让自己站在巨人的肩膀上去学习,事半功倍.这里边罗列了最佳学习路线,供大家参考.
基本上就是这些:
看在线互动教程、打代码，了解R的最基本的东西，大概能做哪些事情（比如计算一些线性回归），自己根据这些教程去做各种变化，做许多实验，探索一下这个语言的基本语法和构造。
看一些入门书籍，比如 Introductory Time Series with R等等，给你展示怎样用R来比较完整地解决一个问题。可以根据你的领域选择类似的书籍。
开始用R解决一些统计、计量相关的计算性问题，比如用自己的数据跑一些模型，探索这些数据里面可能有趣的东西。
在数据较为复杂一些的项目中使用R，发现数据操作能力太弱，开始接触更深层的R概念，比如可以看 Data Manipulation With R (Phil Spector)，形成更加系统的概念，逐渐掌握操作复杂一些的数据和对象的能力。
学习最流行的R扩展包的使用方法，发现整理数据和建模中的许多工作都大幅简化，工作效率出现质的提升。
逐渐开始做更为复杂的项目，形成一整套数据处理、建模的技术和技巧，形成较为系统、完整的认识和知识结构，有较强的社区检索能力，遇到问题能够自行解决或者通过社区解决。
阅读进阶的书籍，例如 Hadley 的 Advanced R Programming，对R的底层和开发有了更加深刻和全面的认识，形成了使用R的基本直觉。
1. EXCEL、PPT(必须精通)
数据工作者的基本姿态，话说本人技术并不是很好，但是起码会操作;要会大胆秀自己，和业务部门交流需求，展示分析结果。技术上回VBA和数据透视就到顶了。
2. 数据库类(必须学)
初级只要会RDBMS就行了，看公司用哪个，用哪个学哪个。没进公司就学MySQL吧。
NoSQL可以在之后和统计学啥的一起学。基本的NoSQL血MongoDB和Redis(缓存，严格意义上不算数据库)，然后(选学)可以了解各类NoSQL，基于图的数据库Neo4j，基于Column的数据库BigTable，基于key-value的数据库redis/cassendra，基于collection的数据库MongoDB。
3. 统计学(必须学)
如果要学统计学，重要概念是会描述性统计、假设检验、贝叶斯、极大似然法、回归(特别是广义线性回归)、主成分分析。这些个用的比较多。也有学时间序列、bootstrap、非参之类的，这个看自己的意愿。
其他数学知识：线性代数常用(是很多后面的基础)，微积分不常用，动力系统、傅里叶分析看自己想进的行业了。
4. 机器学习(数据分析师要求会选、用、调)
常用的是几个线性分类器、聚类、回归、随机森林、贝叶斯;不常用的也稍微了解一下;深度学习视情况学习。
5. 大数据(选学，有公司要求的话会用即可，不要求会搭环境)
hadoop基础，包括hdfs、map-reduce、hive之类;后面接触spark和storm再说了。
6. 文本类(选学，有公司要求的话会用即可)
这部分不熟，基本要知道次感化、分词、情感分析啥的。
7. 工具类
语言：非大数据类R、Python最多(比较geek的也有用julia的，不差钱和某些公司要求的用SAS、Matlab);大数据可能还会用到scala和java。
可视化(选学)：tableau、http://plot.ly、d3.js、echarts.js，R里面的ggplot、ggvis，Python里的bokeh、matplotlib、seaborn都不错
数据库语言：看你自己用啥学啥
其他框架、类库(选学)：爬虫(requests、beautifulsoup、scrapy)，日志分析(常见elk)
附一张图
閱讀更多 產品GEEK 的文章
