隨著數據分析相關領域變得火爆，最近越來越多的被問到：數據分析如何從頭學起？其中很多提問者都是商科背景，之前沒有相關經驗和基礎。 我在讀Buisness Analytics碩士之前是商科背景，由於個人興趣愛好，從大三開始到現在即將碩士畢業，始終沒有停下自學的腳步。Coursera和EDX等平臺上大概上 ...
隨著數據分析相關領域變得火爆，最近越來越多的被問到：數據分析如何從頭學起？其中很多提問者都是商科背景，之前沒有相關經驗和基礎。
我在讀Buisness Analytics碩士之前是商科背景，由於個人興趣愛好，從大三開始到現在即將碩士畢業，始終沒有停下自學的腳步。Coursera和EDX等平臺上大概上過20多門網課，Datacamp上100多門課里，刷過70多門。這篇文章是想談一談個人的數據分析學習經驗，希望對想要入門這個領域的各位有幫助。
1. 基本工具
學習數據分析的第一步，是瞭解相關工具
Excel
excel至是最基礎的數據分析工具，至今還是非常有效的，原因是它便於使用，受眾範圍極廣，且分析結果清晰可見。
相信大多數人都有使用excel的基本經驗，不需要根據教材去學習了。重點掌握：基本操作的快捷鍵；函數：計算函數、if類、字元串函數、查找類(vlookup和match)，一定要熟悉函數功能的絕對和相對引用； 數據透視表功能等。另外，excel可以導入一些模塊來使用，典型的包括數據分析模塊，作假設檢驗常用；規劃求解，作線性規劃和決策等問題非常有效。利用這些模塊可以獲得很不錯的分析報告，簡單且高效。
SQL
數據分析的絕對核心！大部分數據分析工作都是對數據框進行的，在這個過程中，需要不斷的根據已有變數生成新變數、過濾掉一些樣本還有轉換level。SQL的設計就是為瞭解決這些問題。其他常用的數據操作工具，包括R語言的數據框、Python里的pandas，基本都是借鑒了SQL的思想，一通百通。
SQL入門容易，它的語法極其簡單，基本可以說上過一門相關的課或看過一本相關的書就可以瞭解大概，但融會貫通並能夠進行各種邏輯複雜的操作，就需要長時間的錘煉了。
SQL的學習建議，隨便找一本書或者網課就好，因為主流的課程基本都是一個思路：先講SELECT、WHERE、GROUP BY(配合簡單的聚合函數)、ORDER BY這類單表操作，之後講JOIN進行多表連接。除此之外，必會的基本技能還應該包括WINDOW FUNCTION和CASE WHEN等等。學了基本的內容之後，就是找項目多練，不斷提升。
R/Python
熟練SQL之後，對數據操作方面的內容就得心應手了。接下來更複雜的問題，如搜索和建模，則需要使用編程語言。
R vs Python
目前最主流的數據分析編程語言就是R和Python，網上遍是關於這兩者的爭論，有興趣的可以簡單看一下，但不用陷入過度的糾結。我個人的經驗來看，熟練兩者其中的任何一個都可以勝任數據分析中的大部分工作，不存在某一個語言有明顯缺陷的情況。
這裡不想大篇幅的比較兩者，但是想簡單的說一下兩者的側重點：
R語言是為瞭解決統計問題而設計的，因此它有一個很人性化的地方：最大程度的簡化語言，從而讓分析人員忽略編程內容，直面數據分析。也因為是統計語言，很多基本的統計分析內容在R里都是內置函數，調用十分便捷。此外，R的報告能力很強，大部分模型庫在訓練模型後都會提供很多細節，也比較容易通過rmd轉換成優美的doc/pdf/html。
Python先是一門general的編程語言，之後才是數據分析工具。初學python，語法肯定是不如R容易理解的。但使用到後來，當越來越多的需要自己定義時，Python的優勢就顯現出來了。另外，Python在數據量大時速度會比較快。
至於先學哪一個，需要結合自己的規劃來看：如果最終兩個都要學，那我毫不猶豫的建議從R開始；如果兩個選一個學的話，我目前傾向於Python，不過如果你確定自己以後只做業務方面的內容，那R可能更好一些。另外，如果有專註的領域的話，那麼要結合自己的領域來定，比如搞投資分析的可以看一看R語言的PortfolioAnalytics庫，大概就明白，說R語言把編程簡化專註結果所言非虛。
R語言學習
當然無論入門哪種語言，學習路徑都很重要。R語言的學習建議從基礎數據結構開始，瞭解R中的vector、dataframe和list等結構，對語法有基本的理解。之後建議學習dplyr和ggplot2這兩個庫，兩者分別是數據操縱和可視化庫，學過之後可以做一些基本的數據項目了。學習平臺首推datacamp，是付費的但絕對物有所值，沒有比邊學邊練更好的學習方式了。此外推薦一本R語言實戰(R in Action)，可以當作學習手冊。
Python學習
包括我在內的很多同學都把Coursera上的Python for everyone當作啟蒙教材，這是一門很好的課程，但對於專註數據分析的Python使用者而言，課程沒有提供最完美的學習路徑。學習Python也應該從數據結構開始，list、dictionary、tuple這些數據結構要瞭解。之後建議學習numpy、pandas和matplotlib，分別是矩陣庫、數據框庫和可視化庫，基本就算是入門了。學習Python，Datacamp依然是個很不錯的平臺，但是資源不如R豐富。首推一本叫《利用python進行數據分析》(Python for data analysis)的教材，直接傳授數據分析最需要的編程技能，熟悉書中的知識基本就可以說學會Python數據分析的基本操作了。
