如何成为一名真正的数据分析师或者数据工程师

原文  http://www.pm28.com/post-322.html

一.入门：高屋建瓴

数据分析的坑很大，一开始走上这条路，就要明确基本的方向，依托于核心的思想，不然只会越走越偏，最后觉得山太高水太深，不了了之。

1.数据与数据分析

数据其实就是对事物特征的定性指称以及量化描述，比如一个人的身份证号，年龄，收入，身高等就构成了一组数据：{id:001,age:45,income:10000,height:176}——如果把很多人的这些数据汇成表，便构成了“ 结构化 ”（也就是比较规整一致）的“ 数据空间 ”。

但是呢，有一些或者大部分的数据都不是规整的，也就是分布比较杂乱或者不是按照我们想要的那样分布的（比如一个网页中的文本数据分布），称之为“ 非结构化 ”的 数据空间 。

数据分析的本质是什么？那就是——将这些结构化或者非结构化的数据， 映射 到指定格式的数据空间里面，然后进行分析—— 数据分析的基础就是数据空间的映射 。

这句话说的比较绕，但是却非常深刻，它告诉我们，数据分析的一个基础（在实践中也是最重要）的一件事情就是寻找合适的数据空间映射方案——某种程度上就是所谓的 数据清洗 。

2.对于一些工具的看法

沿袭上文，工具则可以分为两种，一是基础性的excel，spss，sas等数据分析软件以及许多数据库管理工具， 它们主要处理的是结构化的数据 ，也就是给你把数据弄成了表的规整数据（当然，这些数据很多时候也需要清洗，不过已经不涉及数据空间映射这个问题了）；二是编程语言，包括python，R，Java，Ruby等， 这些语言工具主要是处理数据空间映射和清洗工作的 ，其中，比较常用的是python和R，前者由于其可扩充性，已经在大多数情况下优于后者了。

3.学习：从天而降

所谓“从天而降”指的是从一个比较高的地方下降来学习的方法，好比是拿着一张总体的地图去探索数据分析与挖掘的世界。推荐阅读：《 数据科学实战 》。

其次，请注意一点：python学习，对于 没有任何计算机基础 的人来说， 基本上是开头容易、越往后面越难！ （python一开始的类似自然语言的结构很友好，但你到了函数与面向对象的学习的时候，还是必须明确引用变量的变化（也就是数据如何在内存中流动）以及作用域的动态变化等对入门者不友好的问题。）

在这种情况下，《head first python》根本不适合，不要用它学习python！

我的建议是，花时间学习一下计算机的基本原理，然后是C语言，Java等，然后再学python，不然你到后面完全是知其然而不知其所以然！

推荐阅读：《 计算机科学概论（第11版 》

以及：《 疯狂Java讲义 》（这本书虽然讲的是java，但对数据在内存中的流转也有讲，可以作为参考，理解程序的运行。）

最后才是：《 Python基础教程（第2版•修订版） 》

然后可以看看入门的统计学教材：《 深入浅出统计学 》（很快就能看完，我当时半天多一点就看完了。）

以及入门与深入理解数据库原理：《 MySQL必知必会 》+《 数据库系统概念 》

有了技术基础了，再看看《 R语言编程艺术 》

另外，入门者不要选择python3.x，选择python2.7吧。为啥？因为很多重要的模块比如pandas还有网上的许多资料现在还是最多支持到2.7的，你选3.X对于入门那是舍近求远。

最后，可以使用《 利用Python进行数据分析 》将所有知识串接起来，感受pandas以及scipy，numpy中的数据计算 是如何体现数据空间映射这个深刻概念的。

二.中阶：理论

中阶主要是理论学习以及一些比较复杂的应用操作。

1.理论基础：书籍

良好的数学基础是进一步学习的支撑条件。

以下是推荐阅读的书目：

1.概率论与数理统计：《 概率论与数理统计 》，进一步学习概率与统计；

2.高等代数：《 高等代数简明教程（上册） 》，“数据空间的映射”的思想就来自于高等代数；

3.最优化：《 最优化理论与方法 》，参考书，中阶不要细读。

4.数据挖掘：《 数据挖掘导论 》，偏数学，《 数据挖掘 》，偏结构化的数据库；

5.信息检索领域入门：《 信息检索导论 》

6.统计学习理论快速俯瞰：《 统计学习方法 》

7.实战之于python：《 集体智慧编程 》+《 机器学习实战 》

8.实战之于Mahout平台：《 Mahout实战 》

2.实战：利用数据库与数据api，实战学习

（1）淘宝上以及很多百度提供的一些 数据库 ： API Store_为开发者提供最全面的API服务等，都可以下载到数据进行处理，有一些经典的研究数据库，主要是一些大学构建的，也可以用来训练模型；

