作者 | skura

來源 | AI開發(fā)者

大多數(shù)有抱負(fù)的數(shù)據(jù)科學(xué)家是通過學(xué)習(xí)為開發(fā)人員開設(shè)的編程課程開始認(rèn)識 python 的，他們也開始解決類似 leetcode 網(wǎng)站上的 python 編程難題。他們認(rèn)為在開始使用 python 分析數(shù)據(jù)之前，必須熟悉編程概念。

資深數(shù)據(jù)分析師 Manu Jeevan 認(rèn)為，這是一個巨大的錯誤，因為數(shù)據(jù)科學(xué)家使用 python 來對數(shù)據(jù)進(jìn)行檢索、清洗、可視化和構(gòu)建模型，而不是開發(fā)軟件應(yīng)用程序。實際上，為了完成這些任務(wù)，你必須將大部分時間集中在學(xué)習(xí) python 中的模塊和庫上。他認(rèn)為，學(xué)習(xí)數(shù)據(jù)科學(xué)的正確姿勢應(yīng)該如下文，AI 開發(fā)者進(jìn)行了編譯整理。

請按照下面這個步驟來學(xué)習(xí)數(shù)據(jù)科學(xué)的 python。

配置編程環(huán)境

Jupyter Notebook 是開發(fā)和展示數(shù)據(jù)科學(xué)項目的強大編程環(huán)境。

在電腦上安裝 Jupyter Notebook 最簡單的方法是通過 Anaconda 進(jìn)行安裝。Anaconda 是數(shù)據(jù)科學(xué)中使用最廣泛的 python 工具，它預(yù)裝了所有最流行的庫。

你可以瀏覽標(biāo)題為「A Beginner’s Guide to Installing Jupyter Notebook Using Anaconda Distribution」的博客文章（https://medium.com/better-programming/beginners-quick-guide-for-handling-issues-launching-jupyter-notebook-for-python-using-anaconda-8be3d57a209b），了解如何安裝 Anaconda。安裝 Anaconda 時，請選擇最新的 python 3 版本。

安裝完 Anaconda 后，請閱讀 Code Academy 的這篇文章（https://www.codecademy.com/articles/how-to-use-jupyter-notebooks），了解如何使用 Jupyter Notebook。

只學(xué)習(xí) python 的基礎(chǔ)知識

Code Academy 有一門關(guān)于 python 的優(yōu)秀課程，大約需要 20 個小時才能完成。你不必升級到 pro 版本，因為你的目標(biāo)只是熟悉 python 編程語言的基礎(chǔ)知識。課程地址：https://www.codecademy.com/learn/learn-python-3

NumPy 和 Pandas，學(xué)習(xí)的絕佳資源

在處理計算量大的算法和大量數(shù)據(jù)時，python 速度較慢。你可能會問，既然如此那為什么 python 是數(shù)據(jù)科學(xué)最流行的編程語言？

答案是，在 python 中，很容易以 C 或 Fortran 擴(kuò)展的形式將數(shù)字處理任務(wù)轉(zhuǎn)移到底層。這正是 NumPy 和 Pandas 所做的事情。

首先，你應(yīng)該學(xué)會 NumPy。它是用 python 進(jìn)行科學(xué)計算的最基本的模塊。NumPy 支持高度優(yōu)化的多維數(shù)組，這是大多數(shù)機器學(xué)習(xí)算法最基本的數(shù)據(jù)結(jié)構(gòu)。

接下來，你應(yīng)該學(xué)習(xí) Pandas。數(shù)據(jù)科學(xué)家花費大部分時間清洗數(shù)據(jù)，這也被稱為數(shù)據(jù)整。

Pandas 是操作數(shù)據(jù)最流行的 python 庫。Pandas 是 NumPy 的延伸。Pandas 的底層代碼廣泛使用 NumPy 庫。Pandas 的主要數(shù)據(jù)結(jié)構(gòu)稱為數(shù)據(jù)幀。

Pandas 的創(chuàng)造者 Wes McKinney 寫了一本很棒的書，叫做《Python for Data Analysis》（https://www.amazon.com/Python-Data-Analysis-Wrangling-IPython-ebook/dp/B075X4LT6K）。在書中的第 4、5、7、8 和 10 章可以學(xué)習(xí) Pandas 和 NumPy。這些章節(jié)涵蓋了最常用的 NumPy 和 Pandas 特性來處理數(shù)據(jù)。

學(xué)習(xí)使用 Matplotlib 可視化數(shù)據(jù)

Matplotlib 是用于創(chuàng)建基本可視化圖形的基本 python 包。你必須學(xué)習(xí)如何使用 Matplotlib 創(chuàng)建一些最常見的圖表，如折線圖、條形圖、散點圖、柱狀圖和方框圖。

