如何高效入门数据科学？

链接散落的教程文章，做个详细的导读，助你更高效入门数据科学。

问题

2017年6月以来，我陆续在自己的简书专栏《玉树芝兰》里，写了一系列数据科学教程。

这源于一次研究生课编程工作坊尝试。受阎教练的创新思维训练营启发，我在课后把词云制作流程详细记录转述，分享给了大家。

没想到，这篇《如何用Python做词云？》受到了读者们非常热烈的欢迎。

此后，一发不可收拾。

应读者的要求，结合我自己的学习、科研和教学实践，我陆续分享了更多与数据科学相关的文章。

读者越来越多，我收到的问题也愈发五花八门。

许多读者的问题，我其实都已经在其他的文章里面讲解过了，因此有时用“请参考我的另一篇文章《……》，链接为……”来答复，也帮助读者解决了问题。

在建构同理心（empathy）之前，估计我会问出这样的问题：

他们为什么不翻翻我的其他文章呢？

但现在，我能感受到他们的疑惑：

我哪里知道你写过另一篇文章？

散落在各处的文章，不容易系统学习和检索。于是我在2017年11月，把写过的数据科学系列教程汇集到了一起，做了个索引贴。

我把这个索引贴链接置于每篇新教程的末尾，并不断更新维护。

然而，这样简单的标题索引，依然无法满足许多读者的需求。

有的读者跟着教程做完了词云，发现如果对中文文本做分析，就会出现乱码：

这时候，你该怎么办呢？

更进一步，如果你希望把词云的外边框变成指定的形状，又该如何操作？

光看标题，你可能不容易发现哪一篇文章会帮助自己解决这些问题，甚至可能会选择放弃。

我决定做这个导读。

这篇文章，不再是从任务出发，简单罗列文章标题和链接；而是从先易后难的认知习惯，重新组织文章顺序，简要介绍内容，提示可能遇到的问题。

希望对你的学习能有帮助。

基础环境

大部分的教程，都是在 Python 运行环境 Jupyter Notebook 下运行和演示。

安装这个运行环境，最简单的方法，就是安装 Anaconda 集成套件。

请先收看这个视频教程《如何安装Python运行环境Anaconda？（视频教程）》，自己尝试安装Anaconda，运行起第一个Jupyter Notebook，输出一个“Hello world!”出来。

