试验设计与数据处理读书笔记整理_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
试验设计与数据处理读书笔记整理
上传于|0|0|暂无简介
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩56页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢做数据分析不得不看的书有哪些？-提供留学,移民,理财,培训,美容,整形,高考,外汇,印刷,健康,建材等信息_突袭网
当前位置&:&&&&做数据分析不得不看的书有哪些？
热门标签：&
做数据分析不得不看的书有哪些？
来源： 由用户
编辑：李利平
做数据分析不得不看的书有哪些？1.不只是电商的数据分析。 2.数据分析的基础不只是数据仓库 3.为什么没有相关的数学方面的书的推荐?如：Anderson T.W. An introduc…关注者10375被浏览 style="margin: 0 font-weight: 500;">55&个回答Han Hsiao数据挖掘、数据分析&话题的优秀回答者收录于 编辑推荐&?&热诚推荐看过的几本经典。-----------2017年1月更新，增加一本豆瓣上没找到的，但是初学者必看的2016版新书--------------一、数据分析入门：电子工业出版社的经典书目系列，从数据分析基本步骤开始、实验方法、最优化方法、假设检验方法、贝叶斯统计方法、主观概率法、启发法、直方图法、回归法、误差处理、相关数据库、数据整理技巧一一讲到。图比较多，适合入门。推荐理由同上，适合入门者的经典教材。R是属于GNU系统的一个自由、免费、源代码开放的软件，用于统计计算和统计制图。这本书从实用的统计研究角度逐例分析R在数据处理、模型构建、以及图形操作上的由浅入深的结合，堪称经典。作者是华盛顿大学理论物理学博士。这本书是数据分析的经典之一，包含大量的R语言模拟过程及结果展示，例举了很多数据分析实例和代码。作者是Data Miners的创办人，有二十多年的营销和客户关系管理结合数据挖掘的经验。详细介绍了作为一个数据挖掘团队需要的知识体系，包括数据库、SAS使用、统计学、机器学习、数据可视化、如何访问用户收集需求、如何写论文与沟通等等。有条件的建议看英文原版。入门五星推荐。里面很多图表实例，手把手教你如何EXCEL画图，对各种知识点（平均值，模式，中值，方差，标准偏差）的讲解相当的到位，比起大学里的各种课本靠谱。先把这些花时间啃啃，数据分析的理论部分就基本入门了，根据实际情况还需要结合你的业务需求来进行系统的学习。二、数据分析进阶：作者Cathy O’Neil是哈佛大学的博士，MIT的数据博士后，曾今作为一名Quant在对冲基金D.E. Shaw 工作，目前是一家纽约初创公司的Data scientist 。这本书需要有一定的编程和理论基础，作为入门教材来说有点难，虽然只有400来页，但是涉及的知识点很全面。每一章节的核心内容都附有编程案例，R/Python/Shell三种语言任君挑选。Python数据分析必看，适合入行不久的数据分析师。作者有多年的Python数据分析工作经验，对各种Pyhon包iPython，NumPy，pandas，matpotlib等有着很深的理解。看完这本，敲完代码，Python数据分析就算入行了。很多牛人为之作序，数据科学如何与商业结合，相信这本书会给你一些启发。2016年6月出版的，500页保质保量，作者（Jake VanderPlas）是华盛顿大学电子科学研究所的高级数据科学研究员，研究领域包括天文统计学、机器学习和可扩展计算。书的前半部分介绍了用于数据分析和一般的科学计算的基本Python库，后面从实际应用的角度使用Python库scikit-learn开始机器学习实践。适合有一定Python基础人（或者R基础），并且想学习如何使用Python进行数据分析的人。作者Cole NussbaumerKnaflic，私募分析师，前Google人力分析团队总监。本书展示了如何高效率展示量化资讯，如何用丰富的资料讲故事。Google内部的数据可视化课程讲师，之前也在Maryland Institute College of Art兼职讲师。如果你想知道如何以图叙事，这边好书不容错过。OK，这几本够看一阵了，有时间再更新。欢迎关注我存储知识的地方：预见未来――Han Hsiao的知乎专栏Foresee编辑于&老豚晕糖 一直在自学和用数据挖掘的东西。因为不是本专业，所以随便讨论一下，仅作参考。