在当下大数据分析与人工智能火热发展的的浪潮下，数据分析师或大数据分析师已然成为当前炙手可热的热门就业职位之一，就业待遇和发展前景也是被好多人看好，于是乎想进入数据分析行列的人群也日益增加，很多女生也会蠢蠢欲动，想转行或立志从事数据分析领域的工作，但顾虑也由此产生——女生适合做数据分析吗？数据分析师是否是青春饭？如果真的是青春饭，那过几年岂不是要“长江后浪推前浪，前浪死在沙滩上”，加上青春年少不再，谈恋爱、想结婚的个人资本也会消耗殆尽，到时可真的是事业生活两头空啊！！

现在不管什么行业都需要数据做支持，数据正在变得越来越常见，小到我们每个人的社交网络、消费信息、运动轨迹，大到企业的销售、运营数据，产品的生产数据，再看看我们每天在做的事情，上知乎、上微博、逛淘宝，上Google，所有的一切都是需要做数据分析。下面CDA数据分析研究院深度剖析了女数据分析师的职业发展前景，希望对你的职业选择有所帮助。

随着数据分析技术的不断发展，数据分析这个行业也有很多的细分领域，比如技术岗位，可以朝技术方面深入，做数据运维、大数据架构和商业智能方面的工程师。也可以做业务岗位，朝管理和战略决策方面发展，做数据运营、数据产品和职业经理人。

无论什么工作兴趣最重要，不论男生还是女生，要做数据分析师最基本的就是不讨厌数字，如果你在计算KPI指标是通过怎样运算得到的会觉得不耐烦，那么显然是不适合做数据分析的；如果对数据较敏感，能够一眼发现异常值，数据分布情况，当然是最好的。

逻辑思维对数据分析工作也是尤其重要，不然会纠结在各种指标的定义规则和与业务的联系，逻辑思维好的人写SQL等数据处理脚本也会更加高效。

做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。女生与生俱来的细心和耐心，会让女数据分析师在商业敏感度上会比男生强，所以女生在数据分析的业务分析方面还是很有优势的。

这些相关的技术和业务能力，是短期难以培养的技能，可以通过培训获取。CDA专注数据分析、大数据、数据挖掘10年教育品牌，旗下开设课程包括：就业班、等级班、周末班、直播课程班、A+学位、考试认证教学体系,数据分析行业专家亲自授课，三个月进阶数据分析师。

数据分析归根到底是用数据讲故事讲道理，不同的人手里有一样的数据却能讲出不同的故事，让你眼中的数据会更加生动，更加有趣，也更加有意义。

时至今日，任何不愿为时代落下的企业，都已逐渐达成共识：无论是企业内部的综合运营，亦或与外部的竞争与合作，“信息战”都将成为商业竞赛的核心维度，在不同的商业分战场，数据决策都将承担某种“灯塔”角色。

的确，商业愈往未来发展，管理层驾驭数据的能力就愈加重要，甚至有人预言，懂得用人工智能处理大数据，优化全部决策流程，或许是所有企业的最终归宿。

而依我之见，这场“信息战”最关键的战役，即来自如今商业最为稀缺的资源：人力资本的竞争。幸运的是，拜数字技术所赐，自从泰勒在工业时代初期“发明”人力资源部至今，这个昔日的辅助性部门，有可能第一次完成蜕变，成为引领企业数字化转型的关键角色。

最近恰逢“领英大数据洞察”登陆中国，其实透过这个将实时数据转化为人才库和趋势洞察的产品不难意识到，技术变革之快，总是超乎保守（至少是对新技术不敏感）企业的想象，此时此刻，正在不同领域迅速落地的人工智能和大数据，早已作为商业武器本身，成为市场经济的一部分。从现在到未来，人工智能和大数据之于企业的重要意涵，就是降低决策成本，优化经济效率。

