可能大家都会疑惑，数据分析师具体是干什么的？简而言之，就是分析数据的。数据分析师的工作职责：是在具体问题下，分析数据从而了解现状，后给出解决问题的相应对策。本人是数据分析小白一枚，对数据分析师这一岗位关注蛮多。因此想大胆地回答几个常见问题：招聘大量数据分析工作人员的行业公司有哪些？数据分析工作主要分为哪几类？以及如何学习数据分析？最后还要推荐一些学习资料给小伙们。

招聘大量数据分析工作人员的行业公司有哪些？

数据分析可以说是互联网经济下的产物。互联网企业最需要数据分析人才。正所谓“巧妇难为无米之炊”，互联网企业大量的数据是进行数据分析工作的基础，工作薪酬也普遍较高。互联网各类企业包括电商、金融、出行、O2O、新闻资讯，都需要数据分析人才。举例子：电商有网易考拉海购、京东、淘宝；金融呢有51信用卡、微贷网；出行有滴滴打车、曹操专车；020有美团、饿了吗；新闻资讯有今日头条。

数据分析工作主要分为哪几类？

数据挖掘工作到底是什么？可以参考这两个网站：第一个是阿里云天池大赛，第二个是国外Kaggle数据挖掘大赛网页。百度搜索关键词可到达网页。

想去到薪资较高的数据挖掘岗位，比如大型电商平台，BAT，滴滴等自学是不大可能的。因为数据挖掘挺难学的，而且自学很难被认可。需要去读个计算机研究生或者数学系研究生。个人觉得计算机研究生更好。

那跟数据分析相关的工作，要求不那么高的，同时薪资也相对低的，也有。

你如果有比较好的文案能力，可以寻找像房地产分析，股票证券分析之类的工作。这类工作的特点为有固定的分析模板，需要写文案。

你如果不具备较好的文案能力，像服装企业的商品专员，像销售部门的销售助理，像快递行业的快递分析这类的岗位，你可以留意一下，需要较好的EXCEL操作能力和平常的沟通能力和执行能力。

如何学习数据分析？

数据分析的学习，可以分为两方面：一是所从事行业的商业知识，二是分析的技术手段。举一个便利店例子，便利店店主知道天气和每日客流量之间的相互作用关系，天气好，客人会多，店内的熟食商品就应该多准备一点。这就是所从事行业的商业知识的范畴。而且店主还把每日的天气、销售量、客流量等记录在册，通过手工计算或脑内思考进行数据分析。后者就属于数据分析的技术手段。明显，店主的技术手段比较落后。

初学推荐先看：《深入浅出数据分析》，通过案例比较生动地讲述了如何进行数据分析。但遇到书中一些统计概念时，可能会比较困难，但是不要紧。通过阅读这本书，初步认识数据分析，确定自己是否对数据分析刚兴趣就可以了。如何学习数据分析技术中数据库基本操作呢？推荐一本小书《SQL必知必会》。如何学习一门计算机语言进行数据分析呢？推荐一本书《利用python进行数据分析》。

推荐的三本书，可能自学起来还是会感到吃力。大招：知乎将给我们提供了更多的方法和经验分享。B站给我们提供了配套的大量优质学习资源，可搜索“数据分析”、“Excel”、“python”、“SQL”等关键词组合。你将会找到适合你的学习视频，从此开启在B站学习的神奇旅程。

这篇文章从整体框架出发，介绍了数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

数据分析目前在国内互联网圈的受重视程度在逐步提升，但是问题也很突出：

大家对于数据分析的认知和理解支离破碎，缺乏一个整体的、系统的思维框架；

大家的视野更多局限在数据报表、BI 系统、广告监测等领域，对于数据以及数据分析其实是缺乏深层次洞察的。

这篇文章就从整体框架出发，介绍一下数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

一、数据分析价值观

如何让数据分析真正发挥价值？我认为必须在

价值认同、工作定位和商业模式

三点上取得突破。

（一）数据分析的价值认同

做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。

如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。

（二）数据分析的工作定位

做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的 “取数”、“做表”、“写报告”。在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：

