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

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：

1. 用描述统计计算销售额均值/环比（Excel函数）

2. 用假设检验判断活动是否显著提升销量（Python的ttest_ind）

3. 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​