&figure&&img src=&https://pic1.zhimg.com/v2-77b2d2883_b.jpg& data-rawwidth=&611& data-rawheight=&453& class=&origin_image zh-lightbox-thumb& width=&611& data-original=&https://pic1.zhimg.com/v2-77b2d2883_r.jpg&&&/figure&&p&本文转自 &a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/8n0SRJkRxBb1gxdvigFmTQ& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&揭秘专业诈骗洗钱集团：为什么被骗的钱很难追回来？&/a&&/p&&p&&b&终结诈骗（antifraud2)是一个很有学习价值的公众号，有兴趣的朋友可以关注下。&/b&&/p&&p&以前CA问过一道面试题，假设你已经诈骗获得了巨额财产，该如何安全的转移套现。很多人都能想到第一种方法，但是这种方法并不安全。本文介绍的就是第二种方法，第三种方法不会告诉你。希望有大神能指导更多的思路，毕竟知乎评论区卧虎藏龙，随便一个小号都能当安全负责人。&/p&&hr&&p&那么为什么被骗的钱很难追回来？&/p&&p&一、分工明确的洗钱集团&/p&&p&最近几年，各类诈骗层出不穷，骗子骗到的钱数以亿计。&b&但如何能将赃款装到自己腰包而又不会被司法机关发现，成了诈骗界的一大难题。&/b&以前，都是由各诈骗集团自己派出“车手”去取款，但这样风险极高，随着诈骗链条的分工越来越精细，&b&专业洗钱集团&/b&应运而生。&/p&&p&专业洗钱集团主要服务于各类诈骗团伙，我们的价值观是：诚信为本，快速高效为客户提供安全服务。简单点说，就是用最短的时间，将其他诈骗同行辛辛苦苦骗来的钱取出来，并用合法途径返还。将银行卡上的一串串数字变成能装在口袋里的真金白银。&/p&&p&&b&诈骗洗钱集团内部分工极其精细，一般分为五个层级。&/b&第一层称为“声佬”，专门负责打电话、发信息、邮寄等工作；第二层称为“接数佬”，负责连接“声佬”和下一层；第三层称为“刷机佬”，顾名思义就是负责刷POS机，把钱刷到网上结算中心去；第四层是“卡佬”，负责提供各种银行卡，分别自己转移；第五层就是“取款仔”，专门负责取钱，可以自己去取，也可以付费叫别人去取。&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-aeb2b1bda6f_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1000& data-rawheight=&1000& class=&origin_image zh-lightbox-thumb& width=&1000& data-original=&https://pic3.zhimg.com/v2-aeb2b1bda6f_r.jpg&&&/figure&&p&&br&&/p&&p&&b&五个层级之间全靠诚信，基本上一个电话就能搞定一切，绝不像警察那样，处处调证都要手续、要证件，因为，我们跟警察比的就是速度，就是要在赃款冻结之前迅速变现。&/b&集团各个层级的人兢兢业业、分工合作、随时响应，形成了一张无形却又强大的蜘蛛网，只要一有资金触网，立即就会在这张网络的作用下消失得无影无踪。&/p&&hr&&p&二、复杂的程序设计&/p&&p&&b&当然，这五个层级之中，第五层的“取款仔”（以前叫“车手”）是最危险的，一不小心就容易被抓。所以，为了更加安全，集团对程序做了复杂的设计。&/b&&/p&&p&一个严明层级纪律。五个层级职责明确，纪律严明。跨级之间相互不认识也无联系，每个层级只能跟上一层对接，决不能也无法越级与上上层联系。这样，即使“取款仔”被抓，一般也很难问出上一级的人是谁、在哪，更无法抓到上上一层，最高一层级几乎就是毫无风险。这个“取款仔”被抓了，再找另一个；那个“卡佬”出事了，再换另外一批，反正春分吹又生、取款仔到处都是。&/p&&p&另一个是多路出击。因为警方调证需要看银行、第三方支付公司的脸色，处处都要手续、证件，为了能跑得赢他们，我们采取多路出击的办法。比如“声佬”骗到20万，可以叫“接数佬”A处理10万，“接数佬”B处理十万；“接数佬”A又可以叫“刷机佬”A处理五万，叫“刷机佬”B处理五万；“刷机佬”A又可以叫“卡佬”A处理贰万五，叫“卡佬”B处理贰万五；“卡佬”A又可以叫“取款仔”A取一万，叫“取款仔”B取一万五；虽然有点复杂，各位自己理一理，肯定能明白玄妙之处。&/p&&p&我做“取款仔”的时候，因为干得好，不出事，钱安全，所以几乎每周都会接到“卡佬”的卡（银行卡），少则两三张，多则七八张，主要看“声佬”表现。表现出色加运气好的话，一次骗个二三十万是正常的，运气差一点骗个几千上万也够本。卡上面都写有密码，至于卡的开户名是谁我也不清楚。无论拿到多少张卡，每张卡都不会超过两万元，因为ATM机取款一张卡每日限额是两万。我做好伪装，找偏僻一点的ATM机输入密码，取出钱后直接抽出我的提成，剩下的钱放到约定位置后由“卡佬”处理。“卡佬”会跟我一样，拿出自己的提成后把钱通过某些途径交给“刷机佬”，如此层层往上。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-3a6fcffad98ae9f791ca14_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&608& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic1.zhimg.com/v2-3a6fcffad98ae9f791ca14_r.jpg&&&/figure&&p&去年底，我的上上上上线就骗了一个从贵阳至广州动车上的一名乘客36万元。行骗过程和手段我就不说了，我主要说说这36万的转移速度。&b&这36万分五笔从被害人的账户转到“声佬”提供的两个账号，这两个账户每收到一笔进账后立马通过POS消费刷到结算中心，再由结算中心分多次转向18张卡中，每张卡2万元。18张卡进账后，立即就从不同地区的ATM机呈3000元、5000元的规律跨行取出，整个过程只用了不到半个小时。&/b&所以说，我们作为“取款仔”有时真是全天候待命状态，只要“卡佬”一联系，立马就运作起来。&/p&&p&按照行规，一般提出比例是：&b&“取款仔”3%-4%，“卡佬”6%-8%，“刷机佬”15%-18%，“接数佬”20%-25%，剩下都是“声佬”的。&/b&有时候想想也蛮累，拿着卖白菜的钱，干着卖白粉的工。去年六月，我的上上上上线骗了一个老板20万。这20万从被害人的两个账户分三笔转入“声佬”提供的两个账号。其中一个账号收到入账10万后，通过POS机以消费形式刷进结算中心，后又转向5个账户各2万。这一次我只拿到三张卡，分12次取出6万现金交给卡佬，得了1200元好处。&/p&&hr&&p&三、合理规避法律&/p&&p&常在河边走，哪能不湿鞋。取款仔被抓是分分钟的事，毕竟自己又没技术、又要抛头露面，在当下四处都有监控探头的年代，出事再说难免。出了事怎么办呢？那就要找准法官的软肋了。&/p&&p&&b&对于我们这些“取款仔”，法院一般按照主犯所犯罪行的共犯来处理。&/b&但由于电信诈骗的相关法律和司法解释还是比较滞后，要求嫌疑人必须“明知”才可以按共犯处理，所以，我们的春天就到了。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-7ac04cb84a9c65cb28d8cbd1be0c67c2_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&400& data-rawheight=&266& class=&content_image& width=&400&&&/figure&&p&&br&&/p&&p&哪个“取款仔”也不会傻逼到承认取出的是诈骗赃款。&b&在“审案终身制”和“疑罪从无”的枷锁下，法官就要掂量一下定性的问题&/b&了。卡上的钱到底是诈骗所得呢？还是盗窃所得呢？或者是“贪污受贿”所得呢？毕竟在主犯未抓到的情况下，是无法对此清晰定性的，而主犯很多时候是很不容易抓到的。&/p&&p&所以，很多法官也持一种保守的态度，生怕判我们诈骗罪我们会上诉，给自己的业绩带来不好的影响（即使他们知道这就是为诈骗集团取款的），犹豫来犹豫去，一般就按照掩饰隐瞒犯罪所得罪来判刑了。这对于我们来说不外乎是一大利好，毕竟诈骗最高刑可以达到十年以上有期徒刑或者无期徒刑，并处或者没收财产；而掩饰隐瞒犯罪所得最高刑才是七年以下，并处罚金。&/p&&p&当然，规避法律只是特例，毕竟警察也不是吃干饭的，既然抓到了“取款仔”，肯定是循着被骗转款的“资金流”顺藤摸瓜下来的，即使没有抓到其他层级，也肯定知道我们是在为诈骗集团洗钱。我所说的，只是个例，估计很快就有响应的司法解释出台吧。到那个时候，就都按诈骗罪的共犯来处理，我估计干“取款仔”的人就越来越少了。&/p&&p&所以，如果你被骗了，不要再一味怪警察追不回自己的钱了，因为这些诈骗洗钱集团的存在，很多钱真的能瞬间全部转移，消失得无影无踪。&/p&&p&&b&最后建议大家多学习安全知识，不要把时间精力浪费在刷知乎上。&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-932d58d9e8b36ad19f481df3bfc2aed3_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1310& data-rawheight=&280& class=&origin_image zh-lightbox-thumb& width=&1310& data-original=&https://pic2.zhimg.com/v2-932d58d9e8b36ad19f481df3bfc2aed3_r.jpg&&&/figure&&p&然后我又又又要被禁言了，禁言期间不能回复，有事漂流瓶联系。&/p&
本文转自 终结诈骗（antifraud2)是一个很有学习价值的公众号，有兴趣的朋友可以关注下。以前CA问过一道面试题，假设你已经诈骗获得了巨额财产，该如何安全的转移套现。很多人都能想到第一种方法，但是这种…
&p&python能做的有很多，我这里之阐述我自学的数据分析的内容，这也是我学习利用python进行数据分析的过程，如果要看实践可以直接看项目篇&/p&&p&数据分析中常用的软件是jupyter notebook，而应用这个软件最方便的方法就是anaconda。具体的anaconda操作方法这篇文章讲述的比较详细就不多加叙述了。&/p&&a href=&https://www.zhihu.com/question/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic1.zhimg.com/assets/zhihu/editor/zhihu-card-default.jpg& class=&internal&&初学python者自学anaconda的正确姿势是什么？？&/a&&a href=&https://www.zhihu.com/question/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic4.zhimg.com/assets/zhihu/editor/zhihu-card-default.jpg& class=&internal&&jupyter notebook 可以做哪些事情？&/a&&h2&&b&基础篇&/b&&/h2&&p&现在python的环境已经有了，接下来便是动手学习python的过程，其初级就是学习python3的基础语法，其中最为常用的就是if语句和for语句。&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析之python基础篇&/a&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-9cfdc79ea6ba9a33249a24_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&558& data-rawheight=&418& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic2.zhimg.com/50/v2-9cfdc79ea6ba9a33249a24_r.jpg&&&/figure&&p&毕竟python只是数据分析中的一个工具的而已，而其软件便是统计学和概率论。