整理补充

数据可视化
matplotlib
seaborn
常用图表

BI（商业智能）和图表的区别在于BI擅长交互和报表

分析思维首推大名鼎鼎的

金字塔原理 (豆瓣)，帮助数据分析师结构化思维。
学思维导图，下载一个XMind中文网站，或者在线用百度脑图
如何培养麦肯锡式的分析思维

SMART、5W2H、SWOT、4P理论、六顶思考帽等框架

MapReduce原理

均值、中位数、标准差、方差、概率、假设检验、显著性、总体和抽样等概念

增长黑客 (豆瓣)
数据驱动业务的典型，里面包含产品运营最经典的AAARR框架。部分非数据的营销案例，如果时间不够可以略过。此外产品和运营的入门读物也能看，这里就不推荐了

网站分析实战 (豆瓣)
如果应聘的公司涉及Web产品，可以了解流量的概念。书中案例以Google Analytics为主。其实现在是APP+Web的复合框架，比如朋友圈的传播活动肯定需要用到网页的指标去分析。
精益数据分析 (豆瓣)
互联网数据分析的入门书籍，归纳总结了几个常用的分析框架。比较遗憾的是案例都是欧美。

机器学习十大算法以及算法方向的能力

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。

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》