下面分别从这四个方面来带大家学习数据分析：
- 第一，做数据分析要精通Python吗？
- 第二，数据分析流程是什么？学什么？
- 第三，如何培养数据分析思维？
- 第四，数据分析书籍推荐
做数据分析不必精通Python，但至少要掌握Python基础内容。第一步是要了解一些Python的编程基础，知道Python的数据结构，什么是向量、列表、数组、字典等等；了解Python的各种函数及模块。
一个完整的数据分析项目，大概可以分为这五个流程：数据获取——数据存储——数据清洗——数据分析——可视化分析，具体每部分都要掌握什么，下面给大家说清楚。
数据获取
数据获取是数据分析的第一步，关于一些内部数据大家可以找公司内部的人去要，其他外部数据如市场调研、竞品分析这些报告，大家可以在这些网站获取：
- 艾瑞网-数据报告：https://report.iresearch.cn/
- 易观分析-热门报告：https://www.analysys.cn/
- 友盟 数据报告：https://www.umeng.com/reports.html?from=hp
- 赛迪满天星行业报告：http://www.mtx.cn/#/
- 世界经济论坛报告：https://www.weforum.org/reports
- 普华永道行业报告：https://www.pwccn.com/zh/research-a
数据存储
企业常用的存储数据的数据库有哪些？不同数据库的存储区别又有哪些？下面跟我一起来了解常见数据库：
- Access数据库：是一个关系型数据库管理系统；本地桌面型数据库，存储的数据量较少，是小型的数据库；查询语句为SQL。
- MYSQL数据库：是一个关系型数据库管理系统；是开源的，总体拥有成本低；支持多种操作系统；
- SQL Server 数据库：是一个关系型数据库管理系统；是非开源的；中型的数据库；
- Oracle数据库：是一个关系型数据库管理系统；不是开源的；支持多种操作系统；
- Hive 数据库：是非关系型数据库管理系统；数据规模大；主要进行离线的大数据分析； 查询语句为HQL；
以上就是几种常见的数据库及介绍，方便大家在做数据分析的时候提取数据。
数据清洗
数据清洗是利用相关技术将“脏”数据转换为满足质量要求的数据。下面通过一张图描述数据清洗的原理。
从图中可以看出，同一值的不同表示、拼写错误、不同的命名习惯、不合法的值以及空值都会导致“脏”数据出现，通过定义好的数据清洗策略和清洗规则（即数理统计技术、数据挖掘技术等清洗策略）对“脏”数据进行清洗，得到满足数据质量要求的数据。
需要注意的是，数据清洗的目的是解决“脏”数据问题，即不是将“脏”数据洗掉，而是将“脏”数据洗干净。干净的数据指的是满足质量要求的数据。
数据分析与可视化分析
Python中常会用到一些专门的库，如NumPy、SciPy、Pandas和Matplotlib。数据处理常用到NumPy、SciPy和Pandas，数据分析常用到Pandas和Scikit-Learn，数据可视化常用到Matplotlib，而对大规模数据进行分布式挖掘时则可以使用Pyspark来调用Spark集群的资源。
- NumPy官方文档：https://numpy.org/
- SciPy官方文档：https://scipy.org/
- Pandas官方文档：pandas documentation
- Matplotlib官方文档：Matplotlib - Visualization with Python
- Scikit-learn官方文档：scikit-learn: machine learning in Python
- Keras官方文档：the Python deep learning API
数据分析属于分析思维的一个子类，有专门的数据方法论，只有养成正确的分析思维才能做好数据分析。什么是好的分析思维，网上有张图是这样的：
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。这两种思维也往往会导致不同的结果。
除了Excel、Tableau、SQL、Python 等工具技能的学习，另一个关键点则是数据分析思维的培养。大家在做数据分析之前需要构建分析框架、理清思路、学会运用常见的分析方法等结合具体业务进行分析。
这需要我们去做案例 看书来不断积累经验，形成自己的数据分析思维。
四、数据分析好书推荐- 入门篇：《深入浅出数据分析》、《利用Python进行数据分析》、《笨方法学Python》
- 工具篇：《零基础学 SQL》、《R 语言实战》、《数据图形化，分析更给力》、《PPT，要你好看》、《金字塔原理》
- 统计篇：《深入浅出统计学》、《赤裸裸的统计学》
- 进阶篇：《精益数据分析》、《贝叶斯数据分析》