补充一下我了解的数据挖掘经典教材，1《数据挖掘概念与技术》，作者:[加]Jiawei Han/Micheline Kamber 译: 范明/孟小峰 等2《数据挖掘导论》，作者: [美]Pang-Ning Tan，Michael Steinbach，Vipin Kumar 著3《数据挖掘技术――市场营销、销售与客户关系管理领域应用》作者: （美）贝瑞（Berry.M.J.A.），（美）莱诺夫（Linoff.G.S.） 著，别荣芳，尹静，邓六爱 译&&&&&& 三本都有中文版，前两本范明教授的翻译看起来不流畅，可能的话还是去看英文原版。相关的数学知识模型，主要应该是多元统计方面的。有的学校只用自己的影印版书做教材。可参考英文书很多，就不一一列举。中文的可以看清华的《实用多元统计分析》的确，数据挖掘不只是电商的数据分析，也不只是数据仓库，学术型的讨论更多在各种模型，如：分类、回归预测、相关性分析等。如果要做模型做得实用可行，一是用更高级更复杂的模型，本科教材级别的估计不够；二是更巧妙地定义问题、简化问题。不过无论怎样，只要能解决问题，就是好方法。 编辑于&董友良数据分析 产品经理 互联网 电子商务 阿里巴巴 新浪微博： .cn/dongyl 个人博客： 说实话，干互联网那么久，没有看过网站分析方面特别好的中文书，给楼主一些链接吧，里面有一些清单：& http://www.</how-to-learn-web-analytics-for-newbies-ii-2/&&
中文的补充一本&
《精通Web Analytics 2.0――用户中心科学与在线统计艺术》& 以网站分析为主，作者是Avinash Kaushik，译者是郑海平，邓天卓，两位作者是国内网站分析领域比较有经验的牛人，翻译是比较专业的。&& 附录：网站分析可以读的几本书（但是千万不要扎进去爬不出来了！）& 　　全部是英文的& 1. Sybex C Advanced Web Metrics with Google Analytics. Mar 2008。虽然是2008年的书，但是里面有一些关于网站分析的基本实现方法和网站分析工具的基本原理，值得一读。如果你觉得学习了GCU还不过瘾，那么你也可以通读这本书。& 2. Google Analytics by Justin Cutroni (O'Reilly shortcuts)。这本书不错，内容精练，可以全部读完。& 3. Wiley-Web Analytics For Dummies (2007)。 闲得无聊可以翻翻。& 4. Avinas的两本，读英文版的。不过，不建议初学者读。& 5. Sybex C Landing Page Optimization C The Definitive Guide to Testing and Tuning for Conversions C Jan 2008。值得读，随便翻阅，会有收获。& 6. Don’t make me think，跟网站分析不直接相关，但值得读。& 纯数据分析和数据挖掘方面的，下面2本偏理论的，属于“道”这个层面，适合有几年工作经验以后再看& 数据仓库（原书第4版）& 数据挖掘概念与技术（原书第2版）& 偏工具使用的，SAS和SPSS的书，市面上很多，说实话，都是把帮助文件翻译成中文，加一些实验示例，只能让你会使用工具，让你入门，至于说提高，主要靠工作经验的积累。编辑于&浩彬老撕公众号：wetalkdata，一个有趣的IBM工程师走在数据科学的路上作者：张浩彬链接：在数据分析、挖掘方面，有哪些好书值得推荐？ - 张浩彬的回答来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。我也来分享一个自己的书单：#关于这份学习清单#我会按照基础到入门给出详细推荐，并且附上个人点评。同时尽量做到各个资料在内容上并不重复（即使内容上有重复，也会在难度上做出区分），希望可以以最直接的方式告诉大家应该怎么选择。Ps：这是第一版学习指南，由于最近时间比较紧张，预计在第二版中会加入业务材料的推荐和更多的学习索引，欢迎关注。1先验知识& 由于统计学概率论甚至到机器学习会对数学基础有一定要求，所以这里给出一些先验知识的内容推荐，主要是矩阵方面。1.1& 课程可汗学院公开课：线性代数课程可汗学院公开课：线性代数因为网易公开课有翻译，这里是中文字幕课程链接，这里真要给网易100个赞，字幕做得很好。“可汗学院(Khan Academy)，是由孟加拉裔美国人萨尔曼?可汗创立的一家教育性非营利组织，主旨在于利用网络影片进行免费授课，现有关于数学、历史、金融、物理、化学、生物、天文学等科目的内容，教学影片超过2000段，机构的使命是加快各年龄学生的学习速度。”1.2 参考书籍（1）线性代数& 豆瓣评分7.3清华居余马老师的线性代数教材，比较经典的教材了，里面的知识足够支撑我们后续统计分析和机器学习需要。（2）高等代数 豆瓣评分8.1相比于线性代数，高等代数更加深入，一般线性代数为非数学专业所用，数学类专业一般学习高等代数。