Python 現(xiàn)如今已成為數(shù)據(jù)分析和數(shù)據(jù)科學使用上的標準語言和標準平臺之一。那么作為一個新手小白，該如何快速入門 Python 數(shù)據(jù)分析呢？

下面根據(jù)數(shù)據(jù)分析的一般工作流程，梳理了相關知識技能以及學習指南。

數(shù)據(jù)分析一般工作流程如下：

1. 數(shù)據(jù)采集
2. 數(shù)據(jù)存儲與提取
3. 數(shù)據(jù)清潔及預處理
4. 數(shù)據(jù)建模與分析
5. 數(shù)據(jù)可視化

1.數(shù)據(jù)采集

數(shù)據(jù)來源分為內(nèi)部數(shù)據(jù)和外部數(shù)據(jù)，內(nèi)部數(shù)據(jù)主要是企業(yè)數(shù)據(jù)庫里的數(shù)據(jù)，外部數(shù)據(jù)主要是下載一些公開數(shù)據(jù)取或利用網(wǎng)絡爬蟲獲取。（如果數(shù)據(jù)分析僅對內(nèi)部數(shù)據(jù)做處理，那么這個步驟可以忽略。）

公開的數(shù)據(jù)集我們直接下載即可，所以這部分的重點知識內(nèi)容是網(wǎng)絡爬蟲。那么我們必須掌握的技能有Python 基礎語法、如何編寫 Python 爬蟲。

Python 基礎語法 ：掌握元素（列表、字典、元組等）、變量、循環(huán)、函數(shù)等基礎知識，達到能夠熟練編寫代碼，至少不能出現(xiàn)語法錯誤。

Python 爬蟲內(nèi)容 ：掌握如何使用成熟的 Python 庫（如urllib、BeautifulSoup、requests、scrapy）實現(xiàn)網(wǎng)絡爬蟲。

大部分的網(wǎng)站都有自己的反爬機制，所以還需要學習一些技巧去應對不同網(wǎng)站的反爬策略。主要包括： 正則表達式、模擬用戶登錄、使用代理、設置爬取頻率、使用cookie信息等等。

推薦資源：

• Python3 簡明教程
• 笨辦法學Python 3 (豆瓣)
• 使用 Python 批量爬取網(wǎng)站信息

2.數(shù)據(jù)存儲與提取

提到數(shù)據(jù)存儲，數(shù)據(jù)庫肯定是跑不掉的。SQL 語言作為數(shù)據(jù)庫最基礎的工具，必須掌握！常見的關系數(shù)據(jù)庫和非關系數(shù)據(jù)庫也需要有所了解的。

SQL語言 ： 最基本的四大操作，增刪改查 。需爛熟于心，超級熟練！在分析過程中經(jīng)常需要提取一些指定數(shù)據(jù)，所以能夠 編寫 sql 語句去提取特定數(shù)據(jù) 也是必備技能。在處理一些復雜數(shù)據(jù)的時候，還會涉及到 數(shù)據(jù)的分組聚合、建立多個表之間的聯(lián)系 ，這個也要掌握 。

MySQL 和 MongoDB ：掌握 MySQL 和 MongoDB 的基礎使用，并且了解兩個數(shù)據(jù)庫的區(qū)別。只要學會了這兩個數(shù)據(jù)庫，其他的數(shù)據(jù)庫在此基礎上都能快速上手，輕松玩轉(zhuǎn)。

推薦資源：

• MySQL 基礎課程
• MongoDB 基礎教程

3.數(shù)據(jù)清潔及預處理

往往拿到的數(shù)據(jù)是不干凈的，存在數(shù)據(jù)的重復、缺失、異常值等等。這個時候我們就需要對數(shù)據(jù)進行清潔及預處理，解決掉干擾因素，才能更加精準地分析結(jié)果。

對于數(shù)據(jù)預處理，我們主要利用 Python 的 Pandas 庫進行。

Pandas：用于數(shù)據(jù)處理的程序庫，不僅提供了豐富的數(shù)據(jù)結(jié)構(gòu)，同時為處理數(shù)據(jù)表和時間序列提供了相應的函數(shù)。主要掌握 選擇、缺失值處理、重復值處理、空格和異常值處理、相關操作、合并、分組 等。

推薦資源：

• Pandas 數(shù)據(jù)處理基礎課程
• Pandas 百題大沖關
• Tutorials - pandas 0.25.1 documentation
• 利用Python進行數(shù)據(jù)分析 (豆瓣)

4.數(shù)據(jù)建模與分析

數(shù)據(jù)分析的重頭戲，這部分已經(jīng)不是單純的處理數(shù)據(jù)了，需要掌握一定的數(shù)學概率知識和機器學習相關內(nèi)容。

概率論及統(tǒng)計學知識 ：基本統(tǒng)計量（均值、中位數(shù)、眾數(shù)等）、描述性統(tǒng)計量（方差、標準差等）、統(tǒng)計知識（總體和樣本、參數(shù)和統(tǒng)計量等）、概率分布與假設檢驗（各種分布、假設檢驗流程）、條件概率、貝葉斯等其他概率論知識。

機器學習 ：掌握常用的機器學習分類、回歸、聚類算法和原理，了解特征工程基礎、調(diào)參方法以及 Python 數(shù)據(jù)分析包scipy、numpy、scikit-learn 等。并且能夠選擇一種算法模型對數(shù)據(jù)進行相應的分析，并得出分析結(jié)論。

• NumPy：一個通用程序庫，不僅支持常用的數(shù)值數(shù)組，同時提供了用于高效處理這些數(shù)組的函數(shù)。
• SciPy：Python的科學計算庫，對NumPy的功能進行了大量擴充，同時也有部分功能是重合的。Numpy和SciPy曾經(jīng)共享基礎代碼，后來分道揚鑣了。

隨著項目實踐量的不斷增加，會逐漸了解到針對不同類型的問題該如何去選擇算法模型，并且了解到如何通過特征提取、參數(shù)調(diào)節(jié)來提升預測到精度。

推薦資源：

• 深入淺出統(tǒng)計學 (豆瓣)
• 統(tǒng)計學習方法（第2版） (豆瓣)
• NumPy 數(shù)值計算基礎課程
• NumPy 百題大沖關
• SciPy 科學計算基礎課程

5. 數(shù)據(jù)可視化

數(shù)據(jù)可視化，這部分主要依賴于 Python 的 Matplotlib 和 Seaborn。根據(jù)以上的分析結(jié)果數(shù)據(jù)，進行可視化的展示，輸出分析報告。

• Matplotlib：一個2D繪圖庫，在繪制圖形和圖像方面提供了良好的支持。當前，Matplotlib已經(jīng)并入SciPy中并支持NumPy。
• Seaborn： 基于matplotlib的圖形可視化python包。它提供了一種高度交互式界面，便于用戶能夠做出各種有吸引力的統(tǒng)計圖表

推薦資源：

• Matplotlib 數(shù)據(jù)繪圖基礎課程

遵照以上指南，循序漸進的完成學習，基本上是可以達到初級數(shù)據(jù)分析師的要求。但是千萬不要忘記了，掌握基本技能之后，還要多加練習，重視實戰(zhàn)才能更好的提升技能。

下面推薦一些項目案例：

• 中國保險行業(yè)過去五年基礎數(shù)據(jù)分析
• 杭州互聯(lián)網(wǎng)寒冬背景下的數(shù)據(jù)分析崗現(xiàn)狀分析
• 鏈家成都市區(qū)掛牌二手房分析
• B站番劇數(shù)據(jù)簡單分析

項目案例來自實驗樓《 樓+ 數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》的學員。