本文是针对数据分析写的Python教程，文章内容针对以下初学者遇到的问题：

• 需要学多久的Python？
• 需要学到什么程度的Python？
• 学Python的最优课程和书籍有什么？
• 为了处理数据集，我需要精通Python吗？

在开始正式的分享之前我们先来看一下，数据分析的工作流程：

一、消除误解

很多人因为想做数据分析，从而开始了python的编程学习，每天沉迷于代码和书籍之间。但是最后发现学到的只是python用于软件的开发，并非是数据分析。

Python实际针对数据分析的学习是库，用库来解决一系列的数据分析问题。所以建议就是数据分析方向并没有必要精通Pythn。

实际的学习Python过程就是：

• 掌握Python基础；
• 学习Numpy；
• 学习Pandas
• 学习Matplib

建议是掌握Python基础之后按照上述顺序进行库的学习，很多人会还没学好一个，就进入下一个从而导致学习失败。

二、数据分析之Python基础

至于Python基础需要掌握什么，请大家对照图片的基础和链接当中的课程进行规划和学习，建议Python基础如果你每天学习时间比较多，超过3小时的话，学习时长为20天内之内。少于三小时按照进度以此类推。

其次就是机器学习相关知识大家也是要掌握的，不需要你明白推导公式是怎么推的，但是原理要知道。

二、数据分析之书籍推荐

提醒一下，不要买数据分析的工具书，所有工具书的内容都可以百度一下解决，一般来说工具书的内容也比较浅显。建议大家选择实战类书籍，毕竟数据分析也离不开实战。

数据分析类书籍推荐：

《增长黑客》《社会调查设计与数据分析》（这本墙裂推荐，理论+实际，让我们有效学习）《深入浅出数据分析》

产品思维类：

建议大家听《梁宁的产品课》

本文上述内容均适合0-3年的数据分析师，如果你想进阶的话，还要学好数学、统计学、数据挖掘。回答这篇内容的时候，也看了很多人整理的内容，看到一份还不错比较全面的分享给大家：

图片来源于CSDN，傅一平

书籍和知识体系都分析完了，最后身为数据分析师的你们，一定要知道实战真的很重要。但是大家基本都苦恼，哪找数据去？哪找实战去？我们可以去打比赛，打比赛也可以让我们对数据有一定的理解，更深入到业务。平台：Kaggle、阿里天池、DataFountain；

三、【重要】有关数据分析的Python库

3.1 NumPy

这是最常用的数据分析库了，准确来说是一个数学计算库，包括我们刚刚提到的Pandas也是依赖于Numpy的。

• 我们需要学习的内容是了解NumPy
• 知道数组的属性、形状和类型
• 应用Numpy实现数组的基本操作
• 应用随机数组的创建实现正态分布应用
• 应用Numpy实现数组的逻辑运算
• 应用Numpy实现数组的统计运算
• 应用Numpy实现数组之间的运算

3.2 Pandas

这是为了数据建模分析而生的工具库，内含许多的数据模型，也有很多其他库的优势。学习顺序就是先学NumPy再来学Pandas，需要学习知识点如下：

• 了解Numpy与Pandas的不同
• 说明Pandas的Series与Dataframe两种结构的区别
• 了解Pandas的MultiIndex与panel结构
• 应用Pandas实现基本数据操作
• 应用Pandas实现数据的合并
• 应用crosstab和pivot_table实现交叉表与透视表
• 应用groupby和聚合函数实现数据的分组与聚合
• 了解Pandas的plot画图功能
• 应用Pandas实现数据的读取和存储

3.3 Matplotlib

刚刚提到了一些，他是一个2D绘图库，一堆数据摆在面前的时候，我们可以将它便捷转化成图形。本文中提到的前三个库，就是数据分析Python库中的三驾马车。需要学习内容是：

• 应用Matplotlib的基本功能实现图形显示
• 应用Matplotlib实现多图显示
• 应用Matplotlib实现不同画图种类

大家只要记住可视化是在整个数据挖掘中的关键辅助工具就可以了，所以要学习怎么来画图。

3.4 Scipy

Scipy也是依赖Numpy的，Scipy是一个科学计算工具库。

3.5 StatsModels

StatsModels 包含了许多的统计模型，线性模型、广义线性模型、方差分析、时间序列（Pandas 也可以做，因为 StatsModels 又依赖于 Pandas）和线性混合效用模型等，在统计方面有其独特的优势。

四、总结

以上基本上就是数据分析方向Python学习的内容。对于学习步骤也就是先Numpy或者是Matplotlib，第二学Pandas。

在书《大数据时代》中，提到了这样一种情况：玛丽莎·迈尔在任谷歌高管期间，有时会要求员工测试41种蓝色的阴影效果，哪种被人们使用最频繁从而决定网页工具栏的颜色。这是陷入“数据之上”的误区，这样的数据是毫无意义，访客能不能看出细微的差别不说，几乎没有人会因为阴影效果的不同而决定访问/不访问这一网页。

所以大家还要多多累积经验，以上内容足以学习之后，基本就成为了有数据分析思维的分析师，但是知识和实战一定是是有差距的。我们可以思考的业务场景是：

• 百度首页好物推荐，让你来设计指标衡量这个功能的话，你要怎么做？
• 一个APP，从来没有用户的行为分析，那么要开始进行数据埋点，你会怎么设计？
• 知乎要大力推广视频功能，基于此你如何分析？
• 各类音乐软件都会有每日歌曲和电台推荐，你怎么设计指标衡量功能？