python製作桑基圖教程

A. python 的中文諧音是什麼

Python =派上(美國發音)
Python =派份(英國發音)

B. 求問Python中IndexError: list index out of range怎麼解決只能寫入9個網路爬取的數據

Traceback (most recent call last):
File "D:\Program Files (x86)\JetBrains\PyCharm Ecational Edition 1.0.1\helpers\pydev\pydev_run_in_console.py", line 66, in <mole>
globals = run_file(file, None, None)
File "D:\Program Files (x86)\JetBrains\PyCharm Ecational Edition 1.0.1\helpers\pydev\pydev_run_in_console.py", line 28, in run_file
pydev_imports.execfile(file, globals, locals) # execute the script
File "D:/python/xpth/xpathPractice.py", line 51, in <mole>
results = pool.map(spider, page)
File "D:\anzhuang\Anaconda\lib\multiprocessing\pool.py", line 251, in map
return self.map_async(func, iterable, chunksize).get()
File "D:\anzhuang\Anaconda\lib\multiprocessing\pool.py", line 558, in get
raise self._value
IndexError: list index out of

出現如上所示的錯誤：
IndexError 下標索引超出序列邊界，比如當x只有三個元素，卻試圖訪問x[5]

C. 製作桑基圖可以用什麼數據工具

一、桑基圖的圖表要求是2個維度和1個數值，比如這里選擇的維度：日期&購買狀態，數值：用戶ID；

二、桑基圖操作步驟

1、在「工作表」頁面上傳需要分析的工作表數據，或者直接選用資料庫或第三方平台的文件數據，在需要分析的工作表數據右上方點擊「新建圖表」；只要想要BDP進行分析，這步操作都少不了哦，了，就不多廢話啦~

D. 有什麼數據工具可以製作桑基圖

DataHunter的Data Analytics

桑基圖的適用場景？

作為一種特定類型的流程圖，圖中延伸的分支的寬度對應數據流量的大小。在互聯網領域，桑基圖主要用於用戶流量等數據可視化分析，一個非常典型的場景是電商分析客戶從進入商品詳情、加入購物車、下單、付款、收貨流程的數據流量。除此之外，桑基圖在銷售、財務等領域也有應用。

如何快速製作桑基圖？

場景還原：某公司銷售主管想查看09年-12年之間，銷售額與運輸方式、銷售區域等之間的具體關系。

如果藉助散點圖，則只能查看相關性卻看不出銷售額的具體流動；

如果藉助雙軸圖等，則在展現維度上會受到限制；

綜合考慮，最終決定使用桑基圖來展現銷售額與各種維度之間的流動關系。

1、數據准備：將Demo數據通過工作表上傳到Data Analytics

最後提醒大家，桑基圖是特定場景下呈現流量關系與結構對比所使用的，不要因為這種圖表很炫酷就亂用哦，數據可視化的要義很重要的一條就是，適當的場景使用合適的圖表。

E. 跪求E sankey(桑基圖製作軟體) V5.1.2.1 免費版軟體百度雲資源

Esankey(桑基圖製作軟體)V5.1.2.1免費版網路網盤免費下載

鏈接: https://pan..com/s/1rGkVNntNOLt07tXoXwtBCQ

軟體名稱:Esankey(桑基圖製作軟體)V5.1.2.1免費版

語言:簡體中文

大小:141.13MB

類別:圖形圖像

介紹:桑基圖是一種特定類型的流程圖，製作過程有些麻煩，因此這里就為大家介紹esankey這款軟體，可以幫助我們快速完成桑基圖的製作，通過桑基圖讓你的工作變得清晰有條理，大大提高你的工作效率。

F. 常用的數據可視化軟體有哪些

數據可視化工具：

• PowerBI

Microsoft PowerBI同時提供本地和雲服務。它最初是作為Excel插件引入的，不久PowerBI憑借其強大的功能開始普及。目前，它被視為商業分析領域的軟體領導者。它提供了數據可視化和bi功能，使用戶可以輕松地以更低的成本實現快速，明智的決策，用戶可協作並共享自定義的儀錶板和互動式報告。

• Solver

Solver是一家專業的企業績效管理(CPM)軟體公司。Solver致力於通過獲取可提升公司盈利能力的所有數據源來提供世界一流的財務報告、預算方案和財務分析。其軟體BI360可用於雲計算和本地部署，它專注於四個關鍵的分析領域，包括財務報告、預算、儀錶板和數據倉庫。

• Qlik

Qlik是一種自助式數據分析和可視化工具。它具有可視化儀錶板，可簡化數據分析，並幫助公司快速制定業務決策。

• Tableau Public

Tableau 是一個互動式數據可視化工具。不像大多數可視化工具那樣需要編寫腳本，Tableau的簡便性可以幫助新手降低使用難度。只需托拉拽的簡單操作使數據分析輕松完成。他們也有一個「新手入門工具包」和豐富的培訓資料，可幫助用戶創建創更多的分析報告。

• 谷歌Fusion Tables

Fusion Table 是谷歌提供的數據管理平台。你可以使用它來做數據收集、數據可視化和數據共享。他就像電子數據表，但功能更強大更專業。你可以通過添加CSV、KML和電子表格中的數據集和同事共享資料。你還可以發布數據資料並將其嵌入到其他網頁屬性中。

• Infogram

Infogram是一種直觀的可視化工具，可幫助你創建精美的信息圖表和報告。它提供了超過35個互動式圖表和500多個地圖，幫助你可視化數據。除了各種各樣的圖表，還有柱狀圖、條形圖、餅圖或詞雲等，它用創新的信息圖表給你留下深刻印象。

