學習數據分析師之前，妳必須清楚自己想要達成什麽目標。也就是說，妳想通過這門技術來解決哪些問題或實現什麽計劃。有了這個目標，妳才能清晰地開展自己的學習規劃，並且明確它的知識體系。只有明確的目標導向，學習必備也是最有用的那部分，才能避免無效信息降低學習效率。
1、明確知識框架和學習路徑
數據分析這件事，如果妳要成為數據分析師，那麽妳可以去招聘網站看看，對應的職位的需求是什麽，壹般來說妳就會對應該掌握的知識架構有初步的了解。妳可以去看看數據分析師職位，企業對技能需求可總結如下：
SQL數據庫的基本操作，會基本的數據管理；
會用Excel/SQL做基本的數據提取、分析和展示；
會用腳本語言進行數據分析，Python or R；
有獲取外部數據的能力加分，如爬蟲或熟悉公開數據集；
會基本的數據可視化技能，能撰寫數據報告；
熟悉常用的數據挖掘算法：回歸分析、決策樹、分類、聚類方法；
高效的學習路徑是什麽？就是數據分析的流程。壹般大致可以按“數據獲取-數據存儲與提取-數據預處理-數據建模與分析-數據可視化”這樣的步驟來實現壹個數據分析師的學成之旅。按這樣的順序循序漸進，妳會知道每個部分需要完成的目標是什麽，需要學習哪些知識點，哪些知識是暫時不必要的。然後每學習壹個部分，妳就能夠有壹些實際的成果輸出，有正向的反饋和成就感，妳才會願意花更多的時間投入進去。以解決問題為目標，效率自然不會低。
按照上面的流程，我們分需要獲取外部數據和不需要獲取外部數據兩類分析師，總結學習路徑如下：
1.需要獲取外部數據分析師：
python基礎知識
python爬蟲
SQL語言
python科學計算包：pandas、numpy、scipy、scikit-learn
統計學基礎
回歸分析方法
數據挖掘基本算法：分類、聚類
模型優化：特征提取
數據可視化：seaborn、matplotlib
2.不需要獲取外部數據分析師：
SQL語言
python基礎知識
python科學計算包：pandas、numpy、scipy、scikit-learn
統計學基礎
回歸分析方法
數據挖掘基本算法：分類、聚類
模型優化：特征提取
數據可視化：seaborn、matplotlib
接下來我們分別從每壹個部分講講具體應該學什麽、怎麽學。
數據獲取：公開數據、Python爬蟲
如果接觸的只是企業數據庫裏的數據，不需要要獲取外部數據的，這個部分可以忽略。
外部數據的獲取方式主要有以下兩種。
第壹種是獲取外部的公開數據集，壹些科研機構、企業、政府會開放壹些數據，妳需要到特定的網站去下載這些數據。這些數據集通常比較完善、質量相對較高。
另壹種獲取外部數據費的方式就是爬蟲。
比如妳可以通過爬蟲獲取招聘網站某壹職位的招聘信息，爬取租房網站上某城市的租房信息，爬取豆瓣評分評分最高的電影列表，獲取知乎點贊排行、網易雲音樂評論排行列表。基於互聯網爬取的數據，妳可以對某個行業、某種人群進行分析。
在爬蟲之前妳需要先了解壹些 Python 的基礎知識：元素（列表、字典、元組等）、變量、循環、函數（鏈接的菜鳥教程非常好）……以及如何用成熟的 Python 庫（urllib、BeautifulSoup、requests、scrapy）實現網頁爬蟲。如果是初學，建議從 urllib 和 BeautifulSoup 開始。（PS：後續的數據分析也需要 Python 的知識，以後遇到的問題也可以在這個教程查看）
網上的爬蟲教程不要太多，爬蟲上手推薦豆瓣的網頁爬取，壹方面是網頁結構比較簡單，二是豆瓣對爬蟲相對比較友好。
掌握基礎的爬蟲之後，妳還需要壹些高級技巧，比如正則表達式、模擬用戶登錄、使用代理、設置爬取頻率、使用cookie信息等等，來應對不同網站的反爬蟲限制。
除此之外，常用的的電商網站、問答網站、點評網站、二手交易網站、婚戀網站、招聘網站的數據，都是很好的練手方式。這些網站可以獲得很有分析意義的數據，最關鍵的是，有很多成熟的代碼，可以參考。
數據存取：SQL語言
妳可能有壹個疑惑，為什麽沒有講到Excel。在應對萬以內的數據的時候，Excel對於壹般的分析沒有問題，壹旦數據量大，就會力不從心，數據庫就能夠很好地解決這個問題。而且大多數的企業，都會以SQL的形式來存儲數據，如果妳是壹個分析師，也需要懂得SQL的操作，能夠查詢、提取數據。
SQL作為最經典的數據庫工具，為海量數據的存儲與管理提供可能，並且使數據的提取的效率大大提升。妳需要掌握以下技能：
提取特定情況下的數據：企業數據庫裏的數據壹定是大而繁復的，妳需要提取妳需要的那壹部分。比如妳可以根據妳的需要提取2018年所有的銷售數據、提取今年銷量最大的50件商品的數據、提取上海、廣東地區用戶的消費數據……，SQL可以通過簡單的命令幫妳完成這些工作。
數據庫的增、刪、查、改：這些是數據庫最基本的操作，但只要用簡單的命令就能夠實現，所以妳只需要記住命令就好。
數據的分組聚合、如何建立多個表之間的聯系：這個部分是SQL的進階操作，多個表之間的關聯，在妳處理多維度、多個數據集的時候非常有用，這也讓妳可以去處理更復雜的數據。
