1.对于属性值数据
可以用柱状图分析属性类别的数目等信息，以及行频率，列频率进行分析，以及饼状图，族形柱状图与结构柱状图（分组的柱形图和堆叠的柱形图）
2. 对于数值型数据，
1）首先通过直方图观察数据分布，是单峰，双峰还是均匀分布，左偏还是右偏，还是对称的，
2）然后分析中心趋势（中位数和均值）和离散趋势（四分位差，标准差，极差），通常，有偏分布，分析中位数和四分位差，对称分布，分析均值和标准差，注意，对于单峰分布，其四分位数差通常比标准差要大，若不是这样，需要重新检查数据分布是不是无偏的，有没有异常值存在。
3）细致讨论其他不常见的特征
对于多峰分布，需要分析出出现的原因，找到原因后，最好再数据分组进行分析；
需要指出明显的异常值。先对数据计算均值和标准差，然后对剔除异常值后的数据计算均值以及标准差，对他们的差别进行比较说明。异常值的存在对中位数和四分分位数差基本上没什么影响。
（均值与中位数相差不大，说明异常值影响不大；对多峰的数据，最好把他们区分开，然后分别进行描述）
3.利用直方图进行分组比较
比如对数据分成春夏和秋冬，然后比较两组的离散趋势，中心趋势，数值分布等
4.利用箱线图进行分组比较
比如，对每个月进行箱线图的展示，能够便于比较各组之间的数据分布的比较
5.异常值分析比较
从箱线图中，我们很容易发现数据中的异常值，此时应该与直方图联合起来观察，当我们考虑某个数值是否异常的时候，通常的做法是观察比较该数值与其他数据之间是否存在距离，若距离较大，说明该数值确实不同于其他数据，但有的时候也确实存在这种情况，需要具体情况具体分析。
当识别出异常值之后，需要我们做具体的核实与甄别，或者由于登记性错误，比如小数点位置，不正确的换算，计量单位标错了等，此时需要认为改正；对于不是由于工作错误而出现的异常值，我们需要进一步了解分析，找相关背景等去证实，比如某天的风速特别大，通过查阅相关记录，那天的风速天气确实很不好。
对于分析出来的异常值（非人为因素的异常值），我们应该从两种情形进行分析，一是对于存在异常值的数据；二是对不包括异常值剩下的数据进行描述分析，建模等。进行对比。
6.数据变换
a.降低数据的偏斜程度
是指，对于有偏的数据，直接用中心趋势和离散趋势测算方法对其描述有些不合适，此时需要使用数据变换，使得有偏数据不那么偏斜，如使用平方根或者对数。
通常，对于右偏分布的变量，通过平方根，对数，倒数变换，通常能够改变分布的右偏程度；
对于左偏分布的变量，如果实施平方处理，也许能够将其转成对称分布。
7.散点图
散点图是考察两个数量变量之间关系的最有效的办法。而变量之间的关系是我们想从数据中了解的核心内容之一。
看到散点图，首先关心的是方向，散点从左上方向右下散布，这是负相关，散点由左下方向右上方散布，这是正相关，除此之外，为不相关。
然后，关注散点图反映出来的相关类型，若为直线关系，绘制的散点图中的点将呈直线状持续散布。
然后，关注散点图显示出来的相关程度。有两种比较极端的情形：意识散点图中的点比较紧密地呈单一流线状，这是高度的相关关系二是散点像一团乌云，看不出任何趋势和规则，这是不相关关系，处于两者中间的，叫做一般相关关系。
最后，观察散点图中是否存在异常点，出现一些离开的点，因此，需要我们思考这些点为什么会离开，是否需要分组处理。
8.相关系数
注意使用相关系数时候，首先要观测是不是数量变量，然后观测是不是线性关系（只有线性关系才能计算他们的相关系数，对于非线性观念西不适用），最后观测有没有异常值出现，异常值会歪曲相关系数的结果。
9.残差图
可以利用残差图对结果进行分析，可以使用残差的散点图和直方图，可以观测到哪些数据预测比实际高，哪些预测比实际低，并分析原因，然后可以进行分组建立回归模型