2. 描述性分析和統計基礎
瞭解基本工具之後，還要擁有相關的知識才能正式開始數據分析。分析的基礎是統計知識，相信大部分人都學過概率和統計相關的課程，自己基礎是否夠扎實，可以考一考自己：均值/標準差/相關性等指標，各種探索性分析場景用哪種可視化方法比較好，抽樣分佈/置信區間/假設檢驗，貝葉斯理論等。在這些相關內容沒有徹底熟練之前，建議不要認為自己基礎已經足夠扎實了，這些內容都是值得反覆學習的。另外，可以結合數據分析工具來學習，比如用R或Python進行雙均值假設檢驗（當然這裡是手寫而不是調用函數），對理解編程和理解統計都有幫助。
這裡推薦《深入淺出統計學》和《深入淺出數據分析》兩本書，可以作為入門，也可以作為複習，當然如果統計背景比較深，沒必要看了，太基礎了。也推薦Coursera杜克大學的Statistics with R，前三門課質量都比較高，需要有R的基本知識，可以邊學統計邊練R。
描述性分析真的很重要，這裡需要再強調一下。如果真的想做數據分析，尤其是業務導向的數據分析，建議一定要重視這部分。平時做項目也是一樣的，拿到數據後先徹底的理解數據，不要急著往模型里放。
3. 機器學習
終於到了機器學習，我猜對於很多數據分析學習者，機器學習是本質目的。機器學習是有不同種學法的：對於業務數據分析者，瞭解各類模型的使用場景、優劣勢，基本就足夠了；對於偏數據科學和挖掘的人員來說，要深入理解每一種模型，至少得寫出推導步驟；更深入的演算法導向人員，還要有從頭實現演算法的能力。這篇文章的目標讀者主要是第一類和第二類。
學習機器學習模型可以從理解模型和實現兩個方向入手，目前主流的實現工具還是R和Python。Datacamp上有很多用R和Python進行機器學習的課程，看了之後基本可以瞭解機器學習模型在做什麼，平時的應用場景大概怎樣。流行的模型一定要理解，像邏輯回、支持向量機(核函數)、k鄰近、朴素貝葉斯、集成學習模型(隨機森林和各類boosting)都是很常用的模型；bias-variance tradeoff、標準化、正則化、交叉檢驗、重採樣，這些概念也要瞭解。
如果想進一步深入的去理解模型細節，那麼微積分和線性代數是必要的先修課，否則無法繼續進行了。當然如果決定進一步學習細節，需要看更多的教材，上一些相關課程。
網上的相關課有很多，目前最火爆的肯定是Coursera Andrew Ng的機器學習。這門課也是我的入門課，確切的說我第一次學這門課的時候，甚至還不會調包，也不太會編程，就跟著一步一步做，很艱難的完成了作業。做到神經網路那部分，當時實在寫不出來，去網上找答案看。到現在，這門課我應該看過有五遍了，基本上每隔幾個月重新看一下都有新的收穫。
Coursera還有另一系列的機器學習課來自華盛頓大學，質量也很高，課程用Python(缺陷是使用的庫不是pandas和sklearn，而是授課者自己開發的庫)，很大一部分內容是手寫模型，很有助於打好基礎。此外，因為這是一系列課，所以覆蓋範圍要比Andrew Ng的課廣一些，回歸問題、分類問題、非監督問題，都單獨成為一門課程。
很多機器學習的教材寫的也不錯，比如An Introduction to Statistical Learning(ISL)和Machine Learning with R，兩者都是講模型的數學推導，並用R語言實現。
機器學習確實是很深奧的東西，如果時間允許建議經典的課程和教材都看一看，有的課甚至可以多看幾遍。
4. 更進一步
如果以上內容都比較扎實的完成，可以說能夠進行大部分項目了，也對數據分析有著很成體系的理解。之後可以結合自己的需求，深入學習更多的內容，或者結合實際項目練習。嘗試著找一些完整的項目去做，比如說kaggle就是很不錯的平臺，會提供數據集進行使用。kaggle的入門賽也做的很好，簡單易懂，讓新人不會太迷茫。
如果有額外興趣的話，還是有很多更深奧的東西值得學習的，比如深度學習範圍的內容或者大數據的相關技術等。
5. 結尾的話
很多人在入門數據分析時候都會問：我從零開始，多久能學會機器學習？其實取決於你怎麼理解會，如果從頭學python，到能使用sklearn調出機器學習模型，大概一個月就完成了。但深入的去理解以上內容，確實不是一年半載能完成的。
我見過很多人追求速成，也確實速成了。遇到項目基本就是把數據導進來，不做特征處理，然後調出各種模型(其中不乏像神經網路和boosting這種比較高級的模型)，每個用預設參數試一次，看看效果。然而數據分析沒那麼簡單，也沒那麼fancy。做一個項目，80%的時間都在準備，涉及到許多數據清理和操作，其中的一些東西是任何教材和課程都無法傳授的。
還是更建議一步一個腳印的去學習，邊學邊做、邊學邊想，記好學習筆記，並定期總結學習心得。打好基礎不可急於求成，才是學習的最好途徑。
如果覺得這篇文章對你有幫助，請把文章推薦給你身邊的朋友！我還是要推薦下我自己創建的大數據資料分享群142973723，這是大數據學習交流的地方，不管你是小白還是大牛，小編都歡迎，不定期分享乾貨，包括我整理的一份適合零基礎學習大數據資料和入門教程。
