假如你想成為一個數(shù)據科學家，或者已經是數(shù)據科學家的你想擴展你的技能帖渠，那么你已經來對地方了桑涎。本文的目的就是給數(shù)據分析方面的Python新手提供一個完整的學習路徑。該路徑提供了你需要學習的利用Python進行數(shù)據分析的所有步驟的完整概述逃片。如果你已經有一些相關的背景知識屡拨，或者你不需要路徑中的所有內容只酥，你可以隨意調整你自己的學習路徑，并且讓大家知道你是如何調整的呀狼。
步驟0：熱身
開始學習旅程之前裂允，先回答第一個問題：為什么使用Python？或者哥艇，Python如何發(fā)揮作用绝编？觀看DataRobot創(chuàng)始人Jeremy在PyCon Ukraine 2014上的30分鐘演講，來了解Python是多么的有用貌踏。
步驟1：設置你的機器環(huán)境
現(xiàn)在你已經決心要好好學習了十饥，也是時候設置你的機器環(huán)境了。最簡單的方法就是從Continuum.io上下載分發(fā)包Anaconda祖乳。Anaconda將你以后可能會用到的大部分的東西進行了打包逗堵。采用這個方法的主要缺點是，即使可能已經有了可用的底層庫的更新眷昆，你仍然需要等待Continuum去更新Anaconda包蜒秤。當然如果你是一個初學者，這應該沒什么問題亚斋。
如果你在安裝過程中遇到任何問題作媚，你可以在這里找到不同操作系統(tǒng)下更詳細的安裝說明。
步驟2：學習Python語言的基礎知識
你應該先去了解Python語言的基礎知識伞访、庫和數(shù)據結構掂骏。Codecademy上的Python課程是你最好的選擇之一。完成這個課程后厚掷，你就能輕松的利用Python寫一些小腳本弟灼，同時也能理解Python中的類和對象。
具體學習內容：列表Lists冒黑，元組Tuples田绑，字典Dictionaries，列表推導式抡爹，字典推導式掩驱。任務：解決HackerRank上的一些Python教程題，這些題能讓你更好的用Python腳本的方式去思考問題冬竟。替代資源：如果你不喜歡交互編碼這種學習方式欧穴，你也可以學習谷歌的Python課程。這個2天的課程系列不但包含前邊提到的Python知識泵殴，還包含了一些后邊將要討論的東西涮帘。
步驟3：學習Python語言中的正則表達式
你會經常用到正則表達式來進行數(shù)據清理，尤其是當你處理文本數(shù)據的時候笑诅。學習正則表達式的最好方法是參加谷歌的Python課程调缨，它會讓你能更容易的使用正則表達式疮鲫。
任務：做關于小孩名字的正則表達式練習。
如果你還需要更多的練習弦叶，你可以參與這個文本清理的教程俊犯。數(shù)據預處理中涉及到的各個處理步驟對你來說都會是不小的挑戰(zhàn)。
步驟4：學習Python中的科學庫—NumPy, SciPy, Matplotlib以及Pandas
從這步開始伤哺，學習旅程將要變得有趣了燕侠。下邊是對各個庫的簡介，你可以進行一些常用的操作：
?根據NumPy教程進行完整的練習立莉，特別要練習數(shù)組arrays贬循。這將會為下邊的學習旅程打好基礎。?接下來學習Scipy教程桃序。看完Scipy介紹和基礎知識后烂瘫，你可以根據自己的需要學習剩余的內容媒熊。?這里并不需要學習Matplotlib教程。對于我們這里的需求來說坟比，Matplotlib的內容過于廣泛芦鳍。取而代之的是你可以學習這個筆記中前68行的內容。?最后學習Pandas葛账。Pandas為Python提供DataFrame功能（類似于R）柠衅。這也是你應該花更多的時間練習的地方。Pandas會成為所有中等規(guī)模數(shù)據分析的最有效的工具籍琳。作為開始菲宴，你可以先看一個關于Pandas的10分鐘簡短介紹，然后學習一個更詳細的Pandas教程趋急。您還可以學習兩篇博客Exploratory Data Analysis with Pandas和Data munging with Pandas中的內容喝峦。
額外資源：?如果你需要一本關于Pandas和Numpy的書，建議Wes McKinney寫的“Python for Data Analysis”呜达。?在Pandas的文檔中谣蠢，也有很多Pandas教程，你可以在這里查看查近。
任務：嘗試解決哈佛CS109課程的這個任務眉踱。
步驟5：有用的數(shù)據可視化
參加CS109的這個課程。你可以跳過前邊的2分鐘霜威，但之后的內容都是干貨谈喳。你可以根據這個任務來完成課程的學習。
步驟6：學習Scikit-learn庫和機器學習的內容
現(xiàn)在侥祭，我們要開始學習整個過程的實質部分了叁执。Scikit-learn是機器學習領域最有用的Python庫茄厘。這里是該庫的簡要概述。完成哈佛CS109課程的課程10到課程18谈宛，這些課程包含了機器學習的概述次哈，同時介紹了像回歸、決策樹吆录、整體模型等監(jiān)督算法以及聚類等非監(jiān)督算法窑滞。你可以根據各個課程的任務來完成相應的課程。
額外資源：
?如果說有那么一本書是你必讀的恢筝，推薦Programming Collective Intelligence哀卫。這本書雖然有點老，但依然是該領域最好的書之一撬槽。?此外此改，你還可以參加來自Yaser Abu-Mostafa的機器學習課程，這是最好的機器學習課程之一侄柔。如果你需要更易懂的機器學習技術的解釋共啃，你可以選擇來自Andrew Ng的機器學習課程，并且利用Python做相關的課程練習暂题。?Scikit-learn的教程
任務：嘗試Kaggle上的這個挑戰(zhàn)
步驟7：練習移剪，練習，再練習
恭喜你薪者，你已經完成了整個學習旅程纵苛。
你現(xiàn)在已經學會了你需要的所有技能。現(xiàn)在就是如何練習的問題了言津，還有比通過在Kaggle上和數(shù)據科學家們進行競賽來練習更好的方式嗎攻人？深入一個當前Kaggle上正在進行的比賽，嘗試使用你已經學過的所有知識來完成這個比賽纺念。
步驟8：深度學習
現(xiàn)在你已經學習了大部分的機器學習技術贝椿，是時候關注一下深度學習了。很可能你已經知道什么是深度學習陷谱，但是如果你仍然需要一個簡短的介紹烙博，可以看這里。
我自己也是深度學習的新手烟逊，所以請有選擇性的采納下邊的一些建議渣窜。deeplearning.net上有深度學習方面最全面的資源，在這里你會發(fā)現(xiàn)所有你想要的東西—講座宪躯、數(shù)據集乔宿、挑戰(zhàn)、教程等访雪。你也可以嘗試參加Geoff Hinton的課程详瑞，來了解神經網絡的基本知識掂林。
附言：如果你需要大數(shù)據方面的庫，可以試試Pydoop和PyMongo坝橡。大數(shù)據學習路線不是本文的范疇泻帮，是因為它自身就是一個完整的主題。