数据分析：数据分析师学习路径【统计学、SQL、Excel、Python、机器学习】

待我称王封你为后i 2023-10-04 10:49 53阅读 0赞

![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5b-N6ICF44Gu5Lmx5aSq6YOO_size_20_color_FFFFFF_t_70_g_se_x_16]  
数据分析入门之后有两个方向的职业选择：

*  业务方向  
    初级数据分析师 --> 商业分析师 --> 数据分析经理 --> 运营总监 --> 业务负责人
 *  技术方向  
    初级数据分析师 --> 数据挖掘工程师 --> 数据开发工程师 --> AI工程师 --> 数据科学家

对于初级的数据分析来说，要掌握的知识点都是一样的，当然每一种知识都有入门和专家的区别，短时间内我们能做到熟练运用这个水平就可以了。下面我总结一张数据分析领域的知识结构图：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNTA4NjE_size_16_color_FFFFFF_t_70]

数据分析学习全路径

## 一、1. 统计学 ##

统计学是数据分析的理论基础，你可能跟我一样，一说起理论就头疼。这里推荐一个日本作家写的《极简统计学》，这本书从身边的故事出发，深入浅出的说明很多统计学的原理，是比较好读的一本统计学入门书籍。说到统计学知识，最基础的是描述性统计以及里面各类图表，深入一点需要了解线性回归，贝叶斯，假设检验等。很多理论学习的时候可能会过了就忘，我这里推荐一个方法，就是用python编程语言将统计学知识编写一遍，这样既训练了python又牢记了统计学，是一个非常妙的方法。

参考资料：《极简统计学》

## 二、数据库语言SQL ##

SQL语言已经是是数据分析师必备能力，相对学起来比较简单，你可以先掌握查询语句，这样基本的数据查询就掌握了。SQL作为一门编程语言，相对Python比较简单，但是也具有编程的基本特性，作为一个零基础的人员入门学习是一个不错的阶梯。

自学教程：http://xuesql.cn/  
自学视频：https://www.bilibili.com/video/BV144411T7K4/  
pdf：《SQL必知必会》

## 三、Excel ##

现有的数据分析工具里，最强大应用也是最广的肯定是Excel了。作为一个数据分析师，Excel是必备工具，可以快速处理一些数据，快速出图，非常的灵活便捷。稍微高级一点，Excel也支持基本的一些编程函数，包括max,min,average,find,match,vlookup等。Excel的数据透视表功能也非常的强大，可以快速的选取所需元素进行分析。Excel的学习是最简单的，这里就不多说了。

参考资料：爱知趣excel入门课

## 四、Python语言 ##

Python是目前最主要的数据分析编程语言，学习Python有几个好处，1，相对java，c语言，Python更简单易懂，适合小白入门。2，python是数据处理，数据分析的天生语言。3，python在人工智能，数据抓取，办公自动化等领域都是主要语言。先说说Python的自学：

自学教程：http://xuepython.cn/  
自学视频：https://www.bilibili.com/video/av68633416  
书籍：《Python数据科学手册》  
pdf：《Python for Data Analysis, 2nd Edition》

python数据分析，用来做数据分析的主要是Numpy和Pandas两个包。Pandas运算速度也非常快，也能处理大量数据。Pandas提供了所有的数据统计，数据处理的函数，如：mean, groupby等。Python也一结合SQL来做数据获取，Python用于数据可视化的包也非常多，常用的有：matplotlib，seaborn等。

## 五、机器学习 ##

机器学习最简单的理解就是在一堆杂乱无章的数据中，找到其背后的规律，从这个角度来看，数据分析是机器学习最重要的应用场景之一。

可以先学习一些基础的算法，如线性回归，贝叶斯，决策树，逻辑回归，SVM，协同过滤，随机森林等，机器学习或大数据主要的内容就是利用大数据来做分类或聚类。

什么是分类：比如现在有一堆西瓜的数据，我们知道了西瓜的颜色，大小等等属性数据，人工的做好了分类，现在用机器学习建立数据模型，再来一个新的西瓜，可以用机器进行分类。  
什么是聚类：比如现在有一堆西瓜，和他们的颜色，大小等等的数据，没有分类，现在用机器学习的聚类模型，自动的将他们聚成2类，然后我们再看看怎么给每一类命名。

所有的机器学习算法都是对数据，属性的预测，发掘。  
模型和算法的好坏主要跟场景有关。我们刚开始不可能自己创造模型，能利用好现有的模型就不错。

机器学习不仅是数据分析最常见的方式之一，同时也是打开人工智能技术大门的钥匙，从这个角度来看，学习机器学习也会给自己向人工智能领域发展奠定基础。

## 六、数据分析思维 ##

数据分析的基本步骤为：提出问题->理解数据->数据清洗->构建模型->数据分析->数据可视化。这些步骤的基础都是数据分析思维。  
数据分析是解决具体的问题的，比如在公司里：一个老板问，咱们这个月的销售量怎么下降了？  
这个问题没有办法用人直接回答的时候，就可以用数据分析来分析和解答，这也是数据分析的主要价值。

分类思维：比如我们刚开始把数据分析学习路径分成几个方向，然后逐个方向去分析理解，这就属于分类的思维。

树形思维：比如，针对销售量下降的问题，我们从线上，线下两个方向去分析，线上又从京东，淘宝等各个电商去分析，或者从销售员的角度细分下去，这样最终就能找到原因

对比思维：比如，我们拿这个月销售额和去年此时比较，或者拿它和其他相同的公司比较，通过比较来确认问题，这就是对比思维

参考资料：《精益数据分析》  
文章：https://www.jianshu.com/p/a4d184e89

--------------------

参考资料：  
[一个真实的数据分析师学习路径][Link 1]

[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5b-N6ICF44Gu5Lmx5aSq6YOO_size_20_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/ea8969c9074b4fe1ae3eee2f0a73eef8.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5b-N6ICF44Gu5Lmx5aSq6YOO,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNTA4NjE_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210414210448470.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNTA4NjE=,size_16,color_FFFFFF,t_70
[Link 1]: https://zhuanlan.zhihu.com/p/140689722