189 8069 5689
学习数据分析师之前，你必须清楚自己想要达成什么目标。也就是说，你想通过这门技术来解决哪些问题或实现什么计划。有了这个目标，你才能清晰地开展自己的学习规划，并且明确它的知识体系。只有明确的目标导向，学习必备也是最有用的那部分，才能避免无效信息降低学习效率。
为淮安等地区用户提供了全套网页设计制作服务，及淮安网站建设行业解决方案。主营业务为网站制作、做网站、淮安网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！
1、明确知识框架和学习路径
数据分析这件事，如果你要成为数据分析师，那么你可以去招聘网站看看，对应的职位的需求是什么，一般来说你就会对应该掌握的知识架构有初步的了解。你可以去看看数据分析师职位，企业对技能需求可总结如下：
SQL数据库的基本操作，会基本的数据管理；
会用Excel/SQL做基本的数据提取、分析和展示；
会用脚本语言进行数据分析，Python or R；
有获取外部数据的能力加分，如爬虫或熟悉公开数据集；
会基本的数据可视化技能，能撰写数据报告；
熟悉常用的数据挖掘算法：回归分析、决策树、分类、聚类方法；
高效的学习路径是什么？就是数据分析的流程。一般大致可以按“数据获取-数据存储与提取-数据预处理-数据建模与分析-数据可视化”这样的步骤来实现一个数据分析师的学成之旅。按这样的顺序循序渐进，你会知道每个部分需要完成的目标是什么，需要学习哪些知识点，哪些知识是暂时不必要的。然后每学习一个部分，你就能够有一些实际的成果输出，有正向的反馈和成就感，你才会愿意花更多的时间投入进去。以解决问题为目标，效率自然不会低。
按照上面的流程，我们分需要获取外部数据和不需要获取外部数据两类分析师，总结学习路径如下：
1.需要获取外部数据分析师：
python基础知识
python爬虫
SQL语言
python科学计算包：pandas、numpy、scipy、scikit-learn
统计学基础
回归分析方法
数据挖掘基本算法：分类、聚类
模型优化：特征提取
数据可视化：seaborn、matplotlib
2.不需要获取外部数据分析师：
SQL语言
python基础知识
python科学计算包：pandas、numpy、scipy、scikit-learn
统计学基础
回归分析方法
数据挖掘基本算法：分类、聚类
模型优化：特征提取
数据可视化：seaborn、matplotlib
接下来我们分别从每一个部分讲讲具体应该学什么、怎么学。
数据获取：公开数据、Python爬虫
如果接触的只是企业数据库里的数据，不需要要获取外部数据的，这个部分可以忽略。
外部数据的获取方式主要有以下两种。
第一种是获取外部的公开数据集，一些科研机构、企业、政府会开放一些数据，你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。
另一种获取外部数据费的方式就是爬虫。
比如你可以通过爬虫获取招聘网站某一职位的招聘信息，爬取租房网站上某城市的租房信息，爬取豆瓣评分评分最高的电影列表，获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某种人群进行分析。
在爬虫之前你需要先了解一些 Python 的基础知识：元素（列表、字典、元组等）、变量、循环、函数（链接的菜鸟教程非常好）……以及如何用成熟的 Python 库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫。如果是初学，建议从 urllib 和 BeautifulSoup 开始。（PS：后续的数据分析也需要 Python 的知识，以后遇到的问题也可以在这个教程查看）
网上的爬虫教程不要太多，爬虫上手推荐豆瓣的网页爬取，一方面是网页结构比较简单，二是豆瓣对爬虫相对比较友好。
掌握基础的爬虫之后，你还需要一些高级技巧，比如正则表达式、模拟用户登录、使用代理、设置爬取频率、使用cookie信息等等，来应对不同网站的反爬虫限制。
除此之外，常用的的电商网站、问答网站、点评网站、二手交易网站、婚恋网站、招聘网站的数据，都是很好的练手方式。这些网站可以获得很有分析意义的数据，最关键的是，有很多成熟的代码，可以参考。
数据存取：SQL语言
你可能有一个疑惑，为什么没有讲到Excel。在应对万以内的数据的时候，Excel对于一般的分析没有问题，一旦数据量大，就会力不从心，数据库就能够很好地解决这个问题。而且大多数的企业，都会以SQL的形式来存储数据，如果你是一个分析师，也需要懂得SQL的操作，能够查询、提取数据。
SQL作为最经典的数据库工具，为海量数据的存储与管理提供可能，并且使数据的提取的效率大大提升。你需要掌握以下技能：
