前言
很多人可能会有这样的疑问，数据分析Excel挺强大的，会Excel就行，为什么还要去学python？
是的，Excel和python对于数据分析而言，这两者都只是不同的工具而已。
但，有一点我们要考虑，我们生活在大数据的时代，每一个人无时不刻都在产出大量数据，每天围绕我们的数据不是以几条、几百条存在的，而是成千上万、数百万条。这样庞大的数据量如果使用Excel来处理的话，是非常困难。
这些庞大的数据意味着什么？
外卖点单当我们在外卖平台点外卖，外卖平台会记录我们点什么餐、多少钱、送到哪、点餐时间，也会记录我们曾经浏览过哪些店。
滴滴打车当我们滴滴打车的时候，打车平台会记录我们在哪里、什么时间、去哪里等行程信息，当然也会记录里程数、耗时、金额等信息。
日常出行甚至于我们走在大街上，中国天眼系统，也会记录我们什么时间出现在哪，行走在哪条马路上。
疫情行程疫情期间，我们也能随时从中国移动、中国联通、中国电信获取我们的行程。…
从衣食住行而产生的数据非常之多，我们是数据的生产者和使用者。而如何用更科学的方法去使用提取这些数据，也是数据分析研究的一个方向。
在大数据时代，数据分析能力是这个时代必备的职业技能，注意是必备！！
为什么选择Python？
01Python能够风靡全球，很大原因是其简单易上手
对于新手朋友们来说，只是一开始接触代码的时候，会感觉很难，毕竟曾经的程序员是一个很专业的职业。但Python的设计理念就是简洁，每个年龄阶段都可以学习的编程语言。
02Python数据分析的发展前景
世界一直在变，我们也一定要“善变”，不管是10-20年前的商务智能，这年头炒得火爆的人工智能，未来一定会涌现的更多概念，这需要我们足够开放，敏感洞察，挖掘机会，不断成就自己。
编程这件事情无论对于孩子还是成年人来讲都有很多的用处。我们可以看到，现在很多孩子都已经开始学习编程来训练自己的逻辑思维，而很多的成年人学习编程技术来帮助自己处理工作。
并且最重要的是，一些非程序员岗位的招聘，也都纷纷漏出了对Python编程技术的要求，尽管现在你不会Python编程还可以找到工作，但在这个残酷的市场竞争环境下，如果不去主动学习，那么未来你很有可能失去核心竞争力，也不是你所在岗位中最头部的那一批人。
现在我们还有时间去学习，趁着现在并不是所有岗位都要求这项技能的时候，我们跑在了前面，越努力越幸运。
汪国真在《热爱生命》里写道：“我不去想是否能够成功，既然选择了远方，便只顾风雨兼程。”英雄不问出身，只要你下定决心，即使再晚出发，也会达到，还可以走得更远。
如何高效学习Python数据分析？
在这里小编给大家推荐一本《数据科学入门》书籍，通过阅读本书，你可以：学到一堂Python速成课；学习线性代数、统计和概率论的基本方法，了解它们是怎样应用在数据科学中的；掌握如何收集、探索、清理、转换和操作数据；深入理解机器学习的基础；运用k-近邻、朴素贝叶斯、线性回归和逻辑回归、决策树、神经网络和聚类等各种数据模型；探索推荐系统、自然语言处理、网络分析、MapReduce和数据库。
第一章python导论
1.1 数据的威力
1.2 什么是数据科学
1.3 激励假设：DataSciencester
......
