一：编程能力

　　是否会编程是区别初级数据分析师和高级数据分析师的分水岭。在这里，我定位的是高级数据分析师，所以编程能力尤为重要，我把它放在了第一位。

　　有关数据分析的编程语言有Python和R语言。R语言倾向于统计分析、绘图等。统计学家或者学统计学的喜欢用R语言，而我推荐学习Python，因为Python是面向未来的语言，无论从流行度、可用性还是学习难度来讲，Python都是最好的入门语言。

　　当然，如果可以的话，再掌握一下R语言是最好不过的，学习嘛，永无止尽。

　　书籍推荐《Python编程：从入门到实践》 豆瓣评分：9.0

　　当然，只有Python基础肯定是不够的，既然是学习数据分析，肯定就要有数据才行，数据从哪里来，肯定是从互联网上来。互联网上的信息何其之多，必须要对其加以过滤处理，提取我们想要的信息。这就要用到Python爬虫，这也是学Python一个很重要的目的和作用。

　　学习Python爬虫肯定比学习Python基础要困难一下，但好在网上的学习资源十分丰富，努力学习必定会有收获的。

　　关于Python爬虫的书籍，目前我还没有较好的书籍推荐，如果说实在要推荐的话，我推荐三本书：

　　《Python网络数据采集》 豆瓣评分：7.7

　　《Python爬虫开发与项目实战》 豆瓣评分：8.1

　　《精通Scrapy网络爬虫》 这是十月份出的新书，豆瓣上还没有评分。

　　知乎里面有很多爬虫大神，没事多逛逛知乎总会有收获的。

　　关于编程能力，是一个很深的概念，需要靠大量的撸代码积累经验。先暂且说到这些。

二：SQL

　　学习数据分析，最难最重要的就是编程能力，熬过去了，后面的就稍微简单一些了。

　　既然是跟数据打交道，就免不了要使用数据库。

　　目前主要有四种数据库：

　　1：SQLite 是一个文件型轻量级数据库，它的处理速度很快，在数据量不是很大的情况下，可以使用SQLite。

　　2：MySQL 是一个应用极其广泛的关系型数据库，它是开源免费的，可以支持大型数据库，很多中小型企业都是用的MySQL。

　　3：MongoDB 是一个面向文档的非关系型数据库，它功能强大、灵活、易于拓展。

　　4：Redis 是一个使用ANSI C 编写的高性能key-value数据库，使用内存作为主存储器。

　　它们各有优点，可以灵活使用，如果说非要选一个的话，我建议使用MySQL，因为它使用最广泛。学习最主流的技术，可以在一定程度上发挥更大的作用。

　　关于SQL的学习资源：

　　购买书籍推荐《SQL基础教程》作者：MICK

　　豆瓣评分：9.0，好像这本书出了第二版了，建议购买最新版的。

三：数据分析能力

　　前面说了那么多，都是为了数据分析做准备。数据分析就好比亲手做一顿美食，现在食材有了(通过Python爬虫采集)，盛放美食的容器也有了(数据库)。现在就差开火做饭了，写到这感觉肚子饿了，哎呀，忍住。

　　对于数据分析，我还没有过多的涉足，总之，多看书，多做项目。

　　这里我推荐几本书(都是放在我购物车里还没有买的书)

　　学习数据分析必看的书单：

　　《Python数据分析基础》八月份的新书，豆瓣上还没有评分。

　　《利用Python进行数据分析》2013年的老书，豆瓣评分：8.5

　　《Python数据处理》六月份的新书，豆瓣上没有评分。

　　《用数据讲故事》 豆瓣评分：8.7

　　虽然我还没来得及看这几本书，但是我想认真看了之后，对于数据分析的理解肯定会更加深刻的。

四：数据可视化

　　现在美食做好了，但不能一股脑的装在碗里吧，美食讲究色香味俱全。所以要给它作一个漂亮的造型，呈现在客人面前。这就是数据可视化。

　　数据可视化需要借助工具，什么工具呢?那就是大名鼎鼎的tableau!

　　什么?你没有听说过tableau?现在听我说了也不迟，哈哈。

　　tableau是一款世界级的商业智能工具软件，tableau可以帮助我们快速的分析、可视化并分享信息。在福布斯2017年公布的《10大需求增长最快的职场技能》报告中，tableau高居第三，成为数据分析和可视化的职场必杀技。

　　说了这么多，咱们还是好好聊聊怎么学习tableau吧。tableau是一款收费软件，先看一下它的价格吧：

　　image

　　果然优秀的软件都是收费的，而且还贵的要死。

　　但是，tableau的良心之处在于：学生和教师可以免费使用tableau，只需要用我们的学生证信息去免费申请一个序列码，然后就可以下载激活该软件，有效期为1年，如果一年后还是学生的话，还可以用学生证再去申请一个序列号，然后再免费用一年。

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊。

一、初创期

初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Product) 的思想，以最小的成本来验证创业的想法，并根据用户的反馈快速迭代以调整解决方案，最终在数据上得到验证。

案例：

拿之前做的某款国外移动端论坛社交应用为例，产品在idea时期(12,13年左右)发现了论坛用户经常在吐槽从移动端Wap页访问论坛速度慢、广告多、完全没有移动端适配，于是我们提出假设：做一个App，连接论坛系统与用户，让论坛用户在移动端也能享受流畅的论坛访问体验，并且用户愿意为了这种体验付费。

于是在初期，整个产品完全围绕看帖、发帖两个核心场景进行挖掘，在论坛里进行宣传，售价$18，发现有许多用户为之付费，且这些用户的留存率达到60%+(当然与用户付费了有关)，有一半的用户使用时长都超过了70分钟。当时没过多久陆续出来了一些竞品 (Vbulletin团队，当时最大的论坛系统，开发了一个移动端的App，意图解决同样的问题)，但是没过多久都远远落在了我们后面，就是因为整个团队遵循MVP的思想，按用户反馈专心反复打磨看帖、发帖的流畅体验，获得了非常好的用户口碑并领先市场，也获得了某著名硅谷投资机构的投资。

关键数据——目标人群画像

除此之外，初创期可以通过接入一些第三方的应用监测SDK来了解初期用户群体的画像，从侧面验证用户群体与假设的目标用户群体特征是否一致，常见的是人口学属性(性别、年龄、学历、地域)。

案例：

今年4月初在和国内某健身类的APP的产品经理聊到， 该APP最初是一款健身、运动记步的工具App，在产品前期新用户的次日留存处于业内平均水平，在其观察到目标用户群体的画像时，发现女性用户明显比男性用户要多，且女性用户留存明显比男性用户要高。于是决定在产品策略上向女性用户倾斜，主攻女性健身、减脂、美容方向的功能以及内容推荐，产品整体次日留存率相比之前增长近100%。

同样，最近服务了一个鹅厂内部客户，他们开发了一款新产品，意在面向年轻人群体，结果却发现其用户年龄分布以青少年和老年人居多：

这正好与他们的用户渠道相关，原来他们有一款面向青少年和老年人的产品，为了给产品带来第一批用户，他们直接从老的产品将用户引流过来，结果发现他们并非产品的目标用户。

关键数据——留存率

在当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标，这里就留存率展开来讲。

留存率的维度分很多种(7日，双周，30日等)，依据产品特征来选择，若产品本身满足的是小众低频需求，留存率则宜选择双周甚至是30日;留存率高，代表用户对产品价值认可并产生依赖，一般来说，假设便能得到验证，通常低于20%的留存会是一个比较危险的信号。

