學習自然語言必須依靠實踐，學習計算機語言也一樣。
《Python：數據科學的手段（第2版）/數據分析與應用叢書》不采用詳盡的使用手冊式教學，而是通過實踐幫助讀者學會Python編程語言。如果你想開始學習Python，《Python：數據科學的手段（第2版）/數據分析與應用叢書》是一個良好的開端。
《Python：數據科學的手段（第2版）/數據分析與應用叢書》比第1版增加了一倍的篇幅，內容選擇和編排都有較大改動。
《Python：數據科學的手段（第2版）/數據分析與應用叢書》四個部分共12章，首部分基礎，包括第1章軟件準備、第2章Python基礎知識、第3章類和子類簡介；第二部分基本模塊，包括第4章numpy模塊、第5章pandas模塊、第6章matplotlib模塊、第7章scipy模塊；第三部分編程思維訓練，包括第8章基本編程訓練、第9章若干計算方法的編程訓練；第四部分數據科學，包括第10章探索性數據分析及數據準備、第11章有監督學習概論、第12章一些有監督學習模型。

吳喜之 ，北京大學數學力學繫本科，美國北卡羅來納大學統計博士。中國人民大學統計學院教授，博士生導師。曾在美國加利福尼亞大學、北卡羅來納大學以及南開大學、北京大學等多所著名學府執教。

• 
• 
• 
• 

第一部分 基礎

第 1 章 軟件準備
1．1 下載及安裝 Python
1．2 Anaconda 的幾種界面
1．3 下載並安裝所需模塊

第 2 章 Python 基礎知識
2．1 一些基本常識
2．2 數組 (字符串、list、tuple、dict) 及與它們相關的函數和運算
2．3 函數、自定義函數素的計算、循環語句
2．4 偽隨機數模塊： random
2．5 變量的存儲位置
2．6 數據輸入輸出

第 3 章 類和子類簡介
3．1 class
3．2 subclass

第二部分 基本模塊

第 4 章 numpy 模塊
4．1 Numpy 數組的產生
4．2 數據文件的存取
4．3 數組 (包括矩陣) 及有關的運算
4．4 一些線性代數運算
4．5 關於日期和時間
4．6 多項式運算
4．7 向量化函數

第 5 章 pandas 模塊
5．1 數據框的生成和基本性質
5．2 數據框文件的存取
5．3 對素 (行列) 的選擇
5．4 數據框的一些簡單計算
5．5 以變量的值作為條件的數據框操作例子
5．6 添加新變量， 刪除變量、觀測值或改變 index
5．7 數據框文件結構的改變
5．8 數據框文件的合並
5．9 pandas 序列的產生
5．10 pandas 序列的一些性質和計算
5．11 一個例子
5．12 pandas 專門的畫圖命令

第 6 章 matplotlib 模塊
6．1 簡單的圖
6．2 幾張圖同框
6．3 排列幾張圖
6．4 三維圖

第 7 章 scipy 模塊
7．1 存取各種數據文件
7．2 常用的隨機變量的分布及隨機數的產生
7．3 自定義分布的隨機變量及隨機數的產生
7．4 定積分的數值計算 ? ? ? ? ? ? ? ? ? ? 136

第三部分 編程思維訓練

第 8 章 基本編程訓練
8．1 基本編程
8．2 更多的和矩陣有關的編程
8．3 和若干簡單應用有關的編程訓練
8．4 在 Excel 表格之外處理 Excel 數據的訓練

第 9 章 若干計算方法的編程訓練
9．1 Markov 鏈
9．2 Gibbs 抽樣
9．3 EM 算法
9．4 MCMC 的 Metropolis 算法

第四部分 數據科學

第 10 章 探索性數據分析及數據準備
10．1 把數據轉換成常規容易處理的形式
10．2 對數據的簡單數字概括
10．3 描述性圖形概述
10．4 數據的準備

第 11 章 有監督學習概論
11．1 數據科學的核心內容
11．2 有監督學習
11．3 通過兩個案例介紹有監督學習要素

第 12 章 一些有監督學習模型
12．1 線性最小二乘回歸
12．2 Logistic 回歸的二分類方法
12．3 決策樹分類與回歸
12．4 基於決策樹的組合方法： Bagging、隨機森林、HGboost
12．5 人工神經網絡分類與回歸
12．6 k 最近鄰方法分類與回歸
12．7 支持向量機方法分類
12．8 樸素貝葉斯方法分類

