最近有很多人在问，Python数据分析的一些问题。关于到底应该怎么学？如何快速入门，以及技术和业务之间的瓶颈如何突破？于是总结了一些经验，希望能够给还没入门、或者入门之后就遇到瓶颈的新手一些建议。主要是关于如何系统地进行学习规划，以及可以避免的一些坑。
要学数据分析之前，至少要了解一下，做一个数据分析师，到底需要哪些技能。事实上，学习任何技能都是这样，以对应的岗位所需的技能来作为学习的向导，总归是没错的。
有的同学看到数据分析几个字，就马上开始Python函数+控制语句、R语言和ggplot库……上来一顿骚操作，还没入门就放弃了。这就是需求不明确导致的，当然学习方式也值得商榷，那到底数据分析需要什么样的技能呢？ 这里作为例子，从招聘网站上找了几个数据分析的岗位，我们来看看具体的要求是怎样的。
其实企业对数据分析师的基础技能需求差别不大，可总结如下：
- 分析工具：一般要求SPSS/SAS/R/Python等分析工具至少会一种，会两种以上加分，有的企业因内部需求，会指定的一种；
- 数据库：绝大会要求会SQL，部分要求SQL/NoSQL会一种，高级的分析师或者大型企业要求能够处理大数据，需要Hive（较少的需要Hadoop/Spark）；
- 统计学：若无相关专业背景，需要具备相应的统计学、概率论等基础知识；
- 数据挖掘：少部分要求会建模，了解基本的算法模型，能够做数据预测，即便不要求，算法也是加分项；
- 结果输出：Excel/PPT/Tableau。Excel和PPT要求的比较多，主要用作常规的数据呈现，与业务部门沟通等，Tableau一般作为可视化或者分析工具的加分项或者要求之一；
-
业务/思维：对某个领域（如电商、金融等）相关业务的了解或具有产品、运营方向的分析经验，有自己的数据分析的方法论和项目经验，具备Data Sence。
看上去很简单呀，对吧，但其实你把每个技能拆分开来，都是一个不小的知识体系。如果我们按照数据分析的流程来细分的话，每个部分应该掌握的技能，大概是这样的：
那对于这个技能体系，应该如何进行技能的训练呢？先后顺序是什么？哪些地方可能出现困难和瓶颈？这可能是初学者最困惑的地方，我们可以看看数据分析的不同层次：
- ❶ -
懂基本操作，能上手进行探索性分析
这个要求真的不高，如果是用Excel，也就是画个分布图、用用场函数和Vlookup的事情，当然对于专业数据分析师而言，仅会Excel是远远不够的，特别是对于拥有海量数据的巨头。 用Python来做的话，也就是numpy、pandas和matplotlib的一些基本操作，简单来说，你需要掌握基本的数据分析处理和可视化，进行探索性的数据分析，观察数据分布、计算各种统计量，得出一些基本的结论。 当然你还需要补补基本的统计知识。 所以开始上手的话，就两个部分，Python库（numpy、pandas、matplotlib/seaborn）和统计学知识，当然你可以找一些数据集来进行这些操作。 在这个时候你已经可以做一些基本的数据清洗、数据分析工作了，像数据专员这样的职位都可以尝试，如果懂一些业务，初级数据分析的工作也可以着手了。 这个阶段的工作主要进行基本数据处理，对于明确的分析任务能够进行技术上的基本实现，能够正常推进具体的分析计划落地实施。 而处于这个阶段，欠缺的能力在于技术的熟练度、全面性以及整体业务分析的规划。 一方面是对于实际的项目缺乏多重技术的对比，对于复杂项目缺乏有效实施手段；二是对于整体的业务缺乏清晰的拆解方向，对于用什么指标，需要构建什么模型等问题的缺乏系统性思考。
- ❷ -
深入技术，做全方位的数据分析
能够做基本的操作之后，接下来你应该可以更深入下去了，Python数据分析三剑客（Numpy/Pandas/Matplotlib）更深入的操作，掌握更多的技巧，以满足不同的数据和场景。 所以这应该是一个连续的、循序渐进的过程。 当然这个时候你更多的是要通过具体的数据集，去进行真实场景的分析，尽可能多的从不同的角度进行探索，得出更多的结论。 考虑到更多的场景，你可能还需要数据库（SQL or NoSQL）的技能，至少能够顺利提取、查询公司的数据库，能够通过数据库的管理实现基本的数据清洗和分析。 还有就是爬虫的技术，如果你有获取网络数据的需求，你需要掌握另外的Python包（比如BeautifulSoup、Requests等）。当然这些可能并不是当下必须的技术，可以等到有需求的时候再去学习。 总的来说，这个部分，是数据分析工具深入和全面实战的部分。 确定你能够熟练完成项目并输出结果后，就完全可以去尝试初级数据分析师相关的职位了。 当然在此之前，你需要去大量进行项目练习，一来为熟悉流程和工具，二来培养分析思维，这些项目经验也是求职的优质资源。
- ❸ -
从数据分析到数据挖掘
