php怎么搞下拉时间，如何理解数据埋点？
所谓“埋点”，个人理解就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。目前主流的数据埋点方式有两种：
自己开发。开发时加入统计代码，并搭建自己的数据查询系统。
利用第三方统计工具，如百度统计、google统计分析等等。
以下我们尝试使用Google Analytics（分析）跟踪代码跟踪您的网站统计信息。
设置Google Analytics仅注册Google Analytics（分析）是不够的。您还必须采用为你网站分配的代码，并将其插入网站代码中。它应该在您网站的每个页面上，或者至少要跟踪的每个页面上。将代码视为对Google的标志，它会告诉它在哪里查看以及要跟踪的信息。
现在，让我们进入Google Analytics并获取您的跟踪代码。
登录您的Google Analytics帐户点击屏幕左侧的管理底部如果您有多个帐户，请从“帐户”列中选择您的帐户从“属性”列中选择您的属性在属性下，选择跟踪信息从“跟踪信息”下的下拉列表中，选择“跟踪代码”在此示例中，我使用了Kickassatsocialmedia.com。您应该具有一个类似于以下内容的屏幕：
跟踪ID是您网站的ID号；状态显示您的网站跟踪的当前状态。您的（如我的）应该显示“未收到数据”，因为我们尚未将代码添加到我们的网站中；网站跟踪代码是我们需要添加到我们网站的代码；不用担心4以下的任何选项，除非您对PHP和其他选项感到满意。在继续进行下一步时，请在浏览器标签中将此页面保持打开状态，我们将返回以复制代码。
将代码添加到网站中首先你应该知道如何访问网站的HTML代码，那么请执行以下操作：
复制Google Analytics（分析）的跟踪代码转到您的网站HTML代码找到结束的head标签——</header>将光标放在该标签上方，然后将代码粘贴到保存更改确保已将代码插入到每个页面的每个Header中。由此为止，你的Google Analytics已经埋点完毕，现在你已经可以使用Google Analytics来观察你自己网站一些基础的统计数据了。
怎么自学数据分析？
这是一份数据分析师的入门指南，它包含七周的内容，Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。
每一周的内容，都有两到三篇文章细致讲解，帮助新人们快速掌握。这七周的内容刚好涵盖了一位数据分析师需要掌握的基础体系，也是一位新人从零迈入数据大门的知识手册。
第一周：Excel
每一位数据分析师都脱离不开Excel。
它是日常工作中最常用的工具，如果不考虑性能和数据量，它可以应付绝大部分分析工作。虽然现在机器学习满地走，Excel依旧是无可争议的第一工具。
Excel的学习分为两个部分。
掌握各类功能强大的函数，函数是一种负责输入和输出的神秘盒子。把各类数据输入，经过计算和转换输出我们想要的结果。
在SQL，Python以及R中，函数依旧是主角。掌握Excel的函数有助于后续的学习，因为你几乎在编程中能找到名字一样或者相近的函数。
在「数据分析：常见的Excel函数全部涵盖在这里了」中，介绍了常用的Excel函数。
清洗处理类：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text
关联匹配类：lookup、vlookup、index、match、row、column、offset
逻辑运算类：if、and、or、is系列
计算统计类：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round
时间序列类：year、month、weekday、weeknum、day、date、now、today、datedif
搜索能力是掌握Excel的不二窍门，工作中的任何问题都是可以找到答案。
第二部分是Excel中的工具。
在「数据分析：Excel技巧大揭秘」教程，介绍了Excel最具性价比的几个技巧。包括数据透视表、格式转换、数组、条件格式、自定义下拉菜单等。正是这些工具，才让Excel在分析领域经久不衰。
