union用法(儿子高考518分理科去衡二复读)

union用法，儿子高考518分理科去衡二复读？

从你儿子的各个科目的成绩来看，生物很差，语文一般，英语特别差，这说明你儿子是不太愿意花时间去记忆的。也正因为你的儿子懒于记忆，所以成绩才表现的比较一般，才需要去复读。

衡水那边的中学主要是通过军事化的管理，规定学生在每一个时间需要完成的学习任务，但是学生自己愿不愿意去完成，有没有按照规定去完成则是另外一回事，特别是像记忆类的科目，如果孩子不愿意花时间下去，那么想要学好是很难的，即便是衡中的老师也很难帮到。

所以，想要学好一定要端正态度，如果始终没有端正好态度，不管是衡水中学还是毛坦厂中学，还是全国哪个牛校都没有办法救。

生物

比如像生物这个科目它非常的简单，不需要多少逻辑思维难度，它就是死记硬背的科目，高考的每一个填空题的句子都在课文上能找到原话，每一个单选题多选题都是由课本的原话直接复制或者是修改过来的。最难的计算题，也不过就是在课本的概念的基础上加上一点数学的概率学知识。

我是很差的中学毕业的，但是我的高考生物是满分，我的做法就是把课本上面的每一句话都背熟。这个方法不是我发明的，是一个高考生物英语双单科状元的理科生发明的方法。状元的方法是可以复制的。

语文

语文也是纯粹记忆的科目，衡水那边的老师肯定都有发相关的记忆资料，全部都要背。

比如语文文言文常用词翻译表，这个是要像背单词那样一个字一个字的背下来的。比如语文阅读答题模板。抒发了什么感情？寄托了什么感情？基本是八股文模式既可以套用在现代文阅读，又可以套用在诗歌阅读，还会套在文言文阅读上。还有语文易错词表，发音易错表等等，这些东西都是老师发给孩子要让他死记硬背的，如果他不花时间去背，谁也救不了。

{!-- PGC_COMMODITY:{"charge_url":"https://s.click.taobao.com/t?e=m%3D2%26s%3DJiL%2FvyLyeYNw4vFB6t2Z2ueEDrYVVa64yK8Cckff7TVRAdhuF14FMQO0enGodhx81aH1Hk3GeOhLz2RACr4gdXALKFWOv6m5QIwNzXabWmwNqa5Vu4x3pZKBFy8zQxr9cjErDSez8Vc66%2Bl4SGC%2F%2Bc0Q9fK1X0AuhLjO8JFSuq6bVnqIlhd7i%2FRlOXElHwXlTc7jC1Dcr3Rcfm37xb4PJSXrHQQCUDPpa73YVwsy7G9aYcOvN511Tpcprpb7kdrDlcp6daO3wSGdLRjiFIV2gBqTkpU7vO7Xx%2BQohzGoi4shhQs2DjqgEA%3D%3D&union_lens=lensId:TAPI@1607399396@2108ad0f_075b_176407853a3_db4d@01","client_goods_data":"{\"promotion_id\":\"611277738733\",\"product_id\":\"611277738733\",\"title\":\"【2021新版】作业帮高考满分作文2021新版高中语文作文2021高考作文素材范文议论文真题高一高三万能写作模板满分之路辅导一轮复习\",\"cover\":\"https:\\/\\/img.alicdn.com\\/i1\\/2206699238380\\/O1CN01T3tPVs2Bm5fuA6GQ9_!!2206699238380.jpg\",\"price\":3690,\"market_price\":5800,\"cos_fee\":2583,\"detail_url\":\"sslocal:\\/\\/webview?swipe_mode=1&url=https%3A%2F%2Fdetail.tmall.com%2Fitem.htm%3Fid%3D611277738733\",\"sales\":7753,\"item_type\":1,\"cos_ratio\":70,\"favor\":false,\"in_shop\":false,\"platform_label\":\"淘宝\",\"h5_url\":\"https:\\/\\/detail.tmall.com\\/item.htm?id=611277738733\",\"selling_point\":\"\",\"coupon_amount\":0,\"elastic_title\":\"作业帮高考满分作文\"}","commodity_id":"611277738733","detail_url":"sslocal://webview?swipe_mode=1&url=https%3A%2F%2Fdetail.tmall.com%2Fitem.htm%3Fid%3D611277738733","goods_json":"{\"original_price\":58,\"price\":36.9,\"real_url\":\"https:\\/\\/detail.tmall.com\\/item.htm?id=611277738733\",\"shop_goods_id\":\"611277738733\"}","img_url":"http://sf1-cdn-tos.toutiaostatic.com/obj/cmp-ecom-alliance/FlXmGyEQ4Y60U328Bi44VOk_SaP1.png","item_type":1,"origin_price":"","price":36.9,"promotion_id":"611277738733","promotion_source":1,"source":"淘宝","title":"【2021新版】作业帮高考满分作文2021新版高中语文作文2021高考作文素材范文议论文真题高一高三万能写作模板满分之路辅导一轮复习"} --}

