用大白话说数据分析
数据科学与分析基础到底涉及什么
新加坡的数据科学与分析基础课程是处理数据的入门辅导。学员建立电子表格分析、入门 SQL、Python 与 pandas、描述性统计、数据可视化（Power BI、Tableau Public 或 Looker Studio，加上 Google Analytics 4 仪表板素养），以及在符合 PDPA 个人数据处理意识下做清晰数据叙事的能力。它适合在 MOE 学制之外探索数据导向路径的学生，借助 SkillsFuture Credit、IMDA TechSkills Accelerator（TeSA）与 WSQ 对齐的数据课程提升技能的职场人士，以及为 NP、NYP、RP、SP 与 TP 理工学院的分析、计算与人工智能文凭，或 NUS、NTU、SMU 与 SUSS 学位做准备的人。
- 01电子表格分析与数据透视表
- 02用于查询真实数据的入门 SQL
- 03用于数据处理的 Python 与 pandas
- 04描述性统计基础
- 05可视化与仪表板
- 06向非技术受众传达洞见
大纲涵盖范围
我们涵盖的完整数据科学与分析基础大纲
从原始数据到一个决策，按真实分析师的工作方式
数据基础
以分析师的方式处理数据
电子表格分析；数据透视表与公式；数据类型与结构；清理与准备
SQL 与查询
提取你真正需要的数据
SELECT 与筛选；GROUP BY 与聚合；连接表；读懂数据字典
Python 与统计学
规模化分析并用数字推理
Python 基础；pandas 数据框；描述性统计；相关性与基础推断
可视化与叙事
让数据有说服力
图表与仪表板；选择合适的图表；洞见的呈现框架；向利益相关者汇报
开始之前
数据分析学员应先知道什么
先从电子表格入手，而非代码
大多数真正的分析思维——筛选、汇总、比较——可以先在电子表格里学会。先掌握数据透视表再学 SQL 与 Python，会让代码容易吸收得多。
基础技能，并非认证
这为后续受认可的学习、WSQ 课程或工作项目打下实用功底。它是通用的技能提升，与任何受认可的资格或厂商证书相互独立。
处理个人数据时要顾及 PDPA
真实数据集常含个人数据。我们用匿名化或合成数据，配合 PDPC 的基础匿名化思路来辅导，让你从第一节课就养成安全习惯，而不是出错之后才学。
沟通是技能的一半
没人看得懂的干净分析价值有限。课程明确训练向非技术受众解释洞见，这正是大多数初学者跳过的部分。
一份小型作品集胜过纯理论
把一个真实数据集从头到尾做完——清理、查询、分析、可视化、叙述——远比被动看完教程更能证明能力。
选择你的路径
数据科学与分析基础在数据学习路径中的位置
选择合适的起步点
| Path | Focus | Best for | Prerequisite |
|---|---|---|---|
| Data & analytics basics | 电子表格、SQL、入门 Python、可视化 | 探索者与技能提升者 | 无 |
| Programming tuition | 软件开发与逻辑 | 有志成为开发者者 | 无 |
| Statistics tuition | 正式统计理论 | 应试 / 学术方向 | 学校数学 |
| WSQ / TeSA data course | 受认可、受资助的资格 | 寻求认证的转职者 | 通常需基础数据素养 |
我们辅导谁
新加坡数据科学与分析基础适合谁
按目标与起步点匹配
好奇的学生
在探索数据相关理工学院或大学课程是否适合自己的中学与初级学院学生。
- 毫无编程基础
- 不确定这个领域是否适合
- 想要切合实际的体验
提升技能的职场人士
转向数据导向岗位、需要实用分析技能的在职成人，常在 SkillsFuture 或 TeSA 课程之前先学。
- 学习时间有限
- 只有电子表格背景
- 需要应用型而非学术型技能
升学规划者
为新加坡分析、计算或人工智能文凭与学位做准备的学生。
- 把学校数学衔接到数据工作
- 首次接触 SQL 与 Python
- 作品集就绪度
小企业主
想理解自家销售与运营数据的企业主。
- 杂乱的电子表格
