在本指南中，我们将介绍如何学习Python的数据科学，包括我们最喜欢的自学课程。
你知道，数据科学是关于问题的解决、探索和从数据中提取有价值的信息。要做到这一点，你需要解决数据集、训练机器学习模型、可视化结果等问题。输入Python。
这是学习Python的最佳时间。事实上，福布斯在工作需求增长方面称之为10大技术技能。让我们来讨论为什么…
为什么要学习Python的数据科学？
Python是世界上最广泛的语言之一，它有一个充满激情的用户群体：
福布斯指数：Python流行度指数
它在数据科学领域有更忠实的追随者。
有些人用简单的“Hello，World！”来判断编程语言的质量。程序。Python在这个标准下做得很好：
为了比较，这里是Java中的相同输出：
太好了，举例结束了。在你掌握了Python之后再回到这里？
总之，简单是Python的最大优点之一。由于它的精确和高效的语法，Python可以完成比其他语言更少的代码相同的任务。这使得实现解决方案变得非常快。
此外，Python的充满活力的数据科学社区意味着你将能够找到大量的教程、代码片段和人们对常见错误的修复。StAdvOpLoT将是你最好的朋友之一。
最后，Python有一个全明星阵容的库（A.K.Apple）用于数据分析和机器学习，这大大减少了产生结果所需的时间。稍后再讨论这些问题。
如何有效地学习Python
在我们讨论你需要学习的内容之前，让我们来讨论一下你不需要的东西。
你不需要学士学位
大多数数据科学家永远不会处理诸如内存泄漏、密码学或“大O”符号等主题。只要用脚本语言（如Python或RR）编写干净、逻辑的代码就行了。
你不需要在Python上完成一门课程
Python和数据科学不是同义词。
Python的所有用途
你不需要记住所有的语法
取而代之的是专注于直觉，比如当功能合适或条件语句如何工作时。在Google、阅读文档和良好的实践之后，你会逐渐记住语法。
我们推荐自上而下的方法
我们提倡自上而下的方法，目的是先取得成果，然后巩固概念。事实上，我们倾向于削减“课堂”学习，以利于现实世界的实践。
首先学习核心编程概念。
接下来，你将获得必要的数据科学库的工作知识。
最后，你将通过实际的项目练习和改进你的技能。
这种方法可以让你在掌握更多的乐趣的同时，建立时间掌握。
通过 Anaconda bundle 安装 Python
在计算机上安装Python有很多方法，但是我们推荐Anaconda安装包，它附带了您需要的数据科学库。
第1步：核心编程概念
有效的编程不是记忆语法，而是掌握一种新的思维方式。
因此，花些时间建立核心编程概念的坚实基础。这些将帮助你将解决方案转化为计算机的指令。
如果你是编程萌新
如果你完全是编程萌新，我们推荐 用Python使无聊的东西自动化 ，这是免费的在线发布下的创作共享许可证。
这本书承诺“面向全初学者的实用编程”，并使每一堂课都脚踏实地。阅读到第6章-操纵字符串并完成练习题。
如果你有另一种语言的经历
如果您只需要刷一下Python语法，那么我们推荐下面的视频，命名为“在一个视频中学习Python”。
同样，这一步的目标不是学习关于Python和编程的一切。相反，专注于直觉。
你应该能够回答以下问题：
整数、浮点和字符串之间的区别是什么？
如何使用Python作为计算器？
什么是for循环？我什么时候写？
函数的基本结构是什么？
如何使用条件语句(if... else...)增加逻辑？
导入语句是如何工作的？
附加资源
如果您希望更多地使用核心编程概念，请查看下面的资源。
代码冲突是一个平台，有许多短编码挑战，可以在5分钟块完成（虽然如此有趣，你可能会发现自己玩了几个小时，在时间）。你会在途中获得积分并解锁新的等级，这也是跟踪你进步的好方法。
Python挑战是网络上最酷的谜题之一，所以不要被它1990的图形所吓倒。您可以在Python脚本的帮助下完成所有33个级别。一位用户称之为“学习Python的来龙去脉的一种上瘾的方法……”我们同意！
PrimePythth.Org是Python中的短实践问题的集合。它几乎每周更新一个新的问题。真正好的是，作者为每个问题包含多个用户提交的解决方案，这样您就可以看到解决它们的其他方法。
