深入浅出数据分析 数据分析从入门到进阶

一、有哪些可视化数据分析工具推荐

个人比较倾向壹看板，我是做运营的，经常要分析新媒体各个渠道的数据，比如微信公众号、一点资讯、今日头条等等，需要分析每个渠道的内容数据，还要进行横向对比，分析渠道的优劣势，因为数据比较分散，分析起来很麻烦，每天都要花费很多时间，用了壹看板就可以解决这个问题，有一个“行业智库”的板块，提供好多新媒体渠道的分析模板，可以直接套用，上图：

今日头条内容分析模板：

微信公众号内容分析模板：

二、如何学习数据分析

优秀的数据分析师并不能速成，但是零经验也有零经验的捷径。

市面上有《七周七数据库》，《七周七编程语言》。今天我们就《七周七学习成为数据分析师》，没错，七周。

第一周：Excel学习掌握

如果Excel玩的顺溜，可以略过这一周。但很多人并不会vlookup，所以有必要讲下。

了解sum，count，sumif，countif，find，if，left/right，时间转换等。excel的各类函数很多，完全不需要学全。重要的是学会搜索。我学函数是即用即查，将遇到的问题在网上搜索得到所需函数。

重中之重是学会vlookup和数据透视表。这两个对后续的数据转换有帮助。

学会vlookup，SQL中的join，Python中的merge能很快掌握。

学会数据透视表，SQL中的group，Python中的groupby也是同理。

这两个搞定，基本10万条以内的数据统计没啥难度，也就速度慢了点。80%的办公室白领都能秒杀。

网上多找些习题做，Excel是熟能生巧。

养成一个好习惯，不要合并单元格，不要过于花哨。表格按照原始数据、加工数据，图表的类型管理。

附加学习：

1、了解中文编码utf-8，ascii的含义和区别

2、了解单元格格式，帮助你了解后期的timestamp，date，string，int，bigint，char，factor等各类格式。

3、如果时间还有剩余，可以看《大数据时代》，培养职业兴趣。

第二周：数据可视化

数据分析界有一句经典名言，字不如表，表不如图。别说平常人，数据分析师自己看数据也头大。这时就得靠数据可视化的神奇魔力了。

以上就是所谓的可视化。排除掉数据挖掘这类高级分析，不少数据分析师的平常工作之一就是监控数据观察数据。

另外数据分析师是需要兜售自己的观点和结论的。兜售的最好方式就是做出观点清晰数据详实的PPT给老板看。如果没人认同分析结果，那么分析也不会被改进和优化，分析师的价值在哪里？工资也就涨不了对吧。

抽空花一段时间学习可视化的基础,如《数据之美》

另外你还需要了解BI的概念。知名的BI产品有Tableau，PowerBI，还有国产的FineBI等。都有体验版和免费版能下载，网上找一点数据就能体验可视化的魅力。比Excel的图表高级多了。

BI需要了解仪表盘Dashboard的概念，知道维度的联动和钻取，知道绝大多数图表适用的场景和怎么绘制。比如以下FineBI制作的dashboard。

第三周：分析思维的训练

这周我们轻松一下，学学理论知识。

分析思维首推大名鼎鼎的《金字塔原理》，帮助数据分析师结构化思维。如果金字塔原理让你醍醐灌顶，那么就可以学思维导图，下载一个XMind中文网站，或者在线用百度脑图。

再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。这些框架都是大巧不工的经典。你要快速成为数据分析师，思考方式也得跟着改变。网上搜咨询公司的面试题，搜CaseBook。

