我是如何通过获取网络数据，做出这些数据分析项目的

最近有很多人在问，我是如何收集网络的数据，如何进行数据处理、数据分析以及可视化呈现的。

也有人问的更具体，关于Python数据分析的一些问题。到底应该怎么学？如何快速入门，以及技术和业务之间的瓶颈如何突破？

因为深度的数据分析往往可以看到事情的本质，而这又是一项在任何情况下都超级加分的技能。总结了一些经验，希望能够给还没入门、或者入门之后就遇到瓶颈的新手一些建议。主要是关于如何系统地进行学习规划，以及可以避免的一些坑。

有的同学看到数据分析几个字，就马上开始Python函数+控制语句、R语言和ggplot库……上来一顿骚操作，还没入门就放弃了。

这就是需求不明确导致的，当然学习方式也值得商榷，那到底数据分析需要什么样的技能呢？ 这里作为例子，从招聘网站上找了几个数据分析的岗位，我们来看看具体的要求是怎样的。

其实企业对数据分析师的基础技能需求差别不大，可总结如下：

• 分析工具：一般要求SPSS/SAS/R/Python等分析工具至少会一种，会两种以上加分，有的企业因内部需求，会指定的一种；
• 数据库：绝大会要求会SQL，部分要求SQL/NoSQL会一种，高级的分析师或者大型企业要求能够处理大数据，需要Hive（较少的需要Hadoop/Spark）；
• 统计学：若无相关专业背景，需要具备相应的统计学、概率论等基础知识；
• 数据挖掘：少部分要求会建模，了解基本的算法模型，能够做数据预测，即便不要求，算法也是加分项；
• 结果输出：Excel/PPT/Tableau。Excel和PPT要求的比较多，主要用作常规的数据呈现，与业务部门沟通等，Tableau一般作为可视化或者分析工具的加分项或者要求之一；
• 业务/思维：对某个领域（如电商、金融等）相关业务的了解或具有产品、运营方向的分析经验，有自己的数据分析的方法论和项目经验，具备Data Sence。

看上去很简单呀，对吧，但其实你把每个技能拆分开来，都是一个不小的知识体系。如果我们按照数据分析的流程来细分的话，每个部分应该掌握的技能，大概是这样的：

那对于这个技能体系，应该如何进行技能的训练呢？先后顺序是什么？哪些地方可能出现困难和瓶颈？

按数据分析的流程的顺序循序渐进，你会知道每个部分需要完成的目标是什么，需要学习哪些知识点，哪些知识是暂时不必要的。

接下来我们分别从每一个部分讲讲具体应该学什么、怎么学。

- ❶ -

数据获取：爬虫与公开数据

数据是产生价值的原材料，这也是数据分析项目的第一步。

通常我是通过爬虫获取相关数据的，一来数据有很高的时效性，二来数据的来源可以得到保证，毕竟网上的信息是异常丰富的。

这些分布在网上零散的信息，通过爬取整合之后，就有比较高的分析价值。

比如你可以通过爬虫获取招聘网站某一职位的招聘信息，爬取租房网站上某城市的租房信息，获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某个事件、某类人群进行分析。

在爬虫之前需要先了解一些 Python 的基础知识：数据类型（列表、字典、元组等）、变量、循环、函数………

以及，如何用 Python 库（urllib、BeautifulSoup、requests等）实现网页爬虫。如果是初学，建议从 requests+xpath 开始。

当然，并不是说公开数据就没用了，在进行分析的时候，需要一些历史数据进行对比，需要一定的行业标准进行参考的时候，公开数据的价值就体现出来了。

一些科研机构、企业、政府会开放一些数据，还有一些行业研究报告、他人的调查结果，都可以成为你的数据来源。这些数据集通常比较完善、质量相对较高。

- ❷ -

数据存取：SQL语言

我并不是每次都会用到数据库，但很多时候这确实是做数据分析项目的必备技能，包括求职就业，也是必选项。

通常数据库的使用能够让数据存储、管理更方便，同时也能提高数据提取和使用的效率，特别是在数据上了一定的量级之后，谁用谁知道。

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，也至少要懂得SQL的操作，能够查询、提取公司的数据。

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。需要掌握以下技能：

• 提取特定情况下的数据：企业数据库里的数据一定是大而繁复的，你需要提取你需要的那一部分。比如你可以根据你的需要提取2017年所有的销售数据、提取今年销量最大的50件商品的数据、提取上海、广东地区用户的消费数据……，SQL可以通过简单的命令帮你完成这些工作。
• 数据库的增、删、查、改：这些是数据库最基本的操作，但只要用简单的命令就能够实现，所以你只需要记住命令就好。
• 数据的分组聚合、如何建立多个表之间的联系：这个部分是SQL的进阶操作，多个表之间的关联，在你处理多维度、多个数据集的时候非常有用，这也让你可以去处理更复杂的数据。

SQL这部分比较简单，主要是掌握一些基本的语句。当然，还是建议找几个数据集来实际操作一下，哪怕是最基础的查询、提取等。

- ❸ -

数据处理：Pandas/Numpy

爬回来的数据通常是不干净的，数据的重复、缺失、异常值等等，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。

那么我们需要用相应的方法去处理，比如重复数据，是保留还是删除；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，这些都是需要考虑的问题。

对于数据预处理，学会 pandas/Numpy （Python包）的用法，应对一般的数据清洗就完全没问题了。需要掌握的知识点如下：

• 选择：数据访问（标签、特定值、布尔索引等）
• 缺失值处理：对缺失数据行进行删除或填充
• 重复值处理：重复值的判断与删除
• 异常值处理：清除不必要的空格和极端、异常数据
• 相关操作：描述性统计、Apply、直方图等
• 合并：符合各种逻辑关系的合并操作
• 分组：数据划分、分别执行函数、数据重组
• Reshaping：快速生成数据透视表

数据清洗通常被视为脏活，但事实上这步非常重要，这直接决定了你的分析结论的准确性，决定你的项目是否能顺利进行下去。

- ❹ -

数据分析与可视化

这个是从数据中发现信息、挖掘价值的过程，大多数的结论在这个步骤产生，主要做两件事情。

一是对于既定的数据分析主题进行拆解，评估需要从哪些维度进行分析，提取哪些数据，这个步骤很大程度上来源于经验或者对于具体事务的理解；

二是通过探索数据分布的规律、数据的特征，发现从表面看不到的信息，完成这个流程主要是通过数据本身进行探索。

前者对应的是描述性的数据分析，主要考虑数据的指标，看从不同的角度去描述数据能够得出哪些结论。

这个地方就需要对统计学的相关知识有一定的了解，比如：

• 基本统计量：均值、中位数、众数、百分位数、极值等
• 其他描述性统计量：偏度、方差、标准差、显著性等
• 其他统计知识：总体和样本、参数和统计量、ErrorBar
• 概率分布与假设检验：各种分布、假设检验流程

后者则是探索型的数据分析，主要通过绘制数据的分布图形，来观察数据的分布规律，从而提取隐藏的某些信息。

这里就需要对掌握可视化的技能，Python中的Matplotlib/Seaborn都可以完成可视化的工作。可视化既是探索性分析的工具，也可以输出最终结果呈现的图形。

当然，还有一种是预测型的数据分析，需要构建模型来预测未来数据，我在推文中用的比较少，但在企业中应用非常多。

做数据分析的话，会用比如线性回归、逻辑回归、决策树等这些基本的算法，用于解决基本的回归和分类问题，就OK了。