python数据分析 Python数据分析从小白到高手的几个步骤

我曾经看过一篇老外写的文章，把Numpy/熊猫甚至各种机器学习和神经网络算法组织成不同的结构图，一目了然。

可惜当时没和那个朋友分享。所以今天我们要重新组织自己，希望借别人的精华，把学习的路线和过程传递给更多想学习，正在学习的朋友。

以下是内容截图的原地址，图片版权归原作者所有:

https://amening man . ai/备忘单-for-ai-neural-networks-machine-learning-deep-learning-big-data-678 c 51 B4 b 463

下载高清大图，请通过文末的方法获取。

Python入门，基础知识

在开始数据分析的旅程之前，你必须掌握Python的基本方法和用法，就像在你出生之前学会走路一样。不用担心上跑道。只有把基本功打好，才能练硬技能。

Python的基本知识，比如变量声明、运算符操作、数据类型、常见的数据集操作，都要透彻理解。同时也要掌握一些开发工具，穿鞋走路更稳更舒服。

Python数据分析的来源，Numpy

Numpy是几乎所有重要Python数据分析工具的依赖，比如后面要介绍的熊猫，以及其他机器学习工具的包，都需要依靠Numpy来组织和清理数据。所以我在Python中把Numpy定义为数据分析的来源。

在Numpy中，需要灵活掌握基本数据类型的使用、数组(花式)切片、数据广播操作、数据文件的读写等。这些知识是你积累内力，打通当省长第二脉的第一步。

Python数据分析神器，熊猫

如果Numpy能打通全身经脉提升内力，那么熊猫就像给你一把屠龙宝刀，一刀在手，天下无敌手。数据里会有几个波折，几刀下来就清爽干净了。

为什么这么干净？熊猫有一个DataFrame，数据自由运行，只是几个简单的功能。另外，无论是数据文件的对接，还是数据库的访问，也是一两行代码的功夫。

所以，想行走江湖，熊猫是杀猪刀，这是不对的。你一定要用好。

数据清理过程

刀怎么用？横剪竖剪都可以，但还是要优雅。

带一点肉的数据可以割切，带一点骨的数据可以劈切，但不能捅。(或者杀猪。。。)

所以我们在处理数据的时候，基础会切片、完成、复制、整形等等，然后统计分析就变得极其简单。

Python数据可视化，经典Matplotlib

虽然已经有很多优秀的可视化工具支持Python，比如Dash和Pyecharts，但是Python使用的可视化工具Matplotlib可以随时出现在不同的场合，性能非凡。

可视化就像给数据披上一层美丽的外衣，辛辛苦苦产生的结果或结论一定要有美丽的呈现。因此，一份令人惊叹的图表报告可以为“惊心动魄”的数据之旅画上圆满的句号。

假装第一步，机器学习

近年来，人工智能发展迅速，强势进入IT和互联网领域。就连金融投资也要处处强调智力。机器学习作为实现“智能”的第一步，承载着所有有兴趣进入人工智能领域的人的梦想，也是所有“码农”洗脑进入高薪领域必不可少的工具。

无论是监督学习，半监督还是无监督，算法从此挂了嘴，不弹出几个经典算法就不显专业了，尤其是一些性能很高很少人知道的算法，能让人说高几分贝。

然而，有时候假装并不容易。骚年一定要认真学，把细节都清楚。特别是一些常用的工具要掌握到位，比如下面的流程图，可以让你快速定位问题，制定解决方案。

另外还可以掌握一些算法查表。

当然，如果能掌握一些系统的工具包，会更有利于机器学习的理解和应用，Scikit-Learn可能是第一个。

假装强迫第二步，神经网络

神经网络的错综复杂的图表可能会让你眼花缭乱，但是像跳棋和电路板这样的东西怎么能阻挡我们装逼的方式呢？

我们来看看这些神经网络图，简称神图。

如果你不喜欢看，那就再来一个版本。

如果以上思想还不够先进，那我们就来看看有着自己神秘的数学光环的公式图。

如果上图很烧脑的话，我们来看一下曾经风靡一时的TensorFlow的一个总结。

假装强制第三步，获取数据源

有枪有炮，必有弹药。

数据是各种机器学习和人工智能实现价值的弹药，而财务数据是目前比较干净容易获取的一种数据源，也适合高起点、高价值、高力的神经网络等这些先进小玩意。

Tushare Pro为各行各业的英雄提供免费的高质量金融时间序列数据。除了提供各种资产类别的市场数据，还将提供宏观和行业数据，持续为大家提供稳定的数据支持和服务。

对展示机器学习能力感兴趣，希望通过金融市场展示价值的合作伙伴，可以通过Tushare开放平台获得免费的数据支持。