數據怎麼學的

⑴ 大數據怎麼學，自學可以學會嗎

零基礎學習大數據可以有以下幾個步驟：

1、選擇一個具體方向

大數據已經初步形成了一個產業鏈，在數據採集、數據存儲、數據安全、數據分析、數據呈現、數據應用等有大量的崗位，不同的崗位需要具備不同的知識結構，所以首先要選擇一個適合自己的方向。

2、學習編程等基礎知識

大數據的基礎知識是數學、統計學和計算機，可以從編程語言開始學起，Python、Java、Scala、R、Go等語言在大數據領域都有一定的應用場景，可以選擇一門學習。大數據開發方向建議選擇Java、Scala，數據分析方向建議學習Python、R。

3、學習大數據平台知識

入門學習Hadoop或者Spark，Hadoop平台經過多年的發展已經形成了較為完成的應用生態，相關的成熟案例也比較多，產品插件也越來越豐富。

⑵ 大數據初學者應該怎麼學

大數據大家一定都不陌生，現在這個詞幾乎是紅遍了大江南北，不管是男女老幼幾乎都聽說過大數據。大數據作為一個火爆的行業，很多人都想從事這方面相關的工作，所以大家就開始加入了學習大數據的行列。

目前，市面上不僅是學習大數據的人數在增加，隨之而來的是大數據培訓機構數量的迅速上升。因為很多人認為這是一門難學的技術，只有經過培訓才能夠很好的學習到相關技術，最終完成就業的目的。其實，也並不都是這樣的，學習大數據的方法有很多，只有找到適合自己的就能夠達到目的。

那麼，大數據初學者應該怎麼學？

1、如果是零基礎的初學者，對於大數據不是很了解，也沒有任何基礎的話，學習能力弱，自律性差的建議選擇大數據培訓學習更有效；

2、有一定的基礎的學員，雖然對於大數據不是很了解，但有其它方面的編程開發經驗，可以嘗試去選擇自學的方式去學習，如果後期感覺需要大數據培訓的話再去報名學習；

3、就是要去了解大數據行業的相關工作都需要掌握哪些內容，然後根據了解的內容去選擇需要學習的大數據課程。

大數據學習路線圖：

⑶ 初學者怎麼學大數據

近日，筆者收到了大量的網友提問留言，絕大部分是關於大數據領域的問題。這一干問題中，提問頻率最高的一個問題是有人問道：初學者怎麼學大數據，要學多久?我們現在就來詳細講講，初學者怎麼學大數據，要學多久，這個話題，電腦培訓來消除大家心中的疑問。

1：首先我們先說一下，大數據要學哪些東西，讓大家對於這門技術有個基本的概念。合格的大數據工程師，需要熟悉MySQL等關系型資料庫，掌握資料庫應用開發;掌握Java/Scala/Shell語言，能熟練進行Hadoop/spark/HBase/storm之上的開發;7、熟悉java各種編程方法，比如多線程jniidl等，熟悉JVM的運行機制等。

2：除此之外，還需要熟悉storm/spark/kafka、熟悉Hadoop生態系統各功能組件、熟悉源碼，熟悉sparkstieaming;熟悉大數據基礎架構，對流式系統、並行計算、實時流計算等技術有較深理解;熟悉python、Mahout數據挖掘和機器學習等等。

3：從以上就能看出來，大數據工程師需要掌握的技能是很多的，初學者學大數據的話，最好是參加專業的培訓，這是最省時省力效率最高的辦法。北大青鳥不少學大數據的學員，哪怕是零基礎，也能5個月快速學好這門技術，在就業老師一對一的幫助下，很快能滿意就業。

⑷ 怎樣進行大數據的入門級學習

怎樣進行大數據的入門級學習？

文 | 郭小賢

數據科學並沒有一個獨立的學科體系，統計學，機器學習，數據挖掘，資料庫，分布式計算，雲計算，信息可視化等技術或方法來對付數據。

但從狹義上來看，我認為數據科學就是解決三個問題：

1. datapre-processing；(數據預處理）

2. datainterpretation；（數據解讀）

3.datamodeling and analysis.（數據建模與分析）

這也就是我們做數據工作的三個大步驟：

1、原始數據要經過一連串收集、提取、清洗、整理等等的預處理過程，才能形成高質量的數據；

2、我們想看看數據「長什麼樣」，有什麼特點和規律；

3、按照自己的需要，比如要對數據貼標簽分類，或者預測，或者想要從大量復雜的數據中提取有價值的且不易發現的信息，都要對數據建模，得到output。

這三個步驟未必嚴謹，每個大步驟下面可能依問題的不同也會有不同的小步驟，但按我這幾年的經驗來看，按照這個大思路走，數據一般不會做跑偏。

這樣看來，數據科學其實就是門復合型的技術，既然是技術就從編程語言談起吧，為了簡練，只說說R和Python。但既然是薦數據科學方面的書，我這里就不提R/Python編程基礎之類的書了，直接上跟數據科學相關的。

