本科学历入门数据分析统计服

Ⅰ 文科生怎么从零开始学习数据分析

1、在选择数据分析师这条路之前，一定要思考再三，虽然这条路看着光鲜靓丽（至少职业的薪酬收入类比其他行业不会好不少），但也是一条艰难前行之路，充满着未知、荆棘和困惑，尤其是对于文科出身的我，付出的努力更是一般理工男的好几倍吧应该……

2、虽然数据分析这个行业有着天然的专业鄙视链（文理科的逻辑思维功底、编程语言接受程度上以及数理统计基础实实在在的存在差别，这也是甲方更信赖理工科出身的重要原因，因为社科或文艺类专业，很少有学校会严格地按照数理逻辑去制定学生的课程培养计划），但是并不代表文科生没有任何机会，因为大学以前，其实我们都没正式接触过编程或统计学，大学本科更多的是提升一个人的思维、而不是过硬的专研能力。所以文科专业的朋友，兴趣和决定也是重要因素，不能单单凭借客观的专业背景就否定自己。

3、如果你要坚定的选择这条路，就必须克服各种依赖症，比如安装一个R语言或Python软件，从庞大的数据中得出客观的结论过程，用学到的知识去分析数据的价值等等，一定要动手动脑去实战，不要单凭以前的文科思维（更注重思维的创造和个性的发扬），理性思维和客观科学更重要。因为这种学习习惯决定着你必然会被同行的有心者远远地摔在后面，网络、谷歌、Stack Overflow永远向你免费敞开大门；

4、动手实践和实习参与项目是很好的数据科学或者数据分析的开端，只学不练假把式，只有直接用于实战，才能看出来你学的东西到底有多少能够落地，能够用于提升业务的价值；

5、在求职以前，倘若时间允许，把R语言、Python（数据科学相关模块）、SQL（可以选择一个平台，比如MySQL）这三大关卡早点过了。（如果你不想再天天加班补的话）；

其实文科生学习数据分析或零基础转行的痛快和纠结大家都有，但任何的时间节点上，倘若一直停滞不前、犹豫不决，那么所有可以有或可能有的机会都会错失。庆幸我虽然浑浑噩噩，一路上也是披荆斩棘，但时光不负我，付出终究收获成果！愿所有文科生想进入数据分析行业或转行的小伙伴一切都顺利。

Ⅱ 大数据分析自学能行吗

大数据听起来高大上，真正了解大数据的人都清楚大数据行业是非常辛苦的。大数据的内容涉及到较多的基础内容，只有把基础内容融会贯通以后，才会往更高一层的数据分析师前进。

首先，想零基础学习大数据分析工作，一般最好有个本科的学历，大专也行。只是专科学历即使掌握了一定的大数据分析技术，在就业市场上的核心竞争力比较低，现在用人单位对于数据分析的职位的最低要求是本科及以上学历。

零基础学习大数据分析工作，需要有一定的编程能力，编程能力是可以练习与提升的。

目前大数据行业对于对于人才的要求也比较全面且严格。对于高级的大数据分析人才，会SAS、R、PYTHON三个软件中的一个或者多个是基础的要求，同时要求有一定的数理统计基础，这是对专业知识的要求，懂业务、有逻辑、对数据敏感、能够写分析报告、用数据解决实际问题，这是对数据分析人才的高级要求。

Ⅲ 什么人适合学数据分析呢

没有适不适合做数据分析师，只有想不想做。学之前可以收集一下网上信息，判断自己对数据分析是否感兴趣，多积累行业经验也很重要。

首先要明确一点，数据分析的最终目的是帮助企业实现业务增长，需要有良好的业务能力，平时需要多与销售、运营以及管理人员沟通，才能对公司整体的业务有正确、准确地把握。

数据分析思维是可以在以后数据分析工作中培养的，计算机、数学基础、理解能力、分析能力以及沟通能力，这些都是成为数据分析师的必备能力，其他一些知识和技能，可以从学习和工作中得到。

很多人都是零基础转行做的数据分析师。如果是担心没有编程经验，不能做技术、开发之类的，可以选择业务数据分析师，通过对数据的科学分析，实现业务的增长。

数据分析师本身并没有门槛，想入行的话，都可以，最重要的是选对自己的方向，是选择业务方向还是技术方向。

如果想学习数据分析可以到CDA数据分析认证中心了解一下。CDA是大数据和人工智能时代面向国际范围全行业的数据分析专业人才职业简称，具体指在互联网、金融、咨询、电信、零售、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据人才。