介绍一个以数据为驱动的先行指标模型，可以通过找到先行性指标指导产品设计，从而提升留存率。先看下先行性指标的定义，先行性指标是指新用户在使用产品早期的一种产品行为，这个指标与用户的留存率指标之间存在着非常高的线性相关关系，可以预测用户是否会在产品中留存下来。

用自己总结的公式来描述，大致如下：

积极预测可能性(%)：表示用户执行了该行为，即可预测该用户留存活跃的可能性

消极预测可能性(%) ：表示用户如果不执行该行为，即可预测该用户不留存活跃的可能性

最终，先行性指标的可信度=积极预测可能性 X 消极预测可能性 ，我们直接看案例。

案例

拿之前的论坛社交App为假设，假设“用户在注册前10天内添加好友超过7个”为先行性指标，那么我们计算一组数据：

其中，用户前10天内添加好友超过7个，则其30日留存下来可能性为99%;若添加好友小于7个，则其30日不留存下来(流失)可能性为95%，综合指标可信度为0.9405。

同理，计算以下两个先行性指标可信度：

最终，我们得到对比：

以上只是假设的数据，实际上，我们需要对比十几个甚至是二十几个行为指标才能找出先行性可信度最高的行为。

这个模型中第一条“新用户在注册后的10天内添加好友超过7个”，也就是Facebook一个经典的“aha moments”，所谓”aha moments”即当用户意识到产品的核心价值的时刻，也就是我们的“先行指标”。

(Facebook，Instagram推荐好友截图)

除此之外，先行性指标应当满足以下条件：

二、快速成长期

经过了产品打磨的初始阶段，产品有了较好的留存率了，这个时候产品开始进入自发增长期。自发增长期的产品阶段，仍需要关注用户留存、用户时长、用户画像的变化等数据，但可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、触发“aha moments”到产品稳定活跃用户的整个漏斗分析为主。

新用户的增长和激活

其中新用户的增长和激活一般有两种方式，第一种是构建产品的病毒性传播系数, 让产品自发增长，《精益运营数据分析》书中有提到的几个用户病毒式传播分类很有趣：

原生病毒性，即通过App本身的邀请好友功能而传播吸引的新用户的方式;

口碑病毒性，即通过口碑传播，用户主动通过搜索引擎成为的新用户;

人工病毒性，即通过人工干预，如有奖邀请等激励措施来鼓励用户进行邀请行为。

这里关注的一个指标称之为“病毒式传播系数”，感兴趣的同学可以自行深入了解。

新用户下载->激活->‘Aha Moments’->产品稳定活跃

产品开始进入自发增长期后，需要关注用户从新用户到活跃用户(留存后)、到核心用户的生命周期，并将每个过程的关键指标提炼并精细化。

案例

以之前的论坛社交APP为例，新用户进入产品会看到一个欢迎页(如左下图)，经过注册、登录后会看到产品的首页(如右下图的Feed流页面)，多数App都有类似的流程：

一个新用户从进入App欢迎页到最终成为核心用户大概是以下流程：新用户(探索发现产品价值中)-> 旁观者(逐渐认知产品价值并有一定的参与感)->生产者(认同产品价值并积极参与)：

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊：

此时，对各个阶段的用户行为进行指标分解：

新用户&探索发现者：

欢迎页跳出率新用户注册率新用户引导流程转化率初始看到Feed页跳出率搜索结果转化率推送权限开通率

旁观者(路过者)：

平均每个用户关注板块数平均每个用户关注其他用户数平均每个活跃用户赞/分享数Feed卡片展示数Feed卡片点击数订阅内容推送点击率

内容生产者：

· 平均每个活跃用户发帖数

· 平均每个活跃用户发照片、视频数

· 平均每个用户在论坛内使用时长

· 活跃用户在论坛内行为分布

精细化的拆分用户生命周期前中期的行为指标，在产品快速增长期帮助了产品不断打磨细节，将用户从新进到成为核心用户体验不断完善。与此同时，在各节点数据提升并稳定后，产品运营的同学则开始进行各种推广、投放的宣传以扩大盘子、占领市场。

三、成熟期

随着用户快速增长，产品不断完善，产品在进入成熟期前后，数据运营关注的重心开始从用户生命周期的前半段(吸引、激活、留存)往后半段(流失、回流)开始偏移。

这里分享一个在增长期和成熟期关注的数据模板 Daily Net Change (应用自John Egan@Pinterest)，区别于只关注DAU、MAU数据，只关注活跃用户数的增减很多时候都是取悦自己，而这个模型能帮助直观地观察到用户增长的因子是什么，或者用户盘子变化的情况，通过一张图展示了产品的新增、回流和留存情况。

其中Net Change = 新增用户 + 回流用户 – 流失用户。

新增用户即当天有多少新用户加入

回流用户即多少老用户连续28天没有使用，今天又开始使用

流失用户即有多少已有用户刚好最后一次使用应用是在28天前

流失与回流

在关注流失回流的过程中，数据会揭示当前用户盘子的一个变化情况，具体分析流失原因则可以参考下方流程：

核心思路即，通过回访定性+数据验证为主要手段，确定流失原因，改变产品运营策略以预防用户流失或拉回用户，促进回流。

除此之外，对于一些稳定的投放渠道，普通的改善方法可能提升转化有限，此时可以进行更精细化的渠道分析来优化提升ROI：

案例：

提升ROI

四、衰退期

最终，产品进入衰退期，一般在进入衰退期前可以采取两种方式：

1、规模化

常出现在零售业中，如开一家按摩养生店，在一定范围内收获好评，那产品成熟的时候则可以开启连锁加盟模式，通过迅速而广泛的扩大市场形成品牌效应，以形成壁垒，此时衰退的风险则被抵御。

2、生态化

在产品增长或接近完善时，单一的产品很容易存在需求过于垂直、用户无法形成依赖的问题，可以开发具有协同能力的新产品以搭建完整的产品生态，使得在当前产品上无法被得到满足或失去兴趣的用户被引流到新产品，作为新产品的新用户;同时新产品的用户也能在新产品上被引流回老产品，产品之间形成互相依赖的链条，最终用户有效流转，形成生态。

不久前我们推出的《推荐算法不够精准？让知识图谱来解决》以及《如何将知识图谱特征学习应用到推荐系统？》系列文章受到了同学们的广泛欢迎。大家对推荐系统以及与之相关的、底层的数据挖掘技术非常关注。

为了帮助小伙伴们更好地学习相关内容，我们邀请微软亚洲研究院社会计算组研究员张富峥为大家推荐了六本数据挖掘领域的经典书籍，既涵盖了数据挖掘的概念、算法等基础知识，又包含了数据挖掘在不同子领域的具体应用。一起来看看吧！

