在说这本《数据科学入门》之前，我们先来讨论一下啥叫入门？我觉得入门其实就是做两件事：一是带你看看这物件是个什么鬼，也就是进门前带你在门口瞅一瞅。二是给你指条该怎么整地路，也就是告诉你门怎么开。做好这两件事，我觉得这个入门工作就算是“入门”了。以上述观点来看，这本书只算入了一半的门：它倒是给数据科学来了一个全方位立体式地介绍，第一件事完成的很漂亮。可第二件事嘛，它有点带偏了：不介绍现成的Python库怎么使用，而是从新发明轮子：从零开始写代码。这感觉就是你要去北京，我先告诉你内燃机原理，然后你可以自己制作汽车上路了。好吧，也许学习数据科学的同时再练习一下Python技巧是作者的初衷吧。我倒是建议大家还是偷懒学学具体库比较直接。所以，下文我将主要捋顺数据科学的框架，具体工具建议大家还是换别的书比较靠谱。
好的，我们现在开始说点正经的。我觉得数据科学整体的流程跟打麻将是一样样的（怎么感觉不太像说正经的呢？）就是“洗牌，码牌，摸牌看牌，摸牌看牌，胡了”这整个流程。别不信，我们一点点捋。
不过在开始之前，我们还是要先说一说麻将的玩法规矩，对应到数据科学里，就是数学原理。（诶，别走啊！数学没那么可怕）
数据科学要用的数学主要包括：
线性代数：多维空间变来变去那点事。没办法，数据科学打交道的数一般都是多维的，所以熟悉这套变换法则是必须的。
概率论：可能性的运算规矩。数据科学要分析的都是可能性事件（废话，确定性的事还分析个啥），所以还是要懂规矩地。
统计学：基于概率论的方法论。详细内容请出门左拐，参看我的《 统计思维》一文。
最优化理论：最主要的就是梯度下降法，可谓一招仙吃遍天。
好吧，上述数学知识我知道大家都还给老师了，还好书里有核心知识简介，大家可以简单地仔细看一下，唤起尘封的记忆。
现在开始打麻将了（知道你就等这个）。第一步，洗牌——数据收集。没麻将你打啥牌，没数据你分析啥。所以无论是网络爬虫，还是网页埋点，先呼啦呼啦把数据摆上桌再说。当然，少不了文件读取这样的基本功咯。
第二步，码牌——数据清洗和整理。你要是问为啥数据清洗不对应洗牌呢？我的回答是三个字：不愿意。其实数据清洗和整理是将数据规范化格式化的过程，对应的正是麻将里的码牌，把散乱的牌码整齐。和码牌一样，数据清洗和整理绝对是体力活——包括检查数据一致性，处理无效值和缺失值等等，这一步要花去你整个数据分析过程的绝大多数时间。耐心干活吧！
第三步——摸牌看牌。牌码好了，可以正式开始打牌了，是不是有点小兴奋？先等等，你知道怎么胡牌吗？为了胡牌，我们现在常用的技术是机器学习，就是给机器一套规则，一个判断标准，然后让机器自己在数据中锻炼自己。当然，这个规则就多种多样了，相当于各种胡牌方法：
谁近谁说了算的k近邻就是小屁胡。
将数据用简单直线表示的线性回归就是对对胡。
将数据通过变换映射到直线上再线性预测的逻辑回归是七小对。
考虑每一次决策使信息熵最大化的决策树是清一色。
不停调整细胞传递系数的人工神经网络是大三元。
还有不靠标记自己拉帮结派的聚类是十三幺。
……
算法很多，种有一款适合你。
第四步，胡牌——训练出可用模型，可以从数据中发现有预测未来能力的价值。当然，数据科学跟麻将不一样，不是算法越难回报越大。数据科学讲究不管黑猫白猫，抓住老鼠就是好猫。所以屁胡和十三幺一样，只要胡牌就是赢。
你以为到这里我们就说完了吗？并没有。如同各地有各自的麻将打法，数据科学也有不同的方向。比如有像血战到底的自然语言处理，分析语义、当前大火。还有像胡吃乱碰推倒胡的推荐系统，技术成熟，应用广泛……
总之，数据科学就如同麻将一样，千变万化，魅力无穷。你是不是也手痒了，想来摸两把。那就先从这本《数据科学入门》开始吧。
满分五星，《数据科学入门》我给三星。对于又想学数据科学，又想练习Python的小伙伴，不妨好好看一下。
网友评论