- 没有仪表板技能
- 把数据转化为决策
分析师的手艺
一道数据科学与分析基础问题实际上是怎么解出来的
每个洞见背后的端到端工作流程与现代工具箱。
我们反复操练的分析师工作流程：从原始数据到一个决策
初学者太早伸手去写代码。真正的分析师遵循一个可重复的循环，而大部分价值都在画出任何图表之前就已产生。我们让这个循环成为本能。
- 1
问对问题
锁定数据真正要支撑的决策——是「要砍掉哪两款产品」，而非「分析一下销售」。一个清晰的问题能省下数小时漫无目的的折腾。
- 2
取得数据
用电子表格导出或一条简单的 SQL 查询把数据拉出来，并读懂数据字典，这样在信任每一列之前你就清楚它真正代表什么。
- 3
清理与准备
修正类型、处理空白与重复、统一类别。这大约占真实分析工作的 70 到 80 个百分点，也是大多数初学者结果出错的地方。
- 4
分析
用数据透视表或 pandas 的 group-by 聚合，计算描述性统计，并检查表面上的规律是否经得起再看一眼。
- 5
可视化
选择与比较相符的图表——类别用条形图，随时间的趋势用折线图——在 Power BI、Tableau Public 或 Looker Studio 中完成。
- 6
讲好故事
先抛出洞见与建议采取的行动，再用图表佐证。决策者应能一口气就抓住要点。
我们建立的入门数据工具箱，按合理的顺序排列
这些是新加坡初学者应当真正学会的、当前广泛使用的工具，按让前一个为后一个铺路的顺序排列。
电子表格（Excel / Google Sheets）
分析思维的起点——筛选、数据透视表与公式教你在写下一行代码之前先质询数据。
SQL
从真实数据库中精准拉取你所需行列的语言；几乎每个分析岗位都要求它。
Python + pandas
处理超出电子表格能力的清理与分析，配合 NumPy 做数值、Matplotlib 做快速图表。
一款 BI 工具（Power BI / Tableau Public / Looker Studio）
把分析变成利益相关者可探索的交互式仪表板。Tableau Public 与 Looker Studio 免费，非常适合作品集。
Google Analytics 4（GA4）
新加坡网页与应用行为数据的标准；这里的仪表板素养对营销与产品岗位直接有用。
实例演练
一道真实的分析问题，一步步解出来
初学者如何把一份杂乱的电子表格变成一条清晰的建议。
哪些产品正悄悄拖低一家咖啡馆的营收？
The problem
一位新加坡咖啡馆老板导出了 12 个月的销售数据：一份记录每个订单明细的电子表格，含 Date、Item、Category、Qty、UnitPrice、Discount 等列。他们觉得收入持平，想知道该砍掉哪些菜单项。你要如何把这份原始导出变成一条站得住脚的建议？
Worked solution
- 1先清理：统一不一致的项目名称（「Kopi-O」对「kopi o」），修正以文本存储的 UnitPrice，并删除 Qty 为 0 或负数的作废订单。
- 2新增 Revenue 列 = Qty x UnitPrice x (1 - Discount)，让每一行都承载其真实金额，而非标价。
- 3建一个数据透视表（或在 pandas 中按 Item 做 group-by），对每个项目的 Revenue 与 Qty 求和，再按 Revenue 升序排序，把最弱的销售品浮现出来。
- 4下判断前先加上下文：计算每个项目占总营收的比重及其毛利率代理指标，因为一个低营收但高毛利、有忠实买家的项目，和一个低营收、低毛利的项目并不一样。
- 5把它可视化成帕累托条形图——项目按营收排序并附累计线——以显示垫底的 10 个项目贡献的营收不到 3 个百分点。
- 6讲好故事：「这四个低营收、低毛利的项目为不到 1 个百分点的收入增添了菜单复杂度；试着下架它们能释放备餐时间，而营收风险微乎其微。」
Answer: 一份按营收与毛利排序、可供试下架的低营收低毛利项目候选清单，配以帕累托图与清晰的营收占比数字——一条老板可以付诸行动的建议。