英语

英语这个科目，是整个高中最容易拿分的科目。说白了，这个科目他就是背资料。谁手上的资料好，谁能够把它背的下来，谁就能拿高分。

衡水那几所中学英语教学水平，都不是全国最强的。像深圳中学，深圳外国语中学，还有北师大附中，以及上海的几所重点中学他们的英语教学能力这么强，学生仍然要去外面找资料开小灶。

从你小孩的分数上来看，150分的高考英语卷子会经常考到70多分，说明3500词有一部分是没有背熟的，大概有七八百个单词。做题的时候就是靠瞎蒙瞎猜，所以分数才会掉到80分以下。

既然背单词有困难，建议你搜索一下睡眠记忆法这个方法，是免费公开的方法，在网上就能找到的。在睡眠记忆法官方的页面上，还提供一份免费的单页大容量的3500词表，PDF的格式可以自己下载，在电脑上打印出来。

打印出来后拿一张白纸，然后再找一根铅笔，看着英文说中文，发现哪个单词说不出来用铅笔做上记号，可以在单词边上标数字，从1标到100。每天发现100个这样不会的单词，然后用睡眠记忆法，按照规定的时间要求，认认真真做到一背四复习。这样只花一个小时的时间，就能记住100个单词。

高三70多分的学生用这个方法一周到两周就能够把单词问题解决。

通过背单词，分数会稳定在80~110之间。分数是更偏向于80，还是偏向于110，则与孩子的初中语法基础有关。

分数达到这个取值范围之后，在做题的过程中，卷面上就不会发现生词了。这时做题的感觉是有一部分的句子，虽然每一个单词都能看懂，可是就是没办法把这些单词的意思串成句子。

这是由于这些句子里面包含着词组短语和固定搭配，单词变成短语以后，意思会发生变化。

比如：be into sth 不是要进什么东西里面，而是对什么感兴趣。 take off不是拿掉，而是脱掉或者飞机起飞。

这些词组短语和固定用法的作用相当于汉语中的成语的作用，对于考试的理解有很大的影响，高考就是考理解的，因此词组短语和固定用法的学习是整个高中英语拿高分的关键。

词组短语和固定用法整理的最好的是《高中英语1.5万考点》这个资料。它对高考真题中出现的各种词组短语和固定用法的命中率可以达到98%。

这个命中率他不是随便说说的，这个资料他非常有公信力，每年高考完就会把高考真题的命中率分析报告拿出来，在高考真题中出现的每一个短语，在这个资料中，具体的页码和位置都会有详细的标注，整个报告完全公开。

在名校圈子里面，很多英语成绩一般的同学都会拿这个资料来逆袭。整个资料是72页，一本粉红色杂志那么大的本子，如果用睡眠记忆法来背，大概需要两个月时间背完。能够记住整份资料的50%，通常分数就能到130，能够记住80%，就有机会挑战140以上的高分。