一、基础篇

主要目标：帮助大家了解数据挖掘领域的基本概念、代表性算法和评估技术，比如数据的关联分析、分类及聚类算法等，为大家之后进一步学习数据挖掘知识、深入进行科研或在实际场景中应用奠定基础。

1. Introduction to Data Mining

作者：Pang-Ning Tang、Michael Steinbach、Vipin Kumar

中文译名：数据挖掘导论（完整版）

推荐指数：★★★★★

主要内容：本书内容涵盖了数据挖掘的方方面面，从什么是数据挖掘、什么是数据以及数据预处理的方法，到具体的数据挖掘算法，比如分类、关联分析、聚类、异常检测等，从基本的定义入手，由浅至深地帮助读者透彻地理解数据挖掘的基础。书中使用大量的图表、综合示例、关键算法的简洁描述等，尽可能地直接聚焦于数据挖掘的主要概念。

推荐理由：本书是明尼苏达大学和密歇根州立大学数据挖掘课程的教材，是数据挖掘领域经典的入门教程。本书内容浅显易懂，只要求具备很少的统计学或数学背景知识，略去了各个定理的证明部分，通过枚举大量具体的算法实例来简要说明算法的流程和意义，让初学者可以以最快速度总揽全局，掌握数据挖掘领域的基本要点。

2. Data Mining: Concepts and Techniques

作者：Jiawei Han、Micheline Kamber、Jian Pei

中文译名：数据挖掘：概念与技术（原书第三版）

主要内容：本书是最新的第三版，主要从数据库角度全面系统地介绍了数据挖掘的基本概念、方法、技术以及技术的研究进展，并且重点关注了数据挖掘领域最新的技术和发展，介绍了社会网络挖掘、流数据挖掘和数据立方体计算等最新的研究方法，并探讨了数据挖掘方法在金融等领域的应用。书中引入了许多算法和实现实例，以易于理解的伪代码编写，适用于实际的大规模数据挖掘项目。

推荐理由：本书是一本非常优秀的数据挖掘教材，更是数据挖掘领域具有里程碑意义的经典著作。它不仅详尽讲述了数据挖掘的基本概念和方法，又具有一定的深度，介绍了数据挖掘领域近年来最新的课题。它结构合理、调理清晰，每一章都针对关键专题有单独的指导，并且只要求读者具备少量的编程经验以及了解基本的数据和统计分析方向的知识。

二、 应用篇

主要目标： 在大数据时代，数据的形式多种多样，在不同科研领域、商业背景、产业类型中的应用也十分丰富。这里我们通过四本书来为大家介绍数据挖掘的方法和思想在三个不同的子领域中的具体应用，帮助大家了解数据挖掘领域最前沿的热门研究方向和应用场景，为大家把握科研或工程的方向提供参考。

1. Recommender Systems: An introduction

作者：Dietmar Jannach、Markus Zanker、Alexander Felfernig、Gerhard Friedrich

中文译名：推荐系统

推荐指数：★★★★★

主要内容：本书比较全面地介绍了推荐系统涉及的相关知识点，呈现了许多经典算法，并讨论了如何衡量推荐系统的有效性。书中内容分为基本概念和最新进展两部分：前者涉及协同推荐、基于内容的推荐、基于知识的推荐、混合推荐方法，推荐系统的解释、评估推荐系统和实例分析；后者包括针对推荐系统的攻击、在线消费决策、推荐系统和下一代互联网以及普适环境中的推荐。

推荐理由：本书内容详尽，广泛涵盖了不同类型的推荐系统，并对这些推荐系统逐一进行了细致地剖析，并辅以实际应用案例的介绍，适合想要了解推荐系统的基础和相关研究的读者作为推荐系统的入门书籍。书中包含了大量的图、表以及示例，有助于读者理解和把握相关知识。

2. Recommender Systems: The Textbook

作者：Charu C. Aggarwal

推荐指数：★★★★☆

主要内容：本书详尽地介绍了推荐系统的方方面面，可以大致地被分为三个部分：“算法和评估”部分探讨了推荐系统中的基础算法，包括协同过滤的方法、基于内容的方法、基于知识的方法、集成方法以及推荐系统的评估方法；“特定领域和上下文下的推荐系统”部分介绍在如时间空间数据、社交数据、标签数据以及信用度数据等不同的上下文场景数据中如何进行推荐；“高级的主题和应用”部分介绍了和推荐系统的鲁棒性相关的内容，如先令系统、攻击模型以及相应的防御模型。

推荐理由：这是一本非常优秀的推荐系统教科书，它不仅用简单的语言阐述了推荐系统的基础，深入地介绍了核心算法的概念以及数学论证，还为读者提供了第三方工具或框架使用时需要查询的大量资料。它对于推荐系统的基础、具体应用和相关文献进行了全面介绍，既适合研究人员作为推荐系统的入门书籍，又适合工业从业人员作为工具参考书。

3. Sentiment Analysis: Mining Opinions, Sentiments,and Emotions

作者：Bing Liu

中文译名：情感分析：挖掘观点、情感和情绪

主要内容：本书主要从自然语言处理的角度全面地介绍情感分析这个主题中的基础算法以及先进的研究技术和科研结果。书中几乎涵盖了情感分析所有的核心领域，在介绍了情感分析的基本概念和多种基本的情感分析场景后，又解读了多个新兴的情感分析主题，比如辩论分析、意图挖掘、假民意检测等，不仅能够让读者了解通常用于表达观点和情感的问题和语言的基本结构，还能帮助读者深入地探究大量观点挖掘和情感分析的算法和系统。

推荐理由：本书是迄今为止观点挖掘与情感分析领域最权威、最全面的著作之一。书中几乎涵盖了情感分析的方方面面，将理论和实践相结合，深入浅出，同时兼顾了领域知识的深度和广度，不仅可以作为刚接触这一领域的学者或开发者的入门教材，又可以作为了解这一领域最前沿研究成果的经典读物。

4. 移动数据挖掘

作者：连德富、张富峥、王英子、袁晶、谢幸

主要内容：本书选取当前学术界和工业界的热点为主题，自成体系，书中以人的轨迹数据，特别是移动社交网络的位置数据为中心，结合人的基本信息及社交网络等相关信息来研究个人与群体的移动模式特性，介绍了移动数据挖掘的基本概念和方法，具体包括移动数据预处理、用户移动模型、用户画像以及兴趣位置推荐等，内容十分新颖。

推荐理由：本书是大数据管理丛书中的一本，书中梳理总结了作者团队过去十年在人群移动数据理解上展开的研究，这些研究经验不仅对于很多实际应用有着重要的价值，也有助于解决一些具有社会意义的科学问题。本书在介绍了移动数据的概念及其价值的同时，还细致地讲解了移动数据领域内的多个前沿研究课题，对于想要深入了解这个领域的学者和工业从业人员是非常好的选择。