Python 是?款?常優秀的通?軟件; 它免費、開源; 它的模塊數?有?萬個, ?且還在飛速增長。Python 是?前?乎所有的知識探索及應?領域的最重要的軟件?具之?。
各個領域對 Python 的?泛需求產?了很多關於 Python 的教科書. 但是, 由於 Python 的應?領域太多, 不同領域對 Python 語?的需求?相徑庭, 每本書可能僅適應於某?類讀者。本書?對的是 (?計算機背景的) 統計、應?數學及數據分析??的師?和實際?作者, ?圖以最簡單的?式讓讀者盡快地掌握 Python 的精髓。本書旨在介紹計算機語?, 因此不應看成是統計教科書, 其中涉及的?些統計內容僅僅是學習 Python 的載體, 所以並不追求統計內容的完整和全?, ?的是向已經有些統計知識的?介紹 Python。
?前世界經濟是被技術驅動的, ?擁有編程技能則是?種優勢.。在科學、技術、?程等??, 有過半的?作是由計算機完成的。對能夠編程的?纔需求遠遠超過供給。 學習編程不僅是社會需要, ?且能夠教會人如何思考。
能不能迅速學會編程, 關鍵在於對其是否感興趣。當然, 從來沒有寫過程序的?不可能事先就有興趣, 但??絕?多數興趣都是後天培養的。對編程的愛好是在編程中培養的。如果你能夠把編程作為一種藝術來欣賞, 作為一種嗜好來實踐, 那麼你的目的就達到了。
在?數據時代的數據分析, 最重要的不是掌握?兩種編程語?, ?是擁有泛型編程能力(也是?種思維?式). 有了這種能?, 語?之間的不同不會造成太多的煩惱。Python 僅僅是?種編程語?, 但對於編程的初學者來說, 卻是?個良好的開端。
?些?說 Python ? R 好學, ?另?些?正相反, 覺得 R 更易掌握。其實, 對於熟悉編程語?的?來說, 學哪?個都很快。它們的區別?體如下: 由於統?的志願團隊管理, R 的語法相對?較?致, 安裝程序包很簡單, ?且很容易找到幫助和?持, 但由於R 主要?於數據分析, 所以?些對於統計不那麼熟悉的?可能覺得對像太專業了。Python 則是?款通?軟件, ? C++ 容易學, 功能並不差, 基於 Python 改進的諸如 Cython 那樣的改進或包裝版軟件運?速度也?常快。但是, Python 沒有統?的團隊管理, 針對不同 Python 版本的模塊?常多。因此對於不同的計算機操作繫統、不同版本的 Python、不同的模塊, ?先遇到的就是安裝問題, 語法習慣也不盡相同。另外, R 軟件的基本語? (即下載 R 之後所裝的基本程序包) 本?就可以應付相當復雜的統計運算, ?相?之下 Python 的統計模型沒有那麼多, 做?些統計分析不如 R 那麼?便, 但從其基本語法所產?的成千上萬的模塊使它?乎可以做任何想做的事情。
學習?然語?必須依靠實踐, ?不能從背單詞和學習語法??。學習計算機語?也是?樣, 本書不采?詳盡的使??冊式教學, ?是通過實踐來學會編程語?。?需要查找某些特定的定義或語法細節, ?絡查詢則是最好的途徑。
本書第?版?第?版增加了?倍的篇幅, 內容選擇和編排都作了?常?的改變。經驗表明, 其中編程思維訓練部分的實踐可以迅速提升讀者的編程能?並逐漸形成編程思維; ?增加的數據科學內容對於編程和對於數據科學的理解都有裨益。

Python是一款非常優秀的通用軟件；它免費、開源；模塊有幾萬個，而且還在飛速增長，Python是目前幾乎所有的知識探索及應用領域的最重要的軟件工具之一。
各個領域對Python的廣泛需求產生了很多關於Python的圖書，但是，由於Python的應用領域太多，不同領域對Python語言的需求大相徑庭，每本書可能僅適應於某一類讀者，本書面對的是（非計算機背景的）統計、應用數學及數據分析方面的師生和實際工作者，力圖以最簡單的方式讓讀者盡快地掌握Python的精髓。
本書旨在介紹計算機語言，因此不應看成統計教科書，其中涉及的一些統計內容僅僅是學習Python的載體，所以本書並不追求統計內容的完整和全面，目的是向具備必要統計知識的讀者介紹Python。
目前世界經濟是被技術驅動的，擁有編程技能是一種優勢，在科學、技術、工程等方面，有過半的工作是由計算機完成的，社會對編程人纔的需求遠遠超過供給，學習編程不僅是社會需要，而且能夠教會人如何思考。
能不能迅速學會編程，關鍵在於對其是否感興趣，當然，從來沒有寫過程序的人不可能事先就有興趣，人生絕大多數興趣都是後天培養的。對編程的愛好是在編程中培養的。如果你能夠把編程作為一種藝術來欣賞，作為一種愛好來實踐，那麼你的目的就達到了。
在大數據時代的數據分析，最重要的不是掌握一兩種編程語言，而是擁有泛型編程能力（也是一種思維方式）。有了這種能力，語言之間的不同不會造成太多的煩惱。Python僅僅是一種編程語言，但對於編程的初學者來說，卻是一個良好的開端。