如何成为一个合格的数据分析师

  要说目前最热门的职业是什么，非数据分析师莫属。现如今各行各业对于专业数据分析师的需求不断扩大，因此想要转行数据分析的人也不断增多。虽然许多小白通过自学或者报班学习了数据分析师的技能，但并不代表就能进入数据分析行业，成为一名优秀的数据分析师。那么，优秀的数据分析师应该具备怎样的能力，小白以及初入行这应该朝哪方面努力呢？

• 1、业务能力。数据分析工作并不是简单的数据统计与展示，它有一个重要的前提就是需要懂业务，包括行业知识、公司业务及流程等，最好有自己独到的见解。数据分析的目的就是通过研究数据实现转化增长，若脱离行业背景和公司业务内容，数据分析就是一堆没有价值的数据图表而已。

• 2、管理能力。数据分析师一方面需要搭建数据分析框架的要求，确定统一的业务指标。另一方面需要针对数据分析的结论研究出根本原因，并为下一步的工作目标做出指导性的规划。

• 3、分析能力。数据分析师必须要掌握一些行之有效的的数据分析方法，并能灵活的与自身实际工作相结合。数据分析师常用的数据分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。

• 4、工具使用能力。数据分析工具是实现数据分析方法理论的工具，面对越来越庞杂的数据，数据分析师必须要掌握相应的工具去对这些数据进行采集、清洗、分析和处理，以快速准确地的到最后的结果。常用工具有：EXCEL、SQL、Python、R、BI等。
       python、SQL、R语言这些都是最基础的工具，python都是最好的数据入门语言，而R语言倾向于统计分析、绘图等，SQL是数据库。既然是数据分析，平时更多的时间就是与数据分析打交道，数据采集、数据清洗、数据可视化等一系列数据分析工作都需要上面的工具来完成。

• 5、设计能力。是指运用图表和图形即将数据分析师的观点清晰、明确地展现出来，使分析结果一目了然。图表设计是门大学问，如何选择图形，如何进行版式设计，颜色怎样搭配等，都需要掌握一定的设计原则。

通俗易懂的话来说:

根据我总结的经验，一个合格的、高级的大数据分析师必须要掌握以下9种技能:
1.统计分析:大数定律、抽样推测规律、秩和检验、回归、预测;
2.可视化辅助工具excel、BI工具、python
3.大数据处理框架:Hadoop、storm、spark
4.数据库:SQL、MySql、DB
5.数据仓库:SSIS、SSAS
6.数据挖掘工具:Matlab、R语言、python
7.人工智能:机器学习
8.挖掘算法:数据结构、一致性
9.编程语言:Java、python

一、统计分析

众所周知，统计学是数据分析的基石。学了统计学，你会发现很多时候的分析并不那么准确，比如 很多人都喜欢用平均数去分析一个事物的结果，但是这往往是粗糙的的。而统计学可以帮助我们以 更科学的角度看待数据，逐步接近这个数据背后的“真相”。
大部分的数据分析，都会用到统计方面的以下知识，可以重点学习:
.基本的统计量:均值、中位数、众数、方差、标准差、百分位数等

• 概率分布:几何分布、二项分布、泊松分布、正态分布等
• 总体和样本:了解基本概念，抽样的概念
• 置信区间与假设检验:如何进行验证分析
• 相关性与回归分析:一般数据分析的基本模型

了解统计学的原理之后，你不一定能够通过工具实现，那么你需要去对应的找网上找相关的实现方 法，也可以看书。先推荐一本非常简单的:吴喜之-《统计学*从数据到结论》;也可以看《商务与经济统计》，结合 业务能更容易理解。
另外，如果想要更进一步，请掌握一些主流算法的原理，比如线性回归、逻辑回归、决策树、神经 网络、关联分析、聚类、协同过滤、随机森林。

二、可视化辅助工具

数据可视化主要通过编程和非编程两类工具实现，对于普通行业的数据分析师来说，不需要掌握编程类的可视化工具，学习麻烦而且没有必要，掌握下面几种即可:
数据可视化主要通过编程和非编程两类工具实现，对于普通行业的数据分析师来说，不需要掌握编程类的可视化工具，学习麻烦而且没有必要，掌握下面几种即可：

1、EXCEL

别以为EXCEL只会处理表格，你可以把它当成数据库，也可以把它当成IDE，甚至可以把它当成数据可视化工具来使用。它可以创建专业的数据透视表和基本的统计图表，但由于默认设置了颜色、线条和风格，使其难以创建用于看上去“高大上”视觉效果。尽管如此，我仍然推荐你使用Excel,