小结：

高考复读生在学习的过程中应当重视方法，而不是迷信名校。类似衡水的这些中学，通过军事化管理它只能给你创造环境，但是努力学习要靠自己。

特别是记忆类的科目，就算是清华北大的教授来给你教学，他也只能告诉你什么该背，背什么东西能够提分，但是背不背？花多少功夫去背？完全就看你自己了。

callout是什么意思？

call out vt. 出动(引起,召集,大声叫喊)例句与用法:

1. Miners were called out (on strike) by union leaders. 矿工遵照工会领袖的指示举行罢工.

2. Only the president or a state govern or could call out the military or state militia. 只有总统或州长才能紧急召集军队或州人民自卫队。

3. The section gang was called out to fix the broken bridge. 养路工们被召集去抢修损坏的桥。

4. Call out the guard. 将卫兵集合起来

你有哪些好物可以分享？

因为喜欢，所以专业，我是室内设计师李秀玲！欢迎大家跟我一起讨论家居设计、装修等问题。

关注装修的人肯定也做过很多功课，以前老房子不好装的东西新家统统要用上，这次来给大家分享一波家居好物，都是根据已经入住的业主做的经验总结，这样对于准备装修的业主来说，真的还是很实用的。

01

越来越多人在家里装了净水器和洗碗机，能放心喝水，洗碗不伤手，生活质量真的有提高！

卫生间潮湿毛巾就很难干，容易滋生细菌，电热毛巾架就很有必要了。

最近很多人从锅上找到了幸福感，是真正热爱生活的人了。

毛毡门飞墨在一套北欧日式混搭的实景中用过，装饰功能很强，推荐！

02// 家务轻松做 //

洗碗机

这个大网红就不必说了，解放双手，买就对了！

烘干机、电热毛巾架

烘干机和电热毛巾架一样，能够拯救潮湿的回南天，不用担心衣服晒不干。

垃圾处理器

厨余垃圾直接被垃圾处理器绞碎排入下水道，不用弄得到处都是汤汤水水。

扫地机器人+戴森吸尘器

有了这个组合，拖地也是一种乐趣，沙发上的饼干屑也能处理得干干净净。

抽拉水龙头

清洗水槽时拐角都能照顾到，卫生间装一个洗头也更方便了。

03

// 提高生活质量 //

智能门锁

回家不用再到处找钥匙，录个指纹、刷个脸或是输入密码，就能进家门了。

净水器+直饮机

就像ღLuLu说的，不用永远不知道，自己喝的是那么脏的水，水质差的地区，净水器一定要装。

直饮机全称叫直饮纯水机，有了它家里再不用桶装水、电热水壶烧水了，出来的水经过过滤可以直接喝。

智能马桶

温水冲洗+坐垫加热，冬天用幸福感爆棚，还能缓解便秘、预防痔疮。

新风系统+地暖+中央空调

这三大件都装下来，不用说，我单方面宣布你是我朋友了，没个10万是拿不下的，但真的能提升居住的舒适感。

热水循环

装了这个系统，只要家里出水的地方都能实现“即开即热”，适合大户型，卫生间离热水设备远。如果只需要实现洗澡出热水，也可以试试恒温花洒。

投影仪

在家就能看电影，居家舒适感一流，一包薯片、一杯果茶、一部电影、一个懒人沙发，就能消磨一下午了。

04

// 收纳好物 //

马桶上方

马桶上方空间不要浪费了，可以放一个专门的置物架，放纸巾、清洁用品等。

水槽下方

水槽下方有水管，空间很容易鸡肋了，随便塞塞就满了，还乱七八糟，别担心，也有专门的收纳架。

橱柜转角

橱柜转角里放东西不好拿取，装个旋转拉篮就OK了。

柜门背面

衣柜的柜门背面装上挂钩，可以收纳帽子、围巾等小饰品。

缝隙置物架

厨房和卫生间经常有些缝隙，比如冰箱和墙壁之间，因为太窄只能空着落灰，就可以买个缝隙置物架，收纳瓶瓶罐罐的东西。

推荐了这么多家居好物，飞墨君仿佛变成了卖家和销售。也不能忘了作为家装设计的本职，最后给大家推荐一些好用的设计技巧。

05

// 好用的设计技巧 //

干湿分离

这个说过三千遍了，除非卫生间太小，不然一定要做！

谷仓门

厨房想要开放式，但不装门燃气公司不给通燃气，装个谷仓门就能解决了，拉开贴在墙壁上完全不占用厨房空间，刷上色彩颜值也颇高。

隐形门

