关于Python数据分析的入门指南

有一个朋友最近问到这个问题，我觉得把它公开出来对其他人也会有帮助。这是给完全不了解Python而想找到从零到一的最简单的路径的人的建议：

1. 在这里（https://www.continuum.io/downloads）下载适用于你的操作系统的Python 3.X的Anaconda发行版本。这个预先捆绑的发行版会帮助你避开很多跟安装相关的头疼问题。有很多重要的数据分析包都会被预先安装好。

2. 等你安装好之后，测试一下，确认默认的Python解释器是你刚刚安装的版本。这非常重要，因为可能在你的系统里已经安装了一个版本的Python，但是它并不会包含Anaconda发行版中的所有东西，所以你得确保新的版本才是默认版本。在Mac/Linux系统上，你可以在终端输入which python，或者你也可以运行Python的解释器并且确保版本跟你下载的是相符的。如果这一切运行良好，在安装的时候就应该被设置成默认的版本。如果并非如此，你就得停下来并且解决它。

3. 在命令解释器（Shell）中输入jupyter notebook命令，这会打开一个浏览器窗口。如果没有的话，打开浏览器，在地址栏输入：http://localhost:8888。在你打开这个页面之后，创建一个新的Python笔记本（Python notebook）。

4. 点击http://www.kaggle.com/最上面菜单栏中的kernels，并在新打开的页面中的语言过滤器中选择Python（https://www.kaggle.com/kernels?language=Python）。这里大部分都是其他人利用Kaggle上免费公开的数据集做分析或者组建模型时使用的Jupyter笔记本（Jupyter Notebook）。在其中寻找标题里包含类似EDA（Exploratory Data Analysis，探索性数据分析）的笔记本，而不是那些创建预测模型的笔记本。找一个你觉得有趣的，并且在你的笔记本中再现它。

注意： 你会发现，当你再现某些分析的时候，你会遭遇导入错误（Import error）。这常常是因为分析者安装了并没有包含在Anaconda发行版中的包。你最终会需要学习如何跟conda包管理器（Conda package manager）交互，这将是你最终会走入的许多兔子洞之一。通常而言，事情都非常简单，你只需要用到conda install <package name>就可以了，但是你需要找出正确的包的名称，有时候，你还得确认一些其他的细节。还有的时候你可能得用到pip install <package name>，迟一点你都会学到的。

高级库总结

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。

Seaborn：在导入MatPlotLib包之后导入Seaborn包，默认地，它会使你的绘图变得漂亮许多。它也有一些独特的功能，但是我发现它最酷炫的功能运行起来实在太慢了。

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。

Scikit-learn：包含大量的监督和非监督机器学习算法，以及许多做模型选择的度量工具，是一个优秀的预处理库。这个预处理库可以做主成分分析（Principal Component Analysis），对分类变量进行编码，等等。

小技巧

1. 在Jupyter笔记本中，在运行代码块（Cell）前，于任何一个对象前放置一个问号，它会为你打开这个对象的文档。在你遗忘了你所使用的函数的细节的时候，这是非常方便的。比如说，my_dataframe.apply会解释pandas.DataFrame对象中的apply方法，而这个my_dataframe是pandas.DataFrame的一个实例。

2. 无论你在使用什么库，你通常都需要一直查阅文档，那么就干脆一直在浏览器中打开它。可选变量以及细微的差别实在是太多了。

3. 当你遇到无可避免的故障检修的时候，stackoverflow上也许已经有了问题的答案。