第三方数据取不了 Python数据分析学习路线详细版总结
专业出黑
数据分析人人都有必要掌握一点，哪怕只是思维也行。下面探讨数据分析需要学习的知识范畴，结合自己的经历和理解，总结的学习大纲，有些章节带有解释，有些没有。当然，关于学习范畴，可能每个人的理解都不太一样，以下仅供参考。
1 数据分析思维
数据分析属于分析思维的一个子类，有专门的数据方法论。只有先养成正确的分析思维，才能使用好数据。
大多数人的思维方式都依赖于生活和经验做出直觉性的判断，最直观的体现是，在数据和业务分析中有时无从下手。
什么是好的分析思维？
用两张在网络上流传甚广的图片说明
思维模式(图片来源网络)
对应以下两种思维：
我们12月的销售额度下降，我想是因为年终的影响，我问了几个销售员，他们都说年终生意不太好做，各家都收紧了财务预算，谈下的几家费用也比以前有缩水。我对他们进行了电话拜访，厂家都说经济不景气，希望我们价格方面再放宽点。
我们12月的销售额度下降，低于去年同期和今年平均值，可以排除掉大环境的因素。其中A地区下降幅度最大，间接影响了整体销售额。通过调查发现，A地区的市场因为竞争对手涌入，进行了低价销售策略。除此之外，B地区的经济发展低于预期发展，企业缩减投入。
第一个分析思维是依赖经验和直觉的线性思维，第二个分析思维则注重逻辑推导，属于结构化的思维。两种思维往往会导致不同的结果。
1.1 金子塔原理
麦肯锡思维中很重要的一条原理叫做金字塔原理，它的核心是层次化思考、逻辑化思考、结构化思考。
1.1.1 什么是金字塔？
任何一件事情都有一个中心论点，中心论点可以划分成3～7个分论点，分论点又可以由3～7个论据支撑。层层拓展，这个结构由上至下呈金字塔状。
1.1.2 结构化思维
金字塔(图片来源网络)
1.1.3 核心法则：MECE
金字塔原理有一个核心法则MECE，全称 ，论点相互独立，尽可能多的列举。
1.1.4 假设先行
首先得有一个思考作为开始。这是什么意思？因为金字塔是从上而下，需要有一个中心论点，也就是塔尖。我们可以先提出一个问题，比如此产品的核心功能是某某功能吗？
1.2 二八法则 1.2.1 20%的分析过程决定80%的分析结果 1.2.2 抓住关键因素
以上节选的两个分析思维，都能在麦肯锡问题分析与解决技巧中找到原型，感兴趣的可查看下面这本书。
2 数据获取
2.1 大数据平台提取
各个公司都可能有自己专属的大数据平台，进入公司要首先掌握如何从这上面拿去我们需要的业务数据
2.2 第三方服务接口
合作企业或公司购买的服务接口，我们可以直接调用拿到数据。
2.3 开源公开数据集 2.4 爬虫爬取网站数据
的常用包：
库就是用来进行网络请求的，说白了就是模拟浏览器来获取资源。
由于我们采集的是api接口，它的格式为json，所以要用到json库来解析。
是用来解析html文档的，可以很方便的帮我们获取指定div的内容。
3 数据存储
3.1 SQL分组，聚合，多表join操作
, ,join操作
join操作可参考 与算法社区 公众号
3.2 大数据平台
大数据架构，分布式存储，详细自行查阅
3.3 Mysql
这个大家应该都不陌生
3.4 hive 拉链表
拉链表的知识大家需要好好理解体会，dp 的状态 和
4 数据清理知识
4.1 理解数据背后的业务，千万不要忽视！
我们在拿到需要分析的数据后，千万不要急于立刻开始做回归、分类、聚类分析。
第一步应该是认真理解业务数据，可以试着理解去每个特征，观察每个特征，理解它们对结果的影响程度。
然后，慢慢研究多个特征组合后，它们对结果的影响。
4.2 明确各个特征的类型
如果这些数据类型不是算法部分期望的数据类型，你还得想办法编码成想要的。比如常见的数据自增列 id 这类数据，是否有必要放到你的算法模型中，因为这类数字很可能被当作数字读入。
某些列的取值类型，虽然已经是数字了，它们的取值大小表示什么含义你也要仔细捉摸。因为，数字的相近相邻，并不一定代表另一种层面的相邻。
4.3 找出异常数据
统计中国家庭人均收入时，如果源数据里面，有王建林，马云等这种富豪，那么，人均收入的均值就会受到极大的影响，这个时候最好，绘制箱形图，看一看百分位数。
4.4 处理缺失值
现实生产环境中，拿到的数据恰好完整无损、没有任何缺失数据的概率，和买彩票中将的概率差不多。
数据缺失的原因太多了，业务系统版本迭代, 之前的某些字段不再使用了，自然它们的取值就变为 null 了；再或者，压根某些数据字段在抽样周期里，就是没有写入数据……
4.5 头疼的数据不均衡问题