其中最为常用的就是在后边学习是填补缺失值时对中间数和均值的选择，还有就是为了处理方便和准确选择上四分位数至下四分位数的数据。&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析之统计学基础篇&/a&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-a20f6b9ae224a74802df_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&443& data-rawheight=&306& class=&origin_image zh-lightbox-thumb& width=&443& data-original=&https://pic4.zhimg.com/50/v2-a20f6b9ae224a74802df_r.jpg&&&/figure&&p&概率论的中大数定律是比较重要的基础知识，换言之，只要我们对大概率事件进行长时间的投资，就一定会有收益的。&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析之概率思维&/a&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-ed57a5ce0defde8f464c1d3_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&309& data-rawheight=&289& class=&content_image& width=&309&&&/figure&&p&现在在学习过python基础，统计学和概率论基础之后，我开始着手做一些小的项目，一方面熟悉之前的基础知识，另一方面也是利用所学习的基础知识，做一些应用层面的项目，来看看数据分析是到底是做什么的。&/p&&h2&&b&项目篇&/b&&/h2&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析之简易分析股票走势&/a&，在我主要学习两个方面，其一是先定义问题，再进行数据处理的思路，而且在处理数据过程中，优先查看数据概况，并针对其数据概况进行数据处理。其二是初步学习了爬取雅虎的股票数据（获取数据），数据可视化。并通过这个项目我发现简单的编程便可以对一只股票进行预测，可以说是非常的实用。&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-98d75ab1f9ff_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&867& data-rawheight=&568& class=&origin_image zh-lightbox-thumb& width=&867& data-original=&https://pic2.zhimg.com/50/v2-98d75ab1f9ff_r.jpg&&&/figure&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析之Pandas实战&/a&，这个项目主要是做一个高血压药物的销售数据报告，在这个项目中主要是了解处理数据的一个基本的过程，即数据获取，查看数据，缺失值处理，异常值处理，数据提取，以及数据可视化。&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-adc02d059f1ac227e2bd_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&866& data-rawheight=&568& class=&origin_image zh-lightbox-thumb& width=&866& data-original=&https://pic4.zhimg.com/50/v2-adc02d059f1ac227e2bd_r.jpg&&&/figure&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&机器学习之线性回归&/a&和&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&机器学习之逻辑回归&/a&，这个两个项目是机器学习的基础部分，其实最为重要的就是这两个建立的模型，线性回归比较好理解就是y=bx+a，通过最佳拟合线构建模型，而逻辑回归是一个针对非0即1的模型。&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-0adc77f0556cabcaf4f27_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&509& data-rawheight=&298& class=&origin_image zh-lightbox-thumb& width=&509& data-original=&https://pic1.zhimg.com/50/v2-0adc77f0556cabcaf4f27_r.jpg&&&/figure&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&机器学习之泰坦尼克号存活预测&/a&这个项目对于我而言，在技术方面是一个新的转折点，它让我熟悉了kaggle平台，通过项目和其他高手学习编程的技巧。而且这个项目还让我学习了比较难的提取特征值和了解不同的模型（随机森林等）。这篇文章没有介绍的&a href=&//link.zhihu.com/?target=https%3A//www.cnblogs.com/qcloud1001/p/7682679.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&决策树和随机森林&/a&，在这里介绍一下。&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-f342ead524b197edace25a521bdac403_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&731& data-rawheight=&668& class=&origin_image zh-lightbox-thumb& width=&731& data-original=&https://pic1.zhimg.com/50/v2-f342ead524b197edace25a521bdac403_r.jpg&&&/figure&&p&&b&决策树&/b&&/p&&p&决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程，它可以认为是if-then规则的集合。&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-c68a59dda6ab1_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&856& data-rawheight=&811& class=&origin_image zh-lightbox-thumb& width=&856& data-original=&https://pic3.zhimg.com/50/v2-c68a59dda6ab1_r.jpg&&&/figure&&p&假设在样本集X中，对于一个特征a，它可能有（a1，a2。。。an）这些取值，如果用特征a对样本集X进行划分（把它当根节点），肯定会有n个分支结点。刚才提了，我们希望划分后，分支结点的样本越纯越好，也就是分支结点的“总熵”越小越好。&/p&&p&&b&随机森林&/b&&/p&&p&随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。但随机森林的理论其实和决策树本身不应该牵扯在一起，决策树只能作为其思想的一种算法。bagging的个体学习器的训练集是通过随机采样得到的。通过n次的随机采样，我们就可以得到n个样本集。对于这n个样本集，我们可以分别独立的训练出n个个体学习器，再对这n个个体学习器通过集合策略来得到最终的输出，这n个个体学习器之间是相互独立的，可以并行。&/p&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&电影数据可视化项目分析报告&/a&这个项目主要是熟悉可视化的内容，这个项目同样是kaggle上的项目。所谓数据可视化主要就是两个方面，其一是数据具有代表性，能够说明问题；其二是图表美观，具有可观性。&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-d3dbf89adb000c606bb17e7ec947f0ee_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&787& data-rawheight=&440& class=&origin_image zh-lightbox-thumb& width=&787& data-original=&https://pic2.zhimg.com/50/v2-d3dbf89adb000c606bb17e7ec947f0ee_r.jpg&&&/figure&
python能做的有很多，我这里之阐述我自学的数据分析的内容，这也是我学习利用python进行数据分析的过程，如果要看实践可以直接看项目篇数据分析中常用的软件是jupyter notebook，而应用这个软件最方便的方法就是anaconda。具体的anaconda操作方法这篇文章讲…
&p&&b&不邀请自答！&/b&&/p&&h2&&b&题主加油！题主加油！题主加油！题主加油！题主加油！题主加油！&/b&&/h2&&br&&b&职业选择可是影响题主一辈子的大事，一楼这个答案多少显得有些不负责任啊。&/b&&br&&b&&br&&/b&&p&就目前题主的最新情况来看,一楼的答案似乎需要更新一下了。 &/p&&h2&&b&关于本人的职业背景介绍:&/b&&/h2&&p&本人曾在某互联网金融公司，从事大数据研发工作（包括数据平台开发，一部分数据分析），因为和公司数据分析的漂亮妹子（暂时称呼为：暗恋多年的小A同学）沟通比较多，所以针对题主的情况以及暗恋多年的小A同学和我分享的她的学习经历，做出如下回答，希望对楼主有帮助。&/p&&h2&&b&关于题主背景推测：&/b&&/h2&&p&&b&由于题主并没有详细介绍自己的背景,我就推测如下;&/b&&/p&&ul&&li&01.专业：60%统计或经济学，30%理工类专业，10%其他（推测依据：01.回答问题文字很朴素；02.所关注的知乎er基本是数据从业；03.所关注者里面统计方面的知乎er有5个）&/li&&li&02.性别：95%女 ，5%男（推测依据：01.题主介绍是妹子；02.题主的10个回答里有3个与女生相关；03.5个提问除了上面这个问题，其他分别是帽子+瑞唇膏+烫发+修眉）&/li&&li&03.学习能力：中等偏上，但不属于天才，满分100分的话，给你80分（推测依据：01.“学习ds少女”；02.“还早呢，头发已经掉了一大把了哈哈哈哈哈哈”；）&/li&&li&04.学习毅力：较强，满分100的话，给你90分（推测依据：知乎关注了54个人，大部分是数据相关的答主）&/li&&li&05.毕业院校:70%谢菲尔德大学，30%其他（推测依据：01.所关注的54个人里面有7个标明谢菲尔德大学；02.“刚毕业，转行学python中，未工作，被长辈指责，痛苦ing。还有多久才能学得差不多，然后找到工作啊，只要是使用python的岗位就行，不管啥方面了。”-从这个问题介绍来看，毕业时间吻合。03.关注了猫爷，出国留学老司机。04.最早一条回答6个月前，最早一个问题7个月前，估计题主大概回国不到1年吧）&/li&&/ul&&p&&b&以下回答是基于以上推测，如果推测有误，还请题主指出。&/b&&/p&&h2&&b&关于最适合题主的职位分析：&/b&&/h2&&p&数据和Python类型的工作，我拉钩搜索了一下，大概分如下几种：&/p&&figure&&img data-rawheight=&1334& src=&https://pic2.zhimg.com/50/v2-ca4838169facbab2e9a1f64_b.jpg& data-rawwidth=&750& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic2.zhimg.com/50/v2-ca4838169facbab2e9a1f64_r.jpg&&&/figure&&figure&&img data-rawheight=&1334& src=&https://pic3.zhimg.com/50/v2-f00f61d50e552a099c3ed_b.jpg& data-rawwidth=&750& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic3.zhimg.com/50/v2-f00f61d50e552a099c3ed_r.jpg&&&/figure&&figure&&img data-rawheight=&1334& src=&https://pic2.zhimg.com/50/v2-99ca2924addaec02fa694_b.jpg& data-rawwidth=&750& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic2.zhimg.com/50/v2-99ca2924addaec02fa694_r.jpg&&&/figure&&figure&&img data-rawheight=&1334& src=&https://pic1.zhimg.com/50/v2-27fdc3fb63ef8dc33711_b.jpg& data-rawwidth=&750& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic1.zhimg.com/50/v2-27fdc3fb63ef8dc33711_r.jpg&&&/figure&&p&