在大数据量的处理上，微软提供了Power系列，它和Excel嵌套，能应付百万级别的数据处理，弥补了Excel的不足。
Excel需要反复练习，实战教程「数据分析：手把手教你Excel实战」，它通过网络上抓取的数据分析师薪资数据作为练习，总结各类函数的使用。
除了上述要点，下面是附加的知识点，铺平数据分析师以后的道路。
了解单元格格式，数据分析师会和各种数据类型打交道，包括各类timestamp，date，string，int，bigint，char，factor，float等。
了解数组，以及相关应用（excel的数组挺难用），Python和R也会涉及到 list，是核心概念之一。
了解函数，深入理解各种参数的作用。它会在学习Python中帮助到你。
了解中文编码，UTF8、GBK、ASCII，这是数据分析师的坑点之一。
第二周：数据可视化
数据分析界有一句经典名言，字不如表，表不如图。
数据可视化是分析的常用技巧之一，不少数据分析师的工作就是通过图表观察和监控数据。首先了解常用的图表：
Excel的图表可以100%绘制上面的图形，但这只是基础。
在「数据可视化：你想知道的经典图表全在这」中介绍了各类数据分析的经典图表，除了趋势图、直方图，还包括桑基图、空间图、热力图等额外的类型。
数据可视化不是图表的美化，而是呈现数据的逻辑之美，是揭示数据的内在关联。了解图表的维度和适用场景，比好看更重要。比如桑吉图就是我一直推崇的图表，它并不知名，但是它能清晰的揭露数据内在状态的变化和流向。案例是用户活跃状态的趋势。
Excel的图表操作很傻瓜化，其依旧能打造出一份功能强大的可视化报表。「数据可视化：教你打造升职加薪的报表」教给大家常用的Excel绘图技巧，包括配色选取，无用元素的剔除、辅助线的设立、复合图表等方法。
Excel图表的创造力是由人决定的，对数据的理解，观察和认知，以及对可视化的应用，这是一条很长的道路。
图表是单一的，当面板上绘制了多张图表，并且互相间有关联，我们常称之为Dashboard仪表盘。
上图就是用分析师薪资数据为数据源绘制的Dashboard，比单元格直观不少。我们常常把绘制这类Dashboard的工具叫做BI。
BI（商业智能）主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作完全可以交给BI自动化完成，从数据规整、建模到下载。
另外一种是使用其可视化功能进行分析，它提供比Excel更丰富的交互功能，操作简单，而且美观，如果大家每天作图需要两小时，BI能缩短大半。
在「数据可视化：手把手打造BI」教程中，以微软的PowerBI举例，教大家如何读取数据，规整和清洗数据，绘制图表以及建立Dashboard。最后的成果就是上文列举的分析师案例。
BI还有几个核心概念，包括OLAP，数据的联动，钻取，切片等，都是多维分析的技巧，也是分析的核心方法之一。
后续的进阶可视化，将和编程配合。因为编程能够提供更高效率和灵活的应用。而BI也是技术方向的工具，了解技术知识对应用大有帮助。
第三周：数据分析思维数据分析能力的高低，不以工具和技巧决定，而以分析思维决定。
在一场战争中，士兵装备再好的武装，进行再严苛的训练，若是冲锋的方向错了，那么迎接他们的唯有一败涂地。
分析思维决定一场「数据战争」中的冲锋方向。只有先养成正确的分析思维，才能使用好数据。
既然是思维，它就倾向于思考的方式，Excel函数学会了就是学会，分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断，以「我觉得我认为」展开，好的数据分析首先要有结构化的思维。
麦肯锡是其中领域的佼佼者，创建了一系列分析框架和思维工具。最典型地莫过于金字塔思维。
这篇文章简述了该思维的应用，「快速掌握麦肯锡的分析思维」。你能学会结构化思考，MECE原则，假设先行，关键驱动等方法论。
除此以外，还有SMART、5W2H、SWOT、4P4C、六顶思考帽等，这些都是不同领域的框架。框架的经典在于，短时间内指导新人如何去思考，它未必是最好的，但一定是性价比最优的。数据分析思维，是分析思维的引申应用。再优秀的思考方式，都需要佐证和证明，数据就是派这个用处的，「不是我觉得，而是数据证明」。