所谓“未来已经来临，只是分布不均”，在商业范畴，就是这个意思。

以数据为灯塔

在人工智能的基础概念上，去年领英叠加出“人才智能”（Talent Intelligence）概念，希望将企业对于人才数据的观念认知，提升至一个全新的高度：不再停留在“履历式”的静态和表层数据，而是以某种全局视野，俯瞰行业，地区和企业的人才特征和变化趋势，从繁杂的数据中摒弃“噪音”，提取“信号”，收获前瞻性洞察，最终转向决策。

而“领英大数据洞察”即是人才智能概念的重要落地——考虑到有些HR还将领英单纯地视为一个“招聘工具”，需要特别指出的是，领英大数据洞察并非一个简单的招聘渠道，而是将数据智能渗透进人才招聘策略，员工队伍规划，市场竞争情报，雇主品牌策略以及公司选址决策等人才战略的全部流程，为企业提供实时且定制化的数据洞察。相比领英之前的数据服务，它以更产品化的形式，让企业可以用更主动，迅捷，高效的方式，将盘踞在领英上的海量数据物尽其用。

其中领英将最重要的洞察归为三类：人才库洞察，劳动力洞察和雇主品牌洞察。

首先，人才库洞察自不必多言，它能根据不同定制需求，帮助企业精准定位人才，如同《指环王》中白衣巫师萨鲁曼用的水晶球一般，以某种所谓“上帝视角”，让企业拥有一张动态的人才数据库，实时掌握所需人才的分布和流向，包括他们在哪，谁在雇佣他们，他们拥有什么技能等等。

值得一提的是，考虑到在激烈的市场竞争中，中国企业对效率至上的刚性需求，领英也特别做了诸多优化，将人才数据洪流以一种界面友好，更易于决策的形式呈现，“过去我们用关键词做搜索，而针对中国客户我们更多是用勾选的方式来做搜索，大大提升了效率，比如搜索海外人才的时候，我们有一个勾选就是海外背景”，在领英ConnectIn 2019大会结束之后，领英中国解决方案及服务负责人王欢向媒体表示：“此外我们还有一些特殊产品，比如说热门人才库，只要点这个库，里面全是你想要的人才，你只需要选择他是否合适，如果你认为不合适，借助AI我们以后就不会再推给你这一类，推荐会更为精准。”

我当然没有对“人”的丝毫不敬，更没有“机器决定论”的意思，但必须承认，当不同维度的丰富数据，足以让HR初步筛选人才的方式，变得与筛选一条新闻，一顿外卖，一家酒店相似，站在效率角度，对于HR无疑是一种福音。

回到“领英大数据洞察”，如果说“人才库洞察”是微观视角下的“定向追逐”，那么“劳动力洞察”则是一张宏观视角的全景图，它可以帮助企业提前布局未来。

你知道，人才竞争更多是一场零和博弈，你所在行业的劳动力宏观趋势，会深刻影响到每个企业，了解类似岗位人才的技能情况和分布流向，随时掌握友商的人才情况，无疑会帮助企业更好地预判和调整人力资源规划，有针对性地吸引目标人才——知己知彼的战略常识，搁在任何时代都有效，从这个意义上，数据智能其实就是这个时代最值得仰仗的“情报工具”。

而谈及“情报”，不妨顺便一提，这个世界上的优秀大脑并非均匀分布，领英大数据洞察还可以指引企业抢滩登陆时的具体落脚点，选择一个目标人才存量最高的地方开展业务，最大程度发挥人才集聚效应。“有一个客户来自电信行业，它在爱尔兰设立办公室的时候，大家都觉得应该在都柏林，这里最有名，人最多，但通过调研发现，其实他想要的人才并不在都柏林，大数据建议他应该在库克这样的地方，于是他就把地址选在了库克，而不是都柏林”，王欢向媒体举例道，“包括在中国本土，我们有一个客户要在深圳建一个研发中心，但最终通过我们的数据洞察，把研发中心放在了杭州，这让他通过领英找到了国内研发中心的大牛，通过这个大牛再去吸引更多人，很快那个团队就组建起来，非常高效。”

