成为一名数据分析师的新手指导

本文是著名学习网站Udacity的数据分析基础性文章。由于Udacity的就业导向，不同于单纯介绍学习路径，文章还从职业人士的角度讲述数据分析的方方面面。文章同时附有视频，不失为一篇好的介绍文。以下为小标题：

– 数据分析师们做些什么？
– 如何在没有相关正规教育经历的情况下成为数据分析师？
– 一份能使你直通面试的简历
– 数据分析的概念
– 数据科学家是什么？
– 机器学习和自动驾驶车辆
– 文化基因如何在Facebook上传播？
– 什么是数据角力？
– 学什么？以什么顺序？
– 工具
– 资源

数据分析师干什么？

数据分析师的主要职责包括寻找、检索、整理和传递从数据中来的见解。数据分析师也帮助报告和发现隐藏在数据潜在产品中的有意义的见解。从商业指标到用户行为和产品表现，他们负责获取、分析和报告范围的数据。

举个例子，职责可能涵盖：

书写查询从数据库中检索数据，和正确的利益相关者分享数据
浏览用户行为来寻找可以用来提升公司产品表现的见解或趋势
解释A/B测试的结果，基于此结果做出产品推荐

在有（或无）正规教育的情况下这样成为数据分析师

作为一名数据分析师，具有分析（数学/统计和编程）、沟通能力（展示/数据可视化）、注重细节地解决问题的系统化途径、和在商业文案中应用它们的能力等强大的组合能力。下面我们概述了一些你可以学习一些新技能的途径。

网上有许多公开的数据集——它们是很好的资源，提供给你机会去建立有趣独立项目的组合。我们在Mortar的朋友建立了一个主要列表，收录了从当今这个领域最好的知名的一些数据科学家那里找到的有趣数据集。

如果机器学习更符合你的风格，Kaggle竞赛会是一个磨练你的技能和自我提升的好舞台（一些公司招聘时搜索Kaggle排行榜）。

如果你想通过数据可视化展示你的发现，你可以在像Many Eyes、Plot.ly或Blocks.io的网站上创建并与其他人分享有趣的可视化。

想展示你的新技能和项目，你可以通过GitHub pages、WordPress、Medium或其他网页或个人博客平台创建的网站来展示。

能使你获得面试的技能组合

优秀的技能组合应该展现一系列项目和你学过的技能范围

完美地，这些项目要展示你的：

在R语言、Pandas、Numpy、Scipy、Scikit-Learn包或者相关数据分析工具方面的实践经历
使用和整理大规模（太大而难以适合一个电子表格）、不相干的和（或）非结构化数据集的经历
机器学习和数据挖掘技术的知识
强大的问题解决、数学、统计和定量推理的技能

最重要的，这些项目应该展示你出色的沟通能力。特别地，显示你能分析复杂数据集，寻找有趣的见解，用正确的商业文案清晰而简洁地展示它们。

数据分析师的概念

视频：数据科学家是什么

了解数据科学家应该具有的能力。

视频：机器学习和无人驾驶汽车

了解谷歌的无人驾驶汽车怎样运用机器学习。

视频：模仿因子怎么通过Facebook传播

了解模仿因子和它们怎样在社交媒体中传播

视频：什么是 Data Wrangling

了解它是什么意思和它怎样用于数据分析。

以什么顺序学习？

技能

如果你有兴趣成为数据科学家，你应该在日常工作中胜任和能够运用以下技能。

编程

作为数据分析师，具有编程能力很重要。曾经很多次你使用过非编程工具，如Excel，但是最好和最常用的一些工具，如Pandas、Numpy，以及其他一些库，都是基于编程的。使用这些基于编程的工具，你能够做更深入、更高效的分析。由于流行度高，Python和R都是很好的入门编程语言。

统计学

最低要求，你应该能理解基本的统计描述和统计推断。你应该理解分布的不同类型，哪种统计检验适用于哪种文本，还要能够在面试中解释线性回归的基础知识。

机器学习

如果你有大量数据，机器学习中的技术是难以置信的强大。你需要用这些数据去预测未来，或者给出合适的建议。你应该懂得一些最常用的监督学习和非监督学习的算法（他们是两种不同类别的机器学习算法），比如k最近邻算法、支持向量机和k均值聚类。你可能不必懂得这些算法背后的理论和实现细节，但知道什么时候使用这些算法很重要。

数据清理

在理想的世界里，你面对的数据集是干净的、准备好进行分析的。然而，现实世界中，绝少是这样的。你的数据集很可能缺失数值、格式错误、或者输入错误。例如，让我们讨论一些日期，一些系统表示2014年9月1日为9.1.2014，其他一些系统会表示为09/01/2014。像这样的情况，你的数据清理技能会派上用场。

沟通和数据可视化

作为数据分析师，你的工作不仅要解释数据，还要同其他利益相关者高效交流你的发现，这样你就能帮他们做出数据提供的决策。许多利益相关者不会对你的分析背后的技术细节感兴趣，这就是为什么你能通过易于理解的途径交流和展示你的发现很重要。

工具

这里使你入门的是你要熟知的一些最流行的编程语言和工具。

Python或R：不仅仅是这些编程语言易于学习（相对于C来说），一些最流行的数据科学库，从数据分析到数据可视化，都是在这两种编程语言之上建立的。
Pandas/Numpy/Scipy：Python数据科学库中的三驾马车一起工作真的很好。Pandas有助于结构化数值或时间系列数据，这样数据就容易用于分析和处理。Numpy有助于实现许多常用的科学和数学运算，如矩阵乘法，所以你不必重复发明轮子。Scipy在Numpy基础上拓展，包含很多比你能在Numpy找到的数学运算功能更完备的版本。
Scikit-Learn：机器学习算法难以高效且正确地实现。Scikit-Learn是一个经过实战测试的工具，它是一个已经为你实现了常用机器学习算法的Python库，从组合方法到k均值到SVM，它都有。
当你准备创建一个指数尺度的散点图和成千上万的数据点，Mattplotib和Ggplot2应该是你要找的库。他们分别是Python和R的实质上的绘图可视化标准库。
这是列表中仅有的JavaScript库。如果你想创建静态可视化或图形，Mattplotib和Ggplot2很棒。然而，如果你想创建交互式可视化，例如当你的鼠标停在图形上，一些东西弹出，或改变形状，D3.js是你要的库。不过，你要使用一些HTML、CSS和JavaScript，所以在尝试D3.js之前，确保复习一下你的前端web开发技能。