利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案

。

当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到

助力（Empower）、优化（Optimize）、创新（Innovate）

的三大作用。

（三）数据分析的商业模式

做好数据分析，要对企业的商业模式非常了解。数据分析的最终目的还是服务于企业的增长目标，所以务必要对行业背景、业务含义、产品和用户有着深刻的认知。

还是以 LinkedIn 为例，作为企业增长的重要环节，LinkedIn 在产品设计之初就优先考虑到了数据的价值模式。首先是用户的增长、使用和活跃，然后产生大量的数据，最后根据数据进行业务变现（企业广告、企业招聘、高级账号等）和用户增长，从而不断良性循环。

只有认可分析价值、明确工作定位、深谙商业模式，数据分析才能走在正确的轨道上。

二、数据分析方法论

（一）数据分析的框架

在整个数据分析框架中，用户是数据的来源，也是数据分析最终要服务的对象。整个分析框架可以分为四大层次，依次是：数据规划、数据采集、数据分析和数据决策。

从用户、业务系统，到数据采集平台、ETL、数据仓库， 再到分析、BI、DM、AI、洞察，再到决策、行为、价值，最终回到用户。

上面整个分析框架中，越底层的占用的时间和精力越多，而顶层的耗时较少。从产生的价值来看，越底层的产生的价值越低，越顶层的产生的价值越高。大家想一下就会理解，做数据分析的过程大多时间是耗费在数据采集、清理、转换等脏活累活上面，最有价值的分析和决策部分往往耗时很少。

因此，大家做数据分析应该把重心放在最有价值的分析和决策两个层面上，并且尽可能使用工具实现底层的自动化操作。

（二）数据分析的方法论

数据分析应该帮助我们不断优化营销、运营、产品、工程，驱动企业和用户的增长，而不是为了分析而分析。在这里我给大家介绍两个方法论，一个是业务上的 AARRR 模型，另一个是分析上的学习引擎。

AARRR 是著名的 Growth Hacker （增长黑客）海盗法则，依序分别是 Acquisition（获取用户）、Activation（激发活跃）、Retention（提高留存）、Revenue（增加收入）和 Referral（推荐传播）的首字母简称，覆盖用户整个生命周期。我们在进行数据分析的时候，应该考虑用户正处于 AARRR 模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？

“ 学习引擎 ” 是《精益创业》一书中提倡的精益化运营方式，在硅谷被大小企业广泛采纳。当我们有一个想法的时候，可以采用最简可行化产品（MVP）的方式将其构建（Build）出来。产品上线后，我们需要衡量（Measure）用户和市场的反应。通过分析收集到的数据，我们可以验证或者推翻我们之前的想法，从而不断学习（Learn）和优化。

（三）数据分析的具体方法

这篇文章的目的不是介绍具体的分析方法，而是为了让大家对整个数据分析能力体系有一个系统的认知，所以我就不对每一个方法进行具体的阐述。

懂得每一种方法的原理是一回事，在业务中灵活应用又是另外一回事。以产品经理为例，可以把“用户行为 – 数据分析 -产品设计 & 优化 ”三位归于一体，在不断的实践应用中掌握各种分析方法的精髓和要义。数据来源于用户，数据分析的最终目的也是服务于企业和用户。做数据分析之前，一定要清晰业务目的和数据指标，选择科学的分析方法，用数据来指导产品和用户增长。

三、数据分析工具篇

（一）为什么工具那么重要？

“ 工欲善其事，必先利其器 ” ！

整个数据框架下面的部分可能花费了 80% 的时间和精力，但是产生了不到 20% 的价值。大家都在搭建数据采集平台、都在写代码埋点、都在做 ETL、都在建 BI 系统，哪里还有更多的时间和人力来做 Analytics 和 Insight 。

以前市面上没有好的数据分析工具，大家都只能自己去部署很多的系统、建立很多的机制，甚至雇佣三四个团队去做一件事。

今天市面上有很多好的工具来帮助我们进行数据分析，为了节省时间、资源（特别是成长型企业），大家完全没有必要内部建造一套分析系统，应该擅用好的工具来帮助自己做数据分析。