看完了书单，还不赶紧挑选几本！

欢迎大家在下方留言区留言，分享你心目中数据挖掘的经典书籍。

你还需要哪个领域的书单呢？也欢迎在留言区告诉我们！

你也许还想看：

【加入我们】

微软亚洲研究院公共关系组招聘平面设计实习生1名。

要求：

就读工业设计、视觉设计、传播设计或其它相关专业；

熟悉微博、微信等社交媒体；

有完整的平面设计作品集呈现；

熟练掌握Adobe Photoshop、Illustrator、InDesign等软件；

关注细节、精确到像素；

具有优秀的沟通和表达能力；

具有基础的书面英语能力；

能全职实习至少3个月。

实习待遇相当丰厚哦，快带上你的简历和作品集加入我们吧！简历作品请投递至：

v-nand@microsoft

感谢你关注“微软研究院AI头条”，我们期待你的留言和投稿，共建交流平台。来稿请寄：msraai@microsoft。

最近很多小伙伴都在给我留言说推荐数据分析、数据挖掘的学习方法，推荐书籍等，因自己工作原因本就要学习一些数据的知识，从网上并没有找到一篇从入门到进阶成体系的文章，且查找的分享都是数据体系中一个分支的分支，整体看起来烟雾缭绕，经一位前辈点播还是先从书籍中建立整体的认知再看这些碎片化的知识，才能更有体会，故有了这篇内容。

part 1 | 入门版

适合对数据分析的入门者，对数据分析没有整体概念的人，常见于应届毕业生，经验尚浅的转行者。

HeadFirst类的书籍，一向浅显易懂形象生动，可以对分析概念有个全面的认知。——Simon

深入浅出数据分析：把这本书放在第一顺序，是因为它真的很简单，但是能够让你对数据分析的一些基本概念有大致的了解。即便是你毫无数据分析经验，一两天也足够读完整本书了。这本书的实操性并不强，所以也不建议你去跟着实践，了解作者传达出来的数据分析基本思想和原则就OK了，这对你建立宏观的视野，和接下来的学习很有帮助。

另外，书中提到的一些案例，比如提升化妆品销量、分析星巴克销量、生产线最优解、网站ABtest、竞品分析、薪资预测等等，看起来很简单，但其实都是工作最常见的一些分析场景。这对数据思维的养成，非常有帮助。

个人觉得书中最有用的一些点：

统计学概念在数据分析中的作用：比如方差、标准差、相关系数、均方根误差等; 集中数据分析的基本方法：假设检验、回归分析、误差分析等; 统计图形分析：散点图、直方图等来探索数据中隐藏的规律; 数据库以及数据整理。

这本书很让你掌握数据分析技术，过一遍即可。

谁说菜鸟不会数据分析：不仅讲解了一些常见的分析技巧，并附带excel的一些知识及数据分析再公司中所处的位置，对职场了解亦有一定帮助。

赤裸裸的统计学：作者年轻时是个追求学习意义的学霸，后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。

统计数字会撒谎：知名度高，但是还没看过…

part 2 | 进阶版

具有一定的行业针对性，要求具备一定的分析常识，适合网站分析师，商业分析师以及数据产品经理。

深入浅出统计学： HeadFirst类书籍，可以帮助你快速了解统计方面的知识。——Simon

非常非常基础的统计书，适合任何一个没有基础的小白，文科生也能看懂。有人说这本书简直太简单了，但是对于数据分析来说，需要用到的恰好是这些最简单的东西。比如基本的统计量，基本上每个分析项目中都会用到。比如基本的概率分布，总体与样本的概念、置信区间、假设检验、回归分析，我去，都是为数据分析定制的统计学知识。

所以强烈推荐这本，其他的比较深度的书，并不建议在入门的阶段去啃，一方面是很多难以理解，二是即便你花大力气学习了，入门的阶段你也不怎么能在实践中使用。当然多学一些是没有坏处的，但你需要知道在什么时候学习哪些东西性价比最高。或者你自我感觉良好，誓要学最难的，从入门到放弃，得不偿失。

总结起来，需要重点了解的统计学知识如下：

基本的统计量：均值、中位数、众数、方差、标准差、百分位数等; 概率分布：几何分布、二项分布、泊松分布、正态分布等; 总体和样本：了解基本概念、抽样的概念;

这本书非常的简单，但是基本的数据分析的一些方法都有了，你需要做的，是利用之前学过的Python 的一些库(pandas、Numpy、matplotlib)来实现这些数据分析的方法、实现基本的可视化来进行图形化的分析。——DataCastle

MySQL必知必会：这本也是我当年学习SQL的入门书，薄册子一本，看起来很快。SQL是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮这个技能点。——Simon

这本书把SQL写的非常简单，没办法，SQL确实也很简单。其实pandas 就已可以实现很多数据管理的工作，而了解SQL 的意义在于融入到实际的数据使用的场景。比如企业的数据，多是以数据库的形式存储起来的，那么如果你需要去调用你需要的那部分数据，那么SQL就是必须的技能。如果你在最开始就想用公司的数据来练习，那么你可以把这本书的阅读放到最前面。(当然，如果你不回遇到数据提取的问题，SQL这部分也可以暂时不管，对具体的数据分析没有影响，等到你真正需要用到SQL的时候再学习。)

MySQL本身比较简单，对于数据分析师来说，只需要掌握基本的语句和技巧，能够进行基本的数据提取和处理就能够应对一般的数据分析需求了。

书中重点掌握以下几个点：

SELECT语句：让你能够去提取你需要的那部分数据; DELETE和UPDATE：知道怎么实现数据的增、删、改; 数据过滤：where、and、or、通配符等过滤方式; 数据的汇总和分组、数据库连接：应对更加复杂的数据和相关联的数据; 子查询：查询中的查询。

当然还是希望你去公司的数据库找一些数据来进行练习，如果不方便的话，也可以直接用上述UCI数据集中的数据来进行实践。

如果遇到问题，可以去菜鸟教程查询相关操作。

好了，恭喜，你已经基本入门了。到此，你就完全可以去进行一个完整的数据分析项目了，如果你没有头绪，可以去找一些行业的分析报告来看看，找一找分析的思路。能够独立完成一些项目，通过数据分析能够得出一些深刻的结论，能够给人以可视化的形式将结果描述出来，能够基于历史数据对未来的一些情况进行预测，那么一般的数据分析岗位，完全可以胜任了。

互联网增长的第一本数据分析手册：GrowingIO出的一本数据分析的增长手册，为大家提供常见的分析手段讲解，如漏斗分析，同期群分析等等。可在GrowingIO技术论坛中免费下载。

利用Python进行数据分析：这应该是最经典的数据分析书之一了，作者是pandas 库的作者WesMcKinney 。所以这本书对于pandas 的理解，应该是非常深刻的，而利用梳理介绍的pandas、bumpy、matplotlib 等库，应对一般的数据分析，完全足够了。

书中应该重点掌握的一些点：

IPython Notebook 的使用：最适合小白的代码编写环境，非常容易上手; 科学计算库 Numpy：数组和矢量计算、学会利用数组进行数据处理; 数据处理及分析工具 pandas：数据查询，缺失值、重复值、异常值的处理，数据的合并与规整化，基本的描述性分析及可视化; 可视化工具 matplotlib：用这个库，基本的数据可视化问题皆可以解决了。

看上去是不是很简单，这本书就是教会你如何开始使用Python 进行数据分析，当然首推的就是pandas ，不仅可以做数据的预处理，还能够做基本的数据分析和可视化。这个库一定是你开始入门的时候需要重点学习的，其次用Numpy 进行数组的计算、利用matplotlib 进行可视化的描述性分析，也是同步需要掌握的东西。