如果客厅通往卧室的门开在电视背景墙上，请一定要用隐形门！

折叠换鞋凳

玄关空间太小，做不了带换鞋凳的鞋柜？那也要装个折叠换鞋凳。

折叠餐桌

折叠餐桌同样也是小户型的神器，折叠进墙壁或是柜体里，吃饭时拉出来，足够容纳2-3人吃饭了。

墨菲床

又想要书房/衣帽间，又想要留着客卧，打个墨菲床吧，可以同时满足两种需求。

看完了飞墨君的盘点，#有钱我要all in#的标签是不是很贴切？今天列举的东西是大多数用户都觉得好用的，没钱先看着，有钱就能把攻略做起来了。毕竟好看的东西总会审美疲劳，好用的东西却会一直用一直爽。

怎么自学数据分析？

这是一份数据分析师的入门指南，它包含七周的内容，Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。

每一周的内容，都有两到三篇文章细致讲解，帮助新人们快速掌握。这七周的内容刚好涵盖了一位数据分析师需要掌握的基础体系，也是一位新人从零迈入数据大门的知识手册。

第一周：Excel

每一位数据分析师都脱离不开Excel。

它是日常工作中最常用的工具，如果不考虑性能和数据量，它可以应付绝大部分分析工作。虽然现在机器学习满地走，Excel依旧是无可争议的第一工具。

Excel的学习分为两个部分。

掌握各类功能强大的函数，函数是一种负责输入和输出的神秘盒子。把各类数据输入，经过计算和转换输出我们想要的结果。

在SQL，Python以及R中，函数依旧是主角。掌握Excel的函数有助于后续的学习，因为你几乎在编程中能找到名字一样或者相近的函数。

在「数据分析：常见的Excel函数全部涵盖在这里了」中，介绍了常用的Excel函数。

清洗处理类：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text

关联匹配类：lookup、vlookup、index、match、row、column、offset

逻辑运算类：if、and、or、is系列

计算统计类：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round

时间序列类：year、month、weekday、weeknum、day、date、now、today、datedif

搜索能力是掌握Excel的不二窍门，工作中的任何问题都是可以找到答案。

第二部分是Excel中的工具。

在「数据分析：Excel技巧大揭秘」教程，介绍了Excel最具性价比的几个技巧。包括数据透视表、格式转换、数组、条件格式、自定义下拉菜单等。正是这些工具，才让Excel在分析领域经久不衰。

在大数据量的处理上，微软提供了Power系列，它和Excel嵌套，能应付百万级别的数据处理，弥补了Excel的不足。

Excel需要反复练习，实战教程「数据分析：手把手教你Excel实战」，它通过网络上抓取的数据分析师薪资数据作为练习，总结各类函数的使用。

除了上述要点，下面是附加的知识点，铺平数据分析师以后的道路。

了解单元格格式，数据分析师会和各种数据类型打交道，包括各类timestamp，date，string，int，bigint，char，factor，float等。

了解数组，以及相关应用（excel的数组挺难用），Python和R也会涉及到 list，是核心概念之一。

了解函数，深入理解各种参数的作用。它会在学习Python中帮助到你。

了解中文编码，UTF8、GBK、ASCII，这是数据分析师的坑点之一。

第二周：数据可视化

数据分析界有一句经典名言，字不如表，表不如图。

数据可视化是分析的常用技巧之一，不少数据分析师的工作就是通过图表观察和监控数据。首先了解常用的图表：

Excel的图表可以100%绘制上面的图形，但这只是基础。

在「数据可视化：你想知道的经典图表全在这」中介绍了各类数据分析的经典图表，除了趋势图、直方图，还包括桑基图、空间图、热力图等额外的类型。

数据可视化不是图表的美化，而是呈现数据的逻辑之美，是揭示数据的内在关联。了解图表的维度和适用场景，比好看更重要。比如桑吉图就是我一直推崇的图表，它并不知名，但是它能清晰的揭露数据内在状态的变化和流向。案例是用户活跃状态的趋势。

