php怎么统计栏目

1、php怎么统计栏目，为什么那么多公司不用？

随着时代的变化，技术在不断发展，编程语言的重要性也在发生变化。所以，要我们在两门语言中二选一，通常很困难。在这篇文章里，我们要讨论的是Java和.NET之间的“战争”。

.NET和Java是两个最突出的技术平台，你可以用它们来构建软件、网站和Web应用程序。由于它们在各自的领域都负有盛名，企业在构建应用程序时通常很难决定哪个更适合它们。在比较这两种技术之前，你首先要知道如何使用这两种技术中的一种来构建应用程序。我们将在这篇文章中对它们进行比较，但我们的主要目的是让企业知道哪种选择更适合它们。

Java和.NET的一个主要区别是，Java（通常是Java企业版）可以运行在任何一种操作系统上，而.NET只能运行在不同版本的Windows上。即使.NET有开源实现，但仍然是以Windows用户为目标。

此前，微软发布了.NET CORE 3，这是最新的.NET Framework改进版。 这个改进版本的一个优点是：.NET CORE现在既是开源的又是跨平台的。 另外，.NET CORE还提供了很多对开发、Web、云计算和移动应用程序都非常有用的新特性。

不过，.NET CORE并不支持.NET Framework的所有特性。 但不管怎样，选择.NET CORE总是会更好，原因如下: .NET CORE是一个开源的软件框架，企业和开发人员可以很容易地用它来开发应用程序。

与.NET Framework不同，.NET CORE是跨平台的，它支持三种不同的操作系统——Windows、OSX和Linux。 而说到Java，因为借助了Java虚拟机，它基本上可以运行在任何设备和操作系统上，成了一个可移植的独立于平台的编程工具。

还有一个区别与集成开发环境（IDE）有关。IDE就是一种软件，为开发人员提供了重要的工具，帮助他们构建和测试软件应用程序。.NET有一个默认的IDE，那就是Visual Studio，一个可以帮助开发人员构建应用程序的神奇工具。

对于Java来说，市场上有四种面向Java开发人员的主流IDE，分别是Eclipse、IntelliJ Idea、Oracle NetBeans和Oracle JDeveloper。

从上面给出的统计数据（这些数据是由著名求职网站Indeed研究得出的）可以看出，与.NET开发人员相比，市场对Java开发人员的需求更旺盛。与.NET开发工作相比，求职者更倾向于寻找Java开发工作。

然而，无论是.NET还是Java，市场对这两个职位的需求都很旺盛。它们的需求和重要性可以从企业的项目中看出来。

Java的主要特点是它在不同的平台上使用了同一种语言，用Java开发的程序可以在不同的操作系统上运行。Java支持Python、Ruby、Groovy、Scala和Kotlin等编程语言。

.NET Framework支持用于后端开发和Web服务开发的编程语言，比如C++#和C++。目前，它支持大约20种语言。用户可以根据自己的需要使用任何一门语言进行编程，比如VB.NET、C#.NET、Perl，等等。 因此，.NET支持多语言编程环境，而Java使用了单一编程语言，但可以支持多种语言。

Java IDE由代码编辑器、编译器和调试器组成。Eclipse、IntelliJ Idea、Oracle NetBeans，除此之外，为了使代码的编写和测试更容易，还有一个专门为此而设计的Oracle JDeveloper。这些IDE提供了内置插件和自动填充选项，在这些插件和自动填充选项的帮助下，Java的灵活性得到了提升，同时也为创新提供了空间。 .NET平台有Visual Studio，开发人员可以利用宏来编辑、编译和定制API的运行时行为。

Java字节码在执行之前被转换为机器码，而.NET先编译组装好，然后在系统中运行，所以C#在运行时环境中更有优势。 Java 7之前的版本不支持简单数据结构的switch case。 .NET C#支持字符串变量和原生泛型的switch case。ASP.NET支持Linq（Language Integrated Query）在，但Java不支持。