第二章python速成
2.1 基础内容
2.2 进阶内容
2.3 延伸学习
…
第三章可视化数据
3.1matplotlib
3.2 条形图
3.3 线图
第4章 线性代数
4.1 向量
4.2 矩阵
4.3 延伸学习
第5章 统计学
5.1 描述单个数据集
5.1.1 中心倾向
5.1.2 离散度
5.2 相关
5.3 辛普森悖论
5.4 相关系数其他注意事项
5.5 相关和因果
5.6 延伸学习
第6章 概率
6.1 不独立和独立
6.2 条件概率
6.3 贝叶斯定理
6.4 随机变量
6.5 连续分布
6.6 正态分布
6.7 中心极限定理
6.8 延伸学习
第7章 假设与推断
7.1 统计假设检验
7.2 案例：掷硬币
7.3 置信区间
7.4 P-hacking
7.5 案例：运行A/B测试
7.6 贝叶斯推断
7.7 延伸学习
第8章 梯度下降
8.1 梯度下降的思想
8.2 估算梯度
8.3 使用梯度
8.4 选择正确步长
8.5 综合
8.6 随机梯度下降法
8.7 延伸学习
第9章获取数据
9.1stdin和stdout
9.2读取文件
9.2.1文本文件基础
9.2.2限制的文件
9.3网络抓取
9.3.1HTML和解析方法
9.3.2案例：关于数据的O’Reilly图书
9.4使用API
9.4.1JSON（和XML）
9.4.2使用无验证的API
9.4.3寻找API
9.5案例：使用TwitterAPI
9.6延伸学习
第10章 数据工作
10.1 探索你的数据
10.1.1 探索一维数据
10.1.2 二维数据
10.1.3 多维数据
10.2 清理与修改
10.3 数据处理
10.4 数据调整
10.5 降维
10.6 延伸学习
第11章 机器学习
11.1 建模
11.2 什么是机器学习
11.3 过拟合和欠拟合
11.4 正确性
11.5 偏倚-方差权衡
11.6 特征提取和选择
11.7 延伸学习
第12章k近邻法
12.1模型
12.2案例：最喜欢的编程语言
12.3维数灾难
12.4延伸学习
第13章朴素贝叶斯算法
13.1一个简易的垃圾邮件过滤器
13.2一个复杂的垃圾邮件过滤器
13.3算法的实现
13.4测试模型
13.5延伸学习
第14章简单线性回归
14.1模型
14.2利用梯度下降法
14.3最大似然估计
14.4延伸学习
第15章多重回归分析
15.1模型
15.2最小二乘模型的进一步假设
15.3拟合模型
15.4解释模型
15.5拟合优度
15.6题外话：Bootstrap
15.7回归系数的标准误差
15.8正则化
15.9延伸学习
第16章逻辑回归
16.1问题
16.2Logistic函数
16.3应用模型
16.4拟合优度
16.5支持向量机
16.6延伸学习
第17章决策树
17.1什么是决策树
17.2熵
17.3分割之熵
17.4创建决策树
17.5综合运用
17.6随机森林
17.7延伸学习
第18章神经网络
18.1感知器
18.2前馈神经网络
18.3反向传播
18.4实例：战胜CAPTCHA
18.5延伸学习
第19章聚类分析
19.1原理
19.2模型
19.3示例：聚会
19.4选择聚类数目k
19.5示例：对色彩进行聚类
19.6自下而上的分层聚类
19.7延伸学习
第20章 自然语言处理
20.1 词云
20.2 n-grams模型
20.3 语法
20.4 题外话：吉布斯采样
20.5 主题建模
20.6 延伸学习
第21章网络分析
21.1中介中心度
21.2特征向量中心度
21.2.1矩阵乘法
21.2.2中心度
21.3有向图与PageRank
21.4延伸学习
第22章推荐系统
22.1手工甄筛
22.2推荐流行事物
22.3基于用户的协同过滤方法
22.4基于物品的协同过滤算法
22.5延伸学习
第23章数据库与SQL
23.1CREATETABLE与INSERT
23.2UPDATE
23.3DELETE
23.4SELECT
23.5GROUPBY
23.6ORDERBY
23.7JOIN
23.8子查询
23.9索引
23.10查询优化
23.11NoSQL
23.12延伸学习
第24章MapReduce
24.1案例：单词计数
24.2为什么是MapReduce
24.3更加一般化的MapReduce
24.4案例：分析状态更新
24.5案例：矩阵计算
24.6题外话：组合器
24.7延伸学习
第25章数据科学前瞻
25.1IPython
25.2数学
25.3不从零开始
25.3.1NumPy
25.3.2pandas
25.3.3scikit-learn
25.3.4可视化
25.3.5R
25.4寻找数据
25.5从事数据科学
25.5.1HackerNews
25.5.2消防车
25.5.3T恤
25.5.4你呢？
由于篇幅原因，这里就不一一展开了，朋友们如果有需要全套《数据科学入门》，我可以分享出来哈。
联系电话：