决定性的一步不是图表——而是诚实地清理，并在下判断前补上毛利与占比的上下文。同样的「提问—清理—分析—讲故事」循环，从一家咖啡馆的电子表格一路扩展到全国级数据集都适用。
技能层级
从对电子表格好奇到具备分析能力
我们如何描述数据科学与分析基础的进步。
「在分析上变强」实际是什么样子
进步是具体可观察的。我们用这套评量表设定起步点，并向学员清楚展示下一级需要什么。
| Criterion | 起步阶段 | 渐入佳境 | 具备分析能力 |
|---|---|---|---|
| 电子表格 | 使用基本公式与排序 | 自信地建数据透视表与 VLOOKUP/XLOOKUP | 设计干净、可重复的分析工作簿 |
| SQL | 读懂简单的 SELECT | 写出 WHERE、GROUP BY 与基础连接 | 为一个真实问题连接多个表并聚合 |
| Python / pandas | 在 notebook 中运行给定代码 | 加载、筛选并分组一个数据框 | 独立地把一个杂乱数据集从头到尾清理好 |
| 统计直觉 | 知道平均数与中位数 | 读懂分布并发现离群值 | 下结论前质疑相关性与因果性 |
| 叙事能力 | 做出一张基本图表 | 为比较选对图表 | 先抛洞见与建议行动 |
初学者在数据科学与分析基础中常犯的错
这些是可预见、可纠正的错误，我们尽早抓住，让它们永远不会变成习惯。
在理解数据或问题之前就一头扎进 Python。
先在电子表格里探索，并在写任何代码之前用一句话写下分析必须支撑的决策。
原封不动地信任一个数据集——重复、空白与以文本存储的数字会悄悄扭曲每一个汇总。
把清理定为固定的第一步：在计算任何东西之前先检查类型、空白与重复。
把相关性当成因果性，然后建议了错误的行动。
把它表述为一种关系，寻找混淆因素，并明确说出数据无法证明什么。
做出一个没人看得懂的仪表板——图表太多，没有标题结论。
先抛出一条清晰洞见与建议行动；每张图表都必须挣得它的位置。
在未匿名化的真实个人数据上练习。
使用匿名化或合成数据集，并在任何分析之前应用 PDPC 的基础匿名化步骤。
新加坡情境
新加坡格局中的数据科学与分析基础
为何数据技能在新加坡重要，以及如何为它筹资
新加坡积极扶持数据与科技技能提升——正是这种本地情境把这些基础变成一条真正的路径。
SkillsFuture Credit
25 岁及以上的新加坡人拥有基础 SkillsFuture Credit（40 岁及以上另有加额），可在已获批的培训机构用于这些基础之后的受认可数据课程。
IMDA TechSkills Accelerator（TeSA）
TeSA 是 IMDA 与 SSG、WSG 及 NTUC 合作的计划，把 Data Analytics 列为核心赛道之一，对符合条件的学员与转职者提供可观的课程费补贴。
WSQ 与理工学院路径
WSQ 对齐的数据赛道与诸如 Applied AI & Analytics 的理工学院课程，直接建立在这里所辅导的电子表格、SQL 与 Python 基础之上。
顾及 PDPA 的实践
新加坡的 PDPA 管辖个人数据；PDPC 的基础匿名化指引塑造了我们处理数据集的方式，因为经过妥善匿名化的数据便不在该法令管辖范围内。
Why Eduprime
为何学员选择 Eduprime 学数据科学与分析基础
实战派辅导与一份泛泛教程播放列表的区别在哪里
实战派导师，不只懂理论
做过真实分析工作的导师辅导完整的「提问到讲故事」工作流程，让你学会数据在实践中如何用于做决策。
按目标匹配，而非一刀切
一次免费需求沟通确定你的起步点——学生体验、职场技能提升或升理工学院前的衔接——计划随你的目标走，而非固定课纲。
现代、当前的工具箱
电子表格、SQL、Python 与 pandas 以及一款真正的 BI 工具，加上 GA4 素养——这正是 2026 年雇主与理工学院实际期待的技术栈。
可以展示的作品集
你以一份端到端分析收尾——清理、查询、可视化、叙述——它比一张出席证书更能证明能力。
从第一节课就顾及 PDPA
我们用匿名化或合成数据，配合 PDPC 的基础匿名化思路来辅导，把安全的数据习惯融入你的实践。
全岛、上门或线上