具体的职位要求大概如下：&figure&&img data-rawheight=&1334& src=&https://pic4.zhimg.com/50/v2-5cb41ad19c3869cfd2ca0_b.jpg& data-rawwidth=&750& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic4.zhimg.com/50/v2-5cb41ad19c3869cfd2ca0_r.jpg&&&/figure&&figure&&img data-rawheight=&1334& src=&https://pic1.zhimg.com/50/v2-2ec334ef17d0f7ab4d0ffe945f6b0b1a_b.jpg& data-rawwidth=&750& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic1.zhimg.com/50/v2-2ec334ef17d0f7ab4d0ffe945f6b0b1a_r.jpg&&&/figure&&figure&&img data-rawheight=&1334& src=&https://pic3.zhimg.com/50/v2-33adfe6f5dd1e9c3b9a82_b.jpg& data-rawwidth=&750& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic3.zhimg.com/50/v2-33adfe6f5dd1e9c3b9a82_r.jpg&&&/figure&&/p&&p&综合拉钩的职位要求，以及题主自身的爱好---数据，和楼主所学习的Python，最适合目前最适合题主的是一份&b&大数据分析师&/b&的职位。原因如下：&/p&&ul&&li&01.题主倾向于数据方向的工作。&/li&&li&02.题主学习了Python，而Python是数据分析的不二之选，依据StackOverflow统计，Python是近年来热度上升最快的语言。至于spss，R这种东西，等你学会了Python，正常人给你1个月，完全可以学到胜任一份工作。&/li&&li&03.数据分析未来的路会很宽，转管理很容易，转其他相关行业也很容易（而第四条所列的职位路就很窄）。&/li&&li&04.相比于数据挖掘、大数据、算法、普通软件工程师，数据分析师更适合女性，或者说女性有一定性别优势。&/li&&/ul&&p&but，&/p&&p&国内不同公司对同一个职位要求不一样，&/p&&p&有的公司用excel做个统计表用sql查个数据也自称是做数据分析，&/p&&p&好一点公司的用R语言，spss做个统计分析，&/p&&p&要求再高一点的需要懂大数据，然后这个职位叫大数据分析。&/p&&p&&b&到这里基本已经成功了70%，因为已经确定了目标职位：大数据分析师。&/b&&/p&&h2&&b&关于如何胜任这个职位：&/b&&/h2&&p&&b&一.岗位要求：&/b&&/p&&ul&&li&01.一门用来做数据分析的语言（Python/R语言/SPSS,排名分先后）。&/li&&li&02.研究过一些数据分析的案例。&/li&&li&03.掌握数据分析的基本套路。&/li&&li&04.懂一些大数据理论。&/li&&/ul&&p&&b&&br&&/b&&/p&&p&&b&二.学习资源推荐&/b&&/p&&ul&&li&01.Python的话，既然你报了班，就跟着老师教学进度就ok了。&/li&&li&02.数据分析的案例（推荐《利用Python进行数据分析这本书》）。&/li&&li&03.数据分析的基本套路（推荐《从1开始数据分析师成长之路》）。&/li&&li&04.大数据的书，一大堆啊，自己当当一本自己喜欢的就ok。类似的书籍很多,内容80%雷同。&/li&&/ul&&p&&b&一句善意的提醒：既然题主对数据感兴趣，又学了Python，工作一定要选择大数据分析师，这个岗位，切记不要放低要求去做什么Python web，爬虫，否则即使工作了你也会发现，这他妈根本不适合老娘啊，啊，啊，啊，西湖的水，我的泪。&/b&&/p&&p&我可是压着棺材板写完答案啊（看到楼主在问题描述里的这句“只要是使用python的岗位就行，不管啥方面了”，心痛了好久），一定记住找大数据分析师的工作啊。&/p&&h2&&b&关于学习完毕之后如何找工作:&/b&&/h2&&p&。先占个坑，有时间再回来答。&/p&&h2&&b&关于工作后持续学习的建议:&/b&&/h2&&p&。先占个坑，有时间再回来答。&/p&&h2&&b&关于职业发展路径的建议:&/b&&/h2&&p&。先占个坑，有时间再回来答。&/p&&p&&br&&/p&&p&一时激动，写的又臭又长，希望对题主有帮助。&/p&
不邀请自答！题主加油！题主加油！题主加油！题主加油！题主加油！题主加油！ 职业选择可是影响题主一辈子的大事，一楼这个答案多少显得有些不负责任啊。
就目前题主的最新情况来看,一楼的答案似乎需要更新一下了。 关于本人的职业背景介绍:本人曾在某互联…
&figure&&img src=&https://pic1.zhimg.com/v2-e9df544d340d146a45edfa2ef0cd78e0_b.jpg& data-rawwidth=&403& data-rawheight=&228& class=&content_image& width=&403&&&/figure&&blockquote&作者：秦路
公众号：秦路（tracykanc）&br&配套七周成为数据分析师视频教程：&a href=&http://link.zhihu.com/?target=https%3A//edu.hellobi.com/course/205& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&磨剑之作，七周成“师”！秦路主讲，七周成为数据分析师&/a&&/blockquote&&p&想要成为数据分析师，最快需要七周？七周信不信？&/p&&p&&br&&/p&&p&这是一份数据分析师的入门指南，它包含七周的内容，Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。&br&&/p&&p&&br&&/p&&p&每一周的内容，都有两到三篇文章细致讲解，帮助新人们快速掌握。这七周的内容刚好涵盖了一位数据分析师需要掌握的基础体系，也是一位新人从零迈入数据大门的知识手册。&/p&&p&&br&&/p&&p&&b&第一周：Excel&/b&&/p&&p&&br&&/p&&p&每一位数据分析师都脱离不开Excel。&/p&&p&&br&&/p&&p&它是日常工作中最常用的工具，如果不考虑性能和数据量，它可以应付绝大部分分析工作。虽然现在机器学习满地走，Excel依旧是无可争议的第一工具。&/p&&p&&br&&/p&&p&Excel的学习分为两个部分。&/p&&p&&br&&/p&&p&掌握各类功能强大的函数，函数是一种负责输入和输出的神秘盒子。把各类数据输入，经过计算和转换输出我们想要的结果。&/p&&p&&br&&/p&&p&在SQL，Python以及R中，函数依旧是主角。掌握Excel的函数有助于后续的学习，因为你几乎在编程中能找到名字一样或者相近的函数。&/p&&p&&br&&/p&&p&在「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzA3MTM3NTA5Ng%3D%3D%26mid%3D%26idx%3D1%26sn%3Dc4e2bdffc4fb51ed08fd%26chksm%3D84d9c902b3aebf4e8f3eb5ddec7ddbe3daa05928faf28%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据分析：常见的Excel函数全部涵盖在这里了&/a&」中，介绍了常用的Excel函数。&/p&&p&&br&&/p&&p&清洗处理类：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text&/p&&p&&br&&/p&&p&关联匹配类：lookup、vlookup、index、match、row、column、offset&/p&&p&&br&&/p&&p&逻辑运算类：if、and、or、is系列&/p&&p&&br&&/p&&p&计算统计类：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round&/p&&p&&br&&/p&&p&时间序列类：year、month、weekday、weeknum、day、date、now、today、datedif&/p&&p&&br&&/p&&p&搜索能力是掌握Excel的不二窍门，工作中的任何问题都是可以找到答案。&/p&&p&&br&&/p&&p&第二部分是Excel中的工具。&br&&/p&&p&&br&&/p&&p&在「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzA3MTM3NTA5Ng%3D%3D%26mid%3D%26idx%3D2%26sn%3D31bbee083f781c0b85d1ab%26chksm%3D84d9c95cb3ae404a2d738cbf92c75e55b6fb8bfa9ff58fscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据分析：Excel技巧大揭秘&/a&」教程，介绍了Excel最具性价比的几个技巧。包括数据透视表、格式转换、数组、条件格式、自定义下拉菜单等。正是这些工具，才让Excel在分析领域经久不衰。&/p&&p&&br&&/p&&p&在大数据量的处理上，微软提供了Power系列，它和Excel嵌套，能应付百万级别的数据处理，弥补了Excel的不足。&/p&&p&&br&&/p&&p&Excel需要反复练习，实战教程「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D0c2982a1cadd7d7d5db972ede35c835c%26chksm%3Dbffcb795ea44f5d57a2321abbabfbe6a5fa2fbcf37959b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据分析：手把手教你Excel实战&/a&」，它通过网络上抓取的数据分析师薪资数据作为练习，总结各类函数的使用。&/p&&p&&br&&/p&&p&除了上述要点，下面是附加的知识点，铺平数据分析师以后的道路。&/p&&p&&br&&/p&&p&了解单元格格式，数据分析师会和各种数据类型打交道，包括各类timestamp，date，string，int，bigint，char，factor，float等。&/p&&p&&br&&/p&&p&了解数组，以及相关应用（excel的数组挺难用），Python和R也会涉及到 list，是核心概念之一。