（二）选择合适的分析工具

选择什么样的分析工具，跟你的工作岗位、分析场景息息相关。每种场景都有若干种工具可以选择，有些工具也可以用于多种分析场景，关键在于你对工具的熟悉和理解。

Excel 绝对是最基本、最常见的数据分析工具了，对于数据量较小的情况，无论是数据处理、数据可视化还是一些统计分析都能支持。一旦数据量大了，这个时候就需要大型的数据库来支持。

市场营销人员需要对广告投放进行数据分析，网站流量监测是他们关注的重点。产品和运营重点关注用户行为和产品使用，用户行为数据分析工具是他们的首选。

以前大家只关注业务数据，然而这些结果型的数据并不能告诉他们中间发生了什么、为什么发生；现在大家越来越关注精细化运营、对用户行为数据的需求也越来越高，这也是我回国创立 GrowingIO 的原因。

如果你能懂一些 R 和 Python，在数据建模、统计分析、数据科学的方向上有所发展，那么你的数据分析水平就更上一层楼了。

上面说的这三点构成了数据分析的能力体系。只有认同数据分析的价值、掌握数据分析的方法并且灵活应用数据分析工具，才能真正做好数据分析。

本文根据张溪梦演讲内容整理编辑。

作者：张溪梦，GrowingIO 创始人 & CEO

本文节选自 GrowingIO 2017 年第 3 期电子书《产品经理数据分析手册》

本文由 @GrowingIO 原创发布于人人都是产品经理。未经许可，禁止转载。

大数据分析，是互联网从业者必须具备的一项基础技能，只有掌握数据分析，做项目才能更科学化、对于项目的预判，能够更准确的把握。今天分享的这些数据分析工具，是我们分析项目经常用的工具，毫无保留的分享给大家，希望大家在操作项目的过程中熟练的使用这些工具。 定能够让你在网赚道路上无往不胜。1、百度指数第一款必备工具。百度指数，我们在查询某一些关键词的时候，首要考虑的就是百度的数据如何，因为百度这个搜索引擎在互联网搜索引擎中占据的份额最大，数据精准度高。检索的很多关键词以及一些热点词的数据对比，都能直观展现出来，通过人群、年龄、性别、兴趣爱好、地域等更为详细的信息，方便我们做出更理智的判断。

2、微指数我们在查询一些关键词的时候，要分析社交数据。对于产品传播非常重要，通过调查数据，我们知道如何把握住当今热点，让产品蹭热度飞一会，是很多商家考虑的问题。新浪微博旗下产品微指数，可以很容易帮我们把控热点关键词。让我们清楚地看到近七天趋势如何，及时对产品做出调整。

3、阿里指数我们在操作某宝店铺项目的时候，需要分析更多的数据，来确定标题内容如何定位优化，用户检索更为简单，如何蹭热点关键词飞上那么一会儿，如何引爆流量做核心爆款。这个跟成交量有非常大的关键，哪类行业有哪些关键词在搜索时上升幅度比较快，很有潜力，知道这些信息后，我们都需要提早的布局。等相关的关键词上升到一定幅度时，我们恰好出现在热点上，在用户检索时很容易爆单。这个数据分析工具是中小卖家逆袭的机会。一定要好好研究。

4、腾讯指数BAT三大巨头，柒点哥介绍两家了，怎么可能缺少 TX 指数，TX 旗下的各类产品琳琅满目，自然对数据掌握的精准程度不是一般企业可以比拟的。算得上行业顶尖了。但是目前为止使用腾讯指数分析的用户实在少之又少，大部分人不知道这个功能，今天柒点哥告诉大家，腾讯确实有指数分析的功能。而且可以从九大品类开始分析数据，可以说是一款很强大的运营工具。

5、爱站网爱站网：是一个综合性的数据分析平台。我平常都在用这个网站分析一些网站相关的信息，比如，网站收录状况，PR值，域名信息，友情链接等一些数据。但是最长用的一个功能就是长尾关键词发掘。这项功能有助于我们通过主关键词，发掘带流量的附属关键词的状况，类似于百度推广后台的数据分析。非常不错的免费工具，大家以后可以常用。