但是，这个部分光看书是远远不够的，你可以尽量去找一些可以练手的数据集，来实际操作和调用这些库的功能，确保熟练数据分析中最常用的函数和模块。如果纠结去哪找练手的数据，推荐UCI经典数据集。

关于pandas、Numpy、matplotlib 网上应该可以搜索到很多有用的资料、教程，可以看一看别人的使用技巧、应用场景，并通过练习转化成自己的经验。

因为Python 库的更新迭代非常快，这本书里额一些内容其实已经“过时”了，这里也非常建议你去查看一些官方的文档，基本上你需要的都能查到。

另外，在进行一些数据处理、数据分析的时候，你可能需要去了解一些更细节的Python 的用法，这里就不推荐书了，因为你没必要去系统地学，按照这个菜鸟教程看看或者查询相关的用法就OK了。

part 3 | 高阶版

更高阶的数据相对来说专业性较强了，如涉及到企业内部数据治理，数据结合的业务分析，数据可视化等。当然，还有数据挖掘算法之类的更深入的东西，这块没有研究就不瞎推荐了

精益数据分析：此书优势在于将企业分成了几个大的行业类别，并分门别类的讲解了每个行业的商业模式特点及分析技巧，对使用者的分析能力要求较高，且必须具备相应的业务知识。——Simon

书中主要讲到各种产品中用到的指标和模型，这是一本写给产品经理的书，其中并没有具体的数据分析技术，涉及到的更多是数据驱动型产品的一些思路。

比如怎么将数据驱动的产品落地，怎么为产品设计数据指标，哪些指标对于产品迭代优化更有效，如何依靠数据分析来驱动用户增长等等。——DataCastle

数据之美：本书通过世界上最好的数据工作者的示例，向读者展示处理数据的方法。本书使得读者可以站在优秀的数据设计师、管理者和处理者的肩上，去仔细审视涉及到数据的一些最有趣的项目。

决战大数据：阿里巴巴前数据副总裁车品觉老师所著，讲解了阿里巴巴在企业内部治理数据过程中的新的，所讲“存-通-用”数据管理三板斧和“从数据化运营到运营数据”，字字珠玑，可堪借鉴。

The Wall Street Journal Guide to Information Graphics：华尔街日报负责商业分析的人做的可视化指南，精华且实用，之前做的读书笔记可供参考【华尔街日报是这样做数据可视化的(1)】

数据科学实战：这本书应该是数据分析和数据挖掘(机器学习)之间的桥梁。从探索性的数据分析开始，通过数据分析的思维，引出了机器学习的基本算法：回归分析、k近邻、k均值。接着通过不同的应用场景分别介绍了最常见的机器学习算法，以及在真实场景的应用。

对于做了一段时间数据分析工作的人，这无疑是进阶更高维度的好书，很难有一本书，能够让你从简单的数据分析平滑地渡到机器学习和数据挖掘，这本书我认为是这方面做的最好的一本。

所以如果你在做一些探索性的分析遇到瓶颈之后，自然而然会进入数据挖掘和机器学习算法的坑，因为只有更高级的算法和模型，才能够支撑大规模的数据的预测。

下面列出一些书中有意思也比较有用的点：

了解探索性数据分析，为更高级的需求打好基础; 了解机器学习的基本算法、k近邻、k均值等; 用朴素贝叶斯方法做垃圾邮件的过滤; 线性回归和逻辑回归的分析方法; 如何从数据中获取结论，从数据挖掘竞赛开始; 构建自己的推荐系统; 数据泄漏与模型评价，如何筛选模型。

数据分析、机器学习及人工智能必读书目——工具篇之《利用Python进行数据分析》

我们已经进入了全新的数据时代，大数据、云计算、物联网、机器学习、人工智能等等一系列技术纷至沓来，数据的管理和应用已经渗透到每一个行业和业务领域，成为当今以及未来商业运作的基础资产。可以说，只有掌握数据并善于运用数据的人，才会在竞争日益激烈的环境中寻得先机。 那么我们该怎么样学习大数据分析、机器学习以及人工智能？作者认为，学习大数据、机器学习和人工智能，所需的知识分为五个层次，一是数学知识；二是统计学知识；三是算法知识；四是工具知识；五是哲学思想知识。所谓工具知识，就是我们需要借助计算机软件来完成相关的分析和运算，目前大数据和机器学习领域热门的语言就是 R 和 Python。我们会分别介绍这五个层次所需要看的书，希望对大家有用。

《利用Python进行数据分析》

作者：Wes McKinney

译者：唐学韬 等

页数: 464

出版：机械工业出版社 2013年版

简要评价：

Python 正迅速成为数据科学家们钟爱的编程语言，原因在于其简单优雅，提供了一种覆盖范围更为广阔的编程语言生态系统，以及具有一定计算深度且性能良好的科学计算库。在 Python 自带的科学计算库中，Pandas 模块是最适于数据科学相关操作的工具。它与 Scikit-learn 两个模块几乎提供了数据科学家所需的全部工具。

本书正是由大名鼎鼎的 Pandas 模块的作者亲自撰写的，功底非常深厚，数据分析有着很丰富的经验，因此写出的书也是深入浅出，让人很容易就能看懂，非常适合刚刚接触 Python 的分析人员以及刚刚接触科学计算的 Python 程序员。当然，因为定位为入门，所以这本书相对比较浅显，看完之后想再进一步，还需要更加深入的钻研。

内容介绍：

还在苦苦寻觅用Python控制、处理、整理、分析结构化数据的完整课程？本书含有大量的实践案例，你将学会如何利用各种Python库（包括NumPy、pandas、matplotlib以及IPython等）高效地解决各式各样的数据分析问题。 由于作者Wes McKinney是pandas库的主要作者，所以本书也可以作为利用Python实现数据密集型应用的科学计算实践指南。本书适合刚刚接触Python的分析人员以及刚刚接触科学计算的Python程序员。

将IPython这个交互式Shell作为你的首要开发环境。

学习NumPy（Numerical Python）的基础和高级知识。

从pandas库的数据分析工具开始。

利用高性能工具对数据进行加载、清理、转换、合并以及重塑。

利用matplotlib创建散点图以及静态或交互式的可视化结果。

利用pandas的groupby功能对数据集进行切片、切块和汇总操作。

处理各种各样的时间序列数据。

通过详细的案例学习如何解决Web分析、社会科学、金融学以及经济学等领域的问题。

作者简介

Wes McKinney 资深数据分析专家，对各种Python库（包括NumPy、pandas、matplotlib以及IPython等）等都有深入研究，并在大量的实践中积累了丰富的经验。撰写了大量与Python数据分析相关的经典文章，被各大技术社区争相转载，是Python和开源技术社区公认的权威人物之一。开发了用于数据分析的著名开源Python库——pandas，广获用户好评。在创建Lambda Foundry（一家致力于企业数据分析的公司）之前，他曾是AQR Capital Management的定量分析师。

