當我在2011年和2012年寫作本書的第一版時，可用的學習Python數(shù)據(jù)分析的資源很少。這部分上是一個雞和蛋的問題：我們現(xiàn)在使用的庫，比如pandas、scikit-learn和statsmodels，那時相對來說并不成熟。2017年，數(shù)據(jù)科學、數(shù)據(jù)分析和機器學習的資源已經(jīng)很多，原來通用的科學計算拓展到了計算機科學家、物理學家和其它研究領(lǐng)域的工作人員。學習Python和成為軟件工程師的優(yōu)秀書籍也有了。

因為這本書是專注于Python數(shù)據(jù)處理的，對于一些Python的數(shù)據(jù)結(jié)構(gòu)和庫的特性難免不足。因此，本章和第3章的內(nèi)容只夠你能學習本書后面的內(nèi)容。

在我來看，沒有必要為了數(shù)據(jù)分析而去精通Python。我鼓勵你使用IPython shell和Jupyter試驗示例代碼，并學習不同類型、函數(shù)和方法的文檔。雖然我已盡力讓本書內(nèi)容循序漸進，但讀者偶爾仍會碰到?jīng)]有之前介紹過的內(nèi)容。

本書大部分內(nèi)容關(guān)注的是基于表格的分析和處理大規(guī)模數(shù)據(jù)集的數(shù)據(jù)準備工具。為了使用這些工具，必須首先將混亂的數(shù)據(jù)規(guī)整為整潔的表格（或結(jié)構(gòu)化）形式。幸好，Python是一個理想的語言，可以快速整理數(shù)據(jù)。使用Python越熟練，越容易準備新的數(shù)據(jù)集以進行分析。

本書中使用的工具最好在IPython和Jupyter中親自嘗試。當你學會了如何啟用Ipython和Jupyter，我建議你跟隨示例代碼進行練習。與任何鍵盤驅(qū)動的操作環(huán)境一樣，記住常見的命令也是學習曲線的一部分。

筆記：本章沒有介紹Python的某些概念，如類和面向?qū)ο缶幊蹋憧赡軙l(fā)現(xiàn)它們在Python數(shù)據(jù)分析中很有用。
為了加強Python知識，我建議你學習官方Python教程，https://docs.python.org/3/，或是通用的Python教程書籍，比如：

• Python Cookbook，第3版，David Beazley和Brian K. Jones著（O’Reilly）

• 流暢的Python，Luciano Ramalho著 (O’Reilly)

• 高效的Python，Brett Slatkin著 (Pearson)

閱讀全文：http://t.cn/Run6HHo