原作者： 黄进然 文章自：土拨鼠的菜地园

开源篇

一、Superset

1、技术架构：Python + Flask + React + Redux + SQLAlchemy

2、使用人群：

（1）开发/分析人员做好看板，业务人员浏览看板数据

（2）业务人员可自行编辑图表，查看满足条件的结果，但使用上对业务人员不是很友好

3、安装部署：

（1）docker方式的安装部署最简单

4、数据源：支持各种数据源，包括Hive、Kylin等

5、创建步骤：连接数据源-->定义数据表/SQL查询-->图表-->看板

6、可视化：

（1）支持的图表类型多，达47种

（2）图表可视化选项少，例如，数据格式选项偏少，如需添加，需要修改配置文件

（3）可在看板中添加筛选框，支持在不同条件下查看

（4）不支持图表和看板分组管理

（5）没有提供图表的下钻功能，不支持多图表间的复杂联动

（6）不支持跨库的表关联查询

7、支持文档：

（1）安装部署和快速入门方面的文档详细

（2）但具体功能和图表制作方面的介绍文档几乎没有，需要自己摸索尝试

8、邮件通知：不支持

9、权限管理：

（1）报表权限设置复杂、繁琐、不好用

（2）可实现对菜单、数据源、数据表、字段、图表、看板等权限控制

10、二次开发：

（1）支持 RESTful API

（2）原属Airbnb的开源项目，有大公司团队维护，版本更新、Bug修复、二次开发有较大保障。

11、源代码：代码质量较差

12、Github星数：22132

二、Redash

1、技术架构：Python + Flask + AngularJS + SQLAlchemy

2、使用人群：由于是对SQL查询结果进行可视化，需要开发/分析人员做好看板，业务人员浏览看板数据。

3、安装部署：

（1）安装部署相对较麻烦

（2）参考文档：

4、数据源：支持数据源比superset少，不支持Kylin

5、创建步骤：连接数据源-->SQL查询-->图表-->看板

6、可视化：

（1）支持的图表类型不如Superset多，仅12种

（2）图表可视化选项多

（3）不支持在看板种添加筛选框

（4）不支持图表和看板分组管理

（5）没有提供图表的下钻功能，不支持多图表间的复杂联动

（6）不支持跨库的表关联查询

7、支持文档：

（1）提供快速入门教程

（2）每一个功能模块都有文档且条理清晰

8、邮件通知：支持定时发送邮件

9、权限管理：权限设置简单，仅控制用户组对数据源的权限（只有两个权限：Full access或View only）

10、二次开发：

（1）提供完整的 RESTful API 接口

11、源代码：代码质量比Superset要好，但比Metabase差一点

12、Github星数：10891

三、Metabase

1、技术架构：Clojure + React + Redux

2、使用人群：界面漂亮、友好，使用体验好，适合业务人员使用

3、安装部署：

（1）windows下安装部署非常简单

4、数据源：支持数据源少（12种），不支持Hive、Kylin

5、创建步骤：连接数据源-->图表-->看板-->定时任务

6、可视化：

（1）支持的图表类型不如superset多，仅14种

（2）图表可视化选项多，例如，提供数据格式多，设置灵活

（3）可在看板中添加筛选框，支持在不同条件下查看

（4）通过创建集合，支持图表、看板、定时任务分组管理

（5）提供图表的简单钻取功能，不支持图表间的复杂联动

（6）不支持跨库的表关联查询

7、支持文档：

（1）安装部署、快速入门、具体功能、API等方面的文档详细

8、邮件通知：支持定时发送邮件

9、权限管理：

（1）权限设置单一，只有访问权限

（2）仅实现对数据源、数据表、图表、集合等权限控制

10、二次开发：提供完整的API文档，即使完全不会 Clojure，依然可以凭借丰富的 API 与文档完成许多二次开发。

11、源代码：代码质量最好，结构清晰，整洁度高

12、Github星数：12368

最后，几个开源BI工具的详细对比

最后，除了以上的开源BI产品（大规模推广应用还是有难度的），可以试试个人版免费的FineBI，学习文档，产品稳定性，易用性相对开源都比较成熟。

