1. 想對sql 有更深層次的學習
對於oracle，db2這些大型資料庫而言，先把資料庫的系統架構做個初步的了解，然後對sql應用深入了解，最後對管理進行深入研究
書籍可以先看一些入門的書，然後看高級的
2. 如何七周成為數據分析師：SQL，從入門到熟練
數據分析師職位要求 ：
1、計算機、統計學、數學等相關專業本科及以上學歷；
2、具有深厚的統計學、數據挖掘知識，熟悉數據倉庫和數據挖掘的相關技術，能夠熟練地使用SQL；
3、三年以上具有海量數據挖掘、分析相關項目實施的工作經驗，參與過較完整的數據採集、整理、分析和建模工作；
4、對商業和業務邏輯敏感，熟悉傳統行業數據挖掘背景、了解市場特點及用戶需求，有互聯網相關行業背景，有網站用戶行為研究和文本挖掘經驗尤佳；
5、具備良好的邏輯分析能力、組織溝通能力和團隊精神；
6、富有創新精神，充滿激情，樂於接受挑戰。
1、態度嚴謹負責
嚴謹負責是數據分析師的必備素質之一，只有本著嚴謹負責的態度，才能保證數據的客觀、准確。在企業里，數據分析師可以說是企業的醫生，他們通過對企業運營數據的分析，為企業尋找症結及問題。一名合格的數據分析師，應具有嚴謹、負責的態度，保持中立立場，客觀評價企業發展過程中存在的問題，為決策層提供有效的參考依據；不應受其他因素影響而更改數據，隱瞞企業存在的問題，這樣做對企業發展是非常不利的，甚至會造成嚴重的後果。而且，對數據分析師自身來說，也是前途盡毀，從此以後所做的數據分析結果都將受到質疑，因為你已經不再是可信賴的人，在同事、領導、客戶面前已經失去了信任。所以，作為一名數據分析師就必須持有嚴謹負責的態度，這也是最基本的職業道德。
2、好奇心強烈
好奇心人皆有之，但是作為數據分析師，這份好奇心就應該更強烈，要積極主動地發現和挖掘隱藏在數據內部的真相。在數據分析師的腦子里，應該充滿著無數個「為什麼」，為什麼是這樣的結果，為什麼不是那樣的結果，導致這個結果的原因是什麼，為什麼結果不是預期的那樣等等。這一系列問題都要在進行數據分析時提出來，並且通過數據分析，給自己一個滿意的答案。越是優秀的數據分析師，好奇心也越不容易滿足，回答了一個問題，又會拋出一個新的問題，繼續研究下去。只有擁有了這樣一種刨根問底的精神，才會對數據和結論保持敏感，繼而順藤摸瓜，找出數據背後的真相。
3、邏輯思維清晰
除了一顆探索真相的好奇心，數據分析師還需要具備縝密的思維和清晰的邏輯推理能力。我記得有位大師說過：結構為王。何謂結構，結構就是我們常說的邏輯，不論說話還是寫文章，都要有條理，有目的，不可眉毛鬍子一把抓，不分主次。
通常從事數據分析時所面對的商業問題都是較為復雜的，我們要考慮錯綜復雜的成因，分析所面對的各種復雜的環境因素，並在若干發展可能性中選擇一個最優的方向。這就需要我們對事實有足夠的了解，同時也需要我們能真正理清問題的整體以及局部的結構，在深度思考後，理清結構中相互的邏輯關系，只有這樣才能真正客觀地、科學地找到商業問題的答案。
4、擅長模仿
在做數據分析時，有自己的想法固然重要，但是「前車之鑒」也是非常有必要學習的，它能幫助數據分析師迅速地成長，因此，模仿是快速提高學習成果的有效方法。這里說的模仿主要是參考他人優秀的分析思路和方法，而並不是說直接「照搬」。成功的模仿需要領會他人方法精髓，理解其分析原理，透過表面達到實質。萬變不離其宗，要善於將這些精華轉化為自己的知識，否則，只能是「一直在模仿，從未超越過」。
5、勇於創新
