本文目录一览：
- 1、怎样才能学好python语言？
- 2、python与php的区别 专家解析python与php的四大区别
- 3、Python有哪些技术上的优点？比其他语言好在哪儿？
- 4、数据分析员用python做数据分析是怎么回事，需要用到python中的那些内容，具体是怎么操作的?
- 5、杨淑娟python老师讲得怎么样
- 6、python能做什么
怎样才能学好python语言？
第一：道——明确目标
其实很多人在学习Python之前很少想这个，因为很多人说：现在Python很火呀，所以我么需要学。这个其实跟你自己没有什么关系，例如：你曾经想做一个网站不会开发，现在可以做了，现在Python很火并且你也要学来找工作，未来Python很火，我具备了Python的技能会不错。
在一生中，我们或多或少总会卡到目标上。在一些我们擅长的领域，我们会有明确的目标，并且积极指导别人：亲！干事之前，你要先定目标啊！
王健林的小目标，大家在朋友圈也都看过了，他会定先挣它一个亿。
第二：法——做好你学习Python的系统规划
1.目前市场需求主流的岗位里，你得选择一个其中你目前看来可以学，并且最敢兴趣学习的方向；
2.在方向选择好后，对照招聘网站：拉勾、智联、Boss直聘等网站的岗位要求，进行学习内容的统计与大概的记录；
3.分模块的计划你学习这个模块的时间和完成的大概目标；
4.列出你可能出现的学习误差与为之准备的应对方案；
好了，你发现没有，其实任何学习重要的不是有什么资料，核心是如何学，学多久，有没有时间限制，遇到过自己多次学习某个内容或者其他人学习某个内容，最关键的一点是在起步阶段，开始属于激情期，激情在前面释放越多，后面的持续力就很弱，好了这就是关于学习计划。
废话说多了，那我们来看看一个普适性的学习Python的流程;
1天——下载并安装好学习环境：到网站上下载一个python3.0以上的版本。我建议初学者，不要下载具有IDE功能的集成开发环境，比如Eclipse插件等。
4周——下载一些python的学习文档，比如《简明Python教程》，《笨办法学Python》等等。通过学习语法，掌握python中的关键字语法，函数语法，数学表达式、变量、数据结构、语法等等等
1. 了解Python是什么，都能做些什么？
2. 知道什么是变量、算法、解释器
3. Python基本数据类型
4. 列表和元组的操作方法
5. 字符串操作方法
6. 基本的字典操作方法
7.任何知识它的基础知识都是有些枯燥的，现在我们就可以动手来做一些逻辑层面的东西了。掌握 if、else、elif、while、for、continue、break和列表推导式等这些语句的使用，还有程序中的异常处理。
2周——看完基础后，就是做一些小项目巩固基础，python具备很好的交互学习模式，对于书本上的例子我们可以通过交互平台进行操练，通过练习加深印象，达到学习掌握的目的。
2周——通过以上三个步骤的学习后，我们大致掌握了python的常用方法、关键字用法以及函数语法等。接下去的学习上，我们就可以着手学习常用模块的使用， 比如os,os.path,sys,string模块等。我们可以在交互环境中先熟悉使用其中的函数，如果遇到函数的使用上的问题，可以参考python 安装后的自带chm帮助文件。
2周——为了更好得掌握python，我们的学习不能只是停留在学习一些语法或者api阶段。在此阶段中，我们可以尝试用python解决我们项目中遇到的一 些问题，如果项目不是用python开发的，那我们可以想想能不能用python制作一些项目组可以使用的一些工具（utility），通过这些工具简化 项目组成员的任务，提高我们的工作效率。如果没有项目，我们也可以自己找些题目来自己练习练习。
2周——Python库是Python的精华所在，可以说Python库组成并且造就了Python，Python库是Python开发者的利器，所以学习Python库就显得尤为重要：
2周——经过以上锻炼后，我们的python知识水平肯定是越来越高。接下去的学习，我们就要更上一层楼。为了学以致用，真正能应用于项目开发或产品开发，我 们还必须学习企业应用开发中必须要掌握的网络和数据库的知识。在此的学习就不光是python语言本身的学习了，如果之前没有学习和掌握很网络和数据库知 识，在此阶段我们可以借此机会补习一把。
3周——到此阶段，我们已经是真正入门了。在接下去的工作中，就是要快速地通过我们的所学来服务项目了。在此阶段，我们除了掌握python自带的模块外，我 们最好在掌握一些业界广泛使用的开源框架，比如twisted、peak、django、xml等。通过熟练使用它们，达到闪电开发，大大节省项目宝贵时间。
《Python 核心编程》，介绍了 Python 的一些具体领域的开发方法；
《Python 网络数据采集》，很简单的爬虫入门书；
《利用 Python 进行数据分析》，介绍了 Pandas 和 NumPy 的用法；
《Flask Web 开发》，如何用 Flask 写一个博客。
第三：术——你具体的学习手段
1.每天你计划学习多少时间？例如一天必须学2小时，每天坚持；
2.每个阶段的计划拖延时间不能高于多少时间？
3.如果一个阶段不顺利如何调整？
其实很多时候，并不是资料不够多，而是本身的学习思路和计划出现了问题，那么其实最后学习Python的结果会变成：懂得了很多道理，收集了很多资料，依然学不好Python。
