即便在同一领域里，从软件开发转向算法，也不是一件很容易的事情。我经历过这种转型，期间迷茫过、浮躁过。
后来发现，光看书不行，把每日所学记录下来，感觉学的比较快。通过记录，驱动我思考，帮助我了解哪些是真懂，哪些是理解不透的。
后来，几乎每两天就将每日所学，总结成一篇原创技术文，发在公众号里，现在已经有 260 多篇了。也很幸运，成功转方向。
在我回头看总结的这些文章时，我发现显得有些零散，这让我有了一个念头，写个系统的入门教程吧，尽量系统。
有了想法，就要行动起来。最近这段时间，我利用周末时间，结合这几年的工作经历，系统地总结了 「Python 数据分析的入门学习路线和技术」，今天终于完成了。
整篇入门教程的文件信息如下，总长度为 5 万多字。
入门教程的大纲，如下所示：
-
0 我们离不开数据分析
-
1 数据分析入门学习路线
-
1.1 统计学基本知识
-
1.2 机器学习基本算法
-
1.3 编程语言及工具
-
2 数据分析重头戏之数据整理
-
2.1 理解你的业务数据
-
2.2 明确各个特征的类型
-
2.3 找出异常数据
-
2.4 不得不面对缺失值
-
2.5 令人头疼的数据不均衡
-
3 Python 入门必备知识
-
3.3.1 对象上的特殊函数
-
3.3.2 列表生成式
-
3.3.3 位置参数和关键字参数
-
3.2.1 list 核心知识
-
3.2.2 dict 核心知识
-
3.2.3 tuple 和 set 简介
-
3.1 解释型Vs编译型
-
3.2 Python 最常用的对象
-
3.3 Python 入门必备知识点
-
4 NumPy 入门必备知识
-
4.1 ndarray 对象
-
4.2 NumPy 的向量化增强
-
4.3 NumPy 的传播机制
-
5 Pandas 数据分析必备入门知识
-
5.2.1 创建 DataFrame
-
5.2.1 增加数据
-
5.2.2 删除数据
-
5.2.3 修改数据
-
5.2.4 访问数据
-
5.1.1 创建Series
-
5.1.2 增加元素
-
5.1.3 删除元素
-
5.1.3 修改元素
-
5.1.4 访问元素
-
5.1 类一维数组 Series
-
5.2 类二维数组 DataFrame
-
5.3 必备的 20 个统计学函数
-
5.4 必备的缺失值处理技巧
-
5.5 必备的数据透视处理函数
-
6 Matplotlib
-
6.1 必备的绘图理论知识
-
6.2 绘图必备 100 行代码
-
7 机器学习线性回归模型
-
7.1 11 个必备基本概念
-
7.2 三 个假定
-
7.3 建立线性回归模型
-
7.４ 最大似然估计求参数
-
7.5 梯度下降求解优化问题
-
7.6 手写不调包实现的 5 个算子
-
7.7 手写不调包实现的整体算法框架
-
8 面试及资料分享
-
8.1.1 一 面
-
8.1.2 二 面
-
8.1.3 三面
-
8.1 数据挖掘工程师面试实录
-
8.2 推荐哈佛大学数据分析课程
-
9 总结
简短介绍下自己：
参与方式：长按下图即可转到链接。
长按二维码参与
这个 chat 教程，花费了我很多心血。大家觉得有需要的，参与支持下。两人组团每人只需要 5 块。你如果分享卡片，还能 25% 返现。小编真的用心良苦，希望大家多多支持和转发此文。
点击下方「阅读原文」，了解更多。
Python与机器学习算法频道
长按订阅，干货满满
本文分享自微信公众号 - Python与算法社区（alg-channel）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。