因为缺乏专业的支持，对于像Java这样的开源平台来说，安全性一直是一个主要问题。 而对于.NET来说，安全性是微软需要考虑的问题。微软可以为企业客户提供全天候的支持。 .NET平台的一个主要优点是微软提供了一个统一的环境。.NET平台提供了无穷无尽的水平伸缩性，你可以在微软开发者网络（Microsoft Developer Network）上获得大多数IDE和工具。

说到缺点，与其他框架相比，迁移到.NET的成本更高一些。与本机代码相比，托管代码运行得更慢。开发人员只能依赖微软提供新特性和增强。

Java的一个主要优点是可移植性，所以你可以根据自己的需要选择操作系统来构建应用程序或网站。

通过使用高级持续集成工具（如Jenkins和Travis CI），Java应用程序可以更好地与其他平台兼容。Java有非常壮大的社区，而且还在不断发展，提供了各种免费的集成连接器。

安全漏洞是Java平台的一个主要缺点，因为这类问题在这个平台上非常常见。

无论是在IDE还是可移植性方面，Java和.NET都有一些不同的特性。但是，这两个平台的目标是一样的，而且面向的是相同的受众或细分市场，如小型公司或企业。

因此，要在这两种语言中选出一种作为项目的开发语言并不容易，因为这两种语言在各自的领域都做得很好，适合不同的项目。而且不要忘了，不管你什么时候向开发人员问起这两种语言，他们都会根据他们的偏好和技能发表不同的意见。

2、数据分析师课程内容包括什么？

可以看看开课吧这个课程，感觉还是很不错的。

近日，开课吧与百度、微软、阿里、滴滴以及创新工场等头部企业展开深度合作。至此，开课吧系统化课程《大数据分析全栈工程师》将注入更多“大厂脱敏数据、实战项目、云服务等”新鲜血液，而课程内容将更加丰富，实战性也将更强。

重要的是，Boss直聘、猎聘网等多家就业招聘企业也同开课吧达成合作，可为毕业生提供优先推荐服务，绝不让薪资就业成为难住学员的问题。

大数据分析全栈工程师 课程招生

全新改版，深度可达阿里P7

多名一线数据科学大师倾力指导

（前腾讯、美团、百度）

找工作拿不到 offer 退学费

本课程由廖雪峰老师团队倾情打造，围绕企业用人标准，­多次调研百度、腾讯、阿里、美团、、滴滴等互联网企业，深入了解一线大厂针对数据分析 / 数据挖掘 / 数据科学需要掌握的必备技能，再结合各大招聘网站对该岗位的要求以及行业专家和技术大牛的建议，全新打造的数据科学相关的课程。

