雖然題主問的是大數(shù)據(jù)的入門，但在我看來“大數(shù)據(jù)”就是數(shù)據(jù)科學(xué)的一個(gè)高階狀態(tài)秽之。以下內(nèi)容中除個(gè)別情況成肘，我基本上都會(huì)使用“數(shù)據(jù)科學(xué)”這個(gè)概念。數(shù)據(jù)科學(xué)并沒有一個(gè)獨(dú)立的學(xué)科體系浓若，統(tǒng)計(jì)學(xué)渺杉，機(jī)器學(xué)習(xí)，數(shù)據(jù)挖掘挪钓，數(shù)據(jù)庫(kù)是越，分布式計(jì)算，云計(jì)算碌上，信息可視化等技術(shù)或方法來對(duì)付數(shù)據(jù)倚评。但從狹義上來看，我認(rèn)為數(shù)據(jù)科學(xué)就是解決三個(gè)問題：

1. data pre-processing;

2. data interpretation馏予；

3.data modeling and analysis.

這也就是我們做數(shù)據(jù)工作的三個(gè)大步驟：

很多初學(xué)者天梧，對(duì)大數(shù)據(jù)的概念都是模糊不清的，大數(shù)據(jù)是什么霞丧，能做什么呢岗，學(xué)的時(shí)候，該按照什么線路去學(xué)習(xí)，學(xué)完往哪方面發(fā)展敷燎，想深入了解暂筝，想學(xué)習(xí)的同學(xué)歡迎加入大數(shù)據(jù)學(xué)習(xí)企鵝群：458345782，有大量干貨（零基礎(chǔ)以及進(jìn)階的經(jīng)典實(shí)戰(zhàn)）分享給大家硬贯，并且有清華大學(xué)畢業(yè)的資深大數(shù)據(jù)講師給大家免費(fèi)授課焕襟，給大家分享目前國(guó)內(nèi)最完整的大數(shù)據(jù)高端實(shí)戰(zhàn)實(shí)用學(xué)習(xí)流程體系

1、原始數(shù)據(jù)要經(jīng)過一連串收集饭豹、提取鸵赖、清洗、整理等等的預(yù)處理過程拄衰，才能形成高質(zhì)量的數(shù)據(jù)它褪；

2、我們想看看數(shù)據(jù)“長(zhǎng)什么樣”翘悉，有什么特點(diǎn)和規(guī)律茫打；

3、按照自己的需要妖混，比如要對(duì)數(shù)據(jù)貼標(biāo)簽分類老赤，或者預(yù)測(cè)，或者想要從大量復(fù)雜的數(shù)據(jù)中提取有價(jià)值的且不易發(fā)現(xiàn)的信息制市，都要對(duì)數(shù)據(jù)建模抬旺，得到output。

這三個(gè)步驟未必嚴(yán)謹(jǐn)祥楣，每個(gè)大步驟下面可能依問題的不同也會(huì)有不同的小步驟开财，但按我這幾年的經(jīng)驗(yàn)來看，按照這個(gè)大思路走误褪，數(shù)據(jù)一般不會(huì)做跑偏责鳍。

這樣看來，數(shù)據(jù)科學(xué)其實(shí)就是門復(fù)合型的技術(shù)兽间，既然是技術(shù)就從編程語(yǔ)言談起吧薇搁，為了簡(jiǎn)練，只說說R和Python渡八。但既然是薦數(shù)據(jù)科學(xué)方面的書，我這里就不提R/Python編程基礎(chǔ)之類的書了传货，直接上跟數(shù)據(jù)科學(xué)相關(guān)的屎鳍。

1R programming

如果只是想初步了解一下R語(yǔ)言已經(jīng)R在數(shù)據(jù)分析方面的應(yīng)用，那不妨就看看這兩本：

R in action：我的R語(yǔ)言大數(shù)據(jù)101问裕。其實(shí)對(duì)于一個(gè)沒有任何編程基礎(chǔ)的人來說逮壁，一開始就學(xué)這本書，學(xué)習(xí)曲線可能會(huì)比較陡峭粮宛。但如果配合上一些輔助材料窥淆，如官方發(fā)布的 R ?basics ?（http://cran.r-project.org/doc/contrib/usingR.pdf）卖宠，stackoverflow上有tag-R的問題集（Newest 'r' Questions），遇到復(fù)雜的問題可在上面搜索忧饭，總會(huì)找到解決方案的扛伍。這樣一來，用這本書拿來入門學(xué)習(xí)也問題不大词裤。而且這本書作者寫得也比較輕松刺洒，緊貼實(shí)戰(zhàn)。