G. 數據可視化通過哪些方式讓數據展現的更直觀

數據可視化的一般流程
首先我們需要對我們現有的數據進行分析，得出自己的結論，明確要表達的信息和主題(即你通過圖表要說明什麼問題)。然後根據這個目的在現有的或你知道的圖表信息庫中選擇能夠滿足你目標的圖表。最後開始動手製作圖表，並對圖表進行美化、檢查，直至最後圖表完成。
這里我們容易犯的一個錯誤是：先設想要達到的可視化效果，然後在去尋找相應的數據。這樣經常會造成：「現有的數據不能夠做出事先設想的可視化效果，或者是想要製作理想的圖表需要獲取更多的數據。」這樣的誤區。
常用的可視化工具
1、Microsoft Excel
對於這個軟體大家應該並不陌生，對於一般的可視化這個軟體完全足矣，但是對於一些數據量較大的數據則不太適合。
2、Google Spreadsheets
Google Spreadsheets是基於Web的應用程序，它允許使用者創建、更新和修改表格並在線實時分享數據。基於Ajax的程序和微軟的Excel和CSV(逗號分隔值)文件是兼容的。表格也可以以超文本鏈接標記語言(HTML)的格式保存。
3、Tableau Software
Tableau Software現在比較受大家的歡迎，既可以超越Excel做一些稍微復雜的數據分析，又不用像R、Python那種編程語言進行可視化那麼復雜。好多人都有推薦這款軟體。
4、一些需要編程性語言的工具
R語言、JavaScript、HTML、SVG、CSS、Processing、Python。這里主要是列舉一下有哪些編程語言可以實現可視化，具體如何實現需要讀者自行學習。

H. python里的input怎麼截取部分信息呀

info = input('Please input something:\n')for x in info: if x.isdigit(): print x 注意，我用的python3.3.5，沒有raw_input，如果你用的python版本支持raw_input，可以把input換成raw_input. 希望能幫到你，有疑問請追問！

I. 深入淺出丨帶你看懂數據可視化「美」的歷程

深入淺出丨帶你看懂數據可視化「美」的歷程
古人說：「人不可貌相」，但從古至今，人類卻是一群感性動物，容易受到外在表象影響，先感性才理性。
《韓非子》里提到，春秋末期魯國人澹臺滅明，天生異像，「額低口窄，鼻樑低矮，不具大器形貌」，拜孔子為師，孔子沒有拒絕，但對他不上心，愛答不理，讓他坐冷板凳。於是，他毅然決然地離開孔子，自學成才，獨辟蹊徑，游歷講學，積極傳播儒家學說，並培養出很多人才，深受老百姓愛戴。孔子聽聞他的事跡之後，幡然醒悟。
在今天，好看這件事也一樣是很重要的。「顏值即正義」，長得好看的人，似乎更容易受到歡迎和優待。
但古人也說過：「相由心生」，從一個人的外表和精神狀態可以大概知道這個人的內在狀況，相反，一個人的內心思想狀態，也會投射到形象外表。
因此，我們要注重自身內在涵養的健康發展，也要學會對外在美的表達與審視。
同樣地，好的設計也應該是兼具內容與形式。
信息時代讓人們的生活節奏加快，人們每一天都變得匆忙，時間被碎片化，甚至沒有多少時間完整看完一段文字。文字的力量是有限的。只有藉助可視化，信息才能高效地傳播。
數據可視化是數據領域一個重要的分支，目的是「讓數據說話」，展現數據之美。好的圖表會說話，好的圖表可以抓住用戶的心。
一、歷史篇：人類對世界的認知與表達從圖畫開始
研究發現，人腦處理圖片信息是同步進行的，而處理文字信息則是一步一步循序漸進的，而且一篇文字下來，大部分人只記住了其中的20%；人在看報紙時，99%的文字信息會自動被過濾掉，腦子里只殘留了可憐的1%；人腦處理圖片的速度是處理文字的6000倍。也就是說，如果一篇6000字的文章需要10分鍾看完，而壓縮成一張圖片則只需要10/6000分鍾的時間。
圖片可以表達的內容要比文字更豐富，同時也可以給人留下很大的想像空間 ，可以體現真實性（有圖有真相），可以讓人賞心悅目。
其實，在遠古時期，我們遙遠的祖先——智人就已經學會畫畫，基於自己對周邊生活環境的認知，將人、鳥、獸、草、木等事物以及狩獵、耕種、出行、征戰、搏鬥、祭祀甚至男女交媾等日常活動刻畫在岩石上、石壁上、洞穴里......到目前為止，歐洲、亞洲、美洲、大洋洲的70多個國家150多個地區發現岩畫遺址，而僅非洲和澳洲少數族群目前還存有岩畫製作的傳統，例如著名的岩畫遺址拉斯科洞窟壁畫、阿爾塔米拉洞窟壁畫、大麥地岩畫、拉文特岩畫、平圖拉斯河手洞壁畫、非洲大象岩刻、將軍崖岩畫等。
岩畫學家埃馬努埃爾·阿納蒂在《世界岩畫：原初語言》一書中提到：隨著智人技術水平的提高、抽象和感知能力的增強，促使了復雜語言和藝術的產生，而岩畫正是這種語言的一種記錄形式；目前所知的70%岩畫都是狩獵採集社會的作品，剩餘30%是游牧和農耕時期的作品，在這些岩畫的結構中存在著共同的記憶和普遍性的認知模式。岩畫是象形文字，是無文字時代的寫作，是人類隱沒記憶的見證。
可見，人類對世界的認知與表達是從圖畫開始的。

圖1. 遠古時代的岩畫
人類造出文字之前，還經歷過「結繩記事」、「圖畫記事」等階段。
但隨著社會的發展，人類發生了「農業革命」，不再單純依靠狩獵為生，製造和使用工具更加嫻熟，剩餘產品逐漸增加，社會組織逐步成熟。這時，社會組織不斷產生大量的信息，除法令條紋外，還必須記錄各種交易、稅收、商品庫存、節假日以及打勝仗的日期等。在此之前，人類雖然可以利用圖畫記事，但更多的還是用自己的大腦記錄信息。隨著信息的大量產生，容易產生記憶過載，於是就有了文字。
象形文字是由原始的圖畫發展而來的。由於社會的發展，加上圖畫效率低，難以滿足社會化需求，於是人們逐漸從圖畫中抽離出一個個元素，形成象形文字。象形文字是一種最原始的造字方法，純粹利用圖形來作文字使用，而這些文字又與所代表的東西在形狀上很相像，圖畫性質減弱，象徵性質增強。蘇美爾楔形文字、甲骨文、古埃及象形文字、瑪雅文字都是獨立地從原始社會最簡單的圖畫和花紋產生出來的。
但象形文字也有很大的局限性，因為有些實體事物和抽象事物是畫不出來的，而且寫起來很慢又難讀懂。