一 、课程简介

1.1 面向希望自己能够在4-6个月内找到一份数据分析师、业务数据分析师、数据挖掘等岗位的同学以及数据驱动的业务工作者。本课程尤其适合：

业务部门的运营、产品、管理、业务分析等谋求数据驱动业务的工作者；

目前从事数据分析师想晋升专业数据分析师或基于互联网平台的大数据分析师的在职人员；

数学、统计、金融、财务、计算机等相关专业的高年级本科生或研究生；

从事Python开发或传统IT技术开发，想往数据分析/数据挖掘方面转行的朋友；

对数据科学具备一定的热情，希望能够从事相关行业或者自己创造相关产品的人员；

对数学、编程具有一定的热情，对数据敏感的人员；

1.2 关于退还学费：报名就业班的同学，报名伊始既签订合同，若上完课程拿不到 offer 或者 offer 初次就业薪资达不到年薪19万，既退还学费。

二、五大实战项目

三、课程内容

课程持续时间为4个月，内容包括：

1. 主修专业课程；

2. 选修拓展课；

3. 个性化项目作业评审，全程进度督促与问题解答；

4. 模拟面试、简历修改、背景提升等职业生涯辅导；

5. 在线大数据实验平台。

2.1 主修专业课程

主修课，周期一共4个月，100课时，共3大部分：

1）数据分析之禅

2） 数据分析之道

3） 大数据分析之术

2.2选修拓展课

选修课《R语言之数据挖掘实战》，每位同学均可免费选修学习，这是针对不同基础的同学设计的专项强化课程。学不学这块不影响就业，总共30课时左右。

四、师资介绍

除了我们的课程老师，为保障课程质量，我们为大家组建了相应的助教团队，助教团队负责我们的日常答疑和作业、项目批改。

助教团队：

张师兄：前小米数据分析师，精通大数据平台数据分析，精通Hive；

张师姐：前瓜子二手车数据分析师，精通Excel数据可视化，Python数据分析；

潘师兄：前搜狐数据分析师，精通Python、SQL、Tableau

五、课程优势介绍

1. 内容由浅入深，层层递进：课程第一部分完全按照零基础的学员能力设计，涵盖基础的Excel操作，Excel数据可视化，认识和熟悉工具；紧接着第二部分刚开始的Python基础，也是照顾零基础的学员，慢慢的深入，到后面的数据科学库numpy、pandas等；再到第三部分的基于Hadoop平台的数据分析和建模，数据挖掘算法，层层递进和加深，尽可能让有基础和无基础的同学都能跟得上并学会，在学员入门过后再加深难度。

2. 既有深度，又有广度：目前市面上几乎所有的数据分析课都是基于Python和Excel的那一套，再穿插点数据挖掘的入门，千篇一律。我们调研后发现，几乎所有大型互联网企业招聘数据分析师都要求掌握大数据平台的数据分析，如Hive，而课程的第三部分就完全包含这些，这是我们课程的独家特色，且占比达整个课程的50%左右，这块就是拉开薪资的地方，就是区分传统数据分析师和大数据分析师的地方。

3. 纯大型互联网企业师资：课程的设计和讲解都来源于纯一线大型互联网企业导师（top10互联网企业），导师即是讲师，也是企业里的数据分析师，也是企业的数据分析师面试官，掌握和熟悉一切主流的技术方案和方法论。来源于企业，输出到企业，这是我们的课程跟其他课程的本质区别。

4. 课程结果保障：选择课程就业班的同学，报名伊始既签订协议，若完成课程拿不到 offer 或者初始就业税前年薪低于19万/年(限北上广深杭)，则退还学费。

5. 全程进度督促：大家学习一门知识，善始者实繁，克终者盖寡。下定决心学习只是第一步，坚持学习完毕才是重中之重。我们课程组老师和助教会全程督促各位同学完成课程。

6. 线下大咖见面会：我们会不定期组织线下交流会（限北上广深杭），届时会邀请廖雪峰及各位一线大厂的数据专家跟大家见面交流，促进行业发展和个人圈子发展。

六、你需要达到什么样的预备能力

依据往期学生的经验，要能完成以上学习任务需要具备以下背景能力：

至少具备大专学历，本科及硕士以上学历更佳；

持续自学能力，能够每周投入12小时以上（6小时上课，6小时作业），持续4个月进行学习；

具有良好的逻辑思维能力；

有编程语言基础优先。

注：不具备预备能力的同学，我们为您提供了预修课程（Excel、Python和MySQL），帮助大家做好开课前的知识铺垫。

七、学费、资助与质量保障

通关班：7980元

就业班：17980元

本次课程培训为期时长4个月，通关班与就业班的课程内容一致，但是就业班会签订就业协议。

分期付款：本课程可以为同学提供 3、6、12 期分期付款；

退还学费：报名就业班的同学，报名伊始既签订协议，若完成课程拿不到 offer 或者初始就业税前年薪低于19万/年(限北上广深杭)，则退还学费。

前3次课不满意无理由退还学费：正式开课后前3次课不满意，学员可提出退还学费，课程组将无理由退还学费。

八、报名流程与重要时间节点

九、学员评价

左右滑动查看更多

十、相关问题答疑

Q：如何看待数据分析师这一岗位能力要求？

A：最简单的办法就是直接去招聘网站观看，你会发现，岗位需求里面的描述出现最多的技能有Excel、SQL、Tableau、Hive、Python/R等这些，而经过我们调研多位一线大型互联网企业导师发现，在大型互联网企业，Hive SQL是用的最多的，也是最重要的技能之一，也是数据分析师和大数据分析师的本质区别，也是拉开薪资的重要技能之一，而这一块几乎也是我们大数据分析课程的重中之重，内容占比达50%左右。

