Python数据科学学习进阶

Python菜鸟到Python Kaggler

如果你梦想成为一名数据科学家，或者已然是数据科学家的你想扩展自己的工具库，那么，你找对地方啦。本文旨在为做数据分析的Python人提供一条全方位的学习之路，完整讲述运用Python进行数据分析的所有步骤。当然，如果你已经有了一些知识储备，或者无需掌握全部的内容，可以按照自己的需求做出调整，也欢迎与我们分享你是如何调整的。

你也可以参考本学习方法的迷你版 ——《信息图表：Python数据科学学习之快速入门》。

开始这段学习旅程之前，第一个要回答的问题是：为什么使用Python?或者，Python怎样使用才有效?

请观看Data Robot创始人Jeremy 2014年在乌克兰的PyCon大会上的前30分钟的演讲，来了解Python是多么的奇妙。

第一步设置机器环境

既然你已经下定了决心，就开始设置机器环境吧。最简单的方法就是在Continuum.io下载分发包Anaconda。这里材料应有尽有，美中不足就是即使在数据库提供了可用的更新资源时，你也要等Continuum自行更新。不过如果你是初学者的话，这点就无关紧要了。

如果你在安装过程中遇到任何问题，你可以在这里找到不同操作系统下更详细的安装说明。

第二步学习Python语言基础

首先你要理解语言、数据库和数据结构的基础知识。Codecademy 上的Python课程是这段学习之路的最佳起点。课程结束时，用Python写计算机脚本、理解类和对象这些对你来说应该早就驾轻就熟了。

学习重点：列表Lists，元组Tuples，字典Dictionaries，列表推导式，字典推导式。

学习任务：解决HackerRank上的一些Python教程题，这些题能让你更好的用Python脚本的方式去思考问题。

替代资源：如果交互式编码不是你的风格，可以参考谷歌的Python课程，这个两天的系列课程还涵盖了接下来要讨论的一些内容。

第三步学习Python正则表达式

进行数据清理经常需要使用正则表达式，处理文本数据时尤其如此。学习正则表达式的最佳方式就是完成谷歌课程，cheat sheet会让你使用正则表达式变得更加便捷熟练。

学习任务：做关于儿童名字的正则表达式练习

如果你仍需要更多练习，请参考文本整理的教程，它会锻炼你对处理数据的各个步骤的把握能力。

第四步学习Python科学数据库——NumPy, SciPy, Matplotlib和 Pandas有趣之处由此开始!

下面是对各种数据库的一一介绍，让我们开始练习一些简单操作吧。

●系统练习NumPy 教程，尤其要练习arrays数组。这会为你接下来的学习打下良好的基础。

●接下来了解一下SciPy教程。浏览一下SciPy介绍和基本知识之后，学习其余你需要的部分。

●如果你猜这一步要讲Matplotlib教程——那就大错特错了。Matplotlib教程对我们目前的阶段来说综合性太强，这里我们推荐阅读ipython notebook前68行(就是到动画这一部分)。

●最后，让我们了解下Pandas。Pandas为Python提供DataFrame功能(类R语言)，这也是值得你认真花时间练习的地方。Pandas有可能成为所有中型数据分析中最有效的工具。先看一下简单介绍《十分钟走近Pandas》(10 minutes to pandas)，然后再转入Pandas教程的详细学习。

你也可以参考《Pandas探索性数据分析》(Exploratory Data Analysis with Pandas)和《Pandas数据处理》(Data munging with Pandas)里的内容。

其他资源：

●如果你需要有关Pandas和NumPy的书籍，Wes McKinney 写的《运用Python的数据分析》值得一读。

●有关Pandas文档的教程也有很多。

学习任务：完成哈佛CS109的课程作业。

第五步有效的数据可视化

学习CS109课程时，前两分钟可以忽略不看，不过后面的内容相当精彩!推荐结合作业学习本课程。

第六步学习Scikit-learn库，完成机器学习内容

现在，我们开始接触整个过程中最重要的部分了。Scikit-learn是机器学习领域最有用的Python数据库，在这里你可以查看数据库的概览。参考学习哈佛CS109课程第十节到第十八节课，你将能一览机器学习，回归、决策树方法、集成建模等监督算法，以及聚类算法等非监督式算法。可以参考上述课程的作业来规划自己的学习课程。