R programming

如果只是想初步了解一下R語言已經R在數據分析方面的應用，那不妨就看看這兩本：

R inaction：我的R語言大數據101。其實對於一個沒有任何編程基礎的人來說，一開始就學這本書，學習曲線可能會比較陡峭。但如果配合上一些輔助材料，如官方發布的R basics（http：//cran.r-project.org/doc/contrib/usingR.pdf），stackoverflow上有tag-R的問題集（Newest 『r』 Questions），遇到復雜的問題可在上面搜索，總會找到解決方案的。這樣一來，用這本書拿來入門學習也問題不大。而且這本書作者寫得也比較輕松，緊貼實戰。

Dataanalysis and graphics using R：使用R語言做數據分析的入門書。這本書的特點也是緊貼實戰，沒有過多地講解統計學理論，所以喜歡通過情境應用來學習的人應該會喜歡這本入門書。而且這本書可讀性比較強，也就是說哪怕你手頭沒電腦寫不了代碼，有事沒事拿出這本書翻一翻，也能讀得進去。

但如果你先用R來從事實實在在的數據工作，那麼上面兩本恐怕不夠，還需要這些：

Modernapplied statistics with S：這本書里統計學的理論就講得比較多了，好處就是你可以用一本書既復習了統計學，又學了R語言。（S/Splus和R的關系就類似於Unix和Linux，所以用S教程學習R，一點問題都沒有）

Datamanipulation with R：這本書實務性很強，它教給你怎麼從不同格式的原始數據文件里讀取、清洗、轉換、整合成高質量的數據。當然和任何一本注重實戰的書一樣，本書也有豐富的真實數據或模擬數據供你練習。對於真正從事數據處理工作的人來說，這本書的內容非常重要，因為對於任何研究，一項熟練的數據預處理技能可以幫你節省大量的時間和精力。否則，你的研究總是要等待你的數據。

RGraphics Cookbook：想用R做可視化，就用這本書吧。150多個recipes，足以幫你應付絕大多數類型的數據。以我現在極業余的可視化操作水平來看，R是最容易做出最漂亮的圖表的工具了。

Anintroction to statistical learning with application in R：這本書算是著名的the element of statistical learning的姊妹篇，後者更注重統計（機器）學習的模型和演算法，而前者所涉及的模型和演算法原沒有後者全面或深入，但卻是用R來學習和應用機器學習的很好的入口。

Ahandbook of statistical analysis using R：這本書內容同樣非常扎實，很多統計學的學生就是用這本書來學慣用R來進行統計建模的。

Python

Think Python，ThinkStats，Think Bayes：這是AllenB. Downey寫的著名的Think X series三大卷。其實是三本精緻的小冊子，如果想快速地掌握Python在統計方面的操作，好好閱讀這三本書，認真做習題，答案鏈接在書里有。這三本書學通了，就可以上手用Python進行基本的統計建模了。

PythonFor Data Analysis： 作者是pandas的主要開發者，也正是Pandas使Python能夠像R一樣擁有dataframe的功能，能夠處理結構比較復雜的數據。這本書其實analysis講得不多，說成數據處理應該更合適。掌握了這本書，處理各種糟心的數據就問題不大了。

Introctionto Python for Econometrics， Statistics and DataAnalysis：這本書第一章就告訴你要安裝Numpy， Scipy， Matplotlib， Pandas， IPython等等。然後接下來的十好幾章就是逐一介紹這幾個庫該怎麼用。很全面，但讀起來比較枯燥，可以用來當工具書。

PracticalData Analysis： 這本書挺奇葩，貌似很暢銷，但作者把內容安排得東一榔頭西一棒子，什麼都講一點，但一個都沒講透。這本書可以作為我們學習數據分析的一個索引，看到哪塊內容有意思，就順著它這個藤去摸更多的瓜。

PythonData Visualization Cookbook： 用Python做可視化的教材肯定不少，我看過的也就這一本，覺得還不錯。其實這類書差別都不會很大，咬住一本啃下來就是王道。