圖2. 世界四大古文字
隨著社會的進一步發展，文字也得到了很大的發展，在象形文字的基礎上逐步分化出「表音」和「表意」兩種文字。文字是用來記錄和傳播語言的，而記錄和傳播只有兩種途徑，或「表音」，或「表意」。就漢字來說，其發展脈絡大致是：結繩記事—圖畫文字—象形文字—形意文字—意音文字。
社會的發展，推動了文字的發展，使得人們在對事物的表達上可以更加豐富多樣，可以指事、象形、形聲、會意、轉注、假借。人們對世界的認知和表達在廣度和深度上也都有了很大的延伸。反過來，由於更多樣化的文字，人們能夠更加准確、生動、深刻、靈活地記錄下所見所聞和所思所想，加快了知識的傳播與傳承，推動了社會的大發展。
文字即使再豐富，也有難以突破的局限性。文字需要理解，不能一目瞭然，對抽象事物及個體的表達，還不夠形象、到位。因此，在出現文字之後的時代，許多文獻就以圖文結合的形式流傳下來。例如，在1912年發現的伏尼契手稿中，字母和語言至今無人破解，但其中的植物、天體出浴美女等許多圖片，甚至出現了構造精緻的精美圖案，一目瞭然，讓人驚嘆。

圖3. 伏尼契手稿
二、發展篇：進入了「百花齊放、百家爭鳴」的時代
計算機出現之前，人們已經能夠靈活地運用柱形圖、線圖、餅圖等基本圖表來展示數據，而且也衍生了很多新型、創意的數據圖表。
大家應該都知道南丁格爾（國際上以她的生日命名了護士節），但很多人應該不知道南丁格爾玫瑰圖（下圖）就是她創造的。在克里米亞戰爭期間，南丁格爾通過搜集數據，發現很多死亡原因並非是「戰死沙場」，而是在戰場外感染疾病，或是在戰場上受傷，卻沒有得到適當的護理而致死。為了解釋這個原因，降低英國士兵死亡率，她畫了這個著名的圖表，於1858年遞交到維多利亞女王手中。(這么漂亮的圖表，想必女王一定很受感動)

圖4. 南丁格爾玫瑰圖
世界著名的繪圖大師米納德，開創了許多重要的主題繪圖技巧，改良了其他技術。他是首個把餅圖和地圖結合在一起的人，並將流線放入地圖中。以下圖表是米納德最廣為人知的作品，被EdwardTufte認為是史上最傑出的統計圖。它描繪了拿破崙的軍隊自離開波蘭－俄羅斯邊界後軍力損失的狀況，在一張圖中通過兩個維度呈現了六種維度信息：拿破崙軍隊人數、行軍距離、溫度、經緯度、移動方向以及時間－地域關系。

圖5. 拿破崙行軍圖
計算機出現後，特別是互聯網的興起，人類社會以「摩爾定律」的速度，進入一個全新的時代，科學技術也得到了前所未有的革新與發展，同時也給人們帶來了很多新思維。
技術的進步，讓我們能夠採集到比以前多得多的信息，數據規模不斷成指數量級的增長，數據的內容和類型也比以前要豐富得多，改變了人們分析和研究世界的方式，也給人們提供了新的可視化素材，推動了數據可視化領域的發展。
與以前相比，數據可視化領域發生了很多的變化，得到了很大的發展。
1. 可視化的表現形式和場景更豐富
在當今信息時代，信息出現了「泛濫」與「過載」，人們每天都受到各種信息的「轟炸」。當我們打開網頁或手機APP時，首先進入我們視野的就是各種彈出的廣告信息。這些信息從內容到形式，都經過了精心設計。我們走在大街上，映入我們眼球的則是滿大街的廣告海報，還時常有人站在街邊向路人派發傳單。我們不僅僅只從書上看到了可視化的圖表，還從海報、信息圖、PPT、數據產品、大屏等獲取到了大量的可視化信息。

圖6. 可視化的表現形式
2. 可視化展現方式更多樣和靈活
數據圖表是最常用的可視化元素。除柱形圖、條形圖、餅圖、環形圖、線圖、散點圖、面積圖、雷達圖、K線圖、地圖等基本圖表外，現在也出現了更多新式的圖表，如山峰圖、雷達圖、氣泡圖、熱力圖、漏斗圖、樹圖、箱形圖、瀑布圖、河流圖、詞雲圖、儀表盤、南丁格爾玫瑰圖、旭日圖、和弦圖、桑基圖、3D圖，等等。另外，智慧的人們也常常創意性地將各種圖表混搭，例如下圖，地圖和餅圖、散點圖、柱形圖等搭配使用。

圖7. 各種圖表的混搭
除圖表外，對圖片和圖標的靈活運用，使得可視化更加美觀、形象、貼切。

圖9. 圖標的靈活運用
3. 從靜態到動態
由於技術的發展，實時數據採集、實時數據傳輸以及實時數據計算得以實現，人們終於得以欣賞到數據的靈動之美。以前人們只能看到事後數據形成的分析結果，看到的是數據的過去式，領略的是數據的靜態之美。而現在，通過實時計算及數據可視化，人們可以知道「當前時刻發生了什麼」，看到了數據的變化，看到了數據的動態之美。
4. 設計上更注重用戶體驗
由「信息泛濫」引起「信息過載」，從而導致「信息焦慮」。無論是風格、元素、配色、文字、交互上還是細節上，人們的可視化作品都越來越注重用戶的視覺體驗，希望能讓用戶一目瞭然，不多花一點兒時間去理解。在設計風格上，從3D擬物化到簡潔扁平化再到擬物扁平化的發展變化，也在不斷地為用戶「做減法」。
三、原則篇：關於設計的四大原則
「別忘了，你是為讀者進行可視化設計。」
——《數據之美：一本書學會可視化設計》
所有的設計細節，都必須經過精心構思，都必須站在用戶角度來思考。
顏值高或者打扮好看的人，總能牢牢地吸引別人的目光，相反，衣著邋遢不修邊幅的人，卻往往是別人瞅一眼就嫌棄。那些聰明的人，必然深諳這樣的秘訣：好看的PPT報告，總能在第一時間吸引受眾，再加上生動的演講，就會收到很多好評；廣告牌做得越好，就越吸引路人的注意力，越能讓路人記住，廣告效果也就越好。
當你看到別人的可視化作品時，你是否總覺得不好，但怎麼也說不出到底哪些地方不好？如果你熟悉以下基本原則，就算不是一個專業的設計人員，你也可以快速看出哪裡出了問題並提出非常中肯的建議。如果你還能熟練運用這些原則，那你的可視化作品將煥然一新，更加專業、好看、有趣，也將收獲更多讀者的贊賞。
親密性（分組）
在生活中，幾乎每件事都有邏輯，人們也喜歡遵循一定的邏輯去理解世間之事，例如時間先後、空間、因果、總-分-總等邏輯結構。
在做可視化設計的時候，我們所要表達的內容一定不能是一些無序呈現，這樣會給讀者造成理解上的混亂。我們的可視化作品應當能夠遵循多數讀者所能理解的思維邏輯，將內容分成幾部分按順序一步一步地表達出來。
相同部分的內容，彼此相關，應當靠近，放在一起。這樣閱讀起來才能被理解成為同一單元的內容，而不是多個孤立的不相關的內容。不同部分的內容，應當明顯地區隔開來，例如上下部分內容之間用一空行隔開或者間距放大。這樣有助於組織信息，減少混亂，為讀者提供清晰的結構。

