该如何学习 R 语言？
背景金融小硕，想学习R语言却不知道应该如何学习，应该按何种步骤，看哪些书或者视频资料等东西，所以提问这个问题，希望知道学习R语言的一般过程是怎样的，谢谢大家~~希望大家可以按以下的内容来回答，如不适合则无视。在每个阶段应该看哪些书，有哪些网络上有的视频资料比较好，应该从事什么样的练习加以巩固。
按投票排序
由于R语言主要是和统计、计量、数据挖掘等领域相互联系，因此核心是这些领域中的问题，R的任务就是帮助你花更多的精力在思考和解决这些问题，而不是做计算上或者技术上的底层架构，或者不断重造轮子，并且不丧失灵活性（可编程性）。因此，学习R可能并不像学习纯粹的一门编程语言一样，最好需要在这些问题的上下文中学习，脱离了数据科学的背景学习R，仿佛就是学习如何使用扳手，却根本不认识螺丝钉。根据我自己的经验，学习R比较有效的过程基本上是：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。参与到开源社区，不断跟进最新的发展和技术。参与到R会议，结交更多的朋友，交流使用经验，进一步提升视野和能力。=== 原答案 ===R语言有很多国外的书籍，建议就你的研究领域或者工作领域来选择书籍。假如你做的是时间序列分析，那么作为入门你就可以看《Introductory Time Series with R》，里面有很多生动的例子，数据也可以直接获取。把书里的例子和练习都做掉，每个例子用自己的数据去多做些实验，自己探索一下涉及到的函数还能做些别的什么，并且看看这些函数的文档。此时对R已经有了初步的了解。如果做到一定程度，开始用于自己的项目，就会发现自己用R处理数据的能力很弱，一般表现为想把一种数据处理成另外一种样子，但是不知道如何实现。此时，需要补充一下用R整数据的基本方法，可以读《Data Manipulation With R - Phil Spector》，里面通俗易懂地介绍了R数据处理的基本观念和方法，让你大概知道R处理数据时是什么样的机制。这样你在写代码时就有更高的预见性，否则很容易出错。接下来需要比较系统的应用，这就需要你把R作为主要的生产语言来完成你的项目，在此之前如果为了练手，如果你是研究者那么你应该找几篇你的研究领域的论文并用R复制出来，再次过程中你会修补很多缺漏和不熟悉的地方，也会对数据处理和分析建立起一些直觉。之后就是不断地积累了。（PS: 建议使用RStudio来做R开发，目前的Release Preview版本有了不错的调试能力，严重推荐）最近的一篇英文文章谈了这个：===
更新 ===最近密集地用R做较为复杂一点的金融交易相关的项目，有很多资源值得大力推荐。首先，如果想从 R user 成长为 R programmer，要走了路还是很长的，这不仅涉及到了R的基本应用，还涉及到用R语言作为主要语言开发较为复杂一点的项目。如果项目开发涉及到团队合作，并且希望项目能够实现代码重复利用、使用灵活、提升代码的运行效率、加快产品开发周期等等，那就不简单是学习R的问题了，还有许多工具需要使用，下面列出一些需要掌握的东西：版本控制系统 Git，面向团队开发可以将项目托管在GitHub或者Bitbucket?网站上一些编程本身方面的技能，例如函数式编程等等充分利用已有的成熟扩展包做一些较为复杂的数据操作和可视化，例如plyr做data.frame拆分——变换——整合, reshape2做long format和short format数据表之间的转换, data.table, lubridate, stringr, ggplot2等等掌握一定的数据库使用方法，例如用RSQLite扩展包操作简单易用的SQLite数据库程序调试（debugging），能够找到程序不完善的或者有错误的地方和比较根本地解决错误根源遇到问题能快速自己解决，解决不了或者认为解决方案不太好能够在stackoverflow上发现解决方案或者提出问题根据 Hadley Wickham 的说法，R目前面临的一个主要挑战就是R的主要用户群都是业余使用者（R user），而不是专业开发人员（R programmer），这两者写出的项目从质量到运行效率、可扩展性、可重复性、开发周期、共享度都天差地别。如果希望自己的项目实现上述特性，你自己或者自己的团队必须能够升级到 R programmer的水平，一个要旨就是大量的使用、参与社区讨论，有问题多自己解决或者在社区寻求帮助，发现扩展包的问题直接去github或者其他社区提出issue或者直接fork项目提交改进方案。虽然使用R的人群中大部分不是专业的IT从业人员，而是研究者、金融领域相关人员，但是提升自己的技能到专业水平有诸多益处。有一定经验的使用者，建议读一下 Hadley Wickham 的