Excel的图表操作很傻瓜化，其依旧能打造出一份功能强大的可视化报表。「数据可视化：教你打造升职加薪的报表」教给大家常用的Excel绘图技巧，包括配色选取，无用元素的剔除、辅助线的设立、复合图表等方法。

Excel图表的创造力是由人决定的，对数据的理解，观察和认知，以及对可视化的应用，这是一条很长的道路。

图表是单一的，当面板上绘制了多张图表，并且互相间有关联，我们常称之为Dashboard仪表盘。

上图就是用分析师薪资数据为数据源绘制的Dashboard，比单元格直观不少。我们常常把绘制这类Dashboard的工具叫做BI。

BI（商业智能）主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作完全可以交给BI自动化完成，从数据规整、建模到下载。

另外一种是使用其可视化功能进行分析，它提供比Excel更丰富的交互功能，操作简单，而且美观，如果大家每天作图需要两小时，BI能缩短大半。

在「数据可视化：手把手打造BI」教程中，以微软的PowerBI举例，教大家如何读取数据，规整和清洗数据，绘制图表以及建立Dashboard。最后的成果就是上文列举的分析师案例。

BI还有几个核心概念，包括OLAP，数据的联动，钻取，切片等，都是多维分析的技巧，也是分析的核心方法之一。

后续的进阶可视化，将和编程配合。因为编程能够提供更高效率和灵活的应用。而BI也是技术方向的工具，了解技术知识对应用大有帮助。

第三周：数据分析思维数据分析能力的高低，不以工具和技巧决定，而以分析思维决定。

在一场战争中，士兵装备再好的武装，进行再严苛的训练，若是冲锋的方向错了，那么迎接他们的唯有一败涂地。

分析思维决定一场「数据战争」中的冲锋方向。只有先养成正确的分析思维，才能使用好数据。

既然是思维，它就倾向于思考的方式，Excel函数学会了就是学会，分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断，以「我觉得我认为」展开，好的数据分析首先要有结构化的思维。

麦肯锡是其中领域的佼佼者，创建了一系列分析框架和思维工具。最典型地莫过于金字塔思维。

这篇文章简述了该思维的应用，「快速掌握麦肯锡的分析思维」。你能学会结构化思考，MECE原则，假设先行，关键驱动等方法论。

除此以外，还有SMART、5W2H、SWOT、4P4C、六顶思考帽等，这些都是不同领域的框架。框架的经典在于，短时间内指导新人如何去思考，它未必是最好的，但一定是性价比最优的。数据分析思维，是分析思维的引申应用。再优秀的思考方式，都需要佐证和证明，数据就是派这个用处的，「不是我觉得，而是数据证明」。

现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。如果把它应用在数据领域，就是：如果你不能用指标描述业务，那么你就无法有效增长它。每一位数据分析师都要有指标体系的概念，报表也好，BI也好，即使机器学习，也是围绕指标体系建立的。

下图就是一个典型的指标体系，描述了用户从关注产品、下载、乃至最后离开的整个环节。每一个环节，都有数据及指标以查询监控。

不同业务背景需要的指标体系不同，但有几个建立指标的通用准则。这篇文章深入介绍了「如何建立数据分析的思维框架」。你将区分什么是好指标、什么是坏指标、比率和比例、指标的结构、指标设立的维度等概念。

