利用Python进行数据分析学习记录（一）

1、Python的科学计算邮件列表

　　pydata:这是一个Google Group邮件列表，其中的问题都是Python数据分析和pandas方面的。

　　pystatsmodels:针对Numpy相关的问题

　　numpy-discussion:针对Numpy相关的问题

　　scipy-user:针对与scipy和Python科学计算相关的问题

       探讨会：PyCon和EuroPython

2、引入惯例

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt

在Python软件开发过程中，不建议直接引入Numpy这种大型库的全部内容

3、编程和数据科学方面的常用术语

　　数据规整（Munge/Munging/Wrangling）:

　　指的是将非结构化和（或）散乱数据处理为结构化或整洁形式的整个过程。

扫描二维码关注公众号，回复： 7869053 查看本文章

　　伪代码（Pseudocode）:

　　算法或过程的代码式描述，而这些代码本身并不是实际有效的源代码。

　　语法糖（syntactic  sugar）：

　　一种编程语法，它并不会带来新的特性，但却能让代码易读，更易写。

4.读者各自工作的最终目的千差万别，但基本都需要完成以下几个大类的任务：

　　与外界进行交互：读写各种各样的文件格式和数据库

　　准备：对数据进行清理、修整、整合、规范化、重塑、切片切块、变形等处理以便进行分析。

　　转换：对数据集做一些数学和统计运算以产生新的数据集。比如说，根据分组变量对一个大表进行聚合。

　　建模和计算：将数据跟统计模型、机器学习算法或其他计算工具联系起来。

　　展示：创建交互式的或静态的图片或文字摘要。