难易程度：非常易。

2. 啤酒与尿布 (豆瓣) 通过案例来说事情，而且是最经典的例子。

难易程度：非常易。

3. 数据之美 (豆瓣) 一本介绍性的书籍，每章都解决一个具体的问题，甚至还有代码，对理解数据分析的应用领域和做法非常有帮助。

难易程度：易。

4. 集体智慧编程 (豆瓣) 学习数据分析、数据挖掘、机器学习人员应该仔细阅读的第一本书。作者通过实际例子介绍了机器学习和数据挖掘中的算法，浅显易懂，还有可执行的Python代码。

难易程度：中。

5. Machine Learning in Action (豆瓣) 用人话把复杂难懂的机器学习算法解释清楚了，其中有零星的数学公式，但是是以解释清楚为目的的。而且有Python代码，大赞！目前中科院的王斌老师（微博： @王斌_ICTIR）已经翻译这本书了 机器学习实战 (豆瓣)。这本书本身质量就很高，王老师的翻译质量也很高。

难易程度：中。

6. 推荐系统实践 (豆瓣) 这本书不用说了，研究推荐系统必须要读的书，而且是第一本要读的书。

难易程度：中上。

7. 数据挖掘导论 (豆瓣) 最近几年数据挖掘教材中比较好的一本书，被美国诸多大学的数据挖掘课作为教材，没有推荐Jiawei Han老师的那本书，因为个人觉得那本书对于初学者来说不太容易读懂。

难易程度：中上。

8. The Elements of Statistical Learning (豆瓣) 这本书有对应的中文版：统计学习基础 (豆瓣)。书中配有R包，非常赞！可以参照着代码学习算法。

难易程度：难。

9. 统计学习方法 (豆瓣) 李航老师的扛鼎之作，强烈推荐。

难易程度：难。

10.Pattern Recognition And Machine Learning (豆瓣) 经典中的经典。

这些都是在“绿色BI论坛”http://www.powerbibbs.com 找到的，这个论坛经常有数据分析的干货分享，你可以看一下。

【导读】随着互联网的发展，数据分析已经成了非常热门的职业，大数据分析师也成了社会打工人趋之若鹜的职业，不仅高薪还没有很多职场微世界的繁琐事情，不过要想做好数据分析工作也并不简单，参看一些好书，对行进数据分析会更有帮助!今天小编就给大家带来了提高数据分析能力必读书籍推荐，希望对各位小伙伴有所帮助。

数据分析进阶

1.《精益数据分析》

本书展示了怎样验证自己的设想、找到实在的客户、打造能挣钱的产品，以及行进企业知名度。并经过30多个事例剖析，深化展示了怎样将六个典型的商业办法运用到各种规划的精益创业、数据分析根底，和数据驱动的思维办法中，找到企业添加的首先要害方针。

2.《数学之美》

本书把深邃的数学原理讲得愈加通俗易懂，让非专业读者也能领会数学的魅力。读者经过具体的比方学到的是考虑问题的办法 ——

怎样化繁为简，怎样用数学去向理工程问题，怎样跳出固有思维不断去考虑立异。

数据挖掘

1.《数据挖掘导论(无缺版)》

本书全面介绍了数据挖掘，包括了五个主题：数据、分类、相关剖析、聚类和异常检测。除异常检测外，每个主题都有两章。前一章包括根柢概念、代表性算法和点评技术，然后一章谈论高档概念和算法。这样读者在透彻地了解数据挖掘的根底的一同，还可以了解更多重要的高档主题。

2.《数据挖掘概念与技术》

本书无缺全面地叙说数据挖掘的概念、办法、技术和最新研讨翻开。本书对前两版做了全面修订，加强和从头组织了全书的技术内容，要害论说了数据预处理、再三办法挖掘、分类和聚类等的内容，还全面叙说了OLAP和离群点检测，并研讨了挖掘网络、凌乱数据类型以及重要运用范畴。

3.《数据挖掘与数据化运营实战：思维、办法、技巧与运用》

现在有关数据挖掘在数据化运营实践范畴比较全面和系统的作品，也是诸大都据挖掘书本中为数不多的交叉许多实在的实践运用事例和场景的作品，更是发明性地针对数据化运营中不同剖析挖掘课题类型，推出逐一对应的剖析思路集锦和相应的剖析技巧集成，为读者供给“菜单化”实战锦囊的作品

作为数据分析师，如果仅仅安于现状，不注重自我行进，那么，不久的将来，你很或许成为公司的“人肉”取数机，影响往后的工作生计。

以上就是小编今天给大家整理分享关于“提高数据分析能力必读书籍推荐”的相关内容希望对大家有所帮助。小编认为要想在大数据行业有所建树，需要考取部分含金量高的数据分析师证书，一直学习，这样更有核心竞争力与竞争资本。

