接下来我要推荐的是一个完整的学习路线图，不仅仅包括了学习目标，同时也附带了学习网站以及资料，基本上可以在20周内学完。
为什么这次我没有列举网站，因为如果只是简单的列举学习网站，我可以列举100个以上，真不夸张。
python的学习网站得有10个以上吧，统计学再来10个，数据可视化10个，机器学习我能列出来几十个！
但是这样没用，因为根本无法形成系统的学习路线，小白看了一大堆网站往往直接被劝退了。
所以我非常推崇学习路线图，这一周学习A，接下来学习B，承上启下，循序渐进的进行学习才是最合理的方式。
大纲-数据分析学习路线图（方法+目标+资料+网站）
数学分析很多人学不下去的原因有很多，但主要的就是数据分析需要掌握的知识很多，又很杂，其他原因请对号入座：
- 对要学习的主题缺乏明确性
- 没有单一的资源/平台可以很好地学习有关数据科学的一切。
- 互联网上有大量资源，但很难去选择最适合自己的
- 很容易迷失在细节中
- 很难把控学习进度
这篇文章结合了medium的一个帖子，目的就是让小白可以更好的规划自己的数据分析学习。切记，时间划分要结合自己的背景和经验。
！每个分类主题都包含了免费的学习资料。
基础很差的同学，可以考虑知乎开设的这门数据分析课，跟着学几天，看自己到底读不对数据分析感兴趣，毕竟兴趣是最好的老师。
第 1 周到第 3 周——Python 编程
学习数据科学的第一步是熟悉编程语言。根据最近的 Kaggle 调查，大约 80% 的人主要在工作中使用 Python。如果你是编程新手，那么强烈建议你直接用 Python。
在 Kaggle 中可以找到最好的 Python 入门课程之一。以下是课程链接。完成本入门课程大约需要 5 个小时。
https://www.kaggle.com/learn/python
你在数据科学项目中所做的几乎所有事情都涉及编程。从数据收集、数据读取、数据分析、提取特征、构建模型、评估性能和部署，每一步都必须用到编程技能。
强烈建议你花足够的时间熟悉 Python 的各种功能。python不像C++或者Java那么复杂，它相对来说很容易。对于很少或没有编码经验的人来说，大约 2 到 3 周会比较好。
学习python时要关注的关键主题是，
- 基本语法
- 集合数据类型 Collection
- 控制流 if/while等
- 循环和迭代
- 函数和 lambda 函数
我也写了一个python的入学回答，有兴趣也可以参考一下: 毫无基础的人如何入门 Python ？
第 4 周到第 6 周——处理数据
任何数据科学项目的第一步都是从数据的角度理解问题。你获得的数据永远不会是完美的。你也可以把这一步理解为数据清洗。能够处理数据最重要的 Python 库是 Pandas。
Pandas 库提供了很多功能，可以让数据分析变得非常简单。如果你是 Python 或 Pandas 的新手，请从 PyData 的这个简单的 10 分钟教程开始。
https://pandas.pydata.org/docs/user_guide/10min.html
一旦你熟悉了基本的功能，那么这里是 Kaggle 的一个短期课程，最好的学习方式就是实践，处理数据集来学习 Pandas可以让你很快的入门。
https://www.kaggle.com/learn/pandas
Pandas 这种工具必须得多用，用的越多越熟练。你可以在 Kaggle 上选择一个有趣的数据集，每个数据集都有很多有趣的问题，你可以试着用学到的技巧去处理数据并获得这些问题的答案。
挑选一个有趣的数据集很重要，它可以让你保持足够高的兴趣，这对学习有很大帮助。
例如，如果你对房价感兴趣，则选择房价数据集。列出一系列的问题。比如说：
- 房产的平均价格是多少？
- 房产的平均年龄是多少？
- 随着房产的老化，它会影响整体价格吗？
- 哪些因素推动房价上涨？
为了处理以上的问题，你需要以下的pandas知识：
- 创建、读取和写入数据
- 选择和分配
- 聚合和分组
- 处理缺失数据
- 合并来自不同来源的数据
- 摘要、交叉表和数据透视功能
数据集的选择可以从易到难，从小到大，直到把所有的pandas基础功能都达到非常熟悉的程度。
第 7 周到第 9 周——使用数组
NumPy 是一个能够高效处理数组的库。很多时候，我们需要处理可能是多维的数组。NumPy 有助于提高计算速度并有效利用内存。它支持许多数学函数操作。不仅如此，它还被用于许多其他 Python 包，如 Pandas、Matplotlib、scikit-learn 等。
如果你是一个新手，那么下面的文章将有助于更好地理解 NumPy、执行的操作、流行的功能以及输入到结果的可视化表示。