不过一般情况下，线性代数也足够使用了。当然，在后续学习中有些算法也会用到微积分的知识，但是都比较基础，因此遇到不懂的时候直接查资料即可，就没有特定推荐材料了。2统计分析学习资料&&&&&&&&& 2.1 统计学/概率课程同样推荐可汗学院的统计学和概率课程，而且刚好这两门课程也被网易公开课进行了翻译：（1）& 可汗学院公开课：统计学可汗学院公开课：统计学（2）& 可汗学院公开课：概率可汗学院公开课：概率这两本课程总体不算太难，适合入门。个人觉得讲授还是蛮有特点的，粗暴直接，另外举的例子也是蛮有趣的。2.2统计学/概率参考书（1）统计学& 豆瓣评分8.8作者William Mendenhall / Terry Sincich“《统计学(原书第5版)》内容丰富，很少涉及统计学理论的严格数学证明，绝大部分是与实际应用紧密联系的例子和练习，适合作为理工科各专业本科生、研究生的统计学教材，也可作为相关领域研究人员的参考读物。”非常注重实用的统计学课程，偏应用，少数学证明，可读性比较强；（2）统计学& 豆瓣评分7.3作者：贾俊平，何晓群，金勇进统计比较通用的入门教材了，不知不觉竟然到了第六版，个人认为也算是兼顾数学证明和应用，可读性没有上面强，但是也非常的通俗易懂，有很多统计学专业的起始教材也会选择这本。（3）统计推断& 豆瓣评分8.8,/英本原本9.2作者：William Mendenhall / Terry Sincich非常经典经典的统计学教材，借用介绍“从概率论的基础开始，通过例子与习题的旁征博引，引进了大量近代统计处理的新技术和一些国内同类教材中不常见而又广为使用的分布。其内容既包括工科概率入门、经典统计和现代统计的基础，又加进了不少近代统计中数据处理的实用方法和思想”可以作为研究生所用教材，有深度，但是作者循序渐进，解释得非常漂亮3机器学习资料&&&&&&&&&&&&&&&& 3.1机器学习课程强烈推荐Andrew NG吴恩达的斯坦福机器学习课程，英文授课，但是已有完善的中文字幕，内容非常丰富且充实（20节），并且讲解得非常的好，如果你想学习机器学习，一定不能错过！Coursera地址：Coursera - Free Online Courses From Top Universities网易公开课地址：斯坦福大学公开课 ：机器学习课程同时该课程配有课件讲义，同样建议大家在学习视频课程之余多看讲义和习题，虽然是英文，但是阅读上基本没有什么问题，就讲义本身也是非常的棒。如果大家学习完Andrew NG的机器学习，还想通过其他课程触类旁通，相互借鉴的话，可以上Coursera上门搜索还有其他选择，例如台大的机器学习基础等等，但毫无疑问首推Andrew NG的课程；另外现在国内也有越来越多的培训网站推出相关课程，大家有兴趣的可以自己搜搜，这里就不做推荐了；3.2机器学习教材（1）数据挖掘导论& 豆瓣评分8.4,/英本原本8.8作者： Pang-Ning Tan、Michael Steinbach、Vipin Kumar介绍得非常全面的一本书，但可能因为需要涵盖的内容太多，所以难免有些算法只能简单介绍。尽管这样，个人认为也是非常难得一见的入门教材，有一定难度。这本书从简单的数据开始，到各种分类算法，聚类算法，关联规则都有相对完整的指引，我认为对于我们构建自身的统计挖掘体系是有很大的帮助。中文版本翻译还是挺好的，但是英文原版那是极好的。（2）统计学习方法& 豆瓣评分：8.9作者：李航个人认为中文教材里面少见的精品，虽然精简，但逻辑非常的清晰，非常详细地为我们剖析了算法原理，可能不太适合入门者，但是还是非常值得推荐阅读学习，建议将《数据挖掘导论》以及《统计学习方法》相互借鉴学习（3）The Elements of Statistical Learning（统计学习基础）豆瓣英本原版评分9.4 中文评分7.4作者：Trevor Hastie这本书被广大人民喜称为ESL，虽然书名是统计学习基础，但是此书一点都不基础，一点都不~另外此书还有一本专门的入门版本ISL（后面会介绍）这本书涵盖了非常多的内容，讲解深入，有人评价说，“有了这本书就不需要其他机器学习教材”，虽然有点夸张，但是此书实际是机器学习的经典巨作，如果你真的希望好好研究机器学习，此书非常值得仔细研读，另外此书要求不低的统计理论和数学基础。此外，这本书还有一个牛逼的地方在于，作者把书放在网上免费下载：Elements of Statistical Learning: data mining, inference, and prediction.2nd Edition.