python大数据分析教学

2016-09-07 22:11:06 BaiHuaXiu123 阅读数 45783

互联网创业离不开数据,如果能自己做个数据爬虫,那岂不是一件很美好的事情吗?
其实自己做数据挖掘不是梦,学点Python的基本功能,5步就能让你成为一个爬虫高手!

这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述

2018-05-19 13:35:59 epubit17 阅读数 37655

​点击关注 异步图书,置顶公众号

每天与你分享 IT好书 技术干货 职场知识


参与文末话题讨论,每日赠送异步图书

——异步小编

​欢迎来到Python数据分析的世界!如今,Python已成为数据分析和数据科学事实上的标准语言和标准平台之一。我们将为读者展示一张思维导图,图1-1中将给出Python生态系统为数据分析师和数据科学家提供的各种程序库。NumPy、SciPy、Pandas和Matplotlib库共同构成了Python数据分析的基础,当前它们已经成为SciPy Stack 1.0的组成部分。在本文中,我们不仅会学习如何安装SciPy Stack 1.0和Jupyter Notebook,还将编写一些简单的数据分析代码,为后面的学习做好热身。

下面是Python生态系统为数据分析师和数据科学家提供的常用程序库。

●NumPy:这是一个通用程序库,不仅支持常用的数值数组,同时提供了用于高效处理这些数组的函数。

●SciPy:这是Python的科学计算库,对NumPy的功能进行了大量扩充,同时也有部分功能是重合的。Numpy和SciPy曾经共享基础代码,后来分道扬镳了。

●Pandas:这是一个用于数据处理的程序库,不仅提供了丰富的数据结构,同时为处理数据表和时间序列提供了相应的函数。

●Matplotlib:这是一个2D绘图库,在绘制图形和图像方面提供了良好的支持。当前,Matplotlib已经并入SciPy中并支持NumPy。

●IPython:这个库为Python提供了强大的交互式Shell,也为Jupyter提供了内核,同时还支持交互式数据可视化功能。我们将在本文稍后介绍IPython shell。

●Jupyter Notebook:它提供了一个基于Web的交互式shell,可以创建和共享支持可实时代码和可视化的文档。Jupyter Notebook通过IPython提供的内核支持多个版本的Python。本文稍后将会为读者进一步介绍Jupyter Notebook。 

对于本文而言,当需要安装软件时,我们会在恰当的时机给出相应的安装说明。在安装软件的过程中遇到困难或者不能断定最佳方案时,读者可以参考图1-1,这里提供了寻找解决问题所需辅助信息的指南。

​图1-1

本文将涉及以下主题。

●安装Python 3

●将IPython用作shell

●阅读手册页

●Jupyter Notebook

●NumPy数组

●一个简单的应用

●何处寻找帮助和参考资料

●列出Python库中的模块

●利用matplotlib可视化数据 

1.1 安装Python 3

本文所用软件都是基于Python 3的,所以必须首先安装Python 3。不过,对于某些操作系统而言,Python 3是默认安装的。Python具有多种实现,其中包括具有商业版权的实现和发行版。在本文中,我们只关注标准Python实现,因为它与NumPy完全兼容。

提示:

读者可以从https://www.python.org/download/页面下载Python 3.5.x。在这个网站上,我们可以找到为Windows和Mac OS X系统开发的安装程序,以及为Linux、UNIX和Mac OS X系统提供的源码包。我们可以从https://docs.python.org/3/using/index.html上找到在各种操作系统上安装和使用Python的相关说明。

本文需要安装的软件,在Windows、各种Linux发行版本和Mac OS X系统上都有相应的二进制安装程序。当然,如果读者愿意,也可以使用相应的源代码发行包。对于Python,要求其版本为3.5.x或更高。Python 2.7版本的支持与维护工作已经从2015年延续至2020年,之后,我们不得不迁移到Python 3。