下面我们推荐6本高分书籍给大家，希望大家学习愉快：
1.Python编程：从入门到实践
豆瓣评分：8.8
内容简介：本书是一本针对所有层次的Python 读者而作的Python 入门书。全书分两部分：第一部分介绍用Python 编程所必须了解的基本概念，包括matplotlib、NumPy 和Pygal 等强大的Python 库和工具介绍，以及列表、字典、if 语句、类、文件与异常、代码测试等内容；第二部分将理论付诸实践，讲解如何开发三个项目，包括简单的Python 2D 游戏开发如何利用数据生成交互式的信息图，以及创建和定制简单的Web 应用，并帮读者解决常见编程问题和困惑。
豆瓣书友推荐：很好的入门书，简洁全面，适合小白。learning python之类大砖头太不友好。这本虽然有些地方讲得不深入，但是对新手友好。
————————————————
2."笨办法"学Python
豆瓣评分：8.0
内容简介：本书是一本Python入门书籍，适合对计算机了解不多，没有学过编程，但对编程感兴趣的读者学习使用。这本书以习题的方式引导读者一步一步学习编程，从简单的打印一直讲到完整项目的实现，让初学者从基础的编程技术入手，最终体验到软件开发的基本过程。
Zed Shaw完善了这个堪称世上最好的Python学习系统。只要跟着学习，你就会和迄今为止数十万Zed教过的初学者一样获得成功。
这本书会让你的每一分钟投入都有回报。Python是世界上最强大、最受欢迎的编程语言之一，很快你就会成为一名Python程序员。
豆瓣书友推荐：花了一周的时间看完，在以前的基础上零零碎碎学了一些新的东西，还算是有所收获，但是前面讲的很基础很简单，到ex40之后突然难度增加不是很懂在讲些什么。
————————————————
3.Python学习手册
豆瓣评分：8.1
内容简介：《Python学习手册(第3版)》讲述了：Python可移植、功能强大、易于使用，是编写独立应用程序和脚本应用程序的理想选择。无论你是刚接触编程或者刚接触Python，通过学习《Python学习手册(第3版)》，你可以迅速高效地精通核心Python语言基础。读完《Python学习手册(第3版)》，你会对这门语言有足够的了解，从而可以在你所从事的任何应用领域中使用它。
豆瓣书友推荐：用了两周的时间将这本书啃了一下，还有200多页的电子版没看，但还是忍不住先来评论。既是总结自己，也想帮助别人。
本书总评：
优点：解释详细，例子丰富；关于Python语言本身的讲解全面详尽而又循序渐进不断重复，同时详述语言现象背后的机制和原理；除语言本身，还包含编程实践和设计以及高级主题。
缺点：有些厚；翻译不佳；代码练习题很少；
————————————————
4.Python基础教程
豆瓣评分：8.0
内容简介：本书是经典教程的全新改版，作者根据Python 3.0版本的种种变化，全面改写了书中内容，做到既能“瞻前”也能“顾后”。本书层次鲜明、结构严谨、内容翔实，特别是在最后几章，作者将前面讲述的内容应用到了10个引人入胜的项目中，并以模板的形式介绍了项目的开发过程。本书既适合初学者夯实基础，又能帮助Python程序员提升技能，即使是 Python方面的技术专家，也能从书里找到令你耳目一新的东西。
豆瓣书友推荐：写得挺生动亲民的，很好的入门书。
————————————————
5.Python核心编程
豆瓣评分：8.0
内容简介：学习专业的Python风格、最佳实践和好的编程习惯；
·加强对Python对象、内存模型和Python面向对象特性的深入理解；
·构建更有效的Web、CGI、互联网、网络和其他客户端/服务器架构应用程序及软件；
·学习如何使用Python中的Tkinter和其他工具来开发自己的GUI应用程序及软件；
·通过用C等语言编写扩展来提升Python应用程序的性能，或者通过使用多线程增强I/0相关的应用程序的能力；
·学习Python中有关数据库的API，以及如何在Python中使用各种不同的数据库系统，包括MySQL、Postgres和 SQLite。
豆瓣书友推荐：了解Python语言方方面面的不错选择，虽然版本有些旧，对于较晚接触Py的人来说，一个“副作用”是可以更多地了解Py的过去。
————————————————
6.流畅的Python
豆瓣评分：9.5
内容简介：本书由奋战在Python开发一线近20年的Luciano Ramalho执笔，Victor Stinner、Alex Martelli等Python大咖担纲技术审稿人，从语言设计层面剖析编程细节，兼顾Python 3和Python 2，告诉你Python中不亲自动手实践就无法理解的语言陷阱成因和解决之道，教你写出风格地道的Python代码。
python与php的区别 专家解析python与php的四大区别
1、输出。
Python: print 默认换行，不换行要加逗号。
PHP： echo 可以输出多个变量；print ()只输出一个变量，且成功返回值为1，失败为0；print_r() 只输出数组；die() 先输出，后关机;printf() 格式化输出字符串；var_dump()可以判断一个变量的类型与长度,并输出变量的数。
2、数据类型。
PHP:七个数据类型：String,Integer,Float,Boolean,Array,Object,NULL
