这个想法是通过绘制直方图并计算平均值等来了解每个变量的“样子”。 上图显示了我们数据上的单变量分析示例。在每个面板中，我们绘制了数据中四个变量之一的分布：展示次数、平均排名、点击次数和点击率。我们还在标题中包含了每个分布的平均值。我们立即可以看到一些有趣的比较。 首先，我们几乎所有的关键词都是“长尾”关键词，每月搜索量不到 100 次。
但是，我们的大部分流量也来自
一些高搜索量关键词（每月搜索 佐治亚电话号码列表 量超过 1000 次）。平均排名集中在前 10 名，正如预期的那样（因为第一页以外的结果带来的流量很少）。这也是对我们的数据的良好检验。如果我们看到大量关键词在排名低于 10 位时带来流量，我们应该进一步调查。最后，右下角的点击率很有趣。大多数关键词的点击率都低于 40%，但我们确实有一些高搜索量关键词的点击率要高得多。
到目前为止可以开始行动了
此时，我发现提出具体问题通常是回 我强烈反对这个前提答较大问题最有效的方式，但每个人的工作方式都不同，所以你需要找到最适合自己的方法。就 Google 网站管理员工具数据而言，我很好奇品牌关键字和非品牌关键字的影响。 检查这一点的一种方法是将数据分段，然后对每个分段重复单变量分析。
以下是印象图
我们可以看到，总体而言，品牌关键词 西班牙 电话号码 的搜索量高于非品牌词（分别为 380 和 160）。如果我们看看平均排名和点击率，就会更有趣： 我们发现品牌词和非品牌词的平均排名和点击率存在巨大差异。品牌词的大部分流量位于前两三名，而非品牌词的流量则位于前十名。点击率也存在显著差异，少数品牌关键词的点击率非常高（60% 以上）。
我们可能还想知道
CTR 会如何随搜索位置的变化而变化。我们预计排名较低的关键词的 CTR 会较低。我们可以在数据中看到这一点吗？ 确实，前五名之后的点击率迅速下降。第 15 位有一个有趣的上升，但这是一个数据稀疏区域，所以这可能不是一个真正的信号。 4. 对代码进行单元测试（合理的地方） 这是软件开发的最佳实践，但在数据科学领域可能会有点棘手，而且通常需要您做出判断。