FineBI

1、技术架构：纯java开发，后台业务层spring mvc + Hibernate，前台框架fineui，底层架构引擎不明，只知道有大数据引擎。

2、使用人群：

（1）开发/数据人员准备好数据，数据人员/业务人员分析。

（2）业务人员完全可自行分析、制作可视化。整个数据分析流程分工明确。

3、安装部署：

（1）直接官网下载电脑适配的版本安装激活即可

4、数据源：支持各种数据源，支持Apache Kylin、Derby、HP Vertica、IBM DB2、Informix、Sql Server、MySQL、Oracle、Pivotal Greenplum Database、Postgresql、ADS、Amazon Redshift、Apache Impala、Apache Phoenix、Gbase 8A、Gbase8S、Gbase 8T、Hadoop Hive、Kingbase、Presto、SAP HANA、SAP Sybase、Spark、Transwarp Inceptor、Hbase等主流的一些关系型数据库及非关系数据库MongoDB等

5、创建步骤：连接数据源-->建立数据业务包-->建立分析数据表-->图表分析-->看板

6、可视化：

（1）支持的图表类型多，达47种

（2）图表可视化选项少，例如，数据格式选项偏少，如需添加，需要修改配置文件

（3）可在看板中添加筛选框，支持在不同条件下查看

（4）不支持图表和看板分组管理

（5）没有提供图表的下钻功能，不支持多图表间的复杂联动

（6）不支持跨库的表关联查询

7、支持文档：

（1）安装部署和快速入门方面的文档详细，还有教学视频

（2）但具体功能和图表制作方面的介绍文档几乎没有，需要自己摸索尝试

8、邮件通知：支持

9、权限管理：

（1）有一套完整的数据、业务包、报表、人员部门权限管理，有流程节点。

（2）可实现数据源、数据表、字段、图表、看板等权限控制

10、二次开发：

（1）不支持java层面的开发

（2）只有web接口

（3）能与.NET集成、JBPM工作流集成、CAS单点登录

11、源代码：不公开，人家商业产品，有整个团队在运营。

12、个人用户使用免费，商业部署有两个并发限制，多了就要钱了，不过相比sap这种也不贵。

工具地址

私心回复“bi工具”获得。

由于一些限制，这里没法贴上安装部署的教程文档，我也将一并回复，整理成资料包。

以上都是精心推荐的BI工具，大家勤学勤用，期待你们的反馈。

最后，整理不容易，求转发点赞啦(●ˇˇ●)

如今，企业越来越重视数据分析给业务决策带来的有效应用，而可视化是数据分析结果呈现的重要步骤。而可视化技术/工具在国内国外也发展的相当成熟，很多都已经做成应用（比如可视化图表库，BI工具等等），并投入商用。

如何利用大数据可视化，如何做好大数据可视化，今天就给大家介绍一些实用的工具，有图表库、有BI ......

国外产品系列

1、ChartBlocks

ChartBlocks是一款网页版的可视化图表生成工具，在线使用。通过导入电子表格或者数据库来构建可视化图表。整个过程可以在图表的向导指示下完成。它的图表在HTML5的框架下，使用强大的JavaScript库D3.js来创建图表。图表是响应式的，可以和任何的屏幕尺寸及设备兼容。 还可以将图表嵌入任何网页中。

2、D3.js

D3是个图表库，对于前端工程师来说，D3.js 称得上是最好的数据可视化工具库。

D3厉害的地方在于它建立了一整套数据到SVG属性的计算框架，常用Data visualization模型，大多都可以再d3.layout里面找到。D3.js运行在JavaScript上，并使用HTML，CSS和SVG。

D3.js是开源工具，使用数据驱动的方式创建漂亮的网页，D3.js可实现实时交互，这个库非常强大和前沿。

3、Tableau

Tableau公司将数据运算与美观的图表完美地嫁接在一起。它的程序很容易上手，各公司可以用它将大量数据拖放到数字"画布"上，转眼间就能创建好各种图表。这一软件的理念是，界面上的数据越容易操控，公司对自己在所在业务领域里的所作所为到底是正确还是错误，就能了解得越透彻。其两种不同的变体是基于云计算的Tableau Online和Tableau Server。

