CDA（Certified Data Analyst），即“CDA数据分析师”，是在数字经济大背景和人工智能时代趋势下，面向全行业的资格认证，旨在提升全民数字技能，助力企业数字化转型，推动行业数字化发展。

　　CDA 是一套科学化，专业化，国际化的人才考核标准，共分为 CDA LEVELⅠ ，LEVEL Ⅱ，LEVEL Ⅲ三个等级。

　　涉及行业

　　互联网、金融、咨询、电信、零售、医疗、旅游等

　　涉及岗位

　　大数据、数据分析、市场、产品、运营、咨询、投资、研发等

　　CDA 认证标准由数据科学领域的、学者及众多企业共同制定并每年修订更新，确保了标准的中立性、共识性、前沿性。

　　CDA 认证考试报考人群

　　CDA LEVEL I

　　面向范围： 人人皆需的职场数据思维与通用数据技能1. 基础差就业转行者、应届毕业生2. 产品、运营、营销等业务岗与研发、技术岗者3. 企业创始人、经理人、管理咨询类岗位从业者

　　面向范围： 商业（业务）分析师、初级数据分析师、（数据）产品运营、（数字）市场营销、数据专员等

　　CDA LEVEL II

　　面向范围： 企业数字化发展中必备的数据分析流程与技能1. 产品、运营、营销等业务部门与研发、中台、技术类部门数据分析相关岗位者2. 数字化转型企业创始人与数字化流程中相关负责人

　　岗位去向： 数据分析师、（数据）产品运营经理、（数字）营销经理、风控建模分析师、量化策略分析师、数据治理（质量）等

　　CDA LEVEL III

　　面向范围： 企业数字化发展中必备的数据分析方法与技术1. 业务岗与技术岗从事数据分析、数据挖掘、机器学习等技术提升者2. 从事算法科学、深度学习等工作的科研人员、分析师与工程师等

　　岗位去向： 数据分析师、机器学习工程师、算法工程师、数据科学家、首席数据官等

　　数据分析文本挖掘教程

　　一、文本挖掘定义

　　文本挖掘指的是从文本数据中获取有价值的信息和知识，它是数据挖掘中的一种方法。文本挖掘中较重要较基本的应用是实现文本的分类和聚类，前者是有监督的挖掘算法，后者是无监督的挖掘算法。

　　手把手教你做文本挖掘

　　二、文本挖掘步骤

　　1)读取数据库或本地外部文本文件

　　2)文本分词

　　2.1)自定义字典

　　2.2)自定义停止词

　　2.3)分词

　　2.4)文字云检索哪些词切的不准确、哪些词没有意义，需要循环2.1、2.2和 2.3步骤

　　3)构建文档-词条矩阵并转换为数据框

　　4)对数据框建立统计、挖掘模型

　　5)结果反馈

　　三、文本挖掘所需工具

　　本次文本挖掘将使用R语言实现，除此还需加载几个R包，它们是tm包、tmcn包、Rwordseg包和wordcloud包。其中tmcn包和Rwordseg包无法在CRAN镜像中下载到，有关这两个包的下载方法可参见下文>>>

　　四、实战

　　本文所用数据集来自于sougou实验室数据，具体可至链接下载>>>

　　本文对该数据集做了整合，将各个主题下的新闻汇总到一张csv表格中，数据格式如下图所示：

　　手把手教你做文本挖掘

　　具体数据可至文章后面的链接。

　　手把手教你做文本挖掘

　　手把手教你做文本挖掘

　　接下来需要对新闻内容进行分词，在分词之前需要导入一些自定义字典，目的是提高切词的准确性。由于文本中涉及到军事、医疗、财经、体育等方面的内容，故需要将搜狗字典插入到本次分析的字典集中。

　　手把手教你做文本挖掘

　　手把手教你做文本挖掘

　　如果需要卸载某些已导入字典的话，可以使用uninstallDict()函数。

　　分词前将中文中的英文字母统统去掉。

　　手把手教你做文本挖掘

　　图中圈出来的词对后续的分析并没有什么实际意义，故需要将其剔除，即删除停止词。

　　手把手教你做文本挖掘

　　手把手教你做文本挖掘

　　停止词创建好后，该如何删除76条新闻中实际意义的词呢?下面通过自定义删除停止词的函数加以实现。

　　手把手教你做文本挖掘

　　手把手教你做文本挖掘

　　相比与之前的分词结果，这里瘦身了很多，剔除了诸如“是”、“的”、“到”、“这”等无意义的次。

　　判别分词结果的好坏，较快捷的方法是绘制文字云，可以清晰的查看哪些词不该出现或哪些词分割的不准确。

　　手把手教你做文本挖掘

　　手把手教你做文本挖掘

　　仍然存在一些无意义的词(如说、日、个、去等)和分割不准确的词语(如黄金周切割为黄金，医药切割为药等)，这里限于篇幅的原因，就不进行再次添加自定义词汇和停止词。

　　手把手教你做文本挖掘

　　手把手教你做文本挖掘

　　此时语料库中存放了76条新闻的分词结果。

　　手把手教你做文本挖掘

　　手把手教你做文本挖掘

　　从图中可知，文档-词条矩阵包含了76行和7939列，行代表76条新闻，列代表7939个词;该矩阵实际上为稀疏矩阵，其中矩阵中非0元素有11655个，而0元素有591709，稀疏率达到98%;较后，这7939个词中，较频繁的一个词出现在了49条新闻中。

　　由于稀疏矩阵的稀疏率过高，这里将剔除一些出现频次极地的词语。

　　手把手教你做文本挖掘

　　手把手教你做文本挖掘

　　这样一来，矩阵中列大幅减少，当前矩阵只包含了116列，即116个词语。

　　为了便于进一步的统计建模，需要将矩阵转换为数据框格式。

　　手把手教你做文本挖掘

　　手把手教你做文本挖掘

　　总结

　　所以在实际的文本挖掘过程中，较为困难和耗费时间的就是分词部分，既要准确分词，又要剔除无意义的词语，这对文本挖掘者是一种挑战。