理论和实际总是有差距的，理论上很多算法都存在一个基本假设，即数据分布总是均匀的。这个美好的假设，在实际中，真的存在吗？很可能不是！
算法基于不均衡的数据学习出来的模型，在实际的预测集上，效果往往差于训练集上的效果，这是因为实际数据往往分布得很不均匀，这时候就要考虑怎么解决这些问题。下面是一本数据清洗不错的书籍：
5 核心知识
5.1 理解的解释性
是解释型语言，对于 刚刚入门的小伙伴，可能对解释性有些疑惑。不过，没关系，我们可以通过大家已经熟悉的编译型语言，来帮助我们理解 的解释性。
编译型语言，如 C++、Java，它们会在编译阶段做类型匹配检查等，因此，数据类型不匹配导致的编译错误，在编译阶段就会被检查出来，例如：
Intger a = 0;Double b = 0.0;a = b; // Double类型的变量 b 试图赋值给 Integer 型的变量 a, 编译报错 // 因为 Integer 类型 和 Double 类型 不存在继承关系， // 类型不能互转
但是， 就不会在编译阶段做类型匹配检查，比如， 实现上面的几行语句，会这样写：
a = 0 # 不做任何类型声明b = 0.a = b # 这种赋值，Python 会有问题吗？
答案是不会的。此处就体现了 的解释特性，当我们把 0 赋值给 a 时， 解释器会把它 a 解释为 int 型，可以使用内置函数 type() 显示地检查 的类型：
In [70]: type(a)Out[70]: intIn [69]: type(b)Out[69]: floatIn [71]: a = b # 在把 float 型 b 赋值给 a 后, # a 就被解释为floatIn [72]: type(a)Out[72]: float
在把 float 型 b 赋值给 a 后, a 就被解释为 float.
5.2 list,dict,tuple,set
深拷贝和浅拷贝的区别
5.3 列表生成式
如何灵活使用
5.4 函数式编程
闭包问题
5.5 位置参数和关键字参数
如果介绍 入门，不介绍函数的位置参数 ( ) 和关键字参数( ) ，总是感觉缺少点什么，它们在 函数中到处可见，理解和使用它们，为我们日后深入 打下坚实的根基。
6 Excel数据分析
6.1 Excel处理10万条以内数据 6.2 以SUM函数为首的求和家族 6.3 以函数为首的查找家族 6.4 以IF函数为首的逻辑函数家族
大家自行查阅学习
7 数据预处理
7.1 基于的向量化增强 7.2 必须掌握的传播机制
广播发生的条件
7.3 一维和二维 7.4 中的20个统计学函数
20个统计学函数
7.5 三个函数搞定缺失值 7.6 1个函数搞定数据透视
8 数据建模分析
8.1 统计学基础知识
首先，入门数据分析需要必备一些统计学的基本知识，在这里我们简单列举几个入门级的重要概念。概率，平均值，中位数，众数，四分位数，期望，标准差，方差。在这些基本概念上，又衍生出的很多重要概念，比如协方差，相关系数等。
这一些列常用的统计指标，都在强大的数据分析包 中实现了，非常方便。
8.2 统计量描述
说统计学是一种基于事实的演绎学问，它是严谨的，可以给出确切解释的。
不过，机器学习就不一样了，它是一门归纳思想的学问，比如深度学习得出的模型，你就很难解释其中的具体参数为什么取值为某某某。它的应用在于可以提供一种预测，给我们未来提供一种建设性的指导。
数据分析师需要了解机器学习的基本理论、常见的那十几种算法，这样对于我们做回归、分类、聚类分析，都是不可缺少的。
8.3 机器学习回归分析
三 个假定是？
如何建立线性回归模型？
最大似然估计求参数？
梯度下降求解优化问题？
手写不调包实现的 5 个算子
手写不调包实现的整体算法框架
8.4 基本的分类、聚类算法8.5 特征工程提高分析精度
一般来说，特征工程大体上可以分为三个方面，一是特征构造，二是特征选择，三是特征生成。
9 数据可视化
9.1 必备的绘图原理知识
拿使用较多的 为列，整个图像为一个 对象，在 对象中可以包含一个或多个 Axes对象，每个Axes对象都是一个拥有自己坐标系统的绘图区域。
Axes 由 xaxis, yaxis, title, data 构成，xaxis 由坐标轴的线 ，tick以及label构成。
9.2 绘图
9.3 绘图必备100行代码
参考：
10 数据挖掘分析
10.1 正则表达式
学习正则表达式语法，主要就是学习元字符以及它们在正则表达式上下文中的行为。常见的元字符比如普通字符、标准字符、特殊字符、限定字符（又叫量词）、定位字符（也叫边界字符）。