现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。如果把它应用在数据领域，就是：如果你不能用指标描述业务，那么你就无法有效增长它。每一位数据分析师都要有指标体系的概念，报表也好，BI也好，即使机器学习，也是围绕指标体系建立的。
下图就是一个典型的指标体系，描述了用户从关注产品、下载、乃至最后离开的整个环节。每一个环节，都有数据及指标以查询监控。
不同业务背景需要的指标体系不同，但有几个建立指标的通用准则。这篇文章深入介绍了「如何建立数据分析的思维框架」。你将区分什么是好指标、什么是坏指标、比率和比例、指标的结构、指标设立的维度等概念。
数据分析不是一个结果，而是一个过程。几乎所有的分析，最终目的都是增长业务。所以比分析思维更重要的是驱动思维落地，把它转化为成果。
数据分析思维是常年累月养成的习惯，一周时间很难训练出来，但这里有一个缩短时间的日常习惯。以生活中的问题出发做练习。
这家商场的人流量是多少？怎么预估？
上海地区的共享单车投放量是多少？怎么预估？
街边口的水果店，每天的销量和利润是多少？怎么预估？
这些开放性问题起源于咨询公司的训练方法，通过不断地练习，肯定能有效提高分析思维。另外就是刷各种CaseBook。
优秀的数据分析师会拷问别人的数据，而他本身的分析也经得起拷问。
第四周：数据库
Excel很容易遇到瓶颈，随着业务的发展，分析师接触的数据会越来越多。对大部分人的电脑，超过十万条数据，已经会影响性能。何况大数据时代就是不缺数据，这时候就需要学习数据库了。
即使非数据岗位，也有越来越多的产品和运营被要求使用SQL。
很多数据分析师戏称自己是跑SQL的，这间接说明SQL在数据分析中有多核心。从Excel到SQL绝对是处理效率的一大进步。
教程内容以MySQL为主，这是互联网行业的通用标准。其实语法差异不大的。
新手首先应该了解表的概念，表和Excel中的sheet类似。「写给新人的数据库指南」是一篇入门基础文章，包括表、ID索引、以及数据库的安装，数据导入等简单知识。
SQL的应用场景，均是围绕select展开。增删改、约束、索引、数据库范式均可以跳过。新手在「SQL，从入门到熟练」教程会学习到最常见的几个语法，select、where、group by、if、count/sum、having、order by、子查询以及各种常用函数。
数据还是分析师薪资数据，它可以和Excel实战篇结合看，不少原理都是相通的。
想要快速掌握，无非是大量的练习。大家可以在leetcode上做SQL相关的练习题，难度从简单到困难都有。「SQL，从熟练到掌握」教程中将会带领大家去刷一遍。
join对新手是一个很绕的概念，教程会从图例讲解，逐步提高难度。从一开始的join关联，到条件关联、空值匹配关联、子查询关联等。最后完成leetcode中的hard模式。
如果想要更进一步，可以学习row_number，substr，convert，contact等函数。不同数据平台的函数会有差异，例如Presto和phpMyAdmin。再想提高，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。知道为什么union比or的效率快，这已经和不少程序员并驾齐驱。
第五周：统计学
很多数据分析师并不注重统计学基础。
比如产品的AB测试，如果相关人员不清楚置信度的含义和概念，那么好的效果能意味着好么？如果看待显著性？
比如运营一次活动，若不了解描述统计相关的概念，那么如何判别活动在数据上的效果？可别用平均数。
不了解统计学的数据分析师，往往是一个粗糙的分析师。如果你想要往机器学习发展，那么统计学更是需要掌握的基础。
统计知识会教大家以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。
在第一篇教程「解锁数据分析的正确姿势：描述统计」，会教给大家描述统计中的诸多变量，比如平均数、中位数、众数、分位数、标准差、方差。这些统计标准会让新手分析师从平均数这个不靠谱的泥潭中出来。
箱线图就是描述统计的大成者，好的分析师一定是惯用箱线图的常客。
第二篇「解锁数据分析的正确姿势：描述统计(2)」将会结合可视化，对数据的分布进行一个直观的概念讲解。很多特定的模型都有自有的数据分布图，掌握这些分布图对分析的益处不可同日而语。