Python:五个标准的数据类型：Number,String,List,Tuple,Dictionary 其中包括Numberint,long,float,complex
3、访问权限。
PHP:三种访问权限，由高到低为public,protected,private
Python: _foo代表不能直接访问的类属性，需要通过类提供的接口访问；__foo代表类的私有成员；__foo__特殊方法专用的标识
4、定义变量和方法。
PHP: 弱类型语言，用$定义变量，一般情况下变量引用变量时也要带着$(区别于Java), 在类中定义变量时还要加var ，定义方法时 function test (){} 要用function声明。
Python:弱类型语言，定义变量时直接写，除了访问权限修饰符不需要加别的。定义方法时 def __init__(self,name): 要用def声明，self是必须要加的常量，代表该类的对象，方法体不用{}。
Python有哪些技术上的优点？比其他语言好在哪儿？
Python有哪些技术上的优点
1. 面向对象和函数式
从根本上讲，Python是一种面向对象的语言。它的类模型支持多态、运算符重载和多重继承等高级概念，并且以Python特有的简洁的语法和类型为背景，OOP十分易于使用。事实上，即使你不懂这些术语，仍会发现学习Python比学习其他OOP语言要容易得多。
除了作为一种强大的代码组织和重用手段以外，Python的OOP本质使它成为其他面向对象系统语言的理想脚本工具。例如，通过适当的粘接代码，Python程序可以对C++、Java和C#的类进行子类的定制。
OOP只是Python的一个选择而已，这一点非常重要。即使不能立马成为一个面向对象高手，但你同样可以继续深入学习。就像C++一样，Python既支持面向对象编程也支持面向过程编程的模式。如果条件允许，其面向对象的工具可以立即派上用场。这对策略开发模式十分有用，该模式常用于软件开发的设计阶段。
除了最初的过程式（语句为基础）和面向对象（类为基础）的编程范式，Python在最近几年内置了对函数式编程的支持——一个多数情况下包括生成器、推导、闭包、映射、装饰器、匿名lambda函数和第一类函数对象的集合。这是对其本身OOP工具的补充和替代。
2. 免费
Python的使用和分发是完全免费的。就像其他的开源软件一样，例如，Tcl、Perl、Linux和Apache。你可以从Internet上免费获得Python的源代码。你可以不受限制地复制Python，或将其嵌入你的系统或者随产品一起发布。实际上，如果你愿意的话，甚至可以销售它的源代码。
但请别误会：“免费”并不代表“没有支持”。恰恰相反，Python的在线社区对用户需求的响应和商业软件一样快。而且，由于Python完全开放源代码，提高了开发者的实力，并产生了一个很大的专家团队。
尽管研究或改变一种程序语言的实现并不是对每一个人来说都那么有趣，但是当你知道如果需要的话可以做到这些，该是多么的令人欣慰。你不需要去依赖商业厂商的智慧，因为最终的文档和终极的净土（源码）任凭你的使用。
Python的开发是由社区驱动的，是Internet大范围的协同合作努力的结果。Python语言的改变必须遵循一套规范而有约束力的程序（称作PEP流程），并需要经过规范的测试系统进行彻底检查。正是这样才使得Python相对于其他语言和系统可以保守地持续改进。
尽管Python 2.X和Python 3.X版本之间的分裂有力并蓄意地破坏了这项传统，但通常它仍然体现在Python的这两个系列内部。
3. 可移植
Python的标准实现是由可移植的ANSI C编写的，可以在目前所有主流平台上编译和运行。例如，如今从掌上电脑（PDA）到超级计算机，随处可见 Python的运行。Python可以在下列平台上运行（这里只是部分列表）：
Linux和UNIX系统
微软Windows（所有现代版本）
Mac OS（包括OS X 和经典版）
BeOS、OS/2、VMS和QNX
实时操作系统，例如VxWorks
Cray超级计算机和IBM大型机
运行Palm OS、PocketPC和Linux的PDA
运行 Symbian OS和Windows Mobile 的移动电话
游戏终端和iPod
运行谷歌安卓系统和苹果iOS系统的平板和智能手机
以及更多
除了语言解释器本身以外，Python发行时自带的标准库和模块在实现上也都尽可能地考虑到了跨平台的移植性。此外，Python程序自动编译成可移植的字节码，这些字节码在已安装兼容版本Python的平台上运行的结果都是相同的。
这些意味着Python程序的核心语言和标准库可以在Linux、Windows和其他带有Python解释器的平台上无差别地运行。大多数Python外围接口都有平台相关的扩展（例如COM支持Windows），但是核心语言和库在任何平台都一样。
就像之前我们提到的那样，Python还包含了一个叫作tkinter（Tkinter的2.X版本）的Tk GUI工具包，它可以使Python程序实现功能完整的，无须做任何修改即可在所有主流GUI桌面平台运行的用户图形界面。
4. 功能强大
从语言特性的角度来看，Python是一个混合体。它丰富的工具集使它介于传统的脚本语言（如Tcl、Scheme和Perl）和系统语言（如C、C++和Java）之间。Python提供了所有脚本语言的简单和易用性，并且具有那些在编译语言中才能找到的高级软件工程工具。
