数据分析最重要的可能并非你熟悉的编程工具、分析软件。或者统计学知识，而是清楚你所使用的统计知识(统计学、计量、时间序列、非參数等等)背后的原理、如果及其局限性，知道各种数据分析工具(比如数据挖掘)能带来什么，不能带来什么，看到一组统计检验的结果你能言说什么，不能言说什么。

这一切的背后，须要一套完整的「科学」逻辑框架，让你了解自己手中的工具的本质。你才干从数据中「正确地」发现有效的信息，而不是胡乱地使用一大堆自己都搞不清楚的工具来堆砌分析结果，这样得到分析结果不仅无用，并且有害。

知道了这些后，希望成长为「数据分析师」，就须要着手训练自己的能力和洞察力。既然是「数据分析师」，那就分别从「数据」和「分析」双方面入手。

「数据」当然包括了数据收集、处理、可视化等内容，每一个环节对于最后的结果都有关键性的影响。

当中涉及的技术性内容仅仅是一部分而已，更重要的是你要理解数据收集(是否存在採样偏差?怎样纠正或者改进?)、处理(是否有漏洞或异常情况没有考虑?)背后的逻辑。

比如：假设分析股票数据用于设计交易策略，那么你不仅须要明确数据处理本身的问题，还要清楚金融市场的基本知识。比如，使用股票价格时，究竟要用收盘价。还是复权价;复权价的话要用前复权价还是后复权价。这些选择与数据分析没有太大的关系，纯粹决定于你分析的目的是什么。因此你要充分了解这些概念背后的逻辑、动机是什么。才干正确地依据自己的目的作出选择。

数据可视化很多其它的是一门艺术：怎样把信息以最恰当的方式呈现给希望获得这些信息的人。

首先，你要充分理解这些信息到底是什么。有什么特点。你才干较为恰当的选择採用的可视化工具。

另外一部分就是「分析」。当然就是各种分析模型，还是须要了解这些模型背后的逻辑。要放到整个项目的上下文中去看，而不是单纯地在模型中看。

总而言之，「理解」数据以及当中的信息是很重要的，这决定了你的分析和呈现的方法是否合适，决定了最后的结论是否可靠。

如今能够回答题主的问题了：成长为一个数据分析师，要注意「理解」你的知识，形成一个系统，而不是像机器人一样机械地胡乱套用模型。在这个理念下训练你的编程能力，了解你所分析对象的原理和尽可能多的细节。在这个基础上，才干谈数据分析。

想从事大数据工作，怎样自学打基础

本文将介绍几本书籍，供各位想从事大数据、海量数据处理相关的工作的同学学习。

海量数据分成两块，一是系统建设技术。二，海量数据应用。

先说系统建设，如今主流的技术是HADOOP。主要基于mapreduce的分布式框架。眼下能够先学习这个。

可是我的观点，在分布式系统出来之前。主要是集中式架构。如DB2，oracle。为什么如今用分布式架构，那是由于如今集中式架构受限于IO性能，出来速度慢，假设又一种硬件技术，能够非常快地处理海量数据。性能上能满足需求，那么集中式架构优于分布式架构，由于集中式架构稳定。运维压力小。如今的集中式架构要么性能达不到要求。要么就是过于昂贵。我期待一种技术出现，能够非常快地传输和处理数据。那么集中式架构将再次进入人们眼球。再说海量数据应用。

海量数据应用主要是数据挖掘和机器算法。

详细有不同的应用场景，如个性化搜索和推荐，社交网络发现，精准营销，精准广告。实时最优路径，人工智能等等。看你想做系统支撑技术还是与业务结合的应用技术。

假设如今学系统建设技术，能够读下例如以下书籍：

假设学数据挖掘和机器算法，推荐先看数据挖掘导论，统计分析原理，Mahout，R,MATLAB