0基礎的童鞋該怎麼學習資料分析？

1、零基礎入門資料分析，可以先從Excel開始，Excel是資料分析最常用的工具，功能強大，入門容易。

打好概率與統計的基礎。概率與統計是資料分析的基石，可以說日常碰到的大部分的分析需求都可以用統計分析來解決。統計學，對於網際網路的資料分析來說，並不需要掌握太複雜的統計理論，只需按照本科教材，學一下統計學就夠了。

3、學會一門程式語言，可以大大提高處理資料的效率

Python和R是資料分析當中最常用的兩門語言。比較推薦 Python，效能上來說，Python的速度更快，上手容易，語言相對簡單。

做資料分析離不開查詢資料庫，這裡主要涉及的是SQL。入門SQL的書推薦一本《MySQL必知必會》。加米穀大資料開發4月零基礎班，成都小班月底開課，預報名中...

掌握資料分析相關的常用工具。資料分析方法是理論，而資料分析工具就是實現資料分析方法理論的工具。可以看一下《精益資料分析》，掌握常用的資料分析方法，然後再根據自己公司的產品調整，靈活組合。

從事資料分析工作的前提就會需要懂業務，即熟悉行業知識、公司業務及流程，最好有自己獨到的見解。

成為資料分析師，要強化對業務的理解，最好是做到通過資料分析幫助公司決策方向，或者說促進企業快速增長。要強調的是，資料分析師是一個實踐的職位，要在實際專案中不斷的訓練。加米穀大資料培訓。

世界正從IT時代進入DT時代！—— 馬雲

DT時代，即資料時代。“資料”，將成為核心和內在驅動力，推動社會向前發展。

近幾年，國家已成立“大資料戰略重點實驗室”，將大資料上升為國家戰略層面。社會對大資料技術人才的需求也空前迫切。

越來越多的院校踴躍申請大資料相關專業，致力培養符合國家戰略大資料產業發展需求，能夠運用大資料思維、模型和工具，解決實際問題的“高素質應用型”人才。

那麼，“大資料分析專業”需要學習哪些方面的理論知識和應用技能呢？

課程結構上，大致分為“五個層級”：

一是“基礎必修課程”，包括了《大資料技術導論》、《資料庫原理和技術》、《計算機基礎》和《計算機語言基礎》。

二是“核心必修課程”，包括了《大資料基礎》、《大資料ETL》、《大資料處理技術》。

三是“方向選修課程”，包括了《大資料應用開發》、《大資料運維》。

四是“拓展選修課程”，包括了《大資料處理》、《大資料應用開發》、《大資料分析》、《大資料與雲端計算》、《大資料應用設計》、《專案管理》等。

五是“行業實訓課程”，包括了交通、電商、農業、網際網路等領域的大資料分析專案案例。

基礎必修課主要涵蓋大資料專業所需要的計算機基礎素養，能夠培養專業基礎能力；核心必修課主要培養大資料職業技術能力；方向選修課主要包含大資料應用開發與大資料運維兩個方向，加強從事大資料專業崗位的能力；拓展選修課與社會技術迭代發展同步，培養專項能力；行業實訓主要以專案式教學為主體，培養面向產業特色、符合地方區域經濟的大資料創新技術技能型人才。

以上建議供致力學習大資料分析專業的朋友們參考。

--End--

改革春風吹滿地，各路人才在努力。

新興產業如春筍，未來可期要自信！

大資料分析概念 

大資料分析是指對規模巨大的資料進行分析。大資料可以概括為5個V， 資料量大(Volume)、速度快(Velocity)、型別多(Variety)、價值（Value）、真實性(Veracity)。 

大資料作為時下最火熱的IT行業的詞彙，隨之而來的資料倉庫、資料安全、資料分析、資料探勘等等圍繞大資料的商業價值的利用逐漸成為行業人士爭相追捧的利潤焦點。隨著大資料時代的來臨，大資料分析也應運而生。

大資料分析工具介紹 

前端展現 

用於展現分析的前端開源工具有JasperSoft，Pentaho, Spagobi, Openi, Birt等等。 用於展現分析商用分析工具有Style Intelligence、RapidMiner Radoop、Cognos, BO, Microsoft Power BI, Oracle,Microstrategy,QlikVie、 Tableau 。 

國內的有BDP，國雲資料（大資料魔鏡），思邁特，FineBI等等。 

資料倉庫 

有Teradata AsterData, EMC GreenPlum, HP Vertica 等等。 

資料集市 

有QlikView、 Tableau 、Style Intelligence等等。

大資料分析步驟 

大資料分析的六個基本方面 

1. Analytic Visualizations（視覺化分析） 

  不管是對資料分析專家還是普通使用者，資料視覺化是資料分析工具最基本的要求。視覺化可以直觀的展示資料，讓資料自己說話，讓觀眾聽到結果。

2. Data Mining Algorithms（資料探勘演算法） 

  視覺化是給人看的，資料探勘就是給機器看的。叢集、分割、孤立點分析還有其他的演算法讓我們深入資料內部，挖掘價值。這些演算法不僅要處理大資料的量，也要處理大資料的速度。