里面的全部文章，内有许多很有价值的东西，值得花时间思考的学习。另外，我的博客（）也在缓慢更新自己使用R的一些心得。===
更新 ===我在GitHub上写的一个帮助学习R的开源项目learnR （）最近一个月增加了大量内容，从初级到高级、常用扩展包、数据可视化等等。R最强大的地方是扩展包，例如stringr, reshape2, plyr, dplyr等等用来做数据操作速度很快很好用，比起R base提供的函数要方便得多，因此掌握一些流行的扩展包是非常有必要的。最近做了一个模仿F# pipeline operator的R扩展包 pipeR（），可以大幅简化流程化的数据操作，欢迎使用！===
更新 ===最近发布了一个新的扩展包
上有很多R的课程，从入门到专家，不过要用英语------------------------即使对一个经验丰富的程序员，R语言也有很多坑，比如应该尽快熟悉apply系列函数，避免使用循环；在数据操作上有很多函数可以简洁快速地帮你完成任务，可是你不知道他们的存在。多看高人的代码，与同学交流是一个很好的办法，循序渐进、循序渐进、循序渐进。推荐几门网络公开课程：R的基础编程，R Programming, Johns Hopkins University R与统计基础，Data Analysis and Statistical Inference, Duke University R与数据分析，The Data Scientist’s Toolbox, Johns Hopkins University 多看课程的论坛，多学习好的编程风格。可以加入R for Data Analysis Q群
首先R是一种专业性很强的统计语言，如果想学得快一些的话，基本的统计学知识要懂，不然很多东西会掌握的比较慢。
掌握基本语法和操作，推荐国内的已经翻译的比如《R语言实战》《R语言编程艺术》，这个过程中最好结合一些小例子来做一些分析的东西。如果需要可视化的话，强烈不推荐学习R本身的作图系统，实在是太不友好了.....还是用ggplot2吧。
掌握了上面的，就可以深入一些了，如果是做数据分析和可视化，推荐《ggplot2：数据分析与图形艺术》，这个才是作图的神器啊.....如果是空间分析相关的，推荐《Applied Spatial Data Analysis with R》，这个如果可以的话看英文版，而且要有地学的一些知识背景，中文版翻译的太次了，尽量不要看。数据挖掘机器学习之类的，可以看看比如《数据挖掘与R语言》、《机器学习——实用案例解析》，不过我觉得这几本书没上面的那几本好，但是可以大概看看是咋回事，最好还是看看专门的相关书籍，熟悉各种算法和流程，到时候搜索R的package，照着文档和例子搞定，不是特别难。
最后，强烈推荐R-bloggers，统计之都以及谢益辉、肖凯、刘思喆等人的博客（自行Google以及到上面的网站找链接），订阅一下，会很有帮助，RStudio是个很棒的IDE，用起来很爽，功能很强大。
我第一次接触R是在学校，浅尝辄止。至于系统地学习是之后的事了，为什么学习R？这篇文章说的很好前面的答主已经分享了很多，我就分享一些我学习R时候的书单：1. 入门由R语言的用途所决定的，脱离了实际用途的语言书都是耍流氓（曾经看过一本纯讲R语法的），我只能跪了。《R语言实战（R in Action）》，，这本书是从统计学出发，按难度从低到高讲述了如何用R语言来实现统计分析。《The Art of R Programming》，，这本书是从编程的角度写的，能比较系统的了解R语言的特性。《learning R》，这本书从数据分析角度入手，将数据获取→整理清洗→数据分析→数据报告这一整个数据分析流程和R语言结合。看起来很过瘾。2.进阶进阶方面我着重分享些关于数据挖掘和数据可视化的书《Data Mining with R Learning with Case Studies》《Machine Learning for Hackers》这两本书都是关于数据挖掘的，亮点在于都是以案例为基础，提供大量的示范代码，跟着学下来受益匪浅。结合《learning R》最后几章，对于写出漂亮的R代码很有帮助。说到数据可视化不得不说说ggplot2，这几乎是装了R Studio以后第一个装的东西，R中最好的绘图包。