数据角度分析学习方法

❶ 如何真正学好数据分析

除了数据分析的道，再来讲讲数据分析的术，即工具和手段，如果你进入了一个企业，希望尽快成长为一个数据分析师，还需要在以下4个方面加强学习，当然仅供参考，不用尽信，西线学院相信每个人都需要形成自己的学习轨迹，不需要照搬它人。
数据学习
业务学习有一个毛病，比如你看案例，往往接触到的数据或使用的数据是局部的，因此，你的视野会受局限，在大多数公司里，很多数据分析师其实缺乏全局的数据视野，因为他不知道到底有多少数据，因此，永远只能在已知的数据里转圈圈，当然，可能也够了，但我这里要说得是做得最好。
数据分析师应该主动的向IT部门拿到最全的数据字典，对于数据字典进行持续的学习，了解每张表甚至字段的业务含义，理解的越透彻，你的分析潜力就越大。更有甚者，笔者还建议你去理解源系统，从业务实现流程角度出发去理解对应数据的含义，因为有时候，简单的业务描述在数据上的表达却是非常复杂的，业务语言与数据语言很多时候是1对多关系，打个比方，你看到业务系统上某个菜单的功能，对应到系统中的数据是怎样的，你能还原出来吗?
当然，大多数数据分析师可能不需要进行系统数据学习，反正实践中慢慢熟悉好了，但自顶向下的数据学习方式可以让你有一个更好的基础和更全局的数据视野。
技术学习
有几个层面的东西要学，依赖于实际的场景和你希望达到的阶段：
首先，你要学会从数据库或者其它源头获取数据，很多数据分析师仍然依赖于IT人员获取数据，但大数据时代，真的有必要自己动手了，因为依赖他人效率太低了，起码你要会SQL，SQL甚至基本上是为统计取数而生的方便工具，图形化的透视方式也远远没有SQL的表达能力强，这是基本功，其实， SQL就能解决大多数统计取数问题。
其次，你要会一些数据分析工具，EXCEL是最基本的，其实大多数数据分析基于EXCEL应付已经绰绰有余了，EXCEL的图形表达能力也已经够强。
最后，如果你希望更深一层，那就学习R语言、PYTHON、SPSS，SAS等，他们提供了更强大的挖掘能力，可以帮你把统计学的数据挖掘精髓发挥的淋漓尽致。
当然，如果有可能，你也要熟悉一下你所在企业的数据仓库或大数据平台，懂得一些基本的操作，对于你提升分析的自由度和灵活性也大有好处，比如自己搞个脚本定时跑数据，打造个人的数据集市，现在数据分析的概念也越来越大，很多公司把对于大数据平台的数据处理能力也纳入到数据分析师的技能范畴。
以上层层递推，其实数据分析师每在IT上前进一步，带来的效益是几何级的，比如你懂Hadoop，那么，你就可能离大数据更近一点。
统计理论
终于讲到大家都很关心的统计学知识了，推荐一些书吧：
《深入浅出数据分析》：讲了数据分析到底是干什么的?数据分析都包含什么内容?对新人们还是有一定的作用，难度容易。
《深入浅出统计学》：要了解常用数理统计模型(描述统计指标、聚类、决策树、贝叶斯分类、回归等)，重点放在学习模型的工作原理、输入内容和输出内容，至于具体的数学推导，学不会可暂放一边，难度容易。
《极简统计学》：对统计推断部分的阐述十分清晰，适合非统计背景的人工阅读
《统计学：从数据到结论》：简明精要，统计概念和R可以一起学习
《数据挖掘导论》：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，笔者也最近买的，很好，很多概念解释的比较清楚，难度中上。
这些都是很实用的书籍，但结合了实践学更好，对于特定的业务场景，就找对应的书看吧，网上推荐的也很多了，大家自己搜索。
表达能力
作为数据分析人员，PPT制作能力是极其重要的一项能力，你总要通过某种形式表达出你的观点，很核心的一点是需要有严密的逻辑，甚至滴水不漏，可以通过思维导图来训练自己，但实际的格式表达却有点八股，一般都是现状分析，原因剖析、分析结论和后续措施啥的，万变不离其宗，当然你需要花一点时间来了解如何做重点突出，如何图文并茂，PPT的写作决非一日之功。