圖10. 親密性原則
對齊
在版式布局上，任何元素的擺放，都可能會影響甚至主導用戶的視覺流程。因此，任何元素都不能隨意擺放，否則會造成混亂，而混亂會令人不適。對齊，使每個元素都與其它元素建立起某種視覺聯系。對齊，也讓可視化作品更加清晰、精巧、清爽。
對齊，不僅包括左對齊、右對齊、頂端對齊、低端對齊，還包括水平居中、垂直居中、橫向分布、縱向分布，等。

圖11. 對齊原則
重復/統一
我們都有「先入為主」的「陋習」，當看到與之前不和諧不一致的東西，常感突兀，甚至本能抗拒。因此，在可視化作品中反復使用一些視覺要素，建立上下文之間的聯系，增加條理性，保持視覺上的統一。
任何視覺元素都可以在同一作品中重復使用，例如顏色、形狀、材質、空間關系、線寬、字體、大小和圖片，等等。

圖12. 重復原則
對比/強調
在做可視化設計時，我們的初心是以圖文的形式把所要表達的信息清晰的傳遞給用戶，讓用戶一目瞭然，盡量不需要太多思考和理解。為了達到這個目的，我們需要強調重點，弱化次要，避免作品中所有的元素看起來重要程度都是一樣的。如果所有的東西都同等重要，那就相當於所有的東西都不重要。

圖13. 強調重點，弱化必要
如果你想突出某些信息要點，那就讓對應的元素（字體、顏色、大小、線寬、形狀、空間等）與其它元素不相同，讓它們截然不同，讓用戶首先能夠關注到它們。

圖14. 對比原則
表達，力求准確、到位、簡潔、易懂
當用戶看到我們的可視化作品時，我們最好要保證所表達的信息能被用戶正確理解。除使用上面幾個原則外，我們還要附加一些輔助信息，例如文字、箭頭等。在可視化作品中，文字必不可少，但篇幅要加以控制。
文字的表達，要准確、到位、簡潔、易懂，要能引導用戶正確地理解圖表的意思，要能不引起任何歧義。

圖15. 表達，要准確、到位
四、流程篇：要有數據可視化的正確姿勢
沒有什麼比親手創造美這件事更給人帶來成就感了。
當我們滿懷激動地開始數據可視化時，請不要馬上鑽入某個細節里，不要急著考慮用什麼酷炫的圖表來展現，也不要糾結於用什麼顏色、什麼字體。我們要有數據可視化的正確打開姿勢。
不同形式的數據可視化流程有所不同，這里主要講重要且相通的部分。
(一) 了解你的需求
關於需求，在實現之前，一定要聽清楚做什麼，想清楚怎麼做，說清楚怎麼做。
了解與分析數據可視化需求，主要圍繞以下幾點來展開：
1. 看什麼，即哪些內容需要可視化。
很少需求方能夠准確、全面地說出他們真正想要什麼。他們只能描述出大概的樣子，因此需要不斷引導他們以明確真正詳細的需求。
· 可視化的目的是什麼，用戶是誰，在哪裡看，什麼情況下看，多久看一次；
· 了解數據，看看有哪些指標，哪些指標可以直接取，哪些需要復雜計算，哪些可以實時，哪些只能離線；
· 哪些指標必須展現，哪些指標不展現，哪些指標可展現可不展現；
· 展現的維度有哪些，按時間、部門、地域、指標，看實時數據還是歷史數據；
· 通過可視化，期望從中知道哪些信息，等等。
2. 誰看，即用戶是誰。
如果面對的是求真務實的老闆，那可能需要側重於內容，追求邏輯的合理性和數據的准確性；如果是來訪參觀的貴客，那可能為了展示公司實力與形象而追求高大上的圖表設計；如果是不懂技術的業務人員，在可視化時可能需要避免過於技術性。
3. 在哪裡看，即有哪些可視化形式。
一次性的工作匯報，可使用PPT，如果老闆嫌棄做PPT太慢，可以直接用Excel，或者其它工具，如腦圖；如果為很多用戶提供周期性計算的指標數據，且滿足不同條件下的查看，那適合做一款數據產品或者可視化報表；向來訪的貴客介紹公司情況時，如果想給客人們提供一種賞心悅目的視覺享受，用大屏可視化數據再合適不過了；如果想給公司各部門同事普及知識、介紹成果、通知活動等，做一張可視化信息圖，並在線發布，圖文結合，有趣生動，既吸引更多讀者關注，提升閱讀體驗。
4. 什麼情況下看。
「第一印象」肯定是重要的。用戶「第一眼」感覺不好，當然就沒有瞭然後，就不會有「第二眼」、「第三眼」，也就不會再往下看了。所以，要帶給用戶「第一眼」足夠良好的視覺體驗，就要多想想用戶會在什麼場景下去看你的可視化作品。
例如，打開手機，多數情形下，用戶只會根據標題有選擇地瀏覽少量文章，因此，取一個生動、有趣、亮眼的標題，比普通標題更有視覺沖擊力，會讓你的文章從眾多內容中脫穎而出，贏得更多用戶點擊閱讀。

圖16. 取一個有吸引力的標題
例如，在企業內部（特別是人多的公司），海報、信息圖形式的內容，每天都大量地以郵件地方式群發給各部門人員，或活動通知、或展現成果、或宣傳典型，等等。每個員工都「信息過載」，只能閱讀少量的信息。
除標題要吸引人外，還需要注意用戶打開郵件的實際場景。不少用戶打開這種群發郵件時，常常是下面的情況，一堆的收件人，一堆的抄送人，這已經占據了有限電腦屏幕的一部分，剩下的部分就是點擊某個郵件時出現的正文內容的部分。因此，在這一區域完整顯示出標題（以及內容摘要），才能吸引用戶往下看。

