确定分析思路
在进行数据分析之前，先确定本次分析思路，具体如下
一、提出问题
二、理解数据数据来源： https://www.kaggle.com/edx/course-study共有23个字段，一共290门在线课程。数据分为4种类型
1、课程字段
Institution，学校
Course Number，课程ID
Launch Date，上线时间
Course Title，课程名
Instructors，讲师
Course Subject，课程类别
Year，课程持续时间
Honor Code Certificates，是否授予证书
2、数量字段
Participants (Course Content Accessed)，学生数
Audited (> 50% Course Content Accessed)，完成50%课程的学生数
Certified，拿到证书的人数
Total Course Hours (Thousands)，总课程时间（千小时）
Median Hours for Certification，取得证书时间中位数
3、百分比字段
% Audited，完成50%课程学员的比例
% Certified，拿到证书的学员比例
% Certified of > 50% Course Content Accessed，完成课程50%学员拿到证书的比例
% Played Video，视频播放率
% Posted in Forum，论坛张贴率
% Grade Higher Than Zero，分数高于0的比例
4、用户情况字段
Median Age，年龄中位数
% Male，男性学员占比
% Female，女性学员占比
% Bachelor's Degree or Higher， 本科学历及以上比例
三、数据清洗
1、选择子集
根据问题需要，选择数据子集。
数据集中Course Number课程ID为唯一标识，保留该字段。
学校字段Institution是我们提出问题中的一个，需要保留。
课程持续时间Year、总课程时长Total Course Hours (Thousands)对数据分析没有帮助，隐藏起来。
2、列名重命名
由于数据集为全英文，为方便理解、描述，将字段进行重命名，采用中文形式。
3、删除重复值
以课程ID作为数据集唯一标识，通过数据>删除重复值操作，删除重复数据，发现重复值102条，虽然课程ID与课程名称重复，但是课程讲师或上线日期不同。
根据上述情况，做辅助列，输入公式=B2&C2&E2，以课程ID+上线时间+讲师姓名，作为数据唯一标识，再次执行重复值删除。发现1条重复数据，剩余289条数据。
4、缺失值处理
以唯一标识列：课程ID+上线日期+讲师进行计数，共计289条数据，以此为标准，查看其它列数据是否有缺失。
对比发现，讲师字段缺少一个数据，根据课程ID进行筛选，发现本课程共有4条数据，除2012年为几位讲师一起，2014、2015年该课程均为David Malan讲授，所以可以推断，2016年该课程依然是David Malan讲师进行授课，以此为依据，补全数据。
5、排序
我们关系哪些课比较受学员欢迎，所以根据学生数，对数据进行将序排列。
审视数据集，未发现异常格式、异常值，所以不需进行一致化、异常值处理。
四、构建模型
1、哪些课程最受欢迎？什么类别的课程最受欢迎？
插入数据透视表，行标签选择课程名，对学生数求和，结果发现最受学员欢迎的课程为Introduction to Computer Science，学员数为690059.
查看课程类别发现，课程共分为四大类：
Computer Science，计算机科学
Science, Technology, Engineering, and Mathematics，科学、技术、工程和数学
Humanities, History, Design, Religion, and Education，人文、历史、设计、宗教和教育
Government, Health, and Social Science，政治、健康和社会科学
插入透视表进行统计，行标签为课程类别，对学生数求和，发现计算机科学领域最受学员欢迎
那么，为什么人们喜欢计算机科学类课程呢？
同样从上面课程报名人数可知，计算机科学；科学、技术、工程和数学；政治、健康和社会科学人数比较多，而人文、历史、设计、宗教和教育类专业人数最少，可以知道人们通过网络在线平台Edx进行学习，需要提升理工科、社科类可操作性强的学科，更希望获得实用性强的技能提升。 而不是人文、历史、设计、宗教和教育类的素养类熏陶。
2、人们更喜欢Harvard还是MITx的课？
为什么MITx学校更受欢迎？
从两所学校开设课程数量可知，MITx学校偏向于理工、计算机科学类。HarvardX学校开设的课程正好相反，以人文社科类专业为主，之前已经知道学员在Edx平台上主要的学习需求是学习实用性强的技能型学科，因此开设理工、计算机科学类的MITx可以吸引到更多学员。
3、课程完成度如何？用户学习状况是怎样的？
哪个学科的课程更容易通过？
要探究哪个学科更容易通过，通过3个指标进行分析：完成50%课程学生数、拿到证书人数、拿到证书时间
从完成50%课程学生数看，政治、健康、社会科学类课程入门难度最低，其次是计算机科学类课程。
从学完课程拿到证书的人数看，同样政治、健康、社会科学类课程入门难度最低，其次是人类学、历史、设计、宗教和教育类。而计算机科学、理工类学科的学成率不高。
从拿到证书的时间来分析，人文、历史、设计、宗教和教育类课程用时最短，其次是政治、健康、社会科学类课程。
综合来看，政治、健康、社会科学类课程在50%完成度、拿到证书人数、拿到证书时间三个维度排名都很高，所以这是平台上最容易通过的课程类别。
4、使用edx的是什么样的用户？
五、结论与建议