数据分析不是一个结果，而是一个过程。几乎所有的分析，最终目的都是增长业务。所以比分析思维更重要的是驱动思维落地，把它转化为成果。

数据分析思维是常年累月养成的习惯，一周时间很难训练出来，但这里有一个缩短时间的日常习惯。以生活中的问题出发做练习。

这家商场的人流量是多少？怎么预估？

上海地区的共享单车投放量是多少？怎么预估？

街边口的水果店，每天的销量和利润是多少？怎么预估？

这些开放性问题起源于咨询公司的训练方法，通过不断地练习，肯定能有效提高分析思维。另外就是刷各种CaseBook。

优秀的数据分析师会拷问别人的数据，而他本身的分析也经得起拷问。

第四周：数据库

Excel很容易遇到瓶颈，随着业务的发展，分析师接触的数据会越来越多。对大部分人的电脑，超过十万条数据，已经会影响性能。何况大数据时代就是不缺数据，这时候就需要学习数据库了。

即使非数据岗位，也有越来越多的产品和运营被要求使用SQL。

很多数据分析师戏称自己是跑SQL的，这间接说明SQL在数据分析中有多核心。从Excel到SQL绝对是处理效率的一大进步。

教程内容以MySQL为主，这是互联网行业的通用标准。其实语法差异不大的。

新手首先应该了解表的概念，表和Excel中的sheet类似。「写给新人的数据库指南」是一篇入门基础文章，包括表、ID索引、以及数据库的安装，数据导入等简单知识。

SQL的应用场景，均是围绕select展开。增删改、约束、索引、数据库范式均可以跳过。新手在「SQL，从入门到熟练」教程会学习到最常见的几个语法，select、where、group by、if、count/sum、having、order by、子查询以及各种常用函数。

数据还是分析师薪资数据，它可以和Excel实战篇结合看，不少原理都是相通的。

想要快速掌握，无非是大量的练习。大家可以在leetcode上做SQL相关的练习题，难度从简单到困难都有。「SQL，从熟练到掌握」教程中将会带领大家去刷一遍。

join对新手是一个很绕的概念，教程会从图例讲解，逐步提高难度。从一开始的join关联，到条件关联、空值匹配关联、子查询关联等。最后完成leetcode中的hard模式。

如果想要更进一步，可以学习row_number，substr，convert，contact等函数。不同数据平台的函数会有差异，例如Presto和phpMyAdmin。再想提高，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。知道为什么union比or的效率快，这已经和不少程序员并驾齐驱。

第五周：统计学

很多数据分析师并不注重统计学基础。

比如产品的AB测试，如果相关人员不清楚置信度的含义和概念，那么好的效果能意味着好么？如果看待显著性？

比如运营一次活动，若不了解描述统计相关的概念，那么如何判别活动在数据上的效果？可别用平均数。

不了解统计学的数据分析师，往往是一个粗糙的分析师。如果你想要往机器学习发展，那么统计学更是需要掌握的基础。

统计知识会教大家以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。

在第一篇教程「解锁数据分析的正确姿势：描述统计」，会教给大家描述统计中的诸多变量，比如平均数、中位数、众数、分位数、标准差、方差。这些统计标准会让新手分析师从平均数这个不靠谱的泥潭中出来。

箱线图就是描述统计的大成者，好的分析师一定是惯用箱线图的常客。

第二篇「解锁数据分析的正确姿势：描述统计(2)」将会结合可视化，对数据的分布进行一个直观的概念讲解。很多特定的模型都有自有的数据分布图，掌握这些分布图对分析的益处不可同日而语。

直方图和箱线图一样，将会是长久伴随分析师的利器。

统计学的一大主要分支是概率论，概率是度量一件事发生的可能性，它是介于0到1之间的数值。很多事情，都可以用概率论解释，「概率论的入门指南」和「读了本文，你就懂了概率分布」都是对其的讲解。

包括贝叶斯公式、二项概率、泊松概率、正态分布等理论。理论不应用现实，那是无根之木，教程中会以运营活动最常见的抽奖概率为讲解，告诉大家怎么玩。

其实数据分析中，概率应用最广泛和最全面的知识点，就是假设检验，大名鼎鼎的AB测试就是基于它的。俗话说得好，再优秀的产品经理也跑不过一半AB测试。

何为假设检验？假设检验是对预设条件的估计，通过样本数据对假设的真伪进行判断。

产品改版了，用户究竟喜不喜欢？调研的评分下降了，这是用户的评价降低了，还是正常的数据波动呢？这些都是可以做假设检验的。它可以说是两面两篇文章的回顾和应用。

「数据分析必须懂的假设检验」依旧以互联网场景讲解各种统计技巧的应用。假设检验并不难，通过Excel的几个函数就能完成。它的难点在于诸多知识点和业务的结合使用，实际公式不需要掌握的多透彻，了解背后的意义更重要。