1.1.1 安装数据分析程序库

下面开始介绍如何在Windows、Linux和Mac OS X上安装和设置NumPy、SciPy、Pandas、Matplotlib、IPython和Jupyter Notebook。下面来详细了解一下这个过程。在本文中,我们将使用pip3来安装这些库。因为从3.4版本起,pip3已经默认包含在Python的安装程序中了。

1.1.2 Linux平台或Mac OS X平台

为了安装这些基础的程序库,可以运行以下命令。

​1.1.3 Windows平台

在撰写本文时,我们在Windows 10虚拟机上安装了以下软件,作为安装这些程序库的先决条件。

●Python 3.6。

●Microsoft Visual C++ Build Tools 2015。

下载并安装适用于Windows平台的、预编译好的NumPy和SciPy二进制文件。

●我们下载了numpy-1.12.0 + mkl-cp36-cp36m-win_amd64.whl和scipy-0.18.1-cp36- cp36m-win_amd64.whl。

●下载完成后,执行命令pip3 install Downloads umpy-1.12.0 + mkl-cp36-cp36m-win_amd64.whl和pip3 install Downloads\scipy-0.18.1-cp36-cp36m-win_amd64.whl。 

安装上述软件后,为了安装其余的基础程序库,可以运行以下命令。

​小技巧

使用这些命令安装Jupyter时,要先安装所有必需的软件包,如Notebook和IPython。

1.2 将IPython用作shell

我们知道,科学家、数据分析师和工程师经常需要进行实验,而IPython正是为实验而生的。对于IPython提供的交互式环境,明眼人一看就知道它与MATLAB、Mathematica和Maple非常接近。

下面是IPython shell的一些特性。

●Tab补全功能(Tab completion),可以帮助查找命令

●历史记录机制

●行内编辑

●利用%run调用外部Python脚本

●访问系统命令

●访问Python的调试工具和分析工具

下面给出IPython shell的使用方法。

●启动会话:要想使用IPython启动会话,需要在命令行中输入以下指令。

小技巧

退出IPython shell时,可以使用quit()函数或者Ctrl+D组合键。

●保存会话:有时我们可能想要恢复之前做过的实验。对于IPython来说,这很容易,只要保存了会话,就可以供将来继续使用,具体命令如下。 

​使用下列命令可以关闭记录功能。

​●执行系统的shell命令:在默认情况下,IPython允许通过在命令前面追加“!”号来执行系统的shell命令。举例来说,我们输入下面的命令将会得到当前日期。 

​事实上,任何前置了“!”号的命令行都将发送给系统的shell来处理。此外,可以通过如下方法来存储命令的输出结果。

​●显示历史上用过的命令:可以利用%hist命令来显示之前用过的命令,例子如下。 

​这在命令行接口(Command Line Interface,CLI)环境中是一种非常普遍的功能。此外,我们还可以用-g开关在历史命令中进行搜索,例子如下。

​在上面的过程中,我们使用了一些所谓的魔力函数(magic functions),这些函数均以“%”开头。当魔力函数单独用于一行时,就可以省略前缀“%”。

1.3 学习手册页

当使用IPython导入相应的程序库后,可以通过help命令打开NumPy函数的手册页——即使不知道该函数的确切名称。我们可以先输入几个字符,然后利用Tab键就可以自动补全剩下的字符。下面以arange()函数为例,说明如何查阅与其有关的资料。

这里给出两种翻阅相关信息的方法。

调用help函数:输入help命令(并输入函数名中的前几个字符,再按Tab键。这时将出现一个函数列表(见图1-2),我们可以通过方向键从函数名列表中进行选择,然后按Enter键进行确认),最后按Enter键盘,结束help函数的调用。

