为了实现这一点，需要对数据的类型进行进一步的探析，并将它们分离成不同的数据类型，比如说 数值（numerical）、序数（ordinal）、标称（nominal）、类别（categorical）等，以便提供它们所需的处理方式。
一旦理清了数据所属的类别，就可以使用Python中用作数据分析的库NumPy和Pandas来对这些数据进行探索了。除此之外，Python在数据探索的过程提供了大量的工具，你可以在搜索引擎中进行检索来获得更多的信息。
当完成了这些步骤后，你就可以开始人工智能和数据建模机器学习步骤。
数据建模
这对于数据科学流程来说是一个非常关键的阶段，而建模之前的特征选择阶段，你可能需要对现有的数据集进行降维的工作。Python语言能够非常方便的帮助你进行这一项任务，它拥有许多高级的工具库来帮助你解决这些问题。
你是否想要就自己的数据执行一个数值模型分析呢？只需要使用Python中的Numpy就行！利用SciPy你可以轻松地使用科学计数和计算。而Python上的Scikit-learn代码库给你很多直观的接口，帮助你在数据上应用机器学习算法，整个过程不会察觉到任何困难。
当数据建模完成后，你可能需要进行可视化展示，并对数据中有价值的情报进行解释。
数据可视化和解释
Python带有许多数据可视化的包。Matplotlib 是最为常用的库，可以生成基本的图形和图表。如果你需要设计精美的高级图表，你也可以试一下另一个Python包Plotly。
还有一个Python包IPython，可以帮助你进行交互式数据可视化，并支持利用GUI工具箱。如果你想把你的调查结果嵌入到交互式网页中，nbconvert 函数可以帮助你将IPython转化或把Jupyter notebooks放入到HTML代码片段中。
在完成数据可视化之后，如何展示你的数据是极为重要的，并且这必须要以可以回应项目中业务逻辑的问题的为目的。