从事大数据行业需要学习python吗
新闻来源：优漫教育
日期：2021-06-21
很多人留言问我，Python是不是行不通了？回答肯定是Python非常重要。但在数据分析领域，python似乎并非占据主导地位。我和很多数据分析大咖聊过，python在工作中所占的比例确实不算太高，当然也会用到。
一般而言，python用于两大类数据分析职位：需要网络爬虫的数据分析员和需要算法挖掘的数据分析员。绝对需要Python，并且对Python有更高的要求，还要掌握一些其它知识。例如爬行器需要掌握一些网页解析，网络服务，线程处理等问题，甚至需要掌握一门前端语言。
一、对于数据挖掘，那当然需要掌握统计学的算法知识，回归，聚类，支持向量机，随机森林，文本挖掘等。因此，使用Python进行最基础的大数据分析工作的可能性很小。能够占主导地位的Python数据分析必然涉及到数据挖掘，而且更高一些。
1、Excel
要精通各种常用函数，如sum、if、mid、lookup族、sumif、count、match、offset等；还要精通数据透视表、透视图的分类汇总，以及对各种图表应用场景的熟悉；还要精通曲线拟合、系数求解等。
2、SQL
结构化查询语言StructloodQueryLangulood(结构化查询语言)是一种用于访问数据以及查询、更新和管理关系数据库系统的数据库查询和程序设计语言；是数据库脚本文件的扩展名。先要熟练掌握查询语句，即select语句，多表查询，各类子查询，分组聚合，以及开窗函数都必须非常熟悉，了解增删改即可。
3、python。
对于Python来说，基础还是最重要的，要深入了解条件、循环等控制流语句，要熟练掌握列表、元组、字典等知识，要深入了解函数和函数调用，要深入了解类的创建、实例化，要熟练了解所有事物的含义，要熟练掌握常用数据分析第三方库，Pandas、Numpy、Suborn、pyecharts。也可根据自己的兴趣和业务方向，学习其它相应的第三方库相关或算法相关的爬虫。
二、理论篇。
对刚刚转行的萌新来说，也许以为掌握了Python就能大功告成，可以到BAT这样的大公司去做数据分析师，而现实会给你一个沉重的打击——不要太天真。虽然工欲善其事必先利其器，但你心里没有方法，头脑没有思想，就是做不到数据分析。你面前放着一些冷兵器的资料，怎么让他们变成人形，注入灵魂？工具和方法是最重要的！工具性—可以把杂乱的数据转化为人的形式即数据处理过程，大大提高了处理效率；方法性—可以让冰数据注入灵魂，即数据分析结论，适当的分析方法可以让数据有意义，结论指导实际工作。
三、通用分析模型。
说真的，我是不可能理解Symbian的数据分析师工作的，每一行的工作内容都不一样，对于大公司可能不同的项目分析师来说，他们的角色也不一样。如字节节度，有今日头条、节度、火山小视频等，各产品定位不同，风格不同，分析要点也不一样。但作为一个萌新，作为一名转行的新人，我们需要掌握一些通识思维。
四、现在数据分析这么火，我也来学一下。因此，每个人都抱着同样的想法，开始学习数据分析。有求必应，有求必应，培训机构应运而生。手动档~大家都纷纷去培训机构学习了。机构的优势在于可以帮助你介绍如何使用工具，面试的技巧，不好的地方在于说出的都是空洞的理论，与实际工作脱节。
1、漏斗型。
泄漏点模型，是指流程中的量化转换模型，多个定制事件按指定顺序被触发。
例如，我们要分析某购物APP的注册过程，购物过程等等，也就是说，用户为了某个目标进入了一条相对规范的有序的路径，以达到“出口”，而不是随心所欲。分析关键路径的转换率，以决定整个流程的设计是否合理，各个环节的优劣，是否有优化空间等，从而提高最终目标的转换率。
该模型不仅能显示用户从进入流程到达到目标所需的最终转换速率，还能显示整个关键路径中每个步骤的转换速率。
2、AARRR模式。
AARRR是Acquisition,Activation,Retention,Reveno,Refer，这五个词的缩写，分别对应于用户生命周期的5个重要环节：访问，活跃，保留，收入，传播。这种绝大多数手机应用产品的分析思路，将深入分析、研究各个环节的转换率，从而优化产品，提高产品收益。
3，常用指标。
年度间的比率，通常是今年第N月与去年第N月的比率。年率增长主要是为了消除季节变化的影响，以说明本年度发展水平与上年同期相比所达到的相对发展速度。
年度增长率=(同期数-同期数)|同期增长率|*100%
月数指的是连续两个统计周期中，如连续两个月中，数量的变化比率。
同比增长=(本期-前期)/同比增长*100%
表示本期比上年同期增加了多少；环比发展速度，一般是指报告期内水平与上年同期水平的比率，表示现象按时间推移发展的速度。
资料分析员的技能，涉及两方面的内容。首先是使用工具，其次是使用方法。前一种方法能使杂乱的数据形象化，便于进行分析，后一种方法则能大大提高处理数据的能力，使无生命的数据更有意义，如同注入灵魂一般，影响未来的决策，指导现实生产。
