女强穿越玄幻完结小说,古风,玄幻小说

一。入門：高屋建瓴

數據分析的坑很大，一開始走上這條路，就要明確基本的方向，依托于核心的思想，不然只會越走越偏，最后覺得山太高水太深，不了了之。

1.數據與數據分析

數據其實就是對事物特征的定性指稱以及量化描述，比如一個人的身份證號，年齡，收入，身高等就構成了一組數據：{id:001，age:45，income:10000，height:176}——如果把很多人的這些數據匯成表，便構成了“ 結構化 ”（也就是比較規整一致）的“ 數據空間 ”。

但是呢，有一些或者大部分的數據都不是規整的，也就是分布比較雜亂或者不是按照我們想要的那樣分布的（比如一個網頁中的文本數據分布），稱之為“ 非結構化 ”的數據空間。

數據分析的本質是什么？那就是——將這些結構化或者非結構化的數據，映射到指定格式的數據空間里面，然后進行分析—— 數據分析的基礎就是數據空間的映射。

這句話說的比較繞，但是卻非常深刻，它告訴我們，數據分析的一個基礎（在實踐中也是最重要）的一件事情就是尋找合適的數據空間映射方案——某種程度上就是所謂的數據清洗。

2.對于一些工具的看法

沿襲上文，工具則可以分為兩種，一是基礎性的excel，spss，sas等數據分析軟件以及許多數據庫管理工具，它們主要處理的是結構化的數據，也就是給你把數據弄成了表的規整數據（當然，這些數據很多時候也需要清洗，不過已經不涉及數據空間映射這個問題了）；二是編程語言，包括python，R，Java，Ruby等，這些語言工具主要是處理數據空間映射和清洗工作的，其中，比較常用的是python和R，前者由于其可擴充性，已經在大多數情況下優于后者了。

3.學習：從天而降

所謂“從天而降”指的是從一個比較高的地方下降來學習的方法，好比是拿著一張總體的地圖去探索數據分析與挖掘的世界。推薦閱讀：《數據科學實戰》。

其次，請注意一點：python學習，對于沒有任何計算機基礎的人來說，基本上是開頭容易、越往后面越難！（python一開始的類似自然語言的結構很友好，但你到了函數與面向對象的學習的時候，還是必須明確引用變量的變化（也就是數據如何在內存中流動）以及作用域的動態變化等對入門者不友好的問題。）

在這種情況下，《head first python》根本不適合，不要用它學習python！

我的建議是，花時間學習一下計算機的基本原理，然后是C語言，Java等，然后再學python，不然你到后面完全是知其然而不知其所以然！

推薦閱讀：《計算機科學概論（第11版》

以及：《瘋狂Java講義》（這本書雖然講的是java，但對數據在內存中的流轉也有講，可以作為參考，理解程序的運行。）

最后才是：《 Python基礎教程（第2版?修訂版）》

然后可以看看入門的統計學教材：《深入淺出統計學》（很快就能看完，我當時半天多一點就看完了。）

以及入門與深入理解數據庫原理：《 MySQL必知必會》+《數據庫系統概念》

有了技術基礎了，再看看《 R語言編程藝術》

另外，入門者不要選擇python3.x，選擇python2.7吧。為啥？因為很多重要的模塊比如pandas還有網上的許多資料現在還是最多支持到2.7的，你選3.X對于入門那是舍近求遠。

最后，可以使用《利用Python進行數據分析》將所有知識串接起來，感受pandas以及scipy，numpy中的數據計算是如何體現數據空間映射這個深刻概念的。

二。中階：理論

中階主要是理論學習以及一些比較復雜的應用操作。

1.理論基礎：書籍

良好的數學基礎是進一步學習的支撐條件。

以下是推薦閱讀的書目：

1.概率論與數理統計：《概率論與數理統計》，進一步學習概率與統計；

2.高等代數：《高等代數簡明教程（上冊）》，“數據空間的映射”的思想就來自于高等代數；

3.最優化：《最優化理論與方法》，參考書，中階不要細讀。

4.數據挖掘：《數據挖掘導論》，偏數學，《數據挖掘》，偏結構化的數據庫；

5.信息檢索領域入門：《信息檢索導論》

6.統計學習理論快速俯瞰：《統計學習方法》

7.實戰之于python：《集體智慧編程》+《機器學習實戰》

8.實戰之于Mahout平臺：《 Mahout實戰》

2.實戰：利用數據庫與數據api，實戰學習

（1）淘寶上以及很多百度提供的一些數據庫： API Store_為開發者提供最全面的API服務等，都可以下載到數據進行處理，有一些經典的研究數據庫，主要是一些大學構建的，也可以用來訓練模型；

（2）。學習寫網絡爬蟲，基于python，爬取文本數據進行分析，其中，文本數據分析可能涉及到中文的自然語言處理，比較麻煩，有一些模塊可以直接使用（比如jieba），如果覺得不理想，可以嘗試爬取英文頁面。另：寫爬蟲必須首先理解網頁的數據空間，建議閱讀：《 Head First HTML與CSS、XHTML（中文版）》；

（3）。苦練清洗數據的基本功——因為大多數數據工程師的主要工作都在于此，并且在清洗的過程中，深刻理解數據空間的映射。另，清洗數據必備技能：正則表達式。建議閱讀：《正則表達式必知必會》；

（4）。混合編程與數據可視化：可以嘗試以python為主的混合編程（python+R）以及數據可視化，建議閱讀《 ggplot2 》

三。高階：回歸、遠行、優化與萬法歸宗

1.回歸

總的來說，數據挖掘、機器學習相關的工作，看著很新，其實只是很久之前的理論知識的應用罷了，在實戰領域，并沒有多少新的東西。

所以，從技術上講，我們需要回歸到那些最內核的東西。

什么是最內核的東西，那就是：算法與數據結構。

知乎上有一些言論，說算法與數據結構一般情況下程序員是用不到的，這句話對于一般的寫系統的程序員確實受用，但是對機器學習、數據挖掘的程序員，卻恰恰相反：我們的主要工作就是在搞算法和數據結構。

比如貝葉斯網絡、人工神經網絡，本質上其實還是基于圖的算法的應用罷了。

推薦一本書，比《算法導論》好讀：《算法（第4版）》

2.遠行

所謂遠行，就是從學習的象牙塔里面走出來，走向實用或者特殊領域，比如：金融量化分析。