通过问号进行查询:另一种方法是在函数名后面加上问号,当然,前提条件是我们已经知道函数名,好处是不必输入help命令,例子如下。

​图1-2​

​Tab补全功能依赖于readline,所以务必确保先前已经安装了该软件。如果没有安装,可以使用pip完成安装,具体命令如下。

​利用问号,我们可以从文档字符串(docstrings)中获取所需信息。

1.4 Jupyter Notebook

upyter Notebook以前被称为IPython Notebooks,它提供了一种以特殊格式创建和共享具有文本、图表和Python代码的网页的工具。

很多时候,notebook都是用于演示Python软件,或者用作一款教学工具。我们可以单纯使用Python代码或者通过特殊的notebook格式来导入和导出notebook。另外,notebook既可以在本机上跑,也可以放到专用的notebook服务器上在线使用。某些云计算解决方案(如Wakari和PiCloud)还支持在云中运行notebook。云计算的主题将在第11章中加以介绍。

为了使用Jupyter Notebook启动一个会话,读者可以使用如下命令。

​这时将启动notebook服务器并打开一个网页,显示该命令所在文件夹的内容。然后,你可以在Python 3中选择New | Python 3菜单项来启动一个新的notebook。

你也可以打开本文的代码包中提供的ch-01.ipynb。ch-01是一个notebook文件,其中存放了本文中简单应用程序的代码。

1.5 NumPy数组

安装好NumPy后,就可以来看NumPy数组了。与Python中的列表相比,进行数值运算时NumPy数组的效率要高得多。事实上,NumPy数组是针对某些对象进行了大量的优化工作。

完成相同的运算时,与Python代码相比,NumPy代码用到的显式循环语句明显要少,因为NumPy是基于向量化的运算。还记得高等数学中标量和向量的概念吗?例如,数字2是一个标量,计算2+2时,进行的是标量加法运算。通过一组标量,我们可以构建出一个向量。用Python编程的术语来说,我们得到了一个一维数组。当然,这个概念可以扩展至更高的维度。实际上,针对两个数组的诸如加法之类的运算,可以将其转化为一组标量运算。使用纯Python时,为了完成该操作,可以使用循环语句遍历第一个数组中的每个元素,并与第二个数组中对应的元素相加。然而,在数学家眼里,这种方法过于繁琐。数学上,可以将这两个向量的加法视为单一操作。实际上,NumPy数组也可以这么做,而且它用低级C例程针对某些操作进行了优化处理,使得这些基本运算效率大为提高。关于NumPy数组将在第2章中详细介绍。

1.6 一个简单的应用

假设要对向量a和b进行求和。注意,这里“向量”的含义是数学意义上的,即一个一维数组。在第4章中,将遇到一种表示矩阵的特殊NumPy数组。向量a存放的是整数0~n−1的2次幂。如果n等于3,那么a保存的是0、1或4。向量b存放的是整数0~n的3次幂,所以如果n等于3,那么向量b等于0、1或者8。如果使用普通的Python代码,该怎么做呢?

在我们想出了一个解决方案后,可以拿来与等价的NumPy方案进行比较。

下面的函数没有借助NumPy,而是使用纯Python来解决向量加法问题。

​下面是利用NumPy解决向量加法问题的函数。

​注意,numpysum()无需使用for语句。此外,我们使用了来自NumPy的arange()函数,它替我们创建了一个含有整数0~n的NumPy数组。这里的arange()函数也是从NumPy导入的,所以它加上了前缀numpy。

现在到了真正有趣的地方。我们在前面讲过,NumPy在进行数组运算时,速度是相当快的。可是到底有多快呢?下面的程序代码将为我们展示numpysum()和pythonsum()这两个函数的实耗时间,这里以μs(微秒)为单位。同时,它还会显示向量sum最后面的两个元素值。下面来看使用Python和NumPy能否得到相同的答案。

​对于1000个、2000个和4000个向量元素,程序的结果如下。

​显而易见,NumPy的运行速度比等价的常规Python代码要快很多。有一件事情是肯定的:无论是否使用NumPy,计算结果都是相同的。但是结果的显示形式还是有所差别的,numpysum()函数给出的结果不包含逗号。为什么会这样?别忘了,我们处理的不是Python的列表,而是一个NumPy数组。有关NumPy数组的更多内容,将在第2章中详细介绍。