3. Predictive Analytic Capabilities（預測性分析能力） 

  資料探勘可以讓分析員更好的理解資料，而預測性分析可以讓分析員根據視覺化分析和資料探勘的結果做出一些預測性的判斷。

4. Semantic Engines（語義引擎） 

  我們知道由於非結構化資料的多樣性帶來了資料分析的新的挑戰，我們需要一系列的工具去解析，提取，分析資料。語義引擎需要被設計成能夠從“文件”中智慧提取資訊。

 5.Data Quality and Master Data Management（資料質量和資料管理）

資料質量和資料管理是一些管理方面的最佳實踐。通過標準化的流程和工具對資料進行處理可以保證一個預先定義好的高質量的分析結果。 

假如大資料真的是下一個重要的技術革新的話，我們最好把精力關注在大資料能給我們帶來的好處，而不僅僅是挑戰。

6.資料儲存，資料倉庫 

資料倉庫是為了便於多維分析和多角度展示資料按特定模式進行儲存所建立起來的關係型資料庫。在商業智慧系統的設計中，資料倉庫的構建是關鍵，是商業智慧系統的基礎，承擔對業務系統資料整合的任務，為商業智慧系統提供資料抽取、轉換和載入(ETL)，並按主題對資料進行查詢和訪問，為聯機資料分析和資料探勘提供資料平臺。

每一個大資料的愛好者應該心目中都有一個數據分析師的夢吧，我們都知道資料分析師是一個非常神祕的職位，看著一堆資料就能洞悉全域性，很神奇吧，今天來給大家送福利了，想提高你的資料分析能力嗎，看下文吧。

1.Excel是否精鑽？

除了常用的Excel函式（sum、average、if、countifs、sumifs、offset、match、index等）之外，Excel圖表（餅圖、線圖、柱形圖、雷達圖等）和簡單分析技能也是經常用的，可以幫助你快速分析業務走勢和異常情況；另外，Excel裡面的函式結合透視表以及VBA功能是完善報表開發的利器，讓你一鍵輕鬆搞定報表。

2.你需要更懂資料庫

常用的資料庫如MySQL，Sql Server、Oracle、DB2、MongoDB等；除去SQL語句的熟練使用，對於資料庫的儲存讀取過程也要熟練掌握。在對於大資料量處理時，如何想辦法加快程式的執行速度、減少網路流量、提高資料庫的安全性是非常有必要的。

3.掌握資料整理、視覺化和報表製作

資料整理，是將原始資料轉換成方便實用的格式，實用工具有Excel、R、Python等工具。資料視覺化，是建立和研究資料的視覺表現，方便業務方快速分析資料並定位具體問題，實用工具有Tableau、FineBI、Qlikview.

如果常用excel，那需要用PPT展示，這項技能也需要琢磨透。如果用tableau、FineBI之類的工具做資料視覺化，FineBI有推送檢視功能，也就是在企業上下建立一套系統，通過許可權的分配讓不同的人看到許可權範圍內的報表。

4.多學幾項技能

大多資料分析師都是從計算機、數學、統計這些專業而來的，也就意味著數學知識是重要基礎。尤其是統計學，更是資料分析師的基本功，從資料採集、抽樣到具體分析時的驗證探索和預測都要用到統計學。

現在社會心理學也逐漸囊括到資料分析師的能力體系中來了，尤其是從事網際網路產品運營的同學，需要了解使用者的行為動向，分析背後的動機。把握了整體方向後，資料分析的過程也就更容易。

第一階段：靜態網頁基礎（HTML+CSS）

1.難易程度：一顆星

2.技術知識點+階段專案任務+綜合能力

3.主要技術包括：html常用標籤、CSS常見佈局、樣式、定位等、靜態頁面的設計製作方式等

第二階段：JavaSE+JavaWeb

1.難易程度：兩顆星

2.技術知識點+階段專案任務+綜合能力

3.主要技術包括：java基礎語法、java面向物件（類、物件、封裝、繼承、多型、抽象類、介面、常見類、內部類、常見修飾符等）、異常、集合、檔案、IO、MYSQL(基本SQL語句操作、多表查詢、子查詢、儲存過程、事務、分散式事務)、JDBC、執行緒、反射、Socket程式設計、列舉、泛型、設計模式

