1. 统计学在数据分析中的定位
-
核心作用 ：统计学是数据分析的底层方法论，涵盖数据描述、推断预测和模型构建。
-
两大分支：
-
描述统计（EDA阶段）：数据清洗、特征工程的基础（如均值/分布/可视化）。
-
推断统计 ：AB测试、回归预测等业务场景的核心工具。抽样分布理论、参数估计、假设检验、方差分析、回归分析、时间序列分析等
-
2. 学习路径建议
-
宏观框架优先：先建立知识地图（如统计学的核心模块和应用场景），再深入细节。
-
分层学习法：
-
入门必学（80%场景覆盖）：
-
基础统计量（均值/标准差/分位数）
-
概率分布（正态/泊松/二项分布）
-
抽样与置信区间
-
假设检验（P值/显著性）
-
相关性分析与线性回归
-
8种基础数据可视化图表
-
-
进阶选学（特定需求）：
-
时间序列分析
-
多元统计（聚类/因子分析）
-
贝叶斯统计
-
实验设计（DOE）
-
-
3. 深度把控原则
-
实践导向：
-
工具优先 ：掌握Excel/Python/R的统计函数（如scipy.stats、sklearn），无需手推公式。
-
例外场景：面试需理解原理（如中心极限定理的推导、假设检验的数学逻辑）。
-
-
学习资源：
-
入门教材：贾俊平《统计学》前6章 + 回归分析章节
-
工具书：《Python数据分析手册》《R语言实战》
-
统计学书籍推荐表
| 书名 | 作者 | 特点 | 使用场景 |
|---|---|---|---|
| 《深入浅出统计学》 | 道恩·格里菲思（李芳 译） | 结合图像和小例子的形式进行讲解，阅读轻松 | 入门 |
| 《赤裸裸的统计学》 | 查尔斯·韦兰（曹槟 译） | 生动诙谐的案例，通俗易懂，图文并茂，学习统计学不会那么枯燥 | 入门 |
| 《统计学：从数据到结论》 | 吴喜之 | 没有复杂的公式，内容讲得通透。内容不死板，一本小书一天就看完 | 入门 |
| 《大话统计学》 | 陈文贤、陈静枝 | 前后连贯，各章呼应。可从零开始接触统计学，并真正应用到工作中 | 入门 |
| 《应用统计学》 | 张梅琳 | 从实用场景出发的高频统计学知识点，3～4个小时就能看完 | 进阶 |
| 《统计学》 | 贾俊平 | 数学原理讲解完整 | 深入 |
| 《统计学习方法》 | 李航 | 与机器学习结合 |
4. 关键提醒
-
避免过度学习：非算法岗无需深究数理证明（如马尔可夫链收敛性）。
-
业务结合：销售分析重描述统计+回归；用户行为分析需掌握假设检验。
-
持续迭代：工作中遇到新需求（如生存分析）再针对性补足。
示例场景：
分析电商促销效果时，只需：
用描述统计计算销售额均值/环比（Excel函数）
用假设检验判断活动是否显著提升销量（Python的
ttest_ind）用散点图展示价格与销量的相关性（Matplotlib）
无需推导t分布公式，但需看懂P值结论。
5. 学习路线图
