数据化精刷系列课程,想转行，转数据分析，敢问各位大牛有什么好的学习路线吗

感谢阅读！

一、总结下来主要学习概率统计、Excel、SQL、python基础知识、numpy包、pandas包、matplotlib包。

第1本《谁说菜鸟不会数据分析入门篇》很有趣的数据分析书！基本看过就能明白，以小说的形式讲解，很有代入感。包含了数据分析的结构化思维、数据处理技巧、数据展现的技术，很能帮我们提升职场竞争能力。找不到工作的，学好了它，自然没问题。

第2本《拯救你的Excel数据的分析、处理、展示（动画版）》一本用手机看的Excel操作书，大部分例子都配置了二维码，手机扫扫就能看，基本上可以躺着把书学了。所有数据的分析、处理也都带了职场范例（有会计、HR、销售场景），很贴合实际。拯救我们小白的Excel，职场加薪不是梦想！

第3本《Excel图表之道：如何制作专业有效的商务图表》职场大牛的书，教我们做图表的，好看到不能再好看。可以设计和制作达到杂志级质量的、专业有效的商务图表。相信平时我们很难做到吧，看了你就知道，也许一切没那么难。

第4本《绝了！Excel可以这样用：数据分析经典案例实战图表书》挺好的一个系列，都是Excle常用的技巧，适合销售和HR。也是职场故事，很接地气，带视频的，全都是Excel数据分析的常用理念和方法。

第5本《深入浅出数据分析》深入浅出系列是对新手非常友好的丛书，用生动但啰嗦的语言讲解案例。厚厚的一本书翻起来很快。本书涉及的基础概念比较广，包含一点统计学知识，学下来对数据分析思维会有一个大概了解。

第6本《MySQL必知必会》如果真想买书看，可以看这本，适合新手向的学习，看基础概念和查询相关的章节即可。网络上大部分MySQL都是偏DBA的。

第7本《深入浅出统计学》大概是最啰嗦的深入浅出系列，从卖橡皮鸭到赌博机的案例，囊括了常用的统计分析如假设检验、概率分布、描述统计、贝叶斯等。

第8本《网站分析实战》互联网不再是网站的天下，但是移动端依旧有Web，我们在朋友圈看到的所有H5活动、第三方内容等，都是依托网页实现。网站的数据分析依旧有存在空间，网站的数据指标还是能够指导我们运营！

第9本《深入浅出Python》还是深入浅出系列，完全适合零基础的新人。需要注意的是，编程学习不同于其他知识，如果计算机基础不稳固，在使用中会遇到各类问题。知其然不知其所以然！

第10本《Python学习手册》对于拥有编程基础的人，这本书系无巨细的有些啰嗦，不过对新人，可以避免不必要的坑。把它当作一本工具文档吧，当遇到不理解的内容随时翻阅。

第11本《利用Python进行数据分析》这本书是你学习python不二之选，对着书，着重学习numpy，pandas两个包！每段代码都敲打一遍，千万行的数据清洗基本不会有大问题了。

第12本《R语言实战》R语言的入门书籍，从数据读取到各类统计函数的使用。虽然没有涉及机器学习，依靠这本书入门R是绰绰有余了。

第13本《统计学：从数据到结论》这本书是将R语言和统计学结合的教材，可以利用这本书再复习一遍统计知识。

第14本《深入浅出SQL》带你进入SQL语言的心脏地带，从使用INSERT和SELECT这些基本的查询语法到使用子查询（subquery）、连接（join）和事务（transaction）这样的核心技术来操作数据库。到读完《深入浅出SQL》之时，你将不仅能够理解高效数据库设计和创建，还能像一个专家那样查询、归一（normalizing）和联接数据。你将成为数据的真正主人。

第15本《数据挖掘导论》这本书绝对是一本良心教材，拿到手从第一章开始阅读，能看多少就看多少。但是要尽量多看点，因为此书你可能要看一辈子的～～

第16本《算法导论中文版》本书将严谨性和全面性融为一体，深入讨论各类算法，并着力使这些算法的设计和分析能为各个层次的读者接受。算法以英语和伪代码的形式描述，具备初步程序设计经验的人就能看懂；说明和解释力求浅显易懂，不失深度和数学严谨性。