在新加坡全岛上门，或通过共享屏幕与 notebook 实时线上授课——按你的时间安排匹配。
Lesson formats
和我们学数据科学与分析基础的方式
选择契合你目标与时间表的形式
一对一上门补习
一位实战派导师上门为你提供完全个性化、亲手操作的辅导。
- 完全个性化的节奏
- 用你自己的数据集亲手操作
- 最适合抢得有力的领先
- 对你的作业给予直接反馈
一对一线上
通过共享屏幕与 notebook 实时一对一，录制以供复习。
- 时间灵活
- 录制课堂供回看
- 免去通勤时间
- 同一批实战派导师
小组（2–4 人）
一个目标相近的小组，分摊费用并做同侪项目。
- 每位学员成本更低
- 同侪数据项目
- 按目标分组
- 结构化的数据集讲解
Fees
新加坡数据科学与分析基础费用
透明的市场价套餐——在免费需求沟通后确认
体验
在投入之前先试一试这套工作流程
S$200–400
4 sessions · ~S$50–100 / session
- 免费目标与水平沟通
- 电子表格到洞见的入门
- 工具路线图建议
- 第一份小型分析
基础
稳步辅导走完整个基础赛道
S$50–100 / hr
Monthly sessions · billed monthly
- 每周一对一或小组
- 电子表格、SQL 与 Python
- 按你目标匹配的数据集
- 每月进度记录
作品集冲刺
做出一个可展示的端到端项目
S$65–120 / hr
Flexible sessions · by tutor seniority
- 真实数据集，端到端
- 在 Power BI / Tableau / Looker Studio 中做仪表板
- 数据叙事辅导
- 作品集就绪的书面总结
若首堂课后匹配不合适，可免费重新匹配导师。
所列数字为新加坡入门数据分析补习的典型市场价，仅供参考；你的确切费率取决于目标、导师经验、形式与地点，会在免费需求沟通后确认。这属于私人补习，与任何可用 SkillsFuture 报销的 WSQ 课程相互独立。在适用情况下另加 GST。
Accountability
你看得见数据分析的进步
我们让学员在课与课之间保持方向——是问责，而非凭感觉
每月进度记录
涵盖了什么、哪里进步了、下一个重点是什么——用与你目标挂钩的大白话写成。
技能评量追踪
你在电子表格、SQL、Python、统计直觉与叙事上各处于何处，以及下一级需要什么。
项目日志
处理过的数据集、完成的练习，以及随时间逐渐成形的作品集分析。
工具清单
哪些工具你能独立使用、哪些还需练习，从数据透视表到仪表板。
Our tutors
辅导背后的数据教育者
按你的目标与学习风格匹配的实战派
- 拥有亲手操作的数据分析或数据科学经验
- 熟练运用电子表格、SQL 与 Python 及 pandas
- 熟悉一款 BI 工具（Power BI、Tableau 或 Looker Studio）与 GA4
- 有辅导初学者与转职者的经验
- 顾及 PDPA 的数据处理；已通过 Eduprime 筛选
Mr Tan
9 年以上
信息系统理学士（NUS）；9 年以上分析经验
电子表格到 Python 的路径、商业分析、仪表板
“初学者以为难点在代码。难点是问对问题和诚实地清理——把这两件做对，代码就简单了。”
蔡老师
7 年
数据科学与分析理学士（NUS）；前营销分析师
GA4 与营销数据、Looker Studio 仪表板、数据叙事
“图表不是洞见。我辅导学员先抛出决策，再让数据来支撑它。”
Rajaratnam 老师
8 年
分析学理学硕士（NTU）；SQL 与 pandas 专家
SQL 查询、pandas 数据清理、作品集项目
“清理占了 70 个百分点的活儿。一旦学员能毫无畏惧地清理一个杂乱数据集，其余的就都通了。”
What families say
新加坡学员如何评价我们的数据分析辅导
来自我们合作过的学员的代表性体验
我来自一个只用电子表格的行政岗位。在写任何代码之前先从数据透视表起步让我豁然开朗，到作品集项目时我已经清理了一个真实数据集，并做出了一个在面试中展示的仪表板。
Mr Faizal R.
