数据分析:应用技能、思维框架与行业洞悉

第1章 寻找数据分析的本质 1.1 什么是数据 1.1.1 抽象性 1.1.2 可复制性 1.1.3 可理解性 1.1.4 掌握行业中的数据概念 1.2 有多少分析就有多少数据 1.2.1 从能源角度看技术和知识 1.2.2 数据是能源，分析是知识 1.3 数据分析行业人才缺口 1.3.1 数据分析的金字塔模型 1.3.2 数据分析行业现状 1.3.3 数据分析行业的薪资水平 1.4 数据分析师的就业方向 1.4.1 数据清洗师 1.4.2 统计分析师 1.4.3 数据可视化工程师 1.4.4 商业智能专家 1.4.5 大数据与人工智能专家 1.4.6 数据分析项目经理 1.4.7 正确匹配兴趣、能力与职业 第2章 追寻数据分析的大历史与大未来 2.1 计算机之前的数据分析 2.1.1 *大的数据集：宇宙 2.1.2 历史上的数据记录 2.1.3 没有电的“互联网” 2.2 搭上计算机的翅膀 2.2.1 为数据分析而生的电脑 2.2.2 硬件暴涨的时代 2.2.3 硬件发展推动软件性能增长 2.3 言必称大数据和人工智能的时代 2.3.1 大数据与人工智能行业 2.3.2 大数据究竟有多大 2.3.3 人工智能有多智能 第3章 数据-信息-知识的认知模型 3.1 认知模型与心智模式 3.1.1 什么是认知模型 3.1.2 什么是心智模式 3.1.3 建立优秀的心智模式 3.2 归纳、演绎和类比法 3.2.1 归纳法——从特殊到一般的推理方式 3.2.2 演绎法——认识世界*稳定的方法 3.2.3 类比法——不可忽视的推理方法 3.3 信息论入门 3.3.1 为什么信息可以被量化 3.3.2 无处不在的熵和比特 3.3.3 难以消除的噪声 3.3.4 从信息论看数据分析 3.4 数据分析的目的 3.4.1 从数据到信息 3.4.2 从信息到知识 3.4.3 用知识作出决策 第4章 选择正确的数据分析工具 4.1 Excel——*简单的工具暗藏玄机 4.1.1 微软的Excel苹果系统上的软件 4.1.2 使用Excel进行简单的数据处理 4.1.3 数据透视表Excel*强大的工具 4.1.4 使用Excel进行数据分析的行业 4.2 R语言——为统计分析而生的语言 4.2.1 出身平凡的R语言 4.2.2 R语言的基本操作 4.2.3 R语言强大的包 4.3 Python——人生苦短，我选Python 4.3.1 一位天才所创造的神奇语言 4.3.2 具有多副“面孔”的Python 413.3 Pvthon数据分析的现状与未来 4.4 SAS——特定行业应用的分析工具 4.4.1 SAS的版本与安装 4.4.2 SAS的应用行业 4.5 Tableau——数据可视化的好帮手 4.5.1 Tableau的历史、特色、安装与使用 4.5.2 生成可视化结果 4.5.3 成为一名终身学习的数据艺术家 4.6 正确选择数据分析工具 4.6.1 学习曲线 4.6.2 不同数据分析工具的学习曲线 4.6.3 从职业需求选择一门技术 第5章 不可不做的数据前处理 5.1 缺失值——*常见的数据问题 5.1.1 为什么会有缺失值 5.1.2 缺失值的分类 5.1.3 缺失值的填补方法 5.2 异常值——完美的数据并不存在 5.2.1 发现异常值 5.2.2 处理异常值 5.3 不一致性——难以发现的数据错误 5.3.1 横向对比找出不一致性 5.3.2 隐藏得更深的不一致性 5.3.3 解决不一致性 第6章 统计分析的重要性 6.1 暗藏玄机的描述统计 6.1.1 平均值——*简单的统计量 6.1.2 对比平均值和中位数 6.1.3 更多常用统计量 6.2 常见的数据分布形式 6.2.1 为什么数据分布这么重要 6.2.2 均匀分布 6.2.3 二项分布 6.2.4 几何分布与超几何分布 6.2.5 正态分布 6.2.6 为什么要学习数据分布 6.3 回归分析 6.3.1 回归的起源 6.3.2 线性回归 6.3.3 残差分析 6.3.4 其他的回归分析 6.4 相关性分析 6.4.1 