大多數(shù)有抱負(fù)的數(shù)據(jù)科學(xué)家是通過學(xué)習(xí)為開發(fā)人員開設(shè)的編程課程開始認(rèn)識(shí) python 的，他們也開始解決類似 leetcode 網(wǎng)站上的 python 編程難題。他們認(rèn)為在開始使用 python 分析數(shù)據(jù)之前，必須熟悉編程概念。

資深數(shù)據(jù)分析師 Manu Jeevan 認(rèn)為，這是一個(gè)巨大的錯(cuò)誤，因?yàn)閿?shù)據(jù)科學(xué)家使用 python 來對(duì)數(shù)據(jù)進(jìn)行檢索、清洗、可視化和構(gòu)建模型，而不是開發(fā)軟件應(yīng)用程序。實(shí)際上，為了完成這些任務(wù)，你必須將大部分時(shí)間集中在學(xué)習(xí) python 中的模塊和庫上。

請(qǐng)按照下面這個(gè)步驟來學(xué)習(xí)數(shù)據(jù)科學(xué)的 python。

如果你依然在編程的世界里迷茫，可以加入我們的Python學(xué)習(xí)扣qun：784758214，看看前輩們是如何學(xué)習(xí)的。交流經(jīng)驗(yàn)。從基礎(chǔ)的python腳本到web開發(fā)、爬蟲、django、數(shù)據(jù)挖掘等，零基礎(chǔ)到項(xiàng)目實(shí)戰(zhàn)的資料都有整理。送給每一位python的小伙伴！分享一些學(xué)習(xí)的方法和需要注意的小細(xì)節(jié)，點(diǎn)擊加入我們的 python學(xué)習(xí)者聚集地

配置編程環(huán)境

Jupyter Notebook 是開發(fā)和展示數(shù)據(jù)科學(xué)項(xiàng)目的強(qiáng)大編程環(huán)境。

在電腦上安裝 Jupyter Notebook 最簡(jiǎn)單的方法是通過 Anaconda 進(jìn)行安裝。Anaconda 是數(shù)據(jù)科學(xué)中使用最廣泛的 python 工具，它預(yù)裝了所有最流行的庫。

你可以瀏覽標(biāo)題為「A Beginner’s Guide to Installing Jupyter Notebook Using Anaconda Distribution」的博客文章，了解如何安裝 Anaconda。安裝 Anaconda 時(shí)，請(qǐng)選擇最新的 python 3 版本。

安裝完 Anaconda 后，請(qǐng)閱讀 Code Academy 的這篇文章，了解如何使用 Jupyter Notebook。

只學(xué)習(xí) python 的基礎(chǔ)知識(shí)

Code Academy 有一門關(guān)于 python 的優(yōu)秀課程，大約需要 20 個(gè)小時(shí)才能完成。你不必升級(jí)到 pro 版本，因?yàn)槟愕哪繕?biāo)只是熟悉 python 編程語言的基礎(chǔ)知識(shí)。

NumPy 和 Pandas，學(xué)習(xí)的絕佳資源

在處理計(jì)算量大的算法和大量數(shù)據(jù)時(shí)，python 速度較慢。你可能會(huì)問，既然如此那為什么 python 是數(shù)據(jù)科學(xué)最流行的編程語言?

答案是，在 python 中，很容易以 C 或 Fortran 擴(kuò)展的形式將數(shù)字處理任務(wù)轉(zhuǎn)移到底層。這正是 NumPy 和 Pandas 所做的事情。

首先，你應(yīng)該學(xué)會(huì) NumPy。它是用 python 進(jìn)行科學(xué)計(jì)算的最基本的模塊。NumPy 支持高度優(yōu)化的多維數(shù)組，這是大多數(shù)機(jī)器學(xué)習(xí)算法最基本的數(shù)據(jù)結(jié)構(gòu)。

接下來，你應(yīng)該學(xué)習(xí) Pandas。數(shù)據(jù)科學(xué)家花費(fèi)大部分時(shí)間清洗數(shù)據(jù)，這也被稱為數(shù)據(jù)整。

Pandas 是操作數(shù)據(jù)最流行的 python 庫。Pandas 是 NumPy 的延伸。Pandas 的底層代碼廣泛使用 NumPy 庫。Pandas 的主要數(shù)據(jù)結(jié)構(gòu)稱為數(shù)據(jù)幀。