《ggplot2 Elegant Graphics for Data Analysis》此书详细介绍了ggplot2绘图包，不过缺点在于书有时候跟不上绘图包的升级速度。3. 参考手册我手边上只有一本参考手册，这是像词典一样的存在（用途及厚度皆是）。《R in a Nutshell》4. 其他还有很多不同的书，比如高级编程的《R Programming for Bioinformatics》，《Advanced R programming》，科学计算的《Introduction to Scientific Programming and Simulation Using R》等，在下不才，无法说出优劣。书只是进步的垫脚石，我觉得学习R在看书的同时一定要结合相关领域去实践：算法的实现，工具的上手，甚至参加些相关的案例比赛，学会如何将语言用在实践中（数据挖掘的话我推荐，上面的101的比赛拿来练手很不错）
大致来说说。未必全对，但肯定至少有一部分是对的。一句话：“学习”R，重要的不在于选择哪一本教材。重要的是，学会自己给自己提问题。只有提出了问题，再尝试着自己去回答这些问题，才能不断进步。对于“研究”生来说，提出问题的能力，往往比解决问题的能力要重要得多。在“学习”R之前，想想你打算用R来做什么？换句话说，要“学习”的内容是什么？1.数据的常规操作。2.回归。3.数值模拟，仿真。4.绘图分类之后，工作就简单一些了。1.可以进一步细分为1.1 数据操作1.2 数据的保存1.3 不同格式数据的读入与导出这部分，此前默认的方式是用excel可视化表格来处理的。于是你的问题就可以近似变为：如何能让我用R实现此前一直用excel实现的常规功能？1.1 以下几个小练习一组时间序列数据，比如GDP，定义为Y(t)，，在excel中这么保存，在R中怎么搞？R中，如何测算？R中，如何测算？R中，如何将Y(t)进行指数化处理，以Y(，其他年份依次调整？假定根据价格水平对Y(t)作平减，变成不变价格指数？将上述源代码写出来，保存，并且添加相对应的注释，以后就可以类似的使用了。下一个有意思的问题：如果2012年的数据出来了，你的源代码是否可以直接测算出上述数值？如果不能，需要对源代码做出怎样的调整？1.2 R中的数据，如何保存成一个合适的格式，可以发给其他人，供他们读取并使用？1.3 R中的数据，怎么快速切换成CSV txt之类？反之如何操作？我手头有一组R数据，怎么能够让它快速被其他软件比如stata读取？python呢？如果数据很大，我是不是需要用mysql postgresql之类的数据库了？如果是的话，我该怎么设置？怎么操作？2.回归线性回归，lm()的用法，我掌握的熟练么？dt &- lm(y~x1+x2, data=datatest)dt.sum &- summary(dt)dt.sum$ 后面的那一系列参数，我都熟悉么？拟合优度如何调出来？x1 x2的系数和t值，怎么方便查找？把源代码写好之后，我更换另一组datatest数据，是不是依然可以用这组源代码，将新一组数据对应的回归内容搞出来？非线性回归，logit probit 怎么做？nls()gls()或者其他？这方面应该注意些什么？3.不多说了，这方面更复杂一些4.绘图我该用什么命令？plot()还是更复杂的ggplot2？plot()如何改变线条颜色？实线虚线渐变线怎么搞？线段粗细如何设置？x和y轴的取值范围，坐标定义？main title？x轴和y轴的取名？如何在一个图中画两条以上的线？par(new=TRUE)如何输入中文？如何定义legend？如何在图中加入OLS回归式？拟合优度？t值？如何在图中加入一条垂直线？我在图中还想再多说几句话，怎么打进去？我打中文行么？我打latex风格的数学公式怎么搞？我该如何让程序自动将生成的图保存输出成pdf/png格式？subfigure怎么搞？子标题和子栏怎么搞？
使用Swirl。我在Coursera上面报了一门的R语言课程，老师照着PPT将，讲的跟一坨翔一样。Assignment都不会做。然而在这门口的week1,的最后一个视频，老师推荐了一个package，叫做swirl，安装上以后，整个世界都和谐了~你要做的只有几步，剩下的Swirl全部会教你的~1、安装R2、安装RStudio3.在RStudio下输入以下命令：install.packages("swirl")
安装Swirl4、调用Swirl:library(swirl)
install_from_swirl("R Programming")