Data analysis and graphics using R：使用R語(yǔ)言做數(shù)據(jù)分析的入門書吼砂。這本書的特點(diǎn)也是緊貼實(shí)戰(zhàn)逆航，沒有過多地講解統(tǒng)計(jì)學(xué)理論，所以喜歡通過情境應(yīng)用來學(xué)習(xí)的人應(yīng)該會(huì)喜歡這本入門書渔肩。而且這本書可讀性比較強(qiáng)因俐，也就是說哪怕你手頭沒電腦寫不了代碼，有事沒事拿出這本書翻一翻周偎，也能讀得進(jìn)去抹剩。

但如果你先用R來從事實(shí)實(shí)在在的數(shù)據(jù)工作，那么上面兩本恐怕不夠栏饮，還需要這些：

Modern applied statistics with S：這本書里統(tǒng)計(jì)學(xué)的理論就講得比較多了吧兔，好處就是你可以用一本書既復(fù)習(xí)了統(tǒng)計(jì)學(xué)，又學(xué)了R語(yǔ)言袍嬉。（S/Splus和R的關(guān)系就類似于Unix和Linux境蔼，所以用S教程學(xué)習(xí)R，一點(diǎn)問題都沒有）伺通。

Data manipulation with R：這本書實(shí)務(wù)性很強(qiáng)箍土，它教給你怎么從不同格式的原始數(shù)據(jù)文件里讀取、清洗罐监、轉(zhuǎn)換吴藻、整合成高質(zhì)量的數(shù)據(jù)。當(dāng)然和任何一本注重實(shí)戰(zhàn)的書一樣弓柱，本書也有豐富的真實(shí)數(shù)據(jù)或模擬數(shù)據(jù)供你練習(xí)沟堡。對(duì)于真正從事數(shù)據(jù)處理工作的人來說，這本書的內(nèi)容非常重要矢空，因?yàn)閷?duì)于任何研究航罗，一項(xiàng)熟練的數(shù)據(jù)預(yù)處理技能可以幫你節(jié)省大量的時(shí)間和精力。否則屁药，你的研究總是要等待你的數(shù)據(jù)粥血。

R Graphics Cookbook：想用R做可視化，就用這本書吧。150多個(gè)recipes复亏，足以幫你應(yīng)付絕大多數(shù)類型的數(shù)據(jù)趾娃。以我現(xiàn)在極業(yè)余的可視化操作水平來看，R是最容易做出最漂亮的圖表的工具了缔御。

An introduction to statistical learning with application in R：這本書算是著名的the element of statistical learning的姊妹篇抬闷，后者更注重統(tǒng)計(jì)（機(jī)器）學(xué)習(xí)的模型和算法，而前者所涉及的模型和算法原沒有后者全面或深入刹淌，但卻是用R來學(xué)習(xí)和應(yīng)用機(jī)器學(xué)習(xí)的很好的入口饶氏。

A handbook of statistical analysis using R：這本書內(nèi)容同樣非常扎實(shí)，很多統(tǒng)計(jì)學(xué)的學(xué)生就是用這本書來學(xué)習(xí)用R來進(jìn)行統(tǒng)計(jì)建模的有勾。

2Python

Think Python疹启，Think Stats，Think Bayes：這是Allen B. Downey寫的著名的Think X series三大卷蔼卡。其實(shí)是三本精致的小冊(cè)子喊崖，如果想快速地掌握Python在統(tǒng)計(jì)方面的操作，好好閱讀這三本書雇逞，認(rèn)真做習(xí)題荤懂，答案鏈接在書里有。這三本書學(xué)通了塘砸，就可以上手用Python進(jìn)行基本的統(tǒng)計(jì)建模了节仿。