它们都是为与大数据有关的组织设计的。企业使用这个工具非常方便，而且提供了闪电般的速度。还有一件事对这个工具是肯定的，Tableau具有用户友好的特性，并与拖放功能兼容。但是在大数据方面的性能有所缺陷，每次都是实时查询数据，如果数据量大，会卡顿。

国内做数据可视化产品/工具的公司

国内有独立成一行业的公司，围绕可视化做一些应用产品/系统的公司，比如：

帆软——报表软件finereport、商业智能finebi、大屏可视化阿里——蚂蚁金服可视化控件AntV、数据可视化大屏DataV数字冰雹——大屏可视化百度——开源图表控件Echarts网易——数据分析平台（BI）网易有数

除此之外，还有很多互联网公司会开发自己的数据可视化产品、BI平台，引用国内外开源，对内形成解决方案，但是不对外。软件集成商也对针对客户需求，做专门的方案，自己开发或者集成别人的应用。

1、FineBI

FineBI是一款商业智能BI工具，做数据分析和可视化数据展现，以分析为主，提供多种数据接入方式，可视化功能强大，平台更适合掌握分析方法了解分析的思路的用户，其他用户的使用则依赖于分析师的结果输出。FineBI也是找了很久感觉很不错的一款数据可视化工具。其中还有很多对数据处理的公式和方法，图表也比较全面。相对于百度的echarts，FineBI还是一款比较容易入手的数据分析工具。最后，FineBI提供了免费的版本，功能齐全，更加适合个人对数据分析的学习和使用。

2、EchartChart

echarts的优点：

国产货有语言优势或区域优势。毕竟是中国制造，自己家做出来的，亲和力高，比较适用于我们的思维，对于城市的地理坐标、城市代码等都已经配置好了，需要的时候，直接调用，很方便。免费，各类图，各种形式，K线图完全免费开源。能减少制作成本，也方便使用，（不用担心以后会有什么）当客户选择的时候，我们可以有更多的方案为他们准备。对于处理大量的数据和3D绘图：基于canvas绘图，所以3D绘图方面占据绝对的优势。（可以结合百度地图的使用，而且方便快捷。）一个纯Javascript的图表库：可以流畅的运行在PC和移动设备上，兼容当前绝大部分浏览器（IE6/7/8/9/10/11，chrome，firefox，Safari等），底层依赖轻量级的Canvas类库ZRender，提供直观，生动，可交互。（使用了几个浏览器，均没发现什么问题。）支持和弦图、力导布局图、拖拽重计算、数据视图、值域漫游、大规模散点。支持动态类型切换（十分方便，以内置代码，轻轻动动手指就可）

3、支付宝AntV

AntV 是蚂蚁金服的数据可视化解决方案，主要包含「数据驱动的高交互可视化图形语法」G2、专注解决流程与关系分析的图表库 G6、适于对性能、体积、扩展性要求严苛场景下使用的移动端图表库 F2 以及一套完整的图表使用指引和可视化设计规范。已为阿里集团内外2000+个业务系统提供数据可视化能力，其中不乏日均千万 UV 级的产品

今日时尚推荐：

大数据，精分析——理性的数据分析，感性的流行推荐。了解全球潮流动向、全面深入解析市场变化，重点观测中国潮流趋势动态。

《Mostrend》2018春夏女装企划。女装企划系列包含：寻找五维空间、Femleisure、主观幻觉、重拾繁荣4大主题内容，多种热门风格，针对不同的品牌定位，做精准企划指导。内容款式丰富分别有：主题诠释、工艺细节、原创图案、面料运用。

男童企划系列包含：喧嚣蜕变、玩味街头、印记.痕、真.童稚4大主题内容，多种热门风格，针对不同的品牌定位，做精准企划指导。内容款式丰富分别有：主题诠释、工艺细节、原创图案、面料运用。