通過模仿可以借鑒他人的成功經驗，但模仿的時間不宜太長，並且建議每次模仿後都要進行總結，提出可以改進的地方，甚至要有所創新。創新是一個優秀數據分析師應具備的精神，只有不斷的創新，才能提高自己的分析水平，使自己站在更高的角度來分析問題，為整個研究領域乃至社會帶來更多的價值。現在的分析方法和研究課題千變萬化，墨守成規是無法很好地解決所面臨的新問題的。
3. 數據分析的方向都有哪些
很多人都想進入數據分析這一行業，但是對數據分析的方向不是很了解，很多人都認為數據分析是需要安靜下來分析數據的，不需要多麼強的表達能力，其實這是不對的，數據分析工作是有很多方向的，不用的方向對人才有不同的需求，一般來說，數據分析的方向大致可以劃分成四大方向，分別式數據分析，數據挖掘，數據產品，數據工程。
首先說一下數據分析這一個方向。數據分析包括數據運營和商業分析 。數據分析是業務方向的數據分析師。這是很多人都能夠進入的數據分析行業，也是很多人從這個方向成為了數據分析師，在數據分析行業中，業務方向的數據分析師最多。正因為人數最多，所以這類崗位的人才質量參差不齊。有的數據分析師也只是會Excel表。當然數據分析師是一個基礎崗位，如果專精於業務，更適合往管理端發展，單純的工具和技巧很難拉開差距。數據分析的管理崗，比較常見的有數據運營經理和總監，數據分析經理等，相對應的能力是能建立指標體系，並且解決日常的各類問題。
第二說一下數據挖掘，數據挖掘是技術方向的數據分析師崗位，有些歸類在研發部門，有些則單獨成立數據部門。數據挖掘工程師需要很多的數據分析技能，具體體現在數據挖掘工程師要求更高的統計學能力、數理能力以及編程技巧。數據挖掘工程師，除了掌握演算法，同樣需要編程能力去實現，不論R、Python、Scala/Java，至少掌握一種。但是數據挖掘工程師必須精通SQL。
然後說一下數據產品經理。大家都會覺得數據產品經理這個崗位比較新興，具體就是公司數據產品的規劃者。是真正意義上的數據產品經理。就目前而言，數據量與日俱增，此時會有不少數據相關的產品項目。這些當然也是產品，自然需要提煉需求、設計、規劃、項目排期，乃至落地。從職業發展上看，數據分析師做數據產品經理更合適。普通的產品經理，對前端、後端的技術棧尚未熟悉，何況日新月異的數據棧。這個崗位尤其適合對數據特別感興趣的人。
最後說一下數據工程師，數據工程師是一個不錯的發展方向，因為數據挖掘需要了解演算法/模型，理論知識要求過高，自己學習不容易突破自己。選擇更底層的工程實現和架構，也是出路，薪資也不會低於數據挖掘/演算法專家。數據工程師，可以從數據分析師的SQL技能，往數據的底層收集、存儲、計算、運維拓展。往後發展則是數據總監、或者數據架構師。
以上的內容就是小編為大家講解的數據分析行業的具體的發展方向了，大家在選擇數據分析行業的時候一定要好好的分析自己究竟適合哪一個職業，只有找到自己適合的職業，才能夠一直有成就感，從而能夠更深入的學習。如果不適合，那麼除了浪費時間，還帶來了挫敗感。
4. 請問如果想要從事數據分析工作，應該要學習哪些內容呢
想從事數據分析，就要學一些大數據知識，不是只學一個軟體就行的，要會一些基本編程，比如Python語言等等，機器學習，深度學習相關的內容。
以前大數據分析會用到多種工具，比如數倉工具、數據建模工具、BI工具等等。現在新一代的大數據分析平台，都是一站式的數據分析平台，一個平台搞定所有。
5. 大數據分析的8大趨勢
大數據分析的8大趨勢