Python For Data Analysis：作者是pandas的主要開發(fā)者，也正是Pandas使Python能夠像R一樣擁有dataframe的功能掉蔬，能夠處理結(jié)構(gòu)比較復(fù)雜的數(shù)據(jù)廊宪。這本書其實(shí)analysis講得不多，說成數(shù)據(jù)處理應(yīng)該更合適女轿。掌握了這本書箭启，處理各種糟心的數(shù)據(jù)就問題不大了。

Introduction to Python for Econometrics, Statistics and Data Analysis：這本書第一章就告訴你要安裝Numpy, Scipy, Matplotlib, Pandas, IPython等等蛉迹。然后接下來的十好幾章就是逐一介紹這幾個(gè)庫(kù)該怎么用傅寡。很全面，但讀起來比較枯燥北救，可以用來當(dāng)工具書荐操。

Practical Data Analysis：?這本書挺奇葩，貌似很暢銷珍策，但作者把內(nèi)容安排得東一榔頭西一棒子淀零，什么都講一點(diǎn)，但一個(gè)都沒講透膛壹。這本書可以作為我們學(xué)習(xí)數(shù)據(jù)分析的一個(gè)索引，看到哪塊內(nèi)容有意思，就順著它這個(gè)藤去摸更多的瓜模聋。

Python Data Visualization Cookbook：用Python做可視化的教材肯定不少肩民，我看過的也就這一本，覺得還不錯(cuò)链方。其實(shí)這類書差別都不會(huì)很大持痰，咬住一本啃下來就是王道。

3Exploratory Data Analysis 和 Data Visualization

Exploratory Data Analysis：John Tukey寫于1977年的經(jīng)典老教材祟蚀，是這一領(lǐng)域的開山之作工窍。如今EDA已經(jīng)是統(tǒng)計(jì)學(xué)里的重要一支，但當(dāng)時(shí)還是有很多人對(duì)他的工作不屑一顧前酿』汲可他愛數(shù)據(jù)，堅(jiān)信數(shù)據(jù)可以以一種出人意料的方式呈現(xiàn)出來罢维。正是他的努力淹仑，讓數(shù)據(jù)可視化成為一門無比迷人的技術(shù)。但這本書不推薦閱讀了肺孵，內(nèi)容略過時(shí)匀借。要想完整地了解EDA，推薦下一本：

Exploratory Data Analysis with MATLAB：這本書雖然標(biāo)題帶了個(gè)MATLAB平窘，但實(shí)際上內(nèi)容幾乎沒怎么講MATLAB吓肋，只是每講一個(gè)方法的時(shí)候就列出對(duì)應(yīng)的MATALB函數(shù)。這本書的重要之處在于瑰艘，這是我讀過的講EDA最系統(tǒng)的一本書是鬼，除了對(duì)visualization有不輸于John Tucky的講解外，對(duì)于高維的數(shù)據(jù)集磅叛，通過怎樣的方法才能讓我們從中找到潛在的pattern屑咳，這本書也做了詳盡的講解。全書所以案例都有對(duì)應(yīng)的MATALB代碼弊琴，而且還提供了GUI（圖形用戶界面）兆龙。所以這本書學(xué)起來還是相當(dāng)輕松愉悅的。

Visualize This：中譯本叫“鮮活的數(shù)據(jù)”敲董，作者是個(gè)“超級(jí)數(shù)據(jù)迷”紫皇，建立了一個(gè)叫http://flowingdata.com的網(wǎng)頁(yè)展示他的數(shù)據(jù)可視化作品，這本書告訴你該選擇什么樣的可視化工具腋寨，然后告訴你怎樣visualize關(guān)系型數(shù)據(jù)聪铺、時(shí)間序列、空間數(shù)據(jù)等萄窜，最后你就可以用數(shù)據(jù)講故事了铃剔。