当然，一旦你通过数据分析，知道了“人才在哪儿”，那下一个问题接踵而来：“他愿不愿意来？”。而“领英大数据洞察”中的“雇主品牌洞察”即针对于此，它总在以数据为凭证说服决策者：优秀的雇主品牌可以让招聘事半功倍，在细微之处影响潜在人才。

举个正在频繁发生的场景，企业出海。

你知道，不少出海寻人的中国企业，在当地的雇主品牌形象非常薄弱，一个重要原因是在经济发达的地方，无论出于理性还是感性，人才选择公司的理由非常多元——薪酬当然最重要，但“财大气粗”并不代表一劳永逸，企业必须知道每个地方每个人真实的职场价值取向（在意雇主品牌酷不酷，是否弹性办公，是否有挑战性等等），而借助领英掌握的海量全球人才数据，企业可以了解自身的相对优势，及目标人才最珍视的需求偏好，在提升品牌知名度和美誉度同时，更好地与潜在人才互动，让企业扬帆出海的征途中，以数据为灯塔，少走一些弯路。

一张动态的“清明上河图”

有学者曾将市场经济和资本主义简化为如下定义：用计算的方式决定一切市场行为。这个定义在数据智能时代，似乎显得尤为精准。事实上，领英“人才智能”的核心观念，就是让客户以最低成本，最高效率，将一目了然的数据直接导向决策。

那么问题来了，客户凭什么“相信”领英？

很好理解，最近数年人工智能领域的疯狂跃进，大可归为相似的逻辑：输入数据，生成回应——而领英实时更新的庞大数据库，正是实现上述一切洞察的基础，也是他们最夯实的商业护城河。

根据官方透露，领英在全球超过200个国家拥有5.9亿注册用户，3000万公司，2000万工作机会，5万种技能，8.4万所学校。盘踞在此的所有人，每天数百万次完成建立人脉，更新资料，添加技能，表达求职意愿等操作。更重要的是，这些操作并非单摆浮搁，不同数据节点间的每一次链接，都在以网络效应实时呈现全球劳动力市场的发展态势。不断深耕和呵护这些数据的领英，也自然有能力勾勒出不同行业的现状与未来。

更进一步讲，无论从数据数量还是质量上，相较于一些同类产品所谓的大数据，其实更多是“统计学”底色，领英可以描绘出一张完整清晰的“全球经济图谱”，一张动态的全球人才的“清明上河图”，谁都最大程度地解锁这张图，谁就能率先受益——从这个意义上也就不难理解，为什么在许多人眼中，未来好的HR一定是好的数据分析师。

更值得一提的是，玩转这张“全球经济图谱”的方式不止一种，它的另一种用途，来自于营销领域——易被忽视的是，领英是全球规模最大的商业决策者，意见领袖，以及职场影响力人士聚集平台，这意味着，它天然是做营销的好地方。

首先在用户广度上，领英是目前唯一一家既能帮助国内企业针对本地用户做精准营销，又能将中国品牌与全球商业决策者精准链接的社交媒体平台。其次在投放精度上，广告主可根据用户职位，行业，从业年限，所在地域，兴趣爱好等诸多维度精确定位受众群，并对营销效果进行精准评估，最大化广告投放效果。

譬如在ConnectIn2019大会上，领英中国总裁陆坚就举例道：“有了决策者还要知道他们在平台什么时间段、什么内容下更活跃，才可能在投放时更精准地找到目标人群。比如在云计算话题下还有很多子话题，如果我们进行大数据分析，发现有些话题讨论频率非常高，但有些话题因为讨论多、参加的人多，发内容会淹没，所以品牌露出未必是好事。在领英这样的平台，不仅能勾勒出人群画像，而且这些客户画像在什么样的社区参与什么样的活动，是否非常活跃，也是我们能够提供的洞察。”

