如何快速成为数据分析师

诚然，任何一门技术都不可能一蹴而就，更不可能一夜成才。这世上，没有什么牛逼的事情是能够速成的，越是专业、越是基层、收益周期越长的技能越是这样，数据分析师也不例外。但这并不代表，我们不能通过一些有效的方法，把学习的过程变得高效而有趣，让自己的数据分析师学成之旅起到事半功倍的作用。倘若真的想一口吃成一个胖子，到时去面试去工作，你会被自己的好不扎实的专业基底伤害得遍体鳞伤。

创新互联于2013年成立，是专业互联网技术服务公司，拥有项目网站设计制作、成都网站制作网站策划，项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命，1280元襄汾做网站,已为上家服务,为襄汾各地企业和个人服务,联系电话:028-86922220

学习数据分析师之前，你必须清楚自己想要达成什么目标。也就是说，你想通过这门技术来解决哪些问题或实现什么计划。有了这个目标，你才能清晰地开展自己的学习规划，并且明确它的知识体系。只有明确的目标导向，学习必备也是最有用的那部分，才能避免无效信息降低学习效率。

1、明确知识框架和学习路径

数据分析这件事，如果你要成为数据分析师，那么你可以去招聘网站看看，对应的职位的需求是什么，一般来说你就会对应该掌握的知识架构有初步的了解。你可以去看看数据分析师职位，企业对技能需求可总结如下：

SQL数据库的基本操作，会基本的数据管理；

会用Excel/SQL做基本的数据提取、分析和展示；

会用脚本语言进行数据分析，Python or R；

有获取外部数据的能力加分，如爬虫或熟悉公开数据集；

会基本的数据可视化技能，能撰写数据报告；

熟悉常用的数据挖掘算法：回归分析、决策树、分类、聚类方法；

高效的学习路径是什么？就是数据分析的流程。一般大致可以按“数据获取-数据存储与提取-数据预处理-数据建模与分析-数据可视化”这样的步骤来实现一个数据分析师的学成之旅。按这样的顺序循序渐进，你会知道每个部分需要完成的目标是什么，需要学习哪些知识点，哪些知识是暂时不必要的。然后每学习一个部分，你就能够有一些实际的成果输出，有正向的反馈和成就感，你才会愿意花更多的时间投入进去。以解决问题为目标，效率自然不会低。

按照上面的流程，我们分需要获取外部数据和不需要获取外部数据两类分析师，总结学习路径如下：

1.需要获取外部数据分析师：

python基础知识

python爬虫

SQL语言

python科学计算包：pandas、numpy、scipy、scikit-learn

统计学基础

回归分析方法

数据挖掘基本算法：分类、聚类

模型优化：特征提取

数据可视化：seaborn、matplotlib

2.不需要获取外部数据分析师：

SQL语言

python基础知识

python科学计算包：pandas、numpy、scipy、scikit-learn

统计学基础

回归分析方法

数据挖掘基本算法：分类、聚类

模型优化：特征提取

数据可视化：seaborn、matplotlib

接下来我们分别从每一个部分讲讲具体应该学什么、怎么学。

数据获取：公开数据、Python爬虫

如果接触的只是企业数据库里的数据，不需要要获取外部数据的，这个部分可以忽略。

外部数据的获取方式主要有以下两种。

第一种是获取外部的公开数据集，一些科研机构、企业、政府会开放一些数据，你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。

另一种获取外部数据费的方式就是爬虫。

比如你可以通过爬虫获取招聘网站某一职位的招聘信息，爬取租房网站上某城市的租房信息，爬取豆瓣评分评分最高的电影列表，获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某种人群进行分析。

在爬虫之前你需要先了解一些 Python 的基础知识：元素（列表、字典、元组等）、变量、循环、函数（链接的菜鸟教程非常好）……以及如何用成熟的 Python 库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫。如果是初学，建议从 urllib 和 BeautifulSoup 开始。（PS：后续的数据分析也需要 Python 的知识，以后遇到的问题也可以在这个教程查看）