Exploratory Data Analysis 和 Data Visualization

Exploratory DataAnalysis：John Tukey寫於1977年的經典老教材，是這一領域的開山之作。如今EDA已經是統計學里的重要一支，但當時還是有很多人對他的工作不屑一顧。可他愛數據，堅信數據可以以一種出人意料的方式呈現出來。正是他的努力，讓數據可視化成為一門無比迷人的技術。但這本書不推薦閱讀了，內容略過時。要想完整地了解EDA，推薦下一本：

ExploratoryData Analysis with MATLAB：這本書雖然標題帶了個MATLAB，但實際上內容幾乎沒怎麼講MATLAB，只是每講一個方法的時候就列出對應的MATALB函數。這本書的重要之處在於，這是我讀過的講EDA最系統的一本書，除了對visualization有不輸於John Tucky的講解外，對於高維的數據集，通過怎樣的方法才能讓我們從中找到潛在的pattern，這本書也做了詳盡的講解。全書所以案例都有對應的MATALB代碼，而且還提供了GUI（圖形用戶界面）。所以這本書學起來還是相當輕松愉悅的。

VisualizeThis：中譯本叫「鮮活的數據」，作者是個「超級數據迷」，建立了一個叫http：//flowingdata.com的網頁展示他的數據可視化作品，這本書告訴你該選擇什麼樣的可視化工具，然後告訴你怎樣visualize關系型數據、時間序列、空間數據等，最後你就可以用數據講故事了。如果你只想感受一下數據可視化是個什麼，可以直接點開下面這個鏈接感受下吧！A tour through the visualization zoo（A TourThrough the Visualization Zoo）

Machine Learning & Data Mining

這一塊就不多說了，不是因為它不重要，而是因為它太太太重要。所以這一部分就推兩本書，都是」世界名著「，都比較難讀，需要一點點地啃。這兩本書拿下，基本就算是登堂入室了。其實作為機器學習的延伸和深化，概率圖模型（PGM）和深度學習（deep learning）同樣值得研究，特別是後者現在簡直火得不得了。但PGM偏難，啃K.Daphne那本大作實在太燒腦，也沒必要，而且在數據領域的應用也不算很廣。deep learning目前工業界的步子邁得比學術界的大，各個domain的應用如火如荼，但要有公認的好教材問世則還需時日，所以PGM和deep learning這兩塊就不薦書了。

TheElement of Statistical Learning：要學機器學習，如果讓我只推薦一本書，我就推薦這本巨著。Hastie、Tibshirani、Friedman這三位大牛寫書寫得太用心了，大廈建得夠高夠大，結構也非常嚴謹，而且很有前瞻性，納入了很多前沿的內容，而不僅僅是一部綜述性的教材。（圖表也做得非常漂亮，應該是用R語言的ggplot2做的。）這本書注重講解模型和演算法本身，所以需要具備比較扎實的數理基礎，啃起這本書來才不會太吃力。事實上掌握模型和演算法的原理非常重要。機器學習（統計學習）的庫現在已經非常豐富，即使你沒有完全搞懂某個模型或演算法的原理和過程，只要會用那幾個庫，機器學習也能做得下去。但你會發現你把數據代進去，效果永遠都不好。但是，當你透徹地理解了模型和演算法本身，你再調用那幾個庫的時候，心情是完全不一樣的，效果也不一樣。

DataMining： Concepts and Techniques， by Jiawei Han and Micheline Kamber 數據挖掘的教材汗牛充棟，之所以推薦這本韓家煒爺爺的，是因為雖然他這本書的出發點是應用，但原理上的內容也一點沒有落下，內容非常完整。而且緊跟時代，更新的很快，我看過的是第二版，就已經加進去了social network analysis這種當時的前沿內容。現在已經有第三版了，我還沒看過，但應該也加入了不少新內容。其實這本書並不難讀，只是篇幅較長，啃起來比較耗時。

其實這兩本書里單拎出來一塊內容可能又是幾本書的節奏，比如bayesian方法，再拿出兩三本書來講也不為過，我個人用到的比較多，而且也確實有不少好書。但並非是所有data scientist都要用到，所以這一塊就不再細說。

還有一些印象比較深刻的書：

Big DataGlossary： 主要講解大數據處理技術及工具，內容涵蓋了NoSQL，MapRece，Storage，Servers，NLP庫與工具包，機器學習工具包，數據可視化工具包，數據清洗，序列化指南等等。總之，是一本辭典式的大數據入門指導。