前面都是一些理论知识，但是数据科学里面实践应用又是另外一个重中之重，接下来谈一下借助工具进行实践应用的问题，由于Python还在整理当中，本次主要介绍SPSS与R语言：4SPSS学习资料&&&&&&&&&&&&& 考虑到SPSS分为统计模块Statistics以及数据挖掘模块Modeler ， 因此也分为两大块介绍4.1SPSS统计分析资料SPSS Statistics 市面上的书籍比较多，从我个人的角度，认为张文彤老师的系列足以让大家加深对统计体系的理解，同时也能很好掌握在实际的应用当中如何使用统计分析帮助我们完成任务，我认为掌握统计分析原理实战和SPSS操作，以下两本书足矣。（1）& SPSS统计分析基础教程 豆瓣评分8.4提供了包括医疗、经济、市场研究等方面的案例贯穿了全书，能够很好从实际应用角度把统计分析原理和SPSS操作结合起来，也提供了很好的结果解读，不失为一本极好的工具指南。（2）高等学校教材（SPSS统计分析高级教程）豆瓣评分7.7相比于基础教材，高级教程介绍了更多的统计算法模型，同时也提供了一些统计新方法和新观点的讲解。整体来说直观易懂，能够很好提升实战能力。另外张文彤老师也有对应视频课程 《张文彤SPSS初中级教程》以及《张文彤SPSS高级教程》4.2 SPSS机器学习教程（1）Modeler官方的帮助文档和Sample文件Modeler提供完备Sample数据和数据建模文件，并且配套中文说明，可以帮助入门者一步一步搭建数据建模流并理解实际应用场景。Modeler提供的帮助文档包括有算法说明，节点说明，Crisp-dm方法论，应用文档等，其中比较重要一本如：《IBM SPSS Modler 应用程序指南》（2） IBM SPSS数据分析与挖掘实战案例精粹& 豆瓣评分9.3作者：张文彤，钟云飞非常详尽工具手册，提供了医疗、金融、保险、汽车、快速消费品、市场研究、互联网等多个行业的数据分析／挖掘案例，基于实战需求，详细讲解整个案例的完整分析过程，并将模型和软件的介绍融于案例讲解之中，尤其是书本最后几章实践案例，从商业问题界定到商业应用，给出了非常详尽的建模指南，个人认为目前市面上Modeler最好的工具手册；另外即使不是使用SPSS，而是用其他工具，该书后面的例子也值得大家研读。5R语言学习资料&&&&&&&&&&&& （1）R语言实战& 豆瓣评分8.8作者：Robert I.Kabacoff首先这本书绝对可以担当日常工具手册，从基本操作，数据处理，数据建模，图形展示都给出了非常详尽的介绍；其次虽然是工具手册，但是能够结合基本统计知识于简单案例，具有很强实践性，强烈建议各位把书中的代码都实现，相信能够大大提升R的功力。最后说一句，此书翻译得不错。（2）AnIntroduction to Statistical Learning（统计学习导论）& 英本版豆瓣评分9.5，中文版7.6作者：Trevor Hastie，Robert Tibshirani ，Jerome Friedman 此书被广大人民群众称为ISL，没错，就是上面ESL的入门版本。无论作为统计教材推荐还是R语言教材推荐都称得上5星的读物。ISL虽然是入门版本，但是绝对不是因为内容简单。深入浅出，内容详细，常常读完有种恍然大悟的感觉，同时能够结合R语言介绍，大大的加分。最后厚颜无耻地介绍我个人的公众号，wetalkdata，定期更新数据分析，数据挖掘方法，Statistics以及Modeler操作指南（比帮助手册更详细），而且还有送书活动！发布于 木易君数据分析老兵我觉得数据分析是个杂家，什么要懂一些，我概括起来包括4个方面的。1）数据处理能力，就是能数据库中的数据组织成你想要的形式。这里面最基本的就是EXCEL能力(你别小看EXCEL，EXCEL用活了也很牛逼的)，再高级一点的数据库操作技巧（比如：编写T-SQL代码的技巧，再或者用第三方软件处理，比如SAS等），再牛一些就是能用编写一些脚本语言处理数据，比如python等。另外就是数据库语言SQL也是分析师的最基本能力。2）建立模型的能力，这个不光是能在一些软件是摆弄一些组件或方法，最关键的是要知道一些模型的适用原则和结果解释。在我们用的比较常见有比如logist回归，K-mean等，以及其他一些线性模型。这些模型的算法一般都不需要你写了，通过SAS等软件能自动实现，但是对很多并不了解的这些模型的基本原理，稀里糊涂做了。这里我建议你读一些数据挖掘技术和统计方法的书。此外，我要强调的是数据分析是为了解决问题，不要为了分析而分析。看过不少人，做了不少模型，但那些模型一定用处都没有，或者不需要模型就能解决问题。当然，如果你能自己写一些算法最好了，比如一些推荐算法等。3）数据分析是杂家，需要你去了解很多管理和经济学方面的知识。有了这些知识对你了解事物，结构问题很有帮助，比如你了解了营销理论后你对用户细分、用户行为以及渠道分析就很有感觉了。数据分析最重要就是思路，而思路往往来自于这些管理和经济方面的知识，数据分析的模型只是让你将这些思路简化和处理的手段而已。