不像其他脚本语言不同，这种结合使Python在长期大型的开发项目中十分有用。下面是一些Python工具箱中的工具简介：
动态类型
Python在程序运行过程中跟踪对象的类型，不需要代码中进行关于复杂的类型和大小的声明。事实上，Python中没有类型或变量声明这种做法。因为Python代码不约束数据的类型，它往往自动地应用了一种广义上的对象。
自动内存管理
Python自动为对象分配空间，并且当对象不再使用时将自动撤销空间（“垃圾回收”），当需要时自动扩展或收缩。正如你将学到的，Python能够帮你完成底层的内存管理。
大型程序支持
为了能建立更大规模的系统，Python包含了模块、类和异常等工具。这些工具允许你把系统组织为组件，使用OOP重用并定制代码，并以一种优雅的方式处理事件和错误。前面提到的Python函数式编程工具，提供了实现相同目标的其他方法。
内置对象类型
Python提供了常用的数据结构作为语言的基本组成部分。例如，列表（list）、字典（dictionary）、字符串（string）。我们将会看到，它们灵活并易于使用。例如，内置对象可以根据需求扩展或收缩，可以任意地组织复杂的信息等。
内置工具
为了对以上对象类型进行处理，Python自带了许多强大的标准操作，包括拼接（concatenation）、分片（slice）、排序（sort）和映射（mapping）等。
库工具
为了完成更多特定的任务，Python预置了许多预编码的库工具，从正则表达式匹配到网络都支持。当你掌握了语言本身，就能在应用级的操作中使用Python的库工具。
第三方工具
由于Python是开源的，它鼓励开发者提供Python内置工具之外的预编码工具。你可以在网上找到COM、图像处理、数值编程、XML、数据库访问等许多免费的支持工具。
除了这一系列的Python工具外，Python保持了相当简洁的语法和设计。综合这一切得到的就是一个具有脚本语言所有可用性的强大编程工具。
请点击输入图片描述
5. 可混合
Python程序可以以多种方式轻易地与其他语言编写的组件“粘接”在一起。例如，Python的C语言API可以帮助Python程序灵活地调用C程序。这意味着可以根据需要给Python程序添加功能，或者在其他环境系统中使用Python。
例如，将Python与C或者C++写成的库文件混合起来，使Python成为一个前端语言和定制工具。就像之前我们所提到过的那样，这使Python成为一个很好的快速原型工具；系统可以在开发初期出于速度考虑使用Python实现，然后转移至C，根据不同时期性能的需要逐步实现系统。
6. 相对简单易用
同其他语言（如C++、Java和C#）相比，Python编程对大多数用户来讲出奇得简单。要运行Python程序，你只需简单地键入Python程序并运行就可以了。不需要其他语言（如C或C++）所必需的编译和链接等中间步骤。
Python可立即执行程序，这形成了一种交互式编程体验和不同情况下快速调整的能力，往往在修改代码后几乎能立即看到程序改变后的效果。
当然，开发周期短仅仅是Python易用性的一方面的体现。Python提供了简洁的语法和强大的内置工具。实际上，Python曾被称为“可执行的伪代码”。由于它减少了其他工具常见的复杂性，在实现相同的功能时，Python程序比采用其他流行语言编写的程序更为简单、小巧，也更灵活。
请点击输入图片描述
7. 相对简单易学
这一部分引出了本书的重点：尤其同其他广泛使用的编程语言比较时，Python语言的核心相当简单易学。实际上，如果你是一位有经验的程序员，你可以期望在几天内写出小规模的Python代码，你也许能在几个小时之内习得Python的一招一式，但是你并不能指望在如此短的时间内成为专家（忘掉市面上的那些宣传广告吧）。
当然，掌握任何像今天Python这样的充实主题都不是一件轻松事，我们将在本书的剩余部分致力于此项任务。但是为了掌握Python而进行的真正投资是非常值得的——最终你会获取几乎在每个计算机应用程序领域都适用的编程技能。此外，很多人还发现Python的学习曲线比其他的编程语言更加平缓。
这对于那些想学习语言以在工作中应用的专业人员来说是一个好消息，同样对于那些使用Python层进行定制和控制的系统的终端用户来说，也是一个好消息。如今，许多系统都依赖于这一事实：用户可以在没有或者得到很少支持的情况下就学到足够的Python知识以便当场增删他们的Python定制化代码。
此外，Python还孕育出一群不以编程为生而以编程为乐的用户，他们并不需要掌握全面的软件开发技巧。尽管Python还是有很多高级编程工具，但不论对初学者还是行家来说，Python的核心语言精髓仍是相当简单的。
8. 以Monty Python命名
好的，在讲完这么多技术方面的优势后，我想再揭露一个Python世界里面令人惊奇而保守良好的小秘密。
尽管Python的书和图标中有很多爬行动物，真相却是Python以英国喜剧组“Monty Python”命名——这是BBC 在20世纪70年代喜剧《Monty Python's Flying Circus》的制片方，也是至今仍在流行的少量包括《Monty Python and the Holy Grai》在内的大电影的制片方。Python的最初创作者是Monty Python的粉丝，这同其他许多的软件开发者一样（事实上，这两个领域存在某种对称性……）。
请点击输入图片描述