4.描述如下：

稱為Java基礎，由淺入深的技術點、真實商業專案模組分析、多種儲存方式的設計與實現。該階段是前四個階段最最重要的階段，因為後面所有階段的都要基於此階段，也是學習大資料緊密度最高的階段。本階段將第一次接觸團隊開發、產出具有前後臺（第一階段技術+第二階段的技術綜合應用）的真實專案。

第三階段：前端框架

1.難易程式：兩星

2.技術知識點+階段專案任務+綜合能力

3.主要技術包括：Java、Jquery、註解反射一起使用，XML以及XML解析、解析dom4j、jxab、jdk8.0新特性、SVN、Maven、easyui

4.描述如下：

前兩個階段的基礎上化靜為動，可以實現讓我們網頁內容更加的豐富，當然如果從市場人員層面來說，有專業的前端設計人員，我們設計本階段的目標在於前端的技術可以更直觀的鍛鍊人的思維和設計能力。同時我們也將第二階段的高階特性融入到本階段。使學習者更上一層樓。

第四階段：企業級開發框架

1.難易程式：三顆星

3.主要技術包括：Hibernate、Spring、SpringMVC、log4j slf4j 整合、myBatis、struts2、Shiro、redis、流程引擎activity， 爬蟲技術nutch,lucene，webService CXF、Tomcat叢集和熱備 、MySQL讀寫分離

第五階段： 初識大資料

1.難易程度：三顆星

2.技術知識點+階段專案任務+綜合能力

3.主要技術包括：大資料前篇（什麼是大資料，應用場景，如何學習大資料庫，虛擬機器概念和安裝等）、Linux常見命令(檔案管理、系統管理、磁碟管理)、Linux Shell程式設計（SHELL變數、迴圈控制、應用）、Hadoop入門（Hadoop組成、單機版環境、目錄結構、HDFS介面、MR介面、簡單的SHELL、java訪問hadoop）、HDFS(簡介、SHELL、IDEA開發工具使用、全分散式叢集搭建)、MapReduce應用(中間計算過程、Java操作MapReduce、程式執行、日誌監控)、Hadoop高階應用(YARN框架介紹、配置項與優化、CDH簡介、環境搭建)、擴充套件(MAP 端優化，COMBINER 使用方法見,TOP K,SQOOP匯出,其它虛擬機器VM的快照,許可權管理命令,AWK 與 SED命令)

4.描述如下：

該階段設計是為了讓新人能夠對大資料有一個相對的大概念怎麼相對呢？在前置課程JAVA的學習過後能夠理解程式在單機的電腦上是如何執行的。現在，大資料呢？大資料是將程式執行在大規模機器的叢集中處理。大資料當然是要處理資料，所以同樣，資料的儲存從單機儲存變為多機器大規模的叢集儲存。（你問我什麼是叢集？好，我有一大鍋飯，我一個人可以吃完，但是要很久，現在我叫大家一起吃。一個人的時候叫人，人多了呢？ 是不是叫人群啊！）那麼大資料可以初略的分為： 大資料儲存和大資料處理所以在這個階段中呢，我們課程設計了大資料的標準：HADOOP吶，大資料的執行呢並不是在咋們經常使用WINDOWS 7或者W10上面，而是現在使用最廣泛的系統：LINUX。

第六階段：大資料資料庫

1.難易程度：四顆星

2.課時量（技術知識點+階段專案任務+綜合能力）：88課時

3.主要技術包括：Hive入門（Hive簡介、Hive使用場景、環境搭建、架構說明、工作機制）、Hive Shell程式設計（建表、查詢語句、分割槽與分桶、索引管理和檢視）、Hive高階應用(DISTINCT實現、groupby、join、sql轉化原理、java程式設計、配置和優化)、hbase入門、Hbase SHELL程式設計(DDL、DML、Java操作建表、查詢、壓縮、過濾器)、細說Hbase模組（REGION、HREGION SERVER、HMASTER、ZOOKEEPER簡介、ZOOKEEPER配置、Hbase與Zookeeper整合）、HBASE高階特性(讀寫流程、資料模型、模式設計讀寫熱點、優化與配置)

4.描述如下：

該階段設計是為了讓大家在理解大資料如何處理大規模的資料的同時。簡化咋們的編寫程式時間，同時提高讀取速度。

怎麼簡化呢？在第一階段中，如果需要進行復雜的業務關聯與資料探勘，自行編寫MR程式是非常繁雜的。所以在這一階段中我們引入了HIVE，大資料中的資料倉庫。這裡有一個關鍵字，資料倉庫。我知道你要問我，所以我先說，資料倉庫呢用來做資料探勘分析的，通常是一個超大的資料中心，儲存這些資料的呢，一般為ORACLE,DB2,等大型資料庫，這些資料庫通常用作實時的線上業務。總之，要基於資料倉庫分析資料呢速度是相對較慢的。但是方便在於只要熟悉SQL，學習起來相對簡單，而HIVE呢就是這樣一種工具，基於大資料的SQL查詢工具吶，這一階段呢還包括HBASE，它為大資料裡面的資料庫。納悶了，不是學了一種叫做HIVE的資料“倉庫”了麼？HIVE是基於MR的所以查詢起來相當慢，HBASE呢基於大資料可以做到實時的資料查詢。一個主分析，另一個主查詢。

