目录：
一，数据科学Python入门指南
二，参考资料：
一，数据科学Python入门指南
精通Python时，最容易犯的错误之一就是尝试一次学习太多东西，尤其是库。当您尝试那样学习时，您会花费太多时间在不同的概念之间切换，感到沮丧并转向其他事物。
当您开始学习时，请专注于此过程，并耐心等待每一步：
1，Understand Python basics：了解Python基础
2，Learn Numpy：学习Numpy 库
3，Learn Pandas：学习熊猫 库
4，Learn Matplotlib：学习Matplotlib 库
5，Practice Your coding and data science skills：练习您的编码和数据科学技能
步骤1：Python基础知识
Python语法-成功的基石
好吧，老实说，您需要学习很多有关语法的特定细节，而本文不足以充分完成此任务。但我会真诚地尝试减轻您的学习痛苦。以下是基本概念和有价值的资源/书籍：
Python是一种强类型语言（强类型语言是一种语言，其中每种数据类型都作为语言的一部分进行了预定义，并且必须使用一种数据类型来描述为给定程序定义的所有常量或变量）。同时它是动态类型的（没有变量的声明，只有赋值语句）。
Python是区分大小写的语言（var和VAR是两个不同的变量）和面向对象的语言（Python中的所有对象都是对象：数字，字典，用户定义的类和内置类）。
Python没有强制性的运算符完成字符，块边界由缩进定义。缩进开始一个新的块，缺少缩进则结束它。等待新缩进的表达式以冒号（:)结尾。单行注释以井号（＃）开头；对于多行注释，使用字符串文字，并用三撇号或三引号引起来。
使用等号（“ =”）分配值（实际上是与值名称关联的对象），并使用两个等号（“ ==”）检查是否相等。您可以分别使用+ =和— =运算符，通过在运算符右侧指定的值来增加/减少这些值。这适用于许多数据类型，包括。和字符串。
数据类型。在Python中，有以下数据结构：列表，元组和字典。集合也可用，但仅在Python 2.5和更高版本中可用。列表就像一维数组（但是您也可以创建其他列表的列表并获得多维数组），字典是关联数组（所谓的哈希表，可以是任何数据类型），元组是一维不变的数组（在Python中，“数组”可以是任何类型，因此您可以在列表/字典/元组中混合使用例如整数，字符串等）。所有类型的数组中第一个元素的索引为0，而最后一个元素的索引为-1。
您只能使用冒号（:)处理部分数组元素。在这种情况下，冒号之前的索引指示数组已使用部分的第一个元素，冒号之后的索引指示数组已使用部分的最后一个元素之后的元素（它不包含在子数组中） 。如果未指定第一个索引，则使用数组的第一个元素。如果未指定秒数，则最后一个元素将是数组的最后一个元素。计算负值从头开始确定元素的位置。
绝对初学者的资源和必须学习的东西：
用Python自动完成无聊的工作 -本书证明了编程的主要目的不是语法知识，而是对如何使机器执行指令的理解。编程是创造力，而使用Python自动处理无聊的东西是您掌握这种语言的最佳方法！
如何像计算机科学家一样思考 -另一个好的开放书项目，指导您像专家一样编程。它更像是有关编程的一般信息。例如，您不知道什么是Strings或Tuples或其他东西，这是获得基本解释的正确位置。
对于那些了解另一种编程语言的人：
在一个视频中学习Python —精彩的视频，阐明了许多与Python和数据分析有关的问题，例如整数，浮点数和字符串等数据类型之间的区别；该功能的结构是什么？进口经营者如何工作等等。
下一步对于巩固迄今为止已取得的成就至关重要：
PracticePython.org —一个提供完整的Python编程任务以及最重要的是其解决方案的地方。在这里，您可以将自己的决策与其他人的决策进行比较，并找到您的方法的优点和缺点。
步骤2：Python清单和字串
甲列表是在Python数据结构，它是一个可变的，或可改变的，排序的元素的序列。列表内的每个元素或值称为一个项目。就像将字符串定义为引号之间的字符一样，通过在方括号[]之间使用值来定义列表。
步骤3：用于数据科学的Python库
编程中的库是什么？它是程序可以使用的预编译例程的集合。例程有时称为模块，以对象格式存储。库对于存储常用的例程特别有用，因为您无需将它们显式链接到使用它们的每个程序。库节省了时间，因为您不需要从头开始构造函数。
您需要学习的内容：