Ⅳ 学数据分析，最低学历有要求吗

没有最低学历，但最低要求是必须掌握微积分，线性代数，数理统计三项基础高数课程，这是硬指标，否则谈不上数据分析，顶多是个数字统计。同时需要中等程度掌握python编程及部分使用sql数据库编程，或能最低程度应用excel做为分析工具。

Ⅳ 大学生如何自学数据分析

在校大学生可以考取数据分析师。报名条件如下：一、Level Ⅰ（满足以下之一皆可报名）： 1. 拥有本科及以上学历或在校本科大四学生； 2. 本科以下学历非学生需从事数据分析相关工作1年及以上。二、Level Ⅱ：（满足以下之一皆可报名）： 1. 本科及以上学历并从事数据分析相关工作2年以上； 2. 本科以下学历需从事数据分析相关工作3年以上。三、Level Ⅲ：（满足以下之一皆可报名）： 1. 本科及以上学历并从事数据分析相关工作5年以上； 2. 本科以下学历需从事数据分析相关工作6年以上。注：上述数据分析相关工作不限制行业，工作涉及统计，数据分析，数据挖掘，数据库，数据管理等内容即可。

Ⅵ 我是统计学本科生，就业想从事数据分析师，

获得数据分析师资格证的人士，可以从事数据分析师的工作。
学习经济学、财务、统计、投资、金融和企业管理等相关专业的在校学生（毕业后才能取证）以及应届毕业生，如果在工业和信息化部教育与考试中心和中国商业联合会数据分析专业委员会统一安排考核并考核合格，可获得由工业和信息化部教育与考试中心颁发的《项目数据分析师职业技术证书》和中国商业联合会数据分析专业委员会颁发的《项目数据分析师证书》。
数据分析师技能要求：
1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。
2、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。
3、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。
4、懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。
5、懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

Ⅶ 如何快速成为数据分析师

接下来我们分别从每一个部分讲讲具体应该学什么、怎么学。

数据获取：公开数据、Python爬虫

如果接触的只是企业数据库里的数据，不需要要获取外部数据的，这个部分可以忽略。

外部数据的获取方式主要有以下两种。

第一种是获取外部的公开数据集，一些科研机构、企业、政府会开放一些数据，你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。

另一种获取外部数据费的方式就是爬虫。

比如你可以通过爬虫获取招聘网站某一职位的招聘信息，爬取租房网站上某城市的租房信息，爬取豆瓣评分评分最高的电影列表，获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某种人群进行分析。

在爬虫之前你需要先了解一些 Python 的基础知识：元素（列表、字典、元组等）、变量、循环、函数（链接的菜鸟教程非常好）……以及如何用成熟的 Python 库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫。如果是初学，建议从 urllib 和 BeautifulSoup 开始。（PS：后续的数据分析也需要 Python 的知识，以后遇到的问题也可以在这个教程查看）

网上的爬虫教程不要太多，爬虫上手推荐豆瓣的网页爬取，一方面是网页结构比较简单，二是豆瓣对爬虫相对比较友好。

掌握基础的爬虫之后，你还需要一些高级技巧，比如正则表达式、模拟用户登录、使用代理、设置爬取频率、使用cookie信息等等，来应对不同网站的反爬虫限制。

除此之外，常用的的电商网站、问答网站、点评网站、二手交易网站、婚恋网站、招聘网站的数据，都是很好的练手方式。这些网站可以获得很有分析意义的数据，最关键的是，有很多成熟的代码，可以参考。

数据存取：SQL语言

你可能有一个疑惑，为什么没有讲到Excel。在应对万以内的数据的时候，Excel对于一般的分析没有问题，一旦数据量大，就会力不从心，数据库就能够很好地解决这个问题。而且大多数的企业，都会以SQL的形式来存储数据，如果你是一个分析师，也需要懂得SQL的操作，能够查询、提取数据。

SQL作为最经典的数据库工具，为海量数据的存储与管理提供可能，并且使数据的提取的效率大大提升。你需要掌握以下技能：

提取特定情况下的数据：企业数据库里的数据一定是大而繁复的，你需要提取你需要的那一部分。比如你可以根据你的需要提取2018年所有的销售数据、提取今年销量最大的50件商品的数据、提取上海、广东地区用户的消费数据……，SQL可以通过简单的命令帮你完成这些工作。

