关于Python数据分析，其实网上能够找到的学习资源很多，主要分为两类：
一类是提供各种资源的推荐，比如书单、教程、以及学习的先后顺序；
另一类是提供具体的学习内容，知识点或实际案例。
但很多繁琐而又杂乱的内容，除了给初学者增加理解和认识的噪音外，真正能够起到明确的方向指引导的，确实不多。
以至于很多人一开始没有明确的方向就一头扎进去，学了很久却不知道自己到底在学什么，或者自己学了很久不知道能够做什么。
学习一门技术之前，你应该知道，你想要达成的目标是什么样的。
也就是说，你想通过这门技术来解决哪些问题。你就可以知道要达成这样的目标，它的知识体系是怎么样的。
更重要一点的是，每个部分是用来解决哪些问题，只有明确的目标导向，学习最有用的那部分知识，才能避免无效信息降低学习效率。
对于数据分析这件事情，有很多的应用场景：
比如你需要进行调研，来了解市场的宏观情况，窥探竞争对手，做可行性分析……
比如你所在的工作部门产生了大量的数据，你需要考虑用这些数据来优化产品、营销、技术方案……
比如你需要对产品、业务、用户进行分析，挖掘出重要结论，给上级提出合理的决策建议……
通过这些常见的数据分析场景，你就可以获得数据分析项目的基本流程。
一般大致可以按“数据获取-数据存储与提取-数据预处理-数据建模与分析-数据报告”这样的步骤来实施一个数据分析项目。
按照这个流程，每个部分需要掌握的细分知识点如下：
高效的学习路径是什么？就是按这样的顺序循序渐进，你会知道每个部分需要完成的目标是什么，需要学习哪些知识点，哪些知识是暂时不必要的。
然后每学习一个部分，你就能够有一些实际的成果输出，有正向的反馈和成就感，你才会愿意花更多的时间投入进去。以解决问题为目标，效率自然不会低。
接下来我们分别从每一个部分展开，讲讲具体应该学什么、怎么学，以及各个部分主要的知识点进行结构化地展示，并有针对性地推荐学习资源。
如何获取数据
我们分析的数据一般有内部数据和外部数据两种。
内部数据是在我们的业务运转中产生，比如常见的用户数据、产品数据、销售数据、内容数据等等。
内部的数据相对来说更加完善、规整，我们经常要做的工作汇报、产品优化等分析数据一般来源于此。
可以找公司的技术人员索要，或者自己去数据库提取。
当然，很多时候，我们需要利用外部的数据。
比如进行市场调研，竞品分析，或者输出报告的时候，外部数据的分析是必不可少的，这也可以帮助我们得出更多的结论。
1. 公开数据源
UCI：加州大学欧文分校开放的经典数据集，真的很经典，被很多机器学习实验室采用。
http://archive.ics.uci.edu/ml/datasets.html
国家数据：数据来源于中国国家统计局，包含了我国经济民生等多个方面的数据。
http://data.stats.gov.cn/index.htm
CEIC：超过128个国家的经济数据，能够精确查找GDP、CPI、进出口以及国际利率等深度数据。
https://www.ceicdata.com/zh-hans
中国统计信息网：国家统计局的官方网站，汇集了海量的全国各级政府各年度的国民经济和社会发展统计信息。
http://www.tjcn.org/
政务数据网站：现在各个省都在很大程度上地开放政务数据，比如北京、上海、广东、贵州等等，都有专门的数据开放网站，搜索比如“北京政务数据开放”。
2. 网络爬虫
基于互联网爬取的数据，你可以对某个行业、某种人群进行分析。比如：
职位数据：拉勾、猎聘、51job、智联
金融数据：IT桔子、雪球网
房产数据：链家、安居客、58同城
零售数据：淘宝、京东、亚马逊
社交数据、微博、知乎、Twitter
影视数据：豆瓣、时光网、猫眼
……
在爬虫之前你需要先了解一些 Python 的基础知识：元素（列表、字典、元组等）、变量、循环、函数（菜鸟教程就很好）……
以及如何用成熟的 Python 库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫。
掌握基础的爬虫之后，你还需要一些高级技巧。
比如正则表达式、模拟用户登录、使用代理、设置爬取频率、使用cookie等等，来应对不同网站的反爬虫限制。
爬虫可以说是最为灵活、有效的数据获取方式，但学习成本相对来说也要高一些。
开始建议先利用公开数据进行分析，后续有更多的数据需求，再上手爬虫。
那个时候你已经掌握了Python基础，爬虫上手也会更轻松。
3. 其他数据获取方式
如果你暂时不会爬虫，但又有采集数据的需求，可以尝试各种采集软件，不需要编程知识也可以轻松爬取信息，比如火车头、八爪鱼等。
很多数据竞赛网站也会公开不错的数据集，比如国外的Kaggle，国内的DataCastle、天池。
这些数据都是真实的业务数据，且规模通常不小，可以经常去搜集和整理。
推荐数据汇总资源：
数据获取方式汇总 https://dwz.cn/Q44MsDkH