Pandas 的創(chuàng)造者 Wes McKinney 寫了一本很棒的書，叫做《Python for Data Analysis》。在書中的第 4、5、7、8 和 10 章可以學(xué)習(xí) Pandas 和 NumPy。這些章節(jié)涵蓋了最常用的 NumPy 和 Pandas 特性來處理數(shù)據(jù)。

學(xué)習(xí)使用 Matplotlib 可視化數(shù)據(jù)

Matplotlib 是用于創(chuàng)建基本可視化圖形的基本 python 包。你必須學(xué)習(xí)如何使用 Matplotlib 創(chuàng)建一些最常見的圖表，如折線圖、條形圖、散點(diǎn)圖、柱狀圖和方框圖。

另一個(gè)建立在 Matplotlib 之上并與 Pandas 緊密結(jié)合的好的繪圖庫是 Seaborn。在這個(gè)階段，我建議你快速學(xué)習(xí)如何在 Matplotlib 中創(chuàng)建基本圖表，而不是專注于 Seaborn。

我寫了一個(gè)關(guān)于如何使用 Matplotlib 開發(fā)基本圖的教程，該教程由四個(gè)部分組成。

• 第一部分：Matplotlib 繪制基本圖
• 第二部分：如何控制圖形的樣式和顏色，如標(biāo)記、線條粗細(xì)、線條圖案和使用顏色映射
• 第三部分：注釋、控制軸范圍、縱橫比和坐標(biāo)系
• 第四部分：處理復(fù)雜圖形

你可以通過這些教程來掌握 Matplotlib 的基本知識(shí)。

簡(jiǎn)而言之，你不必花太多時(shí)間學(xué)習(xí) Matplotlib，因?yàn)楝F(xiàn)在公司已經(jīng)開始采用 Tableau 和 Qlik 等工具來創(chuàng)建交互式可視化。

如何使用 SQL 和 python

數(shù)據(jù)有組織地駐留在數(shù)據(jù)庫中。因此，你需要知道如何使用 SQL 檢索數(shù)據(jù)，并使用 python 在 Jupyter Notebook 中執(zhí)行分析。

數(shù)據(jù)科學(xué)家使用 SQL 和 Pandas 來操縱數(shù)據(jù)。有一些數(shù)據(jù)操作任務(wù)使用 SQL 就可以很容易地執(zhí)行，并且有一些任務(wù)可以使用 Pandas 高效地完成。我個(gè)人喜歡使用 SQL 來檢索數(shù)據(jù)并在 Pandas 中進(jìn)行操作。

如今，公司使用 Mode Analytics 和 Databricks 等分析平臺(tái)來輕松地使用 python 和 SQL。

所以，你應(yīng)該知道如何一起有效地使用 SQL 和 python。要了解這一點(diǎn)，你可以在計(jì)算機(jī)上安裝 SQLite 數(shù)據(jù)庫，并在其中存儲(chǔ)一個(gè) CSV 文件，然后使用 python 和 SQL 對(duì)其進(jìn)行分析。

這里有一篇精彩的博客文章，向你展示了如何做到這一點(diǎn)：Programming with Databases in Python using SQLite。

在瀏覽上述博客文章之前，你應(yīng)該了解 SQL 的基礎(chǔ)知識(shí)。Mode Analytics 上有一個(gè)很好的關(guān)于 SQL 的教程：Introduction to SQL。通過他們的基本 SQL 部分，了解 SQL 的基本知識(shí)，每個(gè)數(shù)據(jù)科學(xué)家都應(yīng)該知道如何使用 SQL 有效地檢索數(shù)據(jù)。

學(xué)習(xí)和 python 相關(guān)的基本統(tǒng)計(jì)學(xué)知識(shí)

多數(shù)有抱負(fù)的數(shù)據(jù)科學(xué)家在不學(xué)習(xí)統(tǒng)計(jì)學(xué)的基礎(chǔ)知識(shí)的情況下，就直接跳到機(jī)器學(xué)習(xí)知識(shí)的學(xué)習(xí)中。

不要犯這個(gè)錯(cuò)誤，因?yàn)榻y(tǒng)計(jì)學(xué)是數(shù)據(jù)科學(xué)的支柱。而且，很多數(shù)據(jù)科學(xué)家學(xué)習(xí)統(tǒng)計(jì)學(xué)只是學(xué)習(xí)理論概念，而不是學(xué)習(xí)實(shí)踐概念。