网上的爬虫教程不要太多，爬虫上手推荐豆瓣的网页爬取，一方面是网页结构比较简单，二是豆瓣对爬虫相对比较友好。

掌握基础的爬虫之后，你还需要一些高级技巧，比如正则表达式、模拟用户登录、使用代理、设置爬取频率、使用cookie信息等等，来应对不同网站的反爬虫限制。

除此之外，常用的的电商网站、问答网站、点评网站、二手交易网站、婚恋网站、招聘网站的数据，都是很好的练手方式。这些网站可以获得很有分析意义的数据，最关键的是，有很多成熟的代码，可以参考。

数据存取：SQL语言

你可能有一个疑惑，为什么没有讲到Excel。在应对万以内的数据的时候，Excel对于一般的分析没有问题，一旦数据量大，就会力不从心，数据库就能够很好地解决这个问题。而且大多数的企业，都会以SQL的形式来存储数据，如果你是一个分析师，也需要懂得SQL的操作，能够查询、提取数据。

SQL作为最经典的数据库工具，为海量数据的存储与管理提供可能，并且使数据的提取的效率大大提升。你需要掌握以下技能：

提取特定情况下的数据：企业数据库里的数据一定是大而繁复的，你需要提取你需要的那一部分。比如你可以根据你的需要提取2018年所有的销售数据、提取今年销量最大的50件商品的数据、提取上海、广东地区用户的消费数据……，SQL可以通过简单的命令帮你完成这些工作。

数据库的增、删、查、改：这些是数据库最基本的操作，但只要用简单的命令就能够实现，所以你只需要记住命令就好。

数据的分组聚合、如何建立多个表之间的联系：这个部分是SQL的进阶操作，多个表之间的关联，在你处理多维度、多个数据集的时候非常有用，这也让你可以去处理更复杂的数据。

数据预处理：Python（pandas）

很多时候我们拿到的数据是不干净的，数据的重复、缺失、异常值等等，这时候就需要进行数据的清洗，把这些影响分析的数据处理好，才能获得更加精确地分析结果。

比如空气质量的数据，其中有很多天的数据由于设备的原因是没有监测到的，有一些数据是记录重复的，还有一些数据是设备故障时监测无效的。比如用户行为数据，有很多无效的操作对分析没有意义，就需要进行删除。

那么我们需要用相应的方法去处理，比如残缺数据，我们是直接去掉这条数据，还是用临近的值去补全，这些都是需要考虑的问题。

对于数据预处理，学会 pandas 的用法，应对一般的数据清洗就完全没问题了。需要掌握的知识点如下：

选择：数据访问（标签、特定值、布尔索引等）

缺失值处理：对缺失数据行进行删除或填充

重复值处理：重复值的判断与删除

空格和异常值处理：清楚不必要的空格和极端、异常数据

相关操作：描述性统计、Apply、直方图等

合并：符合各种逻辑关系的合并操作

分组：数据划分、分别执行函数、数据重组

Reshaping：快速生成数据透视表

概率论及统计学知识

数据整体分布是怎样的？什么是总体和样本？中位数、众数、均值、方差等基本的统计量如何应用？如果有时间维度的话随着时间的变化是怎样的？如何在不同的场景中做假设检验？数据分析方法大多源于统计学的概念，所以统计学的知识也是必不可少的。需要掌握的知识点如下：

基本统计量：均值、中位数、众数、百分位数、极值等

其他描述性统计量：偏度、方差、标准差、显著性等

其他统计知识：总体和样本、参数和统计量、ErrorBar

概率分布与假设检验：各种分布、假设检验流程

其他概率论知识：条件概率、贝叶斯等

有了统计学的基本知识，你就可以用这些统计量做基本的分析了。通过可视化的方式来描述数据的指标，其实可以得出很多结论了，比如排名前100的是哪些，平均水平是怎样的，近几年的变化趋势如何……

