Maison  >  Article  >  développement back-end  >  Ce qu'il faut apprendre en tant qu'analyste de données Python

Ce qu'il faut apprendre en tant qu'analyste de données Python

(*-*)浩
(*-*)浩original
2019-07-01 09:53:328169parcourir

L'analyste de données est un type de Daticien ['detɪʃən], qui fait référence à des professionnels de différents secteurs spécialisés dans la collecte, le tri et l'analyse de données industrielles, ainsi que dans la réalisation de recherches, d'évaluations et de prédictions industrielles basées sur des données.

Ce qu'il faut apprendre en tant qu'analyste de données Python

1. Connaissances mathématiques (apprentissage recommandé : Tutoriel vidéo Python)

Les connaissances mathématiques sont l'analyse de données Connaissances de base des enseignants. Pour les analystes de données juniors, il suffit de comprendre certains contenus de base liés aux statistiques descriptives et d'avoir une certaine capacité à calculer des formules. Comprendre les algorithmes courants des modèles statistiques est un bonus.

Pour les analystes de données senior, la connaissance des modèles statistiques est indispensable, et il est préférable d'avoir une certaine compréhension de l'algèbre linéaire (principalement des connaissances liées au calcul matriciel).

Pour les ingénieurs en exploration de données, en plus des statistiques, ils doivent également maîtriser l'utilisation de divers algorithmes, et les exigences en mathématiques sont les plus élevées.

Il n'est donc pas nécessaire d'être très bon en mathématiques pour apprendre l'analyse des données. Cela dépend simplement de la direction que vous souhaitez développer. L'analyse des données a aussi un côté "littéraire", surtout les filles, elles peuvent aller. dans le sens de la rédaction du document.

2. Outils d'analyse

Pour les analystes de données juniors, il est nécessaire de pouvoir jouer avec Excel et de maîtriser l'utilisation des tableaux croisés dynamiques et des formules. plus. De plus, vous devez également apprendre un outil d’analyse statistique SPSS est une bonne introduction.

Pour les analystes de données senior, l'utilisation d'outils d'analyse est une compétence de base. VBA est une nécessité fondamentale. SPSS/SAS/R doit maîtriser l'utilisation d'au moins l'un d'entre eux (tels que Matlab). ) dépendent de la situation.

Pour les ingénieurs en data mining... eh bien, il suffit de pouvoir utiliser Excel. Le travail principal doit être résolu en écrivant du code.

3. Langage de programmation

Pour les analystes de données juniors, ils peuvent écrire des requêtes SQL et, si nécessaire, écrire des requêtes Hadoop et Hive, ce qui est fondamentalement OK.

Pour les analystes de données seniors, en plus de SQL, il est nécessaire d'apprendre Python, qui peut être utilisé pour obtenir et traiter des données avec deux fois plus de résultat avec moitié moins d'effort. Bien entendu, d’autres langages de programmation sont également possibles.

Pour les ingénieurs en data mining, ils doivent être familiers avec Hadoop, au moins un des Python/Java/C++, et être capables d'utiliser Shell... Bref, le langage de programmation est définitivement la compétence clé du data mining ingénieurs.

4. Compréhension métier

Il n'est pas exagéré de dire que la compréhension métier est la base de tout le travail d'un analyste de données, y compris le plan d'acquisition de données, le la sélection d’indicateurs, et même la conclusion finale, les insights reposent sur la compréhension de l’entreprise elle-même par les analystes de données.

Pour les analystes de données juniors, le travail principal consiste à extraire des données et à créer des graphiques simples, ainsi qu'un petit nombre d'informations et de conclusions. Il suffit d'avoir une compréhension de base de l'entreprise.

Les analystes de données senior doivent avoir une compréhension plus approfondie de l'entreprise et être capables d'extraire des opinions efficaces basées sur des données, ce qui peut être utile à l'entreprise réelle.

Pour les ingénieurs en data mining, il suffit d'avoir une compréhension de base du métier, mais l'accent doit encore être mis sur l'exercice de ses capacités techniques.