圖17. 多想想具體的場景
（二）可視化設計
可視化設計是最重要的環節。只有做好這一環節，後面的事情才會變得簡單順暢。
1. 梳邏輯
我們在閱讀時，只要遇到稍微難懂的知識，基本上會本能地第一時間選擇退縮，不再看下去。之所以覺得難懂，最主要是因為邏輯不清晰給我們帶來理解上的困擾。邏輯就像一棵樹的樹干，如果我們只見樹葉不見樹干，就會迷失方向。因此，在可視化設計前，一定要站在用戶的角度，梳理出清晰的邏輯結構。這一步，想清楚怎麼做，很重要，多花點時間也沒關系。
對於數據可視化來說，邏輯就是確定各部分的核心內容，以及內容之間的先後次序和關聯關系，即講什麼不講什麼，先講什麼後講什麼。
把邏輯設計得簡單一些，清晰一些，用戶就能越快明白你的「良苦用心」。
2. 定風格
風格營造一種氛圍，驅動用戶沉浸式閱讀。不同的風格，適合不同的用戶不同的場景，例如科技、學院、活潑、嚴肅、可愛，等等。
3. 排版式
版式設計就是關於如何處理信息重點，因為在任何設計中，最重要的信息需要首先被注意到，然後是次要信息。
好的版式就像導盲犬，合理地對內容進行布局，適當地安排版式中的視覺流程，引導用戶第一時間看到最需要被關注的部分，暗示用戶「先看什麼，後看什麼」。
一般來說，可視化作品一般包括標題、正文、圖表、說明文字等要素。版式就是基於上述提到的幾個原則，確定元素之間的層次結構，合理擺放這幾個要素。
4. 選圖表
不是越酷炫的圖表就越適合。這首先要看展現什麼數據。某些圖表只適合展現相應格式的數據。其次，也需要對展現數據的圖表進行個性化定製，包括樣式、風格、顏色、字體，使之契合上下文語境，也讓圖表更有溫度。
不要將就而選擇默認設置的圖表，不要做那個「Mr.差不多」或「Ms.還行」。如果將默認設置的圖表放在可視化作品中，總是顯得那麼突兀和不協調。另外，對默認設置的棄用，可以強迫自己不斷精進，不斷提升可視化的能力。
5. 調細節
對單個部分的可視化設計，並不能完全保證整體上的和諧一致。因此，回到整體，根據前面提到的幾個原則，發現細節問題，對某些細節進行調整，使之整體上保持一致。例如，各部分視覺元素之間保持對齊，如標題、正文、圖表等；在配色、字體或其它細節上，各部分要盡量做到統一；各部分之間要有明顯的區隔，等等。
（三）指標計算
巧婦難為五米之炊。有數據，才能談數據可視化。數據的獲取、整合、計算，會佔用大量的時間。這一部分工作是相對獨立的。
但需要注意的是，模擬數據和真實數據是有區別的。根據模擬數據設計的圖表，一定要用真實數據展現與驗證，驗證圖表與真實數據的契合程度。例如下圖，模擬數據展示的圖表中各部門之間存在明顯的差異，但改為用真實數據展示時，卻「看起來感覺都一樣」，這時候就需要調整圖表的設置，凸顯視覺上的差異。

圖18. 用真實數據驗證可視化的效果
指標的計算過程，這里略去不講。
（四）前端開發
數據產品、大屏的可視化實現，還需要前端開發。
理論上來講，只要設計出的圖表，就一定能在前端實現。但這個可能會受到前端開發人員的技術水平和展現工具的限制。所以，可視化設計有時候需要尋求一種關於設計與實現之間的平衡。
可視化設計人員最好事先有所評估，採用復雜圖表設計之前最好與開發人員溝通探討實現的可行性。
五、工具篇：你會用Excel設計圖表嗎？
Excel是最常用、最基本、最靈活且最應該掌握的圖表製作工具。 可以說，大多數圖表樣式都可以用Excel畫出來。如果你認為用Excel畫不出來某種樣式的圖表，有可能是你還未掌握Excel的高階技巧。
Excel展現的圖表是靜態的，且支持的數據量比較有限。所以，如果是企業級的動態數據展現，還需要藉助專業的大數據可視化工具。
專業可視化工具有很多，大致可分為三類：企業級專業可視化工具、輕量級在線可視化工具、編程式圖表工具。
企業級專業可視化工具
ECharts 是國內使用率非常高的開源圖表工具，可以流暢的運行在 PC 和移動設備上，兼容當前絕大部分瀏覽器，底層依賴輕量級的 Canvas 類庫 ZRender，提供直觀、生動、可交互、可高度個性化定製的數據可視化圖表。ECharts 3 中更是加入了更多豐富的交互功能以及更多的可視化效果，並且對移動端做了深度的優化。
D3.js 是最好的開源數據可視化工具庫。D3.js運行在JavaScript上，並使用HTML、CSS和SVG。 D3.js使用數據驅動的方式創建漂亮的網頁。 D3.js可實現實時交互。這個JS庫將數據以SVG和HTML5格式呈現，所以像IE7和8這樣的舊式瀏覽器不能利用D3.js功能。
Tableau是一款企業級的大數據可視化工具。Tableau 可以讓你輕松創建圖形，表格和地圖。 它不僅提供了PC桌面版，還提供了伺服器解決方案，可以讓您在線生成可視化報告。伺服器解決方案可以提供了雲託管服務。
輕量級在線可視化工具
BDP個人版，類似Tableau的在線免費的數據可視化分析工具，不需要破解、不需要下載安裝，在線注冊後就能一直使用，操作很簡單，只需要拖拽。支持幾十種圖表類型，也支持製作數據地圖（自帶坐標糾偏）。除可視化之外，BDP還有數據整合、數據處理、數據分析等功能。
網路圖說，基於ECharts，在線圖表製作工具，採用Excel式的操作方式製作樣式豐富的圖表，圖表自定義的選項很豐富，使數據呈現的方式更加美觀個性，易分享傳播。
文圖主要用在你要出一份包含文字說明的報告時使用，提供幾個確定好風格配色的主題供選擇，讓整個報告風格統一、簡潔美觀！文圖能夠良好地適配移動端。但文圖的排版不是很好用。
創客貼，在線平面設計工具，簡單，快速，輕松完成在線設計，據說是2016最好的在線設計網站。
編程式圖表工具
對於掌握編程語言的程序員來說，設計新穎、令人驚艷的數據圖表也可以通過代碼來實現。
Python有很多具有畫圖功能的包，如matplotlib、Seaborn、ggplot、Bokeh、pygal、Plotly、Geoplotlib、Gleam、missingno、Leather，等等。
R語言提供了很多數據可視化工具包，例如ggplot2、ggthemes、ggmap、ggiraph、ggstance、GGally、gganimate、ggradar、ggTimeSeries、ggseas、lattice、rgl、ggvis、htmlwidgets、leaflet、dygraphs，等等。
類似提供強大繪圖編程功能的語言還有PHP、HTML、JavaScript、CSS等。
六、技巧篇：刻意練習是提升可視化技能的唯一途徑
不斷練習，不斷精進
提升數據可視化技能的唯一途徑就是在理解可視化設計原則和方法論的基礎上，不斷練習，不斷精進。
除此之外，還要有點完美主義。
技巧在於平時的積累。多觀察，生活中看到好的設計，多想想為什麼人家設計那麼好，讓你忍不住多看幾眼。看到不好的設計，多想想到底哪裡不好。看到好看的圖表，看到別人介紹的小技巧，動手做一做。
技巧太多，這里不做展開細講。
「去設施傾向」
「這是章北海看到的另一個以前很少有人想像到的現代技術特色——去設施傾向。這種傾向在地球上還只是初露端倪，但『去設施化』已成為比地球世界更先進的艦隊世界的基本結構。這個世界到處都是簡潔空盪的，幾乎見不到任何設施，只有在需要時，設施才會出現，而且是在任何需要的位置出現。世界在被技術復雜化後，正在重新變得簡潔起來，技術被深深地隱藏在現實的後面。」
——《三體》
科幻小說《三體》裡面的這段話，給了我們提示。當我們做分析和可視化數據時，如果不用選項框和菜單欄時，應該隱藏起來，用到時才打開。另外，也盡量讓所使用的軟體最大化。這樣可以讓內容信息展現在最大的視野區域內，這樣有助於讓我們從中獲取更全面的信息，指導我們下一步做正確的決策。