（图片来自网络，如侵权请联系删除）

最好不要刷，保持作品高质量，自然会涨粉

自学数据分析师需要从哪里入手？

互联网行业在快速发展，“互联网＋”概念的提出标志着互联网已叩响“万物互联时代”的大门。在这个时代，大数据渗透于各行各业，掌握数据核心价值成为企业脱颖而出并取得胜利的法宝。

越来越多的企业承认竞争优势与大数据有关，由此，数据分析师这一职业逐渐得到认可并受到追捧。世界500强企业中，有90％以上都建立了数据分析部门。 在国内，已有超过5６％的企业在筹备和发展大数据研究，据有关部门预测未来 5年，94％的公司都将需要数据分析专业人才，大数据就是下一个ＩｎｔｅｌＩｎｓｉｄｅ，未来属于那些能把数据转换为产品的公司和人群。

优秀的数据分析师已经成为促进各行各业发展，推动国家经济进步的重要人物。但我国针对数据分析的研究起步晚，市场巨大，职位空缺现象十分严重。

1、数据分析师的定义

谈起数据分析师，很多人都认为其职位高高在上，不可企及，但实际并非如此。让我们从案例出发来探索其内在含义，数据分析最经典的案例便是“啤酒与尿布”，沃尔玛超市将Ａｐｒｉｏｒ算法引入Ｐｏｓ机数据分析发现，美国年轻的父亲去超市为婴儿购买尿布的同时，往往会顺便为自己购买啤酒，这样便使尿布和啤酒这两样看似不相干的商品有了某种联系。于是，沃尔玛尝试将两种商品摆放在同一区域，进而取得了意想不到的良好销售收入。可见，数据分析是运用适当的方法对收集来的大量数据进行分析整理，筛选有价值的信息并形成相应的解决方案以帮助人们作出判断，采取适当行动的过程。

2、数据分析师的层级分类

经对多家招聘网站数据分析师的招聘信息进行分析研究，发现目前数据分析师大体分为三个层级：传统行业的数据分析师、互联网初级数据分析师、互联网高级数据分析师。

第一层级传统行业的数据分析师，主要工作是整理、处理数据，专业技能只要具备一定的数学和统计学知识储备即可；

第二层级是互联网初级数据分析师，职位要求在传统数据分析师的基础上掌握少数的计算机工具譬如ＳＰＳＳ、ＳＱＬ等，从职人员需具备一定的数据敏感度和逻辑思维能力，能够对数据源进行分析并能制作数据报表；

第三层级互联网高级数据分析师，这是一类复合型人才，要熟悉业务环境并能与技术相结合解决企业实际问题，并掌握数据挖掘常用算法和一系列相关的分析软件，他们的工作与企业发展密切相连，拥有一名优秀的数据分析师的企业将拥有与同行业竞争的资本。

3、数据分析师的能力需求

数据分析师的工作分为采集、存储、筛选、数据挖掘、建模分析、优化、展现、应用等一系列过程。 接下来从主要步骤详细分析数据分析师的能力需求。

数据挖掘过程即从海量数据中提取潜在的有价值的信息，要求数据分析师掌握一系列相关分析方法譬如聚类分析、关联分析、等并能熟练运用数据挖掘算法和相关工具；

建模分析即对数据抽象组织，确定数据及相关性的过程，在此基础上要掌握譬如决策树、神经网络、Ｋ-ｍｅａｎｓ算法、ＳＶＭ等至少一种相关算法；

展现过程要求具备数据整理、数据可视化、报表制作能力，熟练应用 Ｄ3、Ｖｅｇａ实现数据可视化，并能运用 Ｒ和 ＤａｔｅＷａｎ-ｇｌｅｒ工具将原始数据转化为实用的格式。

1、国外数据分析师的培养现状

在国外，无论是学术研究还是企业部门，数据分析已发展到较为成熟的地步。 斯坦福大学的研究成员着手开发 ＭＥＧＡ(现代动态网络图像分析 ＭｏｄｅｒｎＧｒａｐｈＡｎａｌｙｓｉｓｆｏｒＤｙｎａｍｉｃＮｅｔｗｏｒｋｓ）并与多家媒体公司紧密合作，研究社交媒体中的用户行为，建立模型并探究其中的规律；哥伦比亚大学已开设了《数据科学导论》和《应用数据科学》课程，从 2013 年秋季起开设“数据科学专业成就认证”培训项目，并于2014 年设立专业硕士学位和博士学位；华盛顿大学开设《数据科学导论》课程，并对修满数据科学相关课程学分的学生颁发数据科学证书。 数据分析师在国外已引起了充分的重视，他们均衡分布在各行各业，运用掌握的专业知识并结合相关思维为自身、企业乃至社会的发展做着不小的贡献。