然后就可以开始使用Swirl了。附一张Swirl的课程列表~使用Swirl，包你3天轻松入门R语言，入不了门你过来打我脸，我包你飞机票。P.S.附上我的R语言交流群：（仅限参加了Coursera上面R语言课程的同学加入，请备注在申请理由中~）
我是从今年春节开始接触R语言的，当时在看统计学时候，发现书中说许多计算可以用R语言函数来实施，也就因此逐渐开始学习，至今还是个半吊子。因为是计算机出身，所以R语言的语法对我来说并不难，实际上非常容易理解。但是统计学之前学的差不多忘光了，所以我的R语言学习是和统计学学习参差在一起，以下按照我的经验和阅读进度给出入门推荐。第一级别：入门推荐书籍：1
R语言编程艺术， 这部书的特点就是完全从编程语言角度讲R语言，不涉及统计学应用。特别适用计算机出身的同学2
R语言实战，这本书更像是如何使用R语言进行统计学分析，它接近于实战手册，即告诉你如何做，并且也会以较短篇幅介绍统计学上的一些概念和方法。在实际需要查询一些函数的用法时，特别有用，完全就是宝典级别。3
R语言统计学入门第二版 ， 这本顾名思义，就是告诉你用R语言如何进行统计计算，里面的例子我觉得比较简单，没有第二本R语言实战好。
第二级别应用 （我没有仔细读过）因为我注重金融领域的数据分析，因此买了以下两本书1
数据挖掘与R语言， 这本书的特点是通过几个例子来说明R语言在数据挖掘中的应用，例如海藻数量预测，股票收益预测等等，既有方法更有代码，实用性很强2
金融数据分析导论：基于R语言。 这本书我觉得暂时还读不下去，挺多数学的。。。
竟然没人提到这个技能：打开google，在搜索框输入 filetype:r -rebol 空格一下，加上需要搜索的关键词，比如这样：lm 是要搜索的关键词，点开下面的链接，可以直接看到代码。个人觉得这是学习R最好用的技能，没有之一，有事没事多问问google。RSeek和R site search也很不错，试试就知道，就这样子吧。lm 是要搜索的关键词，点开下面的链接，可以直接看到代码。个人觉得这是学习R最好用的技能，没有之一，有事没事多问问google。RSeek和R site search也很不错，试试就知道，就这样子吧。#----------------------------补充-------------------------------------------------- 牛掰大哥弄的，不用翻墙也可以使用google这段时间忙毕业论文，一直在学习R，等闲下来，我会试着整理下学习心得吧，先占坑
唯一能说的可能就是多做project，经常练习，同时学点算法之类的，毕竟编程技巧都是互通的。R本身属于比较简单的语言类型。我个人觉得学任何程序语言，书本的作用都不是太大（而且慢）。真正有用的是想办法得到一些优秀程序员的code.通过阅读他人的代码和处理方式自己进行处理，优化和再现，通过google学习新的package和方法等等。Coursera上就有很多编程入门的课程，很好。类似的还有Stackoverflow上很多的sample code. R就是一个比较初级的语言，运算能力也欠佳，但是小数据下的各种package才是精髓。我个人因为专业的要求从一年前开始每天，注意是每天都要写R的代码。每个星期大概500~1000行左右，加上之前有python的基础，很快就熟练了。learning by doing。任何程序语言都是这样。
前面的知乎大牛给了很多用R的有用知识，看得多觉得有点琢磨不透。下面闲话不多说，直接上干货——1.中文版的教材推荐用清华大学薛毅老师编的《统计建模与R软件》。讲的很全面，基础知识丰富，英文看久看不下的同学推荐用此书（PS:用英文的教材你能更快的适应Rstudio的环境)2.想在用R绘制你理想的图表，但苦于代码写不全或者不会的——这个Blogger网站你值得一看，叫糗世界— （本人也在学习中），不过这个Blogger是一位生物信息学领域的专业老师写的。这都是他的心血（码农很辛苦的），转载啥的请联系他的邮箱。请勿用于其他商业用途。3.还有一些网站在R软件自身都有提供链接，很多都是org类型。每天都有关于多个领域新的类容补充，更新…比如订阅r-bloggers这个博客, 上提供的R代码还有中文版英文版的教材PDF版百度上搜的基本提供，这一块我也分享在华为网盘里。（华为的外链搜索功能由百度提供，放心，能搜出来）…书本资源都在哪里，精华都是自己提炼出来的。这个过程没人能替你做，贵在实践啊。好的东西不去探索，梨到底甜不甜。自己尝过了才知道…（共勉）-----手机上没法修改，这知乎体验真是不太好，这块先写到这，欢迎各位指正添评....