直方图和箱线图一样，将会是长久伴随分析师的利器。
统计学的一大主要分支是概率论，概率是度量一件事发生的可能性，它是介于0到1之间的数值。很多事情，都可以用概率论解释，「概率论的入门指南」和「读了本文，你就懂了概率分布」都是对其的讲解。
包括贝叶斯公式、二项概率、泊松概率、正态分布等理论。理论不应用现实，那是无根之木，教程中会以运营活动最常见的抽奖概率为讲解，告诉大家怎么玩。
其实数据分析中，概率应用最广泛和最全面的知识点，就是假设检验，大名鼎鼎的AB测试就是基于它的。俗话说得好，再优秀的产品经理也跑不过一半AB测试。
何为假设检验？假设检验是对预设条件的估计，通过样本数据对假设的真伪进行判断。
产品改版了，用户究竟喜不喜欢？调研的评分下降了，这是用户的评价降低了，还是正常的数据波动呢？这些都是可以做假设检验的。它可以说是两面两篇文章的回顾和应用。
「数据分析必须懂的假设检验」依旧以互联网场景讲解各种统计技巧的应用。假设检验并不难，通过Excel的几个函数就能完成。它的难点在于诸多知识点和业务的结合使用，实际公式不需要掌握的多透彻，了解背后的意义更重要。
统计学是一个很广阔的领域，包括方差分析，时间序列等，都有各自不同的应用。大家若感兴趣，可以去阅读各类教材，没错，教材是学习统计学最优的方式。我这类文章堪堪算入门罢了。
第六周：业务
对于数据分析师来说，业务的了解比数据方法论更重要。举个例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。这个案例中，我们只知道送货员的送货水平距离，根本不知道垂直距离。这是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。业务形态千千万万，数据分析师往往难窥一二。我的公众号业务部分也涉及了不少，大家可以通过这几篇文章了解。
一篇文章读懂活跃数据；深入浅出，用户生命周期的运营；获取新增用户，运营都应该知道的事；运营的商业逻辑：CAC和CLV；从零开始，构建数据化运营体系；读懂用户运营体系：用户分层和分群，这些都是互联网运营相关的内容，或多或少涉及了不少业务方面的概念，数据分析人员可以选择性的挑选部分内容。了解业务的数据分析师在职场发展上会更加顺利。
而在「最用心的运营数据指标解读」中，我尝试总结了几个泛互联网领域的指标和业务模型，它们都是通用的框架。
产品运营模型：以移动端APP为主体，围绕AARRR准则搭建起数据框架。包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播，以及细分指标。
市场营销模型：以传统的市场营销方法论为基底，围绕用户的生命周期建立框架。包括用户生命周期，生命周期价值、用户忠诚指数、用户流失指数、用户RFM价值等。
流量模型：从早期的网站分析发展而来，以互联网的流量为核心。包括浏览量曝光率、病毒传播周期、用户分享率、停留时间、退出率跳出率等。
电商和消费模型：以商品的交易、零售、购买搭建而起。包括GMV、客单价、复购率、回购率、退货率、购物篮大小、进销存，也包含SKU、SPU等商品概念。
用户行为模型：通过用户在产品功能上的使用，获得精细的人群维度，以此作为分析模型。包括用户偏好、用户兴趣、用户响应率、用户画像、用户分层，还包含点赞评论浏览收藏等功能的相关指标。
除了上述的几个常见模型，数据分析还有其他分支。比如SEO/SEM，虽然可以归类到流量模型，但它并不简单。比如财务分析，商业的各种成本支出也需要专人负责。
在业务知识外，业务层面的沟通也很重要。业务线足够长的时候，沟通往往成为老大难的问题。
业务学习没有捷径，哪怕掌握了诸多模型，不同行业间的业务壁垒会是分析师们的门槛。金融的各类专有领域知识，电子商务不同产品的特性，这些都会影响到分析报告的质量。
在早期，新人最好选择一到两个领域深入了解其业务，然后以此拓展边界。
第七周：Python/R
第七周是最后的学习环节。