统计学是一个很广阔的领域，包括方差分析，时间序列等，都有各自不同的应用。大家若感兴趣，可以去阅读各类教材，没错，教材是学习统计学最优的方式。我这类文章堪堪算入门罢了。

第六周：业务

对于数据分析师来说，业务的了解比数据方法论更重要。举个例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。这个案例中，我们只知道送货员的送货水平距离，根本不知道垂直距离。这是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。业务形态千千万万，数据分析师往往难窥一二。我的公众号业务部分也涉及了不少，大家可以通过这几篇文章了解。

一篇文章读懂活跃数据；深入浅出，用户生命周期的运营；获取新增用户，运营都应该知道的事；运营的商业逻辑：CAC和CLV；从零开始，构建数据化运营体系；读懂用户运营体系：用户分层和分群，这些都是互联网运营相关的内容，或多或少涉及了不少业务方面的概念，数据分析人员可以选择性的挑选部分内容。了解业务的数据分析师在职场发展上会更加顺利。

而在「最用心的运营数据指标解读」中，我尝试总结了几个泛互联网领域的指标和业务模型，它们都是通用的框架。

产品运营模型：以移动端APP为主体，围绕AARRR准则搭建起数据框架。包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播，以及细分指标。

市场营销模型：以传统的市场营销方法论为基底，围绕用户的生命周期建立框架。包括用户生命周期，生命周期价值、用户忠诚指数、用户流失指数、用户RFM价值等。

流量模型：从早期的网站分析发展而来，以互联网的流量为核心。包括浏览量曝光率、病毒传播周期、用户分享率、停留时间、退出率跳出率等。

电商和消费模型：以商品的交易、零售、购买搭建而起。包括GMV、客单价、复购率、回购率、退货率、购物篮大小、进销存，也包含SKU、SPU等商品概念。

用户行为模型：通过用户在产品功能上的使用，获得精细的人群维度，以此作为分析模型。包括用户偏好、用户兴趣、用户响应率、用户画像、用户分层，还包含点赞评论浏览收藏等功能的相关指标。

除了上述的几个常见模型，数据分析还有其他分支。比如SEO/SEM，虽然可以归类到流量模型，但它并不简单。比如财务分析，商业的各种成本支出也需要专人负责。

在业务知识外，业务层面的沟通也很重要。业务线足够长的时候，沟通往往成为老大难的问题。

业务学习没有捷径，哪怕掌握了诸多模型，不同行业间的业务壁垒会是分析师们的门槛。金融的各类专有领域知识，电子商务不同产品的特性，这些都会影响到分析报告的质量。

在早期，新人最好选择一到两个领域深入了解其业务，然后以此拓展边界。

第七周：Python/R

第七周是最后的学习环节。

是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘、BI、爬虫、可视化报表都需要用到编程。掌握一门优秀的编程语言，可以让数据分析师升职加薪，迎娶白富美。数据分析领域最热门的两大语言是R和Python。R的优点是统计学家编写的，缺点也是统计学家编写。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。

Python则是万能的胶水语言，适用性强，可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。

这里的教程以Python为主。

「开始Python的新手教程」将会教大家搭建数据分析环境，Anaconda是功能强大的数据科学工具。Python建议安装Python3+版本，不要选择Python2了。

Python的语法相当简洁，大家print出第一个hello world顶多半小时。就像在Excel上进行运算一样方便。

「开始Python的数据结构」介绍给大家Python的三类数据结构，列表list，元组tuple，以及字典dict。万变不离其宗，掌握这三种数据结构以及相对应的函数，足够应付80%的分析场景。函数式编程为Python一大特色，Python自身就提供不少丰富的函数。很多都和Excel的函数相通，掌握起来非常迅速。另外还有控制流，for、while、if，通常配合函数组合使用。