6、QQ指数QQ指数是一款基于QQ平台用户数据分析的移动端指数类产品，定位于洞察QQ平台上年轻人最新、最热、最关注的社交内容，通过分析QQ平台上用户公开发表的说说、评论及搜索、浏览等行为数据，发现年轻人的热点趋势及舆论风向，透过QQ指数可以快速掌握年轻人的兴趣喜好和行为习惯等信息。作为T讯旗下最为核心的产品，对于我们互联网人士来讲，把它称为流量的天堂，只要随便找一个平台来操作产品，坚持一段时间都能暴富的。所以研究T讯系的核心产品，离不开QQ指数这个工具，对于我们把控QQ流量热点的趋势有很好的帮助，是非常重要的营销利器。

QQ指数官方账号：qq搜索框搜索 QQ指数，关注公众号即可查询，主要是带认证图标的那个。7、微信指数微信指数是微信官方提供的基于微信大数据分析的移动端指数。2017年3月23日晚，微信官方推出了“微信指数”功能。作为T讯旗下，第二个核心产品，微信可以说是后来者居上，各种苗头都表明要赶超QQ的趋势，对于我们互联网人士来讲，这是最好的变现渠道。因为很多网赚项目，最后结款的地方都是在微信端成交的。所以我们非常有必要来分析他的数据，基于微信推出了这一功能，让我们省了很多分析微信数据的时间。

微信指数官方渠道：小程序搜索微信指数8、安卓权重榜我们操作的一些项目，免不了在APP上操作，但是这个平台流量如何，以及人群属性，都很难预估。但是我们又必须了解数据才能够伸缩有度，所以我常用的这款APP数据软件，就能够给我带来客观的数据。

9、新榜以榜单为切口，新榜向众多500强企业、政府机构提供线上、线下数据产品服务，“号内搜”、“新榜认证”、“分钟级监测”获得广泛应用。在协同内容创业者商业化方面，新榜依托数据挖掘分析能力，建立用户画像和效果监测系统，连接品牌广告主和品牌自媒体。作为公众号的运营者，我特别注重公众号的分析，以及项目渠道的发掘。新榜作为专业的内容数据提供商，我是经常会使用他来分析数据，查看某些公众号潜力，随时观察它的盈利模式以及动向。

10、梅花网作为互联网人士，写文章投放广告，是我经常要做的事情，但是如何让广告的每一分钱都花到潜在客户身上，是我经常要考虑的。如何知道同行在哪里投放广告，也是我所关心的，梅花网是广告监测比较专业的网站，我经常用来分析广告数据，在这里推荐给大家。

总结：以上的十个工具呢，就是我经常用到的数据分析工具。我认为这是每一个互联网从业者都具备的基本功，用好数据分析，操作项目更加的事半功倍。但是用的时候不能太死板，可以结合起来相互用。实干派动手做，花架子空叹息，让技术为你工作。赚钱的玩法很多，只有思路够宽，你才能走的更远。没赚到钱，并不是文章干货不够，而是你懂得太少了。 保持空杯心态，永远在进步。

数据分析是一门专业且跨越多个领域的学科，电商行业的数据分析师要了解的业务，一定和金融行业的有很大不同。所以相应的业务知识也是大不相同。这份书单，只是在初学数据分析的思维模式、统计学和应用工具上，为大家进行一个整理，如果大家有更好的，可以推荐给小编！

HeadFirst系列书籍，对新手非常友好。用生动的语言来讲解案例，但弊端就是——啰嗦。这一点被无数人疯狂吐槽，但它依旧经典。本书涉及的基础概念很广泛，还包含一点统计学知识。学下来会对数据分析的思维有一个大致了解。

这一系列也属于“网红”级别的书了，几乎每个数据分析的书单都会提到。如果想从事互联网相关，这本书是一个非常好的选择。此书介绍了不同领域的指标，以及产品不同时期的侧重点和分析技巧。不过这本书的阅读门槛要比第一本稍高一些，适合有些数据分析经验的人阅读。

