PythonAI算法
Python 数据分析学习路线总结
Python 数据分析学习路径涵盖数据分析思维（金字塔原理、MECE 法则）、数据获取与存储（SQL、爬虫、Hadoop）、数据清洗（异常值、缺失值处理）、Python 核心语法、Excel 应用、Pandas 预处理、统计与机器学习建模、数据可视化（Matplotlib）以及数据挖掘技术（决策树、贝叶斯、XGBoost）。旨在为学习者提供系统化的知识框架，帮助掌握从数据获取到建模分析的全流程技能。
Python 数据分析学习路径涵盖数据分析思维（金字塔原理、MECE 法则）、数据获取与存储（SQL、爬虫、Hadoop）、数据清洗（异常值、缺失值处理）、Python 核心语法、Excel 应用、Pandas 预处理、统计与机器学习建模、数据可视化（Matplotlib）以及数据挖掘技术（决策树、贝叶斯、XGBoost）。旨在为学习者提供系统化的知识框架，帮助掌握从数据获取到建模分析的全流程技能。
数据分析是必备技能。本文总结 Python 数据分析的学习大纲，涵盖思维、获取、存储、清理、核心知识、Excel、Pandas、建模、可视化及挖掘等方面。
数据分析属于分析思维的一个子类，有专门的数据方法论。只有先养成正确的分析思维，才能使用好数据。
大多数人的思维方式都依赖于生活和经验做出直觉性的判断，最直观的体现是，在数据和业务分析中有时无从下手。
用两张图片说明两种思维模式：
麦肯锡思维中很重要的一条原理叫做金字塔原理，它的核心是层次化思考、逻辑化思考、结构化思考。
任何一件事情都有一个中心论点，中心论点可以划分成 3～7 个分论点，分论点又可以由 3～7 个论据支撑。层层拓展，这个结构由上至下呈金字塔状。
（图示：金字塔结构）
金字塔原理有一个核心法则 MECE，全称 Mutually Exclusive Collectively Exhaustive，论点相互独立，尽可能多的列举。
首先得有一个思考作为开始。因为金字塔是从上而下，需要有一个中心论点，也就是塔尖。我们可以先提出一个问题，比如此产品的核心功能是某某功能吗？
以上节选的两个分析思维，都能在麦肯锡问题分析与解决技巧中找到原型。
各个公司都可能有自己专属的大数据平台，进入公司要首先掌握如何从这上面获取我们需要的业务数据。
合作企业或公司购买的服务接口，我们可以直接调用拿到数据。
python 的常用包：
requests 库就是用来进行网络请求的，说白了就是模拟浏览器来获取资源。
由于我们采集的是 api 接口，它的格式为 json，所以要用到 json 库来解析。
BeautifulSoup 是用来解析 html 文档的，可以很方便的帮我们获取指定 div 的内容。
groupby, aggregate, join 操作。
join 操作可参考相关技术文档。
大数据架构，分布式存储，详细自行查阅。
这个大家应该都不陌生。
拉链表的知识大家需要好好理解体会，dp 的状态 active 和 history。
我们在拿到需要分析的数据后，千万不要急于立刻开始做回归、分类、聚类分析。
第一步应该是认真理解业务数据，可以试着理解去每个特征，观察每个特征，理解它们对结果的影响程度。
然后，慢慢研究多个特征组合后，它们对结果的影响。
如果这些数据类型不是算法部分期望的数据类型，你还得想办法编码成想要的。比如常见的数据自增列 id 这类数据，是否有必要放到你的算法模型中，因为这类数字很可能被当作数字读入。
某些列的取值类型，虽然已经是数字了，它们的取值大小表示什么含义你也要仔细捉摸。因为，数字的相近相邻，并不一定代表另一种层面的相邻。
统计中国家庭人均收入时，如果源数据里面，有王建林，马云等这种富豪，那么，人均收入的均值就会受到极大的影响，这个时候最好，绘制箱形图，看一看百分位数。
现实生产环境中，拿到的数据恰好完整无损、没有任何缺失数据的概率，和买彩票中将的概率差不多。
数据缺失的原因太多了，业务系统版本迭代，之前的某些字段不再使用了，自然它们的取值就变为 null 了；再或者，压根某些数据字段在抽样周期里，就是没有写入数据……
理论和实际总是有差距，理论上很多算法都存在一个基本假设，即数据分布总是均匀的。这个美好的假设，在实际中，真的存在吗？很可能不是！
