【学习路线】Python数据分析（数据科学） 详细知识点学习路径（附学习资源）

可根据知识点前的符号按需选学，并获取知识点描述和学习资源。

⭐️必学：核心知识点，经常用到。

✅建议学：重要知识点，专业人士的基⽯。

❗面试重点：经常出现的面试知识点。

❌可有可无：边缘区域，不是必须探索的地方。

💬知识描绘：知识点描述，快速理解。

📚学习资源：关联的学习资源。

🎯学习目标：阶段性目标。

学习路线：自动化运维

💬描述: Python 数据分析是使用 Python 编程语言进行数据收集、处理、分析和可视化的过程，通常用于从大型数据集中提取有价值的信息和见解。它包括使用库和工具如 pandas、NumPy、Matplotlib 和 Seaborn 来执行数据操作和可视化，以支持数据驱动的决策和问题解决。这是数据科学领域中的关键技能，广泛应用于各种行业，包括商业、医疗保健、金融和科学研究。

🎯目标： 销售数据分析，分析公司的销售数据，包括销售额、销售趋势、最畅销产品等，并生成可视化报告。

📚学习资源：

• Python 数据处理分析路线>>>

一、环境搭建

• ⭐️Anaconda

💬描述: Anaconda 是一个开源的数据科学和机器学习平台，旨在简化数据分析和科学计算的工作流程。它包括一个强大的集成开发环境（IDE），称为 Anaconda Navigator，以及一个包管理器 Conda。Anaconda 提供了许多常用的数据科学工具和库的预安装，如 NumPy、pandas、Matplotlib、Jupyter Notebook 和 scikit-learn，使用户能够轻松地开始数据分析和机器学习项目。

📚软件资源>>>

• Jupyter Notebook

💬描述: Jupyter Notebook 是一个交互式计算环境，广泛用于数据科学和编程教育。它允许用户创建和共享文档，其中可以包含实时运行的代码、文本、图像和可视化结果。

📚资源：

• Jupyter 下载>>>
• Python 数据科学手册>>>

二、常用类库

1.1 数组: 

• NumPy 最重要的数据结构是 ndarray，它是一个多维数组对象。这些数组可以包含相同类型的元素，通常是数值。
• 数组的维度称为轴（axes），数组的维度数量称为秩（rank）。
• 通过 numpy.array() 函数或直接使用列表创建 NumPy 数组。

1.2 索引: 

• NumPy 数组可以使用整数索引来访问元素，索引从 0 开始。
• 可以使用负数索引从数组的末尾开始访问元素。

1.3 切片: 

• 切片是一种从数组中提取子数组的方法，可以用于选择数组的一部分。
• 切片的语法是 array[start:stop:step]，其中 start 表示起始索引，stop 表示结束索引（不包括），step 表示步长。

1.4 多维数组: 

• NumPy 支持多维数组，可以是一维、二维或更高维度。
• 多维数组的元素可以通过逗号分隔的索引访问，例如 array[0, 1] 表示访问第一行第二列的元素。

1.5 函数: 

• NumPy 提供了大量用于数值计算的函数，包括数学、统计、线性代数等。
• 一些常用的 NumPy 函数包括 numpy.sum()、numpy.mean()、numpy.std()、numpy.dot() 等。
• NumPy 还支持广播（broadcasting），使得对不同形状的数组进行运算更加灵活。

• Series 是 pandas 中的一维标记数组，类似于 NumPy 数组或 Python 列表，但具有数据标签（索引）。
• Series 由两部分组成，数据部分和索引部分，可以将它看作是一列数据与该列数据的标签。
• 创建 Series 可以使用 pandas.Series() 函数，传入数据列表或 NumPy 数组。

• DataFrame 是 pandas 中的二维数据结构，类似于电子表格或 SQL 表格，它由多个 Series 对象组成，每个 Series 代表一列数据。
• DataFrame 是一个表格，每列可以包含不同类型的数据，但是每列的数据类型必须相同。
• 可以使用 pandas.DataFrame() 函数来创建 DataFrame，传入数据和列标签。

• 索引是 pandas 中非常重要的概念，它用于标识和访问 Series 和 DataFrame 中的数据。
• 可以自定义索引，也可以使用默认整数索引。
• 索引在数据对齐和数据检索中起着关键作用。

• 对齐是 pandas 的一个强大功能，它确保在进行操作时，两个对象的索引正确对齐，从而避免数据混乱或错误。
• 当对两个具有不同索引的 Series 或 DataFrame 执行操作时，pandas 会自动对齐它们的数据。

• pandas 提供了丰富的函数和方法，用于数据操作和变换，包括数据的筛选、排序、合并、分组等。
• 一些常用的 pandas 函数包括 head()、tail()、info()、describe()、groupby() 等。

• pandas 支持对数据进行统计分析，包括计算均值、中位数、标准差、最大值、最小值等。
• 可以使用 mean()、median()、std()、max()、min() 等函数来执行这些统计操作。

• 数据清洗是数据预处理的重要步骤，用于处理数据中的错误、缺失值、重复项和不一致性。
• 常见的数据清洗任务包括删除重复行、填充缺失值、修复数据类型、处理异常值等，以确保数据质量。

• 层次化索引是 pandas 中的一项高级功能，允许在一个轴上拥有多个索引级别。
• 这使得数据可以以更复杂的方式进行组织和检索，特别适用于处理多维数据，如多维时间序列数据。

• 数据连接是将多个数据集合并为一个数据集的过程，通常根据某些共享的列（键）进行连接。
• 常见的数据连接操作包括内连接、左连接、右连接和外连接，可以使用 pandas 的 merge() 函数执行这些操作。

• 数据合并通常指的是将多个数据集水平合并，即在列方向上合并数据。
• pandas 提供了 concat() 函数用于在不同数据集之间执行数据合并。

• 分组聚合是将数据分成不同的组，并对每个组应用聚合函数（如求和、平均值、计数等）的过程。
• 可以使用 groupby() 函数将数据按照某个列或多个列进行分组，并应用聚合函数来生成汇总信息。

• 轴向旋转是重新组织数据的操作，通常涉及将数据从长格式（长表）转换为宽格式（宽表）或反之。
• 可以使用 pivot()、melt()、stack()、unstack() 等函数来执行轴向旋转操作。

• Matplotlib 是 Python 中最流行和最基础的数据可视化库之一，用于创建各种静态、交互式和动态的图表和图形。
• 它提供了广泛的绘图功能，包括散点图、折线图、柱状图、饼图、热力图等。
• Matplotlib 的绘图方式相对底层，需要用户手动设置图形的各个属性，因此有一定的学习曲线。
• 通常与 Jupyter Notebook 等环境结合使用，用于数据探索和可视化。
• 📚资源>>>

• Seaborn 是建立在 Matplotlib 之上的高级数据可视化库，旨在简化创建漂亮和信息丰富的统计图表。
• 它提供了高级别的 API，可以轻松绘制各种统计图，包括分布图、箱线图、热力图、回归图等。
• Seaborn 的样式和颜色调色板使得创建吸引人的可视化更加容易，而不需要大量的自定义设置。
• 适用于数据分析、探索性数据分析（EDA）和报告生成。

• Pyecharts 是一个基于 Echarts 的 Python 可视化库，它提供了一种简单的方式来创建交互式数据可视化。
• Echarts 是一种流行的 JavaScript 图表库，Pyecharts 允许 Python 用户轻松利用 Echarts 的功能。
• Pyecharts 支持多种图表类型，包括折线图、柱状图、散点图、地图等，以及自定义主题和样式。
• 它适用于需要在 Web 应用程序中嵌入交互式图表的场景。