&/p&&p&&br&&/p&&p&了解函数，深入理解各种参数的作用。它会在学习Python中帮助到你。&/p&&p&&br&&/p&&p&了解中文编码，UTF8、GBK、ASCII，这是数据分析师的坑点之一。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第二周：数据可视化&/b&&/p&&p&&br&&/p&&p&数据分析界有一句经典名言，字不如表，表不如图。&/p&&p&&br&&/p&&p&数据可视化是分析的常用技巧之一，不少数据分析师的工作就是通过图表观察和监控数据。&br&&br&首先了解常用的图表：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-f6ffd8b2237fdeb25f4cfbe_b.jpg& data-caption=&& data-rawwidth=&693& data-rawheight=&506& class=&origin_image zh-lightbox-thumb& width=&693& data-original=&https://pic3.zhimg.com/v2-f6ffd8b2237fdeb25f4cfbe_r.jpg&&&/figure&&p&Excel的图表可以100%绘制上面的图形，但这只是基础。&/p&&p&&br&&/p&&p&在「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dfe90b3b9c9ec%26chksm%3Dbffcb3e0b99adcfcfbf95df76d02e40c2e415d0ae1c729146fdcfc%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据可视化：你想知道的经典图表全在这&/a&」中介绍了各类数据分析的经典图表，除了趋势图、直方图，还包括桑基图、空间图、热力图等额外的类型。&/p&&p&&br&&/p&&p&数据可视化不是图表的美化，而是呈现数据的逻辑之美，是揭示数据的内在关联。了解图表的维度和适用场景，比好看更重要。比如桑吉图就是我一直推崇的图表，它并不知名，但是它能清晰的揭露数据内在状态的变化和流向。案例是用户活跃状态的趋势。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-ace7f854b757ec10236ada52b43e7b8a_b.jpg& data-caption=&& data-rawwidth=&668& data-rawheight=&405& class=&origin_image zh-lightbox-thumb& width=&668& data-original=&https://pic3.zhimg.com/v2-ace7f854b757ec10236ada52b43e7b8a_r.jpg&&&/figure&&p&Excel的图表操作很傻瓜化，其依旧能打造出一份功能强大的可视化报表。「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dbcd3a752f196b0f841fd13a4%26chksm%3Dbffcb68ce6eb99155acfb5dd0bb2e8e25242%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据可视化：教你打造升职加薪的报表&/a&」教给大家常用的Excel绘图技巧，包括配色选取，无用元素的剔除、辅助线的设立、复合图表等方法。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-ccadaea2862153ecd18ad3a_b.jpg& data-caption=&& data-rawwidth=&724& data-rawheight=&253& class=&origin_image zh-lightbox-thumb& width=&724& data-original=&https://pic3.zhimg.com/v2-ccadaea2862153ecd18ad3a_r.jpg&&&/figure&&p&Excel图表的创造力是由人决定的，对数据的理解，观察和认知，以及对可视化的应用，这是一条很长的道路。&/p&&p&&br&&/p&&p&图表是单一的，当面板上绘制了多张图表，并且互相间有关联，我们常称之为Dashboard仪表盘。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-be537cd538f900dc2d4e43a935d3c78d_b.jpg& data-caption=&& data-rawwidth=&753& data-rawheight=&423& class=&origin_image zh-lightbox-thumb& width=&753& data-original=&https://pic2.zhimg.com/v2-be537cd538f900dc2d4e43a935d3c78d_r.jpg&&&/figure&&p&上图就是用分析师薪资数据为数据源绘制的Dashboard，比单元格直观不少。我们常常把绘制这类Dashboard的工具叫做BI。&/p&&p&&br&&/p&&p&&br&&/p&&p&BI（商业智能）主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作完全可以交给BI自动化完成，从数据规整、建模到下载。&/p&&p&&br&&/p&&p&另外一种是使用其可视化功能进行分析，它提供比Excel更丰富的交互功能，操作简单，而且美观，如果大家每天作图需要两小时，BI能缩短大半。&/p&&p&&br&&/p&&p&在「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Da29edc7740a44dce2c9ce16%26chksm%3Dbffcf5c7c5bff8fce2e4168bcdc42ff330f82d38d10688%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据可视化：手把手打造BI&/a&」教程中，以微软的PowerBI举例，教大家如何读取数据，规整和清洗数据，绘制图表以及建立Dashboard。最后的成果就是上文列举的分析师案例。&br&&/p&&p&&br&&/p&&p&BI还有几个核心概念，包括OLAP，数据的联动，钻取，切片等，都是多维分析的技巧，也是分析的核心方法之一。&/p&&p&&br&&/p&&p&后续的进阶可视化，将和编程配合。因为编程能够提供更高效率和灵活的应用。而BI也是技术方向的工具，了解技术知识对应用大有帮助。&/p&&p&&b&第三周：数据分析思维&/b& 数据分析能力的高低，不以工具和技巧决定，而以分析思维决定。&/p&&p&&br&&/p&&p&在一场战争中，士兵装备再好的武装，进行再严苛的训练，若是冲锋的方向错了，那么迎接他们的唯有一败涂地。&/p&&p&&br&&/p&&p&分析思维决定一场「数据战争」中的冲锋方向。只有先养成正确的分析思维，才能使用好数据。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-679e85fbfdd1c7b2ecc003753faa07ce_b.jpg& data-caption=&& data-rawwidth=&730& data-rawheight=&269& class=&origin_image zh-lightbox-thumb& width=&730& data-original=&https://pic3.zhimg.com/v2-679e85fbfdd1c7b2ecc003753faa07ce_r.jpg&&&/figure&&p&既然是思维，它就倾向于思考的方式，Excel函数学会了就是学会，分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断，以「我觉得我认为」展开，好的数据分析首先要有结构化的思维。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-aef3004dfc978d887811ecead1cf997e_b.jpg& data-caption=&& data-rawwidth=&709& data-rawheight=&375& class=&origin_image zh-lightbox-thumb& width=&709& data-original=&https://pic3.zhimg.com/v2-aef3004dfc978d887811ecead1cf997e_r.jpg&&&/figure&&p&麦肯锡是其中领域的佼佼者，创建了一系列分析框架和思维工具。最典型地莫过于金字塔思维。&/p&&p&&br&&/p&&p&这篇文章简述了该思维的应用，「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D09f07079cbc2c7b7cb3bec4d94ccb250%26chksm%3Db1ffceb958ad3c28a70a7fc6f0cac6cac056d1%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&快速掌握麦肯锡的分析思维&/a&」。你能学会结构化思考，MECE原则，假设先行，关键驱动等方法论。&br&&/p&&p&除此以外，还有SMART、5W2H、SWOT、4P4C、六顶思考帽等，这些都是不同领域的框架。框架的经典在于，短时间内指导新人如何去思考，它未必是最好的，但一定是性价比最优的。&br&&br&数据分析思维，是分析思维的引申应用。再优秀的思考方式，都需要佐证和证明，数据就是派这个用处的，「不是我觉得，而是数据证明」。&/p&&p&&br&&/p&&p&现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。如果把它应用在数据领域，就是：如果你不能用指标描述业务，那么你就无法有效增长它。&br&&br&每一位数据分析师都要有指标体系的概念，报表也好，BI也好，即使机器学习，也是围绕指标体系建立的。&/p&&p&&br&&/p&&p&下图就是一个典型的指标体系，描述了用户从关注产品、下载、乃至最后离开的整个环节。每一个环节，都有数据及指标以查询监控。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-db75bc511f6c93bbfe8d_b.jpg& data-caption=&& data-rawwidth=&757& data-rawheight=&376& class=&origin_image zh-lightbox-thumb& width=&757& data-original=&https://pic2.zhimg.com/v2-db75bc511f6c93bbfe8d_r.jpg&&&/figure&&p&不同业务背景需要的指标体系不同，但有几个建立指标的通用准则。这篇文章深入介绍了「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D381dc5e37ff618%26chksm%3Dbffcdefb2c275a24deee0e4ce13e8d5d0%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何建立数据分析的思维框架&/a&」。你将区分什么是好指标、什么是坏指标、比率和比例、指标的结构、指标设立的维度等概念。&/p&&p&&br&&/p&&p&数据分析不是一个结果，而是一个过程。几乎所有的分析，最终目的都是增长业务。所以比分析思维更重要的是驱动思维落地，把它转化为成果。&/p&&p&&br&&/p&&p&数据分析思维是常年累月养成的习惯，一周时间很难训练出来，但这里有一个缩短时间的日常习惯。以生活中的问题出发做练习。&/p&&p&&br&&/p&&p&这家商场的人流量是多少？怎么预估？&/p&&p&&br&&/p&&p&上海地区的共享单车投放量是多少？怎么预估？&/p&&p&&br&&/p&&p&街边口的水果店，每天的销量和利润是多少？怎么预估？&/p&&p&&br&&/p&&p&这些开放性问题起源于咨询公司的训练方法，通过不断地练习，肯定能有效提高分析思维。另外就是刷各种CaseBook。&/p&&p&&br&&/p&&p&优秀的数据分析师会拷问别人的数据，而他本身的分析也经得起拷问。