名家推荐

“科学计算和数据分析社区已经等待这本书很多年了：大量具体的实践建议，以及大量综合应用方法。本书在未来几年里肯定会成为Python领域中技术计算的权威指南。”

——Fernando Pérez　加州大学伯克利分校 研究科学家， IPython的创始人之一

书籍目录

前言

第1章 准备工作

本书主要内容

为什么要使用Python进行数据分析

重要的Python库

安装和设置

社区和研讨会

使用本书

致谢

第2章 引言

来自bit.ly的1.usa.gov数据

MovieLens 1M数据集

1880-2010年间全美婴儿姓名

小结及展望

第3章 IPython：一种交互式计算和开发环境

IPython基础

内省

使用命令历史

与操作系统交互

软件开发工具

IPython HTML Notebook

利用IPython提高代码开发效率的几点提示

高级IPython功能

第4章 NumPy基础：数组和矢量计算

NumPy的ndarray：一种多维数组对象

通用函数：快速的元素级数组函数

利用数组进行数据处理

用于数组的文件输入输出

线性代数

随机数生成

范例：随机漫步

第5章 pandas入门

pandas的数据结构介绍

基本功能

汇总和计算描述统计

处理缺失数据

层次化索引

其他有关pandas的话题

第6章 数据加载、存储与文件格式

读写文本格式的数据

二进制数据格式

使用HTML和Web API

使用数据库

第7章 数据规整化：清理、转换、合并、重塑

合并数据集

重塑和轴向旋转

数据转换

字符串操作

示例：USDA食品数据库

第8章 绘图和可视化

matplotlib API入门

pandas中的绘图函数

绘制地图：图形化显示海地地震危机数据

Python图形化工具生态系统

第9章 数据聚合与分组运算

GroupBy技术

数据聚合

分组级运算和转换

透视表和交叉表

示例：2012联邦选举委员会数据库

第10章 时间序列

日期和时间数据类型及工具

时间序列基础

日期的范围、频率以及移动

时区处理

时期及其算术运算

重采样及频率转换

时间序列绘图

移动窗口函数

性能和内存使用方面的注意事项

第11章 金融和经济数据应用

数据规整化方面的话题

分组变换和分析

更多示例应用

第12章 NumPy高级应用

ndarray对象的内部机理

高级数组操作

广播

ufunc高级应用

结构化和记录式数组

更多有关排序的话题

NumPy的matrix类

高级数组输入输出

性能建议

附录A Python语言精要

喜欢闲适安静的生活，懂一点计算机编程，懂一点统计学和数据分析。（爱编程爱统计）

1、统计基础

《深入浅出统计学》、《漫画统计学》

2、Excel

《Excel.2010数据透视表应用大全》、《从零开始学Excel.VBA》

3、SQL

《mysql SQL必知必会》、《SQL21天自学通》

4、R语言

《153分钟学会R》、《统计建模与Ｒ软件》

5、SPSS&SAS

《SAS数据挖掘实战》、《SPSS19_中文版最全教程》

6、Python

《Python基础教程》、《利用Python进行数据分析》

7、数据分析&数据挖掘

《数据挖掘与数据挖掘工具》

推荐两本真正意义上的神书，一本是《Pattern Recognition and Machine Learning》（PRML），一本是《Deep Learning》（Ian Goodfellow和Yoshua Bengio写的那本），绝对符合题主“看了以后大呼过瘾”的标准。这两本书都是属于“大而全”的类型，两本书都是从头到尾讲清楚了一个领域的细节。PRML是传统机器学习，《Deep Learning》是讲的最近几年兴起的深度学习。

先说说PRML。之前也看过很多机器学习的书，大多数书讲解模型时，都只会讲一个在某种情形下简化的特殊版本。如针对分类的模型，讲了一个0-1两类分类模型就结束了，如何应用到多分类就一笔带过。再比如回归模型，也只是讲个单变量不带正则项的最简化版。至于加什么正则、为什么这么加更是很少涉及的话题。而看PRML的感觉就像作者拿着一个放大镜，带你从模型的motivation、模型的推导过程、模型的推广、这个模型和其他模型的联系等方方面面讲解，而且每一个部分都很详细，都有非常细致的推导过程，每步推导过程还都有解释，这真的是太贴心了。

可能这样说还是会有人不是很明白，我就举几个具体的例子。比如线性回归，很简单的人人都懂的： ，大多数书会讲到 的求解就结束了，稍微详细点的书会告诉你线性回归的本质是：回归目标在 列向量张成的空间的投影，就是最好的 ，但也就仅此而已了。PRML里讲线性回归用的式子是 y=wTΦ(x) ，不仅可以讲清楚线性回归的基本原理，而且可以利用 Φ(x)告诉你线性回归实际上也可以看做一种核方法，这就给之后章节做了铺垫。PRML还推导了以下事情：1. 为什么多维的y与一维的y在本质上是等价的（从一维到多维的推广） 2. 加L2正则和L1正则项本质是以不同的先验分布看待w 3. 为什么L1正则会产生sparse的结果 4. 对线性回归的bias-variance decomposition告诉你机器学习中无处不在的tradeoff：bias、variance等等。这样整个模型才算是学透了。

另外PRML概率图的那一章写的真的太棒了，堪称完美，也是看这一章我才真正搞懂了概率图模型。写到这里请允许我小小的黑一下周志华老师的西瓜书，西瓜书中讲概率图模型时直接就是隐马尔科夫模型，这样虽然比较简洁，但让人搞不懂概率图究竟是怎么定义的、还有隐马尔科夫模型的图是怎么画出来的。西瓜书上只是说“图中的箭头表示了变量间的依赖关系”，然而到底是什么样的依赖关系？实在是让我一头雾水（隐马尔科夫确实是一个难点，见过好多人无法理解。。）。直到看到PRML中时我才搞清楚所谓“依赖关系”实际上是变量间的“条件独立”。PRML中是怎么样讲概率图模型的呢？它是从概率论中的条件独立讲起的，相当于是讲模型之前先带你把最重要的基础知识复习一遍。讲完条件独立后又讲了最简单的三个概率图: A<--B-->C、A-->B-->C、A-->B<--C。并一一分析了图中蕴含的条件独立性，又做了联合分布的分解。这之后才开始过渡到隐马尔科夫模型，这样一步一个台阶，非常容易理解。

《Deep Learning》和PRML有点像。同样也是非常详细的，就不展开写了。

说了那么多，其实我想表达的是：与其对很多模型一知半解，不如真正学懂一个模型，这样其实是节省时间的。原因在于当你搞懂一个模型后，就算你忘记了某些细节，再次查看资料也可以很快回忆起来。而当你不懂一个模型时，每次回忆都要从零开始，来来回回其实浪费了很多时间。而PRML和《Deep Learning》就是让你真正理解机器学习算法的最佳途径之一，强烈推荐。

“如果你有大把时间的话，可以忽视以下回答，直接转入scikit-learn: machine learning in Python”

如果能仔仔细细看完，保证你基础扎实的不要不要的。因为其实我看过的百分之七十的教材都是在部分官方文档上进行讲解，推广与应用，比如from sklearn...import...，降维啊，如何处理有问题的raw dataset等等。（我看的不多，不排除有更好的书）

如果你不想看官方文档的话...