▲《Python学习手册》书封上的爬行动物
这段有趣的历史无疑增加了Python代码例子的幽默属性。例如，作为一般变量名命名传统的“foo”和“bar”在Python世界中变成了“spam”和“eggs”。而在Python中偶尔出现的“Brian”，“ni”和“shrubbery”表现得也同此类似。它甚至影响了Python的整个社区。
当然了，如果你对这部喜剧非常熟悉，就能体会这其中的笑点，但如果不熟悉则相反。你不必非得熟悉Monty Python这部剧来了解从剧中获得灵感的例子（包括你将在本书中看到的许多例子），但至少你现在知道它们的起源了。（嗨——我已经告诉你啦。）
02
Python和其他语言比较起来怎么样
最后，你也许已经知道了，人们往往将Python与Perl、Tcl和Javat等语言相比较。这部分总结这方面的一些普遍共识。
我想预先表明我个人并不喜欢通过诋毁竞争者来获胜——这在长期是行不通的，而且也不是这里的目的。此外，这并不是一场零和游戏——绝大多数的程序员在他们的职业生涯中都会使用许多语言。尽管如此，编程工具也展示出值得考虑的选择和权衡。毕竟，如果Python没有比它的竞争者提供更多的东西，那么它一开始就不会被人们使用了。
请点击输入图片描述
我们之前已经介绍过性能上的权衡，那么这里重点谈一下功能。尽管下面列举的这些语言也是值得学习和使用的有力工具，但人们通常认为Python：
比Tcl强大。Python强有力地支持“大规模编程”，使其适用于开发大型系统，它的应用程序库也更加丰富。
比Perl更具可读性。Python有着简洁的语法和简单连贯的设计，这反过来使得Python更具可读性和更易于维护，同时有助于减少程序bug。
比Java和C#更简单、更易于使用。Python是一门脚本语言，但Java和C#两者从像C++这样更加大型的OOP系统语言中继承了许多语法和复杂性。
比C++更简单、更易于使用。Python代码比等效的C++代码更加简单，长度只有其五分之一到三分之一。尽管作为脚本语言，Python有时能扮演许多不同的角色。
比C更加简单和高级。Python远离底层硬件架构从而降低了代码复杂性，拥有更好的组织结构，并比C（C++的祖先）更加友善。
比Visual Basic更强大，用途广泛，也更具备跨平台特性。Python是更加广泛使用的更丰富的语言，它的开源本质意味着它不可能被某一个公司所掌控。
比PHP更易懂并且用途更广。Python也用来构建Web站点，但是，它也应用于几乎每个计算机领域，从机器人到电影动画和游戏。
比JavaScript更强大和用途广泛。Python有一个更大的工具集，也并不是牢牢地束缚于Web开发。它也用于科学建模、仪器调试等。
比Ruby更具可读性，并更为人们所接受。Python的语法混乱更少，尤其在较复杂代码中，同时它的OOP对用户和和不太使用OOP的工程中是完全可选的。
比Lua更成熟和受到更广泛关注。Python更加庞大的特性集合和更加扩展的库支持给予其比Lua（一门和Tcl一样的嵌入式“胶水”语言）更加宽广的视野。
比SmallTalk、Lisp和Prolog更不晦涩。Python拥有这类函数式语言的动态品味，但是也拥有开发者和定制系统终端用户都可接受的传统语法。
特别是对不仅仅用于个人扫描文本文件，未来会被人们（包括你在内）读到的程序而言，很多人会发现Python比目前任何可用的脚本或编程语言都划得来。不仅如此，除非你的应用要求最尖端的性能，Python往往是C、C++和Java等系统开发语言的一个不错的替代品：Python代码能够常常实现相同的目标，却会减少很多编写、调试和维护的麻烦。
当然，本文作者从1992年就已经是Python的正式布道者了，所以尽可能接受这些意见吧（其他语言的拥护者的利益可能会受到些损失）。然而，所有这些观点的确代表了投入时间和精力来探索Python的众多开发者的一致看法。
关于作者：Mark Lutz是一位世界级的Python培训讲师。他是Python畅销书籍的作者，同时从1992年起就成为Python社区的引领者，有着30余年的软件开发经验。
本文摘编自《Python学习手册》（原书第5版），经出版方授权发布。
请点击输入图片描述
数据分析员用python做数据分析是怎么回事，需要用到python中的那些内容，具体是怎么操作的?
最近，Analysis with Programming加入了Planet Python。我这里来分享一下如何通过Python来开始数据分析。具体内容如下：
数据导入
导入本地的或者web端的CSV文件；
数据变换；
数据统计描述；
假设检验
单样本t检验；
可视化；
创建自定义函数。
数据导入
1
这是很关键的一步，为了后续的分析我们首先需要导入数据。通常来说，数据是CSV格式，就算不是，至少也可以转换成CSV格式。在Python中，我们的操作如下：
import pandas as pd
# Reading data locally
df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')
# Reading data from web
data_url = ""
df = pd.read_csv(data_url)
为了读取本地CSV文件，我们需要pandas这个数据分析库中的相应模块。其中的read_csv函数能够读取本地和web数据。
END
数据变换
1
