数据分析学习内容
我们想要学习数据分析的话,首先要知道学什么,不然东学一点西学一点,学到最后都不知道自己学了什么,这不是瞎耽误工夫嘛。
那我给大家介绍一下Python数据分析应该学习那些内容。
- 数据分析介绍
- 这部分主要是让大家知道什么数据分析,数据分析流程、目的等等
- Numpy
- 这是科学计算的一个库,重在数值计算,也是大部分python科学计算库的基础库
- scipy
- 在numpy库的基础上增加了众多的数学、科学及工程常用的库函数
- pandas
- pandas主要是做数据处理,可以用它来读取和处理各种格式的数据、进行数据清洗、数据转换等操作
- 数据可视化
- Matplotlib
- Seaborn
- Pyecharts
- 这三个都是数据可视化的库,可以将数据变成可视化的图表,但是大家不要觉得数据可视化就是将数据变成图表,首先你要绘制什么样的图表,如果有多个图表、多个图表直接怎样结合会更加直观的展示
随便给大家推荐一个学习方法
- 重视基础,俗话说的好,基础不牢、地动山摇、如果基础都没有打好,就着急往后学习,急于求成,往往会导致自己的学习效果更不好。
- 归纳总结,自己学到的东西,最好能整理成笔记,自己在写笔记的时候,也相当于在对这个知识点重新学习
- 多练习、多思考,估计这个大家也是经常听到,学习任何东西都是需要多练习,在练习的基础上,还要有自己的思考,这样学习的效果是最好的
数据分析发展方向
知道了数据分析应该学什么,那学完数据分析我们可以去做哪些岗位呢?给大家介绍一下。
先来给大家解释一下DE、DA、DS是什么意思
- DE,Data Engineer 数据工程师
- DA,Data Analyst 数据分析师
- DS,Data Scientist 数据科学家
DE一般是从事大数据开发工程师,主要学习的内容也是大数据技术栈的,像Java、Scala、Hive等
DA是数据分析师,主要是用Excel、power BI、Tableau来处理数据的,对数据分析师来说,一定要懂具体的业务
DS是数据科学家,主要是学习一些机器学习里面的算法(kmeans、svm、线性回归模型),是数据分析师的进阶版,需要具备更高级的数据分析、建模和预测能力
需要注意的是,这三个角色之间并没有明确的边界,有些公司可能将它们的职责和技能要求进行了重叠和组合。
数据分析介绍
我们之前讲了数据分析应该学习什么,以及数据分析可以分为哪些方向,那么接下来,我们就正式进入到数据分析的学习
数据分析基本概念
- 用适当的统计分析方法对收集来的大量数据进行分析
- 提取有用信息和形成结论
- 对数据加以详细研究和概括总结的过程
概念性的东西,大家不用过多的去纠结,给大家举个例子,假如我有一个Excel表格,里面有1万条用户消费清单,那你从这个Excel表格中发现什么有用的信息吗,或者能得出什么结论吗,如果你只是把Excel表格中的数据给老板查看,那老板肯定眉头紧锁
数据分析的流程
- 明确目的
- 准备数据
- 数据解析
- 分析数据
- 获得结论
- 成果可视化
接下来每一个步骤,我都会展开来给大家说说。
明确目的
我们在刚开始学习数据分析的时候,可能会有疑问,我们为什么要明确目的呢?
比如我们要分析,这个月的销售额为什么会下降?
那我们可以从哪些角度进行分析呢? 可以大致分为内部和外部,当时实际在分析的时候,肯定不止这两种,这里只是给大家举例
- 内部原因
- 产品原因
- 流量原因
- 客户原因
- …
- 外部原因
- 竞争公司
- 经济情况
- …
有了角度,那我们还需要知道可以采用哪些分析指标或者方法来进行分析
分析方法有很多,大家刚开始学习的阶段不用过多纠结
- 1.公式拆解;如:利润 = 收入 - 成本
- 2.对比分析;如:时间维度上进行对比,与同行业的数据进行对比
- 3.A/BTest;如:分组测试,用一部分的数据来进行测试
- 4.象限分析;
- 5.二八法则;
- 6.漏斗分析;主要看每个环节流失了多少
准备数据
数据的来源可以分为,内部数据和外部数据
- 内部数据可以是软件自身的积累
- 外部数据
- 1.可以通过购买获取到一些脱敏的数据
- 2.通过爬虫获取到一些免费公开的数据
数据解析
数据解析就是把杂乱无章的数据处理成有一定结构、整洁的数据的过程
数据解析也要看数据量的大小,如果数据量比较小的话,数据分析师处理就可以了,如果数据量比较大的话,可能会通过数据架构部门来处理
分析数据&获得结论
数据解析之后,就是分析数据了,分析数据可以根据我们刚才说到的分析方法,通过分析方法,我们可以获取到结论
数据可视化
数据可视化,并不是单纯的将数据展示出来,我们还可以通过数据可视化识别出异常值。
数据分析工具
工具:Excel、tableau、spss
编程语言:R、Python、matlab
数据分析与数据挖掘的相似之处:
- 数据挖掘和数据分析都是对数据进行分析、处理等操作,从而得到有价值的知识
数据分析与数据挖掘的区别:
- 在应用工具上,数据分析更多的是借助现有的分析工具进行;而数据挖掘一般需要通过编程来实现。
- 在行业知识方面,数据分析要求对所从事的行业有比较深的了解,更多的是将数据与业务紧密结合起来;而数据挖掘不需要有太多的行业知识,更专注与技术层面。