大數據和分析學等學科發展十分迅速，因此企業必須努力跟上，否則就有被甩掉的危險。」他還說：「過去，新興技術往往需要十年左右的時間才能夠成熟，但是現在大大不同了，人們幾個月甚至幾周時間就能想出解決方案。」那麼，有哪些新興技術是我們應該關注，或者說科研人員正在重點研究的呢？《電腦世界》采訪了一些IT精英、咨詢師和行業分析專家，來看看他們列出的幾大趨勢吧。
1.雲端大數據分析
Hadoop是一組有一定框架結構的工具，用來處理大型數據組。它原本用於機器群，但現在情況有所變化。Forrester Research一位分析師BrianHopkins表示，現在有越來越多的技術可以運用到雲端數據處理上來了。比如亞馬遜的BI資料庫、Google的 BigQuery數據分析服務,、IBM』sBluemix 雲平台和亞馬遜的Kinesis數據處理服務。這位分析師還說，未來的大數據將是內部數據部署與雲端數據的結合體。
Smarter Remarketer是SaaS零售分析、市場細分和營銷服務的供應商，它最近將自己室內的Hadoop和MongoDB資料庫基礎設施轉移到了一個基於雲技術的資料庫—Amazon Redshift. 這家位於印第安納波利斯的公司收集線上和實體銷售數據、顧客信息和實時行為數據，之後進行分析，從而幫助零售商做出針對消費者的決策，有些決策甚至是實時的。
Abbott表示，Redshift可以節省這家公司的成本，這是因為它對於結構數據擁有強大的匯總報告功能，而且它頗具規模，使用起來相對容易。用這些虛擬設備總是要比那些實體設備便宜一些。
相比之下，位於加州山景城的Intuit在走向雲分析的過程中就要謹慎多了，因為它需要一個安全、穩定、可控的環境。目前為止，這家金融軟體公司的數據都還在自家的資料庫—Intuit Analytics Cloud裡面。Loconzolo表示：「目前我們正跟亞馬遜還有Cloudera合作，建立一個我們幾家公司公用的能跨越虛擬、現實兩個世界的、具有高度穩定性的雲端，但是現在這個問題還沒有得到解決。」然而，可以說，對於像Intuit這種銷售雲端產品的公司來說，向雲端技術進軍是必然的。Loconzolo還說道，未來我們會發展到一個階段，那時把數據放在私有雲端將是浪費的。
2. Hadoop：一個新的企業數據運行系統
Hopkins表示，向MapRece這樣的分布式分析框架，正在逐漸演化成分布式資源管理器，這些資源管理器正逐步將Hadoop變為多用途數據運行系統。「有了這些系統，你就可以進行多種多樣的操作和分析。」
這對企業來說意味著什麼呢？SQL、MapRece、in-memory、流水式處理、圖表分析還有其它工作都能在Hadoop上進行，越來越多的企業會把Hadoop當做企業數據中心。Hopkins還說：「在Hadoop上能進行各種各樣的數據處理工作，這樣的話，Hadoop會慢慢變成一個多用途的數據處理系統。」
Intuit已經開始在Hadoop建立自己的數據基地了。Loconzolo說：「我們的策略是利用Hadoop分布式文件系統，因為它和MapRece與Hadoop等聯系十分密切，這樣的話，人與產品之間的各種互動就可以實現了。
3.大數據湖泊
美國普華永道首席技術專家Chris Curran說，傳統資料庫理論認為，人們應該先設計數據集，然後再將數據輸入進去。而「數據湖泊「，也被稱作「企業數據湖泊」或者「企業數據中心」，顛覆了這個理念。「現在，我們先收集數據，然後把它們都存入Hadoop倉庫里，我們不必事先設計數據模型了。」這個數據湖泊不僅為人們提供了分析數據的工具，而且很明確地告訴你，這里有什麼樣的數據。Curran還表示，運用Hadoop的過程中人們就可以增加對數據的認識。這是一個遞增的、有機的大規模資料庫。當然，這樣一來，對使用者的技術要求相應地會比較高。