4Machine Learning & Data Mining

這一塊就不多說了撒桨，不是因?yàn)樗恢匾且驗(yàn)樗匾?/b>所以這一部分就推兩本書键兜，都是”世界名著“凤类，都比較難讀，需要一點(diǎn)點(diǎn)地啃普气。這兩本書拿下谜疤，基本就算是登堂入室了。其實(shí)作為機(jī)器學(xué)習(xí)的延伸和深化现诀，概率圖模型（PGM）和深度學(xué)習(xí)（deep learning）同樣值得研究夷磕，特別是后者現(xiàn)在簡(jiǎn)直火得不得了。但PGM偏難仔沿，啃K.Daphne那本大作實(shí)在太燒腦坐桩，也沒必要，而且在數(shù)據(jù)領(lǐng)域的應(yīng)用也不算很廣于未。deep learning目前工業(yè)界的步子邁得比學(xué)術(shù)界的大撕攒，各個(gè)domain的應(yīng)用如火如荼，但要有公認(rèn)的好教材問世則還需時(shí)日烘浦，所以PGM和deep learning這兩塊就不薦書了抖坪。

The Element of Statistical Learning：要學(xué)機(jī)器學(xué)習(xí)，如果讓我只推薦一本書闷叉，我就推薦這本巨著擦俐。Hastie、Tibshirani握侧、Friedman這三位大牛寫書寫得太用心了蚯瞧，大廈建得夠高夠大，結(jié)構(gòu)也非常嚴(yán)謹(jǐn)品擎，而且很有前瞻性埋合，納入了很多前沿的內(nèi)容，而不僅僅是一部綜述性的教材萄传。（圖表也做得非常漂亮甚颂，應(yīng)該是用R語(yǔ)言的ggplot2做的。）這本書注重講解模型和算法本身秀菱，所以需要具備比較扎實(shí)的數(shù)理基礎(chǔ)振诬，啃起這本書來才不會(huì)太吃力。事實(shí)上掌握模型和算法的原理非常重要衍菱。機(jī)器學(xué)習(xí)（統(tǒng)計(jì)學(xué)習(xí)）的庫(kù)現(xiàn)在已經(jīng)非常豐富赶么，即使你沒有完全搞懂某個(gè)模型或算法的原理和過程，只要會(huì)用那幾個(gè)庫(kù)脊串，機(jī)器學(xué)習(xí)也能做得下去辫呻。但你會(huì)發(fā)現(xiàn)你把數(shù)據(jù)代進(jìn)去清钥，效果永遠(yuǎn)都不好。但是放闺，當(dāng)你透徹地理解了模型和算法本身循捺，你再調(diào)用那幾個(gè)庫(kù)的時(shí)候，心情是完全不一樣的雄人，效果也不一樣。

Data Mining: Concepts and Techniques, by Jiawei Han and Micheline Kamber念赶。數(shù)據(jù)挖掘的教材汗牛充棟础钠，之所以推薦這本韓家煒爺爺?shù)模且驗(yàn)殡m然他這本書的出發(fā)點(diǎn)是應(yīng)用叉谜，但原理上的內(nèi)容也一點(diǎn)沒有落下旗吁，內(nèi)容非常完整。而且緊跟時(shí)代停局，更新的很快很钓，我看過的是第二版，就已經(jīng)加進(jìn)去了social network analysis這種當(dāng)時(shí)的前沿內(nèi)容《裕現(xiàn)在已經(jīng)有第三版了码倦，我還沒看過，但應(yīng)該也加入了不少新內(nèi)容锭碳。其實(shí)這本書并不難讀袁稽，只是篇幅較長(zhǎng)，啃起來比較耗時(shí)擒抛。

其實(shí)這兩本書里單拎出來一塊內(nèi)容可能又是幾本書的節(jié)奏推汽，比如bayesian方法，再拿出兩三本書來講也不為過歧沪，我個(gè)人用到的比較多歹撒，而且也確實(shí)有不少好書。但并非是所有data scientist都要用到诊胞，所以這一塊就不再細(xì)說暖夭。

還有一些印象比較深刻的書：

Big Data Glossary：?主要講解大數(shù)據(jù)處理技術(shù)及工具，內(nèi)容涵蓋了NoSQL厢钧，MapReduce鳞尔，Storage，Servers早直，NLP庫(kù)與工具包寥假，機(jī)器學(xué)習(xí)工具包，數(shù)據(jù)可視化工具包霞扬，數(shù)據(jù)清洗糕韧，序列化指南等等枫振。總之萤彩，是一本辭典式的大數(shù)據(jù)入門指導(dǎo)粪滤。