既然在工作空间有了数据，接下来就是数据变换。统计学家和科学家们通常会在这一步移除分析中的非必要数据。我们先看看数据（下图）
对R语言程序员来说，上述操作等价于通过print(head(df))来打印数据的前6行，以及通过print(tail(df))来打印数据的后6行。当然Python中，默认打印是5行，而R则是6行。因此R的代码head(df, n = 10)，在Python中就是df.head(n = 10)，打印数据尾部也是同样道理
请点击输入图片描述
2
在R语言中，数据列和行的名字通过colnames和rownames来分别进行提取。在Python中，我们则使用columns和index属性来提取，如下：
# Extracting column names
print df.columns
# OUTPUT
Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object')
# Extracting row names or the index
print df.index
# OUTPUT
Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78], dtype='int64')
3
数据转置使用T方法，
# Transpose data
print df.T
# OUTPUT
0 1 2 3 4 5 6 7 8 9
Abra 1243 4158 1787 17152 1266 5576 927 21540 1039 5424
Apayao 2934 9235 1922 14501 2385 7452 1099 17038 1382 10588
Benguet 148 4287 1955 3536 2530 771 2796 2463 2592 1064
Ifugao 3300 8063 1074 19607 3315 13134 5134 14226 6842 13828
Kalinga 10553 35257 4544 31687 8520 28252 3106 36238 4973 40140
... 69 70 71 72 73 74 75 76 77
Abra ... 12763 2470 59094 6209 13316 2505 60303 6311 13345
Apayao ... 37625 19532 35126 6335 38613 20878 40065 6756 38902
Benguet ... 2354 4045 5987 3530 2585 3519 7062 3561 2583
Ifugao ... 9838 17125 18940 15560 7746 19737 19422 15910 11096
Kalinga ... 65782 15279 52437 24385 66148 16513 61808 23349 68663
78
Abra 2623
Apayao 18264
Benguet 3745
Ifugao 16787
Kalinga 16900
Other transformations such as sort can be done using codesort/code attribute. Now let's extract a specific column. In Python, we do it using either codeiloc/code or codeix/code attributes, but codeix/code is more robust and thus I prefer it. Assuming we want the head of the first column of the data, we have
4
其他变换，例如排序就是用sort属性。现在我们提取特定的某列数据。Python中，可以使用iloc或者ix属性。但是我更喜欢用ix，因为它更稳定一些。假设我们需数据第一列的前5行，我们有：
print df.ix[:, 0].head()
# OUTPUT 0 1243 1 4158 2 1787 3 17152 4 1266 Name: Abra, dtype: int64
5
顺便提一下，Python的索引是从0开始而非1。为了取出从11到20行的前3列数据，我们有
print df.ix[10:20, 0:3]
# OUTPUT
Abra Apayao Benguet
10 981 1311 2560
11 27366 15093 3039
12 1100 1701 2382
13 7212 11001 1088
14 1048 1427 2847
15 25679 15661 2942
16 1055 2191 2119
17 5437 6461 734
18 1029 1183 2302
19 23710 12222 2598
20 1091 2343 2654
上述命令相当于df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。
6
为了舍弃数据中的列，这里是列1(Apayao)和列2(Benguet)，我们使用drop属性，如下：
print df.drop(df.columns[[1, 2]], axis = 1).head()
