數據正在變得越來越常見，小到我們每個人的社交網絡、消費信息、運動軌跡……，大到企業的銷售、運營數據，產品的生產數據，交通網絡數據……

如何從海量數據中獲得別人看不見的知識，如何利用數據來武裝營銷工作、優化產品、用戶調研、支撐決策，數據分析可以將數據的價值最大化。

數據分析人才熱度也是高居不下，一方面企業的數據量在大規模的增長，對于數據分析的需求與日俱增；另一方面，相比起其他的技術職位，數據分析師的候選者要少得多。

那么，小白如何快速獲得數據分析的能力呢？知乎上有很多書單，你可能也聽過很多學習方法，但嘗試過就知道這些跟高效沒什么關系。

數據分析師應該具備哪些技能  

要明確學習的路徑，最有效的方式就是看具體的職業、工作崗位對于技能的具體需求。

我們找了一些最具有代表性的數據分析師職位信息，來看看薪資不菲的數據分析師，到底需要哪些技能。

其實企業對數據分析師的基礎技能需求差別不大，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做基本的數據管理

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，如爬蟲

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：以回歸分析為主

其次是數據分析的流程，一般可以按“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”這樣的步驟來實施一個數據分析項目。按照這個流程，每個部分需要掌握的細分知識點如下：

高效的學習路徑是什么？就是數據分析的這個流程。按這樣的順序循序漸進，你會知道每個部分需要完成的目標是什么，需要學習哪些知識點，哪些知識是暫時不必要的。

接下來我們分別從每一個部分講講具體應該學什么、怎么學。

- ? -

數據獲取：公開數據、Python爬蟲

外部數據的獲取方式主要有以下兩種。

第一種是獲取外部的公開數據集，一些科研機構、企業、政府會開放一些數據，你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。

另一種獲取外部數據的方式就是爬蟲。

比如你可以通過爬蟲獲取招聘網站某一職位的招聘信息，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、網易云音樂評論排行列表。基于互聯網爬取的數據，你可以對某個行業、某種人群進行分析。

在爬蟲之前你需要先了解一些 Python 的基礎知識：元素（列表、字典、元組等）、變量、循環、函數………

以及，如何用 Python 庫（urllib、BeautifulSoup、requests、scrapy）實現網頁爬蟲。如果是初學，建議從 urllib+BeautifulSoup 開始。

常用的的電商網站、問答網站、二手交易網站、婚戀網站、招聘網站等，都可以爬到非常有價值的數據。

- ? -

數據存取：SQL語言

在應對萬以內的數據的時候，Excel對于一般的分析沒有問題，一旦數據量大，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，如果你是一個分析師，也至少要懂得SQL的操作，能夠查詢、提取公司的數據。

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，并且使數據的提取的效率大大提升。你需要掌握以下技能：

提取特定情況下的數據：企業數據庫里的數據一定是大而繁復的，你需要提取你需要的那一部分。比如你可以根據你的需要提取2017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你完成這些工作。

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，所以你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，在你處理多維度、多個數據集的時候非常有用，這也讓你可以去處理更復雜的數據。

SQL這部分比較簡單，主要是掌握一些基本的語句。當然，還是建議你找幾個數據集來實際操作一下，哪怕是最基礎的查詢、提取等。

- ? -

數據預處理：Python（pandas）

很多時候我們拿到的數據是不干凈的，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。

比如缺失值，我們是直接去掉這條數據，還是用臨近的值去補全，比如異常的值，如何設置合理數據區間進行取舍……

對于數據預處理，學會 pandas （Python包）的用法，應對一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

異常值處理：清除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

合并：符合各種邏輯關系的合并操作

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？什么是總體和樣本？中位數、眾數、均值、方差等基本的統計量如何應用？如何在不同的場景中做假設檢驗？數據分析方法大多源于統計學的概念，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，你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……

你可以使用 Seaborn、matplotlib 等（python包）做一些可視化的分析，通過各種可視化統計圖，并得出具有指導意義的結果。

- ? -

Python 數據分析

如果你有一些了解的話，就知道目前市面上其實有很多 Python 數據分析的書籍，但每一本都很厚，學習阻力非常大。但其實真正最有用的那部分信息，只是這些書里很少的一部分。

比如掌握回歸分析的方法，通過線性回歸和邏輯回歸，其實你就可以對大多數的數據進行回歸分析，并得出相對精確地結論。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、樸素貝葉斯……

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

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，你完全可以得到一個不錯的分析結論。

然后你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，對于模型的優化，你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，其實一個好的數據分析師，應該算是一個初級的數據挖掘工程師了。

- ? -

系統實戰與數據思維

到這個時候，你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，練習解決實際問題的能力。

上面提到的公開數據集，可以找一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。

你也可以從生活、工作中去發現一些可用于分析的問題，比如上面說到的電商、招聘、社交等平臺等數據中都有著很多可以挖掘的問題。

開始的時候，你可能考慮的問題不是很周全，但隨著你經驗的積累，慢慢就會找到分析的方向，有哪些一般分析的維度，比如Top榜單、平均水平、區域分布、同比環比、相關性分析、未來趨勢預測等等。隨著經驗的增加，你會有一些自己對于數據的感覺，這就是我們通常說的數據思維了。