分享程序员开发的那些事...
更新时间：2022-06-22 22:17:56
Python是数据科学职业所需的宝贵技能之一。Python是数据科学的首选编程语言。
数据科学专家预计，随着Python生态系统的不断发展，这一趋势将持续下去。虽然您学习Python编程的过程可能刚刚开始，但就业机会也很丰富，并且还在增长。
据Indeed，数据科学家的平均工资是127,918美元。这个数字预计只会增加。 IBM的专家预测，到2020年，数据科学家的需求将增长28％。
因此，Python数据科学的未来是光明的。
Python编程基础知识及Jupyter Notebook。比如python 3.7极速入门教程：https://china-testing.github.io/python3_quick.html
通过加入社区，您可以将自己置身于志同道合的人群中，并增加就业机会。根据人力资源管理协会的统计，内推占所有雇员的30％。比如扣扣群：630011153 144081101。创建Kaggle帐户。
尝试使用命令行界面：命令行界面(CLI)使您可以更快地运行脚本，从而可以更快地测试程序并处理更多数据。
尝试编写诸如在线游戏的计算器之类的程序，或者从您所在城市的Google获取天气的程序。构建这样的迷你项目将帮助您学习Python。这些编程项目是所有语言的标准，也是巩固您对基础知识理解的好方法。https://china-testing.github.io/practices.html上有不少练习项目。
使用API构建体验并开始Web抓取。除了帮助您学习Python编程之外，Web抓取对于您以后收集数据非常有用。
阅读指南，博客文章，甚至其他人的开源代码，以学习Python和数据科学***实践 - 并获得新的想法。
《Python编程快速上手:让繁琐工作自动化》有很多优秀的实例，在https://china-testing.github.io/python3_quick9.html可以下载，该网址还收集了海量的python书籍。
SQL用于与数据库通信以更改，编辑和重新组织信息。 SQL是数据科学界的重要内容，因为40％的数据科学家报告说它一直在使用它。
与其他一些编程语言不同，在Python中，通常有一种***的方法。用于数据科学的三个***和最重要的Python库是NumPy，Pandas和Matplotlib。
NumPy和Pandas非常适合探索和玩数据。 Matplotlib是数据可视化库，可以生成类似Excel或Google表格中找到的图表。当然还有其他很多优秀的库，请参考：https://github.com/china-testing/python-api-tesing。
Python拥有丰富的专家社区，他们渴望帮助您学习Python。像Quora，Stack Overflow和Dataquest的Slack这样的资源让很多人兴奋地分享他们的知识并帮助你学习Python编程。改变使用百度的不良习惯。尽量使用google、https://www.oscobo.com/等，可以参考https://china-testing.github.io/address.html的搜索引擎收集。
Git是一种流行的工具，可以帮助您跟踪对代码所做的更改，从而更容易纠正错误，实验和与他人协作。类似的有hg。
对于有抱负的数据科学家来说，投资组合是必须的。
这些项目应该包括几个不同的数据集，并且应该给读者留下您已经收集到的有趣见解。您的投资组合不需要特定的主题;找到您感兴趣的数据集，然后想出一种将它们组合在一起的方法。
显示这些项目可以让同行数据科学家们进行合作，并向未来的雇主展示您真正花时间学习Python和其他重要的编程技能。
数据科学的一个好处是，您的投资组合可以兼作简历，同时突出您学到的技能，如Python编程。
通过以下方式启动您的学习：沟通，协作并专注于技术能力
在此期间，您需要确保培养与他人合作所需的软技能，确保您真正了解您正在使用的工具的内部工作原理。
在学习Python用于数据科学的同时，***获得统计学方面的扎实背景。了解统计数据将为您提供专注于正确事物所需的思维模式，因此您将找到有价值的见解（和真正的解决方案），而不仅仅是执行代码。
数据科学之旅将充满不断的学习，但您可以完成高级课程，以确保您已涵盖所有基础。比如回归，分类和k-means聚类模型。您还可以进入机器学习 - 自举模型和使用scikit-learn创建神经网络。
此时，编程项目可以包括使用实时数据源创建模型。这种机器学习模型随着时间的推移调整其预测。
记住：继续学习！
数据科学是一个跨越众多行业的不断发展的领域。
按需求增长的速度，有指数级的学习机会。继续阅读，协作和与他人交谈，随着时间的推移，您一定会保持兴趣和竞争优势。
学习Python需要花费大量时间。具体而言，对于数据科学，估计要3个月到一年。如果需要参加培训，切记能确定老师具备相应的实际技能。不少机构的老师实际都未入门，自学加实际从业高手的指点，是比较快捷的方式。