（2）.学习写 网络爬虫 ，基于python，爬取文本数据进行分析，其中，文本数据分析可能涉及到中文的自然语言处理，比较麻烦，有一些模块可以直接使用（比如jieba），如果觉得不理想，可以尝试爬取英文页面。另：写爬虫必须首先理解网页的数据空间，建议阅读：《 Head First HTML与CSS、XHTML（中文版） 》；

（3）.苦练 清洗数据 的基本功——因为大多数数据工程师的主要工作都在于此，并且在清洗的过程中，深刻理解数据空间的映射。另，清洗数据必备技能：正则表达式。建议阅读：《 正则表达式必知必会 》；

（4）. 混合编程 与 数据可视化 ：可以尝试以python为主的混合编程（python+R）以及数据可视化，建议阅读《 ggplot2 》

三.高阶：回归、远行、优化与万法归宗

1.回归

总的来说，数据挖掘、机器学习相关的工作，看着很新，其实只是很久之前的理论知识的应用罢了，在实战领域，并没有多少新的东西。

所以，从技术上讲，我们需要回归到那些最内核的东西。

什么是最内核的东西，那就是： 算法与数据结构 。

知乎上有一些言论，说算法与数据结构一般情况下程序员是用不到的，这句话对于一般的写系统的程序员确实受用，但是对机器学习、数据挖掘的程序员，却恰恰相反：我们的主要工作就是在搞算法和数据结构。

比如贝叶斯网络、人工神经网络，本质上其实还是基于图的算法的应用罢了。

推荐一本书，比《算法导论》好读：《 算法（第4版） 》

2.远行

所谓远行，就是从学习的象牙塔里面走出来，走向实用或者特殊领域，比如： 金融量化分析 。

传统的投资经理，做的专业投资，本质上根根结底是什么？那就是两个字： 分散 。

所谓分散，说大白话就是“把鸡蛋放在多个篮子里面”，但至于怎么放，放多少，都是非常复杂的，传统的手段包括建立 马科维兹模型 与 指数模型 来作为分散的参考模型。

机器学习也是可以来做分散的，并且，知名的文艺复兴技术公司做的“最大熵模型”比传统的那两大模型还要好，还能够持续跑赢大盘。

如果你对机器学习、数据挖掘相关理论有深刻理解的话，你会发现一个事实： 分散本质上就是在寻找有限条件下的最大组合熵！ 最大熵模型之所以有效就是因为它使用了超级大的数据量作为基准，得到了相对于传统分散模型更高的熵。

这个要讲很多，确实也比较高阶，我就点到为止，将来再细谈。

3.优化

优化主要是对python执行效率的优化——要知道，很多时候，量化分析对时间的要求非常严格，差之毫厘，损失成百上千万。

这个时候，就需要了解如何优化python。

知道吗？python是用C写出来的， 如果你优化的好，你的python可能比C还要快！

优化问题本质上是一个局部最优与全局最优权衡的问题，有空细讲。

优化的另外一个问题是 数值计算 ，包括矩阵的分块计算、并行计算，MapReduce对大量数据的处理等，这也是比较复杂的，有空细讲。

4.万法归宗：信息论

数据处理的的最高境界，其实是对信息论的深刻理解。

• 算法优化，大量问题都是把指数问题变为对数问题，其实根本原理是信息论；
• 量化分析，买入卖出的博弈，每一次交易如何暴露出信息的？
• 投资组合，如何在限制条件内产生最大熵？
• 文本挖掘、数据压缩，隐马尔科夫链，如何用最少的信息映射原空间？
• 。。。。（待补充）
  

推荐阅读：《 信息论基础 》