嗯，在领英上做营销有一个显而易见的优势，意如其名，作为“引领全球精英”的平台领英用户以职场商务人士为主，能精准覆盖商业决策者：目前领英全球用户中，有4000多万商业决策者，6100多万有影响力的商务精英人士，300多万MBA毕业生；领英中国用户中，42%拥有经理及以上职位，36%拥有硕士及以上学历。更重要的是，根据官方透露，领英用户40%个人资本净值在65万以上，50%以上家庭收入超百万，对高价值产品和服务拥有强大购买力。

而也正是由于上述几种优势，让自2016年初落地中国市场以来，领英营销业务迅猛发展，华为，阿里巴巴，IBM中国等各领域领跑者，均已在此受益颇多。

结语

追溯人类历史，每一次革命性的技术飞跃，无疑都会带来经济效率的大幅提升，人工智能和大数据亦是如此。从领英的案例不难发现，就像许多学者共同指出的那样，人类正阔步走向一个与机器共舞的时代，有大量协同工作需要与机器为伴，尤其是在裹挟着更多利益的商业领域，不管你所在的行业多么“传统”，都必须尽快学会用数据智能，完成对自我价值的重新定义。

嗯，但愿在未来“均分分布”之前，你我都别被时代落下。

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。

马云说过， 未来数据分析师会没有工作。

我一直不以为然，但是看了下面的图片后，我信了。

谷歌分析

这是谷歌分析最近新推出的功能，可以用自然语言去提问，然后谷歌分析直接去显示结果。

G suit

比如像图片里显示的，你可以提问六月按年龄段显示趋势，然后很快就会有相应的图表显示结果。相信这是很多做数据分析的人经常会碰到的事情，没想到居然直接问一句话，就可以显示出来，这可比让别人去出这个结果快多了。

不过目前谷歌分析只能回答怎么和多少的问题，如果你问一些原因的问题，那暂时还回答不了。比如你问谷歌，为什么上个月我的页面浏览量下降了，这个谷歌就回答不了，这也可以说是短期内还取代不了分析师的工作。不过分析师其实也是从数据里看不出原因，可能也需要再通过其他的渠道去了解，才能解释背后的原因。这也许就包括用谷歌去搜索相关的信息。只要谷歌可以了解背后的逻辑，相信有一天也能像分析师那样解释数据背后的原因。

《论语》里有一个成语叫做君子不器，意思是说，君子不能像器物一样，只有一个用途。在这个技术飞速发展的时代，如果只会一种技能，未来真是很危险，因为未来很多工作都可以通过计算机去完成，而且计算机可能比人完成的更好。

有一句话叫做“未来以来，只是分布的并不均衡”。

可能你在中国无法使用谷歌，但是不代表中国的企业不会推出类似的功能，我觉得是一定会推出的，只是早晚的问题。

当然这不仅仅是数据分析师这个职业，很多其他职业也会出现工作被机器代替的情况。

我觉得最好的应对方法是，现在可能利用80%的时间去从事现在的工作，一定要空出20%的时间去看看未来的趋势，自己如何去应对这个趋势。当趋势越来越明显的时候，及时的转移自己的注意力。所以还是相信自己的工作100%不会被代替，当那一天真正来临的时候，只能用后悔莫及来形容了。

数据本身并不会窥探人，真正窥探人的是人类本身。但是，这么简单的事实却经常很难被理解。美国国家安全局丑闻、日常数据泄露以及电视监视人们私人谈话的故事……这些事件导致公众越来越不信任数据收集，这并不奇怪。91%的美国人认为用户已经失去了对商业公司如何收集和使用他们个人信息的控制。而61%的公众希望多做一些事来保护他们的网上信息。不管这些数据是故意通过社交媒体披露的，还是不知不觉中通过手机或网站数字足迹被收集的，人们已经为隐私、信息自由，甚至民主受到威胁而感到恐慌。

