編程語言只是工具，核心在于你要做什么，很多python的高級(jí)方法和語言特性，前期可以全部不管。

作為數(shù)據(jù)分析和建模，先用python實(shí)現(xiàn)基本的需求，更高級(jí)的用法慢慢掌握，萬事開頭難。

一、掌握基本的數(shù)據(jù)結(jié)構(gòu)和控制流程(1周即可)

基本的數(shù)據(jù)結(jié)構(gòu)：元組、列表、字典。

基本的控制流程：if判斷、for循環(huán)、while循環(huán)。

剩下的事情就是把數(shù)據(jù)存在合適的數(shù)據(jù)結(jié)構(gòu)中，然后使用控制流程操作數(shù)據(jù)。

其實(shí)數(shù)據(jù)操作和sql很像，就是增刪改排序查找，不同數(shù)據(jù)結(jié)構(gòu)有不同的方法，需要掌握，大致知道就好，用多了就熟了。

可以如下百度(示例如下)：python 列表操作

https://www.cnblogs.com/Devilf/p/8039805.html

二、掌握pandas包的數(shù)據(jù)操作(1-2個(gè)月為宜)

python的優(yōu)勢(shì)：包。通過導(dǎo)入包，利用別人封裝好的方法，可以更加高效的處理數(shù)據(jù)。

數(shù)據(jù)處理基本上用pandas就夠了(熟悉之后可以逐步使用numpy、scipy等)，pandas學(xué)習(xí)方法：

1、10 minutes to pandas(http://pandas.pydata.org/pandas-docs/stable/getting_started/10min.html)，官網(wǎng)的入門教程，雖然是英文，但很好讀，花一周堅(jiān)持讀下來，會(huì)對(duì)pandas有很清晰的了解。

2、pandas的核心在于：

將數(shù)據(jù)存儲(chǔ)為dataframe類型，然后基于此數(shù)據(jù)類型進(jìn)行數(shù)據(jù)操作。

常見的數(shù)據(jù)操作有：數(shù)據(jù)輸入輸出、篩選數(shù)據(jù)、groupby數(shù)據(jù)、時(shí)間數(shù)據(jù)操作、數(shù)據(jù)可視化。閱讀官方教程即可：

http://pandas.pydata.org/pandas-docs/stable/getting_started/basics.html

3、閱讀Python for Data Analysis，中文版是：利用Python進(jìn)行數(shù)據(jù)分析。基本是在更加詳細(xì)的介紹如何使用pandas操作數(shù)據(jù)。

三、數(shù)據(jù)建模(長期，難點(diǎn)在于知道應(yīng)該做什么，具體實(shí)現(xiàn)熟了很簡單)

建模常用的包有pytorch、sklearn、tensorflow等，使用sklearn就可以滿足常見建模需求。

事實(shí)上，利用包建模很簡單，基本就是：

1、導(dǎo)入包

2、利用包已實(shí)現(xiàn)的算法fit一下訓(xùn)練數(shù)據(jù)得到model；

3、利用model對(duì)測(cè)試數(shù)據(jù)做個(gè)predict；

4、利用各種模型性能評(píng)價(jià)指標(biāo)評(píng)估m(xù)odel性能。

5、調(diào)整參數(shù)、入模變量等，得到滿足性能指標(biāo)的model。

大量的工作是花費(fèi)在調(diào)參和模型性能指標(biāo)的驗(yàn)證上的，因?yàn)樾阅苤笜?biāo)可以反饋出數(shù)據(jù)本身的特點(diǎn)以及如何更好的調(diào)參得到好的模型。

四、其他

有了基礎(chǔ)后，注意提高自己的代碼效率或者通過不同的方法得到更好的結(jié)果。

可以關(guān)注pythonic方面的文章，會(huì)提高自己的編程能力。

總結(jié)

以上是生活随笔為你收集整理的python数据建模优缺点_Python数据分析\建模入门建议的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。