数据分析应该如何详细详细学习路线讲解

最近，写了 Linux C/C++、Java 的学习路线，对于要走这个方向的读者，看看文章，大致方向不会错的，在看的过程中，要慢慢培养自己的技术栈：

1、Linux C/C++ 学习路线（已拿腾讯、百度 offer）

2、Java 学习路线

对于 Java 学习路线，上篇文章说到的框架那块，有些过时了，现在直奔 spring 或 springboot 即可，另外 2 个框架不用学了。

后台三大主力，C++、Java、Go，Go 语言的学习路线不打算写了，目前走 Go 方向的人很少，看之后发展如何吧；上次读者留言，提到了数据分析，对于目前大火的 Python，在数据分析方面，是有一定的优势的。

数据分析方向的思考

1、

对于 Python，可以从事的方向有：爬虫、后台、web、数据分析、算法岗，目前来说，要是选择 Python 的话，走数据分析、算法岗是比较好的；当然了，Python 最适合的场景就是 AI，要是能直接走算法岗是最佳选择。

走数据分析的，大部分人本身可能只熟悉 Python，有一部分人是真的喜欢这个方向，有一部分人其实是被动选择，想找后台方向，不熟悉 C++、Java、Go，没法投递，想找算法岗，对于机器学习十大算法以及算法方向的能力暂时不具备，只能选择数据分析这么一个岗位了。

对于数据分析，国内招聘的需求岗位远不如后台、算法岗多，加上现在 Python 大火，很多人都走的 Python 路线，其竞争非常激烈，对于数据分析岗的技术含量，远没有算法岗那么多，要求也没那么严，其薪资待遇也不算高。

数据分析其实很实用，可以通过对大量数据的观察、分析、得到一定的规律，对于现在的大数据、云计算，尤其是面对海量数据，就需要一些快速处理的方法，数据分析岗位在公司中有一定的重要性，这个方向可以作为走向 AI 算法岗的跳板。

2、

对于技术没多大追求的，还想踏入互联网行业的，完全可以选择走数据分析，数据分析这个方向相对而言，跟业务挂钩比较大，熟悉了业务背景，还是很好上手的，如果一开始不具备算法岗的能力，也可以从数据分析入手，慢慢转向算法岗。

我要清醒的告诉大家一点：数据分析的技术含量是比较低的，如果你想长期从事技术方面的工作，还是需要走后台或者算法岗，很多人投递这个方向，其实是被动与无奈的选择（都不知道在工作中，数据分析到底是干啥的），一定要想好自己的职业方向。

如果真的喜欢数据分析，对数据比较敏感，一直从事在这个岗位也是挺好的，关键是要做自己喜欢的事情！

数据分析学习路线

数据分析，我在工作中有过简单的接触，自己目前入门较浅，根据自己的思考，分享一下我认为的学习路线、资料推荐，其中肯定有不足之处，希望大家在学习的时候，慢慢完善自己的技术栈就好了。

数据分析岗位，简单理解，就是对于数据的处理、分析，得到结果，所以这个方向需要学习数据分析的 2 个方面：工具 + 方法 （数据处理的工具以及数据处理的常见方法）。

数据分析最完整的流程：数据获取--->数据存储--->数据预处理--->数据分析--->数据可视化。

1、基础

Excel ：最基础的数据处理工具，偏向于运营岗位的数据分析，作为一个数据分析师，Excel 无条件的熟练掌握，对于数据量较少，拿 Excel 进行分析、转换、运算即可，而且数据分析师很大一部分时间是在与 Excel 在打交道。

SQL：sql 语句的熟练掌握，这就是跟数据库打交道了，利用 sql 把数据进行提取，分析是很常见的一种方法（说句实话：算法岗也有一部分时间是在写 sql），不管你从事数据分析、还是算法岗，sql 都非常的重要，因为这是跟数据库打交道最直接的语句了。

