知识分类

文章推荐

数据分析这个技能，到底能不能速成？

  中国企业数据治理联盟（www.chinaedg.com/）

  进入》主数据管理         企业数据治理            信息资源规划         数据安全管理

  没有任何牛逼的事情是能够速成的，越是像数据分析这种收益周期长的技能，越是这样。

　　但这并不代表，我们不能用一些有意思的方式，把学习的过程变得高效而有趣。这篇文章是要给所有正在学习数据分析，甚至还没入门的同学一个高效的学习路径，让更多人可以平滑地、高效地成为专业数据分析师。

　　学习一门技术之前，你应该知道，你想要达成的目标是什么样的，也就是说，你想通过这门技术来解决哪些问题。有了这个目标，你就可以知道要达成这样的目标，它的知识体系是怎么样的。只有明确的目标导向，学习最有用的那部分知识，才能避免无效信息降低学习效率。

  

　　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，一般来说你就会对知识体系有初步的了解。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

　　其次是数据分析的流程，一般可以按“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”这样的步骤来实施一个数据分析项目。按照这个流程，每个部分需要掌握的细分知识点如下：

  

　　高效的学习路径是什么?就是数据分析的这个流程。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。

　　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，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，我们总结学习路径如下：

　　python基础知识

　　python爬虫

　　SQL语言

　　python科学计算包：pandas、numpy、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。

　　1、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。但还是建议每一个数据分析师，都兼备外部数据获取的能力。

　　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。给大家推荐一些常用的可以获取数据集的网站：

　　UCI：加州大学欧文分校开放的经典数据集，被很多数据挖掘实验室采用。

　　http://archive.ics.uci.edu/ml/datasets.html

　　国家数据：数据来源于中国国家统计局，包含了我国经济民生等多个方面的数据。

　　http://data.stats.gov.cn/

　　CEIC：超过128个国家的经济数据，能精确查找GDP、进出口零售，销售等深度数据。

　　http://www.ceicdata.com/zh-hans

　　中国统计信息网：国家统计局官方网站，汇集了国民经济和社会发展统计信息。

　　http://www.tjcn.org/

　　优易数据：由国家信息中心发起，国内领先的数据交易平台，很多免费数据。

　　http://www.youedata.com/

　　数据堂：同为数据交易平台，包含语音识别、医疗健康、交通地理、电子商务、社交网络、图像识别等方面的数据。

　　http://www.datatang.com/

　　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………

　　推荐：Python-菜鸟教程

　　http://www.runoob.com/python3/python3-tutorial.html

　　以及，还需要了解如何用 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、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。

　　2、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，也至少要懂得SQL的操作，能够查询、提取公司的数据。

　　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2017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。

　　SQL这个部分相对来说比较简单，可以去这个教程：

　　MySQL-菜鸟教程

　　http://www.runoob.com/mysql/mysql-tutorial.html

　　当然，还是建议你找几个数据集来实际操作一下，哪怕是最基础的查询、提取等。你可以去调用一些公司的数据来进行实际的演练，如果没有合适的，这里推荐UCI的经典数据集：

　　鸢尾花数据集

　　http://archive.ics.uci.edu/ml/machine-learning-databases/iris/

　　3、 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。

　　比如销售数据，有一些渠道的销售是没有及时录入的，有一些数据是记录重复的。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 (Python包)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：清除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

　　网上有很多 pandas 的教程，主要是一些函数的应用，也都非常简单，如果遇到问题，可以参看 pandas 操作的官方文档。

　　pandas 官方文档

　　http://pandas.pydata.org/pandas-docs/stable/tutorials.html

　　推荐书：《利用Python进行数据分析 》

　　4、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 Seaborn、matplotlib 等(python包)做一些可视化的分析，通过各种可视化统计图，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，以验证结果是否在可接受的范围。

　　推荐书：《深入浅出统计学》

　　5、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。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。

　　你可以通过 Python 中的 scikit-learn 来实现数据分析、数据挖掘建模和分析的全过程。

　　推荐：scikit-learn官方文档

　　http://scikit-learn.org/dev/_downloads/scikit-learn-docs.pdf

　　6、系统实战与数据思维

　　到这个时候，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，练习解决实际问题的能力。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。

　　如果在分析思路和报告撰写过程中遇到困难，你也可以看看专业的行业分析报告，比如：

　　艾瑞咨询

　　http://www.iresearch.com.cn/

　　看看优秀的分析师看待问题的角度和分析问题的维度，其实你会发现养成数据思维，也并不是一件困难的事情。