算法基于不均衡的数据学习出来的模型，在实际的预测集上，效果往往差于训练集上的效果，这是因为实际数据往往分布得很不均匀，这时候就要考虑怎么解决这些问题。
Python 是解释型语言，对于 Python 刚刚入门的小伙伴，可能对解释性有些疑惑。不过，没关系，我们可以通过大家已经熟悉的编译型语言，来帮助我们理解 Python 的解释性。
编译型语言，如 C++、Java，它们会在编译阶段做类型匹配检查等，因此，数据类型不匹配导致的编译错误，在编译阶段就会被检查出来，例如：
# Java/C++ 示例对比
int a = 0;
double b = 0.0;
// a = b; // 编译报错：类型不匹配
但是，Python 就不会在编译阶段做类型匹配检查，比如，Python 实现上面的几行语句，会这样写：
a = 0 # 不做任何类型声明
b = 0.0
a = b # 这种赋值，Python 会有问题吗？
答案是不会的。此处就体现了 Python 的解释特性，当我们把 0 赋值给 a 时，Python 解释器会把它 a 解释为 int 型，可以使用内置函数 type(variable) 显示地检查 variable 的类型：
In [70]: type(a)
Out[70]: int
In [69]: type(b)
Out[69]: float
In [71]: a = b # 在把 float 型 b 赋值给 a 后，a 就被解释为 float
In [72]: type(a)
Out[72]: float
在把 float 型 b 赋值给 a 后，a 就被解释为 float。
深拷贝和浅拷贝的区别。
如何灵活使用。
闭包问题。
如果介绍 Python 入门，不介绍函数的位置参数 (positional argument) 和关键字参数 (keyword argument)，总是感觉缺少点什么，它们在 Python 函数中到处可见，理解和使用它们，为我们日后深入 Python 打下坚实的根基。
大家自行查阅学习。
广播发生的条件。
首先，入门数据分析需要必备一些统计学的基本知识，在这里我们简单列举几个入门级的重要概念。概率，平均值，中位数，众数，四分位数，期望，标准差，方差。在这些基本概念上，又衍生出的很多重要概念，比如协方差，相关系数等。
这一系列常用的统计指标，都在强大的数据分析包 Pandas 中实现了，非常方便。
说统计学是一种基于事实的演绎学问，它是严谨的，可以给出确切解释的。
不过，机器学习就不一样了，它是一门归纳思想的学问，比如深度学习得出的模型，你就很难解释其中的具体参数为什么取值为某某某。它的应用在于可以提供一种预测，给我们未来提供一种建设性的指导。
数据分析师需要了解机器学习的基本理论、常见的那十几种算法，这样对于我们做回归、分类、聚类分析，都是不可缺少的。
三个假定是？ 如何建立线性回归模型？ 最大似然估计求参数？ 梯度下降求解优化问题？ 手写不调包实现的 5 个算子 手写不调包实现的整体算法框架
一般来说，特征工程大体上可以分为三个方面，一是特征构造，二是特征选择，三是特征生成。
拿使用较多的 matplotlib 为例，整个图像为一个 Figure 对象，在 Figure 对象中可以包含一个或多个 Axes 对象，每个 Axes 对象都是一个拥有自己坐标系统的绘图区域。
Axes 由 xaxis, yaxis, title, data 构成，xaxis 由坐标轴的线，tick 以及 label 构成。
（图示：Matplotlib 绘图示例）
（此处省略具体代码，建议查阅官方文档）
学习正则表达式语法，主要就是学习元字符以及它们在正则表达式上下文中的行为。常见的元字符比如普通字符、标准字符、特殊字符、限定字符（又叫量词）、定位字符（也叫边界字符）。
决策树 对决策树剪枝 sklearn 分类和回归 提炼出分类器算法
朴素贝叶斯分类器：例子解释 朴素贝叶斯分类：拉普拉斯修正 单词拼写纠正器 python 实现 半朴素贝叶斯分类
XGBoost 思想 XGBoost 模型构造 XGBoost 安装及实战应用
一文了解自然语言处理的每个范畴用到的核心技术，难点和热点 NLP 入门：CNN, RNN 应用文本分类，个性化搜索，苹果和乔布斯关系抽取
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online