关于Python数据分析，其实网上能够找到的学习资源很多，主要分为两类：
一类是提供各种资源的推荐，比如书单、教程、以及学习的先后顺序；
另一类是提供具体的学习内容，知识点或实际案例。
但很多繁琐而又杂乱的内容，除了给初学者增加理解和认识的噪音外，真正能够起到明确的方向指引导的，确实不多。
以至于很多人一开始没有明确的方向就一头扎进去，学了很久却不知道自己到底在学什么，或者自己学了很久不知道能够做什么。
学习一门技术之前，你应该知道，你想要达成的目标是什么样的。
也就是说，你想通过这门技术来解决哪些问题。你就可以知道要达成这样的目标，它的知识体系是怎么样的。
更重要一点的是，每个部分是用来解决哪些问题，只有明确的目标导向，学习最有用的那部分知识，才能避免无效信息降低学习效率。
对于数据分析这件事情，有很多的应用场景：
比如你需要进行调研，来了解市场的宏观情况，窥探竞争对手，做可行性分析……
比如你所在的工作部门产生了大量的数据，你需要考虑用这些数据来优化产品、营销、技术方案……
比如你需要对产品、业务、用户进行分析，挖掘出重要结论，给上级提出合理的决策建议……
通过这些常见的数据分析场景，你就可以获得数据分析项目的基本流程。
一般大致可以按**“数据获取-数据存储与提取-数据预处理-数据建模与分析-数据报告”**这样的步骤来实施一个数据分析项目。
按照这个流程，每个部分需要掌握的细分知识点如下：
高效的学习路径是什么？就是按这样的顺序循序渐进，你会知道每个部分需要完成的目标是什么，需要学习哪些知识点，哪些知识是暂时不必要的。
然后每学习一个部分，你就能够有一些实际的成果输出，有正向的反馈和成就感，你才会愿意花更多的时间投入进去。以解决问题为目标，效率自然不会低。
接下来我们分别从每一个部分展开，讲讲具体应该学什么、怎么学，以及各个部分主要的知识点进行结构化地展示，并有针对性地推荐学习资源。
如何获取数据
我们分析的数据一般有内部数据和外部数据两种。
内部数据是在我们的业务运转中产生，比如常见的用户数据、产品数据、销售数据、内容数据等等。
内部的数据相对来说更加完善、规整，我们经常要做的工作汇报、产品优化等分析数据一般来源于此。
可以找公司的技术人员索要，或者自己去数据库提取。
当然，很多时候，我们需要利用外部的数据。
比如进行市场调研，竞品分析，或者输出报告的时候，外部数据的分析是必不可少的，这也可以帮助我们得出更多的结论。
1. 公开数据源
UCI：加州大学欧文分校开放的经典数据集，真的很经典，被很多机器学习实验室采用。
http://archive.ics.uci.edu/ml/datasets.html
国家数据：数据来源于中国国家统计局，包含了我国经济民生等多个方面的数据。
http://data.stats.gov.cn/index.htm
CE