如何像一个计算机科学家一样思考是一个奇妙的交互式在线图书，它通过关键编程概念（用Python）进行旋风之旅。如果你对编程完全陌生，这可能是一个不错的选择。这就像是一个浓缩的“C.S. 101”课程。
第2步：必要的数据科学图书馆
接下来，我们将重点讨论数据科学的一部分：“如何学习Python数据科学”。
正如我们之前提到的，Python有一个全明星的数据科学库。库只是预先存在的函数和对象的捆绑包，可以导入到脚本中以节省时间。
这些是我们建议有效地获取新库的行动步骤：
1.打开一个新的Juyter笔记本（见下文）。
2.阅读库的文档30分钟，以便对其模块进行高级介绍。
3.把库导入你的Jooter笔记本 。
4.按照它的一步一步快速入门教程来查看正在运行的库。
5.再查看文档30分钟，了解它还能做什么。
我们不建议现在深入库，因为你很可能会忘记你进入项目时所学到的大部分知识。相反，目标是发现每一个库的能力。
Juyter笔记本
这些是你需要的基本库：
Numpy
NUMPY允许简单高效的数值计算，许多其他的数据科学库都是建立在它上面的。
Pandas
Pandas是用于数据结构和探索性分析的高性能库。它建在麻木上面。
Matplotli
Matplotlib是一个灵活的绘图和可视化库。它很强大，但有点麻烦。您现在可以选择跳过MatPultLB，然后使用海运来开始（见下面的海运推荐）。
Scikit-Learn
Scikit-Learn是Python中最先进的通用机器学习库。它有许多流行的算法和模块，用于预处理、交叉验证等。
Bonus: Seaborn
Seabn使得绘制通用数据可视化变得更加容易。它建立在Matplotlib之上，提供了一个更令人愉快的高级包装。
第3步：端到端项目
到现在为止，你将有一个基本的编程理解和基本库的工作知识。这实际上涵盖了开始使用数据科学所需的大部分Python。
在这一点上，一些学生会感到有点不知所措。没关系，这完全正常。
如果你采取缓慢而传统的自下而上的方法，你可能会感到不那么紧张，但你需要花10倍的时间才能到达这里。
现在关键是立即潜水，开始把所有东西联系在一起。再一次，我们的目标是学习足够的开始。
接下来，是时候通过大量的实践和项目来巩固你的知识了。
你有几种选择。
Kaggle 竞赛
第一个选择是参加Kaggle，这是一个主持数据科学竞赛的网站。
Kaggle的主要优点是每个项目都是独立的。你得到了数据集，一个目标和教程，让你开始。
竞争的主要缺点是它们通常不代表真实世界的数据科学。“入门”比赛太过基本，而标准比赛（即有奖池）通常对初学者来说太难了。如果你对这条路感兴趣，看看我们初学者的Kaggle指南。
DIY项目
下一个选项是构造你自己的项目，选择你感兴趣的数据集。
这种方法的主要优点是项目更能代表真实世界的数据科学。您可能需要定义自己的目标、收集数据、清理数据集、工程师特性等等。
DIY项目的缺点是您需要已经熟悉适当的数据科学工作流程。没有一个，你可能会错过重要的步骤或陷入困境而不知道如何进行。
如果采用这种方式，请查看我们的数据科学入门，它涵盖了数据科学工作流程中的关键步骤。我们还有另一篇文章介绍了几个DIY项目的想法。
引导项目
最后，有引导的端到端项目。
正确的指导项目应该把两个词结合在一起——它们应该代表真实世界的数据科学，并且允许您通过精心规划的学习曲线来巩固您的技能。
许多数据科学BooCtup提供了这一主要好处。BootCAMP通常以一个“顶点项目”来结束，它允许你从头到尾看到所有的移动片段。
我们还制作了我们自己的机器学习大师班来解决这个确切的需要。它将为你提供真实世界项目的指导，同时在上下文中教你所有的关键概念。
Madio类还包括一个全面的Python课程，让你尽快加速。事实上，许多成功的学生没有任何事先的编程经验。在这里了解更多
原标题：How to Learn Python for Data Science in 2018 (Updated)
翻译：徐大白
注意：本文归作者所有，未经作者允许，不得转载