Mining ofMassive Datasets：這本書是斯坦福大學Web Mining的講義，裡面很多內容與韓家煒的Data Mining那本書重合，但這本書里詳細地講了MapRece的設計原理，PageRank（Google創業時期的核心排序演算法，現在也在不斷優化更新）講解得也比較詳細。

DevelopingAnalytic Talent： 作者是個從事了十幾年數據工作的geek，技術博客寫得很有個人風格，寫的內容都比較偏門，通常只有具備相關數據處理經驗的人能體會出來，絲毫不照顧初學者的感受。比如他會談到當數據流更新太快時該怎麼辦，或者MapRece在什麼時候不好用的問題，才不管你懂不懂相關基礎原理。所以這本書不太適合初學者閱讀。這本書其實是作者的博客文章的集結，用how to become a data scientist的邏輯把他近幾年的博客文章串聯了起來。

Past， Present and Future of Statistical Science：這本書是由COPSS（統計學社主席委員會，由國際各大統計學會的帶頭人組成）在50周年出版的一本紀念冊，裡面有50位統計學家每人分別貢獻出的一兩篇文章，有的回憶了自己當年如何走上統計學這條路，有的探討了一些統計學的根本問題，有的談了談自己在從事的前沿研究，有的則給年輕一代寫下了寄語。非常有愛的一本書。

其它資料

Harvard Data Science：這是H大的Data science在線課，我沒有修過，但口碑很好。這門課需要費用8千刀左右，比起華盛頓大學的4千刀的Data science在線課雖貴一倍，但比斯坦福的14千刀要便宜將近一半（而且斯坦福的更偏計算機）。如果想自學，早有好心人分享了slides：（https：//drive.google.com/folderview？id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing）和homeworks and solutions： （https：//github.com/cs109/content）

PyData：PyData是來自各個domain的用Python做數據的人每年舉行一次的聚會，期間會有各路牛人舉行一些規模不大的seminar或workshop，有好心人已經把video上傳到github，有興趣的去認領吧（DataTau/datascience-anthology-pydata · GitHub）

工具

R/Python/MATLAB（必備）：如果是做數據分析和模型開發，以我的觀察來看，使用這三種工具的最多。R生來就是一個統計學家開發的軟體，所做的事也自然圍繞統計學展開。MATLAB雖然算不上是個專業的數據分析工具，但因為很多人不是專業做數據的，做數據還是為了自己的domain expertise（特別是科學計算、信號處理等），而MATLAB又是個強大無比的Domain expertise工具，所以很多人也就順帶讓MATLAB也承擔了數據處理的工作，雖然它有時候顯得效率不高。Python雖然不是做數據分析的專業軟體，但作為一個面向對象的高級動態語言，其開源的生態使Python擁有無比豐富的庫，Numpy， Scipy 實現了矩陣運算/科學計算，相當於實現了MATLAB的功能，Pandas又使Python能夠像R一樣處理dataframe，scikit-learn又實現了機器學習。

SQL（必備）：雖然現在人們都說傳統的關系型資料庫如Oracle、MySQL越來越無法適應大數據的發展，但對於很多人來說，他們每天都有處理數據的需要，但可能一輩子都沒機會接觸TB級的數據。不管怎麼說，不論是用關系型還是非關系型資料庫，SQL語言是必須要掌握的技能，用什麼資料庫視具體情況而定。

MongoDB（可選）：目前最受歡迎的非關系型資料庫NoSQL之一，不少人認為MongoDB完全可以取代mySQL。確實MongoDB方便易用，擴展性強，Web2.0時代的必需品。

Hadoop/Spark/Storm（可選）： MapRece是當前最著名也是運用最廣泛的分布式計算框架，由Google建立。Hadoop/Spark/storm都是基於MapRece的框架建立起來的分布式計算系統，要說他們之間的區別就是，Hadoop用硬碟存儲數據，Spark用內存存儲數據，Storm只接受實時數據流而不存儲數據。一言以蔽之，如果數據是離線的，如果數據比較復雜且對處理速度要求一般，就Hadoop，如果要速度，就Spark，如果數據是在線的實時的流數據，就Storm。

