我給你一份資料分析師常用工具指南，按照這份指南，小白也能成為資料分析高手！

這是一份入門到熟練的工具指南，並不包含資料探勘等高階內容。

Step1：Excel學習掌握

所用的工具正是職場中最常用的Excel！

①重點函式學習

重點是瞭解各種函式：Vlookup、sum，count，sumif，countif，find，if，left/right，時間日期函式、文字函式

②資料透視表學習

我曾說過，如果Excel只能學習一個功能，那唯一能入選的就是資料透視表。

掌握vlookup和資料透視表是最具價效比的兩個技巧。學會vlookup，SQL中的join，Python中的merge很容易理解。學會資料透視表，SQL中的group，Python中的pivot_table也是同理。

這兩個搞定，基本10萬條以內的資料統計沒啥難度，80%的辦公室白領都能秒殺。

Step2：資料視覺化

所用工具：PowerBi、Excel

資料分析界有一句經典名言，字不如表，表不如圖。

資料視覺化是資料分析的主要方向之一。首先要了解常用的圖表：

Excel的圖表可以100%完成上面的圖形要求，但這只是基礎。後續的進階視覺化，勢必要用到程式設計繪製。為什麼？比如常見的多元分析，你能用Excel很輕鬆的完成？但是在IPython只需要一行程式碼。

其次掌握BI，下圖是微軟的BI。

BI（商業智慧）和圖表的區別在於BI擅長互動和報表，更擅長解釋已經發生和正在發生的資料。將要發生的資料是資料探勘的方向。

BI的好處在於很大程度解放資料分析師的工作，推動全部門的資料意識，另外降低其他部門的資料需求（萬惡的導資料）。

BI市面上的產品很多，基本都是建立儀表盤Dashboard，透過維度的聯動和鑽取，獲得視覺化的分析。最後需要學習視覺化和資訊圖的製作。

Step3：資料庫學習

所用工具：SQL

Excel對十萬條以內的資料處理起來沒有問題，但是網際網路行業就是不缺資料。但凡產品有一點規模，資料都是百萬起。這時候就需要學習資料庫。

越來越多的產品和運營崗位，會在招聘條件中，將會SQL作為優先的加分項。

SQL是資料分析的核心技能之一，從Excel到SQL絕對是資料處理效率的一大進步。

學習圍繞Select展開。增刪改、約束、索引、資料庫正規化均可以跳過。主要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的邏輯，時間轉換函式等。如果想要跟進一步，可以學習row_number，substr，convert，contact等。另外不同資料平臺的函式會有差異，例如Presto和phpMyAdmin。再有點追求，就去了解Explain最佳化，瞭解SQL的工作原理，瞭解資料型別，瞭解IO。以後就可以和技術研發們談笑風生，畢竟將“這裡有bug”的說話，換成“這塊的資料死鎖了”，逼格大大的不同。SQL的學習主要是多練，網上尋找相關的練習題，刷一遍就差不多了。

好了，經過這三步之後，你已經具備資料分析基本功力，剩下的需要訓練的就是你的思維和實際的業務分析能力了。

鑑於你是傳統會計專業出身，那就需要考慮目前你是需要往哪方面發展，一般資料分析師職業規劃有單純的資料分析崗、資料建模崗。

下面我們就說說一般資料分析師常用的工具有哪些？

1、資料處理工具：Excel

資料分析師，在有些公司也會有資料產品經理、資料探勘工程師等等。他們最初級最主要的工具就是Excel。有些公司也會涉及到像Visio，Xmind、PPT等設計圖示資料分析方面的高階技巧。資料分析師是一個需要擁有較強綜合能力的崗位，因此，在有些網際網路公司仍然需要資料透視表演練、Vision跨職能流程圖演練、Xmind專案計劃導圖演練、PPT高階動畫技巧等。

在Excel，需要重點了解資料處理的重要技巧及函式的應用，特別是資料清理技術的應用。這項運用能對資料去偽存真，掌握資料主動權，全面掌控資料；Excel資料透視表的應用重在挖掘隱藏的資料價值，輕鬆整合海量資料：各種圖表型別的製作技巧及Power Query、Power Pivot的應用可展現資料視覺化效果，讓資料說話。因此想從事資料分析崗位的，需要快速掌握快各種Excel資料處理與分析技巧。