1.7 从何处寻求帮助和参考资料

表1-1列出了在本文中讨论过的Python数据分析库的文档网站。

​表1-1

流行的软件开发论坛Stack Overflow上也有数以百计的NumPy、SciPy、Pandas、Matplotlib、IPython和Jupyter Notebook方面的讨论。如果读者对这些内容感兴趣,建议进一步学习。

如果你遇到了比较棘手的问题,或者想要持续关注这些程序库的开发进展,可以订阅相应的讨论邮寄列表。订阅后,每天收到的数量不一的邮件,开发者会积极报告这些库的开发进展并热心回答其中的问题。

对于IRC用户,可以在irc://irc.freenode.net找到一个相关的频道,虽然该频道的名字是#scipy,但是这并不妨碍我们提问NumPy方面的问题,因为SciPy用户一般比较熟悉NumPy,毕竟SciPy是以NumPy为基础的。在这个SciPy频道中,通常有50多位成员保持在线。

1.8 查看Python库中包含的模块

ch-01.ipynb文件包含用于查看NumPy、SciPy、Pandas和Matplotlib库中的模块的代码。现在,读者不用担心这些代码的含义,只要尝试运行一下它们就行了。您可以修改其中的代码以查看其他库中的模块。


​本文摘自《Python数据分析(第2版)》

​《Python数据分析(第2版)》

[美]阿曼多·凡丹戈(Armando Fandango) 著

点击封面购买纸书


畅销书升级版,基于Python3。

本书教新手用Python语言分析数据,发挥Python在数据可视化方面的优势,引导读者成为数据分析高手。全书从数据检索、清洗、操作、可视化、存储复杂的分析和建模等方面介绍,重点关注开源模块,如NumPy、SciPy、matplotlib、pandas、IPython、Cython、scikit-learn及NLTK。本书还包括数据可视化、信号处理、时间序列分析、数据库、预测分析和机器学习等主题。

今日互动

你对本书的看法?为什么?截止时间5月31日17时,留言+转发本活动到朋友圈,小编将抽奖选出3名读者赠送纸书1本和2张e读版80元异步社区代金券,(留言点赞最多的自动获得一张)。异步图书后台回复“5月新书”进入新书交流群,获得第一手新书信息,点击此处直接参加活动。

推荐阅读

2018年5月新书书单(文末福利)

2018年4月新书书单

异步图书最全Python书单

一份程序员必备的算法书单

第一本Python神经网络编程图书

​长按二维码,可以关注我们哟

每天与你分享IT好文。


在“异步图书”后台回复“关注”,即可免费获得2000门在线视频课程;推荐朋友关注根据提示获取赠书链接,免费得异步e读版图书一本。赶紧来参加哦!

点击阅读原文,购买《Python应用开发实战》

阅读原文

2019-08-20 10:48:51 weixin_38745434 阅读数 1456

Python爬虫太火了,没写过爬虫,都不敢说自己学过Python?!

可是刚一开始学,我就遇到了难题----数据分析!听起来很高大上,有没有?

想要做爬虫,就得先学会使用数据分析工具,制作图表这是最基本的。网上发现一个讲Python数据分析实操的小视频,我觉得讲的超基础,很适合小白,特来分享给大家~

如果你也想学习数据分析,跟我一起看看下方视频,听知名技术专家李刚老师对Python Pygal模块的实操案例详细解析,

李刚老师出版的《疯狂Java》系列图书曾得到市场的广泛认可,经过多次再版,已被多家高校选作教材。上方视频来自于李刚老师的在线视频课程《21天通关Python》第九章 数据分析之案例实操

鉴于大家都有学习Python的困惑,今天就给大家推荐一本巨有影响力的Python实战书,上线时间仅2个月,就超越了众多实力派,成京东和当当网上的长期畅销图书,并且收获了3.4W的五星好评。

这本书可谓是笔者独家私藏图书之一了,对我学习Python有着莫大的帮助,在京东上也常常"断货",这次拿出来给大家分享一下,希望能帮到大家。

《21天通关Python》视频课程以畅销图书为教材,由图书作者李刚亲自操刀讲解;上手门槛低,可作为0基础掌握Python教材;书籍+线上复合型学习场景特别适合Python小白学习!

