語言工具就想廚房裡的廚具，之所以能成為大廚，就得把每一個廚具用到極致，信手拈來。您都已經是資料科學家了，python 駕輕就熟應該不是難事。

　　假如你想成為一個數據科學家，或者已經是資料科學家的你想擴充套件你的技能，那麼你已經來對地方了。本文的目的就是給資料分析方面的Python新手提供一個完整的學習路徑。該路徑提供了你需要學習的利用Python進行資料分析的所有步驟的完整概述。如果你已經有一些相關的背景知識，或者你不需要路徑中的所有內容，你可以隨意調整你自己的學習路徑，並且讓大家知道你是如何調整的。

　　步驟1：設定你的機器環境

　　現在你已經決心要好好學習了，也是時候設定你的機器環境了。最簡單的方法就是下載分發包Anaconda。Anaconda將你以後可能會用到的大部分的東西進行了打包。採用這個方法的主要缺點是，即使可能已經有了可用的底層庫的更新，你仍然需要等待Continuum去更新Anaconda包。當然如果你是一個初學者，這應該沒什麼問題。

　　如果你在安裝過程中遇到任何問題，你可以在這裡找到不同作業系統下更詳細的安裝說明。

　　步驟2：學習Python語言的基礎知識

　　你應該先去了解Python語言的基礎知識、庫和資料結構。完成這個課程後，你就能輕鬆的利用Python寫一些小指令碼，同時也能理解Python中的類和物件。

　　具體學習內容：列表Lists，元組Tuples，字典Dictionaries，列表推導式，字典推導式。

　　步驟3：學習Python語言中的正則表示式

　　你會經常用到正則表示式來進行資料清理，尤其是當你處理文字資料的時候。學習正則表示式的最好方法是參加谷歌的Python課程，它會讓你能更容易的使用正則表示式。

　　任務：做關於小孩名字的正則表示式練習。

　　如果你還需要更多的練習，你可以參與這個文字清理的教程。資料預處理中涉及到的各個處理步驟對你來說都會是不小的挑戰。

　　步驟4：學習Python中的科學庫—NumPy, SciPy, Matplotlib以及Pandas

　　從這步開始，學習旅程將要變得有趣了。下邊是對各個庫的簡介，你可以進行一些常用的操作：

　　根據NumPy教程進行完整的練習，特別要練習陣列arrays。這將會為下邊的學習旅程打好基礎。

　　接下來學習Scipy教程。看完Scipy介紹和基礎知識後，你可以根據自己的需要學習剩餘的內容。

　　這裡並不需要學習Matplotlib教程。對於我們這裡的需求來說，Matplotlib的內容過於廣泛。取而代之的是你可以學習這個筆記中前68行的內容。

　　最後學習Pandas。Pandas為Python提供DataFrame功能（類似於R）。這也是你應該花更多的時間練習的地方。Pandas會成為所有中等規模資料分析的最有效的工具。作為開始，你可以先看一個關於Pandas的10分鐘簡短介紹，然後學習一個更詳細的Pandas教程。

　　步驟5：學習Scikit-learn庫和機器學習的內容

　　現在，我們要開始學習整個過程的實質部分了。Scikit-learn是機器學習領域最有用的Python庫。這裡是該庫的簡要概述。完成哈佛CS109課程的課程10到課程18，這些課程包含了機器學習的概述，同時介紹了像迴歸、決策樹、整體模型等監督演算法以及聚類等非監督演算法。你可以根據各個課程的任務來完成相應的課程。

　　額外資源：

　　如果說有那麼一本書是你必讀的，推薦Programming Collective Intelligence。這本書雖然有點老，但依然是該領域最好的書之一。

　　此外，你還可以參加來自Yaser Abu-Mostafa的機器學習課程，這是最好的機器學習課程之一。如果你需要更易懂的機器學習技術的解釋，你可以選擇來自Andrew Ng的機器學習課程，並且利用Python做相關的課程練習。

　　Scikit-learn的教程

　　步驟6：練習，練習，再練習

　　恭喜你，你已經完成了整個學習旅程。

　　你現在已經學會了你需要的所有技能。現在就是如何練習的問題了，還有比透過在Kaggle上和資料科學家們進行競賽來練習更好的方式嗎？深入一個當前Kaggle上正在進行的比賽，嘗試使用你已經學過的所有知識來完成這個比賽。

　　步驟7：深度學習

　　附言：如果你需要大資料方面的庫，可以試試Pydoop和PyMongo。大資料學習路線不是本文的範疇，是因為它自身就是一個完整的主題。

這個問題很弱智的。資料科學家和Python沒有什麼必然關係好吧。當個資料科學家關鍵是數學演算法設計，對資料平臺的使用掌握。程式語言只是處理資料的工具，會兩個常用的就行了，用java/go/scala/python/R這些基本上都可以，還有很多通用程式語言也可以，比如C/C++，只是用起來有點麻煩。每種語言都有各自優勢和劣勢方面。

現在搞培訓的忽悠人比較多，現在java培訓有點過剩了，又來推python，這個小白入門容易啊。搞大資料當資料科學家是很讓人羨慕，問題是即使在專業程式設計師中也就1～2%有條件和機會從事這個。

其實資料科學家是一個職位，為了幫助企業在雜亂無章的數字中尋找規律，提出對企業有用的價值曲線！python只是一個工具，資料科學家工具箱中的某件趁手工具！也可以用R，Matlab等！不過python有很多開源的第三方軟體包，視覺化用Matplotlib，深度學習tensorflow，自然語言處理的NLTK，機器學習包scikit-learn，矩陣計算的numpy，用於大資料處理的pyspark等！所以python掌握的程度，可以幫助你更好的建模！最起碼針對一類問題，python可以幫助你快速實現你得想法！其中，numpy，scikit-learn，scipy，pandas，tensorflow，Matplotlib，pyspark等。