欢迎广大读者参与评论。

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。

近十年来，我听说优秀的定量分析师可以“讲述一个有数据的故事。”叙述与视觉分析一起 - 将分析结果传达给非分析人员的重要方式。很少有人会质疑这些故事的价值，但只要知道它们的工作对任何想要掌握分析性叙事艺术的人都没有多大帮助。我们需要的是一个框架，用于理解数据和分析可以分辨的各种故事。如果你不知道你想讲什么样的故事，你可能不会说一个好故事。

几年前，这领先的分析实践者，曾担任Expedia的网络分析主管，现任一家电子商务高级副总裁。我们同时意识到有几种不同类型的分析故事，并且创建它们的类型可能是有用的。我后来创建了我认为是我书中第一个分析性故事的类型与Quants保持一致，自去年出版以来，我进一步完善了类型学。实际上，有四个关键维度决定了您可以通过数据和分析来讲述的故事类型：

时间：分析故事可以是过去，现在或未来。最常见的分析故事类型是过去 - 它是一个报告故事，使用描述性分析来分辨上周，月，季度或年份发生的事情。顺便说一句，大多数可视化分析故事也属于这种类型。它们不是最有价值的故事形式，但无可否认地知道发生了什么。

关于现在的故事最有可能涉及某种形式的调查 - 分析人们或物体目前的情况。它实际上可能涉及调查研究 - 询问人们对某事的看法。在某些情况下，调查分析涉及哪些因素驱动他人的统计模型。我们可以称之为解释性调查故事。一般来说，调查故事有很多微小的变化。在这本书中，我们讨论了社会科学调查，有线电视观众的调查以及第二次世界大战中轰炸机的调查。

关于未来的故事是预测;他们当然使用预测分析。他们从过去获取数据（很难从未来获取数据！）来创建统计模型，然后用于预测未来。 他一直在创建预测故事 - 关于客户可能购买的内容，关于事件发生的可能性，以及未来的经济状况。这些类型的预测故事总是涉及假设（特别是未来将在某些关键方面与过去一样）和概率。好消息是我们可以指定故事成真的可能性;这对童话故事不是很好吗？

重点：您是在尝试讲述故事，故事原因或如何解决问题故事吗？ （我很感谢几位宝洁公司的高管指出这一点）。什么故事就像报道故事 - 他们只是告诉发生了什么。为什么故事会影响导致结果的潜在因素。如何解决问题故事探索各种方法，以改善在什么和为什么故事中确定的情况。一个真正完整的故事可能包含所有这些焦点元素。宝洁公司在迅速就这个故事达成一致意见方面取得了相当大的进展，然后在主题的原因和方式上花费了更多的时间和精力。这样做的关键是让所有参与讲述故事的人都使用相同的数据。

深度：分析故事还有一个深度维度。当我与他们讨论时，他说他们的许多故事都是“CSI”项目 - 相对较小的临时调查，以找出为什么发生了一些不理想的事情。他最喜欢的一个例子是发现为什么一些客户在进入邮政编码输入表格时放弃了在线交易。原来，一些乡村地区没有邮政编码。就像CSI故事在短时间内解决一样。

另一种我称之为“尤里卡”的故事，涉及长期，分析驱动的搜索，以解决复杂问题。当你解决它时，你想大声喊叫，“尤里卡！”我在书中的主要例子是在找到向潜在买家推荐和定价潜在买家的正确方法。该项目是公司商业模式的核心，值得长篇大论;经过一些错误的启动和使用几种不同的分析方法后，他们做对了。这些类型的故事通常很长，很重要且成本很高，因此如果您计划达到目的，那么获得利益相关者的支持至关重要。

方法：最后，基于所使用的分析方法，有不同类型的故事。例如，您是否试图说出一个相关性故事 - 变量之间的关系同时上升或下降 - 或者是因果关系故事，您会认为一个变量导致了另一个变量？在大多数情况下，进行某种对照实验确实是建立因果关系的唯一方法。人们 - 特别是那些媒体人 - 一直在讲故事，因为他们将因果关系与相关性混为一谈。

这十种故事并不相互排斥。当然还有其他基于方法的故事，也可能是其他重要的维度。但是要知道至少有十种方法来讲述分析性故事比仅知道你应该告诉一个故事要有用得多。分析性叙事的其他重要方面也是如此，例如向商人讲述的故事通常应从结果和推荐结果开始。您可以为报告或演示文稿的脚注分析保存详细信息。 R2，系数，逻辑和异方差等术语根本不应出现在你的公共故事中！

