数据挖掘一般包含以下步骤:
1. 业务理解
在进行数据挖掘之前，首先需要了解业务需求。通过对业务背景、目标、约束等方面的考虑，确定本次数据挖掘的目标和价值，为后续步骤的执行提供指导意义。
2. 数据采集和清洗
采集需要的数据源，并对数据进行初步筛选，删除不必要的数据，对缺失值、异常值、重复值等进行处理，确保数据的质量和完整性。
例如，假设我们要进行二手房价格预测，需要从网络上采集二手房数据，进行初步处理，删除一些表格信息缺失过多的房源，删除价格异常的房源，删除重复记录的房源等。
3. 探索性分析和特征选择
进行数据分析，发现数据之间的相关性，发掘数据中的特征，确定哪些特征对目标变量有影响，通过对数据的探索来确定特征选择的依据。
例如，通过对爬取的二手房数据进行探索性数据分析，发现二手房的交通便捷性、装修情况、房屋面积、所在地区等对二手房价格有显著影响。
4. 建模和预测
根据选出的特征，选择合适的算法进行建模，并进行模型训练。以决策树、线性回归、随机森林等为例。模型训练完成后，需要进行模型优化和调整，提升模型性能，得到最终的预测结果。
例如，利用选出的二手房特征进行建模和预测，可以采用决策树或者线性回归算法建模，进行模型训练和预测，得到二手房的价格预测结果。
5. 模型评估和应用
评估模型的性能和效果，对模型进行梳理和记录，最终可将挖掘的结果应用到对应领域中。
例如，在得到二手房价格预测模型后，评估模型的准确性和误差，并记录那些特征对价格预测的重要性，然后根据这些预测信息，综合考虑其他因素，推出二手房最具经济性的价格区间，并推广至其他的地区或数据领域中。
综上所述，数据挖掘要经过多个步骤，包括业务理解、数据采集和清洗、探索性分析和特征选择、模型建模和预测、模型评估和应用等，同时要根据具体应用场景和业务需求进行细致地调整和优化。