使用Python进行数据挖掘是最近几年才开始火起来的，之前网上很多的资料都是关于Python网页开发等。但使用Python进行数据挖掘的侧重点已经完成不一样了。本人就是浪费了很多时间来筛选这些博客、书籍。所以就有了本文，希望能帮大家少走一点弯路。

熟练掌握任何一门语言，几乎都需要经过以下过程：

良师－－学习Python课程＋入门书籍＋浏览技术博客

社区帮助－－善于使用搜索引擎、Mail List

益友 －－ 寻找学习伙伴

Learn by Code －－项目实践

一、Python学习课程推荐

这两个学习课程从最基础的Python语法开始，介绍了Python数据分析、统计模型以及机器学习的各个方面，内容十分充足。之所以建议使用老外的课程是因为，老外上课假定你什么都不会，讲解深入浅出，尤其是对于华盛顿大学的机器学习课程，把复杂的概念讲解得十分简单。

1. 密歇根大学的《学习使用Python编程并分析数据》主要包括以下课程(讲解十分详细，深入浅出，非常适合入门学习，视频都是有字幕的)：

《大家的编程 (Python 入门》：课程涵盖了如何使用Python的基本指令编写程序. 课程对学生没有先设要求, 我们只涉及到最基本的数学, 有一定使用电脑经验的人都可以完全掌握这门课的内容.

《Python 数据结构》：本课程将介绍Python编程语言的核心数据结构。我们将学习编程语言的基础概念，探索如何使用Python的内置数据结构，如列表、字典、元组，进行更为复杂的数据分析。

《使用 Python 访问网络数据》：使用Python爬取和解析网络数据

《Python 数据库开发》：使用Python和数据库进行交互

《使用 Python 获取并处理数据，并用可视化方式展现数据》

2. 华盛顿大学的《机器学习》专项课程

在专项课程页面无法选择旁听，必须点击进入单独课程页面才可，这个课程专题旁听是有限制的，无法提交作业；如有需求，可以申请奖学金，回答三个问题即可，系统自动通过申请。

《机器学习基础：案例研究》：你是否好奇数据可以告诉你什么？你是否想在关于机器学习促进商业的核心方式上有深层次的理解？你是否想能同专家们讨论关于回归，分类，深度学习以及推荐系统的一切？在这门课上，你将会通过一系列实际案例学习来获取实践经历。

《机器学习：回归》

《机器学习：分类》

《机器学习：聚类和检索》

《机器学习：推荐系统和降维》

《机器学习：应用深度学习创建智能运用》

二、网上打码教程

Learn by doing!!! 学习编程最有效的方式就是敲代码！

Codecademy 围绕Python 的基础语法，内容非常丰富。

Datacamp Python基本语法（他家的R语言课程十分不错！）

三、Python技术博客

简单介绍一些非常棒的Python技术学习的博客

1. 廖雪峰Python教程 简单易上手的Python基础语法教程，值得学习, Python 2和Python 3版本都有。

2. 非常棒的pandas练习Github Repo

3. 很详细的Python 爬虫教程

4. 国外Data Science博客大全

四、Python入门书籍推荐

常用书籍下载网址，几乎囊括了网上能找得到的所有Python相关的书籍（PDF、Epub和mo bi格式），且提供云盘下载链接。你值得拥有！

python | 搜索结果

1. 掌握Python语法的基础上学习《Python for data analysis》是比较不错的选择，涵盖了ipython notebook、Numpy、Scipy和Pandas包的使用。

2.《Python数据分析与挖掘实战》介绍了使用Python进行数据挖掘的详细案例，数据和代码都可以下载，作为机器学习的进阶学习是不错的选择（这本书也用对应的R语言和Matlab 版本）。

3. 《Python Cookbook》很厚的一本书，可以作为Python语法查询手册。

再添加几个外文书籍下载网址：

1. All IT eBooks 全

2. Library Genesis 各种书籍，不局限于编程书籍

3. Fox eBook - eBooks Free Download Site

4. Development / Programming / AvaxHome

五、推荐订阅博客（更细频率较高）

iPhone上可以使用Reeder阅读器，Instapaper用来保存后稍后阅读，因为信息量比较大。

No free Hunch Kaggle竞赛平台的官方博客，包括一些优秀的代码解读以及高分选手的采访，十分有用的经验（来自不同背景，不同年龄层次，不同职业的选手）

Flowing Data 十分有用的数据分析的案例

Python日报 内容十分精彩的集锦（中文）

六、FAQ (待续)

Python 2.x还是Python 3.x?

如何安装Python包？ 强烈推荐Anaconda包，你值得拥有！尤其是Windows系统。

是否需要很强的统计和数学背景？ 有良好的数学和统计背景固然很好，但是现在很多岗位对数学和统计背景要求并不很多，都是简单的算法，Python编程已经能够很方便地实现，更多的是对业务的深入理解。如有需要建议，边学习Python边学习数学统计。

七、实践项目

Kaggle竞赛项目，里面不仅仅有很多竞赛项目，而且有很多可供学习的代码、博客以及论坛，都是实战项目，有很强的实践价值。