Loconzolo表示，Intuit擁有自己的數據湖泊，這個數據湖裡既有用戶點擊量的數據，也有企業和第三方的數據，所有這些都是Intuit分析雲端的一部分，但關鍵是要讓圍繞這個數據湖的工具能夠為人們有效利用起來。Loconzolo還說，對於在Hadoop建立數據湖，一個需要考慮的問題是，這個平台並沒有完完全全的為企業的需求設置周全。「我們還需要傳統企業資料庫已經有了幾十年的一些功能，比如監控訪問控制、加密、安全性以及能夠從源頭到去向地追蹤數據等等。
4.更多預測分析
Hopkins表示，有了大數據，分析師們不僅有了更多的數據可以利用，也擁有了更強大的處理打量不同屬性數據的能力。
他說：「傳統的機器學習利用的數據分析是建立在一個大數據集中的一個樣本基礎上的，而現在，我們擁有了處理了大量數字記錄的能力，甚至於每條數據有多種不同屬性，我們都應對自如。」
大數據與計算功能的結合也讓分析師們能夠挖掘人們一天中的行為數據，好比他們訪問的網站或者是去過的地方。Hopkins把這些數據稱作「稀少數據（sparsedata）」，因為要想得到這些你感興趣的數據，必須過濾掉一大堆無關的數據。「要想用傳統機器演算法對抗這種數據，從計算角度來講幾乎不可能。因為計算能力是一個十分重要的問題，特別是現在傳統演算法的速度和記憶儲存能力退化很快。而現在你可以很容易知道哪些數據是最容易分析的，不得不說，賽場易主了。」
Loconzolo表示：「我們最感興趣的地方是，怎樣在同一個Hadoop內核中既能作實時分析，又能做預測模型。這里最大的問題在於速度。Hadoop花費的時間要比現有技術長20倍，所以Intuit也在嘗試另一個大規模數據處理器Apache Spark及其配套的 Spark SQL查詢工具。Loconzolo說：「Spark具有快速查詢、製表服務和分組功能。它能在把數據保留在Hadoop內部的前提下，還將數據處理得十分出色。」
5.Hadoop的結構化查詢語言（SQR, StructuredQuery Language）：更快，更好
Gartner一位分析師表示，如果你是個不錯的編碼員或者數學家，你可以把數據丟進Hadoop，想做什麼分析就做什麼分析，這是好處，但同時這也是個問題。「盡管任何程序語言都行得通，但我需要有人把這些數據用我熟悉的形式或者語言輸入進去，這也是為什麼我們需要Hadoop的結構化查詢語言。支持與SQR類似的查詢語言的工具，讓那些懂得SQR的企業使用者們能把類似的技術運用在數據上。Hopkins認為，Hadoop的SQR打開了企業通往Hadoop的大門，因為有了SQR，企業不需要在那些能使用Java, JavaScript 和Python高端數據和商業分析師上投資了，而這些投資在以前可是少不了的一筆開銷。
這些工具也並非最近才出現的了。Apache Hive曾經為用戶提供了一種適用於Hadoop、類似於SQR的查詢語言，但是競爭對手Cloudera、PivotalSoftware、IBM還有其他銷售商提供的產品不僅性能更好，速度也更快。這項技術也適合「迭代分析（iterative analytics）」，也就是說，分析師先問一個問題，得到回答之後再問下一個問題。而這種工作放在過去可是需要建立一個資料庫的。Hopkins說：「Hadoop的SQR並不是為了取代資料庫，最起碼短期不會，但對於某些分析來說，它讓我們知道，除了那些高成本的軟體和應用之外，還有別的選擇。」