提取特定情况下的数据：企业数据库里的数据一定是大而繁复的，你需要提取你需要的那一部分。比如你可以根据你的需要提取2018年所有的销售数据、提取今年销量最大的50件商品的数据、提取上海、广东地区用户的消费数据……，SQL可以通过简单的命令帮你完成这些工作。
数据库的增、删、查、改：这些是数据库最基本的操作，但只要用简单的命令就能够实现，所以你只需要记住命令就好。
数据的分组聚合、如何建立多个表之间的联系：这个部分是SQL的进阶操作，多个表之间的关联，在你处理多维度、多个数据集的时候非常有用，这也让你可以去处理更复杂的数据。
数据预处理：Python（pandas）
很多时候我们拿到的数据是不干净的，数据的重复、缺失、异常值等等，这时候就需要进行数据的清洗，把这些影响分析的数据处理好，才能获得更加精确地分析结果。
比如空气质量的数据，其中有很多天的数据由于设备的原因是没有监测到的，有一些数据是记录重复的，还有一些数据是设备故障时监测无效的。比如用户行为数据，有很多无效的操作对分析没有意义，就需要进行删除。
那么我们需要用相应的方法去处理，比如残缺数据，我们是直接去掉这条数据，还是用临近的值去补全，这些都是需要考虑的问题。
对于数据预处理，学会 pandas 的用法，应对一般的数据清洗就完全没问题了。需要掌握的知识点如下：
选择：数据访问（标签、特定值、布尔索引等）
缺失值处理：对缺失数据行进行删除或填充
重复值处理：重复值的判断与删除
空格和异常值处理：清楚不必要的空格和极端、异常数据
相关操作：描述性统计、Apply、直方图等
合并：符合各种逻辑关系的合并操作
分组：数据划分、分别执行函数、数据重组
Reshaping：快速生成数据透视表
概率论及统计学知识
数据整体分布是怎样的？什么是总体和样本？中位数、众数、均值、方差等基本的统计量如何应用？如果有时间维度的话随着时间的变化是怎样的？如何在不同的场景中做假设检验？数据分析方法大多源于统计学的概念，所以统计学的知识也是必不可少的。需要掌握的知识点如下：
基本统计量：均值、中位数、众数、百分位数、极值等
其他描述性统计量：偏度、方差、标准差、显著性等
其他统计知识：总体和样本、参数和统计量、ErrorBar
概率分布与假设检验：各种分布、假设检验流程
其他概率论知识：条件概率、贝叶斯等
有了统计学的基本知识，你就可以用这些统计量做基本的分析了。通过可视化的方式来描述数据的指标，其实可以得出很多结论了，比如排名前100的是哪些，平均水平是怎样的，近几年的变化趋势如何……
你可以使用python的包 Seaborn（python包）在做这些可视化的分析，你会轻松地画出各种可视化图形，并得出具有指导意义的结果。了解假设检验之后，可以对样本指标与假设的总体指标之间是否存在差别作出判断，已验证结果是否在可接受的范围。
python数据分析
如果你有一些了解的话，就知道目前市面上其实有很多 Python 数据分析的书籍，但每一本都很厚，学习阻力非常大。但其实真正最有用的那部分信息，只是这些书里很少的一部分。比如用 Python 实现不同案例的假设检验，其实你就可以对数据进行很好的验证。
比如掌握回归分析的方法，通过线性回归和逻辑回归，其实你就可以对大多数的数据进行回归分析，并得出相对精确地结论。比如DataCastle的训练竞赛“房价预测”和“职位预测”，都可以通过回归分析实现。这部分需要掌握的知识点如下：
回归分析：线性回归、逻辑回归
基本的分类算法：决策树、随机森林……
基本的聚类算法：k-means……
特征工程基础：如何用特征选择优化模型
调参方法：如何调节参数优化模型
Python 数据分析包：scipy、numpy、scikit-learn等
在数据分析的这个阶段，重点了解回归分析的方法，大多数的问题可以得以解决，利用描述性的统计分析和回归分析，你完全可以得到一个不错的分析结论。
当然，随着你实践量的增多，可能会遇到一些复杂的问题，你就可能需要去了解一些更高级的算法：分类、聚类，然后你会知道面对不同类型的问题的时候更适合用哪种算法模型，对于模型的优化，你需要去学习如何通过特征提取、参数调节来提升预测的精度。这就有点数据挖掘和机器学习的味道了，其实一个好的数据分析师，应该算是一个初级的数据挖掘工程师了。
系统实战
这个时候，你就已经具备了数据分析的基本能力了。但是还要根据不同的案例、不同的业务场景进行实战。能够独立完成分析任务，那么你就已经打败市面上大部分的数据分析师了。
如何进行实战呢？
上面提到的公开数据集，可以找一些自己感兴趣的方向的数据，尝试从不同的角度来分析，看看能够得到哪些有价值的结论。