中国国际教育网讯：留学正在变得越来越常态化，平民化，更多的学生走出国门又回到祖国，成为了新一代的海归，为国家为社会做着贡献。当下的留学形势是什么样的？下面为大家带来一些数据上的分析，给将要留学或者正在留学的学生及家长一些参考的方向！

1、计划留学的学习阶段

根据数据，目前计划出国留学人群，正在就读本科阶段的人群达61%，就读本科及本科以上的人群达75%，可见大学生群体仍是目前中国留学生的主要群体。

从上图也可以看出，计划就读硕士的人群在各个地区都是最高的。尤其是英国：相比于中国本科以及硕士的常规4+3年的学制，英国本硕3+1年的学制确实能给学生节省大量的时间。从数据中看，英国的硕士凭借较低的时间成本有着很强的优势，非常受青睐。

2、留学学生来自哪些学校？

数据上看，大学生多数来自国内公立高校，两年的数据都趋于一致。对比2015和2016的数据，计划留学的学生中，中学生仍以就读公立学校普通班为主，然而来自国际学校的学生占比有所增加，国际学校未来在中国的发展情况也值得关注。

3、留学决策人

数据上看，“全家共同决策”以及“学生本人决策”所占比例最高。同时，随着年龄的增长，学生决策所占比例也随之增加。

4、留学意向地区

美国作为世界头号强国，留学意向第一的位置依然不可动摇，46%的中国学生更倾向选择美国；31%的学生选择英国；20%选择澳大利亚；18%选择加拿大。

但是显然相比于2015年，选择美国的人数有所下降，而选择英国的人数却没有明显的变化；新加坡，日本则得到了更多的关注。

有趣的是：男生更倾向于选择美国，女生则更倾向于选择英国，澳洲。

5、留学地区考虑因素

教育水平、国家文化、国家综合实力依然是最主要的考虑因素。然而教育水平以及国家综合实力的所占比例有所下降，而国家文化这样比较感性的因素比例则有所上升。

6、专业选择意向

可能和大家预料的差不多，从数据上看，商科类专业遥遥领先，高达27%的学生意向是商科专业。接下来的工科、文科、理科则相差不多。艺术医学类也占有一席之地。

再来看看英国硕士留学的专业选择：

可以明显看出，英国研究生的商科类以及金融类专业所占比例，超过了所有其他专业的总和，合计高达54%。这除了符合上述留学选择专业意向的大势外，也由于英国各大院校对于商科以及金融的极高的教育质量以及学术研究能力。

而和想象中略有不同的是，在英国研究生中工科生的比例很低，即使包括电子以及建筑在内，泛工科生所占比例也不过14%而已。而传媒，教育，艺术设计等泛人文艺术类专业，在英国也都占有一席之地。

7、就业形势

出国留学人数不断攀升的同时，归国就业或创业的人数也在不断增加。截至2015年底，累计归国人数达到221.86万人，占出国留学群体的70%-80%。归国人数从1978年的248人，增加到2015年的40.91万人，年均增长率22.46%，留学归国人员已经成为我国人才市场备受关注的群体。

而在选择就业中，就业于一线城市是主流。从下图可以看出，归国后选择在“北上广深”就业的总人数占到了50.4%。而剩下的准一线或者发达的二线城市例如成都、南京、苏州、西安等地，也占到了20%左右。

这种就业情况，除了与一线城市有更多就业机会与发展前景密切相关外，一线城市有更多的休闲娱乐方式，更现代化的生活方式也有很大的关联。

由于长期在国外学习生活，归国海归们往往对于生活娱乐方式有着自己的理解和态度，而一线城市更加开放，因此在这方面对海归们有着比较大的吸引力。

就业行业的分布也与时代大势相一致。比如，金融行业是海归就业中占比重最大的，遥遥领先于别的专业领域，高达14.3%。 而接下去的排名也都是符合时代发展的热门，例如房地产，互联网， 信息技术，传媒娱乐等等。