楼主不做高端研究的话，在国内我个人十分不推荐再花精力学习R语言，对于初学者甚至是中等程度的研究人员来说SPSS就已经完全足够了，而且界面和操作要友好的多。R真正的优势在于中间数据的易得性，但是似乎90%以上的人都用不到
题主：我目前也在学，在4月7日开课了，我进入不久。全英的授课压力很大，但没办法，想学就上了。希望对你有帮助。
上有几门免费的课程比如：Code School 的try R 课程也是免费 这几个免费课程用来入门都不错，直接通过浏览器在线写R代码看结果。
我也是近一年才开始使用R，我有C++、Fortran、Mathematica和Python等经验，没有严谨的统计背景。学这个是工作需要，因为我处理的数据太多，Excel不足应付，而且我常需要特别的功能，而且公司也有人用。一开始我写点简单的，但因R和其他编程语言不同，所以我在Coursera修了一课Computing for Data Analysis，由Johns Hopkins University的Roger Peng教（课程好像改了名字做R Programming），把所有功课做完。然后便是实战，在工作用，有些功能如apply函数是有需要多用和练习的。可用Google网寻不懂的。有一些和你工作相关的package应该多用。多用多练习就可把程度提高。
现在edx上有节introduction to R 是微软办的 可以在DataCamp网页上做assignments 不用下载练习R语言的软件 如果想下 也是可以的
还有 课是没有中文字幕的 我托福100水平都听得懂 大家应该都可以 老师会把整个过程写在ppt上的
个人观点: 根据需求学语言效率比较高。比如楼主可以在做project的时候用R实现，遇到问题就多用cran上的资源和google搜索。碰到问题并解决问题应该最佳途径吧。我觉得R最大的优势是有一个很强大的community，很多packages的开发和维护都是统计大牛。而善用这个强大的community就需要多问都看哈。
長話短說的話，還是一如既往的 Learning by doing。我個人的幾點心得：1. 帶著實際問題邊寫邊學比就著一本入門書、把書上的例子自己實現一遍要有幫助的多。不過後者是初學者必然要歷經的關鍵步。2. 善用包。而且，更好的習慣不是學會找到有你需要功能的包，而是花時間認真讀這個包的說明文檔，看看它的每一個函數都是幹嘛的，用到些什麼係數，都有什麼統計意義，到底是不是適用於你手上待解決的情況。尤其不能搜到一個包就急著把數據代入運行而不知道自己是在做什麼。3. 善用
真是大学里惨痛的经历之一…先是老师太没经验，导致一学期都在手忙脚乱的自学，然后又有一门课重头教了一次，感觉真是满满的恶意。好了，废话不多说了，进入正题。—————————————————————————————————————编程这个东西一定得多练，经过九九八十一难，当你纠正了无数细节错误后，你才会收获满满的自豪感。—————————————————————————————————————1. 先推荐两本书。第一本书很基础，可以从第一本书开始看。它不仅讲了如何使用r软件，还讲了统计建模的过程，内容很基础，慢慢看可以看懂。第二本书会偏向it方向一些，主要是数据挖掘的一些重要过程什么的。我这里有电子版，可以找我要^_^2. 再来说说r。R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件,它是一个用亍统计计算和统计制图的优秀工具。R是一套完整的数据处理、计算和制图软件系统。其功能包括:数据存储和处理系统;数组运算工具(其向量、矩阵运算斱面功能尤其强大);完整连贯的统计分析工
具;优秀的统计制图功能;简便而强大的编程语言:可操纵数据的输入和输入,可实
现分支、循环,用户可自定义功能。
R是一个免费的自由软件,它有UNIX、LINUX、MacOS和WINDOWS版本,都是
可以免费下载和使用的,在那儿可以下载到R的安装程序、各种外挂程序和文档。在R的安装程序中只包含了8个基础模块,其仕外在模块可以通过CRAN获得。 这是r的官方地址:3. R的特点
1.有效的数据处理和保存机制。2.拥有一整套数组和矩阵的操作运算符。 3.一系列连贯而又完整的数据分析中间工具。 4.图形统计可以对数据直接进行分析和显示,可用亍多种图形设备。5.一种相当完善、简洁和高效的程序设计语言。它包括条件语句、循环语句、用户自定义的递归凼数以及输入输出接口。