❷ 数据分析的基本方法有哪些

数据分析的三个常用方法：
1. 数据趋势分析
趋势分析一般而言，适用于产品核心指标的长期跟踪，比如，点击率，GMV，活跃用户数等。做出简单的数据趋势图，并不算是趋势分析，趋势分析更多的是需要明确数据的变化，以及对变化原因进行分析。
趋势分析，最好的产出是比值。在趋势分析的时候需要明确几个概念：环比，同比，定基比。环比是指，是本期统计数据与上期比较，例如2019年2月份与2019年1月份相比较，环比可以知道最近的变化趋势，但是会有些季节性差异。为了消除季节差异，于是有了同比的概念，例如2019年2月份和2018年2月份进行比较。定基比更好理解，就是和某个基点进行比较，比如2018年1月作为基点，定基比则为2019年2月和2018年1月进行比较。
比如：2019年2月份某APP月活跃用户数我2000万，相比1月份，环比增加2%，相比去年2月份，同比增长20%。趋势分析另一个核心目的则是对趋势做出解释，对于趋势线中明显的拐点，发生了什么事情要给出合理的解释，无论是外部原因还是内部原因。
2. 数据对比分析
数据的趋势变化独立的看，其实很多情况下并不能说明问题，比如如果一个企业盈利增长10%，我们并无法判断这个企业的好坏，如果这个企业所处行业的其他企业普遍为负增长，则5%很多，如果行业其他企业增长平均为50%，则这是一个很差的数据。
对比分析，就是给孤立的数据一个合理的参考系，否则孤立的数据毫无意义。在此我向大家推荐一个大数据技术交流圈： 658558542 突破技术瓶颈，提升思维能力 。
一般而言，对比的数据是数据的基本面，比如行业的情况，全站的情况等。有的时候，在产品迭代测试的时候，为了增加说服力，会人为的设置对比的基准。也就是A/B test。
比较试验最关键的是A/B两组只保持单一变量，其他条件保持一致。比如测试首页改版的效果，就需要保持A/B两组用户质量保持相同，上线时间保持相同，来源渠道相同等。只有这样才能得到比较有说服力的数据。
3. 数据细分分析
在得到一些初步结论的时候，需要进一步地细拆，因为在一些综合指标的使用过程中，会抹杀一些关键的数据细节，而指标本身的变化，也需要分析变化产生的原因。这里的细分一定要进行多维度的细拆。常见的拆分方法包括：
分时 ：不同时间短数据是否有变化。
分渠道 ：不同来源的流量或者产品是否有变化。
分用户 ：新注册用户和老用户相比是否有差异，高等级用户和低等级用户相比是否有差异。
分地区 ：不同地区的数据是否有变化。
组成拆分 ：比如搜索由搜索词组成，可以拆分不同搜索词;店铺流量由不用店铺产生，可以分拆不同的店铺。
细分分析是一个非常重要的手段，多问一些为什么，才是得到结论的关键，而一步一步拆分，就是在不断问为什么的过程。

❸ 如何学习数据分析

第一方面是数学基础，第二方面是统计学基础，第三方面是计算机基础。要想在数据分析的道路上走得更远，一定要注重数学和统计学的学习。数据分析说到底就是寻找数据背后的规律，而寻找规律就需要具备算法的设计能力，所以数学和统计学对于数据分析是非常重要的。

而想要快速成为数据分析师，则可以从计算机知识开始学起，具体点就是从数据分析工具开始学起，然后在学习工具使用过程中，辅助算法以及行业致死的学习。学习数据分析工具往往从Excel工具开始学起，Excel是目前职场人比较常用的数据分析工具，通常在面对10万条以内的结构化数据时，Excel还是能够胜任的。对于大部分职场人来说，掌握Excel的数据分析功能能够应付大部分常见的数据分析场景。

在掌握Excel之后，接下来就应该进一步学习数据库的相关知识了，可以从关系型数据库开始学起，重点在于Sql语言。掌握数据库之后，数据分析能力会有一个较大幅度的提升，能够分析的数据量也会有明显的提升。如果采用数据库和BI工具进行结合，那么数据分析的结果会更加丰富，同时也会有一个比较直观的呈现界面。