&br&&/p&&p&&br&&/p&&p&&b&第四周：数据库&/b&&/p&&p&Excel很容易遇到瓶颈，随着业务的发展，分析师接触的数据会越来越多。对大部分人的电脑，超过十万条数据，已经会影响性能。何况大数据时代就是不缺数据，这时候就需要学习数据库了。&/p&&p&&br&&/p&&p&即使非数据岗位，也有越来越多的产品和运营被要求使用SQL。&/p&&p&很多数据分析师戏称自己是跑SQL的，这间接说明SQL在数据分析中有多核心。从Excel到SQL绝对是处理效率的一大进步。&/p&&p&&br&&/p&&p&教程内容以MySQL为主，这是互联网行业的通用标准。其实语法差异不大的。&/p&&p&&br&&/p&&p&新手首先应该了解表的概念，表和Excel中的sheet类似。「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D38b912a77af98efe541bb53dechksm%3Dbffc73ef2cb6b08ec4scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&写给新人的数据库指南&/a&」是一篇入门基础文章，包括表、ID索引、以及数据库的安装，数据导入等简单知识。&br&&/p&&p&&br&&/p&&p&SQL的应用场景，均是围绕select展开。增删改、约束、索引、数据库范式均可以跳过。新手在「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D46210a8cea6222cfface6a%26chksm%3Dbffc5422beefe5b18ce50e9d383d3c04a84df4cb72c21df2scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SQL，从入门到熟练&/a&」教程会学习到最常见的几个语法，select、where、group by、if、count/sum、having、order by、子查询以及各种常用函数。&/p&&p&&br&&/p&&p&数据还是分析师薪资数据，它可以和Excel实战篇结合看，不少原理都是相通的。&/p&&p&&br&&/p&&p&想要快速掌握，无非是大量的练习。大家可以在leetcode上做SQL相关的练习题，难度从简单到困难都有。「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dfb51e28c52a4f220321fdf62fd18d4d7%26chksm%3Db1ffdb94ef101c042f61df2dd1c412e5aa648bf4ef9c8d6a9a772e6f4f2ea0ae7d6%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SQL，从熟练到掌握&/a&」教程中将会带领大家去刷一遍。&/p&&p&&br&&/p&&p&join对新手是一个很绕的概念，教程会从图例讲解，逐步提高难度。从一开始的join关联，到条件关联、空值匹配关联、子查询关联等。最后完成leetcode中的hard模式。&br&&/p&&p&如果想要更进一步，可以学习row_number，substr，convert，contact等函数。不同数据平台的函数会有差异，例如Presto和phpMyAdmin。&br&&br&再想提高，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。知道为什么union比or的效率快，这已经和不少程序员并驾齐驱。&br&&/p&&p&&br&&/p&&p&&b&第五周：统计学&/b&&/p&&p&&br&&/p&&p&很多数据分析师并不注重统计学基础。&/p&&p&&br&&/p&&p&比如产品的AB测试，如果相关人员不清楚置信度的含义和概念，那么好的效果能意味着好么？如果看待显著性？&/p&&p&&br&&/p&&p&比如运营一次活动，若不了解描述统计相关的概念，那么如何判别活动在数据上的效果？可别用平均数。&/p&&p&&br&&/p&&p&不了解统计学的数据分析师，往往是一个粗糙的分析师。如果你想要往机器学习发展，那么统计学更是需要掌握的基础。&/p&&p&&br&&/p&&p&统计知识会教大家以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。&/p&&p&&br&&/p&&p&在第一篇教程「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dfcc07f6a122%26chksm%3Dbffd8d38a110dfe299cf892c271f9ad52991c64dfc9d96ae3b1ed586b84ea5154a%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&解锁数据分析的正确姿势：描述统计&/a&」，会教给大家描述统计中的诸多变量，比如平均数、中位数、众数、分位数、标准差、方差。这些统计标准会让新手分析师从平均数这个不靠谱的泥潭中出来。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-7d4f8e72eae2f4bee5a937_b.jpg& data-caption=&& data-rawwidth=&711& data-rawheight=&384& class=&origin_image zh-lightbox-thumb& width=&711& data-original=&https://pic4.zhimg.com/v2-7d4f8e72eae2f4bee5a937_r.jpg&&&/figure&&p&箱线图就是描述统计的大成者，好的分析师一定是惯用箱线图的常客。&/p&&p&第二篇「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Db4ee4ceec17a9f0b523be%26chksm%3Dbffdfc09a39e3acabe36c3e26bascene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&解锁数据分析的正确姿势：描述统计(2)&/a&」将会结合可视化，对数据的分布进行一个直观的概念讲解。很多特定的模型都有自有的数据分布图，掌握这些分布图对分析的益处不可同日而语。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-14bd545ef79ab10fab13ff_b.jpg& data-caption=&& data-rawwidth=&698& data-rawheight=&297& class=&origin_image zh-lightbox-thumb& width=&698& data-original=&https://pic3.zhimg.com/v2-14bd545ef79ab10fab13ff_r.jpg&&&/figure&&p&直方图和箱线图一样，将会是长久伴随分析师的利器。&/p&&p&&br&&/p&&p&统计学的一大主要分支是概率论，概率是度量一件事发生的可能性，它是介于0到1之间的数值。很多事情，都可以用概率论解释，「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D50aacae4f6cd1e80dc82934bdd62b69b%26chksm%3Db1ffdc849cf31ece2647791dda172d7d6e6addfa2cc7c14ee85fa4e1b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&概率论的入门指南&/a&」和「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Df75dec80bd6bae97f8e648%26chksm%3Dbffd36cfea07efebdc4c573a5e4%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&读了本文，你就懂了概率分布&/a&」都是对其的讲解。&/p&&p&&br&&/p&&p&包括贝叶斯公式、二项概率、泊松概率、正态分布等理论。理论不应用现实，那是无根之木，教程中会以运营活动最常见的抽奖概率为讲解，告诉大家怎么玩。&/p&&p&&br&&/p&&p&其实数据分析中，概率应用最广泛和最全面的知识点，就是假设检验，大名鼎鼎的AB测试就是基于它的。俗话说得好，再优秀的产品经理也跑不过一半AB测试。&/p&&p&&br&&/p&&p&何为假设检验？假设检验是对预设条件的估计，通过样本数据对假设的真伪进行判断。&/p&&p&&br&&/p&&p&产品改版了，用户究竟喜不喜欢？调研的评分下降了，这是用户的评价降低了，还是正常的数据波动呢？这些都是可以做假设检验的。它可以说是两面两篇文章的回顾和应用。&/p&&p&&br&&/p&&p&&u&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D0731f30dcdf1ef21b7eadf%26chksm%3Dbffd23c7dbb11762bfbf840fd72d1c8864%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&「数据分析必须懂的假设检验&/a&&/u&」依旧以互联网场景讲解各种统计技巧的应用。假设检验并不难，通过Excel的几个函数就能完成。它的难点在于诸多知识点和业务的结合使用，实际公式不需要掌握的多透彻，了解背后的意义更重要。&/p&&p&&br&&/p&&p&统计学是一个很广阔的领域，包括方差分析，时间序列等，都有各自不同的应用。大家若感兴趣，可以去阅读各类教材，没错，教材是学习统计学最优的方式。我这类文章堪堪算入门罢了。&/p&&p&&br&&/p&&p&&b&第六周：业务&/b&&/p&&p&&br&&/p&&p&对于数据分析师来说，业务的了解比数据方法论更重要。&br&&br&举个例子，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。&br&&br&这个案例中，我们只知道送货员的送货水平距离，根本不知道垂直距离。这是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。&br&&br&业务形态千千万万，数据分析师往往难窥一二。我的公众号业务部分也涉及了不少，大家可以通过这几篇文章了解。&/p&&p&&br&&/p&&p&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Df7b436c0e0f2b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一篇文章读懂活跃数据&/a&；&br&&br&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D400dfe16dc9f%26chksm%3Dbfff7e4d914ba5c3d5c91d3ff157efdde5d2cbfa3ae49e10a42a8109%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出，用户生命周期的运营&/a&；&br&&br&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Da1f0b5e8eb97a412e98f7bd687c07cda%26chksm%3Dbfff74bcda57aa4e76a11ba30fecebcffscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&获取新增用户，运营都应该知道的事&/a&；&br&&br&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dee998c624ee67a1a93cd3b1eb07d1b94%26chksm%3Dbfff6fc099f74cb08f82b869ae615d483e41719fab604%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&运营的商业逻辑：CAC和CLV&/a&；&br&&br&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Da507fab1aee%26chksm%3Dbffccbee1e551c5eccc53f7b8f4a416ffe6086fee8acce3%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从零开始，构建数据化运营体系&/a&；&br&&br&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D5be111eb64560ebf0be6ea8%26chksm%3Dbffda0c6a25e38defc52bb9d9eae6ff461%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&读懂用户运营体系：用户分层和分群&/a&，&br&&br&这些都是互联网运营相关的内容，或多或少涉及了不少业务方面的概念，数据分析人员可以选择性的挑选部分内容。