你可以使用python的包 Seaborn（python包）在做这些可视化的分析，你会轻松地画出各种可视化图形，并得出具有指导意义的结果。了解假设检验之后，可以对样本指标与假设的总体指标之间是否存在差别作出判断，已验证结果是否在可接受的范围。

python数据分析

如果你有一些了解的话，就知道目前市面上其实有很多 Python 数据分析的书籍，但每一本都很厚，学习阻力非常大。但其实真正最有用的那部分信息，只是这些书里很少的一部分。比如用 Python 实现不同案例的假设检验，其实你就可以对数据进行很好的验证。

比如掌握回归分析的方法，通过线性回归和逻辑回归，其实你就可以对大多数的数据进行回归分析，并得出相对精确地结论。比如DataCastle的训练竞赛“房价预测”和“职位预测”，都可以通过回归分析实现。这部分需要掌握的知识点如下：

回归分析：线性回归、逻辑回归

基本的分类算法：决策树、随机森林……

基本的聚类算法：k-means……

特征工程基础：如何用特征选择优化模型

调参方法：如何调节参数优化模型

Python 数据分析包：scipy、numpy、scikit-learn等

在数据分析的这个阶段，重点了解回归分析的方法，大多数的问题可以得以解决，利用描述性的统计分析和回归分析，你完全可以得到一个不错的分析结论。

当然，随着你实践量的增多，可能会遇到一些复杂的问题，你就可能需要去了解一些更高级的算法：分类、聚类，然后你会知道面对不同类型的问题的时候更适合用哪种算法模型，对于模型的优化，你需要去学习如何通过特征提取、参数调节来提升预测的精度。这就有点数据挖掘和机器学习的味道了，其实一个好的数据分析师，应该算是一个初级的数据挖掘工程师了。

系统实战

这个时候，你就已经具备了数据分析的基本能力了。但是还要根据不同的案例、不同的业务场景进行实战。能够独立完成分析任务，那么你就已经打败市面上大部分的数据分析师了。

如何进行实战呢？

上面提到的公开数据集，可以找一些自己感兴趣的方向的数据，尝试从不同的角度来分析，看看能够得到哪些有价值的结论。

另一个角度是，你可以从生活、工作中去发现一些可用于分析的问题，比如上面说到的电商、招聘、社交等平台等方向都有着很多可以挖掘的问题。

开始的时候，你可能考虑的问题不是很周全，但随着你经验的积累，慢慢就会找到分析的方向，有哪些一般分析的维度，比如top榜单、平均水平、区域分布、年龄分布、相关性分析、未来趋势预测等等。随着经验的增加，你会有一些自己对于数据的感觉，这就是我们通常说的数据思维了。

你也可以看看行业的分析报告，看看优秀的分析师看待问题的角度和分析问题的维度，其实这并不是一件困难的事情。

在掌握了初级的分析方法之后，也可以尝试做一些数据分析的竞赛，比如 DataCastle 为数据分析师专门定制的三个竞赛，提交答案即可获取评分和排名：

员工离职预测训练赛

美国King County房价预测训练赛

北京PM2.5浓度分析训练赛

种一棵树最好的时间是十年前，其次是现在。现在就去，找一个数据集开始吧！！

数据分析培训哪个好

数据分析培训推荐咨询【达内教育】。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

怎样选数据分析培训机构：

第一、授课老师的专业度。选择一位好的老师会让学习过程轻松顺利许多。在遇到问题的时候和老师交流起来也会轻松不少。

第二、是否有项目练手。因为大数据是一门非常需要多练习多操作的技术，所以选择培训机构的时候需要考察下是否有项目可以练手，最终要面对的还是就业，想要找到好的工作，项目这一块是挺重要的。