有了这个基础，你就可以尝试不同的数据科学任务了。

我的建议是先做词云。

因为简单，而且有成就感。

词云

跟着图文教程《如何用Python做词云？》一步步执行。用几行Python代码，你就可以做出这样的词云来。

我还专门把它升级做成了视频教程《如何用Python做词云？（基础篇视频教程）》，供你观看。

参看这篇文章《如何用Python做中文分词？》，你就能做出这样的中文词云。

如果你希望改变词云边框外观，就参考这篇文章《Python编程遇问题，文科生怎么办？》的最后部分。

到这里，你已掌握Python运行环境安装、文本文件读取、常见软件包调用、可视化分析与结果呈现和中文分词等基本功夫了。

回头望去，是不是成就感爆棚呢？

虚拟环境

细心的你，可能已经发现，图文教程和视频内容并不完全一致。

视频教程目前全系列采用Python 3.6版本，未来得及重新整理的词云图文教程，展示的确实2.7版本Python。

为什么呢？

因为随着技术的发展，Python已经逐步要过渡到3.X版本了。

许多第三方软件包都已经宣布了时间表，尽快支持3.X，放弃2.X版本的支持。

才半年，你就可以感受到技术、社群和环境的变化之快。

可是目前某些软件包，依然只能支持2.X版本Python。虽然这样的软件包越来越少了。

你需要暂时做个“两栖动物”，千万不要束缚自己，因为“立场原因”固执着不肯用低版本Python。这样吃亏的是自己。

怎样才能做个“两栖动物”呢？

办法之一，就是使用Anaconda的虚拟环境。可以参考《如何在Jupyter Notebook中使用Python虚拟环境？》。

你初始安装版本针对Python 2.7的Anaconda，并不妨碍你快速建立一个3.6版本Python的虚拟环境。

有了这个秘籍，你就可以在不同版本的Python之间左右逢源，游刃有余了。

自然语言处理

下一步，我们来尝试自然语言处理（Natural Language Processing, NLP）。

情感分析，是NLP在许多社会科学领域热门的应用之一。

《如何用Python做情感分析？》这篇文章，分别从英文和中文两个案例，分别采用不同的软件包，针对性地解决应用需求。

你只需要几行代码，就能让Python告诉你情感的取向。是不是很厉害？

有了情感分析做基础，你可以尝试增加维度，对更大体量的数据做分析。

增加时间维度，就可以持续分析变化的舆情。

《如何用Python做舆情时间序列可视化？》这篇文章，一步步指引你在时间刻度上可视化情感分析结果：

这图难看了一些。

不过我们需要容忍自己起步时的笨拙，不断迭代与精进。

希望一出手就满分，对极少数天才，确实无非是日常。

但对大多数人，是拖延症的开始。

你可能迫不及待，尝试换自己的数据做时间序列可视化分析。

不过日期数据如果与样例有出入，可能会出现问题。

这时候，不要慌，请参考《Python编程遇问题，文科生怎么办？》的第二部分，其中有详细的错误原因分析与对策展示。

看过后，分析结果图也会迭代成这个样子：

到这里，你对情感分析有点儿感觉了吧？

如果你不打算使用第三方提供的情感分类算法，打算自己动手训练一个更为精确的情感分类模型，可以参考《如何用Python和机器学习训练中文文本情感分类模型？》一文。

刚刚这些情感分析，其实只是极性分析（正面vs负面）。但是我们都知道，人的情感其实是多方面共同构成的。

如何从文本中，分解出多维度的情感特征变化呢？

《如何用Python和R对《权力的游戏》故事情节做情绪分析？》一文分析了《权力的游戏》中某一集剧本，你会获得这样的结果：

如果你是《权力的游戏》剧迷，请告诉我，这张图描绘的是哪一集？

先猜猜看，然后再打开文章，跟结尾做对比。

这篇文章的可视化分析部分，用的是R。

R也是数据科学领域一个非常受欢迎的开源工具。它的通用性和热度可能不如Python（毕竟Python除了数据科学，还能干许多其他的事儿），但是因为有统计学界诸多科学家的拥护和添砖加瓦，因此有非常好的一套生态系统。

如果你希望对单一长文本提取若干重要关键词，该怎么办呢？

请你阅读《如何用Python提取中文关键词？》一文。它采用词汇向量化、TextRank等成熟的关键词提取算法来解决问题。

课间答疑

随着知识、技能和经验的积累，你的疑问可能也逐渐增多了吧？

有的同学对这种教学方式有疑问——案例挺有意思，也很简单易学，但是怎么把它用到我自己的学习、工作和科研中呢？

我为你写了一篇答疑说明，叫做《文科生如何高效学数据科学？》。文中提到了以下几个方面：

• 如何指定目标？
• 如何确定深度？
• 如何加强协作？

提到协作，就不能不说Github这个全球最大的开源代码托管仓库了。

在咱们的教程里，也多次使用Github来存储代码和数据，以便你能够重复运行教程中的结果。

《如何高效入门Github？》一文提供了文档和视频教程资源，希望能对你掌握这个数据富矿提供帮助。

不少读者在这个阶段常提出这个问题：老师，想学Python，推荐本书呗。

看来，你已经明白了Python的好处了，对吧？

《如何高效学Python？》帮助你给自己的学习特性做出了分类。根据分类的结果，你可以选择更适合自己的学习路径。

推荐的教材，不仅包括书籍，还包括MOOC。希望这种充满互动的教学方式，对你入门数据科学有帮助。

机器学习

你可以尝试做更进一步的分析了。

例如机器学习（Machine Learning）。

机器学习的妙用，就是在那些你（其实是人类）无法准确描述解决步骤的问题上，让机器通过大量案例（数据）的观察、试错，构建一个相对有用的模型，来自动化处理问题，或者为人类的决策提供辅助依据。

