如何进行Python数据分析？正确的“入门之路”三部曲

前言

Python是一种面向对象、直译式计算机程序设计语言，由于他简单、易学、免费开源、可移植性、可扩展性等特点，Python又被称之为胶水语言。下图为主要程序语言近年来的流行趋势，Python受欢迎程度扶摇直上。

由于Python拥有非常丰富的库，使其在数据分析领域也有广泛的应用。

一、为什么要用Python做数据分析？在我看来，大概有3大理由。

广度： 各行各业都有自己的商业场景，每一个行业都需要使用数据来辅助决策。面对现在人人谈大数据的情境，数据分析是一个你不得不会的技能。

精度 ： Python是一门编程语言。也许从前的你完全依靠excel的默认设置生成图表，从不思考为什么做一张数据图，而使用编程工具的你必须从图表长宽开始思考每一步成形的理由，从而更精地理解数据。

高效 ： 传统的数据工作涵盖大量的重复不动脑操作，比如把日表合成周表，比如批量删除某个字段，比如批量删除空值。这些工作通过鼠标点击软件没有办法编成工作流，但却可以通过python程序编写自动化，省去大量时间。

基础库总结

这里是对你会经常接触的重要的库的简要总结：

NumPy： 拥有大量的科学计算的核心功能。由于它的内部运算是通过C语言实现的，所以比用Python写成的同样的函数，它的速度会快许多。但它并不是最用户友好的包。

SciPy： 跟NumPy非常相似，但是有更多的方式来从分布中取样，计算检验统计量，等等。

MatPlotLib： 主要的画图框架。不太讨喜，但却是必备的包。

Pandas： 基本上是对NumPy/SciPy进行轻量的包装，使它们更用户友好一些。对于和表格数据交互非常理想，Pandas中把表格数据称为数据框（DataFrame）。对画图功能也有一些包装，使得无需使用MPL（Meta-Programming Library，元编程库）就可以快速实现画图。我使用Pandas而非其他的工具来操作数据。

机器学习和计算机视觉

Crab：灵活、快速的推荐引擎

gensim：人性化的话题建模库

hebel：GPU 加速的深度学习库

NuPIC：智能计算 Numenta 平台

pattern：Python 网络挖掘模块

PyBrain：另一个 Python 机器学习库

Pylearn2：一个基于 Theano 的机器学习库

python-recsys：一个用来实现推荐系统的 Pytho