当通过法庭了解到所有相关的诉讼细节以及看到媒体上讨论的种种可怕的数据泄露的可能性的时候，我们很容易得出结论说大数据分析有其固有的邪恶的一面。那么，果真如此吗？

利大于弊

全球最大数据分析公司之一Teradata的首席分析官比尔·弗兰克斯（Bill Franks）最近就与一些州议员及高管参加了一个会议，来讨论如何帮助他们的州更好的控制支出、减少欺诈以及如何运用大数据更精密的分析和更新数据管理平台，更有效率的进行公共服务。隐私权和数据滥用的问题被提出并引起了激烈讨论。讨论的中心是：考虑到数据有可能被掌权者滥用，政府收集大量的数据是否是个好主意。

其中举了一些例子来说明健康的数据可以提供极大的好处。想想那些负责监控有虐待儿童史的家庭的国家社会工作者。当一个新的案件工作者无法拿到与此家庭有关的历史数据时，这个家庭的孩子可能会遭到没有必要的伤害甚至死亡威胁。打个比方，有很多儿童的死亡是因为工作人员没有掌握重要的信息，从而没有及时了解到孩子已经面临的危险。

一个政府官员指出了对于这些工作人员收集的高度敏感的数据的合理担忧：要让这些数据容易得到就意味着低收入、非技术人员将掌握着这些高度隐私和敏感的信息，而且显然这些信息将会被滥用。

然而，现实是利用这些信息解救的儿童的案例远比被滥用的情况多。尤其是当这些能够接触数据的人知道滥用数据不仅会让他们的工作处于危险的境地，也会引起曾经信任他们的人的强烈控诉（也就是说，你将不会再被信任）的时候。

这有一点像开车。我们每一次开车都在冒失去性命的危险。即使我们没有做错任何事，也随时有可能被某人猛撞然后丧命。当这件事情发生的时候，它无疑是一场悲剧，但因为它发生的概率很低，因此人们把它看作可接受的风险。我们从开车这项技能中所获得的许多好处远远超过并足以弥补其可能带来的风险。没有人严肃的提出禁止汽车上路来避免这些完全可以避免的交通事故。整个社会都认同汽车带来的好处比风险多很多。

对于大数据及分析我们应该持相同的态度。只要合理的利用大数据，益处将是巨大的。但是，无论我们有多么小心，有时数据依然会被滥用。我们的目标应该是将滥用发生的机率最小化，并且将处罚力度定在足以阻止大部分人不去尝试。如果政府和其他的组织都能从哪怕一小部分的积极面去利用大数据，促进信息之间的对接、流通、反馈，这就会发生其杠杆效应，那么我们都会变得更好。

数据分析师在工作中会遇到什么难题？

数据分析师，一个名字听起来高大上的职业，其实苦逼程度不亚于代码人员。那么，数据分析师在工作中经常会遇到什么样子的难题呢？

1）数据质量差

作为舆情数据分析师，有时需要向技术提取需求，对符合某个关键词的全网舆情进行爬取。满怀希望地把需求提了出去，但有时数据质量并不如你想的那么完美。譬如。你想分析的是全网渠道分布，但是因为某些原因，最终得到的数据并不符合传统的认知。也就是说，这个维度而言，数据是废的。

这个时候怎么办呢？编么？并不是，这时候你可能就需要重新思考为什么会造成这样的问题，如果说问题没有办法找出的话，那只能找其他维度进行分析，或者找其他数据进行印证分析。

当然，数据质量差并不这么简单，有时数据缺失很严重，有时数据某个维度有歧义等。而这个时候，就需要你一遍又一遍的进行数据清洗。

2）数据需求多变

数据分析师有时接到的需求并不是一成不变的，可能在你分析的过程中，数据需求就会发生变化。好的情况，你可能仅需要修改一点点就可以满足需求。但是更多的是，推到重来，这就相当于浪费了你之前的工作量了。

3）数据得不到有价值的信息

更让人绝望的其实是你分析了多种维度，交叉了各种情况。但，最后发现，得到的结论并不能支撑某些结论，更甚者，还会阻碍你的结论。例如有一次，我想分析SEO的价值比SEM的价值高，但是试过多种维度之后，我惊异的发现SEM的价值反而更高，我当时的内心就是一万只***崩腾而过。

