《Python数据分析基础》深入浅出地介绍了使用Python进行数据分析的全过程，从Python基础知识入手，逐步引导读者理解并操作CSV和Excel文件，再深入到数据库处理技巧，书中不仅限于数据的读取和写入，还涵盖了数据可视化，如图表的制作，使数据的呈现更为直观，作者还特别关注了数据处理的统计学基础，为读者提供了描述性统计和数据建模的实用指南，进阶内容包括脚本的自动化运行，这对于想要提高工作效率的专业人士来说尤其有价值，最终章节鼓励读者将所学应用于实际问题，以及提供了下载指南和练习答案以供自学，这本书是希望通过Python解锁数据分析能力的初学者和中级用户的理想选择，因其实用的内容和逐步的学习路径。
Python数据分析基础电子书封面
读者评价
适合数据分析新手，但需要掌握一定的python语法基础才可以。不然因为作者很粗心，文中有很多小bug。比如，明明说是python3编程，但书中很多代码print没加括号。。。另外，明明是讲解pandas的，但是里面涉及的新函数，语法讲解不清，或者根本就不给介绍。读者要么就得囫囵吞枣，要么就得一遍读，一遍查阅资料才可以。。不然真会把你搞晕。。 唯一的好处就是书中代码都是一遍基础python编，一遍pandas编，让你能明显体会到pandas的好处。这三星是给思路的。 但是作者的责任心真是“呵呵哒。”
可以作为python数据分析入门的第一本书，书中主要讲了csv和excel文件的导入处理，基础内容
想深入应用手中的数据？还是想在上千份文件上重复同样的分析过程？没有编程经验的非程序员们如何能在最短的时间内学会用当今炙手可热的Python语言进行数据分析？
来自Facebook的数据专家Clinton Brownley可以帮您解决上述问题。在他的这本书里，读者将能掌握基本Python编程方法，学会编写出处理电子表格和数据库中的数据的脚本，并了解使用Python模块来解析文件、分组数据和生成统计量的方法。学习基础语法，创建并运行自己的Python脚本，读取和解析CSV文件，读取多个Excel工作表和工作簿，执行数据库操作，搜索特定记录、分组数据和解析文本文件，建立统计图并绘图，生成描述性统计量并估计回归模型和分类模型，在Windows和Mac环境下按计划自动运行脚本。
第一章说实话对于零基础的人来说容易被吓到，成功的从入门到放弃，可以跳过第一章，书内容不错，但是并没有一种循序渐进的感觉。
专业评价
“这本书对于那些使用数据的Python新手来说，是非常有用的学习资源。它的教学风格和附带的例子会帮助用户尽快熟悉Python语言、编程环境和Python生态系统中zui常用的几个软件包。” ——Wes McKinney，pandas库之父
想深入应用手中的数据？还是想在上千份文件上重复同样的分析过程？没有编程经验的非程序员们如何能在zui短的时间内学会用当今炙手可热的Python语言进行数据分析？
来自Facebook的数据专家Clinton Brownley可以帮您解决上述问题。在他的这本书里，读者将能掌握基本Python编程方法，学会编写出处理电子表格和数据库中的数据的脚本，并了解使用Python模块来解析文件、分组数据和生成统计量的方法。
- 学习基础语法，创建并运行自己的Python脚本
- 读取和解析CSV文件
- 读取多个Excel工作表和工作簿
- 执行数据库操作
- 搜索特定记录、分组数据和解析文本文件
- 建立统计图并绘图
- 生成描述性统计量并估计回归模型和分类模型
- 在Windows和Mac环境下按计划自动运行脚本
内容介绍
本书展示如何用Python程序将不同格式的数据处理和分析任务规模化和自动化。主要内容包括：Python基础知识介绍、CSV文件和Excel文件读写、数据库的操作、示例程序演示、图表的创建，等等。
作者简介
Clinton W. Brownley博士，Facebook数据科学家，负责大数据流水线、统计建模和数据可视化项目，并为大型基础设施建设提供数据驱动的决策建议。
目录
- 前言 xi
- 第 1 章 Python 基础 1
- 第 2 章 CSV文件 48
- 第 3 章 Excel 文件 82
- 第 4 章 数据库 118
- 第 5 章 应用程序 147
- 第 6 章 图与图表 175
- 第 7 章 描述性统计与建模 192
- 第 8 章 按计划自动运行脚本 209
- 第 9 章 从这里启航 220
- 附录A 下载指南 236
- 附录B 练习答案 245
- 作者介绍 247
- 封面介绍 247
各种和数据分析相关python库的介绍 1.Numpy： Numpy是python科学计算的基础包，它提供以下功能（不限于此）： (1)快速高效的多维数组对象naarray (2)用于对数组执行元素级计算以及直接对数组执行数学运算的函数 (3)用于读写硬盘上基于数组的数据集的工具 (4)线性代数运算、傅里叶变换，以及随机数生成 (5)用于将C、C++、Fortran代码集成到python的工具 2.pandas pandas提供了使我们能够快速便捷地处理结构化数据的大量数据结构和函数。pandas兼具Numpy高性能的数组计算功能以及电子表格和关系型数据（如SQL）灵活的数据处理能力。它提供了复杂精细的索引功能，以便更为便捷地完成重塑、切片和切块、聚合以及选取数据子集等操作。 对于金融行业的用户，pandas提供了大量适用于金融数据的高性能时间序列功能和工具。 DataFrame是pandas的一个对象，它是一个面向列的二维表结构，且含有行标和列标。 ps.引用一段网上的话说明DataFrame的强大之处： Excel 2007及其以后的版本的最大行数是1048576，最大列数是16384，超过这个规模的数据Excel就会弹出个框框“此文本包含多行文本，无法放置在一个工作表中”。Pandas处理上千万的数据是易如反掌的事情，同时随后我们也将看到它比SQL有更强的表达能力，可以做很多复杂的操作，要写的code也更少。 说了一大堆它的好处，要实际感触还得动手码代码。 3.matplotlib matplotlib是最流行的用于绘制数据图表的python库。 4.Scipy Scipy是一组专门解决科学计算中各种标准问题域的包的集合。 5.statsmodels： 各种模型 ****待学习 6.scikit-learn： machine learning模块，很全 ****待学习
有许多优秀的Python书籍和在线课程，然而我不并不推荐它们中的一些，因为，有些是给大众准备的而不是给那些用来数据分析的人准备的。同样也有许多书是“用Python科学编程”的，但它们是面向各种数学为导向的主题的，而不是成为为了数据分析和统计。不要浪费浪费你的时间去阅读那些为大众准备的Python书籍。
在开始使用Python之前，我对用Python进行数据分析有一个误解：我必须不得不对Python编程特别精通。因此，我参加了Udacity的Python编程入门课程，完成了code academy上的Python教程，同时阅读了若干本Python编程书籍。就这样持续了3个月（平均每天3个小时），我那会儿通过完成小的软件项目来学习Python。敲代码是快乐的事儿，但是我的目标不是去成为一个Python开发人员，而是要使用Python数据分析。之后，我意识到，我花了很多时间来学习用Python进行软件开发，而不是数据分析。
可以作为python数据分析入门的第一本书，书中主要讲了csv和excel文件的导入处理，基础内容，作为Python数据分析基础内容还是不错的。
零编程经验也可学会用Python语言进行数据分析,python基础知识介绍、csv文件和Excel文件读写、数据库操作等。