数学不好、英语不好、非本专业，想学Python数据分析，能安排吗

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。

数据分析中有许多统计学的内容，但是不需要掌握多么高阶的统计学原理，只需要入门一些基础的统计学知识，有一个基础的统计概念即可，这样在后面接触数据分析的模型时也不会感到那么吃力。

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：

数据分析学习资源整理，请查收！

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。

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？

刚开始学时，翻译软件用起来呀，再不济咱们传统一点，翻字典也行。

既然有学习数据分析的心，就别给自己设限。

Just do it！

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。

以社交APP为例，优秀的运营能够对过往流失用户进行特征分析，归类特点：

（1）在流失的用户里有40%的用户没有完善资料；

（2）流失用户里有30%没有选择兴趣圈子；

（3）新注册用户没有导入通讯录好友的流失率比导入的高24%

（4）新注册用户前2个月最容易流失，流失率高达52%

通过特征分析，可以得到更为准确的流失概率预测，对于不同活跃度的用户，有针对性地采取策略：

（1）用户注册后提供新手引导，提醒完善资料；

（2）完善用户资料后，提供兴趣圈子选择，根据兴趣推荐优质内容、可加入的群组、关注大V用户等等；

（3）完善资料后引入好友推荐，确定是否开启读取通讯录好友权限，如果用户选择不开启权限，有没有替补措施，比如推荐APP上有相似兴趣的用户；

（4）对于这部分处于产品适应期的新增用户，采取用户召回手段：

① 增加接触：短信通知，在用户注册时发出是否开通短信通知权限请求，对于已同意的用户，在用户距上次登录时间达到14天时发送短信，在达到30天时再次发送短信；增加登录提示，系统记录用户距离上次登录的时间，在用户再次登录后弹出欢迎语，增加用户和APP的情感连接。

② 增加体验：除了根据用户的兴趣标签进行内容、活动等推荐，还可以基于老用户的行为习惯分析，掌握用户行为趋势和偏好，对新用户提供（也可以包含老用户）“猜你喜欢”，增加用户体验；定期发起APP用户调查；对于登录次数/活动参与次数（指标根据策略需要制定），赠送免费活动票/活动优惠券等，增加吸引力和参与度。

……

结合数据分析，你的运营水平又上了两个层次，这也是为什么现在那么多企业推崇『数据化运营』的原因，懂得解读数据，能提升运营水平，找到业务增长的路径。

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。

比如运营需要对用户分群，找出不同群体对应的价值。结合RFM模型，选取关键的几个数据指标，利用K-Means聚类对客户进行分群，结合业务对每个客户群进行特征分析，识别各个客户群体的不同价值，制定相应的营销策略，提供个性化的产品和服务。

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。

将挑战看成跳板，超越挑战，你能跳得更远。

业务人员学数据分析的不便

• 工作忙，时间少，连计划都不知道怎么制定；

• 止步于编程软件安装的技术小白，寸步难行；

• 学习内在驱动力不足，缺乏自律性，容易放弃；

• 学习内容松散，感觉没有深入学习，止步于实操；

• 一个人学不下去，总感觉自己摸索到的答案是错的。

针对每一位自学数据分析困难户，未明学院精心打造了Python编程入门+数据分析课程， 课程的优势在于：

1.系统的知识体系，循序渐进的学习节奏

目标人群：“工作忙，时间少，连计划都不知道怎么制定。”

拥有丰富业务+教学经验的专业导师设计课程大纲，课程设计科学合理，循序渐进的学习节奏，适合零基础入门数据分析人群。在线录播的形式，自由把握学习进度和学习时间。

2．在线编程，无需安装软件和配置环境

目标人群：“止步于编程软件安装的技术小白，寸步难行。”

课程提供在线编程，不需要额外安装软件和配置环境，降低学习难度。

3.闯关式学习，将学习拆分成碎片，像玩拼图一样组建知识体系

目标人群：“学习内在驱动力不足，缺乏自律性，容易放弃。”

将“大拼图”一样的知识体系拆分成了一块一块小知识点，每闯过一关，你的知识体系拼图就更完整了。

如果以平均每天一关，40分钟的节奏学习，正常2个月就可以学完。考虑到有些小伙伴日常还有其他工作或学习安排，我们特别将老师答疑指导时间放宽到6个月，并且课程永久可看，方便日后复习！

4.通关测试+代码实操练习，课后作业巩固，理论实践双结合；

目标人群：“学习内容松散，感觉没有深入学习，止步于实操。”

九大示范项目贯穿全程，每个关卡采用通关测试+代码实操练习，还用担心学习不够深入，止步于实操吗？

5.老师全程陪伴+社群打卡监督，让学习不迷茫！

目标人群：“一个人学不下去，总感觉自己摸索到的答案是错的。”

不懂的问题都可以问老师，老师会及时在线答疑。还可以把学习心得分享在群里，再也不用担心你的同龄人在学习时，而你在迷茫的问题！