6.R语言是彻底面向对象的统计编程语言。 7.R语言和其它编程语言、数据库之间有很好的接口。 8.R语言是自由软件,可以放心大胆地使用,但其功能却丌比仸何其它同类软件差。 9.R语言具有丰富的网上资源 可以去下载一个rstudio，其实就是r的一个外壳，只是好看一些，也好用一些。4. 最后给题主一个r函数的总结表。—————————————————————————————————————总而言之吧，主要看看第一本书，然后在自己多做点题，多了解数据挖掘的步骤什么的，多去想想思路代码，看看论坛。再给题主一个网站，里面有很多课，很有用，也算是一个论坛，题主有空可以去看一下，一定会有帮助的！里面也有很多大神，可以去上课，也可以去论坛里问问题，一定会有人回复的^_^这是网址：祝你好运！希望有帮到你。回答有点乱，不要介意啦～
R真正厉害的地方和难懂的地方，不是R的语法！！而是R每一个package后所包含的统计学知识、机器学习理论等！也正是这些背后的东西，才能帮助我们做好数据挖掘工作。
作为一个认认真真学了半年多的人，个人体会：视频coursera上JHU那个系列很一般，个人推荐duke的那一门。edX上最近MIT开的那门还不错。书：由于是学生，图书馆资源还过得去，我把oreilly系列还有springer翻成中文的那几本都好好看了一遍。额我英语一般般，先选择看中译是因为阅读速度相对有些慢。我个人觉得仅从基础的统计角度，看R语言实战就可以。但是如果要上升到一些比较棒的数据分析和算法，强烈推荐Oreilly的那本机器学习，里面用ggplot做的图我觉得比那本书名就是ggplot2还要好。如果是金融数据的话，建议看一本金融数据分析导论，这本我看的是英文版，介绍了R下的quantmod包，包含了金融分析中很多基础模型方法(ARIMA, Garch, SV, VaR, Markov......)但是我目前没有看到国内有相对较好的用R进行贝叶斯统计的教材，比如说Gibbs抽样等解决问题：我有订阅Rblogger的习惯，每天会看一下推送，如果看到有兴趣的可以自己尝试做一下，一般文章中都会给出核心代码。strackoverflow最后：建议翻墙，国内相关资源更新的确是有点慢的。初三怎么学习_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
初三怎么学习
阅读已结束，如果下载本文需要使用
想免费下载本文？
你可能喜欢新手应该如何学习网站分析II
网站分析在中国——从基础到前沿
Sidney Song
网站分析在中国——从基础到前沿
　　前一回（前一回内容请见这里：互联网人群画像和你所不知道的真相（一））我们讲了互联网人群画像的构成要素的结构、PC端用户唯一身份识别的理想状况和真正的现实，在这一回中，我们开始讲Mobile端用户和跨终端（跨屏）的唯一身份识别问题，同样是理想和现实并存的故事。:)
网站分析经验分享
网站分析的逻辑模型，思维方法，实战经验和案例的分享。
网站分析圈子/活动
目前正在每月进行的活动是WAW（网站分析星期三）。此外，所有的网站分析和互联网广告和营销方面的活动也都会在这里通知。
网站分析产业有什么新鲜事？中国的网站分析发展到什么状况了？这是这个分类要关注的内容。
网站分析工具
想了解Google Analytics, Omniture以及其他网站分析工具、网络营销监测和分析工具吗？看这里！
这里有招聘信息，也有求职信息。也可以直接给我写信询问更多的工作机会和人才储备。招聘专用邮箱是：sxwuda(at)163(dot)com。
　　这个端午节恐怕是有史以来最让我感到懊恼的。本来今天下午的航班去悉尼，但是因为自己的马虎，在出发前一刻发现签证有问题，无法成行！忙乱地退掉了航班和酒店，还错过了非常重要的会议，一塌糊涂&&
　　那么，把本该属于飞行的时间分享给我们的新手朋友，因为很多朋友给我发信，问我各种各样的问题，比如应该读什么书什么的。我很希望能够通过这个续篇帮助你们快速打开网站分析之门。
　　还是在去年，写了一篇文章《》（），谈到了网站分析所需要的基础，朋友们很关注，但对于方法的讨论其实不多，我该要补一个续篇，谈谈学习网站分析的方法。
是先看书，还是先实践？
　　我们在学校里学习了很久，但我们要知道，国内的教育是非常失败的。比如英语，如果你学习了十几年还不能跟老外畅所欲言不是你的错，是我们国家教育的错，而且你越是一个循规蹈矩的好学生，你就越学不好英语&&更何况有些英语直接就是错的，还被堂而皇之写在课本里！中国教育整个一个大杯具。有些朋友问我要不要考国内的研究生，我说，如果你想在研究生找个情投意合的好老婆，还是去读，否则别浪费几年青春了。
