本文来自知乎问答。

问题：想做一名数据分析师，自学了《统计学》、R、SQL等。入门级别的，现在有点迷茫了，下步学什么才是合适的？

我目前自学了《统计学》、JAVA、R、SQL、SPSS。但都是学到学门级别的，现在有点迷茫了，数据分析有那么多工具，不知道学哪些才是最正确的，不知道怎么规划了（问题重点）。我目前考虑的问题主要有两个：

• 短期希望找到一份相关的工作（目前事业编混日子）。
• 长期规划是做一名数据科学家不想走偏了。

正文：

同样是因为喜爱而转行踏上数据科学之路。

毕业工作后，业余时间我一直在关注人工智能的新闻，出于兴趣开始在晚上自学相关的理论知识、工具例如统计学、python。突然有一天，我心血来潮，忽然想通了，为何不投身喜爱的行业，要不然也只是空有一腔热血。

于是我便马不停蹄地开始学习Python，并决定从人工智能时代通用基础能力——数据分析入手。

但因为是零基础转行，所以刚入职很多都不会，挨骂最多的就是做的计划不落地、提的方案脱离业务场景……经历了许多项目、积累了经验后，我总结了以下能帮到你的经验。

一、工具篇——硬实力

从题主学习了这么多工具的经历，想必跟我一样是个“工具控”，接触到有趣又强大的工具会忍不住去学习。

现在我作为数据分析师，题主说的工具我都有在用，目前我在用的一些相关工具的应用场景：

常用的数据分析工具，数据科学界的明星产品。几乎是万能的工具，尤其是在解决重复性工作、大数据分析等场景方面特别好用。在Python列入小学课程的时代里，它绝对是值回票价的编程语言。

通用的数据库语言，对于数据分析师而言，可以完成取数、分析工作。所谓巧妇难为无米之炊，SQL可以从源头上解决无数据的问题，要不然你是无法想象IT是如何拒绝或延后你的提数需求的。

“傻瓜式”的数据分析图形软件，可以像操作Excel那样点点点，很简单地完成复杂的数据分析工作，例如相关性分析、回归建模等。

（如图为我在实战中使用SPSS进行特征挖掘的PPT）

目前我工作中，很喜欢用它的可视化决策树。在实际的数据挖掘工作中，可解释性是很重要的一环，它很多时候决定了模型的逻辑及结论是否被业务所认可。众多模型中，线性/逻辑回归在这方面绝对是老大，而在我发现了SPSS中将决策树模型可视化这个逆天功能后，它就成为了我分析的最爱之一，得益于易懂的可视化图形，它的逻辑与结论往往也很能被业务所接受。

数据科学界的老大之一，统治着专业的统计学、生物、医学等领域。目前我在用它，是因为公司的销售预测模型是其他同事用R语言写的。

R与Python的差异在于：R是统计语言，有很多优秀的框架，例如Python里最常用的Pandas库就是从R移植过去的，再例如可视化图表的库的表现一骑绝尘。但是在自动化办公、应用领域却没有Python广。

所以，建议刚入行的童鞋先学Python这个性价比高的语言，等有进一步明确的需求后，再按需学习R即可。

非常优秀的可视化分析工具。在用Python做数据分析时，很多时候只能将分析结论可视化后黏贴到PPT里，对业务来说，他们更想要有可互动、动态更新的可视化分析结果。而这，就是我应用PowerBI的场景：数据导入后，建模分析，形成的分析报表业务直接点点点就可以感受到数据变化与特点。

但是PowerBI的建模思维有一定的门槛，而对于大多数分析师来说，Excel的图表已经可以满足。所以建议初学者先学习灵活应用Excel的可视化能力。

是使用最广的开发语言，与数据分析关系不大。我之所以学它，是因为我负责的数据产品几乎都是用Java开发的数据接口，所以才需要懂一些基础。

想要从事数据分析工作的同学，不建议学习Java

以上的提及的工具，建议挑选1-2个，如SQL+Python，进阶学习。最重要的是进行项目实战，可作为短期找工作的敲门砖。