、数据抽取、数据清洗、数据合并、新变量计算等工作。
6.4 模型构建
模型构建是数据挖掘工作的核心阶段。主要包括准备模型的训练集和验证集，选择并使用适当的建模技术和算法，模型建立，模型效果对比等工作
6.5 模型评估
模型评估主要从两个方面进行评价：
1)技术层面：
- 设计对照组进行比较。
- 根据常用的模型评估指标进行评价，如命中率、覆盖率、提升度等
2)业务经验：业务专家凭借业务经验对数据挖掘结果进行评估
6.6 模型部署
将数据挖掘成果程序化，将模型写成存储过程固化到IT平台上，并持续观察模型衰退变化，在发生模型衰退时，引入新的变量进行模型优化。

请问什么是数据挖掘

数据挖掘是从大量的、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。

数据挖掘流程：

• 定义问题：清晰地定义出业务问题，确定数据挖掘的目的。

• 数据准备：数据准备包括：选择数据–在大型数据库和数据仓库目标中 提取数据挖掘的目标数据集;数据预处理–进行数据再加工，包括检查数据的完整性及数据的一致性、去噪声，填补丢失的域，删除无效数据等。

• 数据挖掘：根据数据功能的类型和和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。

• 结果分析：对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。

数据分析和数据挖掘的区别是什么如何做好数据挖掘

简单来讲，数据挖掘，就是把数据找出来，数据分析呢，就是针对挖掘出来的数据进行处理。数据中台是集数据挖掘和数据分析、数据呈现为一体，打破了传统的数仓还有数据中心，并且在数仓模型的设计上也是一脉传承，之所以我们现在处处推崇数据中台建设及应用，一个是因为数据中台确实有过人之处，另一个是这套模型在阿里体现了巨大的应用价值。数据中台策略中的几个过人之处。
第一，数据汇聚，承上启下
数据中台策略的基本理念是，将所有的数据汇聚到数据中台，以后的每个数据应用（无论是指标和分析类的，还是画像类和大数据类的）统统从数据中台获取数据，如果数据中台没有，那么数据中台就负责把数据找来，如果数据中台找不来，就说明当前真没有这个数据，数据应用也就无从展开。相对而言，数据中台策略中更加强调数据的“全”以及数据中台组织与数据应用组织之间的协作关系，从设计、组织、建设、流程角度保障了模式的落地。
第二，纵观大局，推动全局
数据业务在企业中应当是一个完整业务，是一个亟需提高定位的业务，是企业的战略业务。所以数据中台策略应当对应企业的数据战略，并提供更有力的支撑，而不是仅仅停留在是把数据找到，把数据清洗了，把数据算出来。
第三、技术升级、应用便捷
目前业内比较典型的就是阿里云数加平台，数加平台基本让数据开发者能够像使用传统数据库一样的使用大数据平台了，所有操作方式都是通过可视化界面进行，大部分的开发都是通过SQL语句来实现。数据中台在与数加产品功能对比上不分伯仲，同时又基于私有云大数据应用的特点定制开发了诸多功能以及数据治理模块用以推动企业整体数据化进程。

