超级菜鸟怎么学习数据分析？

如果你有python入门基础，在考虑数据分析岗，这篇文章将带你了解：数据分析人才的薪资水平，数据人应该掌握的技术栈。

首先来看看，我在搜索数据分析招聘时，各大厂开出的薪资：

那各大厂在数据领域，偏好哪些岗位呢？

主要集中在大数据分析师、数据管理专家、大数据算法工程师、数据产品经理这些岗位，在各个大厂的招聘需求中最常见到，而且开出的薪资待遇非常诱人。

如今大数据工程师人才高度稀缺，在工作年限相同的前提下，大数据工程师的薪资普遍更高，待遇涨幅也高于其他岗位，现在入局大数据，是个不错的选择。

各大互联网公司都在高价抢夺数据人才，为了谋求长期发展、获取高薪，很多人也在考虑转行大数据领域。作为专业性极强的一个领域，转行如何学？学习重点在哪里？

我很早之前就认同一个观点：一个优秀的数据人应该是思维、业务、分析和工程能力的综合体，谈思维、业务等能力很多人可能觉得飘在空中。确实，在我一开始接触数据行业的时候，我也有这样的感觉，为什么那些大佬老是跟我吹产品Sense、业务感等等。

我们就抛开这些，就说工程能力，再具体一点，说说数据人应该掌握的技术栈。

1.关于精通python

虽然入行几年，但我仍不敢说自己精通Pytho。我只是熟悉Python语法，相关的函数、模块和包以及一些面向对象的写法等等。

想要成为合格的数据人，我觉得更重要的是去思考哪些问题可以利用Python扩展而来的一些程序库处理，比如遇到大型矩阵的数值计算问题，你就应该想到Numpy来解决。

同理我会问，那Pandas呢？其实Pandas和SQL几乎是一致的数据处理方式，都只是提供了快速便捷地处理数据的函数和方法，这也是Python为什么会经常会被认为可以高效应用于数据分析原因之一了。

2.再说下数据架构

有些小伙伴应该是了解HiveSQL的，但如果要他说说Hive这类的问题，可能就有困难了，这样其实是学不扎实的表现。

简单来说，Hive是一个基于Hadoop的开源数据仓库工具，用于存(HDFS)和处理(MapReduce)海量结构化数据。使用MapReduce计算，HDFS储存。

虽然很多数据分析岗位不必精通Hadoop、MapReduce、HDFS，但是不代表不需要了解和学习，基础是要打好的，而且Storm、Hbase、Flume、Spark、SparkSQL等等都是需要数据分析、数据挖掘、数据算法等岗位去学习和了解的。

如果你想从事数据开发，那以上提到的技术栈是你应该熟练掌握的。（我个人建议是没有项目经历和工作经验的不要轻易转数据分析，因为真的HC少，可以考虑数据开发，很吃香，工资也高，竞争相对算法和分析来说要小）

3.有必要学点数据挖掘模型

某些业务场景的任务是不能用对比、交叉等分析解决的，例如分类、预测、文本挖掘等。

我之前提到说数据分析一般可以分成定量和定性的分析，定量的大家都比较清楚，也比较常见，但是定性的会去研究用户的主动反馈意见，而这些一般都是文本，当数据量较大的时候，肯定不是一条条自己去分析用户的情感、观点等维度，这时候完全可以利用文本挖掘的方法快速准确的抽取出用户观点、主题和情感分析等等。

看到现在越来越多的人入行/转行互联网，我来说说我对这个领域的理解吧。

从业人员（除了高层）一般年龄在45岁以下，思维活跃、年轻，不像传统行业等级森严，工作起来是比较愉悦的。任何人能入行这个领域，是因为互联网对于没有资源和背景的普通人是很包容的，比如它创造的很多新的工作机会，有些岗位之前是没有的，因此不强求专业对口、要多少年的经验等等，对于没有资历的普通人来说，互联网很友好。

最重要的一点是，互联网行业能和你适合的行业相结合，比如互联网+金融、互联网+餐饮，互联网成为了一种业务模式，贯穿到了很多行业，在此基础上去赚钱。

未来，互联网会越来越渗透到各个行业，未来10年也必定是人工智能、万物互联的时代。这也是我为什么看准python的原因，因为python的优势，就是对数据的处理。如果你也跟我一样看好互联网，看准python，那就利用好现在的时间，有效率的学习。我一直相信，生活会回报每一个为目标努力的人。

文章来源：网络 版权归原作者所有

上文内容不用于商业目的，如涉及知识产权问题，请权利人联系小编，我们将立即处理