OpenRefine（可選）：Google開發的一個易於操作的數據清洗工具，可以實現一些基本的清洗功能。

Tableau（可選）：一個可交互的數據可視化工具，操作簡單，開箱即用。而且圖表都設計得非常漂亮。專業版1999美刀，終身使用。媒體和公關方面用得比較多。

Gephi（可選）：跟Tableau類似，都是那種可交互的可視化工具，不需要編程基礎，生成的圖表在美學和設計上也是花了心血的。更擅長復雜網路的可視化。

來自知乎

以上是小編為大家分享的關於怎樣進行大數據的入門級學習？的相關內容，更多信息可以關注環球青藤分享更多干貨

⑸ 初學資料庫應該從何學起

初學資料庫應該從以下幾點進行學習：

一、編程語言基礎
新手學大數據，首先要掌握基礎的編程語言基礎，比如Java、C++等，要初步掌握面向的對象、抽象類、介面及數據流及對象流等基礎，如果有疑問，可以去網上搜索相關書籍，再結合自己的疑問去翻書，就能很快的熟悉了解資料庫的基礎技術原理。
二、Linux系統的基本操作
Linux系統的基本操作是大數據不可分割的一部分，企業的MySQL大數據的組件都是跑在linux環境下的，所以學會linux常用命令不能缺少，重點是要學習一下Linux環境的搭建，搭建平台，，能寫shell程序就會更好了。
三、學習Hadoop架構設計
要學大數據，首先要了解的是如何在單台Windows系統上通過虛擬機搭建多台Linux虛擬機，從而構建Hadoop集群，再建立spark開發環境，環境搭建成功後在網上搜羅一些demo，sql腳本之類，直接動手敲進去一點一點體會。
四、採用機器學習模式
為了發揮出大數據的優勢，提升你的辦公效率，就需要實操並應用其中的內容，必然也會涉及大量機器學習及演算法，這能最大化的發揮出計算機的性能，也是大數據的優勢所在。

想了解更多有關資料庫的相關信息，推薦咨詢達內教育。作為國內IT培訓的領導品牌，達內的每一名員工都以「幫助每一個學員成就夢想」為己任，也正因為達內人的執著與努力，達內已成功為社會輸送了眾多合格人才，為廣大學子提供更多IT行業高薪機會，同時也為中國IT行業的發展做出了巨大的貢獻。

⑹ 零基礎應該如何學習大數據

首先，學習大數據我們就要認識大數據，大數據(big data)，或稱巨量資料，指的是所涉及的資料量規模巨大到無法透過目前主流軟體工具，在合理時間內達到擷取、管理、處理、並整理成為幫助企業經營決策更積極目的的資訊。 大數據的4V特點:Volume(大量)、Velocity(高速)、Variety(多樣)、Veracity(真實性)。

其次，學習有關大數據課程的內容，第一階段：Java語言基礎(只只需要學習Java的標准版JavaSE就可以了，做大數據不需要很深的Java 技術，當然Java怎麼連接資料庫還是要知道);

第二階段：Linux精講(因為大數據相關軟體都是在Linux上運行的，所以Linux要學習的扎實一些，學好Linux對你快速掌握大數據相關技術會有很大的幫助，能讓你更好的理解hadoop、hive、hbase、spark等大數據軟體的運行環境和網路環境配置，能少踩很多坑);

第三階段：Hadoop生態系統(這是現在流行的大數據處理平台幾乎已經成為大數據的代名詞，所以這個是必學的。Hadoop裡麵包括幾個組件HDFS、MapRece和YARN，HDFS是存儲數據的地方就像我們電腦的硬碟一樣文件都存儲在這個上面，MapRece是對數據進行處理計算的，它有個特點就是不管多大的數據只要給它時間它就能把數據跑完，但是時間可能不是很快所以它叫數據的批處理。)

第四階段:strom實時開發(torm是一個免費並開源的分布式實時計算系統。利用Storm可以很容易做到可靠地處理無限的數據流，像Hadoop批量處理大數據一樣，Storm可以實時處理數據。Storm簡單，可以使用任何編程語言。)

第五階段：Spark生態體系(它是用來彌補基於MapRece處理數據速度上的缺點，它的特點是把數據裝載到內存中計算而不是去讀慢的要死進化還特別慢的硬碟。特別適合做迭代運算，所以演算法流們特別稀飯它。它是用scala編寫的。);

第六階段：大數據項目實戰(大數據實戰項目可以幫助大家對大數據所學知識更加深刻的了解、認識，提高大數據實踐技術)。

關於零基礎應該如何學習大數據，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

⑺ 如何學習數據分析

對於自學數據分析，很多零基礎的小夥伴都有以下的疑問。

「我數學不好身，可以學習數據分析嗎？」

「我英語不好，可以成為數據分析師嗎？」

「我沒有編程基礎可以學習數據分析嗎？」

......

