数据分析的环境
数据分析的标准环境：Anaconda和Jupyter notebook
Anaconda ：简单来说Anaconda是包管理器和环境管理器。
Anaconda附带了一大批常用的数据科学包。Anaconda在conda(一个包管理器和环境管理器)上发展而来的，conda可以很好的在计算机上安装和管理用到的第三方包。如果不同的项目使用的是不同版本的python或者不同版本的的包，conda可以帮助不同的项目建立不同的运行环境，避免可能的混乱和错误Jupyter notebook：Jupyter notebook可以将数据分析的代码、图像和文档全部组合到一个web文档中。并且为交互式编程，可以边看边写。
重要的python库
NumPy ：python科学计算的基础包。提供了快速高效的多维数组对象ndarray和快速的数组处理能力，作为在算法和库之间传递数据的容器
pandas ：提供了快速便捷处理结构化数据的大量数据结构和函数。书中用得最多的pandas对象是，一个面向列的二维表结构DataFrame，和一个一维的标签化数组对象Series
matplotlib ：最流行的用于绘制图表和其它二维数据可视化的Python库
SciPy ：SciPy是一组专门解决科学计算中各种标准问题域的包的集合。NumPy和SciPy结合使用，便形成了一个相当完备和成熟的计算平台，可以处理多种传统的科学计算问题。
scikit-learn ：python的通用机器学习工具包
statsmodels ：一个统计分析包。与scikit-learn比较，statsmodels包含经典统计学和经济计量学的算法。statsmodels更关注与统计推断，提供不确定估计和参数p-值。相反的，scikit-learn注重预测
python做数据分析优点和不足
动态编程语言是高级程序设计语言的一个类别，它是一类在执行时能够改变其结构的语言：比如新的函数、对象、甚至代码能够被引进，已有的函数能够被删除或是其它结构上的变化。
python作为一种动态语言，也被称作脚本语言，同时python作为一种胶水语言，它能够轻松地集成C、C++以及Fortran代码。
python作为解释型语言，大部分的代码都比编译型语言编写的代码慢的多，因此对于那些要求延迟非常小或高资源利用率的应用中（例如高频交易系统），使用编译型语言更加好。
python对于高并发、多线程的应用程序，并不是一种理想的编程语言。python有一个叫做全局解释器锁（GIL）的组件，这是一种防止解释器同时执行多条python字节码指令的机制。
[1]: 初学python者自学anaconda的正确姿势是什么？？ - 猴子的回答 - 知乎
https://www.zhihu.com/question/58033789/answer/254673663
[2]:《利用Python进行数据分析·第2版》第1章 准备工作
https://www.jianshu.com/p/04d180d90a3f
[3]: 深度解析python的动态语言 。
https://www.cnblogs.com/jiaoyu121/p/6959310.html
[4]:Jupyter使用 | Jupyter Notebook打开默认文件夹以外的文件
https://blog.csdn.net/yefcion/article/details/79431760