以上是关注我的一个读者的提问，说下个人看法，各位读者若是有什么更好的建议，欢迎留言区留言。
第一点，首先恭喜你是数学专业的。因为我们都知道，数学是一门自然科学，是一切工程学科的理论基础。如果你平时已经注重利用数学理论，去建模，去解决一些实际问题，那你的逻辑思维应该很强，而这恰恰是计算机科学最需要的，并且数学和计算机科学关系真的很紧密。所以你具备了学好数据分析的前置条件，这也是你的一个独特优势。
第二点，数据分析到底是干啥的？目前，大多数公司对这个岗位的实际要求是什么，我想这是一个大家都比较关心的问题。实话讲，我也没有对这个问题做过详细统计分析，只是根据自己所见所闻，说一下对此理解。首先，数据分析有狭隘的定义，也有一些广义的定义。
放眼目前的数据竞赛领域，数据分析的角色可定义为：分析数据原有的分布和内容，进而为特征工程环节提供支持。这就是一种 “微观” 意义上的数据分析定义。毕竟是竞赛，环境还是很理想的。
那么，企业里的数据分析岗也仅仅是比划比划数据分析和内容吗？大多数不是的。我不是数据岗，但是通过朋友那里了解到，他们的日常是去公司自己的大数据平台提数，一个稍微大点的公司，业务数据表多的让人眼花缭乱，光根据一个关键词，比如 order ，就能搜索出上百个业务表。这意味着什么呢？你就必须要对数据背后的业务背景、业务逻辑有一个清晰的了解，这些工作大多又是沟通类的，可能我们程序员们不太擅长沟通，但是这个步骤的确不能省。
接下来，当你知道需要根据哪些字段去串需要的表，根据哪些字段筛选过滤时，你可以动手写SQL了，所以SQL相关的知识，比如最重要的各个关键词的逻辑执行顺序要了解，这是不管哪门SQL都是通用的。如果你的目标是做挑战性的任务，建议你掌握一些：hiveSql + spark + 流式处理，这些都是大点公司处理大数据的必备技能。
当你拿到这些"第一手"的数据后，最重要的，你要知道你要用这些数据干啥？是要为了实现什么目的？比如分析数据是为了提升用户对某个产品的关注度，是为了拟合出一个更加合理的服务用户时长。抱着这些问题，做出假设，验证你的想法，再次修正假设，重复这个过程。
当然， 要区分结构化数据和非结构化数据，因为他们各自有各自的常用处理技巧。数据清洗，异常值、缺失值处理，等等工作，都是在这一步要解决的。
这些工作都搞定后，选一些合适的模型，从最基础的模型开始验证自己的假设，现在很多都是需要组成一个模型栈，或者模型融合，去实现更好的效果。可能每一步都要涉及到数据可视化技术，常用的包多多了解下。

第三点，如何增加项目经验？或者实战经验。可能在学校读书的还好，时间充裕，组个队，参加个比赛，大半个月就能混出一个"经验". 还能去找实习，每三个月换一个，毕业校招时，4，5个实习公司，写到简历上"很好看"。虽然我觉得这不是一种最好的方法，但的确有人这么做过。但是对于工作党，就没有类似的机会了，你做的工作可能目前只有和数据分析有一点关系，可能还得加班，那么项目经验从哪里来呢？ 利用周末时间，动手写写代码，搜索一些别人已经做过的项目，最好带有较为详细的分析过程和代码的那种。自己动手敲一遍代码，理解数据分析的整个过程，理解透一些基本概念。如果实在没时间，反正也工作了，可以报一个课程，用投资来换取时间。最后，祝你早日找上自己想做的工作。
关于数据分析的更多文章：

Python数据分析学习路线个人总结
Python从新手到大师，100天完整学习路线
Python与算法社区
长按二维码，关注我的公众号
继续阅读
阅读原文