Mining of Massive Datasets：這本書是斯坦福大學(xué)Web Mining的講義，里面很多內(nèi)容與韓家煒的Data Mining那本書重合雀扶，但這本書里詳細(xì)地講了MapReduce的設(shè)計(jì)原理杖小，PageRank（Google創(chuàng)業(yè)時(shí)期的核心排序算法，現(xiàn)在也在不斷優(yōu)化更新）講解得也比較詳細(xì)愚墓。

Developing Analytic Talent：作者是個(gè)從事了十幾年數(shù)據(jù)工作的geek予权，技術(shù)博客寫得很有個(gè)人風(fēng)格，寫的內(nèi)容都比較偏門浪册，通常只有具備相關(guān)數(shù)據(jù)處理經(jīng)驗(yàn)的人能體會(huì)出來扫腺，絲毫不照顧初學(xué)者的感受。比如他會(huì)談到當(dāng)數(shù)據(jù)流更新太快時(shí)該怎么辦村象，或者M(jìn)apReduce在什么時(shí)候不好用的問題笆环，才不管你懂不懂相關(guān)基礎(chǔ)原理。所以這本書不太適合初學(xué)者閱讀厚者。這本書其實(shí)是作者的博客文章的集結(jié)躁劣，用how to become a data scientist的邏輯把他近幾年的博客文章串聯(lián)了起來。

Past, Present and Future of Statistical Science：這本書是由COPSS（統(tǒng)計(jì)學(xué)社主席委員會(huì)籍救，由國(guó)際各大統(tǒng)計(jì)學(xué)會(huì)的帶頭人組成）在50周年出版的一本紀(jì)念冊(cè)习绢，里面有50位統(tǒng)計(jì)學(xué)家每人分別貢獻(xiàn)出的一兩篇文章，有的回憶了自己當(dāng)年如何走上統(tǒng)計(jì)學(xué)這條路蝙昙，有的探討了一些統(tǒng)計(jì)學(xué)的根本問題闪萄，有的談了談自己在從事的前沿研究，有的則給年輕一代寫下了寄語(yǔ)奇颠。非常有愛的一本書败去。

5其他資料

Harvard Data Science：這是H大的Data science在線課，我沒有修過烈拒，但口碑很好圆裕。這門課需要費(fèi)用8千刀左右，比起華盛頓大學(xué)的4千刀的Data science在線課雖貴一倍荆几，但比斯坦福的14千刀要便宜將近一半（而且斯坦福的更偏計(jì)算機(jī)）吓妆。如果想自學(xué)，早有好心人分享了slides: （https://drive.google.com/folderview?id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing）和homeworks and solutions: （https://github.com/cs109/content）吨铸。

PyData：PyData是來自各個(gè)domain的用Python做數(shù)據(jù)的人每年舉行一次的聚會(huì)行拢，期間會(huì)有各路牛人舉行一些規(guī)模不大的seminar或workshop，有好心人已經(jīng)把video上傳到github诞吱，有興趣的去認(rèn)領(lǐng)吧（DataTau/datascience-anthology-pydata · GitHub）舟奠。

6工具

R/Python/MATLAB（必備）：如果是做數(shù)據(jù)分析和模型開發(fā)竭缝，以我的觀察來看，使用這三種工具的最多沼瘫。R生來就是一個(gè)統(tǒng)計(jì)學(xué)家開發(fā)的軟件抬纸，所做的事也自然圍繞統(tǒng)計(jì)學(xué)展開。MATLAB雖然算不上是個(gè)專業(yè)的數(shù)據(jù)分析工具耿戚，但因?yàn)楹芏嗳瞬皇菍I(yè)做數(shù)據(jù)的湿故，做數(shù)據(jù)還是為了自己的domain expertise（特別是科學(xué)計(jì)算、信號(hào)處理等）膜蛔，而MATLAB又是個(gè)強(qiáng)大無比的Domain expertise工具晓锻，所以很多人也就順帶讓MATLAB也承擔(dān)了數(shù)據(jù)處理的工作，雖然它有時(shí)候顯得效率不高飞几。Python雖然不是做數(shù)據(jù)分析的專業(yè)軟件，但作為一個(gè)面向?qū)ο蟮母呒?jí)動(dòng)態(tài)語(yǔ)言独撇，其開源的生態(tài)使Python擁有無比豐富的庫(kù)屑墨，Numpy, Scipy 實(shí)現(xiàn)了矩陣運(yùn)算/科學(xué)計(jì)算，相當(dāng)于實(shí)現(xiàn)了MATLAB的功能纷铣，Pandas又使Python能夠像R一樣處理dataframe卵史，scikit-learn又實(shí)現(xiàn)了機(jī)器學(xué)習(xí)。