是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘、BI、爬虫、可视化报表都需要用到编程。掌握一门优秀的编程语言，可以让数据分析师升职加薪，迎娶白富美。数据分析领域最热门的两大语言是R和Python。R的优点是统计学家编写的，缺点也是统计学家编写。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。
Python则是万能的胶水语言，适用性强，可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。
这里的教程以Python为主。
「开始Python的新手教程」将会教大家搭建数据分析环境，Anaconda是功能强大的数据科学工具。Python建议安装Python3+版本，不要选择Python2了。
Python的语法相当简洁，大家print出第一个hello world顶多半小时。就像在Excel上进行运算一样方便。
「开始Python的数据结构」介绍给大家Python的三类数据结构，列表list，元组tuple，以及字典dict。万变不离其宗，掌握这三种数据结构以及相对应的函数，足够应付80%的分析场景。函数式编程为Python一大特色，Python自身就提供不少丰富的函数。很多都和Excel的函数相通，掌握起来非常迅速。另外还有控制流，for、while、if，通常配合函数组合使用。
「了解和掌握Python的函数」教大家如何自定义函数，丰富的函数虽然能偷懒，但是不少场景下，还是需要自己动手撸一个。
能够调第三方包解决，就使用第三方的函数。如果是一个频繁使用的场景，而第三方依靠不了，就自己编一个函数。如果是临时性的场景，写得粗糙点也无所谓。毕竟分析师的代码能力不要求工程师那么严格，所以Python的学习尽量以应用为主，不用像分析师那么严格。
包、模块和类的概念属于进阶知识，不学也不要紧。
「Python的数据分析: numpy和pandas入门」介绍了数据分析师赖以生存的两个包，numpy和pandas，其他Python知识可以不扎实，这两个最好认真掌握。它是往后很多技能树的前置要求。
array，series，dataframe是numpy和pandas的三个数据结构，掌握它们，便算是入门了。后续的两篇教程都是实战。
「用pandas进行数据分析实战」以分析师的薪资作为实战数据。Excel、BI、SQL，一路走来，大家想必对它无比熟悉，这也是最后一次使用它了。教程通过Pandas的各类功能，绘制出一副词云图。
投诉恶意网站最好的方法？
举报网站的流程可以参照《互联网站管理工作细则》第十六条的相关规定，查处违法违规网站流程：(一)省通信管理局根据涉嫌违法违规网站线索(包括举报材料、省通信管理局例行检查、信息产业部的通报、相关部门要求协助查处意见等)，对确属违法违规网站进行依法处理。
(二)涉嫌违法违规网站主办者住所所在地不在本行政区的，省通信管理局应及时将违法违规网站基本资料转送至网站主办者住所所在地省通信管理局，由该省通信管理局依法处理。
主要包括以下流程：
1、复制要举报网站的域名；
2、登陆“网络违法犯罪举报网站”；
3、点击“我想报告”进入申报窗口。选择“注册用户”或“非注册用户报告”；
4、报告前仔细阅读相应条款的通知，确认是否要报网站非法或违法；
5、在阅读“受理通知书”的相应条款，点击同意进入报告窗口。可以在完成报表窗口表单后提交报告；
6、报告后可以查询结果在查询窗口。
如何更改系统自动生成的时间？
1、用鼠标右键在任务栏点击，在显示的下拉栏里点击调整日期/时间；
2、这时就会显示日期和时间属性；
3、我们在如期和时间属性里面的日期里点击下三角就可以更改日期了；
4、在右侧会有时间显示，下面就有更改时间的位置；
5、切换到Internet时间勾选自动与Internet时间服务器同步；
6、设置好后就点击确定。
web前端怎么样？
WEB前端与互联网密切；前端工程师是互联网时代软件产品研发中不可缺少的一种专业研发角色。从狭义上讲，前端工程师使用 HTML、CSS、JavaScript 等专业技能和工具将产品UI设计稿实现成网站产品，涵盖用户PC端、移动端网页，处理视觉和交互问题。从广义上来讲，所有用户终端产品与视觉和交互有关的部分，都是前端工程师的专业领域。
前端工程师的发展之路和前景是怎么样的呢？