2、資料庫：MySQL

Excel如果能夠玩的很轉，能勝任一部分資料量不是很大的公司。但是基於Excel處理資料能力有限，如果想勝任中型的網際網路公司中資料分析崗位還是比較困難。因此需要學會資料庫技術，一般Mysql。你需要了解MySQL管理工具的使用以及資料庫的基本操作；資料表的基本操作、MySQL的資料型別和運算子、MySQL函式、查詢語句、儲存過程與函式、觸發程式以及檢視等。比較高階的需要學習MySQL的備份和恢復；熟悉完整的MySQL資料系統開發流程。

3、資料視覺化：Tableau & Echarts

如果說前面2條是資料處理的技術，那麼在如今“顏值為王”的現在，如何將資料展現得更好看，讓別人更願意看，這也是一個技術活。好比公司領導讓你對某一個專案得研究成果做彙報，那麼你不可能給他看單純的資料一樣，你需要讓資料更直觀，甚至更美觀

如何理解資料視覺化？像我們以前上學的時候學過的柱狀圖，餅狀圖，也是資料視覺化的一種。只是在現在，簡單的柱狀圖已經不能滿足工作所需。目前比較流行的商業資料視覺化工具是Tableau & Echarts。

Echarts是開源的，程式碼可以自己改，種類也非常豐富，這裡不多做介紹，可以去建立一個工作區瞭解下。

4、大資料分析：SPSS & Python& HiveSQL 等

如果說Excel是“輕資料處理工具”，Mysql是“中型資料處理工具”那麼，大資料分析，涉及的面就非常廣泛，技術點涉及的也比較多。這也就是為什麼目前網際網路公司年薪百萬重金難求大資料分析師的原因

大資料分析需要處理海量的資料，這對於資料分析師的工作能力要求就比較高，一般來說，大資料分析師需要會

（1）會使用Hive的SQL方法HiveQL來彙總、查詢和分析儲存在Hadoop分散式檔案系統上的大資料集合。知道Hive如何在Hadoop生態系統進行資料分析工作。

（2）會一些SPSS modeler基礎應用，這部分技能對應資料建模分析師

（3）何使用R語言進行資料集的建立和資料的管理等工作；會使用R語言資料視覺化操作，讓學員學會如何用R語言作圖，如條形圖、折線圖和組合圖等等；是R語言資料探勘，本部分資料探勘工程師

（4）用Python來編寫網路爬蟲程式，從頁面中抓取資料的多種方法，提取快取中的資料，使用多個執行緒和程序來進行併發抓取等

總結一下：

寫在最後

1、自身定位很重要

以上所有介紹的這些技能，都是根據你的自身定位而言，如果你定位只是小企業的資料分析崗位，那你也許只要把Excel玩的很6就可以了。但是從長遠來看，這部分工作崗位，終將會被大資料分析所取代。這也就是為什麼之前所說網際網路公司重金難求大資料分析師了。

2、終身學習很重要

為什麼這麼說，你會發現這個是時代的腳步越來越快了，你一不學習就很容易被時代淘汰，暫時把自己定位小型企業資料分析師的人，別忘了還是要去學習現在更流行的更有趨勢的技術。自己的工作領域能跟網際網路掛鉤的儘量往上靠，畢竟這是大勢所趨。

最最後

善用資料分析師常用工具，祝願大家早日成為一名優秀的資料分析師！

對看報表的人來說，無法及時快速看到自己想要的分析內容是再常見不過的事。而看報表人的真實分析需求就是這麼被忽略，即使可以透過重新分析來滿足這一刻的分析需求，但卻無法及時為決策、業務提供資料支援。如果所有的報表都能讓看報表的人隨時隨地自助式分析，不僅能快速分析自己想看的內容，更能在發現問題後迅速鎖定原因，加快解決問題。

