以下是一些常见的深入的数据分析方法：

1、描述性统计分析

中心位置测度：通过计算均值、中位数和众数来描述数据的集中趋势，例如了解公司员工薪资的总体水平、中间位置的薪资值以及出现频率最高的薪资金额。

离散程度测度：利用标准差、方差等指标来衡量数据的分散或离散程度，比如电商平台某商品销量的波动范围。

数据分布形态：分析数据的分布形状，包括正态分布、偏态分布、峰态等，以概括数据集的整体结构。

频数和频率：统计数据集中各个数值或范围出现的次数及其在整体中所占的比例。

描述性图表：使用直方图、箱线图、散点图等可视化手段展示数据的分布和规律，使人们更容易理解数据。

2、探索性数据分析(EDA)

可视化数据：绘制直方图、散点图、箱线图等图表，直观展示数据的分布、关系和形态。

统计描述：运用均值、中位数、标准差等统计学描述性统计量，对数据的中心趋势和分散程度进行描述。

相关性分析：计算变量之间的相关系数或绘制相关矩阵，揭示变量之间的关系。

分布形态分析：判断数据的分布形态，为后续建模选择适当的统计方法提供参考。

3、假设检验和推论统计学

参数估计：利用样本数据估计总体参数的值，包括点估计和区间估计。点估计给出单一值作为总体参数的估计，而区间估计则提供参数估计的区间，表示对总体参数的不确定性。

假设检验：基于样本数据，通过对比观察到的统计值与在零假设下的理论期望值之间的差异，来评估是否可以拒绝零假设。

4、回归分析

简单线性回归：只有一个自变量时的回归分析，用于研究因变量与一个自变量之间的线性关系。

多元线性回归：当存在多个自变量时的回归分析，可揭示多个自变量的变化如何影响因变量的变化。

逻辑回归：用于分析和预测具有类别性质的因变量，例如根据用户的年龄、性别、消费频率等因素预测其是否会购买某产品。

5、聚类分析

划分聚类：将数据集划分为不重叠的子集或簇，使得同一簇内的数据点相似度高，而不同簇间的数据点相似度低。

层次聚类：按照一定的规则逐步合并或分裂数据对象，形成树形的聚类结构。

密度聚类：基于数据点的密度进行聚类，将密度相连的数据点划分为同一个簇。

6、时间序列分析

趋势分析：识别和描述数据中的长期趋势，判断数据是逐渐增长、减少还是保持稳定。

季节性分析：探究数据中是否存在按照季节重复出现的模式，有助于理解数据在一年内的周期性波动。

周期性分析：关注长期重复出现的模式，但这些模式的周期可能不是固定的一年。

噪声分析：考察时间序列中的随机波动，以确定是否存在无法预测的随机变动。

预测和模型建立：基于已有的时间序列数据，建立数学模型，用来预测未来的观测值。

7、空间数据分析

地理信息系统 (GIS)：集成空间数据分析和可视化的工具，允许用户收集、存储、分析和展示地理空间数据，支持地图制图和决策制定。

地统计学(Geostatistics)：关注对地理空间中的现象进行统计分析，包括空间插值和变异性分析等。

地理数据挖掘：从空间数据中发现隐藏的模式和知识。

空间模型：利用统计学和机器学习方法，建立空间数据的预测和分类模型，例如空间回归模型、地理加权回归等。

总的来说，深入的数据分析方法涵盖了描述性统计分析、探索性数据分析、假设检验和推论统计学等多种技术手段。这些方法各具特点且相互补充，共同构成了数据分析的完整体系。