另一個建立在 Matplotlib 之上并與 Pandas 緊密結(jié)合的好的繪圖庫是 Seaborn。在這個階段，我建議你快速學(xué)習(xí)如何在 Matplotlib 中創(chuàng)建基本圖表，而不是專注于 Seaborn。

我寫了一個關(guān)于如何使用 Matplotlib 開發(fā)基本圖的教程，該教程由四個部分組成。

• 第一部分：Matplotlib 繪制基本圖（http://nbviewer.ipython.org/gist/manujeevanprakash/138c66c44533391a5af1）
• 第二部分：如何控制圖形的樣式和顏色，如標(biāo)記、線條粗細(xì)、線條圖案和使用顏色映射（https://nbviewer.jupyter.org/gist/manujeevanprakash/7dc56e7906ee83e0bbe6）
• 第三部分：注釋、控制軸范圍、縱橫比和坐標(biāo)系（https://nbviewer.jupyter.org/gist/manujeevanprakash/7cdf7d659cd69d0c22b2）
• 第四部分：處理復(fù)雜圖形（https://nbviewer.jupyter.org/gist/manujeevanprakash/7d8a9860f8e43f6237cc）

你可以通過這些教程來掌握 Matplotlib 的基本知識。

簡而言之，你不必花太多時間學(xué)習(xí) Matplotlib，因為現(xiàn)在公司已經(jīng)開始采用 Tableau 和 Qlik 等工具來創(chuàng)建交互式可視化。

如何使用 SQL 和 python

數(shù)據(jù)有組織地駐留在數(shù)據(jù)庫中。因此，你需要知道如何使用 SQL 檢索數(shù)據(jù)，并使用 python 在 Jupyter Notebook 中執(zhí)行分析。

數(shù)據(jù)科學(xué)家使用 SQL 和 Pandas 來操縱數(shù)據(jù)。有一些數(shù)據(jù)操作任務(wù)使用 SQL 就可以很容易地執(zhí)行，并且有一些任務(wù)可以使用 Pandas 高效地完成。我個人喜歡使用 SQL 來檢索數(shù)據(jù)并在 Pandas 中進(jìn)行操作。

如今，公司使用 Mode Analytics 和 Databricks 等分析平臺來輕松地使用 python 和 SQL。

所以，你應(yīng)該知道如何一起有效地使用 SQL 和 python。要了解這一點，你可以在計算機上安裝 SQLite 數(shù)據(jù)庫，并在其中存儲一個 CSV 文件，然后使用 python 和 SQL 對其進(jìn)行分析。

這里有一篇精彩的博客文章，向你展示了如何做到這一點：Programming with Databases in Python using SQLite（https://medium.com/analytics-vidhya/programming-with-databases-in-python-using-sqlite-4cecbef51ab9）。

在瀏覽上述博客文章之前，你應(yīng)該了解 SQL 的基礎(chǔ)知識。Mode Analytics 上有一個很好的關(guān)于 SQL 的教程：Introduction to SQL（https://medium.com/analytics-vidhya/programming-with-databases-in-python-using-sqlite-4cecbef51ab9）。通過他們的基本 SQL 部分，了解 SQL 的基本知識，每個數(shù)據(jù)科學(xué)家都應(yīng)該知道如何使用 SQL 有效地檢索數(shù)據(jù)。

學(xué)習(xí)和 python 相關(guān)的基本統(tǒng)計學(xué)知識

多數(shù)有抱負(fù)的數(shù)據(jù)科學(xué)家在不學(xué)習(xí)統(tǒng)計學(xué)的基礎(chǔ)知識的情況下，就直接跳到機器學(xué)習(xí)知識的學(xué)習(xí)中。

不要犯這個錯誤，因為統(tǒng)計學(xué)是數(shù)據(jù)科學(xué)的支柱。而且，很多數(shù)據(jù)科學(xué)家學(xué)習(xí)統(tǒng)計學(xué)只是學(xué)習(xí)理論概念，而不是學(xué)習(xí)實踐概念。

我的意思是，通過實踐概念，你應(yīng)該知道什么樣的問題可以用統(tǒng)計學(xué)來解決，了解使用統(tǒng)計數(shù)據(jù)可以解決哪些挑戰(zhàn)。

以下是你應(yīng)該了解的一些基本統(tǒng)計概念：

抽樣、頻率分布、平均值、中位數(shù)、模式、變異性度量、概率基礎(chǔ)、顯著性檢驗、標(biāo)準(zhǔn)差、z 評分、置信區(qū)間和假設(shè)檢驗（包括 A/B 檢驗）