这就说明为什么很多做数据分析咨询方面的很多人来自MBA的原因。这个需要慢慢积累。4）对行业的认识，这个最容易入手，但也最难深入。如果一个人对行业一点了解，这个人不可能做好数据分析，他解决问题找不到关键点。此外，对于增强行业的认识我觉得没有什么太好办法，能做的就是时间对上去，慢慢了解这个产业链。这里我觉得有一些波士顿和波特的书就蛮好的发布于 茉茉统计学&话题的优秀回答者update 一本：《Introduction to Machine Learning, Second Edition》主：Introduction to Machine Learning附：子版下d。 推荐一本不错的理论书：《The elements of statistical learning: data mining, inference, and prediction》主：Elements of Statistical Learning: data mining, inference, and prediction.2nd Edition.附：子版下d。再有就是 @段曼妮 提到的那本《Pattern recognition and Machine Learning》。本想{，原砣昵熬妥{^了呢。那就硌a充下接好了。主：Christopher M. Bishop附：子版下d。@三本均Wg典值得碛小也不知道槭颤N最近「大垢鞣N火幔蔷土硗庠 update 一本，吧：《Mining of Massive Datasets》（相比大啊小的什N，是更喜g@叫法呢。哈哈。）主：Mining of Massive Datasets附：子版下d。编辑于&thinkind微信公众号 ShenYangCN编辑于&阿尔法汪大数据爱好者、程序员推荐《数据化管理》这本书，目前已经加印了到7w册了。数据化管理（中文著作）1、【故事性强】自媒体大号黄成明专著，讲述了两个年轻人在大公司销售、商品、电商、数据等部门工作的故事，故事性的导入还是比较出彩的。2、【实践案例】主要是实践的案例，对于数据分析的工作实践还是相当有帮助，可以参考下别人的做法来提高自己的数据运营管理能力。3、【工具介绍】在新加印的书里推荐一些数据类的工具可以参考。现在了解到有一个数据可视化工具，好像叫数说立方，体验网址是这个http://t.cn/RqGv5OO，因为工作关系经常要做数据报告，所以推荐到的一些BI工具还是很需要发布于 Ruobing Shen海德堡大学交叉学科计算中心 离散与组合优化实验室研究员有youtube常青藤名教授的免费上课视频，为何不先睹为快？？？当然了，翻墙是楼主suppose你们需要拥有的基本生存技能。先放链接再阐述我对数据科学进击之路的理解。（注：以下视频是楼主自己在学习的，因此多为graduate course，仅作演示目的）1，Machine Learning by Prof. Nando de Freitas， 此视频是其在UBC时13年所录，后来跳槽去牛津计算机系了。https://www.</playlist?list=PLE6Wd9FR--EdyJ5lbFl8UuGjecvVw66F62，Deep learning at Oxford 2015&& by Prof. Nando de Freitas， 跳槽到牛津所录。https://www.</playlist?list=PLE6Wd9FR--EfW8dtjAuPoTuPcqmOV53Fu3，Probabilistic Graphical Models by Daphne Koller, 斯坦福大学计算机系教授https://www.</playlist?list=PL50E6E80E8525B59C简单的说，原理和基础都在数学这边。线性代数（矩阵表示和运算）是基础中的基础，微积分（求导，极限）；数据处理当然需要编程了，因此C/C++/Python任选一门，数据结构可以学学，只是让你编程更顺手，但是编程不是数据处理的核心。Mid-level的课程，概率论+统计（很多数据分析基于统计模型），线性规划+凸优化（统计到最后也还是求解一个优化问题，当然也有纯优化模型不用统计模型的）再高阶的课程，就是些研究生的课程了，就比较specific了，可以看你做的项目再选择选修，比如：Probabilistic Graphical Models, Nolinear Programming, Integer Programming, Machine Learning（其实机器学习，学的都是一些统计和优化），图像处理，deep learning, 神经网络，等等等等。学到Mid-level，然后做几个实际项目，就能上手咯。要读Phd搞科研，才上高阶的。至于书，没有特别推荐的，但是建议看英文原版。