讓自己站在巨人的肩膀上去學習,事半功倍.這裡邊羅列了最佳學習路線,供大家參考.
基本上就是這些:
看在線互動教程、打代碼，瞭解R的最基本的東西，大概能做哪些事情（比如計算一些線性迴歸），自己根據這些教程去做各種變化，做許多實驗，探索一下這個語言的基本語法和構造。
看一些入門書籍，比如 Introductory Time Series with R等等，給你展示怎樣用R來比較完整地解決一個問題。可以根據你的領域選擇類似的書籍。
開始用R解決一些統計、計量相關的計算性問題，比如用自己的數據跑一些模型，探索這些數據裡面可能有趣的東西。
在數據較為複雜一些的項目中使用R，發現數據操作能力太弱，開始接觸更深層的R概念，比如可以看 Data Manipulation With R (Phil Spector)，形成更加系統的概念，逐漸掌握操作複雜一些的數據和對象的能力。
學習最流行的R擴展包的使用方法，發現整理數據和建模中的許多工作都大幅簡化，工作效率出現質的提升。
逐漸開始做更為複雜的項目，形成一整套數據處理、建模的技術和技巧，形成較為系統、完整的認識和知識結構，有較強的社區檢索能力，遇到問題能夠自行解決或者通過社區解決。
閱讀進階的書籍，例如 Hadley 的 Advanced R Programming，對R的底層和開發有了更加深刻和全面的認識，形成了使用R的基本直覺。
1. EXCEL、PPT(必須精通)
數據工作者的基本姿態，話說本人技術並不是很好，但是起碼會操作;要會大膽秀自己，和業務部門交流需求，展示分析結果。技術上回VBA和數據透視就到頂了。
2. 數據庫類(必須學)
初級只要會RDBMS就行了，看公司用哪個，用哪個學哪個。沒進公司就學MySQL吧。
NoSQL可以在之後和統計學啥的一起學。基本的NoSQL血MongoDB和Redis(緩存，嚴格意義上不算數據庫)，然後(選學)可以瞭解各類NoSQL，基於圖的數據庫Neo4j，基於Column的數據庫BigTable，基於key-value的數據庫redis/cassendra，基於collection的數據庫MongoDB。
3. 統計學(必須學)
如果要學統計學，重要概念是會描述性統計、假設檢驗、貝葉斯、極大似然法、迴歸(特別是廣義線性迴歸)、主成分分析。這些個用的比較多。也有學時間序列、bootstrap、非參之類的，這個看自己的意願。
其他數學知識：線性代數常用(是很多後面的基礎)，微積分不常用，動力系統、傅里葉分析看自己想進的行業了。
4. 機器學習(數據分析師要求會選、用、調)
常用的是幾個線性分類器、聚類、迴歸、隨機森林、貝葉斯;不常用的也稍微瞭解一下;深度學習視情況學習。
5. 大數據(選學，有公司要求的話會用即可，不要求會搭環境)
hadoop基礎，包括hdfs、map-reduce、hive之類;後面接觸spark和storm再說了。
6. 文本類(選學，有公司要求的話會用即可)
這部分不熟，基本要知道次感化、分詞、情感分析啥的。
7. 工具類
語言：非大數據類R、Python最多(比較geek的也有用julia的，不差錢和某些公司要求的用SAS、Matlab);大數據可能還會用到scala和java。
可視化(選學)：tableau、http://plot.ly、d3.js、echarts.js，R裡面的ggplot、ggvis，Python裡的bokeh、matplotlib、seaborn都不錯
數據庫語言：看你自己用啥學啥
其他框架、類庫(選學)：爬蟲(requests、beautifulsoup、scrapy)，日誌分析(常見elk)
附一張圖
閱讀更多 產品GEEK 的文章
