Python极简讲义——一本书入门数据分析与机器学习（序言）

为什么写此书？

我们正处于一个数据科技（Data Technology，简称DT）的时代。我们的一举一动，都有能在数据空间留下电子印记。于是海量的社交、电商、行为及科研大数据铺面而来。然而，太多的数据给人们带来的，可能并不是更多的洞察，还可能是迷失。

因为仅仅就数据本身而言，它们是“一无所知”的。数据的价值，在于形成信息，变成知识，乃至升华为智慧。也就是说，这些数据如果不能进一步 “深加工”，即使数据量再“大”，也意义聊聊。

于是，就派生这么一个问题，这些数据，谁来“深加工”？如何“深加工”？其实，早在2012年，《哈佛商业评论》就刊登一篇文章，给出了答案，他们就是“数据科学家”，文章还断言，“数据科学家是21世纪最性感的职业”[①]。

但如何成为一个数据科学家呢？特别是一个性感的数据科学家？作为一个有点文青情怀的理工男，我喜欢读写书。读书总会给我们启迪。

曾读过埃里克•莱斯（Eric Ries）写的一本有关创业书，叫《精益创业》（The Lean Startup）[②]。在阅读这本书时，有个概念深入我心，那就是“最小可行产品”（minimum viable product，简称MVP）。这个概念说得是，在创业初期，不可贪多求全，而应先做出一个最小可用的产品，拿到市场上去检验，然后再根据反馈反复迭代，打磨升级，最终做出比较完善比较成功的产品。

后来，看到有人提出了类似的概念——“最少必要知识（Minimal Actionable Knowledge and Experience，简称MAKE）”，这算是点醒了我，我觉得大概可以回答前面的问题。那就是：You can MAKE it （你可以做到）。

先来说说什么是MAKE？它指的是入门某个新领域切实可行的最小知识集合。MAKE说起来好像比较高级，但实际上，在其背后，有个支撑它的朴素原则——Pareto原则（亦称80-20原则），即80%的工作可以掌握20%的知识来解决。

同样，想成为一个“性感的”数据科学家，一条路自然是按部就班地学习所有技能，“十年磨一剑”，但这样做的风险在于，当你“携剑下山”时，可能别人都用上了飞机大炮，这样的对垒，你胜算有几何？

当然，还有另外一条备选之路，那就是走一走MAKE之道。在学习某项技能（如Python、数据分析或机器学习）时，我们要想办法在最短的时间内，摸索清楚这项技能的“最小必要知识”。一方面，它已然可以帮我们解决工作中的大部分问题；另一方面，入门之后，技能的提升通道可以在实践中寻得，缺啥补啥。有明确的任务导向，学习效率就会“有如神助”。这也是当前时代的快节奏学习法。

说到这里，本书的写作用意就呼之欲出了。是的，它的定位就在于，为初学者提供关于数据科学的“最小必要知识”储备，从而找到那份“最性感的”工作。它包含了成为数据科学家的基础知识——Python、数据分析和机器学习。

本书内容

本书包括三个部分，共计10章，每个部分和每章的内容简介如下。

第一部分 Python讲义

这部分内容主要涉及Python的基本应用。

第１章　初识Python与Jupyter

本章介绍了Python和Jupyter的基本用法，包括Python的安装与运行，以及文学化编程利器—Jupyter的使用。

第2章　数据类型与程序控制结构

本章介绍了Python的基础语法以及常见的数据类型、三种控制结构，包括顺序结构、分支结构和循环结构。

第3章　自建Python模块与第三方模块

本章介绍了Python的自定义模块及常用的第三方模块，包括collection、datetime、json和random等。

第4章　Python函数

本章讨论了Python的函数定义、函数的参数 “花式”传递、函数的递归调用及函数式编程。

第5章　Python高级特性

本章讨论了面向对象程序设计思想、迭代器及生成器、文件操作、异常处理及错误调试等内容。

第二部分 数据分析

这部分内容主要涉及数据分析所需的技能，如向量计算所用的NumPy、数据分析的所用Pandas和可视化展示所用的Matplotlib。

第6章　NumPy向量计算

本章讨论了NumPy数组的构建、方法和属性、NumPy的广播和布尔索引、向量的堆叠及爱因斯坦求和约定等。

第7章　Pandas数据分析

本章主要介绍了Pandas的两种常用数据处理结构Series和DataFrame。并介绍了基于Pandas的文件读取和分析，涉及数据的清洗、条件过滤、聚合与分组。

第8章　Matplotlib与Seaborn可视化分析

本章主要介绍Matplotlib和Seaborn的基本用法，包括散点图、折线图、条形图、直方图及饼状图等专业图形的画法，并以谷歌流感趋势数据，结合Pandas绘图分析。

第三部分 机器学习

这部分内容主要涉及机器学习的基本概念和机器学习框架scikit-learn的基本用法。

第9章　机器学习初步

本章主要介绍有关机器学习初步知识，包括机器学习的概念，以及机器学习的几个主要流派，并讨论机器学习的模型评估和性能度量，包括混淆矩阵、查准率、ROC曲线等。

第10章　sklearn与经典机器学习算法

本章主要讲解sklearn的用法，并介绍几种经典机器学习算法的原理和实战，这些算法包括线性回归、k-近邻算法、Logistics回归分类算法、神经网络、k均值聚类算法等。

阅读准备

本书理论结合实践，为运行本书示例代码，需提前安装如下软件环境。

操作系统：Windows、macOS、Linux均可。

Python环境：建议使用Anaconda安装，确保Python 3即可。

NumPy: 建议使用Anaconda安装，版本号>=1.18。

Pandas: 建议使用Anaconda安装，版本号>=1.0.1。

sklearn: 建议使用Anaconda安装，版本号>=0.22.1。

 

联系作者

数据科学是一个前沿而广袤的研究领域，很少有人能对每个研究方向都有深刻的认知。作者自认才疏学浅，同时也限于时间与篇幅关系，书中难免出现理解偏差和错缪之处，若读者朋友能大方指出，作者将及时修正，不胜感激。

作者联系邮件：[email protected]

致谢

这本《Python极简讲义：一本书入门数据分析与机器学习》，从构思、查阅资料、撰写及绘图，到出版为书，历时一年有余。图书得以面市，自然得益于多方面的帮助和支持。在信息获取上，从很多图书和网络资源中，我学习并吸纳了很多精华知识，文中也尽可能给出文献出处，如有疏漏，请来信告知。这里，我对这些高价值资料的提供者、生产者，表示深深的敬意和谢意。

很多人在这本书的出版上扮演者重要角色。例如，电子工业出版社博文视点的孙奇俏老师在选题和编辑上，国网河北电科院计量中心赵佩、河南工业大学苏灏等在文稿校对上，都付出了辛勤的劳动，在此一并表示感谢。

 

张玉宏

2020年3月16日

美国卡梅尔