6.不僅僅是SQR(NoSQL，NotOnly SQR)—更快，更好
Curran表示,現在我們除了基於SQR的傳統的資料庫之外，還有NoSQL，這個資料庫能用於特定目的的分析，當下十分熱門，而且估計會越來越受歡迎。他粗略估計目前大概有15-20個類似的開放資源NoSQL，每一個都獨具特色。比如ArangoDB，這是一款具備圖標分析功能的產品，能更快、更直接地分析顧客與銷售人員之間的關系網。
Curran還說，開放資源的NoSQL資料庫已經存在一段時間了，但是他們依然勢頭不減，因為人們需要它們所做的分析。一位在某個新興市場的普華永道客戶把感測器按在了店面櫃台上，這樣就能監控到那裡到底有什麼產品，顧客會擺弄這些產品多長時間以及人們會在櫃台前站多久。「感測器會產生大量類似指數增長的數據，NoSQL將是未來的一個發展方向，因為它可以針對特定目的進行數據分析，性能好，而且很輕巧。」
7.深度學習
Hopkins認為，作為一種基於神經網路的機械學習技術，雖然還在發展過程中，但在解決問題方面卻已經表現出巨大的潛力。「深度學習……能夠讓計算機在大量非結構化和二進制的數據中識別出有用信息，而且它能夠在不需要特殊模型和程序指令的前提下就剔除那些不必要的關系。」
舉個例子說明：一個深度學習的演算法通過維基網路了解到加利福尼亞和德克薩斯是美國的兩個州。「我們不在需要通過模式化讓程序去理解州和國家的概念，這就是原來的機械學習和新興深度學習的區別之一。」
Hopkins還說道：「大數據運用先進的分析技術，例如深度分析，來處理各種各樣的非結構文本，這些處理問題的思路和方式，我們也是現在才開始理解。」比如，深度學習可以用來識別各種各樣不同的數據，比如形狀、顏色和錄像中的物體，甚至是圖片中的貓—谷歌建立的神經網路就做到了這一點。「這項技術所昭示的認知理念、先進的分析，將是未來的一個趨勢。」
8.內存中分析
Beyer表示，利用內存中資料庫來提升分析處理速度，這種方式已經越來越廣泛，而且只要運用得當，益處也很多。事實上，很多企業現在已經在利用HTAP（hybridtransaction/analytical processing）了，這種處理方式能在同一個內存資料庫中進行轉換和分析處理。但Beyer同時也表示，對於HTAP的宣傳有些過頭了，很多公司也過度利用這項技術。對於那些使用者需要每天多次以同樣的方式看同樣數據的系統來說，這樣的數據沒有太大變化，這時用內存中分析就是一種浪費了。
雖然有了HTAP的幫助，人們分析速度更快了，但是，所有的轉換都必須儲存在同一個資料庫里。Beyer認為，這樣的特點就產生了一個問題，分析師們目前的工作主要是把不同地方的數據匯總輸入到同一個資料庫當中去。「如果你想做任何分析都運用HTAP，所有的數據就得存在同一個地方。要把多樣化的數據進行整合。」
然而，引入內存資料庫的同時也意味著，還有另一個產品等著我們去管理、維護、整合與權衡。
對於Intuit而言，他們已經在使用Spark了，所以對引進內存資料庫的願望並沒有那麼強烈。Loconzolo說：「如果我們用Spark就能處理70%的問題，而用內存資料庫可以解決100%，那麼我們還會選擇前者。所以我們現在也在權衡，要不要馬上停用內部的內存數據系統。」
大步向前邁
在大數據和分析領域有這么多的新興趨勢，IT組織應該創造條件，讓分析師和數據專家們大顯身手。Curran認為：「我們需要評估、整合一些技術，從而把它們運用到商業領域中去。」
6. 關於SQL注入。
我還沒進公司時，網站平均15天被注入一次，我進公司以後，大力整改，至今3個月，未見被注入。