「了解和掌握Python的函数」教大家如何自定义函数，丰富的函数虽然能偷懒，但是不少场景下，还是需要自己动手撸一个。

能够调第三方包解决，就使用第三方的函数。如果是一个频繁使用的场景，而第三方依靠不了，就自己编一个函数。如果是临时性的场景，写得粗糙点也无所谓。毕竟分析师的代码能力不要求工程师那么严格，所以Python的学习尽量以应用为主，不用像分析师那么严格。

包、模块和类的概念属于进阶知识，不学也不要紧。

「Python的数据分析: numpy和pandas入门」介绍了数据分析师赖以生存的两个包，numpy和pandas，其他Python知识可以不扎实，这两个最好认真掌握。它是往后很多技能树的前置要求。

array，series，dataframe是numpy和pandas的三个数据结构，掌握它们，便算是入门了。后续的两篇教程都是实战。

「用pandas进行数据分析实战」以分析师的薪资作为实战数据。Excel、BI、SQL，一路走来，大家想必对它无比熟悉，这也是最后一次使用它了。教程通过Pandas的各类功能，绘制出一副词云图。

ratio函数的用法？

ratio用法主要是迎来创建有关的数据表：Syntax

分析函数RATIO_TO_REPORT 用来计算当前记录的指标expr占开窗函数over中包含记录的所有同一指标的百分比. 这里如果开窗函数的统计结果为null或者为0,就是说占用比率的被除数为0或者为null, 则得到的结果也为0.

开窗条件query_partition_clause决定被除数的值, 如果用户忽略了这个条件, 则计算查询结果中所有记录的汇总值.

用户不能使用其他分析函数或者ratio_to_report作为分析函数ratio_to_report的参数expr, 也就是说这个函数不能循环使用. 但我们可以使用其他普通函数作为这个分析函数的查询结果.

Examples 1

下面的示例演示了如何计算每一个员工的工资占部门全部工资的比例.

创建表

create table T_salary(

F_depart varchar2(20),

F_EMP varchar2(20),

F_salary integer

);

truncate table t_salary;

-- 插入测试数据

insert into t_salary(f_depart, f_emp, f_salary)

select '信息管理部','张三',10000 from dual

union all

select '信息管理部','李四',2000 from dual

union all

select '人力资源部','王五',3000 from dual

union all

select '人力资源部','赵六',10000 from dual;

commit;

--查询每个员工占所在部门的工资比例

select f_depart,f_emp,f_salary,sum(f_salary) over(partition by f_depart) sum_salary,

ratio_to_report(f_salary) over(partition by f_depart) ratio_salary

from t_salary;

--递归查询员工占所在部门的百分比, 以及部门所占公司的工资比例.

select f_depart,f_emp,f_salary,g1,

sum(f_salary) over(partition by decode(g1, 0, f_depart, null), g1) sum_salary,

ratio_to_report(f_salary) over(partition by decode(g1, 0, f_depart, null), g1) r_salary

from (

select f_depart,

f_emp,

sum(f_salary) f_salary, grouping(f_depart) + grouping(F_emp) g1

from t_salary

group by rollup(f_depart, f_emp)

) t

由于分析函数可以使用普通函数的结果作为expr参数, 所以上面的代码又可以整合为下述方式.

select f_depart,

f_emp,

sum(f_salary) f_salary,

sum(sum(f_salary)) over(partition by decode(grouping(f_depart) + grouping(F_emp), 0, f_depart, null),grouping(f_depart) + grouping(F_emp)) sum_salary,

ratio_to_report(sum(f_salary)) over(partition by decode(grouping(f_depart) + grouping(F_emp), 0, f_depart, null),grouping(f_depart) + grouping(F_emp)) r_salary,

grouping(f_depart) + grouping(F_emp) g1

from t_salary

group by rollup(f_depart, f_emp)。