2、国内数据分析师的培养现状

近年来，在国内，大数据的概念虽被媒体和行业广泛提及，但数据分析算是刚刚起步，数据分析师的培养课程未得到普及，我国目前将数据分析纳入教学体系的高校寥寥无几，开设相关课程并取得一定成果的有：香港中文大学设立“数据科学商业统计科学”硕士学位；复旦大学开设数据科学讨论班，于 2010 年开始招收数据科学博士研究生；北京航空航天大学设立大数据工程硕士学位；中国人民大学统计学院开设数据分析方向应用统计硕士。和国外相比，我国数据分析师的人才培养机制还未成熟，高校教育仍存在各种各样的问题，譬如，大学生虽然从多门课程中接触到与数据分析相关内容，但各门课程的教学资源未能实现有效的整合。互联网环境下，大数据带来的是一场革命性的变化，若想把握机遇，实现国家经济革命性发展，首要任务就是数据分析师的培养。

数据分析师作为新时代新兴起的高薪职业，对人员的能力要求是相当高的，下面将根据数据分析师的定义、能力需求并结合互联网环境的时代背景，对数据分析师的成才途径作出详细的分析。

1、思维变革，数据分析师成才的前提

首先要在思维方面有所改变，培养自身数据思维、多模式思维、逻辑思维和结构化思维。

①数据思维，即量化思维，对数据具有独特的敏感度，相信一切事物皆可量化；

②多模式思维，即构造多种想法和解决思路，拓宽思维，从多角度出发，以寻求最优的解决问题的方案；

③逻辑思维，在错综复杂的海量数据中要有缜密的思维和清晰的逻辑推理能力才能按照自己既定的目标有效解决问题；

④结构化思维，即系统性思考问题，深入分析内在原因，能够制定系统可行的解决方案。

2、技能变革，数据分析师成才的工具

作为一名优秀的数据分析师若想在互联网环境下对海量数据进行有效的管理，就要努力学习相关的专业技能。

①要掌握多种机器学习方法，不断学习相关软件应用，譬如，Ｊａｖａ、Ｐｙｔｈｏｎ、ＳＱＬ、Ｈａｄｏｏｐ、Ｒ等等，这将成为数据分析全过程的辅助工具；

②掌握一定的心理学知识，能够很好的分析和解释客户行为；

③掌握业务能力及管理能力，在以上基础上，最核心的是要掌握一定的业务能力和管理能力。

3、素质变革，数据分析师成才的保证

在个人素质方面，互联网时代对数据分析师的要求增多，若想成为优秀的数据分析师就应不断学习完善以下素质能力：对工作的态度严谨认真，对数据的变化时刻保持敏锐的洞察力，对方法的运用保持一定的创新性，对团队保持团结合作之心，能与顾客沟通交流并及时了解他们的需求。

4、深入实践，数据分析师成才的动力

数据分析师的职责是帮助企业挖掘市场价值、发现机遇、准确进行市场定位并从海量数据中找出问题，提出解决方案。 因此，在数据分析师的成才道路上，实践是必不可少的。 相关人员要在掌握理论的基础上，敢于应用于实践，充分考虑数据中存在的价值和风险。使自我能力在实践中不断改进和完善。

【欢迎亲爱的朋友留言、互动、点赞、关注、收藏、转发。更多精彩分享给你......】

大数据经过多年的发展，已经逐渐形成了一个比较庞大且系统的知识体系，整体的技术成熟度也已经比较高了，所以当前学习大数据技术也会有一个比较好的学习体验。

　　由于大数据涉及到的内容比较多，而且大数据技术与行业领域也有比较紧密的联系，所以在学习大数据的时候，既可以从技术角度出发，也可以立足行业来学习大数据。对于学生来说，可以从大数据技术体系来学习，而对于职场人来说，可以结合自身的行业和岗位任务来学习大数据。

