有不少小伙伴问我，我想学Python数据分析，但是数学不好，英语也不好，还不是计算机专业的，能安排吗？

我的答案是，能。

我想提几点初学者常犯的思维误区，正是这些误区在阻碍我们去尝试新事物。

误区一：学习python数据分析需要很强的数理基础

这个想法『部分正确』。

有良好的统计学基础可以更容易理解数据分析的一些算法和模型，学起来会更轻松。

基础的统计学基础内容：

基本的统计量：均值、中位数、众数、方差、标准差、百分位数等

概率分布：几何分布、二项分布、泊松分布、正态分布等

总体和样本：了解基本概念，抽样的概念

置信区间与假设检验：如何进行验证分析

相关性与回归分析：一般数据分析的基本模型

……

未明之前出过一篇学习资源推荐的文章，可供参考：

误区二：学习python数据分析英语要好

确实，学习数据分析英语底子不错的话，学起来会觉得更有意思。

举个例子：

图中的单词groupby，如果是英语不错的同学，就知道拆分成group和by理解，读懂它的意思是“按……分组”，能看出这句话的意思是按“产地”分组。

（点击查看大图）

plt是之前定义的一个变量名，标点“.”表示调用，figure在英文里有一个意思，表示“指定”，figsize是figure和size的组合，意思是“指定尺寸”，这个语法的用法轻松读懂了吧！

你看，英语底子好的小伙伴在学数据分析的过程，就像在温习功课。

但是反过来想，英语底子不好的伙伴，学习python数据分析时，不是更有意思吗，像闯关学习一样，既能提高数据分析技能，还能提高英语水平，两全其美，何乐不为？

误区三：“非本专业就不能学数据分析”

看到这个问题时，我的脑子充满问号。

不是所有计算机类专业都学数据分析，也不是学习数据分析就要转行做数据分析师。学习数据分析在当代是一种自我提升的需要，也是职场需求。就业竞争激烈，光是啃老本根本无法抵御风险，每个人都在学习。

以用户运营为例，用户流失标志着用户生命周期的终止，优秀的运营不是事后补救，而是防范于未然，将用户流失扼杀在萌芽阶段。

所以说，学习数据分析的过程，也是培养数据思维和数据分析技能的过程，让你的思维和能力最终为业务增长赋能。

业务人员学数据分析的优势

现在，很多中小型公司还没有专门的数据部门，更多的是靠业务人员自己去挖数据，理解数据，因此学习数据分析的业务人员越来越多。

业务人员学习数据分析的优势在于，他能够灵活地将自己工作中的问题和经验带入到数据分析学习中，结合业务需要学习数据分析，更加游刃有余。

比如数据分析学习中的K-Means聚类——这是技术，但技术是为业务服务的，而K-Means聚类常用于用户分群、产品组合等。

记住，数据分析并不是一个结果，只是过程。

数据分析的最终目的是增长业务。同时掌握业务技能和数据分析的人才，在风云变幻的职场上是强大的。

举报/反馈