第七階段：實時資料採集

1.難易程式：四顆星

2.技術知識點+階段專案任務+綜合能力

3.主要技術包括：Flume日誌採集，KAFKA入門（訊息佇列、應用場景、叢集搭建）、KAFKA詳解（分割槽、主題、接受者、傳送者、與ZOOKEEPER整合、Shell開發、Shell除錯）、KAFKA高階使用（java開發、主要配置、優化專案）、資料視覺化（圖形與圖表介紹、CHARTS工具分類、柱狀圖與餅圖、3D圖與地圖）、STORM入門（設計思想、應用場景、處理過程、叢集安裝）、STROM開發（STROM MVN開發、編寫STORM本地程式）、STORM進階（java開發、主要配置、優化專案）、KAFKA非同步傳送與批量傳送時效，KAFKA全域性訊息有序，STORM多併發優化

4.描述如下：

前面的階段資料來源是基於已經存在的大規模資料集來做的，資料處理與分析過後的結果是存在一定延時的，通常處理的資料為前一天的資料。舉例場景：網站防盜鏈，客戶賬戶異常，實時徵信，遇到這些場景基於前一天的資料分析出來過後呢？是否太晚了。所以在本階段中我們引入了實時的資料採集與分析。主要包括了：FLUME實時資料採集，採集的來源支援非常廣泛，KAFKA資料資料接收與傳送，STORM實時資料處理，資料處理秒級別。

第八階段：SPARK資料分析

1.難易程式：五顆星

2.技術知識點+階段專案任務+綜合能力

3.主要技術包括：SCALA入門(資料型別、運算子、控制語句、基礎函式)、SCALA進階(資料結構、類、物件、特質、模式匹配、正則表示式)、SCALA高階使用（高階函式、科裡函式、偏函式、尾迭代、自帶高階函式等）、SPARK入門(環境搭建、基礎結構、執行模式)、Spark資料集與程式設計模型、SPARK SQL、SPARK 進階（DATA FRAME、DATASET、SPARK STREAMING原理、SPARK STREAMING支援源、整合KAFKA與SOCKET、程式設計模型）、SPARK高階程式設計（Spark-GraphX、Spark-Mllib機器學習）、SPARK高階應用（系統架構、主要配置和效能優化、故障與階段恢復）、SPARK ML KMEANS演算法，SCALA 隱式轉化高階特性

4.描述如下：

同樣先說前面的階段，主要是第一階段。HADOOP呢在分析速度上基於MR的大規模資料集相對來說還是挺慢的，包括機器學習，人工智慧等。而且不適合做迭代計算。SPARK呢在分析上是作為MR的替代產品，怎麼替代呢？ 先說他們的執行機制，HADOOP基於磁碟儲存分析，而SPARK基於記憶體分析。我這麼說你可能不懂，再形象一點，就像你要坐火車從北京到上海，MR就是綠皮火車，而SPARK是高鐵或者磁懸浮。而SPARK呢是基於SCALA語言開發的，當然對SCALA支援最好，所以課程中先學習SCALA開發語言。什麼？又要學另外一種開發語言？不不不！！！我只說一句話：SCALA是基於JAVA做的。從歷史資料的儲存，分析（HADOOP,HIVE,HBASE），到實時的資料儲存（FLUME,KAFKA），分析（STORM,SPARK），這些在真實的專案中都是相互依賴存在的。

需要有應用數學、統計學、數量經濟學專業本科或者工學碩士層次水平的數學知識背景至少熟練SPSS、STATISTIC、Eviews、SAS等資料分copy析軟體中的一門至少能夠用Acess等進行資料庫開發至少掌握一門數學軟體：matalab，mathmatics進行新模型的百構建。至少掌握一門程式語言

當然還要其他應用領域方面的度知識，比如市場營銷、經濟統計學等，因為這是資料分析的主要應用領域。

1、需要有應用數學、統計學、數量經濟學專業本科或者工學碩士層次水平的知數學知識背景。

2、至少熟練SPSS、STATISTIC、Eviews、SAS等資料分析軟體中的一門道。

3、至少能夠用Acess等進行資料庫開發；

4、至少掌握一內門數學軟體：matalab，mathmatics進行新模型的構建。

5、至少掌握一門程式語言；

6，當然還要其他應用領域方面的知識，比如市容場營銷、經濟統計學等，因為這是資料分析的主要應用領域。