题目用新学的思维导图做，先套那些经典框架，做一遍，然后去看答案对比。因为要锻炼数据分析能力。所以得结合数据导向的思维。

这里送三条金句：

一个业务没有指标，则不能增长和分析

好的指标应该是比率或比例

好的分析应该对比或关联。

举一个例子：我告诉你一家超市今天有1000人的客流量，你会怎么分析？

这1000人的数量，和附件其他超市比是多是少？（对比）

这1000人的数量比昨天多还是少？（对比）

1000人有多少产生了实际购买？（转化比例）

路过超市，超市外的人流是多少？（转化比例）

这是一个快速搭建分析框架的方法。如果只看1000人，是看不出分析不出任何结果。

第四周：数据库学习

Excel对十万条以内的数据处理起来一点不虚，但是资深的数据分析师还是笑摸狗头，TooYoungTooSample，爷搞得都是百万数据。要百万数据，就得上数据库。

SQL是数据分析师的核心技能之一。有些公司并不给数据库权限，需要分析师写邮件提需求，这非常不好。数据分析师经常有各类假设需要验证，很多时候写十几行SQL就能得到的答案，还得麻烦其他部门导出数据。

SQL学习不需要买书，W3C学习就行了，SQL教程。大多数互联网公司都是MySQL，我也建议学，性价比最高。

作为数据分析师，只要懂Select相关，增删改、约束、索引、数据库范式全部略过。你的公司心得多大才会给你写权限。

了解where，groupby，orderby，having，like，count，sum，min，max，distinct，if，join，leftjoin，limit，and和or的逻辑，时间转换函数等即可。

你看，和Excel的函数都差不多。如果时间充裕，则学习row_number，substr，convert，contact等。和Excel一样，学会搜索解决问题。不同引擎的函数也会有差异，例如Presto和phpMyAdmin。

期间你不需要考虑优化和写法丑陋，查询几秒和几分钟对数据分析师没区别，跑数据时喝杯咖啡呗，以后你跑个SVM都能去吃饭了。

网上搜索SQL相关的练习题，刷一遍就行。也能自己下载数据库管理工具，找些数据练习。我用的是SequelPro。

第五周：统计知识学习

统计学是数据分析的基础之一。

统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。

这一周努力掌握描述性统计，包括均值、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。详细的数学推导不用细看，谁让我们是速成呢，只要看到数据，知道不能怎么样，而是应该这样分析即可。

Excel中有一个分析工具库，简单强大。对列1的各名词做到了解。如果是多变量多样本，学会各种检验。

《统计数字会撒谎》休闲读物，有趣的案例可以让我们避免很多数据陷阱。

深入浅出统计学(豆瓣)还是经典的HeadFirst系列，适应它一贯的啰嗦吧。

多说一句，老板和非分析师不会有兴趣知道背后的统计学原理，通常要的是分析后的是与否，二元答案。不要告诉他们P值什么的，告诉他们活动有效果，或者没效果。

第六周：业务学习（用户行为、产品、运营）

这一周需要了解业务。对于数据分析师来说，业务的了解比数据方法论更重要。当然很遗憾，业务学习没有捷径。

我举一个数据沙龙上的例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。

这个案例中，我们只知道送货员的送货水平距离，数据上根本不可能知道垂直距离这个指标。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。

对于业务市场的了解是数据分析师工作经验上最大优势之一。既然是零经验面试，公司肯定也知道刚入门分析师不会有太多业务经验，不会以这个卡人。所以简单花一周了解行业的各指标。

《增长黑客》

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，

《网站分析实战》

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GoogleAnalytics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》

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。

还有一个小建议，现在有不少第三方的数据应用，囊括了不少产品领域的数据分析和统计。自学党们即使没有生产环境的数据，也可以看一下应用Demo，有好处的。

除了业务知识，业务层面沟通也需要掌握。另外建议在面试前几天收集该行业的业务强化一下。

第七周：Python/R学习

终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力。掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。