另一个角度是，你可以从生活、工作中去发现一些可用于分析的问题，比如上面说到的电商、招聘、社交等平台等方向都有着很多可以挖掘的问题。
开始的时候，你可能考虑的问题不是很周全，但随着你经验的积累，慢慢就会找到分析的方向，有哪些一般分析的维度，比如top榜单、平均水平、区域分布、年龄分布、相关性分析、未来趋势预测等等。随着经验的增加，你会有一些自己对于数据的感觉，这就是我们通常说的数据思维了。
你也可以看看行业的分析报告，看看优秀的分析师看待问题的角度和分析问题的维度，其实这并不是一件困难的事情。
在掌握了初级的分析方法之后，也可以尝试做一些数据分析的竞赛，比如 DataCastle 为数据分析师专门定制的三个竞赛，提交答案即可获取评分和排名：
员工离职预测训练赛
美国King County房价预测训练赛
北京PM2.5浓度分析训练赛
种一棵树最好的时间是十年前，其次是现在。现在就去，找一个数据集开始吧！！
Java对mysql的支持较好，您可以学习mysql，如果您想要配置mysql的开发环境，可以百度一下，或者配置一下wampServer，这个是php的开发环境，同样支持mysql，您可以使用php脚本来控制他，当然如果您需要的话可以用这个。
mysql的学习可以在菜鸟教程或者慕课网上学习，比较全，或者购买书籍学习。
MongoDB 插入文档
本章节中我们将向大家介绍如何将数据插入到MongoDB的集合中。
文档的数据结构和JSON基本一样。
所有存储在集合中的数据都是BSON格式。
BSON是一种类json的一种二进制形式的存储格式,简称Binary JSON。
插入文档
MongoDB 使用 insert() 或 save() 方法向集合中插入文档，语法如下：
db.COLLECTION_NAME.insert(document)
实例
以下文档可以存储在 MongoDB 的 runoob 数据库 的 col集合中：
db.col.insert({title: 'MongoDB 教程',
description: 'MongoDB 是一个 Nosql 数据库',
by: '菜鸟教程',
url: '',
tags: ['mongodb', 'database', 'NoSQL'],
likes: 100
})
以上实例中 col 是我们的集合名，前一章节我们已经创建过了，如果该集合不在该数据库中， MongoDB 会自动创建该集合并插入文档。
查看已插入文档：
db.col.find()
{ "_id" : ObjectId("56064886ade2f21f36b03134"), "title" : "MongoDB 教程", "description" : "MongoDB 是一个 Nosql 数据库", "by" : "菜鸟教程", "url" : "", "tags" : [ "mongodb", "database", "NoSQL" ], "likes" : 100 }
我们也可以将数据定义为一个变量，如下所示：
document=({title: 'MongoDB 教程',
description: 'MongoDB 是一个 Nosql 数据库',
by: '菜鸟教程',
url: '',
tags: ['mongodb', 'database', 'NoSQL'],
likes: 100
});
执行后显示结果如下：
{
"title" : "MongoDB 教程",
"description" : "MongoDB 是一个 Nosql 数据库",
"by" : "菜鸟教程",
"url" : "",
"tags" : [
"mongodb",
"database",
"NoSQL"
],
"likes" : 100
}
执行插入操作：
db.col.insert(document)
WriteResult({ "nInserted" : 1 })
插入文档你也可以使用 db.col.save(document) 命令。如果不指定 _id 字段 save() 方法类似于 insert() 方法。如果指定 _id 字段，则会更新该 _id 的数据。
交互式 mongo shell
mongo 127.0.0.1:27017
use test
db.users.findOne()
mongo --eval 运行一段脚本
mongo 127.0.0.1:27017/test --eval "printjson(db.users.findOne())"
在OS命令行下，运行一个js文件
mongo 127.0.0.1:27017/test userfindone.js
userfindone.js 的内容：
printjson(db.users.findOne());
