Python极简讲义：一本书入门数据分析与机器学习

对于任何一个没有Python基础的人来说，都是一本不可多得的数据分析与机器学习入门的好书。书中内容详实，案例丰富，可以说，掌握此书内容，那么对于数据分析两个库已经能达到百分之八十的掌握率。同时此书阅读门槛极低，即使在机器学习部分，也没有太多数学要求，是非专业人士入门数据分析和机器学习的不二之选。

与单独啃书相比，我还是更喜欢上平台学习技术。不过后半部分的机器学习，入门可以了解下，重点知道常用的机器学习算法，性能指标如准确率，查准率，查全率，PR曲线，TPR—FPR，ROC面积，以及线性回归，K-近邻算法，logistic回归，神经网络学习算法，还有非监督学习如K-means聚类等。

对于从未接触Python语法的初学者来说，这本书前半部分非常适合初学者学习。语法细节、语法糖介绍比较细致，不使用装饰器等高级功能的情况下，前半部分的语法介绍已足够，比起那本学习手册，这本书的语法解析符合中文语境，容易理解的多。 关于numpy和pandas，个人觉得也非常详尽，有Excel数组公式经验的朋友，理解矩阵，理解结构化处理数据，会更快。并行思路与sql有异曲同工之妙。 随便感叹一下，微软在结构化处理数据上下足了功夫，很用心。VBA、M语言、DAX等等，所以，有过这些基础的朋友，上手numpy和pandas，会比较容易。 机器学习部分放弃，目前，完全看不懂，待来日。 知识的关联与互通，知识的全面与递进。

还不错，从《Python编程：从入门到实践》看过来的，作为新手还要多消化一下，机器学习说实话看得懵懵懂懂的。

1. 本书分为三个部分：第一部分是1-5章，讲述python基本语法与特性，第二部分是6-8章，讲述数据分析三件套numpy&pandas&matplotlib，第三部分9-10章，讲述机器学习基础； 2. 本书框架清晰，基于Minimal Actionable Knowledge Experience，MAKE最小可用知识，介绍了数据分析和机器学习相关内容，下一步是快速实践，然后迭代升级，每天实现进步，这也是快速起步做一件新领域事的路径； 3. 本书适合非专业刚准备做数据分析的人员阅读，最好是一边读一边跟着写代码，对于有实践经验的，读起来没有太多的收获。

这本书应该是“抛砖引玉”的经典，但这本书虽极简，不仅对0基础友好，对有基础的人也有值得学习的细节，我把这本书当作转行学习第二本必读的书。 第一本：《数据挖掘：你必须知道的32个经典案例》。这本书有人评价是会的人不用看，不会的人看不懂，但是作为第一本入门书，不会的都可以跳过，32个案例当作“故事”来读就行，我会有一种原来“数据挖掘可以这么用”的豁然开朗，是用来开拓思维，而不是学习技能的一本书。 第二本：《Python极简讲义：一本书入门数据分析与机器学习》。了解python基础，介绍了np /pd/mlt最经典的三个数分的库，最后是机器学习的几个经典算法，内容看起来比较常规，也并不是大而全，但全文读起来并不枯燥，之前看了不少相关的书，但说实话，不是读不懂，就是没收获，看的越来越迷茫，看的过程也是极度痛苦。0基础看合不合适我不清楚，但这本书完全可以做到在不打击你自信的前提下，回答“你是否有兴趣”的书，也可以锻炼很基础的实操技能。 。。。 继续打基础吧，好多有名的书看的我真的“痛苦”，寻找不费心神的“快乐学习”，加油！！！

20210503读完《Python极简讲义——一本书入门数据分析与机器学习》，作者的“最少必要知识原则”，这个学习观念不错。 对Python包中变量__all__说清楚了，好多其他教材是没说的； 对生成器和迭代器也讲述的比较清楚； 推荐了logging模板，但没展开，然后补上一句：“高手都是自学的”，我也只好赞成了； 在Numpy模块，深入浅出地讲解了“爱因斯坦求和约定”和功能强大的einsum()，不但能“降维求和”，还能用于矩阵乘法等； 对于矩阵的点乘法，a1@b1，亦可表示为np.einsum("ij,jk->ik",a1,b1)； 又如2个(2,2)向量点乘操作，a*b或np.multiply(a,b)，亦可表示为np.einsum("ij,ij->ij",a,b)，其他维度亦可类似操作； 又如np.einsum("ij->ji",arr)可实现向量的转置，等同于np.transpose(arr)； 作者einsum()的功能非常强大，这里只讲一点点，还可用于TensorFlow或PyTorch神经网络架构的任意计算图，并支持反向传播计算，非常有意思； 对向量维度轴的的概念axis，按括号层次来理解，括号由外到内，对应从小到大的维数，分别为[0,1,2,...,n]； 当“约减”时，有先后顺序，如5维向量，可用axis=[2,0,1]，先后“约减”掉第2、第0、第1维度，最后剩下2个维度，等等； 中间很多…省略 写在最后的感叹：数据分析，要学的东西都挺多的，机器学习有点超纲，需要慢慢消化，还好各路大神都在做贡献，很多功能越来越方便，越来越完善。

《Python与数据科学》课程的前一个寒假作为预习书看过，讲的很好，作为python的基础足够了。后半部分的机器学习和深度学习，老实说原理还是不太理解，但是代码能写，或许这就是陶德那句“it just works”吧>_

请问你知道数据分析用的数据源在哪里能找到吗？非常感谢

前半部分讲Python基础语法，很啰嗦。 后半部分讲pyplot绘图，不够全，以至于最后kmeans绘图使用的参数等出现断层，只能按照着写下来。 1/3讲算法难度陡然上升！没点儿数学基础会看天书。 作者水平高没问题，但是内容组织显得拼凑。