最容易碰到的问题就是自己分析的数据不准确，导致辛苦了半天，分析出来的结果不具备参考价值，甚至都是错误的。

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！

近期收到微博中收到很多家长发来询问信息，那就是大学专业的选择。有的家长和学生为了挤进那些名牌大学，甚至在当时选着了一些冷门的专业，或者分值第一点的专业。毕竟现在的社会还是看学历的，拥有哪些名牌大学的毕业证，就像是镀了一层金，身份也会高出一大截。2018年度高考已经落幕一段时间了，虽然部分报考二本和专科的考生还未收到录取通知书。

今天小编依据网络调查，发现这样一科专业是家长们备受欢迎，从就业平均水平来看，这也证实了他们的就业非常高，对于这样的专业你知道是什么吗？那就来看看以下几位网友的观点吧！

医学行业吃香的因素

网友一：医生是高薪行业

10个网友家长中，有9个认为“医生高薪行业，金饭碗”。那么就有一位家长站出来透漏“实情”了，她的一个朋友或者亲戚，在某某医院是什么主治大夫，月入多少多少，还有什么医药分成，反正就是不低，都超过大部分公务员平均水平。

好了，在这位家长口中，我们得出了：医生平均工资高！

网友二：有个医生，看病方便

很多人都喜欢家里（或者不太远的亲戚关系里）有个医生，看病方便。但是作为医生，我绝不让自己的孩子以医学为专业，我会教自己的孩子一些基本医学常识，碰到亲人出现情况，会紧急处理（非亲人请直接打120），但作为职业就算了。

网友三：荣誉的身份，医生行业高大尚

有的家长将“有个医生，看病方便”看成了荣誉，不管你多大的官都会生病，不管你多有钱也会生病，你只要生病，就会来求医。成为名医的家长就被荣誉加身了，成为万众瞩目的

网友四：毕业工作有保证，医保系统完善，医疗队伍扩大

医学高校的分数不是很高，但毕业后就业有保障，有些分数低的，报了医学，希望将来分配父母有些人脉，好分配工作。目前国家的医保系统逐步完善，医疗队伍还有很大的职位空缺。这也是医科专业，好就业的最大的原因之一，家长们认为的”金饭碗“

医学行业的苦水

一点：中国普通的人和专业的人观念薪酬反差最大的一个行业

作为医生还得养很多行政闲人，自己工资水平却被这些人控制的死死的，什么医保超标了，什么病历上交晚了，什么任务没达到，还得被扣钱，真是呵呵了，我们本职工作是治病救人，这些任务没完成是对病人的健康造成影响了？真是本末倒置，所以主要是那些家长不了解医学，以为能发财，比如拿回扣啥的，能不破产就已经很好了。

二点：医生地位愈来愈低，列入高危行业

医生比较辛苦，节假日少，风险还大，社会偏见多。一般人不生病是想不到医生的，有的人生了病找医生还疑神疑鬼，总觉得医生与回扣是划等号的。殊不知医改了，医生想多开药也开不成的，电脑软件设置死了。现在有医保限额和各种占比问题，医生不好当，突破限额要自己掏腰包。这不是干一行怨一行的问题。

三点：人情世故冷淡，各种情被淡薄

医生自己和小家庭付出太多，方便所谓亲戚，还不一定会落好，经典台词是“是亲戚我才找你……”、“看在亲戚面上……”、“你怎么对自家人也这样……”、“上次那个事，我看在我们这么近的关系上没说什么，这次……”。其实所谓医患矛盾，就是过高的期望值与现实的落差太大，找认识的医生就是因为怕没交情说不上话（提要求），本质并没有变，期望值甚至更高。

四点：累，成了他们的宗旨。

急诊室，想来很多家长没有去过，谁会没事去那个地方呢？在那里你可以看到很那种群的病人，都急切的等着求救。再看看那些医疗人员，面临这么多的病人，急切的心情让他们顾不上自己身体。在这里”累“，成了他们的宗旨。