我告訴你我的方法。
總結起來就是：關鍵詞屏蔽或替換 + 參數法sql。
1.封裝一個類，用來將傳入的參數進行關鍵詞的屏蔽和替換（像ID之類的參數，可以屏蔽關鍵詞的就完全屏蔽，像textarea這樣不能完全屏蔽的，就把關鍵詞替換，如將半形的'替換成全形』。還要限制參數的字數（很重要）
2.將所有需要和資料庫打交道的地方全部進行參數化sql。
如將sql="select * from table where id='"+value+"'"
改sql="select * from table where id=@id"
寫一個類，裡面專門存放參數法sql的各種方法，雖然會麻煩一些，但是非常非常有效，可以杜絕絕大多數sql注入。
這樣，雙管其下，基本可以防止sql注入了
7. 學哪一種SQL比較好
sql的意思是標准查詢語言，所以你學哪一種其實都差不多，雖然不同的資料庫都對sql做了擴展，但是基本的東西還是相同的
8. 數據分析需要掌握些什麼知識
CPDA數據分析師師兄告訴你，數據分析師需要掌握的知識，可以劃分如下
1.初級分析師初級分析師是數據人員架構的基礎組成部分，承擔了數據工作中大多數最基礎的工作，通常初級分析師的人員比例不應超過20%。初級分析師的定位是數據整理、數據統計和基本數據輸出工作，服務的對象包括中、高級分析師和業務方等，對其素質的要求側重於基本數據技能和業務常識。
•數據工具要求。基本的Excel操作能力和SQL取數能力、與工作相關工具的使用技能，順利完成數據抽取和整理等工作；基本數據輸出能力，包括PPT、郵件、Word等使用能力。
•數據知識要求。理解日常數據體系內涉及的維度、指標、模型，輔助中、高級分析師進行專項工作並承擔其中的部分工作。
•業務知識要求。理解基本業務知識，能把業務場景和業務需求分別用數據轉換和表達出來。
2.中級分析師中級分析師是數據人員架構中的主幹。中級分析師承擔著公司的專項數據分析工作，如各業務節點的項目類分析、專題報告等。通常中級分析師的人員比例在40%～60%之間。中級分析師的定位是數據價值挖掘、提煉和數據溝通落地，服務的對象主要是業務方，除此之外還可能參與高級分析師的大型項目並獨立承擔其中的某個環節。因此要求中級分析師對專項數據技能、業務理解及推動能力的要求較高。
•數據工具要求。熟練使用數據挖掘工具、網站分析工具。
•數據知識要求。了解不同演算法和模型的差異點及最佳實踐場景，根據工作需求應用最佳的實踐方案。
•業務知識要求。深度理解業務知識，具有較強的數據解讀和應用推動能力。
3.高級分析師高級分析師職位通常是數據職能架構中的火車頭，承擔了企業數據方向的領導職能。高級分析師的人員比例在20%～40%之間。高級分析師的定位是企業數據工作方向規則體系建設、流程建設、制度建設等，服務對象通常是業務及企業領導層。因此要求其除了要具備中級分析師的基本能力外，還需要具備宏觀規劃、時間把控、風險管理、效果管理、成本管理等項目管理能力。
•高級分析師需要能搭建企業數據體系，並根據企業發展階段提出適合當前需求的數據職能和技術架構方案。 •高級分析師需要規劃出所負責領域內數據工作方向、內容、排期、投入、產出等，並根據實際工作進行投入與產出分析，同時做好數據風險管理。
•高級分析師需要實時跟進項目的進度，監督數據項目落地執行，並通過會議、匯報、總結、階段性目標、KPI等形式做好過程式控制制和結果控制。低、中、高級不同職位層次數據分析師的能力要求如圖所示。注意，圖像越向外代表對其相應能力的要求越高，反之則要求越低。