写给新人数据挖掘基础知识介绍

写给新人数据挖掘基础知识介绍

对企业来，堆积如山的数据无异于一个巨大的宝库。但是如何利用新一代的计算技术和工具来开采数据库中蕴藏的宝藏呢？
在市场需求和技术基础这两个因素都具备的环境下，数据挖掘技术的概念和技术就应运而生了。
基本概念数据挖掘(Data Mining)旨在从大量的、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。
还有很多和这一术语相近似的术语,如从数据库中发现知识(KDD)、数据分析、数据融合(Data Fusion)以及决策支持等。
基本任务数据挖掘的任务主要是关联分析、聚类分析、分类、预测、时序模式和偏差分析等。
1、关联分析 association analysis　　关联规则挖掘由Rakesh Apwal等人首先提出。两个或两个以上变量的取值之间存在的规律性称为关联。数据关联是数据库中存在的一类重要的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。一般用支持度和可信度两个阀值来度量关联规则的相关性，还不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。
2、聚类分析 clustering聚类是把数据按照相似性归纳成若干类别，同一类中的数据彼此相似，不同类中的数据相异。聚 类分析可以建立宏观的概念，发现数据的分布模式，以及可能的数据属性之间的相互关系。
3、分类 classification分类就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这 种描述来构造模型，一般用规则或决策树模式表示。分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。
4、预测 predication预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。 预测关心的是精度和不确定性，通常用预测方差来度量。
5、时序模式 time-series pattern时序模式是指通过时间序列搜索出的重复发生概率较高的模式。与回归一样，它也是用己知的数据预测未来的值，但这些数据的区别是变量所处时间的不同。
6、偏差分析 deviation在偏差中包括很多有用的知识，数据库中的数据存在很多异常情况，发现数据库中数据存在的异常情况是非常重要的。偏差检验的基本方法就是寻找观察结果与参照之间的差别。
基本技术1、统计学统计学虽然是一门“古老的”学科，但它依然是最基本的数据挖掘技术，特别是多元统计分析，如判别分析、主成分分析、因子分析、相关分析、多元回归分析等。
2、聚类分析和模式识别聚类分析主要是根据事物的特征对其进行聚类或分类，即所谓物以类聚，以期从中发现规律和典型模式。这类技术是数据挖掘的最重要的技术之一。除传统的基于多元统计分析的聚类方法外，近些年来模糊聚类和神经网络聚类方法也有了长足的发展。
3、决策树分类技术决策树分类是根据不同的重要特征，以树型结构表示分类或决策集合，从而产生规则和发现规律。
4、人工神经网络和遗传基因算法人工神经网络是一个迅速发展的前沿研究领域，对计算机科学 人工智能、认知科学以及信息技术等产生了重要而深远的影响，而它在数据挖掘中也扮演着非常重要的角色。人工神经网络可通过示例学习，形成描述复杂非线性系统的非线性函数，这实际上是得到了客观规律的定量描述，有了这个基础，预测的难题就会迎刃而解。目前在数据挖掘中，最常使用的两种神经网络是BP网络和RBF网络 不过，由于人工神经网络还是一个新兴学科，一些重要的理论问题尚未解决。
5、规则归纳规则归纳相对来讲是数据挖掘特有的技术。它指的是在大型数据库或数据仓库中搜索和挖掘以往不知道的规则和规律，这大致包括以下几种形式：IF … THEN …
6、可视化技术可视化技术是数据挖掘不可忽视的辅助技术。数据挖掘通常会涉及较复杂的数学方法和信息技术，为了方便用户理解和使用这类技术，必须借助图形、图象、动画等手段形象地指导操作、引导挖掘和表达结果等，否则很难推广普及数据挖掘技术。
实施步骤
数据挖掘的过程可以分为6个步骤：1) 理解业务：从商业的角度理解项目目标和需求，将其转换成一种数据挖掘的问题定义，设计出达到目标的一个初步计划。2) 理解数据：收集初步的数据，进行各种熟悉数据的活动。包括数据描述，数据探索和数据质量验证等。3) 准备数据：将最初的原始数据构造成最终适合建模工具处理的数据集。包括表、记录和属性的选择，数据转换和数据清理等。4) 建模：选择和应用各种建模技术，并对其参数进行优化。5) 模型评估：对模型进行较为彻底的评价，并检查构建模型的每个步骤，确认其是否真正实现了预定的商业目的。6) 模型部署：创建完模型并不意味着项目的结束，即使模型的目的是为了增进对数据的了解，所获得的知识也要用一种用户可以使用的方式来组织和表示。通常要将活动模型应用到决策制订的过程中去。该阶段可以简单到只生成一份报告，也可以复杂到在企业内实施一个可重复的数据挖掘过程。控制得到普遍承认。
应用现状人工智能研究领域的科学家普遍认为，下一个人工智能应用的重要课题之一，将是以机器学习算法为主要工具的大规模的数据库知识发现。尽管数据挖掘还是一个很新的研究课题，但它所固有的为企业创造巨大经济效益的潜力，已使其很快有了许多成功的应用，具有代表性的应用领域有市场预测、投资、制造业、银行、通讯等。
英国广播公司(BBC)也应用数据挖掘技术来预测电视收视率，以便合理安排电视节目时刻表。信用卡公司Alllelicall KxT,ress自采用数据挖掘技术后，信用卡使用率增加了10％ 一15％。AT&T公司赁借数据挖掘技术技术侦探国际电话欺诈行为，可以尽快发现国际电话使用中的不正常现象。
数据挖掘是一个新兴的边缘学科，它汇集了来自机器学习、模式识别、数据库、统计学、人工智能以及管理信息系统等各学科的成果。多学科的相互交融和相互促进，使得这一新学科得以蓬勃发展，而且已初具规模。

以上是小编为大家分享的关于写给新人数据挖掘基础知识介绍的相关内容，更多信息可以关注环球青藤分享更多干货

数据挖掘的数据分析方法有哪些

利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等，它们分别从不同的角度对数据进行挖掘。
①分类。分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。
它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。
②回归分析。回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。
它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。
③聚类。聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。
它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。
④关联规则。关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。
在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。
⑤特征。特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。
⑥变化和偏差分析。偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。
⑦Web页挖掘。随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。
数据挖掘是一种决策支持过程，它通过高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。这对于一个企业的发展十分重要。