推荐教材的来源来：PACKT，O‘Reilly，Springer和Apress出版社。其中以PACKT偏多，时不时逛逛PACKT主页，会有好多Latest Releases书籍和Bestselling eBooks，其中不乏许多数据分析类的书，可以多留个心眼~当然我不是从这上面买的ebook...贵...底下会贴一个免费下载书的网站，其中基本上囊括了上面多位答主提到的好书。

第一本《Hands-On Machine Learning with Scikit-Learn and TensorFlow》

这是我读的第一本数据分析加深度学习类且觉得过瘾的的书。来来回回读了大概有三遍。

亚马逊评分：

另外也可以发现....

全书编排思路非常清晰，分为两部分：The Fundamentals of Machine Learning以及Neural Networks and Deep Learning，前一部分基于sklearn，介绍通用的机器学习算法，后一部分涵盖了TensorFlow的多服务器部署，CNN，RNN，自编码器，强化学习，非常全面，而且不失深度。本书在第一章综述之后，在第二章就直接上California Housing Prices数据集，用实例讲解了如何对数据进行各种处理、可视化等等，各种注意点写的非常详细。后半部分又很好地与目前很火的深度学习、强化学习等对接。另外在每一章最后都有Exercise模块，考察读者对每种算法的理解程度，同时在附录A中也给出了Exercise Solutions。这本书的Appendix也是一大亮点。不足之处就是没有介绍Naive Bayes（好吧其实要深入了解贝叶斯可以去看楼上提到的绿皮书，理论部分可以看《Bayesian Reasoning and Machine Learning》）。自己去看就知道了~全书564页。

第二本书是《Python: End-to-end Data Analysis》

在PACKT官网上属于Bestselling eBooks。

先说明一下这本书有1501页...从Module1中如何使用最基本的工具包部分Numpy，Pandas，Matplotlib，PyMongo，sklearn开始，到Module2中的Statistical data analysis and probability以及Web Mining，Database，and Big Data，亦或Selecting Stocks with Financial Data Anaylsis等等，到最后Module3中的机器学习算法的应用，基本上涵盖了几乎所有与数据分析相关的内容。重要的事说三遍：全书1501页，全书1501页，全书1501页。

第三本是《Python Machine Learning Blueprints》

以下是它的目录以及亚马逊上一位读者的feedback：

I'd been working on some personal projects in Python 3 that related to Machine Learning and Natural Language Processing when I saw the author's post on LinkedIn, so I picked it up. As it happened, it saved me some time and trouble, as well as showed me ways I could have avoided some of the same......What the author does, successfully, is take a lot of the guesswork and research on the topics in the book and make them easily done by someone with basic Python experience.I highly recommend this book for anyone that wants to pe into machine learning and is willing to work through the examples - at least the ones that interest them. With code on Github or downloadable from the Publisher's site, it's easy to proceed at the reader's own rate.

与其他一些只讲最基本原理和sklearn基本功能的书相比，这本书一看目录就是那种想让人跃跃欲试的有木有？全书324页。

最后一本是《Advanced Machine Learning with Python》

说实话这本书让我大呼过瘾的地方是其中的Further reading部分，包括了许多国外讲解算法的优秀博客、PPT、视频教程等，就像作者在所说：

At the end of each chapter, I refer you to further reading, in a book or online article, so that you can build a broader base of relevant knowledge. I'd suggest that it's worth doing additional reading around any unfamiliar concept that comes up as you work through this book, as machine learning knowledge tends to tie together synergistically; the more you have, the more readily you'll understand new concepts as you expand your toolkit.

比如以下就是第八章Ensemble Methods最后Further reading部分中作者给出的额外阅读材料：

。 但是至于其他部分的话，作者介绍的PCA，SOM，RBM等在其他资料中也可以看到，大同小异。可看可不看。全书390页。

1、深入浅出数据系列书籍

深入浅出数据分析

入门级别，比较简单，但基本的内容涉及全面，讲解的比较清晰，最后谈到了R语言。以下两本是同一系列。

深入浅出统计学

深入浅出SQL

2、资料之美：优雅资料解决方案的幕后秘籍

知识普及性的书籍，集结了39位数据处理领域的翘楚，现身说法，分享他们如何开发各种简约而优雅的解决方案克服各种挑战，每章都解决一个具体问题，对理解数据分析的应用领域和具体做法很有帮助。

3、R 语言实战

全面而细致的R指南，高度概括了该软件和它的强大功能，展示了使用的统计示例，且对于难以用传统方法处理的凌乱、不完整和非正态的数据给出了优雅的处理方法。

4、数据之魅-基于开源工具的数据分析

包含大量的模拟过程及结果展示，并通过实例来阐述如何使用开源工具来进行数据分析。通过本书的阅读，读者可以清楚地了解这些方法的实际用法及用途。

5、数据挖掘技术:应用于市场营销、销售与客户关系管理

如何利用最新的数据挖掘方法和技术来解决常见的业务问题。

比如提高营销活动的响应率，识别新的客户群并估算信用风险。此外，它涵盖更多高级主题，如准备分析数据以及为公司数据挖掘创建必要的基础架构。

6、Python数据科学手册

每章介绍一到两个Python数据科学中的重点工具包。适合有编程背景，并打算将开源Python工具用作分析、操作、可视化以及学习数据的数据科学研究人员。对于需要处理大量数据的人而言，这是一本非常有价值的工作书，可以有效率地处理每天面对的问题，像是操作、转换，以及清理数据、可视化不同形式的数据，建立统计学或机器学习的模型等等。

7、用数据讲故事

通过大量案例研究介绍数据可视化的基础知识，以及如何利用数据创造出吸引人的、信息量大的、有说服力的故事，进而达到有效沟通的目的。如何充分理解上下文，如何选择合适的图表，如何消除杂乱，如何聚焦受众的视线，如何像设计师一样思考，以及如何用数据讲故事。

8、利用Python进行数据分析

提供了大量的实践案例研究，展示如何使用Python库（如NumPy，pandas，matplotlib, IPython等）有效解决一系列数据分析问题。

9、机器学习实战

用简单的语言把复杂难懂的机器学习算法解释清楚了，它将机器学习的基础理论与日常数据分析的实际工具相结合。使用灵活的Python编程语言来构建实现数据分类、预测、建议以及汇总和简化等更高级功能的算法的程序。

10、机器学习系统设计

比较简单，使用Python进行机器学习并开始构建自己的机器学习项目。本书适用于机器学习初学者的Python程序员，但希望学习机器学习。

最后，花时间将这些中外文书籍吃透，数据分析理论部分就基本入门了，实践方面就需要根据企业业务需求来进行系统的练习和学习！

来源：CPDA 数据分析师

1. 《数据之美：一本书学会数据可视化设计》

这是一本教大家如何制作一张精美的可视化图表、挖掘大数据背后意义、足够系统的数据可视化入门书。书中，作者提供了丰富的可视化信息及探索数据的多元视角，他避开了一些技术性细节，从宏观和感性的角度介绍如何将数据转变为直观可视的图形，并且深入浅出地介绍了数据可视化的步骤和思想，丰富了读者对数据及可视化的认知。