大体上，机器学习主要分为3类：

• 监督学习（Supervised Learning）
• 非监督学习（Unsupervised Learning）
• 强化学习（Reinforcement Learning）

目前本专栏介绍了前两类的一些例子。

监督学习与非监督学习最大的差别，在于数据。

数据已有标注（一般是人工赋予标签），一般用监督学习；

数据没有标注，一般只能用非监督学习。

监督学习部分，我们举了分类（classification）任务的例子。

《贷还是不贷：如何用Python和机器学习帮你决策？》中的案例，选择了贷款审批辅助决策。

具体的机器学习算法，是决策树（decision tree）。

有同学表示，绘制这棵决策树的时候，遇到了问题。

这主要是因为运行环境的差异和依赖工具的安装没有正确完成。

《Python编程遇问题，文科生怎么办？》的第一部分，对这些问题做了详细的阐述，请根据列出的步骤尝试解决。

不仅如此，这篇文章展示给你了一种任务导向的学习方式，期望它可以提升你Python语言和数据科学学习效率。

非监督学习部分，我们讲述了《如何用Python从海量文本抽取主题？》。

文中用一种叫做LDA的聚类（clustering）方法，帮你从可能感兴趣的浩如烟海文档中，提取出可能的类别，对应的主要关键词，并且做可视化处理。

文中提及了停用词（stopwords）的处理，但是没有给出中文停用词的具体应用方法。

《如何用Python和机器学习训练中文文本情感分类模型？》一文中，我不仅对停用词处理方式进行了详细的介绍，而且把监督学习Naive Bayes模型应用于情感分析，手把手教你如何训练自己的情感分类模型。

深度学习

深度学习，指用深度神经网络（Deep Neural Network）进行机器学习。

相对于传统机器学习方法，它使用的模型结构更为复杂，需要更多的数据支持，并且训练起来要消耗更多的计算资源和时间。

常见的深度学习应用，包括语音识别、计算机视觉和机器翻译等。

当然，新闻里面最爱提的，是下围棋这个事儿：

我们提供的案例，没有那么挑战人类智能极限，而是跟日常工作和生活更加相关。

《如何用Python和深度神经网络发现即将流失的客户？》为你介绍了深度神经网络的基本结构。

这篇文章通过客户流失预警的例子，讲述了使用前馈神经网络进行监督式学习的基本样例。

实际操作部分，我们采用Tensorflow作为后端，tflearn作为前段，构造你自己的第一个深度神经网络。

《如何用Python和深度神经网络发现即将流失的客户？》一文末尾还为你提供了进一步掌握深度学习的相关资源。

如果你需要安装Tensorflow深度学习框架（Google出品哦），欢迎先阅读这篇《Tensorflow执行pip升级安装的坑》。

有了深度神经网络的基础知识，我们折腾计算机视觉。

《如何用Python和深度神经网络识别图像？》一文，举例分类哆啦a梦和瓦力这两个机器人的各种花式图像集合。

卷积神经网络(Convolutional Neural Network, CNN)这时就大放异彩了。

这篇文章，帮你分析了卷积神经网络中，不同层次（Layer）的作用。

我们尽量避免用公式，而是用图像、动图和平实简洁的语言描述来为你解释概念。

我们使用的深度学习框架，是苹果的TuriCreate。你会调用一个非常深层次的卷积神经网络，帮我们迁(tou)移(ji)学(qu)习(qiao)，用很少的训练数据，获得非常高的分类准确率。