沈浩老师谈如何学好数据挖掘（推荐）

其实，每个人都有自己的学习路径，还有自己的知识结构和期望的职业生涯，要得到一个统一的答案是困难的！
什么是解决问题：就是在明确实际情况和期望情况之间的差异后，为消除这种差异所采取的行动！在解决具体问题时，要先明确分类问题、差异问题，最后我们才能谈论共性！ 我期望解答这个朋友问题可能具有共性，放在博客中，一些见解仅供大家参考：沈浩老师： 您好！不知道您还记得我不，我是电信的一名新入职员工，在过年前给您写过一封E-mail.我期望自己能够在企业内从事跟数据挖掘的工作，期望通过数据挖掘这个工具来挖掘用户深层次的需求和研究用户的使用习惯及消费特点。 我在网上查阅过一些从事数据挖掘的专家的博客，有人提到如果在企业内从事数据挖掘方面的应用工作，需要掌握相关的数理统计知识，懂得使用相关软件就可以了，请问是这样的吗？还需要掌握数据仓库和程序算法方面的知识吗？因为我从本科到研究生都是学习管理方向的，数学方面的基础相对薄弱，因此想请您指教一下。 另外，如果我要入门，从哪个方面入手比较好呢？有什么合适的参考书吗？请你不吝赐教。
沈浩的回答： 抱歉，事情太多，如果不追着就忘了！我认为你作为企业员工对数据挖掘感兴趣，最主要的就是从应用和解决问题开始，所以我想把数据挖掘这个狭义定义的内容改成你应该对数据分析感兴趣，数据挖掘只是数据分析的一个重要工具和解决方法之一！
数量统计知识方面：我认为统计思想是数学在实践中最重要的体现，但对于实际工作者最重要的是掌握统计思想，其实统计理论非常复杂，但实际应用往往是比较简单的！比如，很多人都在大学学了假设检验，但实际应用中假设就是看P值是否小于0.05，但是H0是什么？拒绝还是接受的是什么现实问题；要理解！ 掌握软件问题：从软件角度学，是非常好的思路，我基本上就是这样学的。我常说编软件的人最懂理论，否则编不出来，编软件的人最知道应用，否则软件买不出去；现在软件越来越友好，把软件自带案例做一遍，你会自觉不自觉的掌握软件解决问题的思路和能解决的问题类型； 数据仓库问题：OLAP和数据挖掘是数据仓库建立基础上的两个增值应用，从企业整体角度，数据挖掘应该建立在企业数据仓库完备的基础上。所以说数据仓库是针对企业级数据挖掘应用提出的，但我们应该记住，企业从来不是为了数据挖掘建立数据仓库，而是因为有了数据仓库后必然会提出数据挖掘的需求！现在随着数据挖掘软件的工具智能化，以及数据仓库和ETL工具的接口友好，对数据库层面的要求越来越少； 数学不好可能反应了一个人思考问题的方式或深入理解问题的能力，但数学不是工具是脑具，不断解决问题的过程可以让我们思考问题更数学化！
沈浩老师建议：不急，一步一步来！先把本职工作中的数据分析问题理解了，干好了！ 熟练玩好Excel软件工具，这个可以看《Excel高级应用与数据分析》我写的书，当然有很多Excel论坛和网站，从我的博客就可以连接到。 学习好统计分析方法，我不是单指统计原理，而是统计分析方法，比如回归分析，因子分析等，不断进入统计分析解决问题的思考方式；这个可以看看SPSS软件方面的书和数据案例，通过软件学习解决数据分析的统计问题，这方面的书很多，当然你也可以关注我的博客，不断增加统计分析方法解决数据分析问题的思路，自己对照着完成！ 在上述问题有了比较好的理解后，也就是你应该算是一个数据分析能手的时候，开始进入数据挖掘领域，你会发现用数据挖掘思想解决问题具有智能化、自动化的优势，接下来，你需要考虑数据建模的过程，通过学习Clementine软件或SAS的挖掘工具，不断理解数据挖掘与原来的数据分析工具有什么不同或优势！ 当前面都是了解并且能够得心应手后，你就要有针对性的掌握你工作所在行业的问题，例如：电信行业的解决方案问题：客户流失、客户价值、客户离网、客户保持、客户响应、客户交叉销售等商业模型，同时与数据分析和数据挖掘统一在一起的解决方案！接下来，你应该掌握数据库的一些原理和操作，特别是SQL语言的方式你到了这个阶段，就应该有全面解决问题的能力，比如挖掘出来的知识或商业规则如何推送到营销平台上等等 梳理自己的知识结构，不仅会操作，现在你应该成为专家了，要能够宣扬你的知识能力和领导力，当然也要表明你在数据挖掘领域的专业特长 要经常帮助同事和行业朋友，比如帮助解决数据分析问题，帮助咨询，甚至给大家讲课，这对你的知识梳理和能力的提高非常重要，你的自信心会更强！有兴趣，可以建立一个博客或什么，不断写点东西，经常思考和总结结交广泛的朋友！关于入门的教材：互联网，其实不用买什么书网络基本都有；要有好的搜索能力，当然包括搜各种软件！