　　谈多了废话，回到网站分析的学习上。坦率说，我没有读完任何一本网站分析的书籍，我最初学习了一年的网站分析，没有看任何书。
　　书真的有用吗？！
　　如果你从头到尾一章章的读，那么，很明确的答案是，你在浪费时间，至少效率低下。网站分析是实践科学，这意味着它跟游泳是一样的，你真的准备读三本关于游泳的书再跳入泳池吗？
　　所以，我觉得书有用，但是你要善用，如果初期你不打算读任何一本书，也别担心，你一样能学好网站分析，而且不比那些读了n本书的情况差。
　　怎么做呢？方法很简单，直接实践。
　　首先，你必须要有一个网站，而且这个网站能够添加Google Analytics的监测代码。如果这个网站有一些流量，那就更好了，如果没有很多流量，也别担心，好好写内容，慢慢攒流量，或者完全没有什么流量也不影响学习网站分析的基础知识（因为你是新手，初学的阶段网站有没有流量都没关系）。
　　不过，如果你没有一个能够实践的网站，那么学习网站分析就不那么趁手了，真如此的话，建议有了网站之后再开始网站分析学习，否则真的会事倍功半。
　　 对了，我强调添加Google Analytics的代码是因为Google Analytics是一个非常规范的工具，网站分析有些不同的标准和定义，它们虽然类似但并不一样，而GA接近于人们约定俗成的习惯。另外，Google Analytics是英语工具，这对于学习标准的网站分析是很用帮助的。
　　然后，忘掉所谓的&分析&，先把GA里面的文字读懂。GA的报告里面大有学问，每一个度量，每一个名词，每一个图表类型，都是要学的。这些东西，读书学起来太费劲，应该是遇到不懂的再翻书，把书当做字典看。如果翻书找不到，在我的博客(/)找，还找不到，上Google搜索（现在用英文版的GA的作用就体现出来了）。请注意，除了故事书，现在真没有什么书值得你一个字一个字从头到尾读的，可能偏激点，但你没那么多时间，只读你需要的，切记，切记。
　　最后，即使是实践中的学习也需要分先后主次，下面会对这点展开谈。
　　这里再强调下，从实践中学，带着问题学，不要在一开始就追求系统地学，否则会很累很麻烦。
从基础开始，分清先后
　　网站分析肯定需要从基础开始学起。
　　什么是基础？有三个基础知识是必须要掌握的：
网站分析的两个基本方法&&日志法和代码法的基本概念，以及它们各自的优缺点
代码法网站分析工具工作（实现监测）的基本原理和基本安装使用方法
网站分析的基本度量
　　网站分析的基本度量看起来很性感，抓人眼球，但是前两个同样重要，否则你学起基本度量可能只是一知半解，因为深入理解这些基本度量必然需要对网站分析工具的监测原理有所了解。
　　对于前两个知识，目前国内没有太多系统的讲解，我也没有太多写，如果大家觉得有必要让我谈一谈，请在这篇文章后面给我回复，我一定会出两个专门的文章。如果没有需求，就不谈了，大家可以直接读，这个词条称得上是Wikipedia的经典词条。我正在写的书中也已经系统包括了这两部分内容。
　　关于第三点，网站分析的基本度量，需要认真研读。这些度量，除了，其他似乎都很容易弄懂，又很容易在需要使用它们的时候变得糊涂。比如，是个非常&狡猾&的度量，你确定你真的弄明白了daily unique visitor, weekly unique visitor和monthly unique visitor以及absolute unique visitor的区别吗？
　　比如，我问你一个简单的问题，3月22日我访问了网站一次，4月2日又访问了一次，因此增加的从3月16日到4月15之间的monthly unique visitor是多少？请在留言区回复答案，答对&有奖&。:)
　　每个度量背后都有故事，和属于它们自己的秘密。相信我，它们都没有表面看起来的那样简单。
　　如果前面的三个基础你自认为不错了，现在，你需要干什么呢？见下&&
Google Conversion University
　　 是非常不错的&进阶&网站分析学习库。事实上，它们是Google Analytics基础知识的Webinar合集。我推荐它的原因在于它是高效率的学习工具。但是，遗憾的是，这个工具对于英语有一定的要求，不过所有的讲解都有英语原文，花一些时间弄清楚每个slide在讲什么，是值得的。
　　我认为，与其去读Google Analytics的书，尤其是那些英文原版的书，还不如用这个工具来得快，来得直接，尤其是结合你的实践，真的事半功倍！
　　人们总觉得免费的东西没有付费的好，花钱买书会觉得自己更有学习的欲望，不过，世界变了，读书不再是唯一的学习方式，也不一定是效率最高的学习方式。