有的读者自己尝试，测试集准确率居然达到100%（视运行环境不同，有差异），大呼过瘾。可同时又觉得不可思议。

为了解释这种“奇迹”，同时解答读者“如何在私有数据集上以图搜图”的疑问，我写了《如何用Python和深度神经网络寻找近似图片？》。

希望读过此文，你对迁移学习（Transfer Learning）有了更深入的认识。

如果这两篇文章学完，你对卷积神经网络的基础知识依然不是很清晰，也没关系，因为我的研究生们遭遇了同样的问题。

为此，我专门录制了一段讲解答疑视频。

这段视频里，我主要谈及了以下几个方面：

• 深度神经网络的基本结构；
• 神经元的计算功能实现；
• 如何对深度神经网络做训练；
• 如何选择最优的模型（超参数调整）；
• 卷积神经网络基本原理；
• 迁移学习的实现；
• 疑问解答。

希望看过之后，你再从论文里读到计算机视觉的神经网络模型，就可以游刃有余了。

另一批作者又来发问了：

老师，我用Windows，死活就是装不上TuriCreate，可怎么办？

我替他们着急的时候，恰好找到了一个宝贝。于是写了《如何免费云端运行Python深度学习框架？》。

免费使用GPU，用极为简易的操作，就可以在Google云端Linux主机上部署和执行苹果深度学习框架……

听着是不是像做梦啊？

感谢Google这家为人类知识积累做出贡献的企业。

数据获取

学完深度学习之后，你会发现自己变成了“数据饥渴”症患者。

因为如果没有大量的数据，就无法支撑你的深度神经网络。

如何获取数据呢？

我们先要区分数据的来源。

数据来源很多。但是对于研究者来说，网络数据和文献数据比较常用。

目前主流（合法）的网络数据方法，主要分为3类：

• 开放数据集下载；
• API读取；
• 爬虫爬取（Crawling）。

《如何用Python读取开放数据？》一文中，我为你讲解了如何把开放数据集下载并且在Python中使用。

这篇文章介绍了常见的CSV/Excel, JSON和XML等开放数据文件格式的读取、初步处理和可视化方法与流程。

如果没有开放数据集整理好供你下载，网站只提供API接口，你该怎么办呢？

《如何用R和API免费获取Web数据？》一文，我们使用R读取维基百科API，获得指定条目的访问数量记录，并且做了可视化。

如果没有人为你整理好数据，网站也没有开放API给你，那你就得“直接上大锤”了。

《如何用Python爬数据？（一）网页抓取》一文为你介绍了非常人性化、易用的网页抓取软件包 requests_html，你可以尝试抓取网页内的指定类型链接。

文献数据可能存储为各种格式，但其中pdf格式较为常见。

应诸多读者的要求，我写了《如何用Python批量提取PDF文本内容？》。

你可以批量提取pdf文档的文本内容，并且进行各种分析。

文中的分析相对简单，我们只是统计了文档字符数量。

但是发挥想象力，你可能会做出非常有价值的分析结果。

希望这些文章可以帮助你高效获得优质数据，支撑起你自己的机器学习模型。

小结

本文把《玉树芝兰》专栏目前的数据科学类文章进行了梳理和归类，建立了链接，以帮你看清它们之间的逻辑依赖关系。

专栏中，数据科学类文章主要围绕以下方面展开：

• 环境搭建；
• 基础入门；
• 自然语言处理；
• 机器学习；
• 深度学习；
• 数据获取；
• 答疑。

你可能早已发现，我们还有很多话题，没有来得及涉及。

别着急。

本专栏会持续添加新的内容。这篇导读也会不定期更新。欢迎关注。

讨论

本专栏数据科学类的文章里，你更喜欢哪个方面的主题？除此以外，你还希望读到哪些内容？欢迎留言，把你的经验和思考分享给大家，我们一起交流讨论。

喜欢请点赞。还可以微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。

如果你对数据科学感兴趣，不妨阅读我的系列教程索引贴《如何高效入门数据科学？》，里面还有更多的有趣问题及解法。