Python 中有一个包叫Pandas，是专门进行数据处理的
同样，还有这样一个包叫Scikit-learn，是进行数据挖掘的
还有像爬虫、可视化Seaborn|matplotlib、线性代数scipy、深度学习keras 等等这样的包，数据科学都涵盖进去了。
ok，数据科学就是一个涵盖数据处理、可视化、数据挖掘、深度学习等这些内容的学科**，理解就好。**
想必对很多同学，尤其是还在学校的同学来说，会对这个问题比较感兴趣。
那么在实际工作中，一个数据分析项目，它的实现流程究竟是怎样的？
小一我翻了下这两三年自己在工作中遇到的大小项目，并且和同事进行了充分的交流，差不多总结了六个步骤。
分析业务指标，明确数据内容
很惊讶吧，第一个竟然是这个。
在实际遇到一个项目的时候，往往领导给你的任务，是一个大的目标，比如：
**领导：**小一啊，我们这个月比上个月的用户投诉略有增多，你来分析一下是什么原因，顺便预测一下下个月我们应该重点抓哪些指标“
像这种，就需要先了解具体业务了
用户为什么会投诉？产品哪里做的让用户不满意？用户不满意的具体数据有哪些？这些数据是怎么生成的？不同粒度的数据又表示什么？
另外别忘了老板的终极目标（xxx，这是顺便一下就能预测出来的吗…）
提出问题假设，建立分析方法
当你已经知道你的目标和哪些数据有关系，却不能确定哪个是主要问题，哪个是次要的时候，你就到了第二阶段。
如果你时间允许的话，我建议你可以建立对照组进行对照试验。
比如上面的问题，你就可以假设用户投诉和资费太贵有关、和产品质量有关系、和售后服务有关系等
另外，如果你有历史的投诉数据，你也可以提出基于时间维度的假设：不同月份受天气影响太大，造成用户投诉（如果你真的把原因归结为天气，希望你不会挨老板毒打吧）
利用采集工具，获取相关数据
你已经提出了问题，也知道你的问题会和哪些数据有关联，这个时候你需要数据，需要尽可能多的数据去验证你的结论，让你的结论更有信服力，能被老板接受。
一般在大公司里面，会有专门的人负责对接取数这个活，你只需要提需求就完事了。
在小公司里面，往往你就是自己的主宰。
想要数据？自己去取。
数据不够？自己去找。
我找不到？您真厉害（要你何用）
你可以通过一些数据采集工具或者自己写爬虫脚本。
这里，小一的经验是：
如果你数据量很小，就几百几千条那种，爬虫就没必要了，找一个八爪鱼或者火车头这类的采集工具，效率很高。
如果你数据量略大，需要定时获取那建议你学习一下Python 爬虫
“不会Python，不会爬虫怎么办？”
“往下看，后面有你想要的！”
通过编程手段，实现数据清洗
在你的一波极限操作（差点被辞退）之下，你终于拿到了想要的数据。
仔细一看，监控系统每小时保存一个记录文件，上个月一共30*24个文件，文件也不大，就几MB的样子，但顶不住它量大啊。
咋办？
所以在这一步，掌握至少一门编程语言是基本要求。R、Python都可，推荐后者，后面会细说
在数据清洗的过程中，你需要面对这些问题：
缺失值处理、异常值处理、重复值处理，还有系统偶尔抽风后保存的垃圾数据。
提取有用信息，进行数据分析
现在万事俱备，终于到你熟悉的领域了。
你利用基本的统计学方法进行数据统计，分析每一个指标的数据分布，对比上月的数据你还计算了不同指标的环比情况。
你找到了反映用户投诉的具体指标，确实是这个月这些指标波动比较大影响的，然后你又通过对比不同年份同时期的数据去证实你的结果。
最后，你利用数据分析软件建立了一个简单的预测模型，通过历年数据预测这个月的指标，结果发现相差不大。
受此鼓舞的你又通过模型预测了下个月的指标情况，信心满满。
合理数据展现，输出分析报告
当你一筹莫展不知道怎么写你的分析报告时，你的同事给你发来了“xxxx数据分析报告模板”。
当你看完模板你知道写报告需要这些：图表展示+数据论证+结果预测
你原想着长篇大论说一通，最后却被你精炼到了五六页PPT 上
由于同事模板助攻的到位，你只需要换几张图贴一些数据表，然后将最初的目标原因解释清楚，形成一个稍有信服力的结论
最后附上你预测的结果，来一段合理又不偏颇的建议，你的报告就搞定了。
流程说完了，还是得来点实际的干货，不然又被你们说我水文章了。
这部分主要介绍：如何入门+学习方法
1. 确定自己的方向
在数据分析中，有这样两种类型：偏业务型的数分和偏技术型的数分。
偏业务型的我不太好说，因为我不是业务出身。我了解的偏业务型更多的是在和市场的人打交道，针对市场的促销活动分析用户痛点，提供有价值的分析结果？（是问号，我没打错）
针对运营的周、月、季度、年指标进行输入输出，完美阐释了“我们不生产数据，我们只是数据的搬运工”这句话。
偏技术型的大多都呆不久，哈哈，开个玩笑。
偏技术的会注意各种指标之间的关联，根据业务的情况相应的进行指标优化，预测业务的相应指标。
所以，偏技术型的数据分析最后干着干着就成了一名数据挖掘工程师，自然演变吧。
偏业务型的更容易入门，多了解指标看看业务相关，剩下的就是水到渠成的事情。偏技术的就需要你自己不断的学习，提高自己，尤其是算法模型，没那么简单入门。
2. 提高自己的能力
前面说的有点夸大，你也不必太紧张。数据分析这能力，有很多种途径去提升。