Q：Python工程师的出路在哪？

A：随着这几年AI人工智能的火爆，带动了Python的热潮，各种Python课程如雨后春笋般的涌现出来，80~90%的内容都是Python Web方向，因为AI人工智能门槛太高。所以普及大众，如果学Python，大部分都是往Python Web方向引，要学Python基础、然后学Flask、Django、然后学一点运维的知识，但是这么干基本上没法就业。因为Python Web方向市场太小，以至于现在基本上是个伪方向，不可否认Python可以写接口，用作网站的后端，但是这么干的公司极少（这相当于是抢Java和PHP的饭碗），所以就导致没有就业的岗位，同时也导致了很多人学Python交了几万块学费无法就业的场景，要么转行要么放弃。

除了门槛较高的AI必须掌握Python，数据分析和数据挖掘方向倒是一个门槛相对较低且不错的发展方向。爬虫和运维也是Python的方向，但是相对来说，岗位太少，太传统，竞争力不大。真要做运维，十年前就可以，为什么是现在？

Q：请问就业班对于任何人都适用吗？

A：报名的同学我们都会联系大家，了解大家的情况之后具体做出建议。就业班对同学是有一定要求的。

Q：学完课程能达到什么水平？

A：依据上一期的学员情况，学完课程的同学，能够达到以下能力要求：

熟练掌握数据库MySQL基本使用，精通SQL语句和Hive SQL；

熟悉数据挖掘的思路和常用的数据挖掘算法；

熟练掌握Excel、Power BI、Tableau等数据分析可视化工具；

掌握Python/R；

能够对崭新的问题进行建模分析，使用已知知识进行解决；

具备应对 BAT 级别相关岗位面试的能力。

最后，感谢大家阅读至此，希望之后能与大家度过一个忙碌而又丰富的学习历程。

注：由于添加人数较多，教务老师没法第一时间一一通过，请耐心等待。

附：1、线下交流会现场

3、Mysql怎样优化处理？

1. 避免使用 select * 你需要什么信息,就查询什么信息,查询的多了,查询的速度肯定就会慢

2. 当你只需要查询出一条数据的时候,要使用 limit 1 比如你要查询数据中是否有男生,只要查询一条含有男生的记录就行了,后面不需要再查了,使用Limit 1 可以在找到一条数据后停止搜索

3. 建立高性能的索引 索引不是随便加的也不是索引越多越好,更不是所有索引对查询都有效

4. 建数据库表时,给字段设置固定合适的大小. 字段不能设置的太大,设置太大就造成浪费,会使查询速度变慢

5. 要尽量使用not null

6. EXPLAIN 你的 SELECT 查询 使用EXPLAIN,可以帮助你更了解MySQL是如何处理你的sql语句的, 你可以查看到sql的执行计划,这样你就能更好的去了解你的sql语句的不足,然后优化语句.

7. 在Join表的时候,被用来Join的字段，应该是相同的类型的,且字段应该是被建过索引的,这样，MySQL内部会启动为你优化Join的SQL语句的机制。

8. 如果你有一个字段，比如“性别”，“国家”，“民族”, “省份”，“状态”或“部门”，这些字段的取值是有限而且固定的，那么，应该使用 ENUM 而不是 VARCHAR。

因为在MySQL中，ENUM类型被当作数值型数据来处理，而数值型数据被处理起来的速度要比文本类型快得多。这样，我们又可以提高数据库的性能。

9. 垂直分割 将常用和有关系的字段放在相同的表中，把一张表的数据分成几张表 这样可以降低表的复杂度和字段的数目，从而达到优化的目的

10. 优化where查询

①. 避免在where子句中对字段进行表达式操作

比如： select 列 from 表 where age*2=36; 建议改成 select 列 from 表 where age=36/2;