这里有两条支线，学习R语言或Python。速成只要学习一条，以后再补上另外一门。

R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，sklearn等各包也已经追平R。

如果学习R，建议看《R语言实战》，照着书本打一遍代码，一星期绰绰有余。另外还有一本《统计学》，偏知识理论，可以复习前面的统计学知识。

R学习和熟悉各种包。知道描述性统计的函数。掌握DataFrame。如果时间有余。可以再去学习ggplot2。

Python拥有很多分支，我们专注数据分析这块，入门可以学习《深入浅出Python》。

需要学会条件判断，字典，切片，循环，迭代，自定义函数等。知道数据领域最经典的包Pandas+Numpy。

在速成后的很长一段时间，我们都要做调包侠。

这两门语言最好安装IDE，R语言我建议用RStudio，Python我建议用Anaconda。都是数据分析的利器。

Mac自带Python2.7，但现在Python3已经比几年前成熟，而且没有编码问题。各类教程也足够多，不要抱成守旧了。Win的电脑，安装Python会有环境变量的问题，是个大坑（R的中文编码也是天坑）。

到这里，刚刚好是七周。如果还需要第八周+，则是把上面的巩固和融会贯通，毕竟速成是以转岗或拿offer为目的。有机会，我会专门写文章讲解每一周的具体知识，并且用爬虫爬一些数据做练习和案例。

三、小白如何学习数据分析

作为一个从超级菜鸟阶段过来的人，也曾迷茫，也曾面对一大堆资料不知所措，从无到有踩过太多的坑，在这里分享一下我总结出来的数据分析学习路径，为了让你少走弯路，避免选择困难，能用一本书搞定的我绝不会给你推荐其他多的书。即使是超级菜鸟，只要你认真按照下面的路径进行学习，我保证你能够有所收获。

在我看来，菜鸟入门数据分析所需要学习的内容依次可以分为三个方面：统计学知识、编程技能以及数据分析的方法论。

学习统计学知识并不是让你生啃一本如《统计学原理》或《数理统计》的教科书，如果真是这样，大多数人怕是直接从入门到放弃了。这里推荐一本书：

我一直认为统计理论要与日常生活结合起来，才能理解得更直观、透彻。这本书运用充满互动性的真实世界情节，教给你有关统计学的所有基础知识，如信息可视化、概率计算、几何分布、二项分布及泊松分布、正态分布、统计抽样、置信区间的构建、假设检验、卡方分布、相关与回归等等。

在学习了一些统计学的基本知识后，进入编程技能的学习，数据分析主要用到的编程技能有Excel、SQL、Python/R（我推荐学Python）。Excel由于大家或多或少都会用，上手也比较容易，在这里不过多讨论。这里主要讨论SQL和Python应该如何进行学习。

SQL是什么？SQL全称是”结构化查询语言(StructuredQueryLanguage)”，是一种资料库查询和程式设计语言，用于存取资料以及查询、更新和管理关联式资料库系统。实际业务中要进行数据分析，首先得把数据从数据仓库中提取出来，SQL干的就是这个。

软件安装：

对于刚刚接触SQL的同学，可能装个Mysql都需要花费很多的时间，这里为大家找了两份Mysql的安装指南。

mysql安装-www.cnblogs.com

软件装好了，就可以开始学起来了，针对SQL的学习，可以分为入门阶段和进阶阶段。

入门阶段：

推荐书籍：MySQL必知必会

进阶阶段：

此时的你已经掌握了SQL的基本语法，能对数据库进行基本的增删改查，但当你面对的数据量较大时，优化就显得很重要了。下一步就是要学会如何去优化SQL代码的运行效率。

推荐书籍：高性能MySQL

关于Python，想必我也不用进行过多的介绍，近几年数据分析、人工智能的火热也让Python成为最流行的编程语言，那么小白需要学什么，怎么学呢？

软件安装：

python好用的IDE（简单说就是写代码的平台）有很多，但对于学习数据分析的初学者而言，我还是墙裂推荐你装Anaconda，并使用jupyter作为练手的IDE，听我的错不了！（自己一开始学的时候在命令行那里敲代码，对新手而言体验极差……）