相关关系与因果关系 6.4.2 相关系数 6.4.3 相关性分析有什么用 6.5 其他分析方法 6.5.1 生存分析 6.5.2 聚类分析 6.5.3 方差分析 6.5.4 更多的统计分析 第7章 一劳永逸的数据分析自动化 7.1 经常被忽视的自动化 7.1.1 潜移默化的自动化 7.1.2 自动化的三个层次 7.1.3 自动化的成本与收益 7.2 数据标准化——自动化过程的先导 7.2.1 Normalization——消除量纲的影响 7.2.2 Standardization——让不同的数据说相同的话 7.2.3 数据标准化的成功案例 7.3 一劳永逸中的“劳”和“逸” 7.3.1 自动化系统的“劳” 7.3.2 自动化系统的“久”有多久 7.3.3 数据分析的外包 第8章 数据可视化并不简单 8.1 数据可视化的各种形式 8.1.1 柱状图 8.1.2 饼状图 8.1.3 折线图 8.1.4 雷达图 8.1.5 数据可视化的综合表现形式 8.2 数据可视化的过程 8.2.1 充分理解数据的意义 8.2.2 时序数据的可视化 8.2.3 地理数据的可视化 8.2.4 分类数据的可视化 8.2.5 从现实到概念世界的过程 8.3 可视化中的平衡 8.3.1 数据颗粒度与可视化清晰度 8.3.2 信息量与简洁度 8.3.3 异常值的处理 8.4 避免数据可视化的误区 8.4.1 为读者进行数据可视化 8.4.2 不要为了可视化而可视化 8.4.3 理解成本过高的可视化设计 8.4.4 可视化说明必不可少 第9章 了解数据分析的行业场景 9.1 影响各行各业的数据 9.1.1 数据是一切问题的解决方案吗 9.1.2 从电子商务看数据的应用 9.1.3 数据成本与数据收益 9.2 医药行业——古老的行业插上现代的翅膀 9.2.1 电子化医疗数据 9.2.2 让药物更快上市 9.2.3 医药数据标准化与人才需求 9.2.4 重新理解大健康产业 9.3 金融行业——数据驱动的博弈场 9.3.1 你所不知道的市场 9.3.2 从感性到理性 9.3.3 数据分析行业的明珠——宽客 9.4 制造业——设数据赋能的新型制造 9.4.1 内卷化是万用理论吗 9.4.2 数据加持下的工厂 9.4.3 人工智能在生产中的应用 9.4.4 制造业更远的未来 9.5 零售业——新零售究竟新在哪里 9.5.1 零售业的革命历史 9.5.2 从多到少的变化 9.5.3 反过来的思维模式 9.5.4 数据——新零售的血液 第10章 从0开始进入数据分析行业 10.1 找好网络时代的资源平台 10.1.1 网络学习平台 10.1.2 社区沟通平台 10.1.3 求职信息平台 10.1.4 社会关系很重要 10.2 准备好求职简历与面试 10.2.1 好的简历长什么样 10.2.2 面试——真的让人那么头疼吗 10.3 选择一家正确的公司 10.3.1 **步，完全确定自己的行业 10.3.2 城市，真的很重要 10.3.3 公司规模的大与小 10.3.4 其他考量因素 10.4 工作环境中的底线和规则 10.4.1 潜规则，不是暗规则 10.4.2 数据分析行业的铁律 10.4.3 对职场陋习说“不” 第11章 数据分析师应有的思维框架 11.1 程序思维vs项目思维 11.1.1 什么是程序思维和项目思维 11.1.2 程序思维与项目思维孰高孰低 11.1.3 从程序思维到项目思维 11.2 平衡数据安全的得与失 11.2.1 不出错和不被偷 11.2.2 越来越昂贵的成本 11.2.3 数据安全的威胁和防护技术 11.2.4 数据安全中的平衡 11.3 六顶帽思维模型 11.3.1 白色帽：公正与客观 11.3.2 红色帽：激情与情感 11.3.3 黑色帽：必要的压力与警惕性 11.3.4 黄色帽：乐观与正面的期待 11.3.5 绿色帽：不同的想法，可能的新结果 11.3.6 蓝色帽：控制与组织 11.4 数据分析“士”型人才模型 11.4.1 “1”型人才、“一”型人才和“T”型人才 11.4.2 “十”型人才的诞生 11.4.3 “士”型人才，更进一步