△ 常用的数据获取方式
数据存储与提取
数据库这个技能放在这里，是因为这是数据分析师的必备技能。
大多数的企业，都会要求你有操作、管理数据库的基本技能，进行数据的提取和基本分析。
SQL作为最经典的关系型数据库语言，为海量数据的存储与管理提供可能。
MongoDB则是新崛起的非关系型数据库，掌握一种即可。
初学建议SQL。你需要掌握以下技能：
1.查询/提取特定情况下的数据：企业数据库里的数据一定是巨量而繁复的，你需要提取你想要的那一部分。
比如你可以根据你的需要提取2017年所有的销售数据、提取今年销量最大的50件商品的数据、提取上海、广东地区用户的消费数据……
2.数据库的增、删、改：这些是数据库最基本的操作，但只要用简单的命令就能够实现。
3.数据的分组聚合、建立多个表之间的联系：这个部分是数据库的进阶操作，多个表之间的关联。
在你处理多维度、多个数据集的时候非常有用，这也让你可以去处理更复杂的数据。
数据库听起来很可怕，但其实满足数据分析的那部分技能不要太简单。
当然，还是建议你找一个数据集来实际操作一下，哪怕是最基础的查询、提取等操作。
推荐数据库教程：
SQL-菜鸟教程 https://dwz.cn/a042MLdz
MongoDB-菜鸟教程 https://dwz.cn/sJFhRzj1
△ mySQL知识框架
△ MongoDB知识框架
数据清洗及预分析
很多时候我们拿到的数据是不干净的，数据的重复、缺失、异常值等等。
这时候就需要进行数据的清洗，把这些影响分析的数据处理好，才能获得更加精确地分析结果。
比如空气质量的数据，其中有很多天的数据由于设备的原因是没有监测到的，有一些数据是记录重复的，还有一些数据是设备故障时监测无效的。
比如用户行为数据，有很多无效的操作对分析没有意义，就需要进行删除。
·选择：数据访问（标签、特定值、布尔索引等）
·缺失值处理：对缺失数据行进行删除或填充
·重复值处理：重复值的判断与删除
·空格和异常值处理：清楚不必要的空格和极端、异常数据
·相关操作：描述性统计、Apply、图形绘制等
从数据处理开始，就需要介入编程知识了，但不必把Python的教程完全啃一遍，只需要掌握数据分析必备的那部分即可。
·基本的数据类型：比如字符串、列表、字典、元组，不同的数据类型如何创建、进行增、删、改等操作，以及其中常用的函数及方法；
·Python函数：学习如何去创建自己的函数，实现更丰富的定制化程序，知道在使用中如何调用；
·控制语句：主要是条件语句和循环语句，利用不同的语句对流程进行控制，这是实现程序的自动化的基础。
Python教程推荐：
Python3-菜鸟教程 https://dwz.cn/2nJnWkrp
Python练手项目合集 https://dwz.cn/cpM0jua5
△ Python基础知识框架
另外，Python中两个非常重要的库Numpy和Pandas也是需要掌握的，我们的很多数据处理及分析方法就源于其中。
如果把Python比作是我们的房子，为我们提供基础的框架，那么Numpy和Pandas就是房子里的家具和电器，为我们入住提供各种功能。
当然，即便只是这两个库，官方文档的内容也是非常多的，建议先掌握最常用的一些方法，这样你可以解决大部分的实际问题，若后续遇到问题可以有针对性地去查询文档。
Numpy
·数组创建：从已有的数组创建、从数值范围创建
·数组切片：通过切片进行选择
·数组操作：元素增删、数组维度修改、数组的分割及连接
·Numpy函数：字符串函数、数学函数、统计函数
推荐Numpy文档：
Nump快速入门 http://h5ip.cn/ypHr
Numpy中文文档 https://www.numpy.org.cn/
△ Numpy知识框架
Pandas
·数据准备：数据读取、创建数据表
·数据查看：查看数据基本信息、查找空值和唯一值
·数据清洗：缺失值处理、重复值处理、字符处理
·数据提取：按标签值进行提取、按位置进行提取
·数据统计：采样、汇总、基本的统计量计算
推荐Pandas文档：
十分钟入门Pandas http://t.cn/EVTGis7
Pandas中文文档 https://www.pypandas.cn/
△ Pandas知识框架
数据分析及建模
如果你有一些了解的话，就知道目前市面上其实有很多 Python 数据分析的书籍，但每一本都很厚，学习阻力非常大。
如果没有整体的认识，往往不知道为什么要学习这些操作，这在数据分析中到底起什么样的作用。
为了得出普遍意义上的结论（或者从一般的数据分析项目来看），我们通常要进行三种类型的数据分析：描述性分析、探索性分析以及预测性分析。
描述性分析主要是有目的去描述数据，这就要借助统计学的知识，比如基本的统计量、总体样本、各种分布等等。
通过这些信息，我们可以获得对数据的初步感知，也能够得到很多简单观察得不到的结论。