SpeedBI資料分析雲：一款人人都能自助式分析的軟體

SpeedBI資料分析雲製作的報表，在任意終端上都能繼續自助式分析。使用者透過觸屏操作，如雙擊目標資料即可聯動多圖分析，或者層層深入鑽取分析，瞬間從錯中複雜的資料中找到資料產生的部門乃至個人。除此之外，使用者還可透過點選快速切換欄位與維度組合，從而分析自己想看的資料。

SpeedBI資料分析雲：一鍵分析、一鍵做報表

SpeedBI資料分析雲將常用運算分析整合成一鍵可用的分析模型，並針對多種特殊場景設計多種一鍵分析的智慧視覺化分析功能，如能夠快速完成複雜智慧財務分析的行計算自定義，如能突破分析模型限制任意鑽取的智慧鑽取功能等。

除了一鍵分析的智慧分析功能，SpeedBI資料分析雲還上線BI報表模板功能，只需一鍵下載應用替換資料來源，即可獲得一張完成的BI資料視覺化分析報表。BI報表模板的選擇多樣，不同行業不同主題不同風格，既有SpeedBI資料分析雲團隊更新上傳的，也可由使用者們自行上傳分享或儲存自用。

SpeedBI資料分析雲簡單實用，不管是做報表，還是看報表，都能快速分析資料。因為報表直觀易懂，即使是非資料分析出身的領導也能一眼看懂。

發一些我用過或見過的工具：

1、excel：這個不用多說了，既能夠儲存資料，又可以做分析圖表，如果會vba還可以發揮更大功力。想對excel有深入理解的話可以關注一下Jorge Camoes（excel大神）。他的作品渾身都在咆哮“誰說excel不好看來著？？？”

2、tableau：這個是不是也不用多說？第一個改寫商業智慧笨重難學的工具。透過滑鼠拖拽，在較短的時間內就能跟資料說上話。商業智慧界的概念王，金句製造者，雞血池。看它家官網經常會熱血沸騰。最近改版了，一個大橫播是這樣的：

像喝了一倍橙汁一樣充滿了refreshment。

不過比起後來出現的更易上手的challengers，tableau學起來還是需要較長時間成本的，我一同事在南韓念研究生的時候用了一個學期的時間學它。

3、domo：在gartner上的排名越來越高了。也是tableau的挑戰者。在易用性上真的強很多。我個人覺得是“功能性”與“使用者友好性”平衡的最好的國外的產品了。如果你英文夠強的話絕對要推薦了。

4、sisense：同樣很友好的產品，domo的競爭者，以色列的產品，試用的話，會有英文說的怪怪的小哥打電話來跟你溝通需求。

5、looker：同樣做的非常好的一款產品，輕盈而不失強大。

下面來國內陣營：

6、資料觀：如果說“英語夠強用domo”的話，那麼“英語夠嗆”的第一選擇就是資料觀啦。連線多源異構資料的能力、etl資料處理的能力、視覺化資料分析的能力，都很強。而且上手非常容易，國內像浦發銀行、今麥郎這樣的企業都是在用這一款。而且是有免費試用版本的，一般業務人員自己分析也可以用的，上個製作圖表嗖嗖快的gif來示意一下：

6、stratifyd：那如果你覺得需要一個概念上來說更“fashion”一點的，比如“AI資料分析平臺”，就推薦這個了。總部是在美國，但創始人是華人，北郵畢業的。看起來很高大上，我沒有試用過。

7、永洪BI：這個也不得不說，國內的老牌商業智慧工具～

8、FineBI：帆軟旗下的，有finebi，finereport等等～

9、bdp：專注做公安領域了，但免費版貌似還有；

資料分析有很多軟體，常用的網站和app資料分析有google analytics，Adobe analytics等等，當然國內的產品也不少，不過還有一個就是微軟的Excel其實也是可以做資料分析的，當然它還給你提供了BI工具，微軟在這方面支援的很強。

工具有很多，按照網站或者app的資料跟蹤服務可以根據自己的實際情況來佈置。資料分析至少分為兩個方向，資料採集獲取和資料分析。首先谷歌的分析工具可以直接對接到你的網站或者APP，直接幫你採集到網站訪客的流量資料，搜尋資料和廣告資料等等。當然如果你使用國內推廣廣告，可以使用谷歌標籤管理追蹤和相應的廣告連結引數進行追蹤。