另外，在留学花费与就业收益的调查中，50%的海归选择了划算。同时，65%的海归认为可在5年内收回留学的经济成本，其中选择3-5年内的人数最多，占35.9%。而有24.1%的海归认为需要5-10年才能收回留学的经济成本。

8、应届生职场适应能力

数据显示，40.3%的海归在一个月内找到工作，36.8%在一到三个月内找到工作。总体来讲，超过90%的海归可以在半年内找到工作。但是值得注意的是，在2013年，一个季度内找到工作的海归的占比在65.3%，因此就业整体形势压力还是上浮的。

其次，海归对工作的满意度整体不容乐观，虽然有36.4%选择满意，但有46.4%的新一代海归对目前的工作不满意，选择非常满意的仅有1.2%。

这样的情况，最大的原因可能是所学专业与就业方向并不对口，因为只有不到60%的学生是就业与所学一致的。另外，也与上文所提到的生活方式，生活环境，个人理念有很大关系。

在海归认为留学对自己的提升这一问题中，“人际沟通能力”和“扩大人脉网络”的得分相对较低。这些说明了许多海归在适应职场人际关系中，可能潜在的问题。

推荐一些简单的，日常工作能实际应用，或者个人学习数据分析、可视化有必要的工具。

希望大家能真的用起来！

推荐顺序：

能中文版的，尽量不推荐没汉化的，密密麻麻我也头疼；

能“傻瓜式”使用的，尽量不写代码，怕把你们吓跑；

能免费的尽量不付费，破解咱不提倡哈。

本文章提要：

纯可视化图表生成（3个）可视化报表类（1个）商业智能分析（3个）数据地图类（2个）可视化大屏类（3个）数据挖掘编程语言（2个）

纯可视化图表生成类——适合开发，工程师

Echart

一个纯Javascript的数据可视化库，百度的产品，常应用于软件产品开发或网页的统计图表模块。可在Web端高度定制可视化图表，图表种类多，动态可视化效，各类图表各类形式都完全开源免费。能处理大数据量和3D绘图也不逊色，据说结合百度地图的使用很出色。

Echart还是多用于一些开发场景的，但它也衍生了一个0代码的图表生成器—“百度图说”，我体验了下，操作基本上就是选择图标，把数据复制过去，然后生成图表，保存为图或者代码嵌入。

AntV

AntV又是蚂蚁金服出品（阿里系）的一套数据可视化语法，貌似是国内第一个采用The grammar Of Graphics这套理论的可视化库。antv带有一系列的数据处理API，简单数据的数据归类，分析的能力，被很多大公司用作自己BI平台的底层工具。

Highcharts

说道Echarts，都会拿来与Hicharts对比，两者有点像WPS和OFFICE的关系，倒不是说Echarts怎样，日常图表动效Echarts完全够了。

Highcharts同样是可视化库，只不过是国外的，商用的话需要付费。其优势是文档详细, 实例也很很详细，文档中依赖哪些js脚本，css都十分详细，学习和开发都比较省时省力，相应的产品稳定性较强。

可视化报表类——适合报表开发、BI工程师

FineReport

一个报表软件，企业级的应用。用于系统的开发业务报表，数据分析报表。也可集成在OA，ERP，CRM等应用系统内，做数据报表模块，也可以开发成财务分析系统，就看你如何驾驭数据了。

两大核心功能是填报和数据展示，但我觉得比较惊艳的一点是，它内置了大量的图表和可视化动效，可视化很丰富，完全没有印象中做报表那种古板的风格。多以它能做出格式各样的dashboard、甚至是可视化大屏，一点不虚。

我之前工作有段时间拿finereport，感触最深的是开发报表很省力，10张门店报表以往做10张excel的，在他里面就是一个参数查询，然后批量导出，用一个模板。