GEO数据挖掘小尝试：（三）利用clusterProfiler进行富集分析

安装clusterProfiler：

对于没有转换的gene ID，clusterProfiler也提供了 bitr 方法进行转换ID：

可以看到，这里转换ID的对应文件来源于"org.Hs.eg.db"这个包。

在开始富集分析之前先看看GO和KEGG富集分析的方法以及参数：

导入数据，这是一个整合数据，在这里我们要用到的只是entrez ID列和最后一列（logFC）：

由于clusterProfiler富集分析推荐的输入文件是Entrez ID，因此这里提取的是Entrez ID，接下来就可以进行富集分析了：

KEGG通路富集函数用法与GO富集分析方法类似：

我们继续使用上面的数据进行KEGG富集分析：

这里使用clusterProfiler里面的 GSEA 函数进行GSEA富集分析，并与使用超几何分布富集（ enricher 函数）的结果进行简单比较， enricher 函数与 GSEA 函数用法基本相同，因此这里只给出 GSEA 的用法及参数。

在进行富集分析之前需要对数据做一个预处理——排序。

这里使用的是broad GSEA提供的gene sets 来提供TERM2GENE：

万事俱备，只欠东风。现在可以开始分析了，先进行超几何分布的富集分析：

再做GSEA富集分析，在此之前需要对输入gene list做一下处理，包括三步：

输入文件准备好了尽可以进行GSEA富集分析了：

不要问我为什么要pvalueCutoff设置0.8，因为一直调大到0.8才富集到结果。。。可见数据应该是有问题的，但这里作为一个实践就不管那么多了。
而且，clusterProfiler还支持GSEA的GO、KEGG富集。

顺便再利用上面处理好的glist进行一下KEGG富集到的某一条通路的可视化：

上面的命令会在当前目录生成3个文件：一个原始KEGG通路图片，一个标注了上下调基因的，最后一个文本文件则是一些KEGG通路信息。

参考：
clusProfiler命令参考手册
GSEA的分析汇总
Statistical analysis and visualization of functional profiles for genes and gene clusters
GSEA分析是个什么鬼？(上)
GSEA是个什么鬼?(下)

什么是数据挖掘数据挖掘怎么做啊

数据挖掘（Data Mining）是指通过大量数据集进行分类的自动化过程，以通过数据分析来识别趋势和模式，建立关系来解决业务问题。换句话说，数据挖掘是从大量的、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。

原则上讲，数据挖掘可以应用于任何类型的信息存储库及瞬态数据（如数据流），如数据库、数据仓库、数据集市、事务数据库、空间数据库（如地图等）、工程设计数据（如建筑设计等）、多媒体数据（文本、图像、视频、音频）、网络、数据流、时间序列数据库等。也正因如此，数据挖掘存在以下特点：

（1）数据集大且不完整
数据挖掘所需要的数据集是很大的，只有数据集越大，得到的规律才能越贴近于正确的实际的规律，结果也才越准确。除此以外，数据往往都是不完整的。
（2）不准确性
数据挖掘存在不准确性，主要是由噪声数据造成的。比如在商业中用户可能会提供假数据；在工厂环境中，正常的数据往往会收到电磁或者是辐射干扰，而出现超出正常值的情况。这些不正常的绝对不可能出现的数据，就叫做噪声，它们会导致数据挖掘存在不准确性。
（3）模糊的和随机的
数据挖掘是模糊的和随机的。这里的模糊可以和不准确性相关联。由于数据不准确导致只能在大体上对数据进行一个整体的观察，或者由于涉及到隐私信息无法获知到具体的一些内容，这个时候如果想要做相关的分析操作，就只能在大体上做一些分析，无法精确进行判断。
而数据的随机性有两个解释，一个是获取的数据随机；我们无法得知用户填写的到底是什么内容。第二个是分析结果随机。数据交给机器进行判断和学习，那么一切的操作都属于是灰箱操作。