以下是一些常見的深入的數據分析方法：

1、描述性統計分析

中心位置測度：通過計算均值、中位數和眾數來描述數據的集中趨勢，例如了解公司員工薪資的總體水平、中間位置的薪資值以及出現頻率最高的薪資金額。

離散程度測度：利用標準差、方差等指標來衡量數據的分散或離散程度，比如電商平臺某商品銷量的波動范圍。

數據分布形態：分析數據的分布形狀，包括正態分布、偏態分布、峰態等，以概括數據集的整體結構。

頻數和頻率：統計數據集中各個數值或范圍出現的次數及其在整體中所占的比例。

描述性圖表：使用直方圖、箱線圖、散點圖等可視化手段展示數據的分布和規律，使人們更容易理解數據。

2、探索性數據分析(EDA)

可視化數據：繪制直方圖、散點圖、箱線圖等圖表，直觀展示數據的分布、關系和形態。

統計描述：運用均值、中位數、標準差等統計學描述性統計量，對數據的中心趨勢和分散程度進行描述。

相關性分析：計算變量之間的相關系數或繪制相關矩陣，揭示變量之間的關系。

分布形態分析：判斷數據的分布形態，為后續建模選擇適當的統計方法提供參考。

3、假設檢驗和推論統計學

參數估計：利用樣本數據估計總體參數的值，包括點估計和區間估計。點估計給出單一值作為總體參數的估計，而區間估計則提供參數估計的區間，表示對總體參數的不確定性。

假設檢驗：基于樣本數據，通過對比觀察到的統計值與在零假設下的理論期望值之間的差異，來評估是否可以拒絕零假設。

4、回歸分析

簡單線性回歸：只有一個自變量時的回歸分析，用于研究因變量與一個自變量之間的線性關系。

多元線性回歸：當存在多個自變量時的回歸分析，可揭示多個自變量的變化如何影響因變量的變化。

邏輯回歸：用于分析和預測具有類別性質的因變量，例如根據用戶的年齡、性別、消費頻率等因素預測其是否會購買某產品。

5、聚類分析

劃分聚類：將數據集劃分為不重疊的子集或簇，使得同一簇內的數據點相似度高，而不同簇間的數據點相似度低。

層次聚類：按照一定的規則逐步合并或分裂數據對象，形成樹形的聚類結構。

密度聚類：基于數據點的密度進行聚類，將密度相連的數據點劃分為同一個簇。

6、時間序列分析

趨勢分析：識別和描述數據中的長期趨勢，判斷數據是逐漸增長、減少還是保持穩定。

季節性分析：探究數據中是否存在按照季節重復出現的模式，有助于理解數據在一年內的周期性波動。

周期性分析：關注長期重復出現的模式，但這些模式的周期可能不是固定的一年。

噪聲分析：考察時間序列中的隨機波動，以確定是否存在無法預測的隨機變動。

預測和模型建立：基于已有的時間序列數據，建立數學模型，用來預測未來的觀測值。

7、空間數據分析

地理信息系統 (GIS)：集成空間數據分析和可視化的工具，允許用戶收集、存儲、分析和展示地理空間數據，支持地圖制圖和決策制定。

地統計學(Geostatistics)：關注對地理空間中的現象進行統計分析，包括空間插值和變異性分析等。

地理數據挖掘：從空間數據中發現隱藏的模式和知識。

空間模型：利用統計學和機器學習方法，建立空間數據的預測和分類模型，例如空間回歸模型、地理加權回歸等。

總的來說，深入的數據分析方法涵蓋了描述性統計分析、探索性數據分析、假設檢驗和推論統計學等多種技術手段。這些方法各具特點且相互補充，共同構成了數據分析的完整體系。