导入数据之后，最好先对数据进行整理（tidy）。整理数据是指将数据存储为一种一致的形式，使数据集的语义与其存储方式相匹配。简而言之，当数据是整洁的，每一列是一个变量，每一行是一个观测。整洁数据之所以重要，是因为一致的结构能让你把精力集中在关于数据的问题上，而不是费力地把数据转换成不同函数所需的正确形式。

得到整洁数据后，一个常见的首要步骤是对数据进行变换（transform）。变换包括筛选出感兴趣的观测（例如某个城市的所有人，或最近一年的所有数据）、创建由现有变量的函数构成的新变量（例如由速度和时间计算速度），以及计算一组汇总统计量（例如计数或均值）。整理与变换合称为数据处理（wrangling），因为让数据变成便于处理的形式，往往就像一场搏斗！

当你拥有了包含所需变量的整洁数据之后，就有两个主要的知识生成引擎：可视化和建模。它们各有互补的优势与劣势，因此任何真正的分析都会在两者之间反复迭代多次。

可视化（visualization）从根本上说是一种人类活动。一个好的可视化会向你展示意想不到的东西，或者引出关于数据的新问题。一个好的可视化还可能提示你问错了问题，或者需要收集不同的数据。可视化能给你带来惊喜，但它的扩展性并不好，因为需要人来解读。

模型（model）是与可视化互补的工具。当你把问题表述得足够精确之后，就可以用模型来回答它们。模型从根本上说是一种数学或计算工具，因此通常具有良好的扩展性。即使扩展性不佳，购买更多计算机通常也比购买更多大脑便宜！但每个模型都基于假设，而模型从本质上无法质疑自身的假设。这意味着模型从根本上无法给你带来惊喜。

数据科学的最后一步是交流（communication），这是任何数据分析项目中绝对关键的部分。如果你的模型和可视化让你很好地理解了数据，但你却无法将结果传达给他人，那也毫无意义。