要學(xué)習(xí)這些知識，有一本很好的書可以看看：《Practical Statistics for Data Scientists: 50 Essential Concepts》（https://www.amazon.com/Practical-Statistics-Data-Scientists-Essential/dp/9352135652）。不幸的是，本書中的代碼示例是用 R 編寫的，但是很多人包括我自己在內(nèi)使用的是 Python。

我建議你閱讀本書的前四章。閱讀本書的前 4 章，了解我前面提到的基本統(tǒng)計概念，你可以忽略代碼示例，只了解這些概念。本書的其余章節(jié)主要集中在機器學(xué)習(xí)上。我將在下一部分討論如何學(xué)習(xí)機器學(xué)習(xí)。

大多數(shù)人建議使用 Think Stats （https://www.amazon.com/Think-Stats-Allen-B-Downey/dp/1449307116）來學(xué)習(xí) python 的統(tǒng)計知識，但這本書的作者教授了自己的自定義函數(shù)，而不是使用標(biāo)準(zhǔn)的 python 庫來進(jìn)行統(tǒng)計知識講解。因此，我不推薦這本書。

接下來，你的目標(biāo)是實現(xiàn)在 Python 中學(xué)習(xí)的基本概念。StatsModels 是一個流行的 python 庫，用于在 python 中構(gòu)建統(tǒng)計模型。StatsModels 網(wǎng)站提供了關(guān)于如何使用 Python 實現(xiàn)統(tǒng)計概念的優(yōu)秀教程。

或者，你也可以觀看 Ga?l Varoquaux 的視頻。他向你展示了如何使用 Pandas 和統(tǒng)計模型進(jìn)行推理和探索性統(tǒng)計。

使用 Scikit-Learn 進(jìn)行機器學(xué)習(xí)

Scikit-Learn 是 Python 中最流行的機器學(xué)習(xí)庫之一。你的目標(biāo)是學(xué)習(xí)如何使用 Scikit Learn 實現(xiàn)一些最常見的機器學(xué)習(xí)算法。

你應(yīng)該像下面這樣做。

首先，觀看 Andrew Ng 在 Coursera 上的機器學(xué)習(xí)課程（https://www.coursera.org/learn/machine-learning）的第 1、2、 3、6,、7 和第 8 周視頻。我跳過了關(guān)于神經(jīng)網(wǎng)絡(luò)的部分，因為作為初學(xué)者，你必須關(guān)注最通用的機器學(xué)習(xí)技術(shù)。

完成后，閱讀「Hands-On Machine Learning with Scikit-Learn and TensorFlow」一書（https://www.amazon.com/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1491962291）。你只需瀏覽這本書的第一部分（大約 300 頁），它是最實用的機器學(xué)習(xí)書籍之一。

通過完成本書中的編碼練習(xí)，你將學(xué)習(xí)如何使用 python 實現(xiàn)你在 Andrew Ng 課程中學(xué)習(xí)到的理論概念。

結(jié)論

最后一步是做一個涵蓋上述所有步驟的數(shù)據(jù)科學(xué)項目。你可以找到你喜歡的數(shù)據(jù)集，然后提出有趣的業(yè)務(wù)問題，再通過分析來回答這些問題。但是，請不要選擇像泰坦尼克號這樣的通用數(shù)據(jù)集。你可以閱讀「19 places to find free data sets for your data science project」來查找合適的數(shù)據(jù)集（https://www.dataquest.io/blog/free-datasets-for-projects/）。

另一種方法是將數(shù)據(jù)科學(xué)應(yīng)用到你感興趣的領(lǐng)域。例如，如果你想預(yù)測股票市場價格，那么你可以從 Yahoo Finance （https://www.scrapehero.com/scrape-yahoo-finance-stock-market-data/）中獲取實時數(shù)據(jù)，并將其存儲在 SQL 數(shù)據(jù)庫中，然后使用機器學(xué)習(xí)來預(yù)測股票價格。

如果你希望從其它行業(yè)轉(zhuǎn)行到數(shù)據(jù)科學(xué)，我建議你完成一個利用你的領(lǐng)域?qū)I(yè)知識的項目。關(guān)于這些，我在以前的博客文章"A Step-by-Step Guide to Transitioning your Career to Data Science – Part 1"（https://www.kdnuggets.com/2019/05/guide-transitioning-career-data-science-part-1.html） 和"A Step-by-Step Guide to Transitioning your Career to Data Science – Part 2"（https://www.kdnuggets.com/2019/06/guide-transitioning-career-data-science-part-2.html）中有提到過。