Python数据分析必备学习路线与技术

即便在同一领域里，从软件开发转向算法，也不是一件很容易的事情。我经历过这种转型，期间迷茫过、浮躁过。

后来发现，光看书不行，把每日所学记录下来，感觉学的比较快。通过记录，驱动我思考，帮助我了解哪些是真懂，哪些是理解不透的。

后来，几乎每两天就将每日所学，总结成一篇原创技术文，发在公众号里，现在已经有 260 多篇了。也很幸运，成功转方向。

在我回头看总结的这些文章时，我发现显得有些零散，这让我有了一个念头，写个系统的入门教程吧，尽量系统。

有了想法，就要行动起来。最近这段时间，我利用周末时间，结合这几年的工作经历，系统地总结了 「Python 数据分析的入门学习路线和技术」，今天终于完成了。

整篇入门教程的文件信息如下，总长度为 5 万多字。

入门教程的大纲，如下所示：

• 0 我们离不开数据分析

• 1 数据分析入门学习路线

  • 1.1 统计学基本知识

  • 1.2 机器学习基本算法

  • 1.3 编程语言及工具

• 2 数据分析重头戏之数据整理

  • 2.1 理解你的业务数据

  • 2.2 明确各个特征的类型

  • 2.3 找出异常数据

  • 2.4 不得不面对缺失值

  • 2.5 令人头疼的数据不均衡

• 3 Python 入门必备知识

  • 3.3.1 对象上的特殊函数

  • 3.3.2 列表生成式

  • 3.3.3 位置参数和关键字参数

  • 3.2.1 list 核心知识

  • 3.2.2 dict 核心知识

  • 3.2.3 tuple 和 set 简介

  • 3.1 解释型Vs编译型

  • 3.2 Python 最常用的对象

  • 3.3 Python 入门必备知识点

• 4 NumPy 入门必备知识

  • 4.1 ndarray 对象

  • 4.2 NumPy 的向量化增强

  • 4.3 NumPy 的传播机制

• 5 Pandas 数据分析必备入门知识

  • 5.2.1 创建 DataFrame

  • 5.2.1 增加数据

  • 5.2.2 删除数据

  • 5.2.3 修改数据

  • 5.2.4 访问数据

  • 5.1.1 创建Series

  • 5.1.2 增加元素

  • 5.1.3 删除元素

  • 5.1.3 修改元素

  • 5.1.4 访问元素

  • 5.1 类一维数组 Series

  • 5.2 类二维数组 DataFrame

  • 5.3 必备的 20 个统计学函数

  • 5.4 必备的缺失值处理技巧

  • 5.5 必备的数据透视处理函数

• 6 Matplotlib

  • 6.1 必备的绘图理论知识

  • 6.2 绘图必备 100 行代码

• 7 机器学习线性回归模型

  • 7.1 11 个必备基本概念

  • 7.2 三 个假定

  • 7.3 建立线性回归模型

  • 7.４ 最大似然估计求参数

  • 7.5 梯度下降求解优化问题

  • 7.6 手写不调包实现的 5 个算子

  • 7.7 手写不调包实现的整体算法框架

• 8 面试及资料分享

  • 8.1.1 一 面

  • 8.1.2 二 面

  • 8.1.3 三面

  • 8.1 数据挖掘工程师面试实录

  • 8.2 推荐哈佛大学数据分析课程

• 9 总结

简短介绍下自己：

参与方式：长按下图即可转到链接。

长按二维码参与

这个 chat 教程，花费了我很多心血。大家觉得有需要的，参与支持下。两人组团每人只需要 5 块。你如果分享卡片，还能 25% 返现。小编真的用心良苦，希望大家多多支持和转发此文。

点击下方「阅读原文」，了解更多。

---

Python与机器学习算法频道

长按订阅，干货满满