　　不论是学生还是职场人，要想学习大数据都需要掌握以下几个基本内容：

　　第一：计算机基础知识。计算机基础知识对于学习大数据技术是非常重要的，其中操作系统、编程语言和数据库这三方面知识是一定要学习的。编程语言可以从Python开始学起，而且如果未来要从事专业的大数据开发，也可以从Java开始学起。计算机基础知识的学习具有一定的难度，学习过程中要重视实验的作用。

　　第二：数学和统计学基础知识。大数据技术体系的核心目的是“数据价值化”，数据价值化的过程一定离不开数据分析，所以作为数据分析基础的数学和统计学知识就比较重要了。数学和统计学基础对于大数据从业者未来的成长空间有比较重要的影响，所以一定要重视这两个方面知识的学习。

　　第三：大数据平台基础。大数据开发和大数据分析都离不开大数据平台的支撑，大数据平台涉及到分布式存储和分布式计算等基础性功能，掌握大数据平台也会对于大数据技术体系形成较深的认知程度。对于初学者来说，可以从Hadoop和Spark开始学起。

精刷好，你看综合的基本上前面的都是烂大街的爆款，每次看到都非常影响心情

就是专业刷单子的人员

大数据是我的主要研究方向之一，同时也在带大数据方向的研究生，我来回答一下这个问题。

数据分析目前是数据价值化的主要方式之一，也是大数据主要的落地应用方式之一，随着大数据技术逐渐普及到广大的传统行业，对于职场人来说，掌握一定的数据分析技术还是有必要的。

数据分析目前有两种主要的分析方式，一种是机器学习的方式，另一种是统计学方式，对于基础比较薄弱的学习者来说，可以从统计学方式开始学起。

通过统计学的方式进行数据分析可以使用多种工具，比如Excel就是比较常见的数据分析工具，在分析结构化数据，以及数据量并不是特别大的情况下，Excel还是比较方便的。对于职场人来说，Excel可以应付大多数情况下的数据分析任务。如果对于数据分析有进一步的要求，接下来就需要学习数据库知识了，重点在于Sql语言的学习，掌握数据库之后可以继续学习BI工具的使用，BI工具的数据分析功能还是比较强大的。

机器学习也是目前比较流行的数据分析方式，相比于统计学方式来说，机器学习的数据分析方式可以应对更加复杂的数据分析任务。机器学习的步骤包括数据收集、数据整理、算法设计、算法实现、算法训练、算法验证和算法应用，机器学习的核心是算法设计，基础是数据收集。机器学习式的数据分析是一种基于“模型”的数据分析方式，目前在人工智能领域，通过构造模型能解决大量的问题。学习人工智能也可以说是学习如何构造各种“模型”，以及如何让模型能够动态适应各种场景。

通过机器学习的方式来完成数据分析可以从编程语言开始学起，比如Python就是不错的选择。一方面学习Python可以完成“爬虫”的编写，这样就可以解决数据来源的问题，另一方面Python也是机器学习比较常见的实现语言，Python中的Numpy、Matplotlib、Scipy、pandas等库会在很大程度上提升实现的效率。

我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

如果有互联网方面的问题，或者考研方面的问题，都可以咨询我，谢谢！

刷数据网络上出现的一种投机取巧行为，为了自身的利益，利用网络增加交易信息或增加流量以便让更多的人蛮从，从而获取巨大的利益好处。

比如电商，通过虚假买卖，增大交易流量，让大家误认为东西畅销，引人购买。

再比如某公众人物，利用网络刷数据，增加粉丝数量，获取利益。

基础的小伙伴应该该怎么自学数据分析呢？

我会从学习方式、学习内容、面试准备这三项内容展开介绍，那么废话不多说，我们直接进入正题。

一、学习方式

我们可以将学习方式划分为2类：①裸辞学习 ②在职学习

一般情况不建议裸辞，因为裸辞的小伙伴在求职的时候会比较被动：

心态问题 ，如果长时间找不到工作，要承受很大的心理压力；

HR压制 ，这里指HR会压制你的薪资，比如面试官会问，什么时间能到岗，你会很急切的回复说，“明天就可以！”相对应的，你的薪资也是“再降点也可以！”。

所以，如果目前的工作不会让你3秒钟就原地爆炸的话，真的不要裸辞！

二、学习内容

从初级数据分析师招聘要求的必须技能来看，主要包括理论知识和工具实践两部分内容。

理论部分

统计学：为什么将统计学放在第一位呢？因为统计学是数据分析的基石，而且统计分析可以解决日常大部分的分析需求。统计学这部分内容需要学习描述统计、假设检验、概率、分布、抽样、等内容，例如你必须要知道什么是环比和同比，什么是相关和因果，这都是你未来数据分析的基础。