圖19. 限的視野區域，信息最大化
顏色不宜過多，配色要合理
我們在可視化設計時，最好不要使用超過三種以上的主色調。顏色過多，無形中會分散用戶的注意力，使得用戶無法聚焦。
顏色的搭配要合理。大自然是最好的色彩家，可以借鑒大自然的色彩搭配。另外，如果你第一眼看到別人的設計，感覺很舒服，賞心悅目，那也可以借鑒作品中的色彩搭配。相信你的直覺，至少你的身體不會欺騙你。

圖20.顏色不宜過多，配色要合理

圖21.從生活和自然中學習配色技巧

J. 零基礎能成為數據分析師嗎

不少人後台問我，如何轉行做數據分析師，或畢業生怎樣入行。我之前的文章都是圍繞硬技能來寫，這次以我知乎上的一篇答案為基礎談一下軟技能。權當做雜談。

我進入互聯網行業完全是零基礎，不是數據分析零基礎，是樣樣能力零基礎。

零基礎到什麼樣子？我找工作花了三到四個月時間，最後以運營身份入職。

我從來不是數理強人，大學雖學習過高數、統計學、SQL和C語言，均是低空略過，考試還藉助了小夥伴的力量。現在回頭看，當時應該多學些。

最開始我不會vlookup，也沒人教我，Excel只能做基礎的操作。那時要關聯多張報表，我仗著手速快，一個個搜索復制黏貼的…數據量一多肯定哭。後來我想這可不是辦法啊。於是藉助萬能的網路：

「Excel怎麼匹配多張表的數據。」

然後第一次看到vlookup函數。我也沒有一次學會，每次用都要先看一遍網上的樣例。後續我教組員的時候，他們學得比我快多了。

Excel一步一個腳印，學習都是依賴搜索和琢磨，抽空用工作中的內容練習分析：比如什麼樣的用戶願意用我們APP，用戶哪些指標特別好。

即使在此期間，我也不會數據透視表。

記得15年初，老闆給了我一個任務：網上收集數據，大約需要幾萬條，我不可能全部復制黏貼下來啊，便繼續查詢：

如何快速下載網頁上的數據。

於是知道了爬蟲，知道了Python，但我並不會。最後靠第三方爬蟲工具，按照教程學習。早期已經學習過HTML+CSS，然後再了解網頁結構，學習Get／Post，學習正則。花了一周時間加班，才下載下來。

可沒有結束，數據是臟數據，我還需要清洗。再花一周時間學習Excel的find,right,mid,replace,trim等文本處理函數。那時候不知道這叫數據清洗，但是學會了很多技巧，即使我盡可能快速省力，還是花費數天。

當我現在寫Python爬蟲的時候，效率快速很多。包括文本清洗，用Levenshtein速度杠杠的。加起來一晚上就搞定。

任何學習都不是無用的，很多知識相通。我因為爬蟲學習了HTML+CSS，後續便觸理旁通地了解了網站結構和網站分析。

後續知道布置網路統計，知道JS，學習網頁端的各類指標，了解訪問路徑、漏斗轉化、跳出率退出率等。這些知識不止能用在網站上。也能用在APP分析、用戶行為上。

我們把學習當成一個點，學完這本書就看下本書，其實這樣發揮不出學習的效率。任何知識都具有關聯性，A知識可以應用在B知識上，知識技能樹應該是呈網狀發散的。

上面鏈條是我基於前置知識掌握新知識的關系譜。數據分析涉及的領域很寬廣，除了本身扎實的業務背景，還需要瑞士軍刀般的技能樹，屬於T型能力（一專多才）。

比如你看到某個頁面跳出率較高。除了常規的分析外，還要檢查網路速度，用戶弱網環境，是不是HTML頁面載入過多，是否使用了緩存，網路DNS如何等。這些知識不會有人教你，但它左右業務結果。

看到這里別怕，雖然要學的多，但是隨著學習的加深，很多知識是共通的。就像轉化率來源於網站分析，卻能用於產品路徑，既能升華為桑基圖，又能做用戶分層。越學到後面，越容易一法通萬法通。

驅動力

其實零基礎學習數據分析，最難的門檻不是技能，而是學習動力。我從零培養過數據分析師，從零教過Excel、從零教過SQL、從零教過分析思維、從零教過Python。難點從不在於這些知識，而是你真的想不想學。

