#Python數(shù)據(jù)分析學(xué)習(xí)路線
一、數(shù)據(jù)獲取
1、從公開數(shù)據(jù)源
UCI：加州大學(xué)歐文分校開放的經(jīng)典數(shù)據(jù)集，真的很經(jīng)典，被很多機(jī)器學(xué)習(xí)實(shí)驗(yàn)室采用。
http://archive.ics.uci.edu/ml/datasets.html
國家數(shù)據(jù)：數(shù)據(jù)來源于中國國家統(tǒng)計(jì)局，包含了我國經(jīng)濟(jì)民生等多個(gè)方面的數(shù)據(jù)。
http://data.stats.gov.cn/index.htm
CEIC：超過128個(gè)國家的經(jīng)濟(jì)數(shù)據(jù)，能夠精確查找GDP、CPI、進(jìn)出口以及國際利率等深度數(shù)據(jù)。
https://www.ceicdata.com/zh-hans
中國統(tǒng)計(jì)信息網(wǎng)：國家統(tǒng)計(jì)局的官方網(wǎng)站，匯集了海量的全國各級(jí)政府各年度的國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)信息。
http://www.tjcn.org/
政務(wù)數(shù)據(jù)網(wǎng)站：現(xiàn)在各個(gè)省都在很大程度上地開放政務(wù)數(shù)據(jù)，比如北京、上海、廣東、貴州等等，都有專門的數(shù)據(jù)開放網(wǎng)站，搜索比如“北京政務(wù)數(shù)據(jù)開放”。
2、網(wǎng)絡(luò)爬蟲
通過爬蟲獲取數(shù)據(jù)
3、其他數(shù)據(jù)獲取方式
如果你暫時(shí)不會(huì)爬蟲，但又有采集數(shù)據(jù)的需求，可以嘗試各種采集軟件，不需要編程知識(shí)也可以輕松爬取信息，比如火車頭、八爪魚等。很多數(shù)據(jù)競(jìng)賽網(wǎng)站也會(huì)公開不錯(cuò)的數(shù)據(jù)集，比如國外的Kaggle，國內(nèi)的DataCastle、天池。這些數(shù)據(jù)都是真實(shí)的業(yè)務(wù)數(shù)據(jù)，且規(guī)模通常不小，可以經(jīng)常去搜集和整理。
推薦數(shù)據(jù)匯總資源：
數(shù)據(jù)獲取方式匯總? https://dwz.cn/Q44MsDkH
二、數(shù)據(jù)存儲(chǔ)與提?。ㄒ訫ySQL為例）
1、【數(shù)據(jù)庫】數(shù)據(jù)庫連接、創(chuàng)建、刪除、查看、選擇
https://www.runoob.com/python/python-mysql.html
2、【數(shù)據(jù)增刪改】創(chuàng)建表、刪除表、修改表、插入行、刪除行、更新行
https://blog.csdn.net/qq_36761831/article/details/83245727
3、【數(shù)據(jù)查詢】之基礎(chǔ)查詢
https://www.cnblogs.com/wangwei13631476567/p/8999429.html
4、【數(shù)據(jù)查詢】之子查詢
https://blog.csdn.net/weixin_44699728/article/details/90320104
5、【排序與索引】之排序語句
https://www.runoob.com/mysql/mysql-order-by.html
6、【排序與索引】之索引：創(chuàng)建索引、添加索引、建表時(shí)指定索引、刪除索引
https://www.runoob.com/mysql/mysql-index.html
三、數(shù)據(jù)清洗與預(yù)分析（以Pandas框架為例）
1、【生成數(shù)據(jù)表】之?dāng)?shù)據(jù)讀取
https://blog.csdn.net/weixin_42223833/article/details/92841384
2、【生成數(shù)據(jù)表】之創(chuàng)建數(shù)據(jù)表
https://blog.csdn.net/mengenqing/article/details/80548208
3、【數(shù)據(jù)查看】之基本信息
https://blog.csdn.net/qq1195365047/article/details/88561518
4、【數(shù)據(jù)查看】之查看空值和唯一值
https://blog.csdn.net/starter_____/article/details/79184196
5、【數(shù)據(jù)查看】之查看前/后 10行
http://sofasofa.io/forum_main_post.php?postid=1004019