别慌，并不是要去真正地系统学习数据挖掘。只是在做数据分析的时候，通常会涉及到预测型的数据分析，比如预测广告的点击、出行需要的时间、未来某个时间的销售额……这些对未来情况的预测是做决策的重要依据。
那其实就是要掌握一些数据挖掘的方法，比如逻辑回归、朴素贝叶斯方法、决策树等等。当然你需要用到Python库scikit-learn，scikit-learn里都可以直接调用这些算法，初级阶段，知道怎么调用就可以了。 但随着深入，你会有了解算法原理的需求，那可以帮助你去调参，提升算法效果。当然特征选择也是提升预测效果不可忽视的部分，如果算法应用没问题了，可以尝试做特征工程提升效果。 数据挖掘技能（或者说算法能力）并不是分析师的必修项目，但你去看招聘JD就会发现，这是一个很好的加分项，优秀的分析师应该具有一定的构建算法模型的能力。
- ❹ -
从数据分析到商业决策
老实说，这个步骤并不是最后来训练的，而是贯穿在整个数据分析的过程中。因为数据分析的本质，或者说终极追求是为商业目的服务的，比如提供用户增长的策略，为销售提升提供解决办法，通过数据分析提供更人性化的用户体验…… 方法、技巧皆为工具，你将会总结出自己的一些方法论，如何通过一个完整的分析得出一个高价值的商业报告，甚至是一套自动化分析决策的商业系统（比如推荐系统，用户画像系统，风险模型）。 这些才是更高层次的数据分析工作应该去做的事情，在任何项目推进之前明确目标，并系统地解决数据获取、数据存储、数据建模和可视化呈现的问题，推动整个项目的进度。 我们的终极目的不是去获取几个数据，也不是呈现几张炫酷的图表，而是去探索一个问题的解决方案，寻找一个市场的突破口，以技术的方式去降低策略制定的风险。 所以当你不再聚焦于具体的技术点、工作流程，而是重于不同业务指标的选取，解决问题的模型的构建，高效和低成本的决策辅助等时候，你就真正上升到比较高的层次了。 ● ● ●- 系统学习成为分析师 -
所以，如果你是真的想系统地去学习数据分析，从工具、流程、业务、思维等层面逐个击破，有目的地系统学习和基于真实项目进行训练，以learning by doing 的形式，我想把这门课推荐给你。
DC学院的数据分析师训练营完全以职业为导向，通过实际的项目流程，训练真实的工作技能。十周的系统训练，除了掌握基础的技能，还有能获得大量的项目经验。这是训练营的第1期开班，优惠力度足够大（名额有限），相信之后你不太能够以如此低的价格加入，或者说是参与类似的系统性训练。
十周系统训练，掌握专业数据分析师的技能
第二期名额开放，立减200，优惠限前20名
开课7天内无理由退款
↓↓↓ 扫码了解训练营详情 ↓↓↓
课程问题、优惠券领取
扫下方二维码添加Amy小姐姐
01
课程设计
为了打造这样的训练营，我们花了6个月的时间去打磨：
????为了保证技能的全面性和深度，
我们调研了众多的数据分析岗位，和数十位分析师进行了深度的内容探讨。
让课程内容能够满足主流企业的需求，也具备不同行业、领域的数据思维和分析方法。
????在学习的流畅性方面，我们也对学习路径进行了数十次的迭代，从技能板块的学习逻辑到细节知识的设置和筛选。既让课程能够使不同背景的同学高效学习，也尽可能地提升学员能够达到的技能上限。
????特别是案例和作业项目部分，尽量地还原真实工作中的业务流程，融入尽可能多的技能栈，所以每个项目都是训练的综合应用能力，和解决实际问题的能力。我们始终坚信，大量的真实训练，才是知识内化和迁移的关键。
以下就是我们这次训练营的课程主体大纲（学习计划周次可以扫码了解），十周的训练，足以让你打败市面上多半所谓的据分析师：
02
实战案例
除了课程中实时穿插的小案例巩固细节知识点，另有6大企业项目实战，涉及电商、房产、金融、招聘、社交等多领域。
这些案例在课程中都有详细的讲解，关于问题拆解的思路，使用的技术细节，代码的编写，以及逐步的效果展示。
帮助你训练数据采集、分析方法、编程技巧、模型搭建、报告撰写等全方位技能，丰富项目经验。
03
作业项目
除了众多的实战案例帮助你实时巩固技术之外，另外每周都有基于真实业务问题的作业项目。你需要根据每周的学习，来解决这些在工作中存在的问题。最重要的是，每周提交的作业项目都有老师1v1批改，逐行代码审阅，评估学习效果，并给出针对性的学习建议。可以很负责任地说，认真完成这些作业项目，最终形成的这个作品集，将可以成为你求职就业非常棒的加分项。
△ 部分作业列表 
△ 内测学员部分作业批改
04
学习收益
训练营完全按照数据分析师职位的技能需求进行打造，既保证技能的全和深，也在此基础上尽量简化学习的内容，以提高效率。 当然，必要的横向的扩展还是会有的，比如小规模数据的Excel分析，利用其它可视化/报告工具进行数据分析报告的输出，这些必要的技能在课程中会有所涉及，也是数据分析师的绝对加分项。 总体来说，你将得到工具使用、编程能力、数据库能力、分析能力、数据思维五个方向的锻炼，成为具有综合能力的分析师，而不是数据处理员。