从卖橡皮鸭到赌博机的案例，囊括了常用的统计学知识。例如概率计算、泊松分布、正态分布、统计抽样、置信区间、假设检验，等等。非常适合大学没有学习过统计学的人，但是缺点依旧是——啰嗦。

这本书是国外的经典教材，里面有很多丰富有趣的案例。看了这本书，你会发现，原来统计学在生活和工作竟然有如此深刻而有效的应用。闲下来的时候，慢慢看吧。

数据库有很多种，例如Oracle，MySQL，SQL Server，等等。但是现在招聘JD上，要求最多的还是MySQL。而且以后涉及Hadoop时，与Hive最接近的也是MySQL。因此分析君建议大家学习SQL时，可以MySQL入手。

这本书涉及了包括上面提到的很多主流数据库。语言通俗易懂，内容循序渐进，非常适合彻底的SQL小白。

眼熟不？对，又是HeadFirst系列，对新手小白非常友好的一个系列~ 不过，分析君想提醒大家的是，编程学习不同于其他知识，在学习的过程中，一定会遇到一些知其然不知其所以然的问题。但一定要记住，我们学习的是数据分析，而不是计算机科学，所以暂时不用刨根问底，掌握就好。

不适合小白，而更适合有了一些Python基础的人阅读。这本书的作者就是Pandas的作者，因此可以说，这本书就是最佳的Pandas使用指南。不过此书的中文新版据说翻译得……emmm……，所以英文水平OK的朋友们可以去看看英文原版~

R语言的入门书籍，更侧重实践，涉及了从数据读取到各类统计函数的使用。以实际项目讲解R的很多常见应用场景，避免了学会一堆语法，却不知道具体怎么应用的新手入门常见大坑。

以上就是全部的新手入门推荐书单。好书不嫌多，但是能踏实下来读透一本，却是不容易。自学数据分析绝对不是一件容易的事情，坚持下来才会得到想要的结果，不过自学之路，一定要坚持

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。

就数据分析学习而言，需要的技能模块有统计基础+数据库知识+编程能力。其以后的的职业发展方向，一个是业务层面的方向，一个是数据挖掘层面的方向。今天科多大数据和你们一起来谈谈关于数据分析的学习。

1.统计基础

理工科的学生在本科阶段学习过概率论与数理统计，单从做数据分析的角度已经够用。其他方面，可以根据需要查看相关书籍，随时进行查漏补缺即可。个人推荐《深入浅出统计学》，可以让统计理论的学习有趣又自然。

2.数据库知识

关系型数据库很重要。在学习数据分析的初期甚至很长一段时间，你接触到的数据都存储在关系型数据库中，需要学习SQL语言进行数据查询。关于SQL语言，强力推荐《SQL必知必会》，整本书通俗易懂，是学习SQL语言的不二之选。

学习数据库的本质就是在学习一种与数据打交道的逻辑思维与能力。编程中的很多思想都和关系型数据库、SQL相通，比如：SQL中对data进行group by的操作，这个在Excel里类似于透视表，在Python/R中也有相应的group function去处理数据。甚至在以后的进阶过程，你会接触到分布式数据库和所对应的no-SQL语句。

3.编程能力

Excel。 透视表（Pivot Table）是做数据分析的必备技能。透视表可以帮你迅速汇总数据，看到各类型数据的直观特征就像是让你站在更高的视角看待数据。作为进阶，Excel自带的函数、各种插件，以及VBA也是很好的工具。

Python。当数据量大到用Excel打开都要很久或者我们想进步提升能力时，需要学些hardcore技能，即用编程语言做数据分析。这里主要有R和Python两大流派。个人推荐Python，一是代码简单易懂，容易上手；二是学习资料多，降低学习成本。推荐《利用Python进行数据分析》，涵盖了利用Python做数据清洗，数据可视化及分析的技能点，可以作为一本工具书随时查阅。