了解业务的数据分析师在职场发展上会更加顺利。&/p&&p&&br&&/p&&p&而在「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dab82aed4fe204bbc1d57%26chksm%3Dbffd21c425e8f7ad6a8f6eeb1a4cd46b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&最用心的运营数据指标解读&/a&」中，我尝试总结了几个泛互联网领域的指标和业务模型，它们都是通用的框架。&/p&&p&&br&&/p&&p&产品运营模型：以移动端APP为主体，围绕AARRR准则搭建起数据框架。包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播，以及细分指标。&/p&&p&&br&&/p&&p&市场营销模型：以传统的市场营销方法论为基底，围绕用户的生命周期建立框架。包括用户生命周期，生命周期价值、用户忠诚指数、用户流失指数、用户RFM价值等。&/p&&p&&br&&/p&&p&流量模型：从早期的网站分析发展而来，以互联网的流量为核心。包括浏览量曝光率、病毒传播周期、用户分享率、停留时间、退出率跳出率等。&/p&&p&&br&&/p&&p&电商和消费模型：以商品的交易、零售、购买搭建而起。包括GMV、客单价、复购率、回购率、退货率、购物篮大小、进销存，也包含SKU、SPU等商品概念。&/p&&p&&br&&/p&&p&用户行为模型：通过用户在产品功能上的使用，获得精细的人群维度，以此作为分析模型。包括用户偏好、用户兴趣、用户响应率、用户画像、用户分层，还包含点赞评论浏览收藏等功能的相关指标。&/p&&p&&br&&/p&&p&除了上述的几个常见模型，数据分析还有其他分支。比如SEO/SEM，虽然可以归类到流量模型，但它并不简单。比如财务分析，商业的各种成本支出也需要专人负责。&/p&&p&&br&&/p&&p&在业务知识外，业务层面的沟通也很重要。业务线足够长的时候，沟通往往成为老大难的问题。&/p&&p&&br&&/p&&p&业务学习没有捷径，哪怕掌握了诸多模型，不同行业间的业务壁垒会是分析师们的门槛。金融的各类专有领域知识，电子商务不同产品的特性，这些都会影响到分析报告的质量。&/p&&p&&br&&/p&&p&在早期，新人最好选择一到两个领域深入了解其业务，然后以此拓展边界。&br&&b&第七周：Python/R&/b&&/p&&p&第七周是最后的学习环节。&/p&&p&&br&&/p&&p&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、BI、爬虫、可视化报表都需要用到编程。掌握一门优秀的编程语言，可以让数据分析师升职加薪，迎娶白富美。&br&&br&数据分析领域最热门的两大语言是R和Python。&br&&br&R的优点是统计学家编写的，缺点也是统计学家编写。涉及各类统计函数和工具的调用，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。&/p&&p&&br&&/p&&p&Python则是万能的胶水语言，适用性强，可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。&/p&&p&&br&&/p&&p&这里的教程以Python为主。&br&&br&&/p&&p&「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D2dc12431cbc34318ede715d54c19ebda%26chksm%3Dbffd018fd8dd58f0a2e2f58ae1a8a53fabefc57bfdede1c37eeaebd%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&开始Python的新手教程&/a&」将会教大家搭建数据分析环境，Anaconda是功能强大的数据科学工具。Python建议安装Python3+版本，不要选择Python2了。&/p&&p&&br&&/p&&p&Python的语法相当简洁，大家print出第一个hello world顶多半小时。就像在Excel上进行运算一样方便。&br&&/p&&p&&br&&/p&&p&「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dcab8abbdb55e12f%26chksm%3Dbffd58bf20bf0cabeb2c2ca743cfb070c%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&开始Python的数据结构&/a&」介绍给大家Python的三类数据结构，列表list，元组tuple，以及字典dict。万变不离其宗，掌握这三种数据结构以及相对应的函数，足够应付80%的分析场景。&br&&br&函数式编程为Python一大特色，Python自身就提供不少丰富的函数。很多都和Excel的函数相通，掌握起来非常迅速。另外还有控制流，for、while、if，通常配合函数组合使用。&/p&&p&&br&&/p&&p&「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D7eb993b8be9782aabd2e%26chksm%3Db1787bbe860ff2a85dd4b4b632f9da2bbc8fdebc803e4fb81ffdf69%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&了解和掌握Python的函数&/a&」教大家如何自定义函数，丰富的函数虽然能偷懒，但是不少场景下，还是需要自己动手撸一个。&br&&/p&&p&&br&&/p&&p&能够调第三方包解决，就使用第三方的函数。如果是一个频繁使用的场景，而第三方依靠不了，就自己编一个函数。如果是临时性的场景，写得粗糙点也无所谓。毕竟分析师的代码能力不要求工程师那么严格，所以Python的学习尽量以应用为主，不用像分析师那么严格。&/p&&p&&br&&/p&&p&包、模块和类的概念属于进阶知识，不学也不要紧。&/p&&p&&br&&/p&&p&「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dea504ea47a73aac46ece%26chksm%3Dbff28abb88544fecc6f8c601d48d6c92c18549ebbffb515ascene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python的数据分析: numpy和pandas入门&/a&」介绍了数据分析师赖以生存的两个包，numpy和pandas，其他Python知识可以不扎实，这两个最好认真掌握。它是往后很多技能树的前置要求。&br&&/p&&p&&br&&/p&&p&array，series，dataframe是numpy和pandas的三个数据结构，掌握它们，便算是入门了。后续的两篇教程都是实战。&/p&&p&&br&&/p&&p&「&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D11da6ff57dbaeaea2f3a7%26chksm%3Dbff21ab5a1bf86c91c2b96efdc11ad7dec549%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&用pandas进行数据分析实战&/a&」以分析师的薪资作为实战数据。Excel、BI、SQL，一路走来，大家想必对它无比熟悉，这也是最后一次使用它了。教程通过Pandas的各类功能，绘制出一副词云图。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-60bc5ddfe5fcc4_b.jpg& data-caption=&& data-rawwidth=&709& data-rawheight=&341& class=&origin_image zh-lightbox-thumb& width=&709& data-original=&https://pic1.zhimg.com/v2-60bc5ddfe5fcc4_r.jpg&&&/figure&&p&最后一篇教程，将结合以往的知识点，包括业务指标，可视化，描述统计学等内容。「&u&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dded8dd35a844415fcb0c28f%26chksm%3Dbff24c6c6c8ea1f5ec9af092a8dfa22b9c49ce5bef864e1%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&用Python分析用户消费行为&/a&&/u&」，完成它，不说登堂入室，但也是一位合格的数据分析师了。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-06ae7ebd9cc5b86f53367_b.jpg& data-caption=&& data-rawwidth=&689& data-rawheight=&383& class=&origin_image zh-lightbox-thumb& width=&689& data-original=&https://pic4.zhimg.com/v2-06ae7ebd9cc5b86f53367_r.jpg&&&/figure&&p&它使用某网站的用户消费数据，计算各类常见指标：用户的客单价、人均购买量、回购率、复购率、留存率、平均生命周期等，真正做到融会贯通。用一份数据报告作为毕业作品，也是七周系列最好的结业证书了。&/p&&p&&br&&/p&&p&对于没有技术基础的同学，第七周最吃力，但已经完成到这一步，不妨让自己咬咬牙学习下去。&/p&&p&&br&&/p&&p&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，毕竟这二十多篇教程，都是各类入门和基础概念，是开始，而不是数据分析这条职业道路的结束。&/p&&p&&br&&/p&&p&最后在这里奉上一份书单，大家可以对照自己的薄弱环节有意识的强化，不用全部读下来，挑选适合自己的内容即可。「&u&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMjM5NjEyMDI2MQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D5adfd2b60cf15edb6cdf2%26chksm%3Dbffc396cb6d872e8f74c17e8e54be76c879df71be4adb50dcscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据分析师的必读书单&/a&&/u&」。&br&&/p&&p&&br&&/p&&p&&b&最后&/b&&/p&&p&&br&&/p&&p&没想到最后还是写完了，二十三篇内容，超过最初的设想。比计划四月份完成晚了不少，但好在还是写完。&/p&&p&&br&&/p&&p&完成这一系列，自己有不少收获，过去很多碎片化的知识被归纳整理。回头看，文章有不甚满意的细节，包括各类错误，可惜公众号并不允许修改。重新修订的内容，会以其他形式出现了。&/p&&p&&br&&/p&&p&写作过程中最大的欣慰，就是很多人告诉我他成功转行到数据分析师。我的文章，原来可以或多或少改变过他人。&/p&&p&&br&&/p&&p&数据分析就此告一段落，后续会有补充，但均是独立的文章。至于新的系列，暂时还在腹稿中，可能部分人看过提纲了。未来一段时间会倾向产品和运营方向的产出。&/p&&p&&br&&/p&&blockquote&磨剑之作，七周成“师”！秦路主讲，七周成为数据分析师 &a href=&http://link.zhihu.com/?target=https%3A//edu.hellobi.com/course/205& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&磨剑之作，七周成“师”！秦路主讲，七周成为数据分析师 &/a&&br&
