如何成为一名真正的数据分析师或者数据工程师

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。

QQ20160601-1@2x.png

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

文章由PM28网编辑,作者:海阁,如若转载,请注明出处:http://www.pm28.com/322.html欢迎投稿

联系我们

在线咨询:点击这里给我发消息

邮件:403567334@qq.com

工作时间:周一至周五,9:30-18:30,节假日休息