其他资源：

●如果说有哪本书可以作为必读书的话，推荐《集体智能编程》(Programming Collective Intelligence)—— 一部该领域的经典好书。●此外，你也可以学习Yaser Abu-Mostafa中机器学习课程中的一些优秀课程。如果你希望获得对技能更加深入浅出的解读，可以选择Andrew Ng的机器学习课程，并做一些有关Python的练习。

●Scikit learn的教程。

学习任务：尝试Kaggle上的挑战。

第七步练习，练习，再练习

恭喜你，你成功地完成了整个学神之路啦!

你现在已经具备了一切所需的技术技能，现在就是练习的事情了，还有比在Kaggle上与同行数据科学家切磋更好的方式么?那就出发吧，全身心投入到一个Kaggle的直播比赛中，倾尽所学放手一试吧!(在公众号里回复“学神之路”即可下载。)

第八步深度学习

现在你已经学习了大部分的机器学习技能，也是时候尝试一下深度学习了。你很有可能已经知道了深度学习的含义，当然我也可以给你们一个简单的介绍。

不过我对深度学习也不是特别了解，所以你在采纳这些建议时可以有所保留：deeplearning.net上有深度学习方面最全面的资源，你会发现这里应有尽有 —— 课程、数据集、挑战、各种教程等;或者你也可以尝试 Geoff Hinton的课程来试着理解神经网络(Neural Networks)的基础知识。

via:灯塔大数据

End.

A Course in Machine Learning

要点：为初学者准备的初涉机器学习的高质量文档。此书仍在撰写中——有一些章节依然标记着TODO——但是其高可读性完全可以弥补这部分不足。

目标读者：任何掌握微积分、概率论和线性代数的人都可以阅读此书，不需要有任何编程语言专长。

代码内容：有一些伪代码，不过此书大部分用来展示的东西还是原理和公式。

The Elements of Statistical Learning

要点：超过500页的文本，据作者称，具体陈述了如何“从数据中学习”，对机器学习岗位需求的急剧升高显示了这个领域的热门程度。此书自2001年已经出版过两个版本并印刷了10次，此书还有一大好处：跨度很大，不局限于一个领域。

目标读者：统计学和数学基础较好的、不需要将自己的数学形式转换成代码的人。

代码内容：没有。这并不是一本软件开发的书，而是关于机器学习的理论基础。

Bayesian Reasoning and Machine Learning

要点内容： Bayesian（贝叶斯）方法是所有有关模式识别和垃圾过滤的基础，所以逐渐形成了一个特殊的领域。此书涵盖Bayesian统计的各个主要方面，阐述了它是如何应用的。

目标读者：任何有微积分、概率论和线性代数基础的人。

代码内容：很多！每一个章节都有伪代码和工具的链接，以及一些demo。而且，代码并不是Python或R语言的，而是商业MATLAB环境，GNU Octave也可以作为一个开源的替代品。

Gaussian Processes for Machine Learning

重点内容：高斯处理也是贝叶斯方法的一部分。本书集中讨论如何在一般机器学习方法中使用高斯原理，例如分类、回归和模型训练等。

目标读者：大致和Bayesian Reasoning and Machine Learning差不多。

代码内容：书中使用的代码大多是伪代码，但是和ayesian Reasoning and Machine Learning一样，有些MATLAB/Octave代码。

Machine Learning

重点内容：一个论文集，包括很多不同方面、内容深奥的机器学习知识。其中一些比较抽象，另一些专注于特定的问题，比如“模拟对话的机器学习方法”等。

目标读者：想要在这方面深入学习的人。

代码内容：有一些公式，没有代码。

转载： 36大数据