我前面说过，不管你是啥方向，工作中最重要的三项技能，必须非常非常熟练的掌握起来：Linux + Git + Sql。

Python：Python 基础知识的掌握，主要是 Python 非常擅长处理数据，Python 有很多包、方法都是可以直接调用的，作为一名数据分析师，对于一些复杂的场景，会用脚本语言进行数据分析。

Python 爬虫：对于这项技术的理解，掌握了会更好，不会也不影响你作为数据分析师的日常工作，数据分析师的主要工作是对于数据的理解、处理，拿到结果；对于 R 语言，也是一门脚本语言，方便处理数据的，有时间可以接触，学习学习，Python 在这方面的需求是远大于 R。

数据分析师的基本功：Excel + Sql + Python，加上对于业务的理解，日常需求还是能完成的，对于那些计算机基础知识，肯定是掌握了更好啊！

2、进阶

Python 科学计算：pandas、numpy、scipy 等，pandas 常用于数据的清洗（重复、缺失、异常值等），把这些缺失的数据处理好，才能获得更加准确的分析；numpy 支持数组和矩阵的运算，提供了大量的数学函数库；scipy 是一个高级的科学计算库，很多数学统计的相关函数都在其中。

对于科学计算包pandas、numpy、scipy 等，作为数据分析师的进阶是最好要掌握的，花些时间，把这些都得熟悉掌握起来。

概率论及统计知识：

(1)、基本的概念：均值、中位数、众数、极值等；

(2)、统计量：方差、标准差、显著性等；

(3)、概率论知识：条件概率、贝叶斯等；

。。。

有了统计学的基本知识，就可以拿上面的量化数据，来描述数据的指标，观察数据规律，得到一些结论性的总结，以及一些变化趋势的预估，这块数据分析做的就是有些技术含量的东西了。

3、拔高

数据分析师的拔高，就是在慢慢的走向机器学习方向，慢慢的转为算法岗。

特征工程的基础：如何统计数据特征、选用不同的特征，做模型的优化；

基本的分类算法：决策树、随机森林等；

基本的聚类算法、数据挖掘、常见的机器学习算法的了解；

做到这步的话，慢慢就会有数据挖掘、机器学习的感觉，一个优秀的数据分析师，数学功底是扎实的，就是在潜移默化的转向数据挖掘岗。

4、推荐资料

书籍：

《对比Excel，轻松学习Python数据分析》：易懂易学的好书，强烈推荐！

《利用Python进行数据分析》

《深入浅出统计学》

数据分析工作中

2019 年腾讯暑期实习招聘

看看投递数据分析方向的比例是多么的吓人（50：1），岗位少，投递人多，竞争太激烈了；看看腾讯对于数据分析师要求的技术栈：数学功底 + Python 脚本，基本上就是这些。

当你对于一个岗位，不知道学啥、不知道怎么构建自己技术栈的时候，你就多去官网看看，对于这个方向的要求，会给你指明一个大体的方向，按照着学习、准备、提升自己的技术能力就好。

为啥大部分人都投递这个方向呢？我上面都说了，无奈与被迫的选择，如果计算机水平足够，大部分人还是愿意选择后台或者算法岗，多想想，时刻保持独立思考的能力。

对于大部分数据分析师，在工作中，掌握：Excel + Sql + Python 足够了，并没有多大的技术含量，拿的钱相对较少；我这边工作中接触的数据分析工程师，主要就是统计数据、效果追踪、报表可视化展示等。

每家公司的数据分析做的工作是完全不一样的，有的感觉很无聊，有的还有些技术含量，这取决于你的业务与场景，大厂和小厂的数据分析也有差别，不管咋样，时刻保持不断学习的劲头就好了。

面对新的领域，不在于我是否走这条路线，在于我是否思考、查资料、解决这些问题，能快速的给自己规划学习路线，这就是能力。

数据分析未来岗位还会增加，看看是否适合自己，认清自己在技术方面的能力，做好选择。