第三、学习环境和氛围。良好的学习环境和氛围有助于学员更好的学习。感兴趣的话点击此处，免费学习一下

想了解更多有关数据分析培训的相关信息，推荐咨询【达内教育】。该机构是引领行业的职业教育公司，致力于面向IT互联网行业培养人才，达内大型T专场招聘会每年定期举行，为学员搭建快捷高效的双选绿色通道，在提升学员的面试能力、积累面试经验同时也帮助不同技术方向的达内学员快速就业。达内IT培训机构,试听名额限时抢购。

一个小白学习学习数据分析师有多难

以下是一个文科生小白转行数据分析的人生历程，分享给你，相信可以帮助正处人生十字路口的朋友或正处于迷茫摇摆时期的人们一些启发或借鉴。

1、在选择数据分析师这条路之前，一定要思考再三，虽然这条路看着光鲜靓丽（至少职业的薪酬收入类比其他行业不会好不少），但也是一条艰难前行之路，充满着未知、荆棘和困惑，尤其是对于文科出身的我，付出的努力更是一般理工男的好几倍吧应该……

2、虽然数据分析这个行业有着天然的专业鄙视链（文理科的逻辑思维功底、编程语言接受程度上以及数理统计基础实实在在的存在差别，这也是甲方更信赖理工科出身的重要原因，因为社科或文艺类专业，很少有学校会严格地按照数理逻辑去制定学生的课程培养计划），但是并不代表文科生没有任何机会，因为大学以前，其实我们都没正式接触过编程或统计学，大学本科更多的是提升一个人的思维、而不是过硬的专研能力。所以文科专业的朋友，兴趣和决定也是重要因素，不能单单凭借客观的专业背景就否定自己。

3、如果你要坚定的选择这条路，就必须克服各种依赖症，比如安装一个R语言或Python软件，从庞大的数据中得出客观的结论过程，用学到的知识去分析数据的价值等等，一定要动手动脑去实战，不要单凭以前的文科思维（更注重思维的创造和个性的发扬），理性思维和客观科学更重要。因为这种学习习惯决定着你必然会被同行的有心者远远地摔在后面，百度、谷歌、Stack Overflow永远向你免费敞开大门；

4、动手实践和实习参与项目是很好的数据科学或者数据分析的开端，只学不练假把式，只有直接用于实战，才能看出来你学的东西到底有多少能够落地，能够用于提升业务的价值；

5、在求职以前，倘若时间允许，把R语言、Python（数据科学相关模块）、SQL（可以选择一个平台，比如MySQL）这三大关卡早点过了。（如果你不想再天天加班补的话）；

6、如果你还是在校学生，学会分清各种事情的轻重缓急，比如各种无聊拉人凑场子讲座、听课发礼品的营销洗脑课，各种……的无效应酬社交，如果全部都用在数据分析的学习上，你会发现你的时间多了很多，自然你也可以更早地追上同行的脚步；

7、脚踏实地的去走自己的路，不会的多写、多看、多问（问真正有价值的问题）、多总结、多交流，给自己足够的转行周期（如果你是科班出身的【统计、数学、计算机】，也许会走的顺风顺水，但也不可以掉以轻心，倘若不是，请一定要慎重选择，起码要给自己一到两年的转行缓冲期【具体视自己的专业背景和技术实力而定】，什么7天精通机器学习、三个月精通人工智能，你自己敢信嘛？）

8、学会融会贯通不同领域的知识，触类旁通、横向迁移，这样学起来才有越学越有通透的感觉，否则你只能增加笔记本的厚度，徒增烦恼罢了。

其实文科生学习数据分析或零基础转行的痛快和纠结大家都有，但任何的时间节点上，倘若一直停滞不前、犹豫不决，那么所有可以有或可能有的机会都会错失。庆幸我虽然浑浑噩噩，一路上也是披荆斩棘，但时光不负我，付出终究收获成果！愿所有文科生想进入数据分析行业或转行的小伙伴一切都顺利。