如何在业余时间学习数据分析？
对一个准备入门数据分析行业的小白来说，这是最直接而首要的问题，每一部分学完能做什么，如何应用，是一个很大的问题。这样的学习，很容易未入门就放弃，所以并不建议从啃一本书开始。
有的从实际问题场景入手。这确实是不错的方式，模拟了一个数据分析问题解决的流程。但对于没有数据分析经验的人，特别是不怎么了解业务的人来说，又会陷入另一种困境：如何提出高质量的问题、找到清晰的分析思路。数据分析的思维是在有经验之后才能够养成的，而这种方式要求一开始就具备这种分析的思维，如果不懂业务问题，其实很难有针对性地去分析一个问题。
我们就从数据分析技术和数据分析思维的养成，来谈谈如何在业余时间高效学习数据分析。
1、开始用数据玩起来
你可能会疑惑：我什么都不会，你就让我玩起来？
不急，我们慢慢来解答。
先找一个数据集，如果工作中有一些现成的数据（用户数据、销售数据、产品数据等），是最好的，因为这些数据跟你的认知高度相关，能让学习更加有针对性。如果没有这样的数据资源，也可以找一些网上的公开数据集。
拿到这些数据，就可以进行一些探索性的分析了。最常见的，就是把这些数据用可视化方式描述出来，最常用的就是 Excel，在把数据转化成图像的过程中，可以发现一些数据分布的特点。
比拿到一个产品的销售数据，把数据按照时间序列绘制出图形，那就可以看到销量与时间、季节、特殊节点之间的关系；当分地区来展示，可以看到产品受不同地区用户的喜爱程度；当把销售数据和其他因素结合起来（比如推广行为），可以发现这些因素对销售量的影响。
你看，其实冰冷的数据在进行图形化的展示之后，可以发现很多基本的规律，这个已经可以得出一些很有用的知识了。
如果不怎么熟悉 Excel 的话，去了解一些基本图表的用法，经常用到的也基本是条形图、折线图（散点图）、扇形图。
可视化还可以用编程的方式去实现，比如 python里面的seaborn、matplotlib，R里面的ggplot2，都是很好的可视化工具。不要以为很难，这个阶段并不需要系统地去学习python或者R，只需要了解这些库的一些基本函数和用法。
比如下面这些图，在python里面就是一行命令的事情。
网上有很多这些可视化工具的教程，跟着做很容易上手，主要是记住具体的函数、方法的使用方式，多联系一下就可以了。
当然不是让你瞎玩，画几个图虽然简单，但这还远远不够，在画图的过程中，需要真正去做一些思考，从这些可视化的图表中，能够发现哪些规律，并尝试输出一些简单的结论和报告。
2、好像少了点统计学知识
如果用可视化的形式做了一些探索性的数据分析，那么你就会发现，得到的知识并不是那么多。那么，如何做更加精细化的分析呢？这时候就需要补充一些统计学的知识了。
因为网上很少有系统的统计学的学习资料，这里更加推荐去看一些统计学方面的书籍。推荐书：《深入浅出统计学》
通过基本的统计量，可以进行更多元化的可视化，以实现更加精细化的数据分析。这时候也需要去了解更多的Excel函数，来实现基本的计算，或者python、R里面一些对应的可视化方法。
有了总体和样本的概念，你就知道在面对大规模数据的时候，怎样去进行抽样分析。
也可以应用假设检验的方法，对一些感性的假设做出更加精确地检验。
利用回归分析的方法，可以对未来的一些数据、缺失的数据做基本的预测。
了解统计学的原理之后，不一定能够通过工具实现，那么需要去对应的找网上找相关的实现方法。
3、数据不干净怎么办
很多时候我们拿到的数据是不干净的，有重复、缺失、异常值等问题。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，这时候就需要进行数据预处理。
不同情况要用不同的方法处理，比如残缺数据，我们是直接去掉这条数据，还是用临近的值去补全？这都是需要考虑的问题。
对于数据预处理，学会 pandas 的用法，应对一般的数据清洗就完全没问题了。
网上有很多pandas的教程，主要是一些函数的应用，也都非常简单，如果遇到问题，可以参看pandas操作的官方文档。
4、Python大法流弊！
通过pandas，你可能已经意识到，python真是一个神奇的东西。
除了pandas，python还有其他优秀的数据分析、数据挖掘的库，比如numpy、scipy、scikit-learn，可以去找一些教程来看看，如何通过这些库实现数据分析。搞清楚最常用的方法，结合实际的数据集进行练习。并不常用的方法，可以在遇到具体问题时，再去查阅相关的文档。
比如利用numpy进行数组的计算，利用scipy实现不同的假设检验，利用scikit-learn实现完整的数据分析建模……网上有很多教程，也可以去看书，推荐一本：《利用Python进行数据分析》
前期并不建议追求各种高深的技巧，你更需要去熟悉最基本的用法，毕竟基本的才是最常用到的，常用的方法已经可以解决绝大部分初级阶段的数据分析问题。
比如利用回归分析（线性回归、逻辑回归），就可以实现很多的预测型的数据分析，对未来的数据进行预测。
当然，如果是小白，还需要去了解一些python的基础知识，比如变量、基本元素等。如果对python无感，那么R语言也完全可以帮助你解决数据分析问题。
5、SQL打开新世界的大门
在应对万以内的数据的时候，Excel对于一般的分析没有问题。一旦数据量大，就会力不从心，打开文件都会是个问题。数据库能够很好地解决这个问题，而且大多数的企业，都会以SQL的形式来存储数据。如果你是一个分析师，也需要懂得SQL的操作，能够查询、提取数据。
SQL作为最经典的数据库工具，为海量数据的存储与管理提供可能，并且使数据的提取的效率大大提升。当然如果面对的是不那么大的数据，pandas等工具已经够你用了，那也可以暂时不了解SQL这一块相对独立的知识。
6、数据分析的思维
如果对业务本身有一定了解，那么你可能在数据思维的养成方面会更加有优势，知道哪些因素、数据是相对重要的。可以在分析中更加容易地找出重要的问题，也能够更清楚应该从哪些方面入手，这就是问题定义的过程。这是数据分析第一个步骤，往往要经过很多的实战训练才能养成。
开始的时候，可能考虑的问题不是很周全，但随着经验的积累，慢慢就会找到分析的方向，有哪些一般分析的维度。比如top榜单、平均水平、区域分布、年龄分布、相关性分析、未来趋势预测等。随着经验的增加，会有一些自己对于数据的感觉，这就是我们通常说的数据思维了。
如果想去获取互联网的一些数据，也可以学学爬虫的一些技能，基于互联网的数据，可以做很多的市场调研和舆情分析。
7、通向更高的维度
如果并不满足做基础的数据分析，甚至想做一些数据挖掘、机器学习的事情，那么还需要学习更多的知识。了解更高级的数据挖掘算法，比如决策树、随机森林、神经网络等等。光了解算法还不够，还需要知道如何进行模型的优化，如何通过特征工程、模型融合提升预测的精确度。
这就有点数据挖掘和机器学习的味道了。可以根据职业发展来选择具体的方向，如果在编程、算法上面比较有兴趣，那么可以向更深入的机器学习方向发展；如果更想往业务方向靠拢，以数据分析来支撑商业决策，那么可以深化这方面的能力，甚至去考虑做一些自动化分析的事情。
总的来说，学习的动力源于反馈。在碎片化学习的时候，尤其注意，每个学习过程都应该是有具体的目的导向的。也需要考虑，学习这个知识点，最终想输出的东西是什么？每个阶段只学习最需要的那部分知识，这样可以很大程度上地提升学习效率。