或者，直接翻墙Youtube看视频课程，很多国际知名教授都很无私地把自己上课的视频放在youtube上免费学习。比如，海德堡HCI 的Fred，图像处理课程：https://www.</playlist?list=PLuRaSnb3n4kSgSV35vTPDRBH81YgnF3Dd然后，就可以着手做项目了，最经典的regression，clustering, outlier detection，看几篇paper学习几种不同的模型和算法，对一个现实问题，从拿到问题，分析问题，数学建模，编程实现，可视化，一套做下来，对项目整个流程有所了解。完了你就有项目经验了，恭喜可以找工作了。有名校毕业证会是很好的敲门砖，没有的话，多积累项目经验。更详细回答，参见：想学数据分析需要学哪些课程？ - Ruobing Shen 的回答关于我对最优化理论在咨询行业的应用，参见Data Science/Analytics 出身，可以在咨询行业做些什么？ - Ruobing Shen 的回答最好按照惯例广告一波：欧洲、北美、全球留学及数据科学深度私人定制咨询，从此DIY - Ruobing Shen的文章 - 知乎专栏编辑于&喻欣互联网，数据分析，产品运营 桌上足球，桌游，看书数据分析的基础是统计学，复杂点的理论是数据挖掘，这两个是基础，是分析过程中使用的工具而已，个人能力的提升并不能体现在这两个方面的知识有精通，更重要的是个人思维以及与别人沟通展示自己的想法。这两个基础可以推荐两本书，《爱上统计学》，《数据挖掘概念与技术》，需要了解出现什么问题，用什么方法能解决即可。思维方面的书推荐：《批判性思维》，《黑天鹅》，《数据会撒谎》，《博弈论》,《麦肯锡方法》《思考的技术》等等数据展示方面：《用图表说话》，《excel演绎之道》，《演示之禅》，《餐巾纸的背面》，《视觉化思维》数据分析与产品运营是离不开的，为此多学习产品、营销方面的知识是有利无弊的。编辑于&张溪梦 SimonGrowing.IO CEO，世界前十位前沿数据科学家从入门到精通：互联网数据分析的书籍清单！任何一个技能的学习，都有从浅到深的过程，数据分析也不例外。因此我把推荐书籍划分成几个段位，更便于大家挑选。Part 1 | 入门版适合对数据分析的入门者，对数据分析没有整体概念的人，常见于应届毕业生，经验尚浅的转行者。深入浅出数据分析 (豆瓣)：HeadFirst 类的书籍，一向浅显易懂形象生动，可以对分析概念有个全面的认知。谁说菜鸟不会数据分析 (豆瓣)：不仅讲解了一些常见的分析技巧，并附带 Excel 的一些知识以及数据分析在公司中所处的位置，对职场了解亦有一定帮助。赤裸裸的统计学 (豆瓣)：作者年轻时是个追求学习意义的学霸，后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。同样类似的书籍还有「统计数字会撒谎 (豆瓣)」，这本书知名度要高点，不过我还没看…Part 2 | 进阶版 具有一定的行业针对性，要求具备一定的分析常识，适合网站分析师，商业分析师以及数据产品经理。精通 Web Analytics 2.0 (豆瓣)：此书虽老，但其中很多思想和流量分析的案例仍然很有借鉴意义，现在纸质书只能上淘宝买旧书了。与此类似的有「网站分析实战 (豆瓣)」，是国内一本讲网站分析的书，没有上面经典，但胜在新出，很多案例和理念都有及时的更新。深入浅出统计学 (豆瓣)：Headfirst 类书籍，可以帮助你快速了解统计方面的知识。数据化管理：洞悉零售及电子商务运营 (豆瓣)：黄成明著，讲解在企业中应用数据的例子，读完受益匪浅，里面举的很多例子都很接地气。虽说偏向于零售业管理，但大道归一，可适用于很多行业，当时依据里面的理念规划了美团外卖面向 BD 的数据产品。MySQL 必知必会 (豆瓣)：这本也是我当年学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮 这个技能点。互联网增长的第一本数据分析手册：我司 GrowingIO 出的一本数据分析的增长手册（封面和目录见下图），为大家提供常见的分析手段讲解，如漏斗分析，同期群分析等等。可点击书籍名字在 GrowingIO 技术论坛中免费下载。Part 3 | 高阶版更高阶的数据相对来说专业性较强了，如涉及到企业内部数据治理，数据结合的业务分析，数据可视化等。当然，还有数据挖掘算法之类的更深入的东西，这块没有研究就不瞎推荐了。决战大数据 (豆瓣)：阿里巴巴前数据副总裁车品觉老师所著，讲解了阿里巴巴在企业内部治理数据过程中的心得，所讲“存-通-用”数据管理三板斧和“从数据化运营到运营数据”，字字珠玑，可堪借鉴。精益数据分析 (豆瓣)：此书优势在于将企业分成了几个大的行业类别，并分门别类的讲解了每个行业的商业模式特点及分析技巧，对使用者的分析能力要求较高，且必须具备相应的业务知识。