Anaconda是什么？怎么安装？（安装前先下载个谷歌浏览器）

Anaconda的安装教程（图文）blog.csdn.net将Chrome设置为Jupyter_notebook的默认浏览器-云+社区-腾讯云cloud.tencent.com

安装好Anaconda并配置好jupyter之后，就可以打开jupyter开始学习Python啦，可以花一点时间稍微熟悉一下jupyter的使用，jupyter的界面如下图所示。

基础语法：

安装完软件之后，就可以开始学习Python的基础语法啦，这方面的教程比较多，这里就给大家推荐一下我觉得还不错的，书和视频各一个。

推荐书籍：Python编程从入门到实践

再次注意，这本书也是有选择地看，直接看第二章（变量和简单数据类型）到第九章（类），其他的可以直接忽视。建议在看书时，将示例代码全部自己敲一遍，对代码而言，无他，唯手熟尔，待你将第二章到第九章的代码都敲过并理解了之后，你也就基本掌握了Python的主要数据类型，列表、字典、元组的主要操作，条件语句，循环语句，类和函数的使用，Python也算基本入门了。

如果有时候看书看不下去，也可以选择对应章节的视频课程，这里就给大家推B站的这个视频吧，也算是B站人气比较高的python入门视频课程。

如果觉得书中的例子不过瘾，想多多巩固刚学的Python语法，这里也为你准备了Python的100个小例题。

Python100例|菜鸟教程www.runoob.com

Python数据分析核心工具——pandas

当你已经掌握Python的基本语法之后，就可以直接开始学pandas这个数据分析库了，怎么学呢，这里就推荐一本书。

书籍推荐：利用Python进行数据分析原书第2版

本书由pandas项目创始人WesMcKinney亲笔撰写，详细介绍利用Python进行操作、处理、清洗和规整数据等方面的具体细节和基本要点。不仅有主要方法的操作演示，还有相关案例的实践。把这本书吃透，基本上你就可以灵活地使用Python对数据进行处理了。

其实，如果你认认真真走完上面SQL的学习路径，学习pandas的时候进度会很快，因为很多地方都是相通的，这篇文章总结了pandas和SQL在使用方法上的对比，学完SQL后学pandas，看看这个，你会恍然大悟。

pandas与sql对比,持续更新blog.csdn.net

另外：建议在阅读这本书的时候，不仅把书上的代码吃透，最好还能找个自己感兴趣的数据集开始试着练手分析分析。不知道去哪里找数据集？下面给你整理了几个常见的找数据集的网站：

和鲸社区-Kesci.comwww.kesci.com天池数据集Datasets|Kagglewww.kaggle.com

不知道该怎么着手分析？下面是我整理的50个数据分析实战项目，你可以看看别人的分析思路，再将之运用到分析你的数据集上。

易执：干货！Python数据分析50个实战项目（持续更新……）zhuanlan.zhihu.com

至此，你已经基本掌握了数据分析的基本工具，接下来就得开始学习如何结合实际业务去分析问题，学习一些数据分析的思维。

这里直接推荐两本自己看过的不错的书

1、精益数据分析

这本书展示了如何验证自己的设想、找到真正的客户、打造能赚钱的产品，以及提升企业知名度。30多个案例分析，全球100多位知名企业家的真知灼见，为你呈现来之不易、经过实践检验的创业心得和宝贵经验，其中的数据分析思路值得仔细揣摩。

2、增长黑客

作为最早提出“增长黑客”概念的理论先驱、带领Dropbox实现500%增长的实战领军人物，作者在书中分享了如何跨部门搭建增长黑客团队，以及实现用户和利润双增长的具体行动指南。这本书适合入门者理解增长黑客的原理与操作体系。

如果你已经走到最后这个阶段了，那么再往下继续深入，就得在实际项目中结合业务自己学习领悟了，或许，这也正是数据分析独特的魅力所在！