数据库的增、删、查、改：这些是数据库最基本的操作，但只要用简单的命令就能够实现，所以你只需要记住命令就好。

数据的分组聚合、如何建立多个表之间的联系：这个部分是SQL的进阶操作，多个表之间的关联，在你处理多维度、多个数据集的时候非常有用，这也让你可以去处理更复杂的数据。

数据预处理：Python（pandas）

很多时候我们拿到的数据是不干净的，数据的重复、缺失、异常值等等，这时候就需要进行数据的清洗，把这些影响分析的数据处理好，才能获得更加精确地分析结果。

比如空气质量的数据，其中有很多天的数据由于设备的原因是没有监测到的，有一些数据是记录重复的，还有一些数据是设备故障时监测无效的。比如用户行为数据，有很多无效的操作对分析没有意义，就需要进行删除。

那么我们需要用相应的方法去处理，比如残缺数据，我们是直接去掉这条数据，还是用临近的值去补全，这些都是需要考虑的问题。

对于数据预处理，学会 pandas 的用法，应对一般的数据清洗就完全没问题了。需要掌握的知识点如下：

选择：数据访问（标签、特定值、布尔索引等）

缺失值处理：对缺失数据行进行删除或填充

重复值处理：重复值的判断与删除

空格和异常值处理：清楚不必要的空格和极端、异常数据

相关操作：描述性统计、Apply、直方图等

合并：符合各种逻辑关系的合并操作

分组：数据划分、分别执行函数、数据重组

Reshaping：快速生成数据透视表

概率论及统计学知识

数据整体分布是怎样的？什么是总体和样本？中位数、众数、均值、方差等基本的统计量如何应用？如果有时间维度的话随着时间的变化是怎样的？如何在不同的场景中做假设检验？数据分析方法大多源于统计学的概念，所以统计学的知识也是必不可少的。需要掌握的知识点如下：

基本统计量：均值、中位数、众数、百分位数、极值等

其他描述性统计量：偏度、方差、标准差、显著性等

其他统计知识：总体和样本、参数和统计量、ErrorBar

概率分布与假设检验：各种分布、假设检验流程

其他概率论知识：条件概率、贝叶斯等

有了统计学的基本知识，你就可以用这些统计量做基本的分析了。通过可视化的方式来描述数据的指标，其实可以得出很多结论了，比如排名前100的是哪些，平均水平是怎样的，近几年的变化趋势如何……

你可以使用python的包 Seaborn（python包）在做这些可视化的分析，你会轻松地画出各种可视化图形，并得出具有指导意义的结果。了解假设检验之后，可以对样本指标与假设的总体指标之间是否存在差别作出判断，已验证结果是否在可接受的范围。

python数据分析

如果你有一些了解的话，就知道目前市面上其实有很多 Python 数据分析的书籍，但每一本都很厚，学习阻力非常大。但其实真正最有用的那部分信息，只是这些书里很少的一部分。比如用 Python 实现不同案例的假设检验，其实你就可以对数据进行很好的验证。

比如掌握回归分析的方法，通过线性回归和逻辑回归，其实你就可以对大多数的数据进行回归分析，并得出相对精确地结论。比如DataCastle的训练竞赛“房价预测”和“职位预测”，都可以通过回归分析实现。这部分需要掌握的知识点如下：

回归分析：线性回归、逻辑回归

基本的分类算法：决策树、随机森林……

基本的聚类算法：k-means……

特征工程基础：如何用特征选择优化模型

调参方法：如何调节参数优化模型

Python 数据分析包：scipy、numpy、scikit-learn等

在数据分析的这个阶段，重点了解回归分析的方法，大多数的问题可以得以解决，利用描述性的统计分析和回归分析，你完全可以得到一个不错的分析结论。

当然，随着你实践量的增多，可能会遇到一些复杂的问题，你就可能需要去了解一些更高级的算法：分类、聚类，然后你会知道面对不同类型的问题的时候更适合用哪种算法模型，对于模型的优化，你需要去学习如何通过特征提取、参数调节来提升预测的精度。这就有点数据挖掘和机器学习的味道了，其实一个好的数据分析师，应该算是一个初级的数据挖掘工程师了。