SQL（必備）：雖然現(xiàn)在人們都說傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)如Oracle搜立、MySQL越來越無法適應(yīng)大數(shù)據(jù)的發(fā)展以躯，但對(duì)于很多人來說，他們每天都有處理數(shù)據(jù)的需要啄踊，但可能一輩子都沒機(jī)會(huì)接觸TB級(jí)的數(shù)據(jù)忧设。不管怎么說，不論是用關(guān)系型還是非關(guān)系型數(shù)據(jù)庫(kù)颠通，SQL語(yǔ)言是必須要掌握的技能址晕，用什么數(shù)據(jù)庫(kù)視具體情況而定。

MongoDB（可選）：目前最受歡迎的非關(guān)系型數(shù)據(jù)庫(kù)NoSQL之一顿锰，不少人認(rèn)為MongoDB完全可以取代mySQL谨垃。確實(shí)MongoDB方便易用，擴(kuò)展性強(qiáng)硼控，Web2.0時(shí)代的必需品刘陶。

Hadoop/Spark/Storm（可選）：MapReduce是當(dāng)前最著名也是運(yùn)用最廣泛的分布式計(jì)算框架，由Google建立牢撼。Hadoop是基于MapReduce的框架建立起來的分布式計(jì)算系統(tǒng)匙隔，Spark更進(jìn)一步，在MapReduce的思路上利用有向無環(huán)圖構(gòu)建了RDD浪默，這樣就減少了Map和Reduce之間傳遞的數(shù)據(jù)牡直，所以非常適合反復(fù)迭代計(jì)算的場(chǎng)景缀匕。至于存儲(chǔ)方面，他們之間的區(qū)別就是碰逸，Hadoop用硬盤存儲(chǔ)數(shù)據(jù)乡小，Spark用內(nèi)存存儲(chǔ)數(shù)據(jù)，Storm只接受實(shí)時(shí)數(shù)據(jù)流而不存儲(chǔ)數(shù)據(jù)饵史。

OpenRefine（可選）：Google開發(fā)的一個(gè)易于操作的數(shù)據(jù)清洗工具满钟，可以實(shí)現(xiàn)一些基本的清洗功能。

Tableau（可選）：一個(gè)可交互的數(shù)據(jù)可視化工具胳喷，操作簡(jiǎn)單湃番，開箱即用。而且圖表都設(shè)計(jì)得非常漂亮吭露。專業(yè)版1999美刀吠撮，終身使用。媒體和公關(guān)方面用得比較多讲竿。

Gephi（可選）：跟Tableau類似泥兰，都是那種可交互的可視化工具，不需要編程基礎(chǔ)题禀，生成的圖表在美學(xué)和設(shè)計(jì)上也是花了心血的鞋诗。更擅長(zhǎng)復(fù)雜網(wǎng)絡(luò)的可視化。

很多初學(xué)者迈嘹，對(duì)大數(shù)據(jù)的概念都是模糊不清的削彬，大數(shù)據(jù)是什么，能做什么秀仲，學(xué)的時(shí)候融痛，該按照什么線路去學(xué)習(xí)，學(xué)完往哪方面發(fā)展神僵，想深入了解酌心，想學(xué)習(xí)的同學(xué)歡迎加入大數(shù)據(jù)學(xué)習(xí)企鵝群：458345782，有大量干貨（零基礎(chǔ)以及進(jìn)階的經(jīng)典實(shí)戰(zhàn)）分享給大家挑豌，并且有清華大學(xué)畢業(yè)的資深大數(shù)據(jù)講師給大家免費(fèi)授課安券，給大家分享目前國(guó)內(nèi)最完整的大數(shù)據(jù)高端實(shí)戰(zhàn)實(shí)用學(xué)習(xí)流程體系