做过一点统计模型，做过一点数据分析，如今工作名字叫数据科学家，厚着脸皮抛砖引玉，聊聊数据分析中须要养成的优胜习惯。

1. 懂得数据分析的目标/需求

做数据分析的新人可能都碰到过，辛辛苦苦花了几个小时髦出来的结不雅，跟客户 / 合作伙伴 / PM / 老板要的不是一个器械，命运运限好的话归去修补一下，花个半小时之类的，命运运限不好的话直接推倒重来，搞不好又得晚上加班了。

比如说下昼六点，正预备整顿器械回家，PM 跟你说想看知乎用户的活泼度，跟数据分析师提出需求说，我们来看看大年夜家应用时长吧。那么问题来了，是看平均呢照样看中位数?是看某一种客户端比如移动端吗，或者是想每种客户端都分开来看?要根据用户的注册时光来做下划分吗?是否想看具体某个城市的?

甚至再退后一步，PM 想看这个干什么?仅仅是好奇，照样如今有个很重要的决定须要以此为基本?数据分析师须要以词攀来决定则件工作的优先级，是可以推归去的呢?照样说须要立马着手髦棘下班之前就须要给结不雅的。

二十岁的人生，三十年的工作经验，都是加班闹的。  

描述性的数据据分析很重要，是懂得用户，懂得产品，感触感染大年夜偏向的基本。比如针对知乎活泼用户做个画像，发明 55% 男性，40% 女性(别问我剩下 5% 怎么回事)，70% 年薪百万，80% 985/211，90% 健身，100% 都是活泼用户(废话)，如斯各种。这么一大年夜堆图表、信息堆起来之后，须要细心想想这到底说清楚明了什愦问题?对改进产品有什么启发，比如说开个健身爆照专栏轮带逛?如不雅仅仅是逗留在描述性数据分析阶段的话，那么就无法发挥数据的最大年夜感化，大年夜数据的角度引导产品的改进。

2. 用常识来验证结不雅

固然说数据措辞，然则前提是数据来源、分析过程、解读等都是精确的。若何包管结不雅的┞俘确性，最根本的一点就是不合方面来快速验证一下数量级。

时?诀记常识

3. 时刻留意数据分析的结不雅是否具有误导性

比如说 PM 想看知乎用户应用 Live 的数量，发明迄今为止有 50 万 iPhone 用户点击了 Live 的页面，2 万安卓用户点击了 Live 的页面。同时还知道知乎有五百万 iPhone 日活，而安卓的日活是三切切，由此可见 iPhone 用户就是舍得花钱啊，同时安卓用户那边还有很大年夜的机会。然后简单比较一下可以发明，二者的介入率差了 150 倍，常识断定这差得有点太大年夜了，难以解释。再细心研究一下数据来源发明，本来安卓客户端的数据记录是取样 1% 的，所以直接看只有 2 万安卓用户点击，但实际上应当在两百万阁下，如许一来 iPhone 和安卓的差别就比较合理了。

经常说的一句话叫“数据会撒谎”。然后数据自身是不会撒谎的，而是取决于若何做数据分析、若何展示结不雅。有时刻是数据分析无意中惹人了误导性元素，比如说不合理的坐标轴，有时刻是克意惹人某些误导性元素，以达到特其余目标，这些都是应当尽量避免的。

比如说下图同样的增幅，因为用了不合的 y 轴，阁下看起来就完全不一样了。如不雅听众没有细心看坐标轴而仅仅看图形的话，妥妥的就被忽悠了。  

此外还有一些数据分析中常见的缺点，可以参考下面文┞仿：

数据分析中会常犯哪些缺点，若何解决?

4. 想想你的听众是谁

数据很多时刻不仅仅是一小我专一苦干，还须要跟人交换，比如说跟合作伙伴的沟通，跟老板的沟通，跟其他组员的沟通，跟不合部分的人沟通。针对不合的听众，响应的须要强调不合方面。

比如说跟合作伙伴沟通的时刻，可能他们知道你做这个的目标是什么，可能会对结不雅更感兴趣，以及由数据供给了什么建议或者决定。至于具体数据来源或者分析办法之类对他们来说不是那么重要，大年夜多半时刻只要确保数据分析师知道本身在做什么就可以了。

跟老板沟通结不雅的时刻，大年夜部分时刻可能他们知道你做的大年夜致偏向，对分析思路的办法根本一点就通，细节方面可能无法面面俱到。

而跟不合部分的人沟通的时刻，分享数据分析的结不雅之前，最好还能讲讲这件工作的目标，一些背景，大年夜偏向是什么诸如斯类。

5. 着手之前先看看这件工作是不是已经有人做过了

这点在大年夜一点的公司尤其明显，PM 或者老板提出一个需求，或者数据分析师本身对某一个问题感兴趣，然后想也没想，就 SQL 写得飞快跑了起来。很快一天以前了，产出了一大年夜堆数据和报表，被本身的高效冲动了，整顿书包回家。

晚上打开电脑，忽然不知道哪根经搭错了，想日间做的┞封个工作会不会已经有人做过了呢?于是内网搜了一下，豁然发明某个角落里有一堆早就做好的 pipeline，数据、报表一应俱全，90% 想要的结不雅都在琅绫擎了，真是不知道该哭照样想笑。

数据分析很多时刻是不须要从新造轮子的。

6. 数据大年夜小很重要又不重要

几年前，有个大年夜数据的笑话，Big data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it. 看不懂的请 google translate.

　　推荐阅读

　　Hive、MapReduce、Spark分布式生成唯一数值型ID

在实际营业场景下，经常会碰到在Hive、MapReduce、Spark中须要生成独一的数值型ID。一般常用的做法有：MapReduce中应用1个Reduce来生成;Hive中应用row_number分析函数来生成，其实也是1个>>>详细阅读

本文标题：数据科学家 / 统计学家应该养成哪些好习惯？

地址：http://www.17bianji.com/lsqh/34745.html

 1/2    1