Les capacités commerciales sont essentielles pour un bon analyste de données. Si vous êtes déjà très familier avec un certain secteur auparavant, c'est une approche très correcte pour apprendre l'analyse de données. Même si vous venez d’obtenir votre diplôme et n’avez aucune expérience dans l’industrie, vous pouvez vous développer lentement, il n’y a donc pas lieu de s’inquiéter.

4. Pensée logique

Cette capacité a été rarement mentionnée dans mes articles précédents, j'en parlerai donc séparément cette fois.

Pour les analystes de données juniors, la pensée logique se reflète principalement dans le but de chaque étape du processus d'analyse des données, sachant quels moyens vous devez utiliser pour atteindre quels objectifs.

Pour les analystes de données senior, la pensée logique se reflète principalement dans la construction d'un cadre d'analyse complet et efficace, dans la compréhension de la corrélation entre les objets d'analyse et dans la connaissance des causes et des conséquences de chaque changement d'indicateur et de l'impact qu'il aura sur le entreprise.

Pour les ingénieurs en exploration de données, la pensée logique ne se reflète pas seulement dans le travail d'analyse lié aux affaires, mais inclut également la logique algorithmique, la logique de programme, etc., de sorte que les exigences en matière de pensée logique sont également les plus élevées.

5. Visualisation des données

La visualisation des données semble de très haut niveau, mais en fait, elle couvre un large éventail. Mettre des graphiques de données dans un PPT peut également être considéré comme. visualisation des données, donc je pense que c'est une capacité généralement nécessaire.

Pour les analystes de données juniors, s'ils peuvent utiliser Excel et PPT pour créer des graphiques et des rapports de base et afficher clairement les données, ils atteindront leurs objectifs.

Pour les analystes de données senior, ils doivent explorer de meilleures méthodes de visualisation de données, utiliser des outils de visualisation de données plus efficaces et créer un contenu de visualisation de données simple ou complexe selon les besoins réels, mais adapté au public à regarder.

Pour les ingénieurs en data mining, il est nécessaire de comprendre certains outils de visualisation de données et de créer des graphiques visuels complexes en fonction des besoins, mais il n'est généralement pas nécessaire de considérer trop de problèmes d'embellissement.

6. Coordination et communication

Pour les analystes de données juniors, comprendre l'entreprise, trouver des données et expliquer des rapports nécessitent tous de traiter avec des personnes de différents départements, donc des compétences en communication. sont très importants.

Pour les analystes de données senior, ils doivent démarrer des projets indépendants ou coopérer avec des produits. Ainsi, en plus des compétences en communication, ils ont également besoin de compétences en coordination de projet.

Pour les ingénieurs d'exploration de données, il y a plus d'aspects techniques dans la communication avec les gens, relativement moins d'aspects commerciaux, et les exigences en matière de communication et de coordination sont relativement faibles.

7. Apprentissage rapide

Peu importe la direction dans laquelle vous effectuez l'analyse de données, qu'elle soit junior ou avancée, vous devez avoir la capacité d'apprendre rapidement, d'apprendre la logique métier. , acquérir des connaissances industrielles, apprendre des outils techniques, apprendre des cadres d'analyse... Il existe une infinité de contenus à apprendre dans le domaine de l'analyse de données, et chacun doit avoir le cœur d'apprendre à tout moment.

Il est très important d'apprendre rapidement. Ce n'est qu'en entrant rapidement dans cette industrie que nous pourrons saisir l'opportunité et acquérir plus d'expérience et d'opportunités. Si vous n'avez absolument aucune base et que vous souhaitez entrer dans le secteur de l'analyse de données le plus tôt possible, choisir un établissement de formation professionnel en Big Data est un bon choix. Raccourcissez le cycle d'apprentissage et améliorez l'efficacité de l'apprentissage. Le temps, c'est de l'argent !

Pour plus d'articles techniques liés à Python, veuillez visiter la colonne Tutoriel Python pour apprendre !

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration:
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn