最近，寫了 Linux C/C++、Java 的學習路線，對于要走這個方向的讀者，看看文章，大致方向不會錯的，在看的過程中，要慢慢培養自己的技術棧：

1、Linux C/C++ 學習路線（已拿騰訊、百度 offer）

2、Java 學習路線

對于 Java 學習路線，上篇文章說到的框架那塊，有些過時了，現在直奔 spring 或 springboot 即可，另外 2 個框架不用學了。

后臺三大主力，C++、Java、Go，Go 語言的學習路線不打算寫了，目前走 Go 方向的人很少，看之后發展如何吧；上次讀者留言，提到了數據分析，對于目前大火的 Python，在數據分析方面，是有一定的優勢的。

數據分析方向的思考

1、

對于 Python，可以從事的方向有：爬蟲、后臺、web、數據分析、算法崗，目前來說，要是選擇 Python 的話，走數據分析、算法崗是比較好的；當然了，Python 最適合的場景就是 AI，要是能直接走算法崗是最佳選擇。

走數據分析的，大部分人本身可能只熟悉 Python，有一部分人是真的喜歡這個方向，有一部分人其實是被動選擇，想找后臺方向，不熟悉 C++、Java、Go，沒法投遞，想找算法崗，對于機器學習十大算法以及算法方向的能力暫時不具備，只能選擇數據分析這么一個崗位了。

對于數據分析，國內招聘的需求崗位遠不如后臺、算法崗多，加上現在 Python 大火，很多人都走的 Python 路線，其競爭非常激烈，對于數據分析崗的技術含量，遠沒有算法崗那么多，要求也沒那么嚴，其薪資待遇也不算高。

數據分析其實很實用，可以通過對大量數據的觀察、分析、得到一定的規律，對于現在的大數據、云計算，尤其是面對海量數據，就需要一些快速處理的方法，數據分析崗位在公司中有一定的重要性，這個方向可以作為走向 AI 算法崗的跳板。

2、

對于技術沒多大追求的，還想踏入互聯網行業的，完全可以選擇走數據分析，數據分析這個方向相對而言，跟業務掛鉤比較大，熟悉了業務背景，還是很好上手的，如果一開始不具備算法崗的能力，也可以從數據分析入手，慢慢轉向算法崗。

我要清醒的告訴大家一點：數據分析的技術含量是比較低的，如果你想長期從事技術方面的工作，還是需要走后臺或者算法崗，很多人投遞這個方向，其實是被動與無奈的選擇（都不知道在工作中，數據分析到底是干啥的），一定要想好自己的職業方向。

如果真的喜歡數據分析，對數據比較敏感，一直從事在這個崗位也是挺好的，關鍵是要做自己喜歡的事情！

數據分析學習路線

數據分析，我在工作中有過簡單的接觸，自己目前入門較淺，根據自己的思考，分享一下我認為的學習路線、資料推薦，其中肯定有不足之處，希望大家在學習的時候，慢慢完善自己的技術棧就好了。

數據分析崗位，簡單理解，就是對于數據的處理、分析，得到結果，所以這個方向需要學習數據分析的 2 個方面：工具 + 方法 （數據處理的工具以及數據處理的常見方法）。

數據分析最完整的流程：數據獲取--->數據存儲--->數據預處理--->數據分析--->數據可視化。

1、基礎

Excel ：最基礎的數據處理工具，偏向于運營崗位的數據分析，作為一個數據分析師，Excel 無條件的熟練掌握，對于數據量較少，拿 Excel 進行分析、轉換、運算即可，而且數據分析師很大一部分時間是在與 Excel 在打交道。

SQL：sql 語句的熟練掌握，這就是跟數據庫打交道了，利用 sql 把數據進行提取，分析是很常見的一種方法（說句實話：算法崗也有一部分時間是在寫 sql），不管你從事數據分析、還是算法崗，sql 都非常的重要，因為這是跟數據庫打交道最直接的語句了。

我前面說過，不管你是啥方向，工作中最重要的三項技能，必須非常非常熟練的掌握起來：Linux + Git + Sql。

Python：Python 基礎知識的掌握，主要是 Python 非常擅長處理數據，Python 有很多包、方法都是可以直接調用的，作為一名數據分析師，對于一些復雜的場景，會用腳本語言進行數據分析。

Python 爬蟲：對于這項技術的理解，掌握了會更好，不會也不影響你作為數據分析師的日常工作，數據分析師的主要工作是對于數據的理解、處理，拿到結果；對于 R 語言，也是一門腳本語言，方便處理數據的，有時間可以接觸，學習學習，Python 在這方面的需求是遠大于 R。

數據分析師的基本功：Excel + Sql + Python，加上對于業務的理解，日常需求還是能完成的，對于那些計算機基礎知識，肯定是掌握了更好啊！

2、進階

Python 科學計算：pandas、numpy、scipy 等，pandas 常用于數據的清洗（重復、缺失、異常值等），把這些缺失的數據處理好，才能獲得更加準確的分析；numpy 支持數組和矩陣的運算，提供了大量的數學函數庫；scipy 是一個高級的科學計算庫，很多數學統計的相關函數都在其中。

對于科學計算包pandas、numpy、scipy 等，作為數據分析師的進階是最好要掌握的，花些時間，把這些都得熟悉掌握起來。

概率論及統計知識：

(1)、基本的概念：均值、中位數、眾數、極值等；

(2)、統計量：方差、標準差、顯著性等；

(3)、概率論知識：條件概率、貝葉斯等；

。。。

有了統計學的基本知識，就可以拿上面的量化數據，來描述數據的指標，觀察數據規律，得到一些結論性的總結，以及一些變化趨勢的預估，這塊數據分析做的就是有些技術含量的東西了。

3、拔高

數據分析師的拔高，就是在慢慢的走向機器學習方向，慢慢的轉為算法崗。

特征工程的基礎：如何統計數據特征、選用不同的特征，做模型的優化；

基本的分類算法：決策樹、隨機森林等；

基本的聚類算法、數據挖掘、常見的機器學習算法的了解；

做到這步的話，慢慢就會有數據挖掘、機器學習的感覺，一個優秀的數據分析師，數學功底是扎實的，就是在潛移默化的轉向數據挖掘崗。

4、推薦資料

書籍：

《對比Excel，輕松學習Python數據分析》：易懂易學的好書，強烈推薦！

《利用Python進行數據分析》

《深入淺出統計學》

數據分析工作中

2019 年騰訊暑期實習招聘

看看投遞數據分析方向的比例是多么的嚇人（50：1），崗位少，投遞人多，競爭太激烈了；看看騰訊對于數據分析師要求的技術棧：數學功底 + Python 腳本，基本上就是這些。

當你對于一個崗位，不知道學啥、不知道怎么構建自己技術棧的時候，你就多去官網看看，對于這個方向的要求，會給你指明一個大體的方向，按照著學習、準備、提升自己的技術能力就好。

為啥大部分人都投遞這個方向呢？我上面都說了，無奈與被迫的選擇，如果計算機水平足夠，大部分人還是愿意選擇后臺或者算法崗，多想想，時刻保持獨立思考的能力。

對于大部分數據分析師，在工作中，掌握：Excel + Sql + Python 足夠了，并沒有多大的技術含量，拿的錢相對較少；我這邊工作中接觸的數據分析工程師，主要就是統計數據、效果追蹤、報表可視化展示等。

每家公司的數據分析做的工作是完全不一樣的，有的感覺很無聊，有的還有些技術含量，這取決于你的業務與場景，大廠和小廠的數據分析也有差別，不管咋樣，時刻保持不斷學習的勁頭就好了。

面對新的領域，不在于我是否走這條路線，在于我是否思考、查資料、解決這些問題，能快速的給自己規劃學習路線，這就是能力。

數據分析未來崗位還會增加，看看是否適合自己，認清自己在技術方面的能力，做好選擇。