下面我列一下能力阶梯，想要入门的同学可以一级一级往上提升自己。
2.1 业务能力
不多介绍，看个人能力。短则一两周，长则一两个月。
业务相关的，就那么点数据，指标的含义都是早都确定好了的。能举一反三，将一个大目标分解成具体的小指标上，或将小指标确定到具体数据上去，业务能力就ok了。
2.2 Excel 相关
很多同学不把它当回事，不当回事的我暂且认为你还是学生，但凡开始工作已经接触到数据的人，你敢说你真的会用Excel 吗？
Excel 永远是数据处理的一大利器，这不仅体现在它对数据进行各种统计汇总的操作上，还体现在它的图表输出上。
相信也有很多同学通过Python 处理完数据之后，还会去用Excel 画图。
当你的数据量小（以100万行为界限），数据处理简单，数据表唯一的情况下，建议你直接用Excel，快速、方便，输出简单。
在老板眼中，可以用Excel 搞定的分析任务分分钟就能出结果！
2.3 Python/R
前面已经说过为什么要掌握一门编程语言，那在这就来说说怎么简单快速入门一门编程语言
我们都知道，有目的性的去学习是事半功倍的，编程也是
这里我们学编程进行数分的目的就是进行数据清洗、统计预测之类的，那肯定会有这样一个流程：读数据—清洗数据—分析数据—图表分析—关联预测—保存数据。
读数据：肯定和文件操作有关，学习文件相关内容
清洗数据：先判断所有不合理数据，在删除或填充，所以和判断、循环有关，学习分支相关内容
统计分析：通过数学方法汇总指标，和方法有关，学习函数、数学模块相关内容
图表分析：通过制作图表进行更深层次的维度分析，学习可视化的相关内容
关联预测：通过的3、4两步进行合理的关联预测，需要学习相应的简单算法，以及代码的实现应用（加分项）
保存数据：保存到文件或者数据库，学习数据库相关内容
这一个流程下来，编程的相关语法就差不多也学完了，为了提高处理效率在学习下进程线程相关、数据处理高阶模块相关，基本上你的编程技术也就没啥问题了。
这里小一推荐你们直接入门Python，我有写一整套的Python 从入门到进阶再到高阶的学习教程，感兴趣的可以快速入门： 小白学Python（入门+进阶+高阶）
R就不说多了，建议直接Python
2.4 SQL
我本来都忘了写这个技能，回过头看文章才补了上来。不是因为它不重要，而是我每天都在用，熟悉的都忘记了！
学习SQL 没啥好说的，比上面的Python、R简单多了
记住四个功能：增删改查
数据库的基本操作都是围绕这四个的，高阶的数据库操作在数据分析上也用不到，暂时不用考虑
2.5 挖掘能力
不要纠结这个小标题，权且把这个当做数据分析的一个加分项吧，有则更好。
目前的数据分析师大多都会要求懂些算法知识，这个没办法，别人懂就会比你有优势，就会抢你饭碗。
对于新手来说，到了这一步建议直接先去看挖掘十大算法，了解概念就好，然后尽可能的看一些相关的算法模型案例，知道怎么用就行。
最好，自己动手搞几个数据集玩一玩。
至于手撕XX算法这种事，就看个人能力了，别勉强。
2.6 输出能力
套路+练习，小一我觉得主要就这两个。
毕竟写PPT、输出文章这种能力，和天赋有关系也和你的上司有关系，你要是写的东西合胃口了，怎么写都行，要是不合，那可能就会有xxxx数据分析报告Vxx.xx版这种类型的报告频繁出现了。
多看看老同事们写的文档，熟悉熟悉自己公司的文档风格和套路，多写多练，也会慢慢好起来的，这不是什么硬性要求。
做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。
别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。
我先来介绍一下这些东西怎么用，文末抱走。
（1）Python所有方向的学习路线（新版）
这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
最近我才对这些路线做了一下新的更新，知识体系更全面了。
（2）Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
（3）100多个练手项目
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。
（4）200多本电子书
这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。
基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。
（5）Python知识点汇总
知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。
（6）其他资料
还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。
这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
1834
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
