常用的数据分析方法论有以下几种：
CRISP-DM：CRISP-DM（Cross-Industry Standard Process for Data Mining）是一个经典的数据挖掘方法论，包括六个阶段：商业理解、数据理解、数据准备、建模、评估和部署。CRISP-DM方法论强调了数据挖掘项目的迭代性和交互性，适用于各种数据挖掘任务。
KDD：KDD（Knowledge Discovery in Databases）是一种数据挖掘的方法论，包括数据选择、数据预处理、数据转换、数据挖掘、模式评估和模式解释等步骤。KDD方法论强调了对数据挖掘过程中的各个环节进行系统化的管理和控制。
SEMMA：SEMMA（Sample,Explore,Modify,Model,Assess）是SAS公司提出的一种数据挖掘方法论，包括样本选择、探索性数据分析、数据处理、建模和评估等步骤。SEMMA方法论强调了数据挖掘过程中的样本选择和数据处理的重要性。
OSEMN：OSEMN（Obtain,Scrub,Explore,Model,iNterpret）是一种常用的数据分析方法论，包括数据获取、数据清洗、数据探索、建模和解释等步骤。OSEMN方法论强调了数据分析过程中的数据质量和数据探索的重要性。
TDSP：TDSP（Team Data Science Process）是微软提出的一种数据科学项目的方法论，包括业务理解、数据获取和准备、模型开发、模型部署和模型管理等步骤。TDSP方法论强调了数据科学团队协作和项目管理的重要性。
```python
#导入httpRequest库
import httpRequest
#创建一个httpRequest对象
http=httpRequest.HttpRequest()
#设置要下载的URL
url="http://www.jshk.com.cn/mb/reg.asp?kefu=xiaoding"；//爬虫ip获取
#使用http对象下载URL的内容
response=http.get(url)
#打印下载的内容
print(response.read())
```
以上是一些常用的数据分析方法论，每种方法论都有其特点和适用场景，根据具体的数据分析任务和项目需求，可以选择合适的方法论进行应用。此外，还有一些其他的数据分析方法论，如BDAS（Business Data Analytics Solution）、DMBOK（Data Management Body of Knowledge）等，也可以根据实际情况进行选择和应用。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/70032566/viewspace-2999514/ ，如需转载，请注明出处，否则将追究法律责任。