系统实战

这个时候，你就已经具备了数据分析的基本能力了。但是还要根据不同的案例、不同的业务场景进行实战。能够独立完成分析任务，那么你就已经打败市面上大部分的数据分析师了。

如何进行实战呢？

上面提到的公开数据集，可以找一些自己感兴趣的方向的数据，尝试从不同的角度来分析，看看能够得到哪些有价值的结论。

另一个角度是，你可以从生活、工作中去发现一些可用于分析的问题，比如上面说到的电商、招聘、社交等平台等方向都有着很多可以挖掘的问题。

开始的时候，你可能考虑的问题不是很周全，但随着你经验的积累，慢慢就会找到分析的方向，有哪些一般分析的维度，比如top榜单、平均水平、区域分布、年龄分布、相关性分析、未来趋势预测等等。随着经验的增加，你会有一些自己对于数据的感觉，这就是我们通常说的数据思维了。

你也可以看看行业的分析报告，看看优秀的分析师看待问题的角度和分析问题的维度，其实这并不是一件困难的事情。

在掌握了初级的分析方法之后，也可以尝试做一些数据分析的竞赛，比如 DataCastle 为数据分析师专门定制的三个竞赛，提交答案即可获取评分和排名：

员工离职预测训练赛

美国King County房价预测训练赛

北京PM2.5浓度分析训练赛

种一棵树最好的时间是十年前，其次是现在。现在就去，找一个数据集开始吧！！

Ⅷ 我也已经25岁其实就有转行的打算了，想转数据分析大数据行业，我大学本科是和这个专业相关的，

来得及就赶紧哦
首先，大数据行业的入行门槛至少是大专及以上学历，按照大多数人受教育的年纪来说，大专毕业至少21+，本科生至少22+，研究生以上学历年龄会更大，不少人的职业生涯是从本科或研究生起步的，那样少说也得二十四五了
现今大数据人才的来源主要靠市场培训，市场上的大数据培训以技术入门为主，不少人是程序员转行做大数据的，大多数程序员是大专及本科毕业后入职，经过几年职场历练后，程序员在工作中不仅对业务知识有一定积累，且对IT行业也有自己的积累和理解，这样意味这部分人进入大数据市场有先发优势，同时意味着他们年纪也应该在25岁+

Ⅸ 学历低，想学习数据分析，去哪学比较好

照我多年的观察，学习大数据的人群学历最低基本上是在大专，一般都是本科或硕士生居多，不过这不是绝对的，毕竟大数据相关职位对行业知识和项目经验也很看重，如果家庭经济情况允许，自己学习意愿也比较强的，在校生可以选择读研，已经本科毕业出来的学生，可以选择报一个大数据就业班之类的，系统地提高一下自己的业务能力和实操经验。

对于学历这个问题，一般来说，当你没有任何基础的时候，能拿得出手的只有学历，本科生当然竞争不过研究生。但是随着工作时间久了，你的能力达到了这个职位的要求，学历就不重要了。尤其是对业务能力要求比较高的数据分析师、数据挖掘师这些职位，你的行业知识和业务理解能力在很多情况下比学历更加重要。

至于去哪里学，这个你可以货比三家，结合自己的专业背景和兴趣偏好，选择你更加喜欢或更加信任的课程，虽然课程整体上都是大同小异，但讲师的授课方式和个人水平很重要，一定要找好符合自己心态和感官的讲师，这样你学起来会更加得心应手。我们CDA也有大数据分析就业班，有时间可以了解一下，让课程顾问帮你好好分析分析你目前所处的水平在什么位置，然后再量身为你推荐适合你学习的课程。

为让更多有志人士实现AI梦，进入人工智能行业，CDA数据分析师为小伙伴们量身打造了《CDA人工智能就业班》。课程采用“case by case”的方式，通过实际案例手把手将人工智能技术传授给学员。

不仅如此，我们还为《CDA人工智能就业班》成功毕业的学员，开通了就业直通车，为其推荐相关工作单位。

同时，报名参加CDA数据分析师培训课程的学员或企业，还可申请政府补贴，每人每年合计最高可达1万元，具体的补贴标准请详细咨询哦！

Ⅹ 学数据分析的最低学历是什么

我觉得这个不是特别的有难度，在高中的时候就学过，所以我感觉最低学历是高中就可以了，慢慢学呗。