谷歌分析的強勢地方是一是對中小企業免費，有足夠的配額使用，另外就是資料收集能力強大，可以做多種資料型別的收集整理，方便我們檢測網站運營情況，及時作出網頁最佳化，提升網站的的使用體驗。

谷歌分析還包含了高階版，為大客戶提供更加強大的大資料服務，觸脈主要是為這些有大資料需求的公司做資料分析。

如果從零基礎入門的角度看，和我當時的情況差不多。我最早是在一家諮詢公司做諮詢師，每天製作PPT，出一些諮詢方案，其中涉及到資料部分的基本都是資料庫部門處理好的，拿來用就好了。後來從諮詢公司出來，進入網際網路行業，才真正發現數據分析的價值，在這可以先跟大家介紹書籍和工具兩部分。

關於書籍：

根據我自己的經驗，推薦“菜鳥”系列的入門書籍，總共藍、綠、黃三本，作為入門夠用了，具體好像叫《誰說菜鳥不會資料分析》，記不太清了可以搜尋一下。

關於工具：

一款得心應手的資料分析工具，是每個從業人員做資料分析的利器，面對浩如星海的資料，如何選擇資料分析工具就成為了運營、產品、市場等職能人員一個難題，我在這簡單列了幾個，你可以選擇著使用。

上手簡單的資料分析工具——Excel

其次，各類統計分析結果均可以資料圖表的形式展現，包括二維圖表、三維圖表，添上相關外掛後可完成智慧圖表以及各種複雜圖表的視覺化，即使你不會各種炫酷的BI操作，也能滿足資料視覺化的基本要求。

但是，使用簡單功能強大的Excel也有不可忽視的缺點：例如，最拉低辦公效率的就是當資料量過大的時候，查詢和計算速度會下降，如果此時的Excel中又包含多個sheet，那麼極有可能出現卡死的狀況。再如，Excel無法對使用者進行角色管理，這也就註定了它較差的保密性，容易被其他軟體破解。

其實，Excel基本可以滿足非專業資料分析師的日常工作需求，而且對於Excel的使用技巧也不用過於擔心，市面上有極多關於Excel的應用類教輔以及影片課程（可在網易雲課堂、騰訊課堂、喜馬拉雅等平臺上獲取相關課程）用來輔助使用者迅速掌握Excel。

適用於統計分析的資料分析工具——SPSS

當你手握海量調研問卷的時候；當要對資料進行迴歸分析、因子分析、聚類分析的時候；當要用收集的資料支援一份多維度的研究報告時，都少不了一種比Excel更適用的資料分析工具——SPSS。

首先，SPSS經常給人一種更“高階”的感覺，因為它既可以很好地進行迴歸分析、方差分析以及多變數分析等，又幾乎不需要進行任何語句的編寫，直接用滑鼠單擊即可完成相關操作。而且還能在計算分析的同時輸出圖形，極高地提升工作效率。另外，我們在日常工作中常用到的Excel 表格資料、文字格式資料均可以匯入SPSS 中進行分析，從而節省了相當大的工作量，並且避免了因複製和貼上可能引起的錯誤。

雖然相比Excel，SPSS似乎在統計分析領域有更高一籌的優勢，但它依然存在一些將使用者拒之門外的因素。比如它需要使用者對統計學有初步的瞭解，需要對一些分析模型有理論層面上的理解，而且，它的功能性和豐富性有所欠缺，尤其是與功能包的R相比，在資料視覺化方面過於單調，較為成熟的資料分析師甚至會直接跳過SPSS，選取視覺化更強的分析工具。