数据分析的最后一步就需要学习编程语言了，目前学习Python语言是个不错的选择，Python语言在大数据分析领域有比较广泛的使用，而且Python语言自身比较简单易学，即使没有编程基础的人也能够学得会。通过Python来采用机器学习的方式实现数据分析是当前比较流行的数据分析方式。

对大数据分析有兴趣的小伙伴们，不妨先从看看大数据分析书籍开始入门！B站上有很多的大数据教学视频，从基础到高级的都有，还挺不错的，知识点讲的很细致，还有完整版的学习路线图。也可以自己去看看，下载学习试试。

❹ 数据分析的方法有哪些

② 数据分析为了挖掘更多的问题，并找到原因；
③ 不能为了做数据分析而坐数据分析。
2、步骤：① 调查研究：收集、分析、挖掘数据
② 图表分析：分析、挖掘的结果做成图表
3、常用方法： 利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等，它们分别从不同的角度对数据进行挖掘。 ①分类。分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。 ②回归分析。回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。 ③聚类。聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。 ④关联规则。关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。 ⑤特征。特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。 ⑥变化和偏差分析。偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。 ⑦Web页挖掘。

❺ 常用的数据分析方法有哪些

常见的数据分析方法有哪些？
1.趋势分析
当有大量数据时，我们希望更快，更方便地从数据中查找数据信息，这时我们需要使用图形功能。所谓的图形功能就是用EXCEl或其他绘图工具来绘制图形。
趋势分析通常用于长期跟踪核心指标，例如点击率，GMV和活跃用户数。通常，只制作一个简单的数据趋势图，但并不是分析数据趋势图。它必须像上面一样。数据具有那些趋势变化，无论是周期性的，是否存在拐点以及分析背后的原因，还是内部的或外部的。趋势分析的最佳输出是比率，有环比，同比和固定基数比。例如，2017年4月的GDP比3月增加了多少，这是环比关系，该环比关系反映了近期趋势的变化，但具有季节性影响。为了消除季节性因素的影响，引入了同比数据，例如：2017年4月的GDP与2016年4月相比增长了多少，这是同比数据。更好地理解固定基准比率，即固定某个基准点，例如，以2017年1月的数据为基准点，固定基准比率是2017年5月数据与该数据2017年1月之间的比较。
2.对比分析
水平对比度：水平对比度是与自己进行比较。最常见的数据指标是需要与目标值进行比较，以了解我们是否已完成目标；与上个月相比，要了解我们环比的增长情况。
纵向对比：简单来说，就是与其他对比。我们必须与竞争对手进行比较以了解我们在市场上的份额和地位。
许多人可能会说比较分析听起来很简单。让我举一个例子。有一个电子商务公司的登录页面。昨天的PV是5000。您如何看待此类数据？您不会有任何感觉。如果此签到页面的平均PV为10,000，则意味着昨天有一个主要问题。如果签到页面的平均PV为2000，则昨天有一个跳跃。数据只能通过比较才有意义。
3.象限分析
根据不同的数据，每个比较对象分为4个象限。如果将IQ和EQ划分，则可以将其划分为两个维度和四个象限，每个人都有自己的象限。一般来说，智商保证一个人的下限，情商提高一个人的上限。
说一个象限分析方法的例子，在实际工作中使用过：通常，p2p产品的注册用户由第三方渠道主导。如果您可以根据流量来源的质量和数量划分四个象限，然后选择一个固定的时间点，比较每个渠道的流量成本效果，则该质量可以用作保留的总金额的维度为标准。对于高质量和高数量的通道，继续增加引入高质量和低数量的通道，低质量和低数量的通过，低质量和高数量的尝试策略和要求，例如象限分析可以让我们比较和分析时间以获得非常直观和快速的结果。
4.交叉分析
比较分析包括水平和垂直比较。如果要同时比较水平和垂直方向，则可以使用交叉分析方法。交叉分析方法是从多个维度交叉显示数据，并从多个角度执行组合分析。
分析应用程序数据时，通常分为iOS和Android。
交叉分析的主要功能是从多个维度细分数据并找到最相关的维度，以探究数据更改的原因。