　　学完了这个Google Conversion University（GCU），你是不是真的要考Google Analytics的那个认证呢？关于考试，我很负责地讲，如果你读过GCU两遍，并且都理解了，那么75分及格的考试真的是个小儿科。这个认证有什么用？恐怕没有什么真正的意义。最重要的意义在于，你通过它学到了东西。BTW，我也只不过是94分，相信你能考的比我好，但是我觉得学习的过程比考试本身收获要大得多。所以，千万别瞄准最后的考试来读这个资料，你想要学习真正有用的知识，不是吗？
决定你是要走技术路线还是走分析路线
　　前面三点我说的如果都完成了，那么恭喜你，你已经不再是一个新手了，你是一个合格的网站分析师。现在，摆在你面前的是一个决定&&我应该走技术路线还是分析路线？
　　你可能从来没有想过这个问题，但这的确是一个问题。
　　例如在Omniture，Business Consultant和Implementation Consultant是两个不同的职位，前者是进行网站的具体分析，后者则是通过技术实施使获取网站分析数据成为可能。
　　当然，你完全可以两条路线都走，不过大多数人精力有限，我们最好找一个我们更擅长的。
　　如果你决定走技术路线，那么，你还需要了解网站前端的技术知识，比如HTML，比如JavaScript，以及其他网页实现技术。这个，我的博客教不了你，我也不是专家。
　　如果你决定走分析路线，那么，你接着要做的事情同样清楚。
　　首先，学习网站分析的基本模型和思维方法&&在我的博客(/site-map/)中有一部分，另外一部分，充分发挥你的想象力吧！
　　其次，学习Excel的基本公式、图表、表格和条件格式，熟练运用它们。注意，不需要复杂的数学统计和数据建模，但是快速排序数据、快速数据计算、快速匹配、查找替换这样基本的功能不能含糊，图表要学好，不要让图表变得太枯燥。
　　最后，尝试做自己的网站分析报告，提出自己的改进意见。关于如何撰写网站分析报告，我会写一篇文章专门讨论我遇到的一些写报告的误区，也希望大家能一起参与进来。
结合行业分析才是王道
　　学习了前面的所有的东西，你几乎已经相当全面了。不过，网站分析是具体的，不同的行业，不同类型的网站，对于网站分析的需求，其实是不同的。
　　比如电子商务网站和公司的门户网站，分析的要点和方法并不一样。前面学习的东西适用于所有的行业，但如果想要进行深入的网站分析，不结合实际的业务是不可能的，因此必须结合具体的行业进行分析。
　　这里，我能谈得不多，甚至我也不敢称&了解行业&，但是如果你有实践机会，那么也许你能掌握多个行业网站分析的秘密。
　　所以，网站分析快速学习没有秘密，答案在实践。如果你想要学好网站分析，那么，在把前面&三个基础&夯实的基础上，勇敢地去找更多的实践机会，不放掉任何一个令自己疑惑的问题，多动手尝试，网站分析入门甚至精通，并不是那么困难的！祝你成功！
　　对了，别忘了给我留言，你的想法，你的问题，你的疑惑，你对我需不需要写两篇额外博文的建议，以及你对我上面问题的回答。
附录：网站分析可以读的几本书（但是千万不要扎进去爬不出来了！）
　　全部是英文的，汉语的现在没有好的。等我的书吧！:)
1. Sybex & Advanced Web Metrics with Google Analytics. Mar 2008。虽然是2008年的书，但是里面有一些关于网站分析的基本实现方法和网站分析工具的基本原理，值得一读。如果你觉得学习了GCU还不过瘾，那么你也可以通读这本书。
2. Google Analytics by Justin Cutroni (O'Reilly shortcuts)。这本书不错，内容精练，可以全部读完。
3. Wiley-Web Analytics For Dummies (2007)。 闲得无聊可以翻翻。
4. Avinas的两本，读英文版的。不过，不建议初学者读。
5. Sybex & Landing Page Optimization & The Definitive Guide to Testing and Tuning for Conversions & Jan 2008。值得读，随便翻阅，会有收获。
6. Don&t make me think，跟网站分析不直接相关，但值得读。
　　能把这些读完，已经很不错了，其他的，大家建议吧，比如流量背后的秘密什么的，我其实没有看，如果大家觉得好，不妨评论推荐！
　　最后，祝大家端午节快乐！
很是喜欢博主的文章，今天连着看了几篇。很是吸引我。我刚刚踏足这个行业，也是比较喜欢数据分析。之后遇到的问题还是得靠博主解答了,在这里先感谢你的博文。
5&包括引用 &
最近的帖子}