看了这么多，那你们还感觉学习医学好吗？那选择什么专业好？你有空看看今年的几所医科大学就知道现在学医有多火了。

总评：医学是个技术活，并且当医生太辛苦，上班时间长，夜班多，加班多。没周末，没假期，精神紧张，工资也不一定很丰厚。

不过小编还是希望大家越来越多的人加入医生行列，为社会做贡献，造福更多的人，也让医生护士们轮流休息。毕竟每个人的身体最重要！欢迎各位读者评论交流。

2017全国各地高考一本录取率排行榜

结合上表数据，分析如下：

1、一个省的高考难度其实就是录取人数占考生总人数的比例。这个难度主要取决于两个方面，一是所在省份的考生人数多少，如果考生多，竞争就非常激烈，要想进入名校，必须拼了老命；二是录取比例，这才是更要命的，如果大学在某个省份招生人数多，录取比例相对就高，考大学就容易些，考生的机会也更多。

2、高考难度还体现在录取分数线上。同样的试卷，有的省份分数线高，而有的省却创下新低，这种现象是存在的。

决定高招分数线高低的主要因素有两个：一是试卷的难易度，二是高招人数的多少，也就是录取率的高低。对使用同一份试卷的省份来说，第一个影响因素是一样的，不存在难易度的差别。而第二个影响因素则大为不同，如果一个省份的本一录取率远高于兄弟省，那么本一批次录取的人数越多，分数线势必越低。

3、对于全国1卷，湖南分数线为9省中最高，但一本录取率为河南最低。一本线上，文理最高的均是湖南省，最低的均是福建省，其中理科一本线湖南比福建高64分，文科高59分。而在录取率方面，河南省和山西省都不到10%，对比福建省简直少了近一半的录取率。

4、对于全国2卷，吉林分数线为10省中最高，同卷同科分数线，最高与最低相差悬殊。一本线上，理科最高的是吉林，比青海分数线高出了116分；文科最高的是辽宁，比青海考生线高出了96分。

5、对于全国3卷，四川分数线为5省中最高。除了西藏含有较多少数民族考生，这几个省份的一本线相差不是特别大，理科最高的是四川，比最低贵州高出55分，文科最高为云南省比广西高20分。

6、对于自主命题、半自主命题省份，北京的一本录取率最高，达到了30、50%。相比之下，江苏仅12、10%的一本率仅约为北京的1/3，看到这个结果，大家多安慰一下江苏的考生吧。

各省2017高考的难度系数归纳

结合这6点分析，进行综合整理，对全国各省2017高考的难度系数归纳如下：

TOP5

难度系数：★

对应省份：北京、天津、上海、福建

理由分析：这些自主命题和高考改革的省份，试题常常引领趋势、剑走偏锋，录取模式也是独步天下，对考生综合素质要求较高，玩得好就是神，玩不好就是坑。

TOP4

难度系数：★★

对应省份：内蒙古、青海、新疆、西藏、辽宁、黑龙江、吉林

理由分析：西部省区的考生人数不多、试题长期稳定、录取政策也多有优惠，但玩得好的考生不多，但辽宁和陕西的985、211大学数量要比其他中西部省份多，所以考生不出省就有很多选择。

TOP3

难度系数：★★★

对应省份：陕西、山西、贵州、广西、宁夏、甘肃、海南、重庆

理由分析：这些省份的高考分数线通常比较稳定，录取率也位居中游。陕西是高考大省，但好在省内较好的本科院校比较多；其他省份的考生人数较少，考生的选择和回旋余地都比较大。

TOP2

难度系数：★★★★

对应省份：四川、山东、云南、河北、安徽、江西、广东

理由分析：这些省份的考生都是久经考验，应试经验非常全面，各地高中的教育教学模式也有共同之处，有的考生都是努力考到省外尤其是北上广的大学，成了顶尖大学最大的生源基地。