Jupyter Notebook-一套用于开发程序的工具。如果您通过Anaconda发行版下载了Python，请使用Anaconda创建并保存Jupyter Notebook。这是执行此操作的最佳方法：如何使用anaconda navigator创建和保存jupyter笔记本。
学习路径：
阅读一般信息（大约需要30分钟）。
打开Jupyter Notebook并加载库。
使用有关使用库的说明，查看库的工作方式。
分配30分钟以研究参考信息。
使用此学习路径，您将掌握足够的库以开始在工作中使用它。
您需要学习的数据科学Python库：
1.首先，开始学习NumPy，因为它是使用Python进行科学计算的基础包/基本软件包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。
对Numpy的深入了解将帮助您更有效地使用Pandas等工具。
功能强大的N维数组对象。精密广播功能函数。 集成 C/C+和Fortran 代码的工具。 强大的线性代数、傅立叶变换和随机数功能。
需要学习的东西： Numpy的基本概念，Numpy中最常执行的操作，例如使用N维数组，对数组进行索引和切片，使用整数数组进行索引，转置数组，通用函数，使用数组进行数据处理，经常使用统计方法。
2.Pandas 是一个强大的分析结构化数据的工具集；它的使用基础是Numpy（提供高性能的矩阵运算），包含高级数据结构和操作工具，可在Python中快速轻松地进行数据分析；用于数据挖掘和数据分析，同时也提供数据清洗功能。
Matplotlib可用于Python脚本，Python和IPythonShell、Jupyter笔记本，Web应用程序服务器和四个图形用户界面工具包。
需要学习的知识：系列，数据框，从轴上删除条目，使用缺失值。
3. Matplotlib 是一个 Python 绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。用于二维或三维数据可视化。这是繁琐而功能强大的工具。使用Matplotlib，您可以快速生成折线图，直方图，饼图等。
要学习的东西：
根据要传达的消息创建不同类型的可视化。了解如何根据实际数据构建复杂的定制化地块。
学习资源： Matplotlib简介，Matplotlib教程
其他库：
1. Scipy —一个Python模块，用于线性代数，积分，优化，统计和数据科学中的其他常用任务。它具有高度的用户友好性，并提供了快速便捷的N维数组操作。
2. PyTorch —基于Torch，是一个开源ML库，主要为Facebook的人工智能研究小组构建。虽然它是自然语言处理和深度学习的绝佳工具，但也可以有效地用于数据科学。
3. scikit-learn-专注于ML的模块，基于SciPy构建。该库通过其一致的界面提供了一套通用的ML算法，并可以帮助用户快速在数据集上实现流行的算法。它还具有用于常见ML任务的所有标准工具，例如分类，聚类和回归。
步骤4：练习编码和数据科学技能
实践是完美的，尤其是在数据科学方面。
好吧，如果您已经能够做这么长的路要走，我表示祝贺！现在，实际工作已经开始，并开始使用Python进行分析！就我个人而言，现阶段最有效的解决方案是三种方式：参加Kaggle竞赛，自己发明和解决问题，完成Python数据分析实践课程。但是，让我们尝试一次讲一个：
参加Kaggle比赛
Kaggle经常举行数据分析比赛。我建议先参加无奖竞赛，因为这是最简单且对初学者更友好的竞赛。随着时间的流逝，您可以转到更复杂的任务。
如果这种练习方法适合您，请阅读有关如何参加Kaggle竞赛的指南- Kaggle入门指南。
2.自己创造和解决问题
想象一下，一个营销人员由于不得不手动收集和处理数据并根据这些数据进行可视化报告而厌倦了熬夜工作。为了简化工作并按时回家，他设置了任务-使用Python自动执行此过程并解决该问题。
以类似的方式，您应该找到一些使您难以使用的东西。然后您的任务是考虑如何解决它。唯一可以阻止您的事情是对操作顺序的无知。由此，您可以跳过必要的步骤并失败。要么卡在中间，要么不知道如何进行。
如果发生这种情况，请使用以下方法。
3.参加有关Python数据分析的实践课程
通过实践课程，我的意思是在必要的专业知识的指导下获得必要的知识并完成一项实际任务。以下是最佳选择：
二，参考资料：
Python 重要库：
学习资源推荐：
贵有恒！
网友评论