https://numpy.org/devdocs/user/absolute_beginners.html
https://zhuanlan.zhihu.com/p/396444973
在许多数据科学项目中，我们会处理数值数据。非数值数据通常也会转换为数值数据。比如说，性别有男和女，那么直接处理男和女是很麻烦的，在这种情况下，我们通常用会01来指代男和女。
因此，学习使用 NumPy 对任何热衷于进入数据科学的人来说都是至关重要的。了解 NumPy 的关键主题是，
- 创建 1、2 和 3 维数组
- 索引、切片、连接和拆分
- 迭代和操作
- 排序、搜索和过滤
- 数学和统计运算
第 10 周——学习数据可视化
这个很好理解，图表更方便人们去理解一个结论，它既直观又能包含足够多的信息量。
人类更擅长从视觉数据中识别模式和趋势。数据的可视化是数据分析中必须的一步。
Python有许多支持可视化的包和库，python的话我建议以下两个就足够了。
- Matplotlib——高度可定制的
- Seaborn — 不是可定制的，但构建视觉效果非常简单快捷，是数据分析的好选择
matplotlib官方教程：https://www.matplotlib.org.cn/
Seaborn官方教程：https://seaborn.apachecn.org/#/
第 11 周到第 12 周——统计学
统计学应用会用于数据科学项目的每个阶段。描述性统计有助于更好地理解数据并对其进行总结以便于理解。
推论统计对于提取无法通过其他方式识别的见解非常有用。
学习统计学时要理解的一件重要事情是。这不是一个可以在几周学完的东西，因为统计学的内容一个4年的本科+3年的硕士可能都学不完。
你的目标应该是学习到足够启动的知识，用到什么学什么！！！。以下的基础知识一定要学：
- 描述性和推论性统计概念
- 数据分布类型
- 中心极限定理和误差范围
- 置信区间和置信水平
- 因果关系
- 统计检验
可汗学院的以下课程是数据科学统计学入门的好课程
https://www.khanacademy.org/math/statistics-probability
当然书籍也是我推荐的，因为统计这部分真的非常需要系统化，就下面这本书，非常建议看一遍：
第 13 周到第 15 周——学习 SQL
SQL 是数据科学从业者所需的最重要技能之一
我发现很多数据分析相关职业平时的大部分工作其实就是使用sql，就算是叫SQL工程师其实也没啥错，可想而知，sql的重要性。
菜鸟的sql教程就不错，可以作为入门课程：
https://www.runoob.com/sql/sql-tutorial.html
进阶版本的sql学习课程可以参考kaggle的这门课程：
https://www.kaggle.com/learn/advanced-sql
下面是一些经常使用的 SQL 知识，
- 选择分布在不同表中的数据
- 过滤所需的数据集
- 将数据聚合到所需的粒度
- 使用 Rank() 和 Row_Num() 从特定序列中选择记录
- 将复杂查询分解为子查询
第 16 周到第 20 周——学习数据分析和特征工程
接下来的重头戏数据分析和特征工程。在任何数据科学项目中，超过半数的时间都将花在数据分析上。在处理预测问题时，特征工程有助于提高准确性。
我在这里推荐一个coursera上面的课程，是由南大的教授出品的:
https://www.coursera.org/learn/python-data-processing
推荐理由是中文课程，方便大家理解。
数据分析和特征工程技能不能仅仅通过网上课程来学习。课程学到的都是概念，只有通过不停的在数据上练习才能正儿八经的掌握这些知识。
那么实际项目我非常建议大家试试这个《a collection of data science take home challenge》，这里面包含了20道真实的数据分析面试题，既有数据还有题目。在github还有很多完整的解答方法，非常建议大家都熟练掌握。
总结：
虽然我没有一个个的列举网站或者学习资料，但实际上每个小标题里都有2-3个学习资料链接，加起来也有20个左右，我建议大家跟着这个学习路线图来试着学习一下，从最简单的python编程开始，到最后的真实数据面试题目挑战，我相信大家可以在半年左右的时间内基本的掌握这门技术。
当然了，半年时间对于大多数人还是挺难的，特别是不知道自己到底适不适合学习数据分析的同学，我建议想要简单了解数据分析流程的同学，可以试着听一下知乎出品的这门数据分析课程，0.1元，买不了吃亏买不了上当。
注： 本文参考文章来源为medium。
文章由：知乎作者：编写
发现更多优质网站
目录
热门文章