关键字：已有 1244 人学习
数据分析思维、业务、Excel、数据可视化、MySQL、统计学、Python
已连载到64课时。&/blockquote&&p&&/p&&p&&/p&
作者：秦路 公众号：秦路（tracykanc） 配套七周成为数据分析师视频教程：想要成为数据分析师，最快需要七周？七周信不信？ 这是一份数据分析师的入门指南，它包含七周的内容，Excel、数据可视化、数…
我和很多人一样，不太喜欢快速这个词，急于求成的结果是得不偿失。&br&在这里，我将题主的“快速”理解为如何&b&&u&在最短的时间内高效率&/u&&/b&的成为数据分析师。我想这才是题主的初衷吧！ &br&首先，成为任何一个技术型工作的从业者最需要的就是掌握相关的专业技能，因此也可以这么理解题主的话：&b&&u&如何在最短的时间内高效率的掌握数据分析知识从而达到找一份相关工作的资格！&/u&&/b&&br&&br&在长篇大论之前，我先给题主来一粒定心丸：&b&3个月零基础入门数据分析师是一件完全可能的事！&/b&&br&看清楚哦，我说的是入门。入门基本上就是懂得了常规的数据分析知识并且据此找到一份简单的工作！&br&知乎里面有很多关于学习数据分析的帖子，写的都很好。但是它们和快速没有任何关系，你要完成那些大神们的书单贴，至少需要3、5年才行。因为那是一个perfect 的数据分析师，而不是入门级别的！&br&&br&我简单的将学习数据分析的同学分为三种：&br&1.学过计算机但不会统计学（新手）&br&2.学过统计学但不会计算机（小白）&br&3.统计学和计算机都不会（菜鸟）&br&&br&他们的排名是： 菜鸟 & 小白 &= 新手。
无需置疑，菜鸟是最弱的级别，学习起来也是困难重重。小白和新手算是有一定的基础，学习起来会比较轻松一点。 从我个人角度来看，我觉得计算机技术要重于统计学知识，因此我认为学计算机的同学更容易入门。&br&&br&当然，无论处于哪一个级别你都需要做两件事：&br&&ol&&li&一份正确的学习计划&br&&/li&&li&一套正确的书籍&br&&/li&&/ol&废话不多说，先上书单：&br&&figure&&img data-rawheight=&497& src=&https://pic4.zhimg.com/50/5dde6b0d235c448fff2fd29_b.jpg& data-rawwidth=&831& class=&origin_image zh-lightbox-thumb& width=&831& data-original=&https://pic4.zhimg.com/50/5dde6b0d235c448fff2fd29_r.jpg&&&/figure&&br&上面这十本书，每一本都是经典。 &br&它完美的解决了一个初级数据分析师应该掌握的技能：&br&&ol&&li&统计学基础&br&&/li&&li&常用模型理论&br&&/li&&li&R和PYTHON&br&&/li&&li&网页分析&br&&/li&&li&数据库技术&br&&/li&&li&实战应用&/li&&/ol&简单的描述下：&br&&br&统计学无需置疑是一个数据分析师的核心功底，你只有学好了统计学才能谈得上数据分析。&br&但是统计学又常常是不够用的，我们还需要一些高级的模型来解决我们实际业务中的问题，比如：银行需要判断是否给某个客户发放信用卡
这就需要一个高级的二分类模型。这里我们的数据挖掘理论就派上用场了。&br&有了理论知识，我们需要用工具去实现我们的理论并加以应用。这个年代，已经没有人会去手工计算某个问题了，R和PYTHON就是最负盛名的数据分析工具。 关于R和PYTHON的地位，题主可以百度，谷歌，知乎等搜索一遍。
至于如何学习，请看上面的书单！&br&如果致力于在互联网领域发展，那么网页分析是你必看的一本书籍。这本是是大名鼎鼎的GA创始人著作，看一遍，做一遍会有一个不错的收获。&br&数据分析师是跟数据打交道的，我们的数据都是存储在数据库里面的，因此掌握必备的数据库技术是肯定要的！&br&以上就是对入门级别的数据分析师做的一个简单的描述！
&br&&br&那么，在对书籍有了一定的了解之后，具体的该怎么学习呢？&br&首先，我给大家推荐一个我们自己录制的视频《零基础指导学习数据分析》。下载地址如下：&br&&a href=&//link.zhihu.com/?target=http%3A//pan.baidu.com/s/1eQzWzsu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SOTON第一课1.zip_免费高速下载&/a&&br&内有讲义以及高清无码的视频。&br&&br&我们将三个月分为三个学习阶段，每个阶段请务必保持每天3个小时以上的学习时间。这个时间要求不过分，不管是对学生党还是上班族，三个小时总是抽的出来的。&br&&br&&b&第一阶段：初识数据分析&/b&&br&这个阶段是你学习数据分析的第一个月。核心的三本书就是：统计学、R IN ACTION、深入浅出数据分析。&br&第一星期：好好的阅读一下统计学这本教材。按照每天3个小时的时间，一个星期你至少能看完8章。踏踏实实的看完，课后习题不需要做，重点放在理解公式推导以及专业名字定义的理解上。&br&&br&第二星期：有了统计学基础，R语言学习起来就不会太费劲。《R in action》 是公认的R语言经典教材。跟着书上的代码仔细的敲一笔遍，你不需要全部看完这本书，只需要学会前8章左右就差不多了。
学完后你会对统计学有一个更深的认识～&br&&br&第三个星期：《深入浅出数据分析》这本书很大头，不是因为它内容多，而是因为它废话和插图多。很有意思的一本入门级别的教材，花一个星期好好的读一下，能学多少是多少。&br&&br&第四个星期：查漏补缺。经过前三个星期的学习，你一定有不少的疑惑或者遗忘了某些知识。不要着急，这个星期就是用来好好回顾一下你本月所学的东西，不懂的定义再看看，不会的代码再敲敲，不懂的知识再google一下～&br&&br&对了，再送你一个视频呗。讲的是如何利用EXCEL进行完整的数据分析流程：&br&&a href=&//link.zhihu.com/?target=http%3A//pan.baidu.com/s/1kTnAYoB& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&初识数据分析-720P.zip_免费高速下载&/a&&br&&br&&b&第二阶段：升级你的技能&/b&&br&&b&第一&/b&个月只是让你对数据分析有一个初步的认识，你已经可以秒杀20%左右的人了（我瞎猜的）&br&这个月就是要升级你的技能，在对已有的知识基础上做一个升华。本月任务较重，小伙伴需要动脑和动手的地方比较多。&br&&br&第一个星期：《数据挖掘导论》这本书绝对是一本良心教材。拿到手从第一章开始阅读，在一个星期之内能看多少就看多少。但是要尽量多看点，因为此书你可能要看一辈子的～～不要做笔记，因为你做的笔记大部分时间都是在抄书，没啥意思的。数据挖掘可不是记忆的东西，是要靠理解的！&br&&br&第二个星期：来来来，python大法学起来。正所谓 life is short, I use python. 不要问那种烂大街的问题：R和PYTHON哪个好。
等你都学了，你就再也不会问这个问题了。 《利用PYTHON进行数据分析》是你学习PYTHON的不二之选，对着书，着重学习numpy,pandas两个包！ 对了，也要学会怎么安装PYTHON这也是技术活！&br&&br&第三个星期：为毛感觉前两个星期啥也没学到？乱七八糟的！
没事，这是正常的，难道你指望两个星期就能学完数据挖掘吗？
在此，你已经有了一定的Python,统计学，数据挖掘基础知识，那么是不是能够讲它们组合起来用一用呢？
scikit-learn，你值得拥有。 看不懂没关系，先去看看它们的文档以及那些莫名的专业词语。 然后接着学你的数据挖掘和PYTHON。&br&&br&第四个星期：重复第三个星期的内容。对了，你是不是应该对R再做点事情呢？&br&&br&&b&第三阶段：准备一个小小的毕业吧&/b&&br&前两个月会过的很痛苦，很累，很烦躁！不用担心，你终于来到了第三个月，这个月与前两个月完全不一样，因为这个月会更加更加的痛苦！！&br&在这个月，我们需要开始学习sql的相关知识。SQL绝对是数据分析师的必备技能，没有之一。作为这个星球上一个通用的语言，它的存在使得我们进行数据处理时大大的提高了效率。既然SQL学了，那也就学学mysql吧，这是一个存储数据的东西，你说它重不重要呢？
这两个并不难学，稍微花点功夫就能入门了。&br&本月重点是重复第二个月的工作啊，继续研究统计学、数据挖掘、PYTHON还有那可爱的R语言。怎么研究？ 这个还要来问我吗？ 书单都在上面了～ 看着书复习就行。 不要忘了那个神技：scikit-learn&br&&br&对了，如果你想去互联网公司投份简历，记得要把《网页分析》这本书好好的过一遍，相信我，你只要看一遍，就能打败百分之80 的面试官。因为他们压根看不起GA。&br&&br&你看，三个月入门数据分析师，并不是不可能嘛～～ 我敢说，你这三个月学到的知识已经可以击败一大半的所谓的数据分析师们了～～ Do not ask why, Just do it !!&br&&br&我和我的一群英国小伙伴创建了一个微信公众号：&b&soton2014sky&/b&&br&就是和你们一起探索数据分析哇，现在好像已经有好几千人了，你难道不要来逛一圈么？&br&&br&扫一扫，即刻添加：&br&&p&&a href=&//link.zhihu.com/?target=http%3A//weixin.qq.com/r/t0xgeH-EQiI9rTsb9xml& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&weixin.qq.com/r/t0xgeH-&/span&&span class=&invisible&&EQiI9rTsb9xml&/span&&span class=&ellipsis&&&/span&&/a& (二维码自动识别)&/p&
我和很多人一样，不太喜欢快速这个词，急于求成的结果是得不偿失。 在这里，我将题主的“快速”理解为如何在最短的时间内高效率的成为数据分析师。我想这才是题主的初衷吧！ 首先，成为任何一个技术型工作的从业者最需要的就是掌握相关的专业技能，因此也可…
