首先，資料分析還是具備一定難度的，但是隻要透過一個系統的學習過程，大部分人能夠掌握一定的資料分析知識。

資料分析的核心並不是程式語言，而是演算法設計，不論是採用統計學的分析方式還是機器學習的分析方式，演算法設計都是資料分析的核心問題。所以，進行資料分析要具備一定的數學基礎，包括高等數學、線性代數、機率論等。當然，如果透過工具進行資料分析，即使數學基本比較薄弱，也能夠完成一些基本的資料分析任務，比如BI工具就能夠完成大量的企業級資料分析任務。

採用Python語言實現資料分析是目前大資料領域比較常見的解決方案，透過Python來實現基於機器學習方式的資料分析需要經過多個步驟，分別是資料收集、資料整理、演算法設計、演算法實現、演算法驗證和演算法應用。通常需要掌握一些常見的機器學習演算法，包括knn、決策樹、支援向量機、樸素貝葉斯等，採用Python來完成這些演算法還是比較方便的，因為Python中的Numpy、Matplotlib、Scipy、pandas等庫會提供強大的支撐。看一個來自Matplotlib簡單的例子：

由於Python語言自身語法比較簡單，所以學習Python的過程相對來說還是比較輕鬆的，難點在於演算法的學習，如何在不同的場景下選擇不同的演算法是重點問題。另外，學習資料分析通常要對行業知識有一定的瞭解，不同行業對於資料分析維度有不同的要求，這些知識需要在工作中不斷積累，在產業網際網路發展的大背景下，行業知識是比較重要的。

資料分析入門不算難，但進階蠻難的

學會Python numpy，Pandas這些工具的使用，這只是入門；

好點的資料分析師，對統計學，數學都有一定的熟悉，能熟練運用模型來對一堆資料建模分析。

Python資料分析學習

https://www.toutiao.com/i6735341654099624452/