前端是一个相对比较新的行业，互联网发展早期（1995年~2005年）是没有专业的前端工程师的。除了加了些自己语言，其他摘自php中文网，希望大家采纳。
随着互联网的发展，大约从2005年开始，正式的前端工程师角色被行业认可，到了2010年，互联网开始全面进入移动时代，前端工程师的地位越来越重要，前端领域的技术发展也越来越快，各种新的思想、设计模式、工具和平台都快速发展，对前端工程师的技能要求也越来越高。 有一些数据可以说明前端行业的发展迅速。
在2010年之后最流行的新编程语言中有相当部分和前端有关，比如 Dart、Clojure、CoffeeScript 和 TypeScript。
作为前端最重要的编程语言 JavaScript，在最近几年里不论是代码量还是关注数都稳居 Github 平台热门编程语言榜。
行业对前端需求量持续增加，前端程序员薪水在行业里面处于较领先的位置。
有同学问说：“前端工作需求很多，老是改来改去，实际的技术点并没有多少，产品决定业务逻辑，从事底层基础服务会不会更有挑战和职业未来？”
的确，越贴近业务和产品层面上的工作，需求差异性越大，可能改动越频繁。不仅仅是前端改来改去，PHP服务端做业务的同学也面临这样的问题，业务逻辑改来改去。越底层通用性越强，改动相对较少。
不过事情都是有两面性的，首先可以这么想想，是底层基础服务的市场大还是互联网业务和产品的市场大。其次，基础服务的通用性很容易达成，而产品层面上如何通用化，如何在业务驱动的产品研发中利用工程化和工具化提升开发效率，这其实是一个很难的问题。丰富的互联网产品已改变和正在改变着我们的生活，然而作为产品的创造者，工程师们怎样让自己过得更好，这个领域值得研究。
另外，不要觉得实际的技术点没有多少，举几个例子：实现曲线和曲面动画，计算地图的最短路径，让png静态图片类似于gif图一样做局部的运动，抽奖游戏，物理效果的HTML5游戏，3D图表，增强现实的WebGL视频流处理等等，这些都是在前端领域中遇到的实际问题。
就 JavaScript 来说，在实际项目中设计最合适的模型高效率解决现实问题本身就很有挑战。作为一种典型的新生代编程语言，JavaScript 特性丰富，使用灵活，性能优良。面向对象、函数式编程、各种设计模式、MVC 和 MVVM，这些本身就有足够的吸引力。
前端要解决界面和交互问题，实际上UI层面上的问题一直是软件工程方面的一个难题，因为UI不停地在变化。浏览器各个版本的兼容性、Web 标准、移动设备、多终端适配，给了前端工程师很大的挑战，对前端工程师的能力也有很高的要求。许多UI问题有不只一种解决方法，许多问题有非常巧妙的思路和精彩的解决办法，前端在工程师群体里是属于非常有创造力的一个群体，因为这个行业需要丰富的创造力和想象力。
前端工程师还是Web标准的制定者、实践者和推动者，而现在的W3C标准不仅仅局限于浏览器，还包括各种手持智能设备，车载设备、智能家居等等。在未来万物互联的时代，前端将不仅仅是网页上的工程师，而是所有人机交互领域的工程师。
前端领域发展很快，各种新技术新思想不断涌现，这是一个好现象。但是前端发展太快也带来一些问题，比如有同学就问到我究竟应该学些什么，Angular.js、React、Node.js、ES6、ES7、CoffeeScript、TypeScript……似乎永远有太多东西需要学习，有些东西好像还没学明白就被另一些新的技术取代而“过时了”。
其实还是那句话，前端工程师首先是软件工程师，基础是最重要的，如果基础不扎实，一切应用技能就都是“浮云”。前端的基础是什么？HTML、CSS、JavaScript基本功，数学、算法、数据结构、操作系统、编译原理基本功。
一个优秀的前端工程师必须要有自己擅长的领域，并且钻研得足够深入，同时要有眼界，能“跨界”。可以以前端作为职业，但千万不要把自己的技能限制在前端领域，因为有很多东西，只有站在前端之外，才能看得更清晰，更透彻。
学东西千万别盲目跟风，大家都在谈AngularJS就立即跑去学习，过几天大家都谈React了，就又放下AngularJS去学习React。前端领域知识点很多，值得学的东西也很多，聪明的同学懂得花时间学习成体系的知识并且研究得足够深入，因为只有这样才能从中总结出规律，形成方法论，这样才能最大化学习的价值