學神之路—— Python數據科學全攻略(原創譯文)

摘要： 如果你夢想成為一名數據科學家，或者已然是數據科學家的你想擴展自己的工具庫，那麼，你找對地方啦。 本文旨在為做數據分析的Python人提供一條全方位的學習之路，完整講述運用Python進行數據分析的所有步驟......

你也可以參考本學習方法的迷你版——《 信息圖表：Python數據科學學習之快速入門》。

開始這段學習旅程之前，第一個要回答的問題是：為什麼使用Python?或者，Python怎樣使用才有效?

請觀看Data Robot創始人Jeremy 2014年在烏克蘭的PyCon大會上的前30分鐘的演講，來了解Python是多麼的奇妙。

第一步設置機器環境

既然你已經下定了決心，就開始設置機器環境吧。 最簡單的方法就是在Continuum.io下載分發包Anaconda。 這裡材料應有盡有，美中不足就是即使在數據庫提供了可用的更新資源時，你也要等Continuum自行更新。 不過如果你是初學者的話，這點就無關緊要了。

如果你在安裝過程中遇到任何問題，你可以在這裡找到不同操作系統下更詳細的安裝說明。

第二步學習Python語言基礎

首先你要理解語言、數據庫和數據結構的基礎知識。 Codecademy 上的Python課程是這段學習之路的最佳起點。 課程結束時，用Python寫計算機腳本、理解類和對像這些對你來說應該早就駕輕就熟了

學習重點：列表Lis​​ts，元組Tuples，字典Dictionaries，列表推導式，字典推導式。

學習任務：解決HackerRank上的一些Python教程題，這些題能讓你更好的用Python腳本的方式去思考問題。

替代資源：如果交互式編碼不是你的風格，可以參考谷歌的Python課程，這個兩天的系列課程還涵蓋了接下來要討論的一些內容。

第三步學習Python正則表達式

進行數據清理經常需要使用正則表達式，處理文本數據時尤其如此。 學習正則表達式的最佳方式就是完成谷歌課程，cheat sheet會讓你使用正則表達式變得更加便捷熟練。

學習任務：做關於兒童名字的正則表達式練習

如果你仍需要更多練習，請參考文本整理的教程，它會鍛煉你對處理數據的各個步驟的把握能力。

第四步學習Python科學數據庫——NumPy, SciPy, Matplotlib和Pandas有趣之處由此開始!

下面是對各種數據庫的一一介紹，讓我們開始練習一些簡單操作吧。

●系統練習NumPy 教程，尤其要練習arrays數組。 這會為你接下來的學習打下良好的基礎。

●接下來了解一下SciPy教程。 瀏覽一下SciPy介紹和基本知識之後，學習其餘你需要的部分。

●如果你猜這一步要講Matplotlib教程——那就大錯特錯了。 Matplotlib教程對我們目前的階段來說綜合性太強，這裡我們推薦閱讀ipython notebook前68行(就是到動畫這一部分)。

●最後，讓我們了解下Pandas。 Pandas為Python提供DataFrame功能(類R語言)，這也是值得你認真花時間練習的地方。 Pandas有可能成為所有中型數據分析中最有效的工具。 先看一下簡單介紹《十分鐘走近Pandas》(10 minutes to pandas)，然後再轉入Pandas教程的詳細學習。

你也可以參考《Pandas探索性數據分析》(Exploratory Data Analysis with Pandas)和《Pandas數據處理》(Data munging with Pandas)裡的內容。

其他資源：

●如果你需要有關Pandas和NumPy的書籍，Wes McKinney 寫的《運用Python的數據分析》值得一讀。

●有關Pandas文檔的教程也有很多。

學習任務：完成哈佛CS109的課程作業。

第五步有效的數據可視化

學習CS109課程時，前兩分鐘可以忽略不看，不過後面的內容相當精彩!推薦結合作業學習本課程。

第六步學習Scikit-learn庫，完成機器學習內容

現在，我們開始接觸整個過程中最重要的部分了。 Scikit-learn是機器學習領域最有用的Python數據庫，在這裡你可以查看數據庫的概覽。 參考學習哈佛CS109課程第十節到第十八節課，你將能一覽機器學習，回歸、決策樹方法、集成建模等監督算法，以及聚類算法等非監督式算法。 可以參考上述課程的作業來規劃自己的學習課程。

其他資源：

●如果說有哪本書可以作為必讀書的話，推薦《集體智能編程》(Programming Collective Intelligence)—— 一部該領域的經典好書。 ●此外，你也可以學習Yaser Abu-Mostafa中機器學習課程中的一些優秀課程。 如果你希望獲得對技能更加深入淺出的解讀，可以選擇Andrew Ng的機器學習課程，並做一些有關Python的練習。

●Scikit learn的教程。

學習任務：嘗試Kaggle上的挑戰。

第七步練習，練習，再練習

恭喜你，你成功地完成了整個學神之路啦!

你現在已經具備了一切所需的技術技能，現在就是練習的事情了，還有比在Kaggle上與同行數據科學家切磋更好的方式麼?那就出發吧，全身心投入到一個Kaggle的直播比賽中，傾盡所學放手一試吧!(在公眾號裡回复“學神之路”即可下載。)

第八步深度學習

現在你已經學習了大部分的機器學習技能，也是時候嘗試一下深度學習了。 你很有可能已經知道了深度學習的含義，當然我也可以給你們一個簡單的介紹。

不過我對深度學習也不是特別了解，所以你在採納這些建議時可以有所保留：deeplearning.net上有深度學習方面最全面的資源，你會發現這裡應有盡有—— 課程、數據集、挑戰、各種教程等;或者你也可以嘗試Geoff Hinton的課程來試著理解神經網絡(Neural Networks)的基礎知識。

via:燈塔大數據

End.

轉貼自： 36大數據