数据分析方法论：这里要学习一些数据分析常用到分析方法，如趋势分析法、对比分析法、多维分解法、用户细查、漏斗分析、留存分析、4P理论、PEST理论、SWOT分析、5W2H理论、逻辑树理论、用户使用行为理论、AARRR模型等。

结构化思维：可以去读一下《金字塔原理》，它能够教会你思考、表达和解决问题的逻辑，例如金字塔里面有提到MECE原则，中文意思是：相互独立，完全穷尽。它是金字塔原理中很重要的原则，是结构化思维的体现，常用于问题或目标拆解。在未来工作中，能够帮助你建立全面的数据分析框架。

工具部分

Excel：它是最基础的数据分析工具。在学习的Excel的时候需要重点掌握：常用函数的使用、快捷键操作、基础图表制作、数据透视表、Vlookup等。另外Excel还可以导入一些模板来使用，典型的包括数据分析模块、做假设检验经常用到；规划求解，做线性规划和决策等问题非常有效。

SQL：它是数据分析的核心技能，SQL要重点学习Select，聚合函数、以及条件查询（Where、Group by、Order by等）

PPT：用来和业务部门交流需求，展示分析结果。

Python：主要学习Numpy、Pandas、Matplotlib、Seaborn等内容。Python 的底层是用 C 语言写的，很多标准库和第三方库也都是用 C 写的，在处理数据时候运行速度非常快。

这里需要注意的是不同公司对工具的要求也不同，例如有些公司要求会使用R语言、SPSS等，具体学哪一个工具可以参照JD要求，其中Excel、SQL和PPT是必备的基础技能工具。我的建议是先学Excel和SQL，最后再去看Python。

三、求职面试

这部分我们先来解答一下文章开头提到的问题“学习到什么程度可以去找工作”

其实这个问题要根据面试公司的岗位技能要求来确定，如果是面试初级的数据运营，只要具备基础的数据分析技能就可以尝试去找工作了，而且如果你是面数据运营（SQL+Excel就能搞定大部分工作）。如果是面试数据分析师，要求则会更高一些。

技能掌握好之后，要根据自己的目标城市、个人爱好、专业优势等因素确定目标行业。

数据分析是一个行业特征很明显的职业，如果你说自己想进入“互联网”企业，那可能说明你还没有想清楚自己到底要干什么。

因为互联网的存在是为了解决某个行业的问题（互联网+企业），比如滴滴、高德地图是为了解决出行交通行业问题（互联网+交通出行），比如美团饿了么解决的是餐饮生活类问题（互联网+餐饮），比如vipkid是为了解决少儿英语学习问题（互联网+教育），蚂蚁金服解决的是金融行业问题（互联网+金融）

这些行业都需要数据分析师，但是每个行业的业务知识和业务指标是不一样的。所以只有确定了行业，才能深入研究这个行业究竟是什么，对症下药，这样转行的成功率会更大。

行业确定后，接下来要明确目标公司，这里需要注意的是不同发展阶段的企业在数据使用的深度上是不同的。

沉睡型的企业，基本就是用Excel做一些基础统计和数据整理，做数据分析的人可能也是兼职，就是我们俗称的“表哥表姐”

在起步阶段，企业已经开始产生用数据报表的习惯，工具还是以Excel为主，数据库为辅，这个阶段的企业已经有少量的专职人员来维护数据库了。

发展型的企业，数据应用深度逐渐转向了业务，企业开始用数据规范工作，使用的工具变成了以数据库和专业的分析工具为主，并且企业会有专业的团队来负责数据工作。

成熟的企业特点更加鲜明，企业有成熟的基于业务场景的数据产品，数据类产品或服务是业务运营的核心组成部分。这时候企业运用的工具往往是数据平台或成熟的数据组件。

所以不同类型或者不同发展阶段的的企业对于数据的资源储备是有极大差异的，对数据人才的要求也不尽相同。

掌握了技能，明确好目标公司，然后就可以准备投递简