所以其实描述性的分析主要需要两个部分的知识，其一是统计学的基础，其二是实现描述性的工具，用上述 Numpy 和 Pandas 的知识即可实现。
探索性分析通常需要借助可视化的手段，利用图形化的方式，更进一步地去观看数据的分布规律，发现数据里的知识，得到更深入的结论。
所谓“探索”，事实上有很多结论我们是无法提前预知的，图形则弥补了观察数据和简单统计的不足。
Python中的Seaborn和Matplotlib库都提供了强大的可视化功能。
相对于Matplotlib，Seaborn更加简单易于理解，画基本的图形也就是几行代码的事情，更推荐初学使用。
如后续需要定制化图形，可进一步了解Matplotlib。
预测性的数据分析主要用于预测未来的数据，比如根据历史销售数据预测未来某段时间的销售情况，比如通过用户数据预测未来用户的行为……
预测性分析稍难，越深入会涉及更多数据挖掘、机器学习的知识，所以可以只做做基本了解（或者等有需求的时候再学习）。
比如基本的回归、分类算法，以及如何用Python的scikit-learn库去实现，至于机器学习相关的算法选择、模型调优则不必深入（除非你游刃有余）。
推荐数据分析资料：
书籍《深入浅出统计学》《商务与经济统计学》
Matplotlib中文文档 https://www.matplotlib.org.cn
十分钟掌握Seaborn https://dwz.cn/4ePGzwAg
Scikit-learn中文文档 http://sklearn.apachecn.org
△ 数据分析建模知识框架
撰写数据报告
数据报告是整个数据分析项目的最终呈现，也是所有分析过程的总结，输出结论和策略的部分。
所以无论你的心路历程多么精彩，数据报告才是最终决定你分析价值的产物。
要写好一个分析报告，首先要明确数据分析任务的目标，是要探索数据里的知识，还有要对产品进行优化，或者预测未来的数据。
针对这些目标，那么需要对问题进行拆分，要达到目标，必须要输出哪些有价值的信息。
对于最终的决策，哪些数据、信息是有用的，是否要进一步探索，哪些是无效的，是否直接丢弃。
确定好输出的大致内容、在数据分析过程中得到有用的结论之后，接下来应该思考，如何把这些分散的信息整合起来，为了达到最终的说服力，应该以怎样的逻辑进行整合。
这是一个建立框架的过程，同时也反映这这个问题的拆解思路。
在搭建好框架之后，就是把已有的结论填充进去，选择合适的表达形式。
选择更合适的数据，哪些需要更加直观的图表，哪些结论需要进行详细的解释，并进行最终的美化设计，这样一份完整的数据分析报告也就完成了。
在写分析报告时，有一些一定要注意的地方：
1.一定要有框架，最简单的就是以问题拆分的逻辑来进行搭建，在每个分支进行内容填充，分点说明；
2.数据的选择不要过于片面，要多元化，进行对比分析，否则结论可能有失偏颇。
数据的价值决定了分析项目的上限，尽可能多收集有用的数据，进行多维度的分析；
3.结论一定要有客观的数据论证，或者严密的逻辑推导，否则没有说服力，特别容易陷入自嗨；
4.图表比文字更加直观，而且可读性更高，应该多利用图形化的表达方式；
5.分析报告不只是要说明问题，更重要的是基于问题提出建议、解决方案、预测趋势；
6.多看行业报告，多练习，Business Sense 在后期比技巧更重要。
推荐数据报告相关网站：
艾瑞网-数据报告 http://report.iresearch.cn/
友盟+-数据报告 http://t.cn/EVT6Z6z
世界经济论坛报告 http://t.cn/RVncVVv
普华永道行业报告 http://t.cn/RseRaoE
△ 撰写数据报告的框架
以上就是Python数据分析完整的学习路径，这个框架看其实是有一些庞大的，牛逼的事情看起来不都这样嘛（滑稽脸）。
但完全不用担心，其实我们每个人都天生数据敏感，自带分析事物的天赋，只不过在没有分析方法加持之前，我们凭的是经验和直觉。
你不必完全回炉重造，像开发程序一样去学代码、像考试一样去背函数和方法，只需要一些业务的常识，像均值、极值、排序、相关性、中位数……
这些东西我们信手捏来的东西往往占据数据分析的绝大多数内容，你所学的只不过是实现这些的工具而已。
就像一个100行的数据，给任何一个智力正常的人，不用任何工具和编程技术，他也能获得一份基本的结论，而工具则是让我们在效率、可扩展性和实现维度方面得到更好的提升，仅此而已。
本文转自：DC黑板报 ；获授权；
END
合作请加QQ：365242293
数据分析（ID : ecshujufenxi ）互联网科技与数据圈自己的微信，也是WeMedia自媒体联盟成员之一，WeMedia联盟覆盖5000万人群。
来源：oschina
链接：https://my.oschina.net/u/4262172/blog/4688166