❻ 中学数学数据分析能力的培养方法 如何培养学生数据分析能力

1、通过统计教学,激发学生的数据分析观念。

2、统计学的一个核心就是数据分析。不论是统计还是概率,都要基于数据,基于对数据的分析,在进行预测的同时,为了使预测更合理,也需要收集更多的数据。如要选谁参加数学竞赛,如果投票选举,那么就不具备统计观念,也就会不合理。但如果意识到事前要收集以往学习成绩,再通过整理与分析数据,然后去选选手肯定是比较可靠的。要想办法激发学生的学习动机。可以从以下两方面考虑:一是要选择合适的素材。二是要让学生感受到数据分析的现实意义。我们不但要让学生知道这些联系,还要培养学生有意识地从统计的角度思考有关问题,也就是遇到问题时能想到用统计的知识分析数据的能力。

3、鼓励学生从多角度分析数据,掌握数据分析的方法,通过数据分析,培养学生思维的灵活性。

4、义务教育阶段的统计学习要让学生有意识地、正确地运用统计来解决实际问题,又能理智地分析他人的统计数据,以作出合理的判断。目前要求的平均数、中位数、众数,它们都是刻画一组数据集中情况的统计量。只有在数据分布偏态(不对称)的情况下,才会出现均值、中位数和众数的区别，这也就是我们常说的平均数容易.受极端数据的影响。进行数据分析时经常使用平均数的理由，利用平均数代表数据，可以使二次损失(误差平方和)

5、达到最小。而利用中位数代表数据，是使一次损失(误差绝对值的和)最小。但是现在平均数教学中也存在着问题，其中之一是学生学习了平均数，会进行计算，但是当遇到真正的数据需要分析时，却很少想到用平均数。所以说：义务教育阶段统计教学的关键是发展学生的数据分析观念，使他们想到用数据。学生要会从不同的统计图表中获取有用的数据，能从数据中提取一些信息。

6、通过数据分析，体验随机观念。

7、老师在教学可能性时，注重让学生动手操作实验，课堂气氛很好，却忽略了对数据的分析。课后却发现学生的作业“箱子里有5个红球,1个白球。摸到球的可能性大”。还有一大部分学生填白球，就问我为什么?我认为应先让学生操作实验，用实验获得数据，再对数据进行分析获取频率，用频率来推断概率。这种通过对数据进行分析处理。

❼ 怎样对数据进行分析—数据分析的六大步骤

        时下的大数据时代与人工智能热潮，相信很多人都会对数据分析产生很多的兴趣，其实数据分析师是Datician的一种，指的是不同行业中，专门从事行业数据收集，整理，分析，并依据数据做出行业研究、评估和预测的专业人员。

        很多人学习过数据分析的知识，但是当真正接触到项目的时候却不知道怎样去分析了，导致这样的原因主要是没有属于自己的分析框架，没有一个合理的分析步骤。那么数据分析的步骤是什么呢？比较让大众认可的数据分析步骤分为

六大步骤。只有我们有合理的分析框架时，面对一个数据分析的项目就不会无从下手了。

        无论做什么事情，首先我们做的时明确目的，数据分析也不例外。在我们进行一个数据分析的项目时，首先我们要思考一下为什么要进展这个项目，进行数据分析要解决什么问题，只有明确数据分析的目的，才不会走错方向，否则得到的数据就没有什么指导意义。

        明确好数据分析目的，梳理分析思路，并搭建分析框架，把分析目的分解成若干不同的分析要点，即如何具体开展数据分析，需要从那几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑化，确定分析对象、分析方法、分析周期及预算，保证数据分析的结果符合此次分析的目的。

        数据收集的按照确定的数据分析框架，收集相关数据的过程，它为数据分析提供了素材和依据。常见的数据收集方式主要有以下几种

        一般地我们收集过来的数据都是杂乱无章的，没有什么规律可言的，所以就需要对采集到的数据进行加工处理，形成合适的数据样式，保证数据的一致性和有效性。一般在工作中数据处理会占用我们大部分的时间

        数据处理的基本目的是从大量的，杂乱无章的数据中抽取到对接下来数据分析有用的数据形式。常见的数据处理方式有 数据清洗、数据分组、数据检索、数据抽取 等，使用的工具有 Excel、SQL、Python、R 语言等。