更高階層的資料分析工具——R

與上述兩種分析工具不同的是，R屬於開源統計工具，即它的原始碼是開放的，一些原始碼、程式包等資料都可以在其網站下載。

不做過多介紹，估計你暫時用不到R、Python等高階工具。

移動開發者資料分析工具——友盟

提到企業資料服務就不得不提到友盟，作為早期起步的大資料服務平臺，友盟以移動應用統計分析為產品起點，為其提供資料統計分析、開發和運營元件及推廣服務。它幫助移動應用開發商統計和分析流量來源、內容使用、使用者屬性等資料，以便開發商利用資料進行產品、運營、推廣策略的決策。尤其是它提出對移動遊戲開發者提供一站式解決方案，方便開發者進行更優質的決策判斷。

如果你針對各大移動應用平臺的資料統計分析，友盟或許是優選，因為在統計分析的同時它還可以提供移動廣告的檢測資料、品牌廣告檢測資料、電商廣告檢測資料等營銷資料服務，可以很好地解決一部分B端企業的資料需求。

但是，由於它極強的資料統計屬性，讓它在實際分析的層面有所欠缺，而且資料採集和統計的侷限性讓它更偏重事後分析，在時效性的層面還存在一些遺憾。而且，分析深度尚淺，只適合相對基礎的資料分析工作。

你可以百度官網，去體驗一下。

最懂使用者行為的資料分析工具——神策分析

神策分析是神策資料推出的使用者行為分析產品。神策資料這幾年在大資料分析業界成長迅速，擁有強大的百度技術背景，顯著優勢是支援“私有化部署”，大資料分析的特點是聚焦在“大資料使用者行為”全場景下的資料分析應用。資料分析的深度和廣度都有了很大提升，讓企業實現更為精細化運營成為可能。

不倫你關注使用者行為研究，還是基於使用者行為資料尋找業務問題，神策資料能都滿足複雜的分析需求，比如：

1 不同渠道的使用者轉化率高低

2 使用者下載APP後的啟用數量

3 使用者在轉化路徑的哪個環節流失了

4 對不同行為的使用者劃分使用者分群

5 從流量獲取、APP下載啟用、購買的全流程分析

這個是我用的試用連結官網試用

其實入門資料分析首先要有相關的思維方式，這些書和工具都是次要，慢慢摸索祝你工作順利。

資料分析工具其實有很多種，對應不同型別的使用者也有各自適合的選擇。例如懂資料演算法計算機語言的人，可能給他一款，填寫演算法程式碼流暢的分析軟體就是有效。掌握了資料分析專業技能的人，強大的分析功能能將工作做到事半功倍，不管看著功能多複雜。還有就是我這種非計算機專業出身，非統計學出身，但工作做還需要對大量資料進行分析的人。

如果你跟我一樣，那麼可以看下我的回答。

我總結了下，我以前找分析工具的時候，自己先想了幾個方向點：

1、好上手。一看板面就知道怎麼匯入資料，怎麼做圖表，怎麼排版的。這樣的高效。

2、功能還得強大的.畢竟是非專業人士了，找分析工具就是為了充分發揮工具自身能動性，和強大功能，來給我們創造價值的，特別是涉及到資料大量、複雜，必須有給力的功能支撐才能是良心工具。

3、視覺化呈現要好一點，就是圖表要高大上的。資料分析報告得拿出手，圖表的展現就是第一門面。包裝的意識還是要有的。

所以結論就是找一些操作容易、功能強大、圖表顏值還得好的工具了。我就是照著這個思路找的，也用過幾個，可以給大家說說。像東軟做的Dataviz，是用著比較順手的了。具體介紹我就摘抄下，自己懶得碼那麼多字

DataViz資料視覺化分析工具，不需要編寫程式碼，也不需要任何程式設計基礎，使用者可以透過簡單的拖拽就可以實現資料視覺化展示與分析。DataViz使用簡單，但是實現的功能卻不簡單，上百種豐富的炫酷圖表，可以實現資料的多維度多層次分析。

上圖先，先看些基本圖

各種資料分析好後，可以做成組合圖冊：

重點就是操作起來簡單，拖拖拽拽的，看起來特別複雜的圖表，其實拼貼一下就能搞定了。操作面板基本本華人都可以分分鐘用起來。

如果是專業人士或者計算機大拿的，估計可以尋找更復雜的工具進行嘗試了。但不適合我，所以我這裡就不進行推薦了。

資料分析工具針對不同的受眾;資料量的大小;分析的目的;資料的形式及複雜性的不同而不同。

但是這改變不了資料分析的基礎質量條件，處理流程，資料視覺化，運用的數理知識等。只是對於現在目前的市場上的各種的分析工具可能只是側重於其中的一點或幾點，從狹隘的方面來說，大眾對於資料分析工具是在最終呈現的資料圖表或彙總資料。所以現在依據前面提到的幾個方面進行說明：

