python入门经典 财务-财务方面的学生如何学习python？

你的需求是典型的财务方面的数据收集、清理与分析，Python 在数据收集、清理与分析方面有大量的资源与应用案例。我不知道你具体的研究方向，我简单介绍一下。

数据收集

数据收集你可以理解为爬虫，用于把互联网上散落的数据收集起来。爬虫的基本流程就是请求目标网页，解析网页生成结构化数据，然后处理下一个网页。

数据收集是收集原始数据的过程，是我们后续分析的基础，财务方面可供收集的数据有公司财务报表、营收、负债、利润、纳税、社保等信息。

常用的库有 requests（请求） + beatifulsoup/lxml （解析），requests 用于请求获取网页内容，而 beatifulsoup/lxml 用于解析内容获取数据。

Scrapy 是一个简单快速的开源爬虫框架，可以编写几行代码就实现高并发、自动重试、数据处理的爬虫流程。

import scrapy

class BlogSpider(scrapy.Spider):

name = 'blogspider'

start_urls = ['https://blog.scrapinghub.com']

def parse(self, response):

for title in response.css('.post-header>h2'):

yield {'title': title.css('a ::text').get()}

for next_page in response.css('a.next-posts-link'):

yield response.follow(next_page, self.parse)

PySpider 是一个强大的 Web 爬虫系统，提供了 Web 管理界面，支持整合数据库作为存储后端，消息队列作为异步并发任务。

from pyspider.libs.base_handler import *

class Handler(BaseHandler):

crawl_config = {

}

@every(minutes=24 * 60)

def on_start(self):

self.crawl('http://scrapy.org/', callback=self.index_page)

@config(age=10 * 24 * 60 * 60)

def index_page(self, response):

for each in response.doc('a[href^="http"]').items():

self.crawl(each.attr.href, callback=self.detail_page)

def detail_page(self, response):

return {

"url": response.url,

"title": response.doc('title').text(),

}

Portia 是一款开源可视化爬虫框架，可以基于可视化 UI 开发爬虫而无需编写代码。

Goose 是一款自动化的新闻提取库，可自动提取新闻到结构化数据。

数据收集的目标是将网络上杂乱的数据收集到数据库，或者 json，csv，excel 等结构化的数据。

数据清洗、预处理、转换

数据收集好以后就需要做数据清洗、预处理和转换了，当然部分爬虫框架其实已经整合了这部分操作。这里只是一个流程，具体在哪里处理都可以。数据清洗主要是去除一些脏数据，因为网上抓取的数据参差不齐，我们需要去除一些质量较差的数据，以免影响后续的分析。预处理和转换主要是将数据进行一些简单的处理便于后续的分析，如原始数据是每个月独立的数据，而我们需要将它们合并为整合的数据。

Python 数据处理的库主要有以下几个：

Pandas 是一款强大灵活的数据处理分析工具，可以说是目前最流行的 Python 数据处理分析库了。

Numpy 提供了数据分析基本的数组功能，大部分情况下，你不需要直接使用 numpy，而是通过其他库使用（如 Pandas，Scipy）。Scipy 提供了一系列的数据和科学计算方法，如最优化、积分、傅立叶变换等等，对于转换为数学模型的问题，它分分钟就帮你解决，让你远离"枯燥”的数学实现。

Scikit-learn 是 Python 的机器学习库，提供了大量的基础分类、回归、聚类算法，如线性回归、SVM、朴素贝叶斯、Boosting 等等，将机器学习的处理分析过程转换为了几行代码。

上面是常用的基本处理分析库，掌握以上几种基本上就能覆盖大部分的应用场景，其他更高级复杂的我就不介绍了。

数据展示

最后最后的重点就是数据的展示了，在你辛辛苦苦忙活了大半天分析到结果之后，就是写 Paper，附上漂亮的数据图表了。毫不夸张的说，分析论文最后的评分基本取决于图表的质量。

Python 的可视化库非常多，我推荐一些使用人数多且教程丰富的

非常强大的 2D 可视化库，提供了类似于 Matlab 的操作接口，对于熟悉 matlab 的用户极易上手。官方提供了丰富的图表示例供学习。 />

Searborn 基于 MatlibPlot 并提供了高阶的变成接口，简单来说就是简化了 MatlibPlot 的图表绘制代码。官方的示例也很丰富。 />

ggplot 是基于 R 语言的 ggplot，与 MatlibPlot 的绘图思路不太一样，具体适应哪种因人而异。

Bokeh 最大的特定是可以帮你生成炫酷的交互式图表，不过这种图表仅能用于浏览器中。如果你需要创建一个展示型网站，那么 Bokeh 则非常有用。

以上的内容主要是抛砖引玉，库都是提升工作效率的工具，最重要的还是要确定好你的分析题目和思路，根据需求简单学习一下上面的库，边学边用，完全可以在两三个月内写出一片漂亮的论文。

最后祝你成功！