# OUTPUT
Abra Ifugao Kalinga
0 1243 3300 10553
1 4158 8063 35257
2 1787 1074 4544
3 17152 19607 31687
4 1266 3315 8520
axis 参数告诉函数到底舍弃列还是行。如果axis等于0，那么就舍弃行。
END
统计描述
1
下一步就是通过describe属性，对数据的统计特性进行描述：
print df.describe()
# OUTPUT
Abra Apayao Benguet Ifugao Kalinga
count 79.000000 79.000000 79.000000 79.000000 79.000000
mean 12874.379747 16860.645570 3237.392405 12414.620253 30446.417722
std 16746.466945 15448.153794 1588.536429 5034.282019 22245.707692
min 927.000000 401.000000 148.000000 1074.000000 2346.000000
25% 1524.000000 3435.500000 2328.000000 8205.000000 8601.500000
50% 5790.000000 10588.000000 3202.000000 13044.000000 24494.000000
75% 13330.500000 33289.000000 3918.500000 16099.500000 52510.500000
max 60303.000000 54625.000000 8813.000000 21031.000000 68663.000000
END
假设检验
1
Python有一个很好的统计推断包。那就是scipy里面的stats。ttest_1samp实现了单样本t检验。因此，如果我们想检验数据Abra列的稻谷产量均值，通过零假设，这里我们假定总体稻谷产量均值为15000，我们有：
from scipy import stats as ss
# Perform one sample t-test using 1500 as the true mean
print ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000)
# OUTPUT
(-1.1281738488299586, 0.26270472069109496)
返回下述值组成的元祖：
t : 浮点或数组类型t统计量
prob : 浮点或数组类型two-tailed p-value 双侧概率值
2
通过上面的输出，看到p值是0.267远大于α等于0.05，因此没有充分的证据说平均稻谷产量不是150000。将这个检验应用到所有的变量，同样假设均值为15000，我们有：
print ss.ttest_1samp(a = df, popmean = 15000)
# OUTPUT
(array([ -1.12817385, 1.07053437, -65.81425599, -4.564575 , 6.17156198]),
array([ 2.62704721e-01, 2.87680340e-01, 4.15643528e-70,
1.83764399e-05, 2.82461897e-08]))
第一个数组是t统计量，第二个数组则是相应的p值
END
可视化
1
Python中有许多可视化模块，最流行的当属matpalotlib库。稍加提及，我们也可选择bokeh和seaborn模块。之前的博文中，我已经说明了matplotlib库中的盒须图模块功能。
请点击输入图片描述
2
# Import the module for plotting
import matplotlib.pyplot as plt
plt.show(df.plot(kind = 'box'))
现在，我们可以用pandas模块中集成R的ggplot主题来美化图表。要使用ggplot，我们只需要在上述代码中多加一行，
import matplotlib.pyplot as plt
pd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2
df.plot(kind = 'box')
3
这样我们就得到如下图表：
请点击输入图片描述
4
比matplotlib.pyplot主题简洁太多。但是在本文中，我更愿意引入seaborn模块，该模块是一个统计数据可视化库。因此我们有：
# Import the seaborn library
import seaborn as sns
# Do the boxplot
plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))
请点击输入图片描述
5
多性感的盒式图，继续往下看。
请点击输入图片描述
6
plt.show(sns.violinplot(df, widths = 0.5, color = "pastel"))
请点击输入图片描述
7
plt.show(sns.distplot(df.ix[:,2], rug = True, bins = 15))
请点击输入图片描述
8
with sns.axes_style("white"):
