数据分析师，顾名思义是指那些专门分析数据的人员，分析的数据主要是结构化数据，近年来对文本数据的分析也越来越多更加通俗的讲，数据分析师其实是翻译人员，是将数据翻译成结论的人，且这个结论是对方能听懂的。
下面这张有行和列的数据就是结构化数据，也是我们平时分析使用最多的数据。
不同行业的数据分析师，是有一定差别的，有的偏研发岗位，比如数据挖掘工程师、机器学习工程师、数据工程师；有的偏业务岗位，比如运营分析专家、用户研究工程师、商业分析师等。
在这些岗位中，都涉及到通过分析数据来解决问题，只是在整个工作流程中的侧重点会稍有不同。
那么，我们现在就来看一下数据分析的工作流程：
我来解释一下这个图：
第1步：数据分析最开始是由一个明确的问题来驱动的，比如互联网企业中经常会遇到【上周APP日活人数发生明显增加/下降的现象】，这时候就需要通过数据分析来找答案。
当然有些领域也会出现【在没有明确问题的前提下，拿到数据就开展分析工作】的情况，比如高校等科研院所，领导可能会直接甩给你一批数据，让你挖掘挖掘，看能得到什么结论，其实这类数据分析工作与企业中常说的数据分析工作，存在本质上的区别，对于这方面的内容，以后我可以再单独详细阐述。
第2步：这个问题是否能细分为多个小问题。一个大而复杂的问题，通常很难用一种数据分析方法解决，需要细化为多个小问题，每个小问题可以用一个简单的数据分析方法搞定。并且，根据细分的小问题，我们可以知道每个小问题需要收集哪些数据、用什么分析方法、制作什么样的图表等等，这一步在数据分析过程中非常关键，是考察我们研究设计能力高低的重要判断依据。
第3步：根据每个细分小问题，收集相应的数据。
第4步：根据收集到的数据，相应选择合适的数据分析方法，得到一个个细分小结论。
第5步：总结完整的结论。
第6步：评估结论是否能合理解释最开始的问题，这一步与第2步同等重要。
在这六个步骤中，第1、2、6步是非常非常关键的。
但是，这点往往被数据分析师所忽略，很多人认为第4步最重要，认为用高大上的分析方法、画出酷炫的可视化图表是反应一个人数据分析技术高低的标准。对于这个观点，我表示哭笑不得。我在招人的时候，判断一个人分析技能高低的标准之一是针对第2步的小问题能否选择合适的分析方法。
说完数据分析的流程，再回过来说下数据分析师的工作内容。当前互联网企业中数据分析师的岗位，70%的工作量主要集中在数据采集、整理和预处理上，这是数据分析这项工作的属性决定的，必须得先收集到数据，再清洗数据才能做后面的分析工作，而收集数据、清洗数据又是数据分析中最累的活。
剩下30%的工作包括设计指标、使用工具（Excel、Tableau、SPSS、R、Sass、Python、EViews、Stata等）分析数据、写报告、开会等等。
但是，很多刚入行数据分析的人，在面对整天处理大量数据的重复性工作时，总是感到厌倦、失望、崩溃，甚至在还没有接触到后面30%的工作时，就萌生了转行的想法......
其实，这些都属于数据分析师的“份内事”，只有把前期的工作做扎实，后期的分析工作才能完成的更漂亮。
值不值得学？答案是非常肯定的，但对于不同背景的学习者来说，不是必须要学，这个问题就类似于问医学值不值得学，答案是一样的。
说实话，现在没有【不产生数据、绝对不需要分析数据】的行业。所以，我更鼓励不在数据分析岗位的人，去学习数据分析的方法和一部分分析工具，原因有两点：
另外，数据分析值得学的另一个原因是市场前景好。下图展示的是近十年“数据分析”的搜索指数，可见其受公众的关注度是稳步提升。
这个趋势有两个关键字：
而且，【数据分析】相关的关键词在百度、微信、抖音三大平台的搜索指数都表现出上述一致的趋势。
目前在各大招聘网站上，数据分析类的岗位长年处在技术类岗位需求量的前三；在“十四五”规划材料中，重点提到数字化转型；在领英最新发布的《2021年新兴职位趋势报告》中，指出：伴随着数字化技术和数字经济的发展，一些自带数字化基因的岗位成为风口，对人才的需求也是在急剧增加，是否拥有高水平的数字化人才，成为制约企业快速发展的关键因素。
而且，这里面很多岗位都与数据分析直接相关：
另外，在报告中还提到，一些仍受欢迎的传统岗位，诸如财务顾问、招聘专员、销售等，在【热门技能】中也都提到了数据分析能力。
笔者自己所在的科研机构，明显能感受数字化转型背景下的大变革，我所在的人工智能研发部门对人才的需求量增长非常明显，今年的招聘量是前三年的总和。
我个人觉得，这个岗位的人才在未来10年都不愁就业，并且越是在传统行业、传统岗位，这类数据分析新技术人才越吃香。
所以，不管你未来是否要从事数据分析，我都建议你系统掌握一些数据分析的知识
- 不在数据分析岗位的人，其所在行业肯定有自己的数据，也需要懂一定数据分析基础的人员；
- 更重要的是，现在流行一个名词“H”型人才，即一个人具有两个专长领域，这两个领域具有一定关联性，这样的关联会产生创新，从而使自己在职场上更具价值。
- 稳：不是突然提升，说明该领域不是刚刚兴起，已经成熟
- 升：说明该领域的前景在不断提升
一、Python所有方向的学习路线
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、Python必备开发工具
三、精品Python学习书籍
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、Python视频合集
观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
六、Python练习题
检查学习结果。
七、面试资料
我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