Python 是目前科多大数据分析课程里面非常重要的一项内容，下面这张图更能直观反映学习内容

当然需要特别指出，数据分析课程学习内容肯定不止python这一项内容，还包括数据分析基础，互联网电子商务、经济学基础，数据产品（可视化报表）等各个板块的学习。

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。

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。

数据分析师这个职业越来越火，越来越多的人想往这个方向发展。

有在校生，也有转行的小伙伴来咨询数据分析师这个职业的相关问题。

从大部分情况来看，大家对于数据分析师的职业发展和技能非常关心。

那么别的先不说，数据分析入门到底要学什么？怎么学？

Excel

作为数据分析师，Excel是必备技能。Excel 是经过检验的可靠的数据分析工具，它广泛存在，非程序人员也能便捷操作，所以大多数企业即使也使用其他工具，但 Excel 工具还是他们的不二选择。

统计学

统计学同样是数据分析师的必备技能之一，你只有学好了统计学才能谈得上数据分析。统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。如果你想成为一名出色的数据分析师，那么你就必须要会统计学。

推荐图书：《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

sql是所有数据库查询的语言，sql非常容易入手。

针对不同的数据库，如mysql、sqlserver、oracle等，sql语法会有所不同，但是总体上大同小异，只是细微处的差别。

而且如果你有数据库基础的话，只需要找些sql查询的习题来做一下，就会很快的得到提高。

推荐图书：《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。

数据分析思维

作为一名数据科学家需要很挑剔，并且善于发现他人会遗漏的东西。那么我们应该如何做到像数据科学家一样思考呢？

梳理分析思路，并搭建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

推荐图书：金字塔原理

金字塔的基本结构是：中心思想明确，结论先行，以上统下，归类分组，逻辑递进。先重要后次要，先全局后细节，先结论后原因，先结果后过程。

行业知识

对于数据分析师来说，业务的了解比数据方法论更重要。而且业务学习没有捷径。这一部分也没有什么书可以看的了，基本都靠搜索，总结，思考，再搜索，总结，思考。

如果你有志于做一个数据专家，你就应该保持一颗好奇心，总是不断探索，学习，问各种问题。在线入门教程和视频教程能帮你走出第一步，但是最好的方式就是通过熟悉各种已经在生产环境中使用的工具而为成为一个真正的数据专家做好充分准备。

我咨询了我们真正的数据专家，收集整理了他们认为所有数据专家都应该会的七款 Python 工具。The Galvanize Data Science 和 GalvanizeU 课程注重让学生们花大量的时间沉浸在这些技术里。当你找第一份工作的时候，你曾经投入的时间而获得的对工具的深入理解将会使你有更大的优势。下面就了解它们一下吧：

1、IPython

IPython 是一个在多种编程语言之间进行交互计算的命令行 shell，最开始是用 python 开发的，提供增强的内省，富媒体，扩展的 shell 语法，tab 补全，丰富的历史等功能。IPython 提供了如下特性:

更强的交互 shell(基于 Qt 的终端)

一个基于浏览器的记事本，支持代码，纯文本，数学公式，内置图表和其他富媒体

支持交互数据可视化和图形界面工具

灵活，可嵌入解释器加载到任意一个自有工程里

简单易用，用于并行计算的高性能工具

由数据分析总监，Galvanize 专家 Nir Kaldero 提供。

2、GraphLab Greate

GraphLab Greate 是一个 Python 库，由 C++ 引擎支持，可以快速构建大型高性能数据产品。

这有一些关于 GraphLab Greate 的特点：

可以在您的计算机上以交互的速度分析以 T 为计量单位的数据量。

在单一平台上可以分析表格数据、曲线、文字、图像。

最新的机器学习算法包括深度学习，进化树和 factorization machines 理论。

可以用 Hadoop Yarn 或者 EC2 聚类在你的笔记本或者分布系统上运行同样的代码。

借助于灵活的 API 函数专注于任务或者机器学习。

在云上用预测服务便捷地配置数据产品。

为探索和产品监测创建可视化的数据。

由 Galvanize 数据科学家 Benjamin Skrainka 提供。

3、Pandas

pandas 是一个开源的软件，它具有 BSD 的开源许可，为 Python 编程语言提供高性能，易用数据结构和数据分析工具。在数据改动和数据预处理方面，Python 早已名声显赫，但是在数据分析与建模方面，Python 是个短板。Pands 软件就填补了这个空白，能让你用 Python 方便地进行你所有数据的处理，而不用转而选择更主流的专业语言，例如 R 语言。