The Wall Street Journal Guide to Information Graphics (豆瓣)，华尔街日报负责商业分析的人做的可视化指南，精华且实用，我之前在公众号上写过读书笔记「华尔街日报是这样做数据可视化的（1）」，可供大家参考。《数据仓库经典教程》：网上有人整理出来的资料，优点是简单明了，不像正常的数据仓库教材厚厚一本。本文作者陈新涛，GrowingIO - 硅谷新一代数据分析产品 产品经理。编辑于&知乎用户其实前面有回答提到过统计学习三大巨匠Trevor Hastie, Robert Tibshirani和Friedman《the elements of statistical learning》了，也提到了Trevor Hastie, Robert Tibshirani的13年的新书《An Introduction to Statistical Learning: with Application in R》,我觉得可以简单补充一些信息，希望可以帮到大家:-)对于看英文书觉得有理解困难的同学来说，《the elements of statistical learning》写得其实内容非常广泛，很多东西都是融合了作者深厚的统计学习理论功底，一般很难啃透，研究生阶段的其实能完全理解这本的不多，我会认为这本是博士阶段的人会受益更多，但是这本书在机器学习或者说数据挖掘这个领域，具有无可替代的地位，大概就是这个领域的定海神针一样的地位吧；书偏统计，不太适合计算机的同学；中文版是清华大学出版社的《统计学习基础》，这个嘛，不推荐，翻译得不好，很多术语和表述都不够"统计"，但是我认为能翻译巨作的，都是有贡献的。《An Introduction to Statistical Learning: with Application in R》这本呢，其实跟《the elements of statistical learning》的大部分内容是相同的，但是这本书的特点是起点更低，弱化了数学推导的细节，更加注重方法的应用，更加适合研究生阶段的、学计算机的和从业者；属于翻完就能上手的那种；《An Introduction to Statistical Learning: with Application in R》的中文版是机械工业出版社的《统计学习导论：基于R的应用》，15年6月份出来的新书，译者和原书作者都是在同一个领域搞研究的，可以说是同宗同源啦，水平也是相当高的；以前找我推荐书的，都被安利了这本；甚至还有书还没上市就被我安利的人...也有回答提到了吴喜之老师的《从数据到结论》，其实我会更加推荐吴喜之老师的另外一本《统计学：从概念到数据分析》，这本书搜索成本比《从数据到结论》要稍微高一点，吴老师一惯的风格，书特别薄，三言两语点透方法的精髓；而且也都有R代码；发布于 赵智投身数据挖掘， 希望把技术做的更有人味。 工具书没有绝对的好坏，关键是适合自己吸纳知识的方式，可以高效率的学习。思想性的和展示交流的应该多看看，因为很多做分析的不擅长将自己了解的东西告诉别人。编辑于&李慧产品设计师没有什么书是不得不读了建议看经典书，多看，经典的书要时常读，放在手边发布于 呢喃数据产品经理，专栏/datapm作者：呢喃链接：https:///p/22786565来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。问过我这个问题的人太多了，所以统一写篇文章回复下，所写的是看了很多遍的，看书的顺序建议可以按着我给的来。一、&&&&&&&&& 数据产品经理番外篇：在看这些书之前，我已经做过一年的产品助理，学习过用户体验、产品设计等知识，并且自己推动过几个版本上线。所以如果你是想要做数据产品经理的人，可以在看下面的数据书之前，先把产品经理的入门书看完。我当年看的是《ued火花集》、《结网》、《人人都是产品经理》，但是那是2010年，所以请酌情参考。二、&&&&&&&&& 入门篇1.&&&& 入门技术篇：对于初级员工，需要做的是掌握技术、思路、方法论，并且学习公司的业务知识，可以做出很漂亮、很商务的报告。a)&&&&&&& 比较经典的入门书，覆盖了一到两年的数据分析人员的大部分工作，包括excel技巧、可视化入门、数据分析方法、数据分析方法论、数据处理入门等，前两遍看的时候，会认真的学习里面的概念和技巧。b)&&&&&&& 每隔一段时间都会翻一遍，会有更深的理解。这本书基于excel，在工作中，excel是数据人员必须掌握的，所以我还买了两本excel的工具书。a)&&&&&&& 这个我当年看的已经很老了，现在要买直接去亚马逊搜评分比较高的就行，都差不多。a)&&&&&&& 这两本书都是讲统计学的，前者比较容易、有趣、浅，都是工作中的例子。