在mongo shell 交互模式下，运行一个js文件
mongo test
load("/root/mongojs/userfindone.js")
load() 参数中的文件路径，既可以是相对路径，也可以是绝对路径。
在mongo shell下查看当前工作路径的方法： pwd( )
当前工作路径就是我们启动mongo shell时，当前用户所处的路径。
例如:
[root@cgl-centos-dev mongojs]# pwd
/root/mongojs
[root@cgl-centos-dev mongojs]# mongo
MongoDB shell version: 2.6.12
connecting to: test
pwd()
/root/mongojs
MongoDB 查询数据的语法格式如下：
db.collection.find(query, projection)
query ：可选，使用查询操作符指定查询条件
projection ：可选，使用投影操作符指定返回的键。查询时返回文档中所有键值， 只需省略该参数即可（默认省略）。
如果你需要以易读的方式来读取数据，可以使用 pretty() 方法，语法格式如下：db.col.find().pretty()
pretty() 方法以格式化的方式来显示所有文档
以下实例我们查询了集合 col 中的数据：
db.col.find().pretty(){
"_id" : ObjectId("56063f17ade2f21f36b03133"),
"title" : "MongoDB 教程",
"description" : "MongoDB 是一个 Nosql 数据库",
"by" : "菜鸟教程",
"url" : "",
"tags" : [
"mongodb",
"database",
"NoSQL"
],
"likes" : 100}
除了 find() 方法之外，还有一个 findOne() 方法，它只返回一个文档。
对于python的入门
首先会学习python基础语法，面向对象编程与程序设计模式的理解、python数据分析基础、python网络编程、python并发与高效编程等等。
通过前期python学习来了解和掌握常量变量的使用，运算符的使用、流程控制的使用等，最后掌握python编程语言的基础内容。
并会对常见数据结构和相应算法进行学习，注重表格的处理，树结构的处理知识。
第二阶段主要学习内容是web页面开发、web页面特效开发、数据持久化开发、linux运维开发、linux测试开发、服务器集群架构等等。
对js的掌握并在网络前端中使用，而且需要详细将js学习并掌握，为将来从事全栈工作打下基础，也会学习linux操作系统的基础知识和掌握linux操作系统常用命令，并会学习linux自动化运维技巧等。
第三阶段主要学习网络爬虫，数据分析加人工智能：
这一个阶段需要学习的内容也是比较多的，例如：爬虫与数据、多线程爬虫、go语言、NoSQL数据库、Scrapy-Redis框架。
需要掌握爬虫的工作原理和设计思想，掌握反爬虫机制，并且通过学习NoSQL数据库和Scrapy-Redis框架，并且可以使用分布式爬虫框架实现大量数据的获取。
数据分析和人工智能阶段需要学习的数据分析、人工智能深度学习、量化交易模型、数据分析-特征工程和结果可视化和人工智能机器学习等等。
需要理解随机变量的数字特征的概念和性质，并会利用性质计算随机变量的数字特征，了解可视化过程，图形绘制。并且需要掌握Matplotlib模块、常用的机器学习算法等等。
最后就是对于python的入门学习，我们在学习理论、学习python语法基础的同时我们应该多动手、多联系。但是呢，对于我们零基础的小伙伴呢，一般不建议自学。
你肯定要问为什么？我就知道！原因大概有三点：
首先我们自学虽然成本低、学习时间灵活等，但是你想过没，你要自学到就业的程度大概需要多长时间，辞职在家学习，或者买个网课，每天听课、练，你可能需要1年左右，就这你还不一定能够学会、换不一定能够全面掌握企业需要的技术；然后报班学习的学员都已经学完工作半年了。
其次就是学习知识的系统性、前沿性。IT行业的学习一定要系统，不能说我们这里一点那里学一点，完了全是一片一片的知识点，听起来你都有涉及但是真正做项目反而使用不起来，很耽误时间。其次就是前沿性，学习时一定要选择最新的课程大纲、最新的课程。IT行业的技术更新很快。
最后就是就业服务和保障，我们选择报班学习一般都有就业服务，当然我们在学习完也会进行模拟面试和简历指导的等工作。其次就是服务，一般培训机构都有合作企业来招聘，大大增加了我们的就业机会。
总而言之你是零基础选择培训绝对是最快速的转行入门途径！