所以有号称：

工作用小屏，决策用大屏。办公用微软，经营用帆软。

商业智能分析——适合BI工程师、数据分析师

Tableau

几乎是数据分析师人人会提的工具，内置常用的分析图表，和一些数据分析模型，可以快速的探索式数据分析，制作数据分析报告。

因为是商业智能，解决的问题更偏向商业分析，用 Tableau可以快速地做出动态交互图，并且图表和配色也非常拿得出手。

FineBI

自助是BI工具，也是一款成熟的数据分析产品。内置丰富图表，不需要代码调用，可直接拖拽生成。可用于业务数据的快速分析，制作dashboard，也可构建可视化大屏。

有别于Tableau的是，它更倾向于企业应用，从内置的ETL功能以及数据处理方式上看出，侧重业务数据的快速分析以及可视化展现。可与大数据平台，各类多维数据库结合，所以在企业级BI应用上广泛，个人使用免费。

PowerBI

软继Excel之后推出的BI产品，可以和Excel无缝连接使用，创建个性化的数据看板。

数据地图类

很多工具都能实现数据地图，比如上面提到的Echarts、finereport、tableau等。

这里强烈安利的Power Map 2016，可以快速体验一把爽。

还有比较快速的，地图慧

内置的是百度地图，选择模板、上传数据、保存地图很简单的3步。

可视化大屏类

阿里DataV

天猫双十一大屏就用DataV做的，是阿里云的拖拽式可视化工具，主要用于业务数据与地理信息融合的大数据可视化，像一些展览中心，企业管控中心用。

不需要编程，通过简单的拖拽配置就能生成可视化大屏或者仪表盘。

FineReport

上面提过，这个工具它也能做可视化报表，也能做大屏。

因为后端通常连接业务系统数据，所以可以实时连接业务数据，做企业的一些经营数据展示。比如展览中心、BOSS驾驶舱，还有城市交通管控中心、交易大厅等。

数字冰雹

产品技术不了解，也只是有幸在一次活动上见过。

专注于做数据图像、三维处理、数据分析等相关业务，通过图像可视化方式呈现数据分析，在智慧城市、工业监控用的比较多。

就是商业的，不过官网上有很多大屏设计，可以提供灵感。

数据挖掘编程语言——适合技术性数据分析师、数据科学家

典型如R和Python

R-ggplot2

Python

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》

工作中我们常常会遇到各种各样的数据，为了分析这些数据，往往会将其可视化。

数据可视化的第一步就是选择合适的图表。

怎么做图表？从Excel时代起，大家固有的思维就是按：有几个“分类”，分几个“系列”去填充数据。选择能直观展现结果的图表来展现。这个过程其实是先有大致的数据分析结果，后用图表来表达，我们称之为可视化1.0。而且，对于这种传统图表的展示形式，数据分析统计的人员来说往往会存在这样一些问题：

a.可视化效果取决于工具所提供的有限的图表类型

工具提供的图表类型是有限的，而分析的需求是无限的。设想一旦分析的结果是多维的，手中的图表就那么几个，那数据可视化就很受局限。

b.理解 “分类”/ “系列”等一系列人为定义的属性，本身就有很大的使用难度

这个小编深有体会，每次用excel做图表，我都不懂何为分类，何为系列，各种抓瞎点击。虽然excel 2013版本之后能自动出图表，但维度一多，免不了各种调试。其实“分类”，“系列”等概念，对于初步接触分析的用户来说，还是要花点时间深入理解的。

c.不知道用什么图表，为了做图而做图

从大部分想要数据分析的用户调研来看，有59%的用户表明“采用什么图表分析展示数据，是用户面临的最大问题。”

所以，现如今数据分析盛行且极有可能在未来成为必备技能的时代，图表更应该辅助分析，在庞大、杂乱无序的数据中讲信息精简出来，伴随分析思路，帮助探索式分析，我们称之为可视化2.0时代。

市面上的可视化工具大多是1.0，能辅助分析思路，可视化展现图表的工具并不多，Tableau是先驱。而最新出来的FineBI 5.0版本，除了探索式数据分析的体验，带有数据挖掘属性，可动态展现的特性，也同样值得推荐。

FineBI V5.0的可视化分析是基于著名的图形语法(The Grammar Of Graphics)设计，由此提供了无限的图表推荐，不限制属性映射效果以及全新的分析功能。