b)&&&&&&& 后者比较专业，枯燥，只是比起专业教材来容易。c)&&&&&&& 各看过一遍，后来因为我的工作中用的少，就没看过了。2.&&&& 入门业务篇：a)&&&&&&&& 我认为学习和成长最快的方式之一，是去看各个数据软件的帮助和产品论坛，因为这些都是写给他们的客户的，所以通俗易懂，又有案例，又有分析思路，虽然不乏吹牛逼的，但是整体来说，比看书的效果要好。b)&&&&&&&& 生意参谋的论坛：c)&&&&&&&& 移动分析这块我个人认为淘宝做的是很不好的，所以可以看看友盟等，最新出的数据分析产品公司包括神策、growingio，官网上的文章也都很系统，写的很不错，集合了最近几年最新的行业智慧，非常推荐。a)&&&&&&& 这本书也比较推荐，对了解用户在网站上的行为，并如何做分析，都有一定的作用。b)&&&&&&& 不好的有两点：1、比较偏pc，而现在大部分公司的重点都转向了移动。2、有一些内容即使我看的时候，都觉得有点过时（2013年），因为国内当时的互联网已经表现出了很大的先进性，包括商业模式的创新等，但是这本书太过于经典的数据分析，即学习了GA的那套，对于国内的商业模式有点落后。c)&&&&&&& 不过经典就是经典，还是要看的。a)&&&&&&& 在上本书的基础上进阶，讲了不同的公司怎么样用数据搭建分析框架。我觉得这本书比较好的是，它能够讲不同的指标运用到现实时，会碰到什么困难，以及如何解决。b)&&&&&&& 可惜我2016年9月才读这本书，思维深度已经超过它了，所以觉得收获不大。但是对于工作一两年的人，感觉是非常有用的。三、&&&&&&&&& 高级篇：1.&&&& 概述：当你进入高级的时候，这个时候看书已经很之前有了很大的变化：1、& 并不是看单本书，而是学会快速的看书，因为每本书中可能只有几个模型或者几个点对你有借鉴，那么只精读那几处，速读其他部分。2、& 要有自己的理论框架，也就是学会业务建模；3、& 要看业务书，并且能够把业务书的知识，固化成可以量化、可以监控的数据模型，和流程模型；这个是高级别很重要的一点，因为要能够快速的切入一个领域，并且能够用数据找到可以优化的办法。4、& 每个人看的都不一样。所以我看的书纯粹是个人建议。2.&&&& 用户和整体框架：3.&&&& 商品管理的书：4.&&&& 大数据：5.&&&& 供应链：6.&&&& 专业书：这些比较专业，是每个产品的入门书，但是也仅限于入门。实际中的情况太复杂，就不是这篇文章能覆盖的。发布于 黄恩数据爱好者推荐一本《超级数字天才》http:///subject/3187204/里面基本上都是数据挖掘和数据分析的思想和思路，看过之后受益匪浅。发布于 匿名用户书在这里，看官[深入浅出数据分析（中文版）].(Michael Milton).李芳.扫描版.pdf[谁说菜鸟不会数据分析(.入门篇)].张文霖.全彩版.pdfData Analysis Using SQL and Excel.pdfGoogle Analytic经典分析.pdfR语言实战（中文完整版）.pdf吴喜之_统计学：从数据到结论(第2版).pdf数据之魅：基于开源工具的数据分析.pdf民生数据的真相.txt深入浅出数据分析--英文版Head_First_Data_Analysis.pdf深入浅出统计学（美）道恩?格里菲思.pdf统计学的世界（第五版）.pdf统计数据标准化方法.pdf统计与真理―发布于 丁利-199IT</，感谢大家的关注。199IT网站有一个读书频道，里面有一些数据分析、数据挖掘、消费者研究、新媒体类的图书。http://www.</archives/category/dataindustry/research-book发布于 浅川爱一不想当程序猿的经济研究僧不是好的文艺小清新我是初学者，我觉得那个深入浅出数据分析和深入浅出统计学都很赞！很值观！我还在学习中~发布于 咪总在污水厂干过，现在卖保险数据分析的基础是统计学。统计学的内容就那么点，为什么精通的不多？问题在于，是否能够能够真正理解统计学的内涵。举个例子，为什么在统计应用中，人们更加习惯使用平均数，而不是中位数，尽管他俩都是描述性统计量。我的理解是平均数的形成涉及到加法和除法，而中位数的形成只涉及到不等式符号。平均数的运算符比中位数的运算符更高级，这就导致了平均数对总体的描述信息量比中位数的描述信息量要更加大一些，故平均数的应用更加广泛一些，而中位数则出现在对总体信息量要求少一点的统计方法中，如秩和检验什么的。（值得注意的是，俺的这段分析相当民科，纯属一家之言，本段分析的漏洞在于，运算符的优先性是指在电脑中运行的优先顺序，在统计学中，并没有这样的说法，所以大家谨慎思考）数据分析的核心思想是什么，基本原理是什么，我觉得更为重要，是一些数据工具书难以提供的，需要去慢慢领悟的编辑于&
更多精彩 >>>