转职者 · Tampines · 一对一线上
我的导师正是按我即将上的 TeSA 课程所期待的方式专注于 SQL 与 pandas，所以我一进去就已经从容自如，而不是手忙脚乱。作为衔接很值得。
Ms Wong P.
提升技能的职场人士 · Bishan · 一对一上门
我是一名初级学院学生，不确定数据科学是否适合我。体验课给了切合实际的感受——有些部分比我预想的难，老实说这反倒帮我睁大眼睛选了理工学院课程。
Aisyah binte M.
初级学院学生 · Jurong West · 小组
我看重的是 PDPA 那部分——我经营一家小生意，从前没意识到该如何处理客户数据。我们在匿名化样本上练习，现在我对真实数据谨慎多了。
Mdm Lim S.
小企业主 · Ang Mo Kio · 一对一上门
从一开始就对范围诚实——不承诺工作或证书，只给扎实的技能。数据叙事辅导改变了我在工作中呈现数字的方式。
Mr Sanjay K.
提升技能的职场人士 · Serangoon · 一对一线上
起初进展比我期望的慢，因为我课与课之间没练习。一旦我做了每周练习，数据透视表与基础 pandas 很快就上手了。教学公道又有耐心。
Ms Devi N.
在职成人 · Woodlands · 小组
Student journeys
数据分析的成长历程
从对电子表格好奇到具备分析能力的代表性路径
一位只有基础电子表格技能的行政人员，想转入数据导向的岗位。
- 在真实工作数据上练就数据透视表与公式的熟练度
- 学会入门 SQL，拉取关键的行
- 在 pandas 中清理并分析一个数据集，再做出一个仪表板
完成一份端到端作品集分析，用于申请内部分析师职位。
在职成人 · 约 3 个月
一位被 TeSA 数据课程录取、却对技术先修条件感到焦虑的转职者。
- 把 SQL 查询与连接操练到课程期待的水平
- 在杂乱数据集上建立 pandas 清理的信心
- 练习读懂仪表板并构建洞见框架
带着从容的基础进入受资助课程，而非在第一周追赶进度。
转职者 · 约 6 周
一位在理工学院计算与分析路径之间犹豫不决的初级学院学生。
- 在一个真实数据集上试走完整的「提问到讲故事」工作流程
- 比较用电子表格、SQL 与 Python 解决同一任务的方式
- 反思工作中哪些部分让自己觉得投入
在对日常工作有切合实际的理解后，选定了数据分析方向。
初级学院学生 · 约 1 个学期
如何开始
在 Eduprime 学数据科学与分析基础如何进行
从第一次沟通到一份作品集分析
- 1
免费需求沟通
我们了解你的目标、背景，以及适合基础路线还是更深入的路径。
约 15 分钟 - 2
匹配补习老师
我们按你的目标、节奏与时间安排匹配一位补习老师——上门或线上。
1–3 天 - 3
数据基础
在真实数据集上做电子表格分析、数据透视表与描述性统计。
前几周 - 4
SQL 与 Python 清理
用入门 SQL 查询，再用 Python 与 pandas 加载、清理与准备数据。
课程中段 - 5
可视化与叙事
图表、仪表板，以及向非技术受众传达洞见。
后几周 - 6
作品集分析
一个端到端小项目：清理、查询、分析、可视化并呈现一个数据集。
收尾
范围一览
数据科学与分析基础涵盖什么
诚实的范围——基础技能，并非认证
- 4
- 模块：数据 / SQL / Python / 可视化
- 入门
- 无需编程基础
- 作品集
- 端到端小项目
- 全岛
- 上门或线上
常见问题
新加坡学员常问的数据科学与分析基础问题
关于工具、先修条件、SkillsFuture 与进度的直接解答