今年年初开始接触R语言，自学兼修课，学了一个学期，暑期在某上市互联网公司找了一份纯粹用R语言工作的的数据分析实习，现在应该可以说熟练掌握R语言了。我的学习路径如下：&br&&ol&&li&名师指导——学习coursera公开课；&/li&&li&&p&巨人肩膀——浏览技术博客+几本入门书籍；&/p&&/li&&li&&p&社区帮助——很多牛人只是比你更善用搜索引擎；&/p&&/li&&li&&p&三人行——找到一个一起学习的小伙伴；&/p&&/li&&li&&p&实践实践实践——用R完成Assignments，做助研，找一份数据分析实习。&/p&&/li&&/ol&&p&&b&一.公开课推荐&/b&。&/p&&p&公开课首推&a href=&//link.zhihu.com/?target=http%3A//coursera.Org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&coursera.Org&/span&&span class=&invisible&&&/span&&/a&上约翰.霍普金大学的数据科学系列课程。该系列完全使用R作为分析工具，轻松引领你从R的初学者转变为R的开发者。&/p&&blockquote&&p&该系列课程包含如下几门课。&/p&&p&1.《数据科学家的工具箱》&/p&&p&该课程主要介绍了数据科学家常用的一些工具。包括R、 RStudio、 Git 、Github ，这里强烈推荐RStudio，作为R的一个集成开发环境（IDE）， 它可以在Latex、 PDF、 markdown、 html 中游刃有余，并且是个强大的Literate Programming 工具。除了以上提及的强大工具之外，还介绍了数据的类型、数据分析的方法过程、以及数据科学的一些知识点。&/p&&p&2.《R语言程序开发》&/p&&p&主要内容包括：1）R概述，R的数据类型和对象，数据的读写操作；2）R中的控制流，函数式编程，作用域，时间数据类型；3）循环函数，检查代码漏洞的方法；4）数据模拟实现，代码风格规范。&/p&&p&3.《获取和整理数据》&/p&&p&完成这门课程将获得技能：1）从各种资源获取数据；2）数据清洗的原则；3）数据整理的工具与技巧。&/p&&p&4.《探索性数据分析》&/p&&p&完成这门课程将收获：1）运用R中的base，lattice，ggplot2等绘图系统进行数据的可视化展示；2）对不用类型的数据运用基本的数据展示原则创造丰富多样的分析图；3）基于特定问题出发，运用探索高维数据的统计技巧，创造多维度数据的可视化方式。&/p&&p&5.《可重复性研究》&/p&&p&通过这门课程，你将学会：1）使用Rmarkdown撰写文档；2）在分析报告中嵌入R代码；3）用knitr等相关工具编译Rmarkdown文档；4）进行可重复性的数据分析研究。&/p&&p&6.《统计推断》&/p&&p&这门课主要介绍统计推断的基础。可以收获：1）统计推断的概览；2）进行统计推断的模型假设；3）复杂统计推断的技巧。&/p&&p&7.《回归模型》&/p&&p&这门课教会学生：1）如何进行拟合线性模型，如何进行残差分析；2）进一步探索如何引入哑变量解决特殊的模型设定问题；3）介绍广义线性模型，特别是Poisson回归和Logistic回归。&/p&&p&8.《实用机器学习》&/p&&p&完成这门课将收获：1）经典机器学习算法；2）如何应用多种机器学习工具；3）如何对真实数据进行模型评估和预测。&/p&&p&9.《数据产品开发》&/p&&p&内容涵盖：1）如何创造统计产品以进行交互式探究；2）重点学习如何探究不确定性的统计结果；3）如何创造Shiny应用，以及数据产品相关的R扩展包。&/p&&/blockquote&&p&&b&二.技术博客和书籍推荐&/b&&/p&&ul&&li&R-bloggers：&a href=&//link.zhihu.com/?target=http%3A//www.r-bloggers.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&R-bloggers | R news and tutorials contributed by (573) R bloggers&/a&&/li&&li&R and Data Mining: &a href=&//link.zhihu.com/?target=http%3A//www.rdatamining.com/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&rdatamining.com/&/span&&span class=&invisible&&&/span&&/a&&/li&&li&&a href=&http://www.zhihu.com/people/xiao-kai-93& class=&internal&&肖凯&/a&老师的个人博客：&a href=&//link.zhihu.com/?target=http%3A//xccds1977.blogspot.com/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&xccds1977.blogspot.com/&/span&&span class=&invisible&&&/span&&/a&，肖凯老师推荐了十几本R参考书。&br&&/li&&li&书籍：《R语言实战》，《R语言编程艺术》，《机器学习——实用案例解析》，《ggplot2数据分析与图形艺术》，这些书都有中文版。&/li&&/ul&&b&三.社区帮助&/b&&br&&p&l R自带的帮助文档；&/p&&br&&p&l R Journal: &a href=&//link.zhihu.com/?target=http%3A//journal.r-project.org/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Welcome. The R Journal&/a&，对研究某个包非常有帮助；&/p&&p&l 一个神奇的网站：&a href=&//link.zhihu.com/?target=http%3A//Stackoverflow.com& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&Stackoverflow.com&/span&&span class=&invisible&&&/span&&/a&，牛人聚集，99.9%的R问题都可以在上面找到你想要的答案;&/p&&p&l Stat.stackexchange.&/p&&p&l R Mailing List: &a href=&//link.zhihu.com/?target=https%3A//stat.ethz.ch/mailman/listinfo/r-help%3B& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&stat.ethz.ch/mailman/li&/span&&span class=&invisible&&stinfo/r-&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&l Talk Stats: &a href=&//link.zhihu.com/?target=http%3A//www.talkstats.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Statistics Help @ Talk Stats Forum&/a&；&/p&&p&l Google，善用英文搜索;&/p&&p&&b&四.小伙伴&/b&&/p&&p&找到一个志同道合的同学一块学习，一块在coursera上刷Assignments，互相帮助检查代码，互相督促看书敲实例代码进度，比较容易坚持下去，在此，感谢&a href=&http://www.zhihu.com/people/hetallian& class=&internal&&hetal链&/a&。&/p&&p&&b&五.实践实践实践&/b&&/p&&p&我在学校选修了两门R数据分析相关的课程，并且给老师做研究助理，用R完成老师布置的编程任务，学以致用，非常高效率。暑期的时候找了一份数据分析实习，实践两个月，对代码的规范化和可重用性的重要性有了更深刻的理解。&/p&&br&&p&------------------------------------------------------------------------------------------------------------------------&/p&&p&&b&更新：&/b&&/p&&p&最近才刚开始在知乎答题，没想到会有这么多的人点赞，真的非常感谢大家的认同。评论区有的同学反馈了几个问题，在这里罗列并补充说明一下。&/p&&ol&&li&公开课很boring，你居然刷完了？&/li&&li&没有统计学基础，可以按这个路径学习R吗？&/li&&li&刷个课就能找着数据分析实习？&/li&&/ol&对于问题1，我非常认同，其实我也没有刷完整个系列。主要是因为进度太慢，内容太少，并且我是统计专业出身，课程的很多内容我已经有了一定的把握。但是，我认真的刷完了第2门和第8门，完成了相应的Assignments。我相信这个系列课程对欠缺一定的统计学基础的同学一定会更有帮助。&p&对于问题2，我的回答是“definitely yes!”.&/p&&p&对于问题3，我想这位同学应该没有仔细看完整个答案。我虽然是用一个学期从开始接触到掌握，但是花的时间也还挺多的。其中，花时间最多的时候是给老师做助研，研究一些R的新奇功能，以及一些R包源码。另外，我用R完成了四门课的小论文（报告）的编程。&/p&&p&突然想到在Quara上曾浏览到的一个回答：&a href=&//link.zhihu.com/?target=https%3A//www.quora.com/How-is-Hadley-Wickham-able-to-contribute-so-much-to-R-particularly-in-the-form-of-packages& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&How is Hadley Wickham able to contribute so much to R, particularly in the form of packages?&/a&有一定基础的同学我觉得是可以借鉴学习的。&/p&&p&Hadley大神是这样回答的（我想谁是Hadely应该不用解释了吧(●'?'●)）：&/p&&blockquote&&ul&&li&&b&Writing&/b&. I have worked really hard to build a solid writing habit - I try and write for 60-90 minutes every morning. It's the first thing I do after I get out of bed. I think writing is really helpful to me for a few reasons. First, I often use my writing as a reference - I don't program in C++ every day, so I'm constantly referring to @&a href=&//link.zhihu.com/?target=http%3A//adv-r.had.co.nz/Rcpp.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Rcpp&/a&
every time I do. Writing also makes me aware of gaps in my knowledge and my tools, and filling in those gaps tends to make me more efficient at tackling new problems.&/li&&li&&b&Reading&/b&. I read a &i&lot&/i&. I follow about 300 blogs, and keep a pretty close eye on the R tags on Twitter and &b&Stack Overflow&/b&. I don't read most things deeply - the majority of content I only briefly skim. But this wide exposure helps me keep up with changes in technology, interesting new programming languages, and what others are doing with data. It's also helpful that if when you're tackling a new problem you can recognise the basic name - then googling for it will suggest possible solutions. If youdon't know the name of a problem, it's very hard to research it.&/li&&li&&b&Chunking&/b&. Context-switching is expensive, so if I worked on many packages at the same time, I'd never get anything done. Instead, at any point in time, most of my packages are lying fallow, steadily accumulating issues and ideas for new feature. Once a critical mass has accumulated, I'll spend a couple of days on the package.&/li&&}