數據分析：應用技能、思維框架與行業洞悉（簡體書）

在筆者完成《SAS數據統計分析與編程實踐》一書後，中國鐵道出版社有限公司的編輯邀請筆者創作一本講解數據分析行業的圖書。聞聽此言，筆者的個反應是拒絕，乃至產生一種恐懼的感覺。

 數據分析行業是一個龐雜而體系化的產業，從開始的數據收集，再到後續的數據前處理、統計分析、建模，再到更靠後的數據可視化，乃至人工智能、機器學習的應用。筆者僅僅是處於數據統計分析階段的一位從業者，更具體地，筆者所處理的數據僅僅是臨床試驗數據這一個數據量極小的分支，筆者又有何德何能撰寫一本圖書，來為從業者和計劃從事數據行業的人士提供指導呢？

 出版社的編輯聽到筆者的顧慮後，反問了一個很有深意的問題：那麼您覺得誰能夠完整地洞悉各個數據行業中每個產業鏈環節的技術呢？

 此言一出，筆者的感覺是不知如何回答，繼續思考後發現這其實是一個很有價值的問題。隨著數據分析行業的細化，數據分析師這個名詞其實也變得具有很多的內涵，在有些公司，數據分析師是指使用Excel完成報表創建和整理的工作人員，而有的公司的數據分析師則需要掌握人工智能的複雜編程技能，同樣的職位名稱對應著不同的工作內容，這也是數據分析行業尚處於發展階段的一個例證。

 進一步思考，筆者發現，縱觀整個產業界，無論是所謂的大師、專家或學者，每個人的視野其實都只能局限於數據分析的某個環節。認清了這一點，筆者也不妨大方承認，本書中所述內容，數據處理方法、缺失值處理、統計分析方法、數據分析標準化和數據可視化，筆者有過親身經歷，並使用代碼完成過本書絕大多數細節；而針對機器學習、人工智能、大數據等領域，筆者僅進行過系統性的學習，並未在項目中有過實際操作的經驗。

 承認以上不足正是因為筆者清醒地意識到：數據分析行業的分工正在快速細化，與其給讀者營造一種自己什麼都懂的假象，不妨大方承認自己僅僅是複雜產業鏈中一環的工作者，並沒有能力融會貫通地理解數據分析行業所有的體系化知識。筆者甚至願意承認，如果你僅對大數據、人工智能的數據分析前沿領域感興趣，那跳過本書而閱讀其他行業專家的圖書會是更好的選擇。

 但請注意另一方面，筆者並不認為因為個人局限性本書就會變得毫無價值。數據分析行業是一門實踐科學，而本書的目的正是指導數據分析師的實踐，不僅僅是高談理論。若僅探討數據分析行業的現狀、新技術的發展和數據分析的未來，很多人都能如筆者一樣高談闊論出一堆懸而未決的理論。

 筆者創作本書的一個目標就是指導性，讓讀者不僅理解某些理論，更可以理解理論所應用的場景，乃至清楚哪些編程手段會用到這些理論。這些在工作中被作為背景知識的知識，才是筆者更希望傳達的價值。

 提到背景知識，筆者認為這個詞很好地概括了本書創作的目的——這是一本為數據分析師提供背景知識的書籍。所謂背景知識，就是指那些在特定領域中至關重要卻被認為是每個人都應該理解的知識。但作為新手從業者，很多人其實尚未建立背景知識庫。若以這種視角觀察本書，各位讀者應該可以發現本書的內容正是為各位讀者補齊這一短板。

 在本書的第1章，我們洞悉了數據分析的定義和數據分析行業的特點，在第2、3章，筆者對數據分析的現狀和未來進行了闡述，以此建立起從業者對數據分析行業的總體認知。在第4、5、6、7、8章中，我們深入數據分析技術，從數據分析選取的工具，談到數據前處理、統計分析方法、數據標準化和數據可視化，它們每一個都是數據分析的重要子命題，很多從業者未來也會選取其中一個方面作為自己的職業。從第9章到第11章，我們又將視野拉開，觀察一名優秀的數據分析師應當具備的能力，從能力塑造的角度重新理解數據分析行業。

 筆者非常希望此書能夠幫助到致力於從事數據分析行業的讀者，也希望本書可以作為數據分析從業者的進階讀物，為本行業吸引更多優秀、有潛力的人才。

 若讀者中十之一二能因本書而對數據分析行業產生興趣，那筆者定會欣慰不已。若讀者發現本書中的錯誤、不完善之處，乃是因筆者自身水平不高、實踐經驗不足所致，歡迎讀者將所發現的不妥之處或自身感悟發送至郵箱iwenhaoma@gmail.com，以供筆者自省。