我的意思是，通過實(shí)踐概念，你應(yīng)該知道什么樣的問題可以用統(tǒng)計(jì)學(xué)來解決，了解使用統(tǒng)計(jì)數(shù)據(jù)可以解決哪些挑戰(zhàn)。

以下是你應(yīng)該了解的一些基本統(tǒng)計(jì)概念：

• 抽樣、頻率分布、平均值、中位數(shù)、模式、變異性度量、概率基礎(chǔ)、顯著性檢驗(yàn)、標(biāo)準(zhǔn)差、z 評(píng)分、置信區(qū)間和假設(shè)檢驗(yàn)(包括 A/B 檢驗(yàn))。

要學(xué)習(xí)這些知識(shí)，有一本很好的書可以看看：《Practical Statistics for Data Scientists: 50 Essential Concepts》。不幸的是，本書中的代碼示例是用 R 編寫的，但是很多人包括我自己在內(nèi)使用的是 Python。

我建議你閱讀本書的前四章。閱讀本書的前 4 章，了解我前面提到的基本統(tǒng)計(jì)概念，你可以忽略代碼示例，只了解這些概念。本書的其余章節(jié)主要集中在機(jī)器學(xué)習(xí)上。我將在下一部分討論如何學(xué)習(xí)機(jī)器學(xué)習(xí)。

大多數(shù)人建議使用 Think Stats 來學(xué)習(xí) python 的統(tǒng)計(jì)知識(shí)，但這本書的作者教授了自己的自定義函數(shù)，而不是使用標(biāo)準(zhǔn)的 python 庫來進(jìn)行統(tǒng)計(jì)知識(shí)講解。因此，我不推薦這本書。

接下來，你的目標(biāo)是實(shí)現(xiàn)在 Python 中學(xué)習(xí)的基本概念。StatsModels 是一個(gè)流行的 python 庫，用于在 python 中構(gòu)建統(tǒng)計(jì)模型。StatsModels 網(wǎng)站提供了關(guān)于如何使用 Python 實(shí)現(xiàn)統(tǒng)計(jì)概念的優(yōu)秀教程。

或者，你也可以觀看 Ga?l Varoquaux 的視頻。他向你展示了如何使用 Pandas 和統(tǒng)計(jì)模型進(jìn)行推理和探索性統(tǒng)計(jì)。

使用 Scikit-Learn 進(jìn)行機(jī)器學(xué)習(xí)

Scikit-Learn 是 Python 中最流行的機(jī)器學(xué)習(xí)庫之一。你的目標(biāo)是學(xué)習(xí)如何使用 Scikit Learn 實(shí)現(xiàn)一些最常見的機(jī)器學(xué)習(xí)算法。

你應(yīng)該像下面這樣做。

• 首先，觀看 Andrew Ng 在 Coursera 上的機(jī)器學(xué)習(xí)課程的第 1、2、 3、6,、7 和第 8 周視頻。我跳過了關(guān)于神經(jīng)網(wǎng)絡(luò)的部分，因?yàn)樽鳛槌鯇W(xué)者，你必須關(guān)注最通用的機(jī)器學(xué)習(xí)技術(shù)。
• 完成后，閱讀「Hands-On Machine Learning with Scikit-Learn and TensorFlow」一書。你只需瀏覽這本書的第一部分(大約 300 頁)，它是最實(shí)用的機(jī)器學(xué)習(xí)書籍之一。
• 通過完成本書中的編碼練習(xí)，你將學(xué)習(xí)如何使用 python 實(shí)現(xiàn)你在 Andrew Ng 課程中學(xué)習(xí)到的理論概念。

結(jié)論

最后一步是做一個(gè)涵蓋上述所有步驟的數(shù)據(jù)科學(xué)項(xiàng)目。你可以找到你喜歡的數(shù)據(jù)集，然后提出有趣的業(yè)務(wù)問題，再通過分析來回答這些問題。但是，請(qǐng)不要選擇像泰坦尼克號(hào)這樣的通用數(shù)據(jù)集。

另一種方法是將數(shù)據(jù)科學(xué)應(yīng)用到你感興趣的領(lǐng)域。例如，如果你想預(yù)測(cè)股票市場(chǎng)價(jià)格，那么你可以從 Yahoo Finance 中獲取實(shí)時(shí)數(shù)據(jù)，并將其存儲(chǔ)在 SQL 數(shù)據(jù)庫中，然后使用機(jī)器學(xué)習(xí)來預(yù)測(cè)股票價(jià)格。