        对数据整理完毕之后，就需要对数据进行综合的分析。数据分析方式主要是使用适当的分析方法和工具，对收集来的数据进行分析，提取有价值的信息，形成有效结论的过程。

        在确定数据分析思路的阶段，就需要对公司业务、产品和分析工具、模型等都有一定的了解，这样才能更好地驾驭数据，从容地进行分析和研究，常见的分析工具有 SPSS、SAS、Python、R语言 等，分析模型有 回归、分类、聚类、关联、预测 等。其实数据分析的重点不是采用什么分析工具和模型而是找到合适的分析工具和模型，从中发现数据中含有的规律。

        通过对数据的收集、整理、分析之后，隐藏的数据内部的关系和规律就会逐渐浮现出来，那么通过什么方式展现出这些关系和规律，才能让别人一目了然。一般情况下，是通过表格和图形的方式来呈现出来。多数情况下，人们通常愿意接受图形这样数据展现方式，因为它能更加有效、直观地传递出数据所要表达的观点。

        常用数据图表 有饼图、柱形图、条形图、折线图、气泡图、散点图、雷达图、矩阵图 等图形，在使用图形展现的情况下需要注意一下几点：

        当分析出来最终的结果之后，我们是知道这部分数据展现出来的意义，适用的场景。但是如果想让更多人了解你分析出来的东西，让你的分析成果为众人所熟知，这时就需要一份完美的PPT报告，一个逻辑合理的故事。这样的分析结果才是最完美的。

        一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次清晰，能够让阅读者一目了然。结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象，直观地看清楚问题和结论，从而产生思考。

                                                           数据分析的四大误区

1、分析目的不明确，不能为了分析而分析 。只有明确目的才能更好的分析

2、缺乏对行业、公司业务的认知，分析结果偏离实际 。数据必须和业务结合才有意义，清楚所在行业的整体结构，对行业的上游和下游的经营情况有大致的了解，在根据业务当前的需要，制定发展计划，归类出需要整理的数据，同时，熟悉业务才能看到数据背后隐藏的信息。

3、为了方法而方法，为了工具而工具 。只要能解决问题的方法和工具就是好的方法和工具

4、数据本身是客观的，但被解读出来的数据是主观的 。同样的数据由不同的人分析很可能得出完全相反的结论，所以一定不能提前带着观点去分析

❽ 数据分析方法

常见的分析方法有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

❾ 新手怎么学习数据分析

1、在选择数据分析师这条路之前，一定要思考再三，虽然这条路看着光鲜靓丽(至少职业的薪酬收入类比其他行业不会好不少)，但也是一条艰难前行之路，充满着未知、荆棘和困惑。

2、虽然数据分析这个行业有着天然的专业鄙视链(文理科的逻辑思维功底、编程语言接受程度上以及数理统计基础实实在在的存在差别，这也是甲方更信赖理工科出身的重要原因，因为社科或文艺类专业，很少有学校会严格地按照数理逻辑去制定学生的课程培养计划)，但是并不代表文科生没有任何机会，因为大学以前，其实我们都没正式接触过编程或统计学，大学本科更多的是提升一个人的思维、而不是过硬的专研能力。

3、如果你要坚定的选择这条路，就必须克服各种依赖症，比如安装一个R语言或Python软件，从庞大的数据中得出客观的结论过程，用学到的知识去分析数据的价值等等，一定要动手动脑去实战，不要单凭以前的文科思维(更注重思维的创造和个性的发扬)，理性思维和客观科学更重要。

4、动手实践和实习参与项目是很好的数据科学或者数据分析的开端，只学不练假把式，只有直接用于实战，才能看出来你学的东西到底有多少能够落地，能够用于提升业务的价值。

5、在求职以前，倘若时间允许，把R语言、Python(数据科学相关模块)、SQL(可以选择一个平台，比如MySQL)这三大关卡早点过了。

6、如果你还是在校学生，学会分清各种事情的轻重缓急，比如各种无聊拉人凑场子讲座、听课发礼品的营销洗脑课，无效应酬社交，如果全部都用在数据分析的学习上，你会发现你的时间多了很多，自然你也可以更早地追上同行的脚步。

7、脚踏实地的去走自己的路，不会的多写、多看、多问(问真正有价值的问题)、多总结、多交流，给自己足够的转行周期。

8、学会融会贯通不同领域的知识，触类旁通、横向迁移，这样学起来才有越学越有通透的感觉，否则你只能增加笔记本的厚度，徒增烦恼罢了。