2、BI工具

近几年冒出来的Bl之秀，如TB、qlk都强调可视化，一改传统BI工具SAP BO、IBM家的cognos (不过近几年貌似都在研发云Bl)。这里不谈开源，还没见到能成熟应用的Bl。成熟的BI工具如FineBl(国内）和Tableau(国外)，都很推荐。

3、python
学过Python数据分析的朋友都知道，在可视化的工具中，有很多优秀的三方库，比如matplotlib, seaborn，plotly，Boken，pyecharts等等，这些可视化库都有自己的特点，在实际应用中也广为 大家使用。
如果你不知道数据分析该学什么工具，就直接学python吧，万能语言学了不亏。

三、大数据处理框架

如果你想脱离普通业务的束缚，做一名大数据分析师，首先就要了解大数据框架的基础。
大数据处理框架负责对大数据系统中的数据进行计算，数据包括从持久存储中读取的数据或通过消 息队列等方式接入到系统中的数据，而计算则是从数据中提取信息的过程。
我们按照对所处理的数据形式和得到结果的时效性进行分类，分为批处理系统、流处理系统和混合 式系统。典型的批处理系统就是Apache Hadoop;典型的流处理系统有Apache Storm，Apache Samza;混合处理系统比如Apache Spark，Apache Flink。

四、数据库

数据分析是分等级的，有只负责清洗数据的，比较少，工作也比较简单;还有就是负责建模的，掌 握常用的十多个机器学习算法就能是二流的了，要做到一流的就要熟练掌握各个算法的本质了，也 就是要掌握数据库的基础。
sql在数据库里是核心技术，在数据分析学习时一定要重视这些内容，主要以MySQL为主，MysQL 就是互联网行业的通用标准。
当然，如果你想要快速掌握数据库的知识，一定要进行系统化的学习以及大量的练习，在网上寻找 一些数据库的练习题，先从简单的题开始，循序渐进，这样才能够慢慢的深入数据库的核心知识。

五、数据仓库/商业智能

在进行数据分析的时候，我们总会遇到一些名词，比如数据仓库。数据仓库是数据分析中一个比较 重要的东西，数据仓库是一个面向主题的、集成的、相对稳定的、反应历史变化的数据集合。
数据分析中的工作最重要的就是数据处理工作，根据我做数据分析的经验，在整个数据分析流程 中，用于数据处理的时间往往要占据70%以上，而数据仓库具有集成、稳定、高质量等特点，基于 数据仓库为数据分析提供数据，往往能够更加保证数据质量和数据完整性。

六、数据挖掘工具

在做数据分析时，数据挖掘软件是其中必不可少的工具之一。它是大多数商业智能计划中的核心应 用程序，数据挖掘软件同样也能够从大量数据中提取洞察力。
直接说需要学习的语言:MATLAB、Python、R。
1、MATLAB
虽然偏学术性，但是好上手，上手以后就可以跑一些算法，提高一些信心和学习的乐趣。教材看官 方手册的Primer，然后就开始写脚本和函数，如果有看不懂的直接百度、google或者help。
2、Python和R
这两个放在一起，是因为网上关于这两个的争论太多了。我的顺序是首先学python，其次再是R。 首先python，先看《Head First Python》，简单易懂，然后是《利用Python进行数据分析》和《机器学习实战》。第一本书主要是利用Python做数据挖掘的，基本提到Python学习都会推荐这 本。第二本是理解机器学习的佳作，书中用到的语言就是Python，一边学语言，一边理解机器学 习。

七、挖掘算法

很多人认为数据挖掘需要掌握复杂高深的算法，需要掌握技术开发，才能把数据挖掘分析做好，实 际上并非这样，其实算法并不难，只需要结合实际业务背景、以解决问题为导向就简单很多了，主 要包括分类算法，聚类算法，关联分析，连接分析等，是学习数据挖掘必须要掌握的算法基础。

八、编程语言

比如python、r语言、java等等，你该使用哪种语言用于数据分析?恐怕这还得“视情况而定”。
如果你对晦涩的统计运算进行繁重的数据分析工作，那么你不青睐R才怪。如果你跨GPU进行NLP 或密集的神经网络处理，那么Python是很好的选择。如果想要一种加固的、面向生产环境的数据流 解决方案，又拥有所有重要的操作工具，Java或Scala绝对是出色的选择。

综上所述