plt.show(sns.jointplot(df.ix[:,1], df.ix[:,2], kind = "kde"))
请点击输入图片描述
9
plt.show(sns.lmplot("Benguet", "Ifugao", df))
END
创建自定义函数
在Python中，我们使用def函数来实现一个自定义函数。例如，如果我们要定义一个两数相加的函数，如下即可：
def add_2int(x, y):
return x + y
print add_2int(2, 2)
# OUTPUT
4
顺便说一下，Python中的缩进是很重要的。通过缩进来定义函数作用域，就像在R语言中使用大括号{…}一样。这有一个我们之前博文的例子：
产生10个正态分布样本，其中和
基于95%的置信度，计算和 ;
重复100次; 然后
计算出置信区间包含真实均值的百分比
Python中，程序如下：
import numpy as np
import scipy.stats as ss
def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
m = np.zeros((rep, 4))
for i in range(rep):
norm = np.random.normal(loc = mu, scale = sigma, size = n)
xbar = np.mean(norm)
low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
if (mu low) (mu up):
rem = 1
else:
rem = 0
m[i, :] = [xbar, low, up, rem]
inside = np.sum(m[:, 3])
per = inside / rep
desc = "There are " + str(inside) + " confidence intervals that contain "
"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
return {"Matrix": m, "Decision": desc}
上述代码读起来很简单，但是循环的时候就很慢了。下面针对上述代码进行了改进，这多亏了 Python专家
import numpy as np
import scipy.stats as ss
def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))
xbar = norm.mean(1)
low = xbar - scaled_crit
up = xbar + scaled_crit
rem = (mu low) (mu up)
m = np.c_[xbar, low, up, rem]
inside = np.sum(m[:, 3])
per = inside / rep
desc = "There are " + str(inside) + " confidence intervals that contain "
"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
return {"Matrix": m, "Decision": desc}
杨淑娟python老师讲得怎么样
杨淑娟python老师讲得好。杨淑娟python老师讲得好是因为：
1、讲课容易理解。杨淑娟python老师是Python技术专家，把晦涩的专业名词生动形象的讲出来，讲课很容易就听懂了。
2、讲课经验丰富。杨淑娟python老师是数据库技术专家，从事了近10年的教育培训，培训学员上万人次，有着丰富的讲课经验，2016被腾讯教育评为教育培训界的“中国好老师”。所以杨淑娟python老师讲得好。
python能做什么
python的用途：
Python的优势有必要作为第一步去了解，Python作为面向对象的脚本语言，优势就是数据处理和挖掘，这也注定了它和AI、互联网技术的紧密联系。
网络爬虫。顾名思义，从互联网上爬取信息的脚本，主要由urllib、requests等库编写，实用性很强，小编就曾写过爬取5w数据量的爬虫。在大数据风靡的时代，爬虫绝对是新秀。
人工智能。AI使Python一战成名，AI的实现可以通过tensorflow库。神经网络的核心在于激活函数、损失函数和数据，数据可以通过爬虫获得。训练时大量的数据运算又是Python的show time。
扩展资料：
Python开发人员尽量避开不成熟或者不重要的优化。一些针对非重要部位的加快运行速度的补丁通常不会被合并到Python内。在某些对运行速度要求很高的情况，Python设计师倾向于使用JIT技术，或者用使用C/C++语言改写这部分程序。可用的JIT技术是PyPy。
Python是完全面向对象的语言。函数、模块、数字、字符串都是对象。并且完全支持继承、重载、派生、多继承，有益于增强源代码的复用性。
Python支持重载运算符和动态类型。相对于Lisp这种传统的函数式编程语言，Python对函数式设计只提供了有限的支持。有两个标准库(functools, itertools)提供了Haskell和Standard ML中久经考验的函数式程序设计工具。
参考资料来源：百度百科-Python