6、【數(shù)據(jù)清洗】之缺失值處理
https://blog.csdn.net/lwgkzl/article/details/80948548
7、【數(shù)據(jù)清洗】之字符處理
https://www.cnblogs.com/gloria-zhang/p/10696307.html
8、【數(shù)據(jù)清洗】之重復(fù)值處理
https://www.cnblogs.com/hankleo/p/11462532.html
9、【數(shù)據(jù)預(yù)處理】之?dāng)?shù)據(jù)表合并
https://blog.csdn.net/qq_42413820/article/details/80780886
10、【數(shù)據(jù)預(yù)處理】之排序
https://blog.csdn.net/sinat_29957455/article/details/78993732
11、【數(shù)據(jù)提取】之loc和iloc
https://blog.csdn.net/jiangjiang_jian/article/details/81038638
12、【數(shù)據(jù)提取】之ix
https://blog.csdn.net/anshuai_aw1/article/details/82801435
13、【數(shù)據(jù)統(tǒng)計(jì)】之采樣
https://blog.csdn.net/u013069552/article/details/88935644
14、【數(shù)據(jù)統(tǒng)計(jì)】之匯總
https://www.cnblogs.com/zhanghongfeng/p/8438891.html
四、Numpy框架
1、【數(shù)組】之創(chuàng)建數(shù)組
https://blog.csdn.net/qq_28893679/article/details/80969005
2、【數(shù)組】之切片和索引
https://www.cnblogs.com/sunshinewang/p/6882031.html
3、【數(shù)組】之?dāng)?shù)組操作
https://blog.csdn.net/somilong/article/details/79065847
4、【函數(shù)】之字符串函數(shù)
https://blog.csdn.net/phinoo/article/details/89678395
5、【函數(shù)】之?dāng)?shù)學(xué)函數(shù)
https://blog.csdn.net/mooneve/article/details/80156316
6、【函數(shù)】之統(tǒng)計(jì)函數(shù)
https://blog.csdn.net/weixin_44056331/article/details/89949742
五、數(shù)據(jù)分析統(tǒng)計(jì)
【描述性分析】之統(tǒng)計(jì)學(xué)基礎(chǔ)：均值，中位數(shù)、眾數(shù)、百分位數(shù)、極值
【描述性分析】之統(tǒng)計(jì)學(xué)基礎(chǔ)：偏度、方差、標(biāo)準(zhǔn)差、顯著性
【描述性分析】之統(tǒng)計(jì)學(xué)基礎(chǔ)：總體和樣本，參數(shù)和統(tǒng)計(jì)量，ErrorBar
【描述性分析】之統(tǒng)計(jì)學(xué)基礎(chǔ)：概率分布和假設(shè)檢驗(yàn)，各種分布，假設(shè)檢驗(yàn)流程
【描述性分析】之統(tǒng)計(jì)學(xué)基礎(chǔ)：條件概率，貝葉斯
【探索性分析及可視化】之直方圖
【探索性分析及可視化】之條形圖
【探索性分析及可視化】之計(jì)數(shù)圖
【探索性分析及可視化】之散點(diǎn)圖
【探索性分析及可視化】之箱線圖
【探索性分析及可視化】之回歸圖
【探索性分析及可視化】之熱力圖
【預(yù)測(cè)性分析】之基本算法模型《回歸》：一元線性回歸
【預(yù)測(cè)性分析】之基本算法模型《回歸》：多重線性回歸
【預(yù)測(cè)性分析】之基本算法模型《回歸》：邏輯回歸
【預(yù)測(cè)性分析】之基本算法模型《分類》：決策樹
【預(yù)測(cè)性分析】之基本算法模型《分類》：樸素貝葉斯
【預(yù)測(cè)性分析】之基本算法模型《分類》：KNN
【預(yù)測(cè)性分析】之基本算法模型《聚類》：Kmeans
【預(yù)測(cè)性分析】之基本算法模型《聚類》：密度聚類
推薦看，可汗學(xué)院的公開課-統(tǒng)計(jì)學(xué)：
http://open.163.com/movie/2011/6/6/0/M82IC6GQU_M83J9IK60.html
