下面分別從這四個方面來帶大家學習數據分析：

第一，做數據分析要精通Python嗎？

第二，數據分析流程是什麼？學什麼？

第三，如何培養數據分析思維？

第四，數據分析書籍推薦

一、數據分析要精通Python嗎？ 

做數據分析不必精通Python，但至少要掌握Python基礎內容。第一步是要了解一些Python的編程基礎，知道Python的數據結構，什麼是向量、列表、數組、字典等等；瞭解Python的各種函數及模塊。

二、數據分析流程是什麼？學什麼？ 

一個完整的數據分析項目，大概可以分為這五個流程：數據獲取——數據存儲——數據清洗——數據分析——可視化分析，具體每部分都要掌握什麼，下面給大家説清楚。

數據獲取

數據獲取是數據分析的第一步，關於一些內部數據大家可以找公司內部的人去要，其他外部數據如市場調研、競品分析這些報告，大家可以在這些網站獲取：

數據存儲

企業常用的存儲數據的數據庫有哪些？不同數據庫的存儲區別又有哪些？下面跟我一起來了解常見數據庫：

Access數據庫：是一個關係型數據庫管理系統；本地桌面型數據庫，存儲的數據量較少，是小型的數據庫；查詢語句為SQL。

MYSQL數據庫：是一個關係型數據庫管理系統；是開源的，總體擁有成本低；支持多種操作系統；

SQL Server 數據庫：是一個關係型數據庫管理系統；是非開源的；中型的數據庫；

Oracle數據庫：是一個關係型數據庫管理系統；不是開源的；支持多種操作系統；

Hive 數據庫：是非關係型數據庫管理系統；數據規模大；主要進行離線的大數據分析；查詢語句為HQL；

以上就是幾種常見的數據庫及介紹，方便大家在做數據分析的時候提取數據。

數據清洗

數據清洗是利用相關技術將“髒”數據轉換為滿足質量要求的數據。下面通過一張圖描述數據清洗的原理。

從圖中可以看出，同一值的不同表示、拼寫錯誤、不同的命名習慣、不合法的值以及空值都會導致“髒”數據出現，通過定義好的數據清洗策略和清洗規則（即數理統計技術、數據挖掘技術等清洗策略）對“髒”數據進行清洗，得到滿足數據質量要求的數據。

需要注意的是，數據清洗的目的是解決“髒”數據問題，即不是將“髒”數據洗掉，而是將“髒”數據洗乾淨。乾淨的數據指的是滿足質量要求的數據。

數據分析與可視化分析 

Python中常會用到一些專門的庫，如NumPy、SciPy、Pandas和Matplotlib。數據處理常用到NumPy、SciPy和Pandas，數據分析常用到Pandas和Scikit-Learn，數據可視化常用到Matplotlib，而對大規模數據進行分佈式挖掘時則可以使用Pyspark來調用Spark集羣的資源。

NumPy官方文檔：https://numpy.org/

SciPy官方文檔：https://scipy.org/

Pandas官方文檔：pandas documentation

Matplotlib官方文檔：Matplotlib - Visualization with Python

Scikit-learn官方文檔：scikit-learn: machine learning in Python

Keras官方文檔：the Python deep learning API

三、如何培養數據分析思維？

數據分析屬於分析思維的一個子類，有專門的數據方法論，只有養成正確的分析思維才能做好數據分析。什麼是好的分析思維，網上有張圖是這樣的：

第一個分析思維是依賴經驗和直覺的線性思維，第二個分析思維則注重邏輯推導，屬於結構化的思維。這兩種思維也往往會導致不同的結果。

除了Excel、Tableau、SQL、Python 等工具技能的學習，另一個關鍵點則是數據分析思維的培養。大家在做數據分析之前需要構建分析框架、理清思路、學會運用常見的分析方法等結合具體業務進行分析。

這需要我們去做案例+看書來不斷積累經驗，形成自己的數據分析思維。