數據分析最重要的可能並非你熟悉的編程工具、分析軟件。或者統計學知識，而是清楚你所使用的統計知識(統計學、計量、時間序列、非參數等等)背後的原理、如果及其局限性，知道各種數據分析工具(比如數據挖掘)能帶來什麽，不能帶來什麽，看到一組統計檢驗的結果你能言說什麽，不能言說什麽。

這一切的背後，須要一套完整的「科學」邏輯框架，讓你了解自己手中的工具的本質。你才幹從數據中「正確地」發現有效的信息，而不是胡亂地使用一大堆自己都搞不清楚的工具來堆砌分析結果，這樣得到分析結果不僅無用，並且有害。

知道了這些後，希望成長為「數據分析師」，就須要著手訓練自己的能力和洞察力。既然是「數據分析師」，那就分別從「數據」和「分析」雙方面入手。

「數據」當然包括了數據收集、處理、可視化等內容，每一個環節對於最後的結果都有關鍵性的影響。

當中涉及的技術性內容僅僅是一部分而已，更重要的是你要理解數據收集(是否存在採樣偏差?怎樣糾正或者改進?)、處理(是否有漏洞或異常情況沒有考慮?)背後的邏輯。

比如：假設分析股票數據用於設計交易策略，那麽你不僅須要明確數據處理本身的問題，還要清楚金融市場的基本知識。比如，使用股票價格時，究竟要用收盤價。還是復權價;復權價的話要用前復權價還是後復權價。這些選擇與數據分析沒有太大的關系，純粹決定於你分析的目的是什麽。因此你要充分了解這些概念背後的邏輯、動機是什麽。才幹正確地依據自己的目的作出選擇。

數據可視化很多其它的是一門藝術：怎樣把信息以最恰當的方式呈現給希望獲得這些信息的人。

首先，你要充分理解這些信息到底是什麽。有什麽特點。你才幹較為恰當的選擇採用的可視化工具。

另外一部分就是「分析」。當然就是各種分析模型，還是須要了解這些模型背後的邏輯。要放到整個項目的上下文中去看，而不是單純地在模型中看。

總而言之，「理解」數據以及當中的信息是很重要的，這決定了你的分析和呈現的方法是否合適，決定了最後的結論是否可靠。

如今能夠回答題主的問題了：成長為一個數據分析師，要註意「理解」你的知識，形成一個系統，而不是像機器人一樣機械地胡亂套用模型。在這個理念下訓練你的編程能力，了解你所分析對象的原理和盡可能多的細節。在這個基礎上，才幹談數據分析。

想從事大數據工作，怎樣自學打基礎

怎樣迅速成為一名數據分析師？