其實學習數據分析要比想像中容易得多，通常一提到數據分析就會想到各種數據和編程，讓人頭大，讓很多零基礎的小夥伴不知道如何下手學習。但是在IT行業中，數據分析往往是最容易入門和學習的，薪資也是比較高的，很多零基礎的小夥伴被數據分析嚇到勸退往往是不知道怎麼樣高效學習，沒有找到適合自己的方法。想要了解更多，點擊下方鏈接就能找到我。

接下來就講講如何自學數據分析，學習步驟如下

• 自學數據分析推薦書籍

• 數據分析常用的工具

• 數據分析常見面試問題

• 一些小建議

1.自學數據分析推薦書籍

入門篇

對於剛走上數據分析這條路的小白們，面對每天的工作可能已經手忙腳亂，但工作後面的邏輯及工具的應用，真的已經了解了嗎？

從事數據分析的小白們，很多都和一樣是半路出家，甚至有些文科的小夥伴，也對數據分析非常感興趣。但是喜歡歸喜歡，基礎的知識還是得必備。

1. 《深入淺出數據分析》

這本書可以說是很多數據分析師的啟蒙書籍。

怎麼提升銷量、怎麼分析a門店比b門店好、怎麼進行細分分析和對比分析......在讀完這本書之後，跟著Acme在重重挑戰之下，對數據分析有了一個整體認識。

2. 《深入淺出統計學》

什麼是統計？什麼是眾數、異常值、四分位數？幾何分布，泊松分布，二項分布又是什麼？如何對數據進行預測？預測數據和置信區間又有什麼關系？

這些名詞是不是很可怕？沒事，這本書寫得非常淺顯易懂，很多圖片和對話，像看漫畫書一樣，把統計學學了。

3. 《誰說菜鳥不會數據分析》

牛老闆和應屆生小白之間的職場小故事，像看一本小說一樣，但是其中會告訴你什麼是數據分析，處理數據的技巧，提升圖表之美，如何建立結構化思維等等。和第一本書類似，看書也是多多益善嘛~

4. 《漫畫統計學》

這本書真的是以漫畫的形式來講統計學了，在詼諧的人物肢體和幽默的對話之間，傳達統計知識，讓無聊的數字變得生動有趣。

這本書可以在閑暇又不想學習的時候來打發時間呀，既學到了知識，又沒那麼累。

進階篇

想必這段時間，小白們也有了一定的工作經驗，對於數據分析有了稍微具體的認識。這時的目標是學習更加系統的數據思維。

5. 《商務與經濟統計》

戴維 R.安德森的這本書，把數據處理、數據分析、業務三者相結合，還有不少統計學的知識。

記得以前看這本書的時候，拿著贈送的數據一邊模擬操作，一邊學習。在實踐中對處理方法更加熟練，也對業務當中的數據分析有了更加立體的認識。

6. 《機器學習》

周志華先生寫的這本《機器學習》，俗稱西瓜書，是用西瓜的例子來引導一個又一個演算法的介紹及應用。

跟著這本書，倒是學會了用Python編了個聚類演算法，哈哈。不過這本書比較難，沒有一定的統計基礎和編程基礎，還是就了解了解吧。想要學習更多數據分析知識，點擊下方鏈接找到我。

2.數據分析常用的工具

(一)、常見數據分析工具

①、EXCEL

EXCEL可以說是數據分析師最常用的統計分析工具，它

使用廣泛，容易上手，小規模數據的處理成本低，樣式處理方便。

應該說只有學會了Vlookup，數據透視和基本公式才算EXCEL入門。

②、SQL

作為數據分析人員，要想獲取數據，肯定就要和資料庫打交道，因此sql肯定是要掌握的，在招聘要求中，sql也是很多數據分析崗位的能力要求之一。

SQL具有行業通用的優勢，它的語法簡單，獨立於資料庫本身。

③、Python

Python作為目前最火的編程軟體之一，確實在數據分析、數據挖掘上有著獨特優勢。它主要用於做一些像數據挖掘的項目，或者說一些數據可視化等等。

④、PPT

那麼最後，數據呈現，分析報告主要就是由PPT來實現，它是將分析關鍵結果傳遞給其他的重要手段。

學好PPT可以提升溝通和消息傳遞效率，也是數據分析師必備的技能。