TOP1

难度系数：★★★★★

对应省份：湖南、湖北、河南、江苏、浙江

理由分析：两湖和江苏的考生都属于低调而强大的类型，河南的考生不说自明了，而浙江是新高考的起点，考生尝试了全新的选科、选考、综合素质评定模式，是名副其实的探路者。

从先进的BI工具到机器学习，人工智能，现代企业拥有着各式各样整理分析数据的方法和途径。数据科学家和企业领导人都关注着这些新技术的巨大潜力，然而，当我们将焦点放在分析工具身上时，我们也可能忽略了数据本身的重要性。毕竟如果没有正确的数据，视觉化和预测分析也没有任何用处。

每一个企业需要将他们的基础数据进行分析和甄别，在此基础上，对数据进行不同层次和结构的分类。原因如下:

数据深度融入在商业的各个环节

现代企业逐渐意识到，纷繁复杂的数据固然重要，而这些数据是否真的被企业职工运用，并对其工作产生了相关性的影响，才是企业领导所看重的。不同的层级岗位和职位角色都需要做出正确的决策，而良好的决策必须是基于用户数据所提出的。因此，不仅仅是数据科学团队，从产品部门到客户服务部门，再到销售等各个部门都应该获得这些数据资源和信息。

在现代企业中，对数据的处理还仅仅是在每个月的全体会议上查看各项指标还远远不够。组织必须要将数据驱动纳入到决策制定中。以现代营销团队为例。营销人员有大量的丰富的数据可供他们自由支配，尤其是在智能手机，平板电脑，社交媒体平台爆炸式普及的今天，这样，一个品牌可以远距离地与观众互动，并了解顾客的相关信息。如果所有的这些数据被收集到一个中心位置，进行数据分析，那么对客户的长期行为分析并进行消费预判则成为了可能。同样地，根据这样的方法，其他部门，如销售、产品和客户服务部门也能获得前所未有的数据量。

零碎数据共同形成宏观趋势判断

如今，数据在各个行业和企业扮演着越来越重要的角色，企业应该将数据视为机会。每个数据集——CRM、CMS、ERP、营销软件，都包含大量信息和基础数据。现在或许看起来很微小，可是对数据深入的挖掘和分析将会给企业带来巨大的财富。而在现实生活当中，由于不可能预先知道哪些数据很重要，所以企业需要收集尽可能多的数据，这样即使市场环境发生大的改变，企业也能够做出合理的预判和尽可能贴近市场的决策。

基础数据和数据分析同样重要

数据质量是重中之重，倾斜的数据会导致错误的结果。如果你的判断来源于不完整的数据基础，你的决策便会产生一定的偏差甚至产生错误，而这最终将会侵蚀在数据驱动文化背景下人们对数据分析的信心。因此，简洁、完整和正确的数据是有效决策产生的必要前提。

2016年美国总统大选的预测分析，很好地证明了数据质量的重要性。在当时的预测中，大多数数据是基于州级和国家级的电话投票进行的。但是电话调查中很容易出现无人接听的现象，而各州无人接听的占比率也存在着很大的区别，这会很大程度上影响选举团的预测（选举团制度是美国特有的一种选举方式， 选民在大选日投票时，不仅要在总统候选人当中选择，而且要选出代表50个州和华盛顿特区的538名选举人，以组成选举团。当选的选举人必须宣誓在选举团投票时把票投给在该州获胜的候选人。美国总统由选举团选举产生，并非由选民直接选举产生，获得半数以上选举人票者当选总统），结果就是，倾斜的数据产生错误的预测。

如今，机器学习已经受到了大量的炒作。而机器依据大数据分析出来的预判，是否真的能符合事实情况，很大程度上决定于是否拥有坚实的数据基础：一个将数据驱动纳入到组织文化的企业，采集到的简介、完整和正确的数据。”数据驱动”一词已存在多年，但在今天快节奏和迅猛发展的数字经济中，它将成为当代企业的文化使命。