它取消了图表类型的概念，以“形状“和对应的“颜色“，“大小“，“提示“，“标签“等属性（除支持自由设置之外还支持与字段绑定动态展现）进行图表类型替代，这样一来FineBI也就摆脱图表类型对可视化效果的限制，从而达到无限制图表类型的展现能力。

智能图表推荐展现

FineBI能够根据用户拖入的字段（维度类型/个数、指标个数、数据周期性）进行智能图表类型推荐，用最适合的形态进行当前的数据统计呈现。

举个简单的例子，你拿到一串数据，比方说讲“月份”“销量“两个维度拖到面板汇总，就会自动选择用柱形图来展现。

如上图所示，从此以后再也不用纠结用饼图做好还是用折线图做好了。

FineBI可视化效果：

分析性图表

图表是追随于数据分析思路的。

比如“分面展示”其实是提供了一种将多项指标并列分析的数据观察视角。比如我想同时观察温度和衬衫销售的数据趋势，这个时候就可以使用分面分析来进行数据统计观察。通过分面，可以分析不同指标的相关性，从而发现数据的潜在关联。

列举一个简单的例子，我们使用分面展示模式来观察不同学历对加班时长和收入的影响（非实际数据）：

不同年份的销量与增长值之间的关联（非实际数据）：

Dashboard——构建数据分析故事

通常我们在做一些数据报告性质的场景下，需要利用数据创造出吸引人的、信息量大的、有说服力的故事。而FineBI除了提供无限的图表分析之外，仪表板还可供用户进行灵活地数据图表布局分析，轻松构建出你的数据图表思维逻辑，让你拥有独到的洞察性数据见解，进而达到有效沟通或者数据汇报的目的。

地产销售可视化数据分析故事

——销售额逐年逐月上涨

——各市房地产销售额均较高

——高层卖的好，销售面积遥遥领先

——住宅的销售在各年份都处于领先地位

多角度销售可视化数据分析故事

——何时何地应该出售什么？儿童服装、女士服饰、男士服饰？

——哪种品类销量最好？

——哪个区域销量最好？

——哪个门店销量最好

——哪个品牌销量最好

——哪一天销量最好？

图表自适应

除了丰富的图表呈现心态之外，FineBI中提供四种图表内部的自适应模式，包括：

标准适应：内置算法，当横纵向数据较多时，图表内部自动生成对应方向的滚动轴。

整体适应：横纵向填充满当前展示组件.

宽度适应：横向填充满数据，纵向根据数据情况，判断是否出现内部滚动轴。

高度适应：纵向填充满数据，横向根据数据情况，判断是否出现内部滚动轴。

四种适应模式，满足用户dashboard设计时，不同的布局需求。同时，FineBI还支持用户手动调整坐标轴元素宽度，满足更多的自定义展示需求。

动态图表呈现

除了静态的图表展现之外，FineBI还支持用户增加图表注释以及闪烁动画，可由用户自由定义条件进行动态展示，打破了传统图表静态呆板的呈现形式，让用户体验更加生动的数据图表展现效果。

大数据图表性能

此外，FineBI提供的图表大数据模式，依靠前端性能，可支撑百万以上数据量的图表展示。

数据分析人员的新利器——数据挖掘

FineBI这个数据分析工具，目前支持时间序列算法、聚类算法、分类算法等三类数据挖掘方法，还支持和R语言的集成。

如果你想预测未来的销售额，你想智能的给用户群分类，或者你想知道短信发给哪个用户获得的反馈可能性比较大，这些在FineBI中都将会成为现实。

此外，FineBI还将时间序列算法和聚类算法，和图表分析相结合，也就是大家不止可以实现预测和聚类，更进一步，只需要简单的拖拖拽着就可以立即看到预测和聚类的结果，让数据挖掘不止于能用，更要易用。

最后

由于篇幅限制，本文所讲的图表只是FineBI工具的冰山一角。其本质既是一个数据分析可视化工具，又是可以协助企业数据分析的工具。感兴趣的同学们可以到FineBI官网激活试用（个人免费），可以戳下↓↓↓了解！希望这款BI工具能够帮助大家提高日常工作中的数据分析效率。

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。