對於要分析資料，首先需要資料儲存的載體

1 資料量不太大，請沒有資訊化系統情況下，Excel是明智的選擇；使用人群多，且有較多的學習資料。

2 較大的資料量結婚資訊化應用系統，對應的也就是各類的關係型資料庫，結合使用SQL，達到即席查詢

3 大量資料，使用Hadoop，Spark等大資料資料技術體系，這樣能處理海量資料

上述講述的3類，也可以認為是資料分析工具，只是針對不同的處理場景選擇不同的工具，只是操作過程中的難易，維護方便與否。

受眾，目的，複雜性 等條件下的選擇

1 銷售經理和業務分析員看的資料不同 ； 戰略分析師和財務看的資料也不同。不同受眾使用不同資料粒度和分析方向，其中就要選擇不同的資料分析工具。

2 分析目的是為了保持現有業務水平，還是為了挖掘資料內涵，保持前瞻性的抉擇；資料的複雜性 。 這兩個方面決定了選擇工具的複雜性。

所以選擇工具是依據自己的情況進行選擇，但是各行業內還是有一些優秀的通用性工具。

微軟BI ： Excel作為體系中一環，可以整合PowerBI進行自助BI分析SQL : 靈活的使用SQL，有效的分析資料Python： 分析資料，挖掘，展示都可以kettle（SSIS） ：資料ETL，進行資料清洗處理Hadoop&Spark：針對大資料的處理，且有配套的清洗，分析，挖掘工具對於報表端的資料展示 ，有太多選擇

PowerBI ， FineReport ， Excel Power Pivot ，Power View 等。

過程軟體 FineReport 帆軟 ：

PowerBI

Excel

東軟平臺雲(https://cloud.neusoft.com/)的DataViz就可以，DataViz支援多種資料來源，而且簡單易用，業務人員透過拖拽就可以建立豐富的圖表進行資料分析。還支援圖表聯動、大屏展示等。

另外還支援動態傳統圖表和高階視覺化圖表，多種科技、商務主題自由切換。

目前上這個很多，根據企業或者個人的需求不定。

如果是個人的話，最簡單的就是EXCEL，也是很多報表的前身，甚至說80%的資料分析都是可以用EXCEL解決，資料透視表絕對是職場資料分析的神器。

當然也可以選擇一些報表工具，類似於tableau等。

如果是企業的話，資料量有很大的話，那就要選擇專業的BI廠商，國內的有觀遠資料，帆軟，永洪等。一般來說，資料分析都是IT部門的事情，這裡推薦的是觀遠資料。

原因有三；

1，操作無須IT基礎，基本上0程式碼也可以完成初步的資料分析和整理，大大降低IT人員的工作量，簡單來說活好不求人。

3，有比較齊全的零售資料分析模版，對新人來說，可以直接借鑑其他的分析場景，不用再摸索了。

當然他們AI能力也比較強，合作了聯合利華，百威英博這些大客戶。

說到資料分析，其實很多人都用過excel做過簡單的資料分析，也都知道用excel來做資料分析還是有一定缺陷，一是分析型別不夠豐富，二是資料量過多時excel不給力，三是圖表的製作比較複雜。