數據預處理：Python（pandas）
很多時候我們拿到的數據是不幹凈的，數據的重復、缺失、異常值等等，這時候就需要進行數據的清洗，把這些影響分析的數據處理好，才能獲得更加精確地分析結果。
比如空氣質量的數據，其中有很多天的數據由於設備的原因是沒有監測到的，有壹些數據是記錄重復的，還有壹些數據是設備故障時監測無效的。比如用戶行為數據，有很多無效的操作對分析沒有意義，就需要進行刪除。
那麽我們需要用相應的方法去處理，比如殘缺數據，我們是直接去掉這條數據，還是用臨近的值去補全，這些都是需要考慮的問題。
對於數據預處理，學會 pandas 的用法，應對壹般的數據清洗就完全沒問題了。需要掌握的知識點如下：
選擇：數據訪問（標簽、特定值、布爾索引等）
缺失值處理：對缺失數據行進行刪除或填充
重復值處理：重復值的判斷與刪除
空格和異常值處理：清楚不必要的空格和極端、異常數據
相關操作：描述性統計、Apply、直方圖等
合並：符合各種邏輯關系的合並操作
分組：數據劃分、分別執行函數、數據重組
Reshaping：快速生成數據透視表
概率論及統計學知識
數據整體分布是怎樣的？什麽是總體和樣本？中位數、眾數、均值、方差等基本的統計量如何應用？如果有時間維度的話隨著時間的變化是怎樣的？如何在不同的場景中做假設檢驗？數據分析方法大多源於統計學的概念，所以統計學的知識也是必不可少的。需要掌握的知識點如下：
基本統計量：均值、中位數、眾數、百分位數、極值等
其他描述性統計量：偏度、方差、標準差、顯著性等
其他統計知識：總體和樣本、參數和統計量、ErrorBar
概率分布與假設檢驗：各種分布、假設檢驗流程
其他概率論知識：條件概率、貝葉斯等
有了統計學的基本知識，妳就可以用這些統計量做基本的分析了。通過可視化的方式來描述數據的指標，其實可以得出很多結論了，比如排名前100的是哪些，平均水平是怎樣的，近幾年的變化趨勢如何……
妳可以使用python的包 Seaborn（python包）在做這些可視化的分析，妳會輕松地畫出各種可視化圖形，並得出具有指導意義的結果。了解假設檢驗之後，可以對樣本指標與假設的總體指標之間是否存在差別作出判斷，已驗證結果是否在可接受的範圍。
python數據分析
如果妳有壹些了解的話，就知道目前市面上其實有很多 Python 數據分析的書籍，但每壹本都很厚，學習阻力非常大。但其實真正最有用的那部分信息，只是這些書裏很少的壹部分。比如用 Python 實現不同案例的假設檢驗，其實妳就可以對數據進行很好的驗證。
比如掌握回歸分析的方法，通過線性回歸和邏輯回歸，其實妳就可以對大多數的數據進行回歸分析，並得出相對精確地結論。比如DataCastle的訓練競賽“房價預測”和“職位預測”，都可以通過回歸分析實現。這部分需要掌握的知識點如下：
回歸分析：線性回歸、邏輯回歸
基本的分類算法：決策樹、隨機森林……
基本的聚類算法：k-means……
特征工程基礎：如何用特征選擇優化模型
調參方法：如何調節參數優化模型
Python 數據分析包：scipy、numpy、scikit-learn等
在數據分析的這個階段，重點了解回歸分析的方法，大多數的問題可以得以解決，利用描述性的統計分析和回歸分析，妳完全可以得到壹個不錯的分析結論。
當然，隨著妳實踐量的增多，可能會遇到壹些復雜的問題，妳就可能需要去了解壹些更高級的算法：分類、聚類，然後妳會知道面對不同類型的問題的時候更適合用哪種算法模型，對於模型的優化，妳需要去學習如何通過特征提取、參數調節來提升預測的精度。這就有點數據挖掘和機器學習的味道了，其實壹個好的數據分析師，應該算是壹個初級的數據挖掘工程師了。
系統實戰
這個時候，妳就已經具備了數據分析的基本能力了。但是還要根據不同的案例、不同的業務場景進行實戰。能夠獨立完成分析任務，那麽妳就已經打敗市面上大部分的數據分析師了。
如何進行實戰呢？
上面提到的公開數據集，可以找壹些自己感興趣的方向的數據，嘗試從不同的角度來分析，看看能夠得到哪些有價值的結論。
另壹個角度是，妳可以從生活、工作中去發現壹些可用於分析的問題，比如上面說到的電商、招聘、社交等平臺等方向都有著很多可以挖掘的問題。
開始的時候，妳可能考慮的問題不是很周全，但隨著妳經驗的積累，慢慢就會找到分析的方向，有哪些壹般分析的維度，比如top榜單、平均水平、區域分布、年齡分布、相關性分析、未來趨勢預測等等。隨著經驗的增加，妳會有壹些自己對於數據的感覺，這就是我們通常說的數據思維了。
妳也可以看看行業的分析報告，看看優秀的分析師看待問題的角度和分析問題的維度，其實這並不是壹件困難的事情。
在掌握了初級的分析方法之後，也可以嘗試做壹些數據分析的競賽，比如 DataCastle 為數據分析師專門定制的三個競賽，提交答案即可獲取評分和排名：
員工離職預測訓練賽
美國King County房價預測訓練賽
北京PM2.5濃度分析訓練賽
種壹棵樹最好的時間是十年前，其次是現在。現在就去，找壹個數據集開始吧！！