不是下載了十幾G的資料就是學習，不是關注了很多公眾號就是學習。因為十幾G的資料最終不會打開，很多公眾號最後都是未讀。這能說明想學習？零基礎太容易無從下手，難以堅持，淺嘗則止了。

無從下手，這是不知道學什麼，我說過數據分析是一門比較寬廣的學科。它既有傳統商業分析的方法論，也有數據時代的統計和編程。可它又偏偏是任何崗位任何職業都能用到的技能，繞不過。

學習是很主觀的事情，我們從小學開始讀到大學，數十年的學生生涯，最缺漏的能力是主動學習。中考高考打磨那麼多年，很大情況是環境因素逼迫人去學習，本身沒有任何學習的驅動力和習慣。大學四年再一度過，可能學習性就消磨殆盡了。

之所以說我們習慣被動學習，是大家都有一道題目做一道題目，只知道公式應用，不需要知曉原理。教材輔導題海戰術，內容也不會超綱。整個大的學習環境都是為被動打造。

現在學習數據分析，拿起書籍、打開PDF資料、關注公眾號。不會有老師糾正你輔導你，不會有作業鞭策你訓練你。也不知道工作中哪個會經常用到，沒有練手的數據題目，甚至連網路上的知識質量都難以辨別。

無從下手，對吧，可這才是主動學習。

心態要轉變。

零基礎學習數據分析，最大的老師只能是自己，不會有任何一篇文章一夜教人成為數據分析師。我帶過願意學習並且成長很快的實習生，也教導過有興趣但依舊帶不出節奏的同事。前者是主動學習，後者是止於興趣的被動學習。

因為是零基礎，所以才更需要主動性。數據分析本事是發展很快的行業，幾年前會SQL就行，現在得了解些MR和HIVE，過幾年SparkSQL也許就是必備，如果想在這一行做的好一些。持續的學習是必須的能力。或者基礎不如其他人，至少學習性別輸吧。

我也給出我的建議，學習應該是具體為解決某一個問題而設立目標，說透徹點，實戰為王。不論是何種職業，一定或多或少能接觸數據。先別去分析，而是想，能用這些數據干什麼，做一個簡單的假設。

我是HR，我的假設就是最近招人越來越困難啦，

我是市場，我的假設就是現在營銷成本太高，又沒有什麼效果。

我是運營或者產品，更好辦了，假設某指標的數據因為ABC等原因而無法提升。

哪怕是學生，也能假設在學校商圈賺錢是容易還是困難。

數據圍繞假設去收集、生成、組合、利用、論證和分析。這是麥肯錫式的思維方法，也可以作為學數據的方法。新人容易陷入數據的迷途：我沒有數據，有了數據也不知道幹啥，知道幹啥又不知道方法。想的太多，遠不如有方向好用。

基於假設的好處是，我首先有了一個方向，別管它對不對，至少能按照方向做分析。

HR認為招人越來越困難，則可以拿出歷史數據，以前我招人需要下載幾份簡歷，打幾個電話，發出幾個Offer最終入職。現在呢？我還可以拿各個環節的數據觀察，這不就是轉化率嘛？時間維度放得寬一點，看看去年這時候招人困難不，是不是年底都難招，這樣就了解折線圖概念。

市場專員做分析，可以拿更多的數據作參考，假設營銷成本太高，現在高到什麼地步了，什麼時候開始高的，找出時間點分析一下。效果不好，是什麼時候效果不好，那時市場環境有什麼變化嗎？我假設市場環境有了變化，這又是一個新的假設，可以繼續拎出一堆深入研究。

雖然各人分析效率和成果肯定不同，但是思路都能以這樣訓練出來。不是有了數據才有了分析，而是有了分析的方向才能收集分析數據。我的學習從來都是以解決問題為主，不是突然靈光一閃就會了。

如果把數據分析的學習旅程想成一條很長道路的話，我們不是一路開到終點，這沒人能行。而是把這條道路分割成一段段，每段上面擺一個旗幟作目標，以旗幟為前行方向，不是以幾十公里外的終點站作為目標。

好奇心

除了學習驅動力外，想成為數據分析師，還需要一顆好奇心。

好奇心就是問問題，想問題，琢磨問題，解決問題。如果你是一個天生八卦的人，那麼將它用在數據分析上絕對是天選分析師，良材美玉。

很多人喜歡追求數據分析的工具、知識、要點、竅門。但是從來很少提到好奇心。

好奇心是解決問題的核心能力，編程可以鍛煉，統計可以學習，這些最終都不是瓶頸。你學全了十八般武藝，臨敵對戰，最終需要的什麼？是求勝心。數據的求勝心就是好奇。

知識決定解決問題的下限，好奇心決定解決問題的上限。好的數據分析師一定會有好奇心，會提問，會想問題，也能去解決問題。

我們最早期推的所有活動，都沒有監控體系，整個運營也缺乏數據指導。對當時的我來說，很多運營的運作是黑箱。我不知道發什麼了什麼，怎麼發生，只有一個結果輸出。

別人若問我問什麼，我只能做出假設，有可能一二三點。是否是這樣，我也不知道。

運營活躍數上升，原因是什麼？不知道。

簡訊推送後效果怎麼樣？不知道。

新注冊用戶來源有哪些？不知道。

那時隨著公司業務線的拓展、用戶數量提升。我用Excel做關聯越來越吃力。我再一次向研發提數據需求時，CTO對我說：要不給你開個資料庫許可權，你自己查吧。

我告別了Excel，學習和了解資料庫。從幾張表的接觸擴展到幾百張表。

知道left join 和 inner join的區別。知道group by，知道數據結構，知道index。

那時期需要建立用戶數據體系，包括留存、活躍、迴流、分層等指標。我網上一邊查運營指標的應用和解釋，一邊查SQL的實現。

和研發解釋、溝通，因為了解資料庫，很多需求以更合理的要求實現。這是我第一次開始接觸、了解和建立以業務為核心的數據體系。

舉一個例子：用戶用過APP很長一段時間，我們管他叫忠誠用戶，後來突然他連續幾周不用，那麼我們會通過SQL找出這類用戶，分析他行為，電話訪談為什麼不用，嘗試喚回他。其他運營都是同理。

