我在2011年和2012年写作这本书的第一版，当时只有很少的关于用 python 进行数据分析的学习资源。这有点类似于“鸡生蛋还是蛋生鸡”的问题；许多现在我们习以为常的库，比如pandas, scikit-learn 和 statsmodels 在当时还相当地不成熟。2017年，数据科学，数据分析和机器学习方面的文献数量不断增加，补充了以往关于面向计算科学家，物理学家和其他研究领域专业人员的通用科学计算的工作。还有许多关于学习Python编程语言本身并成为一名高效的软件工程师的优秀书籍。
在我看来，成为 python 软件开发方面的专家并不意味着能够进行卓有成效的数据分析。我鼓励你使用 IPython shell 和 Jupyter notebooks 动手尝试代码示例，并且在相关文档中查看不同的（数据）类型，函数和方法。尽管我已经尽了最大的努力将这本书呈现为一种渐进学习的形式，但你偶尔可能会一些尚未完全介绍过的内容。
本书中的一些工具最好从实时的IPython或Jupyter会话中进行探索。一旦你学会了如何启动IPython 和 Jupyter，我建议你跟随这些例子，试验和尝试不同的东西。 与任何键盘驱动的控制台式环境一样，为常见命令形成肌肉记忆也是学习曲线的一部分。
网友评论