那有沒有更專業的視覺化工具呢？

聽到這裡是不是覺得很好奇，搜尋式到底是怎麼樣的？

創新的搜尋式分析到底是什麼？

別急，下面就給你展示。

搜尋框內輸入關鍵語句，系統即時返回結果，並智慧適配圖表，什麼樣的資料，最合適什麼樣的圖表，系統會告訴你。

有人就會問了，那如果想要的報表很複雜呢，也能搜尋出結果嗎？

報表複雜，很大原因是輸入的內容多了，限制條件多了，其實操作也是一樣。

當然可以，而且一次搜尋就可以得到結果。

那麼如何製作呢？

不同圖表還可以自定義配置，比如主題、字型、樣式等；

1、搜尋出圖，搜尋想要視覺化展示的資料，系統智慧適配圖表；

2、圖表儲存，加入大屏；

3、資料看板（視覺化大屏）自定義配置，看板展示；

怎麼樣，這個是不是十分方便？有需要的可以get起來了~

做資料分析的工作，需要的用的工具自然不會少，不過也是萬變不離其宗。另外，我們還得區分一下有沒有需要獲取外部資料，據此我們做如下區分：

1.需要獲取外部資料分析師：

python基礎知識

python爬蟲

SQL語言

python科學計算包：pandas、numpy、scipy、scikit-learn

統計學基礎

迴歸分析方法

資料探勘基本演算法：分類、聚類

模型最佳化：特徵提取

資料視覺化：seaborn、matplotlib

2.不需要獲取外部資料分析師：

SQL語言

python基礎知識

python科學計算包：pandas、numpy、scipy、scikit-learn

統計學基礎

迴歸分析方法

資料探勘基本演算法：分類、聚類

模型最佳化：特徵提取

資料視覺化：seaborn、matplotlib

希望以上的內容能夠給您帶來幫助或借鑑。

資料分析使用的工具有很多種，我從容易上手程度和資料的量等從易到難開始講。

1.excel

excel是最容易上手的資料分析工具，簡單的資料篩選，資料透視表，平均值、總和、方差、標準差等計算很容易實現，以及折線圖、散點圖、柱狀圖等視覺化，難度往上一點的話，需要寫程式，到這種程度的話，一般會考慮其它工具。在資料分析師日常工作中，使用excel的頻率還是很高的，他們一般都會先用excel去了解一下資料的整體狀況，比如資料合適，是否有異常值等，然後再考慮其它工具。

2.R,python

目前來講，這兩種工具使用的人比較多，原因有幾個，首先是開源的，使用者可以免費使用軟體及擴充套件的包，也有很多人參與到應用包的開發，相應的社群活躍度也很高，其次是程式碼可讀性高，上手容易，第三，專業領域覆蓋面廣，不管是用來做資料分析，深度學習，影象處理，文字挖掘等都可以使用。

那麼，有人就會問了，我到底該選哪個？我的答案是優先選python，因為現在的python的領域覆蓋面會比R的要更廣，後續深度開發的應用更多，而R最初是由統計學家為了滿足應用的需要而開發的，會統計學領域應用得很深入，後來慢慢鋪開到其它領域，它還有一個亮點是畫的圖比較漂亮，python開發的一些視覺化的包都是參考R中對應的模組開發的。

3.hadoop,spark,Hive,mathout，……

這部分的工具相對python,R來說更難一些，要是沒有java,c++,c#等程式設計基礎的同學來說，要上手很吃力，另外這些工具對硬體要求來說也更高一些，處理的資料的量也更大，屬於企業級別應用。

對於想要從事資料分析職業的同學，都可以考慮先學習python，在網上都有很多基礎課程以及進階課程的影片，比如吳恩達的《機器學習》，莫凡的python教程。另外還要學習一些線性代數，離散數學，統計學等理論課程，然後再進階機器學習，深度學習等，結合一些資料分析的練習，做專案，進步更快，越學學有意思，堅持下去，會像中毒一樣，根本停不下來。

資料分析的工具有很多，我在cda學習的時候，老師講的是：EXCEL、SQL為最為需求且提到最多的資料分析工具，而SPSS、SAS、R、PYTHON次之。大資料工具如HADDOP等也提到較多。

資料分析必備技能

ExcelSQLPython或者R資料視覺化機器學習PPT邏輯思維

下面我們一個個看下

一、Excel

說到Excel，首先想到的可能是電子表格，但是這個工具背後有更多的分析能力，如編寫宏和使用VBA查詢，這樣的高階Excel方法在處理小資料量時更輕鬆、快速的分析。比如散點圖可以很方便的幫助我們發現數據分佈特徵，Excel甚至可以做線性迴歸。因為Excel受資料量的影響，所以學習一門資料處理語言是非常有必要的。