整合了劲爆的 IPyton 工具包和其他的库，它在 Python 中进行数据分析的开发环境在处理性能，速度，和兼容方面都性能卓越。Pands 不会执行重要的建模函数超出线性回归和面板回归;对于这些，参考 statsmodel 统计建模工具和 scikit-learn 库。为了把 Python 打造成顶级的统计建模分析环境，我们需要进一步努力，但是我们已经奋斗在这条路上了。

由 Galvanize 专家，数据科学家 Nir Kaldero 提供。

4、PuLP

线性编程是一种优化，其中一个对象函数被最大程度地限制了。PuLP 是一个用 Python 编写的线性编程模型。它能产生线性文件，能调用高度优化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，来求解这些线性问题。

由 Galvanize 数据科学家 Isaac Laughlin 提供

5、Matplotlib

matplotlib 是基于 Python 的 2D(数据)绘图库，它产生(输出)出版级质量的图表，用于各种打印纸质的原件格式和跨平台的交互式环境。matplotlib 既可以用在 python 脚本, python 和 ipython 的 shell 界面 (ala MATLAB 或 Mathematica)，web 应用服务器，和6类 GUI 工具箱。

matplotlib 尝试使容易事情变得更容易，使困难事情变为可能。你只需要少量几行代码，就可以生成图表，直方图，能量光谱(power spectra)，柱状图，errorcharts，散点图(scatterplots)等,。

为简化数据绘图，pyplot 提供一个类 MATLAB 的接口界面，尤其是它与 IPython 共同使用时。对于高级用户，你可以完全定制包括线型，字体属性，坐标属性等，借助面向对象接口界面，或项 MATLAB 用户提供类似(MATLAB)的界面。

Galvanize 公司的首席科学官 Mike Tamir 供稿。

6、Scikit-Learn

Scikit-Learn 是一个简单有效地数据挖掘和数据分析工具(库)。关于最值得一提的是，它人人可用，重复用于多种语境。它基于 NumPy，SciPy 和 mathplotlib 等构建。Scikit 采用开源的 BSD 授权协议，同时也可用于商业。Scikit-Learn 具备如下特性:

分类(Classification) – 识别鉴定一个对象属于哪一类别

回归(Regression) – 预测对象关联的连续值属性

聚类(Clustering) – 类似对象自动分组集合

降维(Dimensionality Reduction) – 减少需要考虑的随机变量数量

模型选择(Model Selection) –比较、验证和选择参数和模型

预处理(Preprocessing) – 特征提取和规范化

Galvanize 公司数据科学讲师，Isaac Laughlin提供

7、Spark

Spark 由一个驱动程序构成，它运行用户的 main 函数并在聚类上执行多个并行操作。Spark 最吸引人的地方在于它提供的弹性分布数据集(RDD)，那是一个按照聚类的节点进行分区的元素的集合，它可以在并行计算中使用。RDDs 可以从一个 Hadoop 文件系统中的文件(或者其他的 Hadoop 支持的文件系统的文件)来创建，或者是驱动程序中其他的已经存在的标量数据集合，把它进行变换。用户也许想要 Spark 在内存中永久保存 RDD，来通过并行操作有效地对 RDD 进行复用。最终，RDDs 无法从节点中自动复原。

Spark 中第二个吸引人的地方在并行操作中变量的共享。默认情况下，当 Spark 在并行情况下运行一个函数作为一组不同节点上的任务时，它把每一个函数中用到的变量拷贝一份送到每一任务。有时，一个变量需要被许多任务和驱动程序共享。Spark 支持两种方式的共享变量：广播变量，它可以用来在所有的节点上缓存数据。另一种方式是累加器，这是一种只能用作执行加法的变量，例如在计数器中和加法运算中。