這時候，我才可以說我了解了活躍數，知道它為什麼上升，為什麼下降。

我們給不同用戶推簡訊，藉助SQL我能查詢到數據的好壞，但是有沒有更明確的指標？比如多少用戶因為簡訊打開APP，簡訊打開率是多少？

當時短鏈用了url scheme，可以自動跳轉到app，為了監控，我們也在短鏈中埋了參數。通過推送數據，觀察這條簡訊會有多少人打開。

這是衡量一個文案的標准，好文案一定能觸動用戶打開。我們經常拿文案作為AB測試。舉一個例子，我們會用簡訊營銷，運營是和禮品掛鉤的，當時有不少用戶線上注冊完並不下載APP，我們有那麼一條針對此類的簡訊文案：

丨我們已經為您准備好了專屬心意，XXXXX，請打開APP領取。

這條簡訊的打開率約在10%左右。但是還有優化空間，於是我不斷修改文案，後續修改為：

丨既然您已經注冊，為什麼不來領取屬於您的專屬心意呢，XXXXX，請打開APP領取（中間內容不變）。

打開率被優化到18%。因為它用了營銷心理，已經注冊，契合了沉默成本的暗示：我做都做了，為什麼不繼續，不然白注冊了。這種心理常見於旅遊景點，景點很坑爹，但絕大多數人還是會說：既然來都來了，就是一種共通的心理。

後續簡訊又採取個性化方案，最終優化到25%。比最早期的文案效果好三倍左右。如果不好奇簡訊效果，如果不收集數據監控指標，那麼優化無從談起。我們可能憑感覺寫出好文案，但你不知道具體效果，而數據能。

再來個例子，最開始我們藉助微信朋友圈進行用戶拉新，起初有多個渠道，但是我不知道哪個渠道效果好。然後我的好奇症又犯了，哪個渠道效果好？邀請轉化率還能不能優化？渠道拉新成本是多少？

依舊是推動和落地數據分析的執行，因為微信的網頁分享，會自動帶from=timeline等參數，通過參數我能過濾出微信端瀏覽和訪問的數據。後來又拜託研發針對不同渠道設置參數。通過參數統計轉化率，並且給新用戶打渠道來源標簽。

期間發現一個渠道的轉化率過低。我們大概分兩類渠道，一個是落地頁直接邀請用戶注冊，附加有禮品信息。一個是讓用戶先挑選禮品樣式，最後領取步驟中跳到注冊。通過轉化率分析，後者的流失較為嚴重。因為步驟太冗餘了，還有快遞地址要填寫，選取禮品的吸引力不足以支持用戶走完流程。

於是便更改第二個渠道流程。不同注冊渠道的用戶來源，因為有標簽，所以在後續新用戶的運營中，可以有針對性地做措施。這也是簡訊通過個性化達到25%打開率的原因之一。

好奇是為了解決問題而服務的。通過不斷的想問題，解決問題，數據分析相關的能力自然會提升。

幸運的是，好奇心能夠後天鍛煉，就是多問問題多想問題，鍛煉難度不高。

非數據

零基礎學習還會有另外一個問題，就是輕視業務的重要性。

實際上，想成為數據分析師，難點不在於Excel、SQL、統計等知識欠缺。而是業務知識的匱乏。

一個人懂業務不懂數據，另一個懂數據不懂業務，前者更有可能解決實際的問題。因為數據分析師始終是為業務而服務。

我曾向產品提出（沒請吃飯）布置APP和Web埋點，通過用戶的路徑了解用戶，也彌補網路統計的缺點。

當時通過Hadoop存儲數據，使用Hive建立離線的腳本清洗、分區、加工。用戶瀏覽產品的頁面、使用的功能、停留的時間都能構成用戶畫像的基礎。

我曾經很好奇什麼是用戶畫像，因為網路上說用戶的性別、地域、年齡、婚姻、財務、興趣、偏好是構成用戶畫像的基礎。但是我們的業務獲取不到那麼多數據。而我認為，用戶畫像是為了業務服務的，它不該有嚴格統一的標准。只要在業務上好用，就是好的用戶畫像。

就像在線視頻的用戶畫像會收集電影的演員、上映時間、產地、語言、類型。還會細分到用戶是否快進，是否拖拽。這些都是以業務為導向。甚至視頻網站的分析師們本身就得閱片無數，才能根據業務分析。不然那麼多電影類目和類型，如何細分各類指標？能通過拖拽快進去判斷用戶是否有興趣，自身也得用過類似行為才能理解。

零基礎怎麼學習行業和業務知識？如果本身和業務接觸，只是想做數據分析，難度小不少。如果像當初的我一樣，既沒有義務知識又不懂數據，也是可以的。

數據如果是假設性思維學習的話，那麼業務應該是系統性思維學習。業務知識也需要一個目的和方向，但是和數據分析不同。業務注重的是系統性，系統性不是大而全，而是上而下的結構知識。先瞄準一個方向鑽取深度，廣度會隨著深度的挖掘逐漸拓展。

比如你是一個外行，想學用戶運營體系的分析，不要先考慮啥是用戶運營，這問題太大。而是瞄準一個方向，例如活躍度，了解它的定義和含義，再想怎麼應用。線下商場的活躍度如何定義，醫院患者的活躍度如何定義，某個學校社團的活躍度如何？拿身邊例子去思考活躍度。商場的活躍，可以是走來走去的人流，可以是進行消費購物的客流，可以是大包小包的土豪。什麼因素會影響活躍？促銷還是打折，節假日還是地理。等這些問題想通了，上手用戶運營會很快。

再通過同樣的思維去想留存、去想拉新。就會知道，如果商場的人流下次繼續來消費，就是留存，有新客人來，就是拉新。這又有哪些因素互相影響？最後的知識思維一定是金字塔結構的。上層是用戶運營，中間是拉新、活躍、留存。下層是各個要點和要素。

數據分析的學習注重演繹和推理，業務的學習注重關聯和適用，學以致用就是說的這種情況。期間也會用到好奇心和假設，這兩點都是加速學習的途徑之一。

實際上說了這么多，對於零基礎想當數據分析師的同學來說，可能仍舊有一些雲山霧罩吧。這些軟技能也不會助人一步登天的，其實的七周成為數據分析師，從最開始我也說過是入門的大綱。重要的是自己是否真的想學和學好，師傅領進門，修行靠個人，其他一切都是虛的。

想起很久以前看的一句雞湯話，當你想要前行時，一切都會為你讓路。我想這比我說的一切都更有力。

所以你問我零基礎能成為數據分析師嗎？我的回答是能。

文章其實有一些趕，最後祝大家聖誕快樂。