2. 《数据之魅：基于开源工具的数据分析》

作者在书中详细分享了他从事数据分享工作的丰富经验，阐述了数据分析所涉及的概念和方法。包括如何用图形及表格来观察数据、如何建模分析数据等。书中的主题部分介绍了该如何进行数据挖掘，并包含了大量的模拟过程及结果分析。

3. 《社交网站的数据挖掘与分析》

目前，各类社交网站已经渗入大家日常生活中的各个角落，它们无时无刻不在产生着大量宝贵的社交数据，而这本书中便告诉了大家如何利用这些社交网络数据并通过可视化技术来挖掘出数据背后更深层次的价值。

书中分章节系统地介绍了如何在不同社交网络中应用数据挖掘技术。需要特别指出的是，阅读并学习这本书需要一定的编程知识及学习基本 Python 工具的意愿。

4.《数据挖掘技术》

这本书是数据挖掘领域的经典著作之一，自 1997 年第一版出版以来便经久不衰。书中从技术、应用两个方面系统、全面地介绍了数据挖掘的商业环境、及其在商业环境中的应用。本书的包含了数据挖掘技术的核心内容，包括：

决策树、神经网络、协同过滤、关联规则、链接分析、聚类和生存分析等，极具技术深度与广度。

5.《大数据时代》

《大数据时代》一书在大数据研究领域具有举足轻重的地位，作者维克托 迈尔 舍恩伯格认为大数据的核心就是预测，并前瞻性地指出，大数据带来的信息风暴正在颠覆我们的生活、工作和思维，大数据开启了一次重大的时代转型。

全书用三个部分讲述了大数据时代的思维、商业、管理变革。

6. 《集体智慧编程》

此书是 Web 开发者、构架师、应用工程师的绝好读物。书中以机器学习和计算机统计为背景，着重讲述如何挖掘和分析 Web 上的数据和资源。包括协作过滤技术、集群数据分析、所搜引擎核心技术、社交网络的信息匹配技术。

读书最好的时候是学生时期，其次是现在。有不少人求小编给推荐数据分析入门或者自我成长的书籍，今天刚好有空闲，小编就从入门级到高级的书籍循序渐进推荐给大家，大家根据自己的水平挑选，如果有更好的书，欢迎大家留言给小编！

以下为入门级书籍

适合对数据分析的入门者，对数据分析没有整体概念的人，常见于应届毕业生，经验尚浅的转行者。

Excel

《谁说菜鸟不会数据分析》

知名度比较高的一套书，适合新手，优点是它和数据分析结合，而不是单纯地学习函数。学会函数适用的场景和过程比它本身更重要。

这本书不仅讲解了一些常见的分析技巧，并附带 Excel 的一些知识以及数据分析在公司中所处的位置，对职场了解亦有一定帮助。这本是入门篇，还有一本是专门介绍工具篇的，有兴趣的同学可以看看。

数据分析

《深入浅出数据分析》

HeadFirst 类的书籍，一向浅显易懂形象生动，可以对分析概念有个全面的认知。

数据可视化

数据可视化的书不多。市面上多以编程为主，面向新手和设计的教程寥寥无几。 如果只是了解图表，看 Excel 的书籍也管用。

《鲜活的数据》

内容很丰富，涉及可视化的方方面面，也囊括更类编程语言和设计软件：Python+JS+R+Excel。作者还有另外一本书《数据之美》。

可视化是一门侧重灵感的学科，有一种入门技巧是从他人设计中学习，从模仿开始，了解他人是如何设计的，这个网络上有大量的信息图可以参考。当然数据分析师更需要的是如何发现，别只学习展示。

《赤裸裸的统计学》

本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。

进阶版

具有一定的行业针对性，要求具备一定的分析常识，适合网站分析师，商业分析师以及数据产品经理。

《数据化管理：洞悉零售及电子商务运营》

本书讲述了两个年轻人在大公司销售、商品、电商、数据等部门工作的故事，通过大量案例深入浅出地讲解了数据意识和零售思维。作者将各种数据分析方法融入到具体的业务场景中，最终形成数据化管理模型，从而帮助企业提高运营管理能力。书内全部案例均基于 Excel，每个人都能快速上手应用并落地。

统计学

统计学是比较大的范围，分析师往后还需要学线性代数和矩阵、关系代数等。初学者不需要掌握所有公式定理的数学推导，懂得如何应用就行用。

《深入浅出统计学》

大概是最啰嗦的深入浅出系列，从卖橡皮鸭到赌博机的案例，囊括了常用的统计分析如假设检验、概率分布、描述统计、贝叶斯等。书本注重应用和趣味性，数学推理一般。

SQL

数据库有很多种，常见有 Oracle，MySQL，SQL Server 等。我推荐学习 MySQL，这是互联网公司的主流数据库。以后学习 Hadoop 生态时，MySQL 也是最接近 Hive 语法的语言。

MySQL 不需要专门看书学习，因为数据分析师以查询为主，不需要考虑数据性能、数据安全和架构的问题。

《MySQL 必知必会》

学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品 / 运营 / 分析师 同学，都建议点亮 这个技能点。

《网站分析实战》

互联网不再是网站的天下，但是移动端依旧有 Web，我们在朋友圈看到的所有 H5 活动、第三方内容等，都是依托网页实现。网站的数据分析依旧有存在空间，网站的数据指标还是能够指导我们运营。

Python/R

欢迎来到数据分析的最后殿堂，Python 和 R 都是大分支，基本是前面所有内容的实现。Python 的学习以 PY3 为前提，毕竟 2017 年了，我实在想不出不用 Python3 的理由。

除了书籍，Python/R 更多依靠博客和文档学习。Python 的学习路径不陡峭，新手水平取决于查询能力，所以也请学会如何高效搜索。

《深入浅出 Python》

还是深入浅出系列，完全适合零基础的新人。需要注意的是，编程学习不同于其他知识，如果计算机基础不稳固，在使用中会遇到各类问题。知其然不知其所以然，这是本书缺点：能掌握，但是 Bug 比较多。

《Python 学习手册》

对于拥有编程基础的人，这本书系无巨细的有些啰嗦，不过对新人，可以避免不必要的坑。把它当作一本工具文档吧，当遇到不理解的内容随时翻阅。这是纸质书比电子书好的优势之一。

《Python Cookbook》

Python 的进阶书，如果想要掌握更好的编程能力，这是一本经典，值得时时翻阅。注意，它更偏向程序员。

《R 语言实战》

R 语言的入门书籍，从数据读取到各类统计函数的使用。虽然没有涉及机器学习，依靠这本书入门 R 是绰绰有余了。

《统计学：从数据到结论》

这本书是将 R 语言和统计学结合的教材，可以利用这本书再复习一遍统计知识。缺点是书本后面的内容质量不如前部分。

到这里，入门到进阶级别的书籍推荐完毕，当然好书不嫌多，例如《数学之美》、《集体智慧编程》、《统计学习方法》等，有兴趣不妨阅读。上面的内容都吃透，不论是成为一名数据分析师，还是往后向机器学习、数据科学家、数据产品发展、都有了良好的基础。

希望小伙伴们都能沉下心阅读。