Python图书阅读路径
1.Python数据分析基础
链接：https://pan.baidu.com/s/1GwYla9Z4vfmidPPedOF3KA
提取码：4hv7
复制这段内容后打开百度网盘手机App，操作更方便哦
前言~
Python目前是入门者学习编程的首选语言，它不仅被应用于传统的编程任务，如Web应用程序设计；也被大量“被赶鸭子上架的程序员”——科学家、数据专员以及工程师所采用，他们编程并非出于兴趣，而是必须靠编程才能在自己的领域中更进一步。一门简单的编程语言为业余编程人员提供的便利是不容小觑的。
本书面向的读者
按照书中的介绍：
本书面向的读者主要是那些经常使用电子表格软件进行数据处理，但从未写过一行代码的人。
Lemon觉得这个范畴还是很清晰的。当然，Lemon阅读完这本书之后，觉得范围也可以适当的拓宽些，包括经常处理电子表格的、需要定期生成报表的、有一定的数据可视化需求的、以及需要对数据进行统计性描述的，都可以参考下本书的部分内容。
对于这点，Lemon也是深有感触。前些年，Lemon还没有开始学Python ，当时管理许多的项目，用Excel处理数据感觉有些力不从心。于是，开始寻找解决方案，找了一圈，最后发现微软的Access，用SQL语句撸了一个小型的项目管理工具。现在看来，如果当时会Python，会方便很多。
内容介绍
本书展示如何用 Python 程序将不同格式的数据处理和分析任务规模化和自动化。主要内容包括 ：Python 基础知识介绍、CSV 文件和 Excel 文件读写、数据库的操作、示例程序演示、图表的创建，等等。
阅读完本书，读者将能掌握基本Python编程方法，学会编写出处理电子表格和数据库中的数据的脚本，并了解使用Python模块来解析文件、分组数据和生成统计量的方法。
● 学习基础语法，创建并运行自己的Python脚本
● 读取和解析CSV文件
● 读取多个Excel工作表和工作簿
● 执行数据库操作
● 搜索特定记录、分组数据和解析文本文件
● 建立统计图并绘图
● 生成描述性统计量并估计回归模型和分类模型
● 在Windows和Mac环境下按计划自动运行脚本
高级库总结
这里是对你会经常接触的重要的库的简要总结：
NumPy：拥有大量的科学计算的核心功能。由于它的内部运算是通过C语言实现的，所以比用Python写成的同样的函数，它的速度会快许多。但它并不是最用户友好的包。
SciPy：跟NumPy非常相似，但是有更多的方式来从分布中取样，计算检验统计量，等等。
MatPlotLib：主要的画图框架。不太讨喜，但却是必备的包。
Seaborn：在导入MatPlotLib包之后导入Seaborn包，默认地，它会使你的绘图变得漂亮许多。它也有一些独特的功能，但是我发现它最酷炫的功能运行起来实在太慢了。
Pandas：基本上是对NumPy/SciPy进行轻量的包装，使它们更用户友好一些。对于和表格数据交互非常理想，Pandas中把表格数据称为数据框（DataFrame）。对画图功能也有一些包装，使得无需使用MPL（Meta-Programming Library，元编程库）就可以快速实现画图。我使用Pandas而非其他的工具来操作数据。
Scikit-learn：包含大量的监督和非监督机器学习算法，以及许多做模型选择的度量工具，是一个优秀的预处理库。这个预处理库可以做主成分分析（Principal Component Analysis），对分类变量进行编码，等等。
小技巧
1. 在Jupyter笔记本中，在运行代码块（Cell）前，于任何一个对象前放置一个问号，它会为你打开这个对象的文档。在你遗忘了你所使用的函数的细节的时候，这是非常方便的。比如说，my_dataframe.apply会解释pandas.DataFrame对象中的apply方法，而这个my_dataframe是pandas.DataFrame的一个实例。
2. 无论你在使用什么库，你通常都需要一直查阅文档，那么就干脆一直在浏览器中打开它。可选变量以及细微的差别实在是太多了。
3. 当你遇到无可避免的故障检修的时候，stackoverflow上也许已经有了问题的答案。
4. 接受这个事实吧：你正在做并不是完全理解的事情，又或者你会被并不重要的细节拖入泥淖。某一天你也许需要理解虚拟环境，它并没有那么困难，只是会有一些弯路给新手增加一些不必要的痛苦而已。
5. 阅读别人的代码。这是最好的方式，可以学习到规范，也是最佳的实践。这就是Kaggle kernels能够帮助你的地方。Github同样也支持在浏览器中展示Jupyter笔记本。互联网上有大量的例子可供参考学习。
书中的Python环境
书中的代码使用的Python版本是Python 3.5版，本书作者在Windows平台对代码进行测试的，如果你电脑上的Python版本是3.5以及之上，应该是可以运行的。
由于Python是跨平台的，因此，Windows、Linux以及MacOS系统应该都没问题。
对用Python安装，书中推荐安装Anaconda ，Lemon一般也是直接安装 Anaconda，主要是比较省事。
关于Python环境的安装，这个还是需要自己去弄。不同的电脑环境，有时候会出现一些小小的问题，这个主要还是需要自己通过搜索来解决。
书中的代码，原书作者已经发布其Github上，大家可以免费去获取，地址如下：
https://github.com/cbrownley/foundations-for-analytics-with-python
数据文件处理
书中花了比较大的篇幅来讲解关于数据文件的处理，主要包括CSV文件、Excel文件以及数据库。
对于数据分析入门而言，可能遇到比较多的文件类型还是Excel和CSV，所以书中对这两类介绍也是比较多。
书中介绍了用Python脚本、内置模块、第三方库等途径来操作这两类文件，涉及到内置CSV模块、Xlrd、Xlwt等。对于需要读取数据，尤其是需要写入数据，用这些工具还是挺方便的。
如果只是读取数据，然后进行数据清洗等处理，Lemon一般喜欢用Pandas 。
此外，对于数据库，书中也介绍了内置的Sqlite3模块，以及流行的数据库MySQL 。
数据可视化
主要涉及四个可视化库，分别是Matplotlib、Pandas、ggplot和seaborn 。
除了ggplot ，其余三个， Lemon也是经常使用的。
下面分享一个随书的案例：
运行后效果如下：
关于Matplotlib，前不久Lemon整理了一份100个项目入门Matplotlib的内容，有兴趣的同学可以前往查看：
100个案例，Matplotlib从入门到大神
自动运行脚本
Lemon觉得还有一个内容估计大家是感兴趣的，那就是使用Python来按计划自动运行脚本，由于是在商业环境中，有一些需要定期上报的内容，比如日报、周报、月报、季报，年报等（特别烦！！！）。
前不久，阿里取消周报，都能上热搜，可见这些报表多么重要，又是多么招人厌！
如果你用Python来自动运行一些格式高度一致的内容，那自然会省事很多。别人在埋头苦干的时候，估计你就有功夫摸鱼啦。
小结
在本书的封面，给本书的定位是“零基础经验也可学会用最火的Python语言进行数据分析”，如果你想用Python来进行数据分析，本书可以作为初级参考书来使用。
转载请注明：XAMPP中文组官网 » 百度网盘分享《Python数据分析基础》下载与源码