②. 应尽量避免在 where 子句中使用 !=或 操作符，否则将引擎放弃使用索引而进行全表扫描。

③. 应尽量避免在 where 子句中对字段进行 null 值 判断

④. 应尽量避免在 where 子句中使用 or 来连接条件

11. 不建议使用%前缀模糊查询,这种查询会导致索引失效而进行全表扫描

例如LIKE “%name”或者LIKE “%name%这两种都是不建议的.但是可以使用LIKE “name%”。

对于LIKE “%name%,可以使用全文索引的形式

12. 要慎用in和 not in

例如：select id from t where num in(1,2,3) 建议改成 select id from t where num between 1 and 3

对于连续的数值，能用 between 就不要用 in 了

13. 理解in和exists， not in和not exists的区别

很多时候用 exists 代替 in 是一个好的选择：如查询语句使用了not in那么内外表都进行全表扫描，没用到索引，而not exists子查询依然能用到表上索引，所以无论哪个表大，用not exists都比not in要快。

select num from a where num in(select num from b)

建议改成: select num from a where exists(select 1 from b where num=a.num)

区分in和exists主要是造成了驱动顺序的改变（这是性能变化的关键），如果是exists，那么以外层表为驱动表，先被访问，如果是IN，那么先执行子查询。所以IN适合于外表大而内表小的情况；EXISTS适合于外表小而内表大的情况。

关于not in和not exists，推荐使用not exists，不仅仅是效率问题，not in可能存在逻辑问题

14. 理解select Count (*)和Select Count(1)以及Select Count(column)区别

一般情况下，Select Count (*)和Select Count(1)两着返回结果是一样的

假如表沒有主键(Primary key), 那么count(1)比count(*)快，

如果有主键的話，那主键作为count的条件时候count(主键)最快

如果你的表只有一个字段的话那count(*)就是最快的

count(*) 跟 count(1) 的结果一样，都包括对NULL的统计，而count(column) 是不包括NULL的统计

技术交流请关注“大数据java架构师”

4、学PHP好还是学云计算好？

具体学哪一个的话是看你个人的想法和现状的。如果你是城市里的上班族，每天都要交月租没那么多可以好好的学习时间，想要入门的话，php的入门门槛就相对的低一些，也比较容易上手。当然，如果你仅仅只是为了接触编程让工资高一点然后混混日子的话，其实我觉得两个的话你最后也走不远。当然，云计算现在的行情来看的话似乎是挺好的，但也不要忘了，你学习是需要时间成本的，你怎么能保证等你学成以后市场还会像现在一样有很大的需求呢？

据说世界上的web领域里大约有70%的网站用的数php。php开发的特点就是快，所以很多追求快速开发的或者是一些小公司需要快速实现产品来说，php无疑也是一个很不错的选择。虽然现在学php的人很多，竞争也挺激烈的，但面试的岗位还是挺多的。当然，现在市场上更多的是却php的高级技术人员。努力一点的话还是可以拿到一个不错的待遇的。当然，现在的php生态圈也越来越好了，php8据说会增加jit的机制，使得php的性能会更深一层的提升。当然，php现在也有swoole扩展，使得异步IO和协程调度也变成可能，即时应用的开发也变得比以前简单些，详细想知道php未来的前景的话，也可以参考我在另一边的回答(https://www.wukong.com/question/6541422950740918531/)。

云计算的话，官方的解释就是基于互联网的相关服务的增加、使用和交互模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云计算的市场需求现在挺好的，从统计上来看，从以前到现在也是一直在增长。以下是2009-2017全球云计算市场及渗透率持续增长情况。

当然的，我们也来看看招聘网上部分云计算的招聘要求，如下：

这只是我在招聘平台里截取的其中两个，不得不说云计算的学习复杂度是比php要高很多的。必要的时候，你还需要懂一些算法之类的东西。当然，大数据时代也渐渐来临，云计算的前景现在看来是挺好的。当然市场是瞬息万变的，以后竞争会不会激烈，就不太清楚了。个人感觉，现在云计算方面的话岗位不是很多，以后没准会多起来。

最后，具体要学哪个，真的看你个人的实际情况进行权衡。想要上手快的话就选php吧，想要高端一点就云计算吧。当然，不同的选择会带来不同的后果，也需要付出一定的行动，所以，你根据情况来权衡吧。

祝你好运。

5、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。