数据可视化结果分析方法包括以下几种：
1. 描述性统计分析：通过计算数据的均值、中位数、众数等统计量，以及标准差、方差等统计量，来描述数据的基本特征。这些统计量可以帮助我们了解数据的分布情况和变异程度，从而对数据进行初步的分析和解释。
2. 相关性分析：通过计算相关系数，来衡量两个或多个变量之间的线性关系。相关系数的范围在-1到1之间，其中1表示完全正相关，-1表示完全负相关，0表示没有线性关系。相关性分析可以帮助我们了解变量之间的关联程度，为后续的回归分析等提供基础。
3. 回归分析：通过建立回归模型，研究自变量（解释变量）对因变量（响应变量）的影响程度和方向。回归分析可以分为线性回归、多元回归和逻辑回归等类型。线性回归主要用于预测因变量的变化趋势，多元回归可以同时考虑多个自变量的影响，逻辑回归用于分类问题。
4. 聚类分析：根据数据的相似度将数据划分为若干个群组的过程。聚类分析可以分为层次聚类和K-means聚类等类型。层次聚类可以根据距离度量方法将数据分为不同的层次，K-means聚类则是一种基于距离的方法。聚类分析可以帮助我们发现数据中的规律和模式，为进一步的分析提供依据。
5. 主成分分析（PCA）：通过对原始数据进行降维处理，将多个变量转换为少数几个综合变量的过程。PCA可以消除数据中的噪声和冗余信息，保留主要的信息。PCA常用于数据降维和特征提取，有助于发现数据中的隐藏结构。
6. 因子分析：通过构建因子模型，将多个观测变量表示为少数几个潜在因子的过程。因子分析可以揭示变量之间的相关性和结构，有助于理解变量的含义和相互关系。因子分析常用于心理学、社会学等领域的研究。
7. 时间序列分析：通过对时间序列数据进行建模和预测，分析数据的趋势、周期性和季节性等特征。时间序列分析常用于经济、气象、金融等领域，如移动平均、自回归滑动平均、自回归积分滑动平均等模型。
8. 异常检测：通过识别数据中的异常值，帮助发现潜在的问题和异常行为。异常检测方法包括基于统计的方法、基于机器学习的方法等。异常检测对于安全监控、质量控制等领域具有重要意义。
9. 可视化技术：通过绘制图表、地图、柱状图、箱线图等，直观地展示数据的特征和分布情况。可视化技术可以增强数据的可读性和理解性，帮助发现数据中的规律和模式。常用的可视化工具有Excel、Tableau、Python的matplotlib、seaborn等。
10. 交互式分析：通过构建交互式界面，让用户可以与数据进行实时的交互操作，如拖拽、缩放、过滤等。交互式分析可以提高用户体验，使得用户能够更直观地理解和探索数据。常见的交互式分析工具有Tableau、Power BI等。
总之，数据可视化结果分析方法涵盖了从基本的统计分析到高级的数据挖掘和机器学习技术，旨在从不同角度和层面对数据进行分析和解读。选择合适的分析方法需要根据具体的数据特点和研究目的来确定。