二、SQL

SQL是普遍存在的行業標準資料庫語言，是資料分析師需要掌握的最重要的技能。這種語言通常被認為是Excel的“終極”版本，它能夠處理Excel無法處理的大型資料集。

幾乎每個資料分析組織都至少需要一個瞭解sql的人，更需要一個數據倉庫團隊。以前很多行業的業務邏輯全寫在資料庫儲存過程中，那時候，只會寫SQL就可以拿高薪。現在很多大資料計算引擎也都支援了SQL操作，所以你想使用大資料，那麼學習SQL是第一步。

三、Python或者R

任何Excel能做的事情，R或Python都能做得更好，甚至要快10倍。和SQL一樣，R和Python可以處理Excel不能處理大資料量的事情。它們是強大的統計程式語言，用於對大資料集執行高階分析和預測分析。要成為一名真正的資料分析師，您需要超越SQL並至少掌握其中一種語言。

那麼你應該學習哪一個呢?R和Python都是開源和免費的，公司招聘一般也是寫明，會其中一個就可以。但是，由於Python現在有很多工具包，而且機器學習和深度學習也都和Python聯絡緊密，所以推薦大家優先學習Python。

四、資料視覺化

為什麼要掌握視覺化，舉個例子。

你在買水果的時候肯定關係水果是不是壞的，你一看就知道，資料也一樣，你可以透過視覺化很快的發現異常資料、髒資料。

同樣，廚師們除了要保證菜好吃，還要把菜做的好看，這樣客人們才會更加滿意，原因買單。資料分析的內容再好，最後都要可視化出來，讓老闆能看懂，這樣才能升值加薪啊！

可見，視覺化能夠用資料講述一個引人注目的故事，讓你的觀點更易被人理解。分析師使用吸引眼球的、高質量的圖表和圖形，以清晰簡潔的方式展示分析的發現。所以，去學習Python的Matplotlib和Seaborn吧，可以參考之前的文章講解《資料探勘從入門到放棄（五）seaborn 的資料視覺化》。

五、機器學習

現在AI和預測分析是資料科學領域最熱門的兩個主題，資料分析師不只是單單對歷史資料的統計操作了，對機器學習的理解已被確定為分析師的工作之一。雖然並不是每個分析師都使用機器學習，但是為了在這個領域要走的更遠，學習機器學習是很重要的。然而機器學習需要一定的統計學知識，需要理解演算法的原理，然後才能更好的使用。可以參考文章結尾的歷史文章精選。

六、PPT

資料視覺化和PPT是相輔相成的。但是我們每個人基本都是程式設計師出身，不屑於寫PPT。但是你不能拿著程式碼給老闆彙報吧。PPT可以很好幫助你表達清楚自己的分析思路和分析結論，也幫讓老闆理解。但是PPT並不是直接把word貼上過來，PPT最主要的是圖，字不用太多，因為PPT是用來講解的，不是需求文件！

關於PPT，還是要多謝，寫的多了，被老闆批評的多了，自然就會了……

七、邏輯思維能力

使用資料來找到問題的答案，意味著首先你要弄清楚要什麼，也就是使用者故事要想好。資料分析師的角色是發現並關聯那些並不總是很清晰的聯絡。這個比以上6條都難，我遇到過有些分析師用機器學習或者深度學習跑出一些結果，最後告訴老闆，結果是模型學習的，是不可解釋的。我承認，比如神經網路跑出來的結果，很難解釋。但是我們是資料分析師，不是演算法工程師，我們首先要考慮的就是分析結果和我們之前的使用者故事有什麼聯絡，我們要找到這部分聯絡，解釋給老闆。那麼如何來培養這種能力呢？比如問自己最初的使用者故事是什麼，怎麼來的，聯絡當前的業務知識，看看結果和分析需求的哪個節點能聯絡起來，是否能夠使用起初的使用者故事。經常這樣思考，可以幫助你在尋找解決方案時保持清醒，而不是被一個很難解釋搞蒙。