Python資料分析（三）NumPy那些事的部落格

此文是《10周入門數據分析》系列的第3篇

想了解學習路線，可以先閱讀「10周計劃」

此文是《10周入門數據分析》系列的第2篇
想了解學習路線，可以先閱讀「10周計劃」
面對資料異常，我們經常會出現「好像是A原因引起的？」「貌似和B原因也相關？」「有可能是C操作不當」的主觀臆測。

或者，拿到一個分析議題，分析「11月銷售資料下降的原因」，是先從產品層面，還是渠道層面著手的茫然無措。
顯然，這樣的思維是亂的。

「我是文組出身，可以學習資料分析嗎？」
「我沒有編程基礎，可以成為資料分析師嗎？」
「學習資料分析必須學習R和Python嗎？」
… …
其實，資料分析沒有想像中那麼難，入門也沒有那麼多條條框框。
我認識的HR轉資料分析，市場行銷轉資料營運的，大有人在。
資料分析重要的是問題的理解、分析的思路、分析的流程及結果的解讀，工具和編程都是實現這些分析思路的手段之一。
不過優秀的資料分析師也並非幾日能速成，但入門也有入門的捷徑。
盤算了一下資料分析的入門知識，大體分為以下這些，只要拿出你大學時啃高數的狀態，每周夯實一個基礎，基本能學成。

學習大綱：

• 資料分析的思維和方法
• Excel進階
• 資料庫理解和SQL入門
• 數理統計學
• Python/R語言掌握
• 資料分析軟體應用
  * 資料視覺化
• 常見的業務分析模型
• 業務理解和指標設計
• 增長黑客：資料驅動增長

接下來，我將花一段時間在專欄里詳細講述每一塊教程，學習地址 — — 拉到文章末尾。

現在都說，是大數據時代，可是google也不能給我一個通俗易懂的答案：到底什麼是大數據，為什麼會出現這種情況，怎麼處理呢？

起初，資料量很少的時代，通過表格工具、mysql等關係型資料庫（二維表資料庫，資料逐行插入）就能夠解決資料儲存的問題。

一位從1997年就入行的Web工程師，立志要成為Google軟體工程師，3年前寫下了一篇超完整學習和麵試教程，以此作為自己的奮鬥計畫。
這位名叫John Washam的工程師，換了好幾份工作，最後卻陰差陽錯在2017年成為了亞馬遜AWS的技術專家。

數理統計學是資料分析的基礎理論，我們之前所有為資料分析所做的工作，比如梳理指標、篩選資料、視覺化等等，都是為了我們能夠更好地找到資料之間的關係，利用統計學原理對這些關係進行界定和聯繫。
但是在實際分析中，我們很可能會因為沒有避開數理統計中常見的【踩雷】，造成我們最終分析結果與實際偏差很大， 我主要總結了三個方面：

• 錯把數理關係當成因果關係
• 不同變數之間會存在悖論
• 資料統計有偏差

下麵的答案告訴你數據科學（“大數據”）究竟是不是華而不實，以及它和傳統統計學分析方法的具體區別在哪里。
提綱如下：

1. “大數據”分析是數據科學特有的麼？
2. 用傳統統計學無法處理大數據是因為編程技術不足麼？
3. 是不是只有學了“大數據”專業才能在大公司找到工作？
4. “大數據“現在的真實情況是什麼呢？
5. 大數據“的本質應該是什麼樣的？
   答案的內容參考自：Donoho, David. 2017, “50 years of Data Science.” Journal of Computational and Graphical Statistics

1. “大數據”分析是數據科學特有的麼？

事實上並非如此，從歷史上來說，現代統計學的起源是南丁格爾用大量的統計數據和方法製作出了後世有名的“南丁格爾玫瑰圖”從而奠定了現代護理學的基礎，救助了許多戰場士兵的生命。

最近全球疫情蔓延，從近日情況意大利是目前最嚴重的，然後是伊朗，再到韓國， 以下是全球其他國家的疫情趨勢圖，是根據截至18點公佈的資料整理。

對於剛剛入門資料分析的人來說，經常會聽到網上那些天花亂墜的學習方法和教程，但是卻感覺像是無頭蒼蠅一樣，東一榔頭西一棒槌，不知道到底先學資料分析的工具，還是要先掌握資料分析思維和方法，甚至糾結不清，選錯了路，以後追悔莫及。

首先，我們需要認清一個觀念，那就是資料分析是一種能力，而不是一種崗位。

文章很短
沒有配圖
一時的思考而已

今天在下班的路上看到一篇內容為大致為知識付費這兩年，我花5000元買的4個教訓。雖說我在付費知識上只花了不到100塊，看了她這篇文章之後，也讓我想了些事情，更多的就是我工作相關的了(畢竟我是這樣的熱愛工作)。