1.数据采集

数据来源分为内部数据和外部数据，内部数据主要是企业数据库里的数据，外部数据主要是下载一些公开数据取或利用网络爬虫获取。（如果数据分析仅对内部数据做处理，那么这个步骤可以忽略。）

公开的数据集我们直接下载即可，所以这部分的重点知识内容是网络爬虫。那么我们必须掌握的技能：Python 基础语法、Python 爬虫的编写。

Python 基础语法：掌握元素（列表、字典、元组等）、变量、循环、函数等基础知识，达到能够熟练编写代码，至少不能出现语法错误。

Python 爬虫内容：掌握如何使用成熟等 Python 库（如urllib、BeautifulSoup、requests、scrapy）实现网络爬虫。

由于大部分的网站都有自己的反爬机制，所以我们还需要学习一些技巧去应对不同网站的反爬策略。主要包括：正则表达式、模拟用户登录、使用代理、设置爬取频率、使用cookie信息等等。

推荐资源：

2.数据存储与提取

提到数据存储，肯定跑不掉的就是数据库。SQL 语言作为数据库最基础的工具，这个是不可少的。常见的关系数据库以及非关系数据库也需要有所了解。

SQL语言：最基本的四大操作，增删改查。需要烂熟于心，信手拈来。由于可能会提取一些指定数据，所以，需要能够编写 sql 语句去提取特定数据。在处理一些复杂数据的时候，还会涉及到数据的分组聚合、建立多个表之间的联系。

MySQL和MongoDB：掌握 MySQL 和 MongoDB 的基础使用，并且了解两个数据库的区别。学会了这两个数据库，其他的数据库基本可以在此基础上很快上手。

推荐资源：

往往我们拿到的数据是不干净的，数据的重复、缺失、异常值等等。这个时候我们就需要对数据进行清洁以及预处理，解决掉干扰因素，才能更加精准地分析结果。

对于数据预处理，我们主要利用 Python 的 Pandas 库进行。

Pandas：用于数据处理的程序库，不仅提供了丰富的数据结构，同时为处理数据表和时间序列提供了相应的函数。

主要掌握选择、缺失值处理、重复值处理、空格和异常值处理、相关操作、合并、分组等。

推荐资源：

数据分析的重头戏，这部分已经不是单纯的处理数据了，需要一定的数学基础和机器学习基础。

概率论及统计学知识：基本统计量（均值、中位数、众数等）、描述性统计量（方差、标准差等）、统计知识（总体和样本、参数和统计量等）、概率分布与假设检验（各种分布、假设检验流程）、条件概率、贝叶斯等其他概率论知识。

机器学习：掌握常用的机器学习分类、回归、聚类算法和原理，了解特征工程基础、调参方法以及 Python 数据分析包scipy、numpy、scikit-learn 等。

推荐资源：

数据可视化，这部分主要依赖于 Python 的 Matplotlib 和 Seaborn。

推荐资源：

根据以上内容，循序渐进的完成学习，基本上是可以达到初级数据分析师的要求。但是千万不要忘记了，掌握基本技能之后，还要多加练习，重视实战才能更好的提升技能。

下面推荐一些还不错的项目案例：

以上案例都来自与实验楼《楼+ 数据分析与挖掘实战》课程学员。