点击查看课程:
https://edu.csdn.net/bundled/detail/49?utm_source=jiansuopy65_1
(含图书邮寄+视频教程+社群答疑+导师带队)

笔者跟大家分享一个福利!下单时输入优惠码csdn66,立减20元,券后仅需99元!

扫码入Python技术交流群,可免费听技术讲座+领学习资料+视频课免费看!
在这里插入图片描述

2018-09-08 21:23:18 weixin_39820793 阅读数 5224

写在开头

  这一次就让我来带读这本《利用Python进行数据分析》一书,这本书我也是第一次看,所以我在写的时候既是一边和你们分享也是在一边学习,当然,在我的博客中我在带读本书的时候也会加上一些自己的理解,因为本人的水平有限,也许有些不是非常正确的地方希望各位读者能够帮忙指点出来,实在是感激不尽!

《利用Python进行数据分析》一书

  也许有人不知道这本书是怎么样的,我在这里就放一下它的图片。
这里写图片描述
  这本书我就简单介绍一下其作者为Wes McKinney,然后翻译是由唐学韬先生完成。

第一章 准备工作

  里面总共分为了

1.本书主要内容
2.为什么要使用python进行数据分析
3.重要的Python库
4.安装和设置
5.社区和研讨会
6.使用本书
7.致谢

  1.本书主要内容

    想来想去还是直接用课本的原文了。

本书讲的是利用Python进行数据控制、处理、整理、分析等方面的具体细节和基本要点。同时,它也是利用Python进行科学计算的使用指南(专门针对数据密集型应用)。本书重点介绍了用于搞笑解决各种数据分析问题的Python语言和库。本书没有阐述如何利用Python实现具体的分析方法

    说直白一点就是这一本书教大家如何使用Python中和数据分析相关的技术,但具体怎么分析还是的靠自己研究学习策略。
    然后文中也有介绍“数据”到底是个什么,主要指的是结构化数据(structured data)即所有通用格式的数据。这种感觉知道概念就好了的。

  2.为什么要使用python进行数据分析

    Python最大的特点是拥有一个巨大而活跃的科学计算(scientific computing)社区。
    然后在数据分析和交互、探索性计算以及数据可视化方面,Python的库在不断的进行改良中(其实还是主要是pandas),然后再配合其在通用编程方面的强大实力,完全就可以使用python一种语言就hold住了。
    Python同时也被称呼为“胶水语言”,作为一个科学计算的平台它能够很轻松的集成C、C++以及Fortran的代码。
    一般而言,很多组织都会用一些类似于领域特定的计算语言比如(Matlab、R)对新想法进行研究、原型构建和测试,然后再将这些想法移植到某个更大的生产系统当中(比如Java、C#或者C++等),但是到了现在越来越多的人发现,Python不仅适用于研究和原型构建并且适用于构建生产系统,这无疑会带来较大的效率提升。
    当然啦,虽然Python也有一些缺点,作为一种解释性的编程语言,大部分Python的代码都比编译型的代码要慢很多,对于高并发、多线程的应用程序来说不是非常的理想,这是因为Python有一个叫做全局解释锁(Global Interpreter Lock ,GIL)的原因,但是这一点已经超出本书的范围了,在此不加以解释,有兴趣的朋友如果了解的话也可以在评论告诉博主一声。

  3.重要的Python库

    在讲解这个的时候,我并不打算照搬书本中的内容,因为这些库在数据分析之中都非常地有用,慢慢的总会了解的,我在此就用大白话解释一番。
    a.NumPy(Numerical Python)是Python科学计算的基础包,本书大部分内容都基于numpy以及构建其上的库。它最主要的功能是进行矩阵运算,而且速度飞快,如果没有记错的话numpy是基于C与C++进行实现的。
    b.Pandas这个库能够使我们快速便捷的处理结构化数据和大量数据结构和函数,有时序的Series,二维的DataFrame和三维Panel(据说将要取消了)三种。这也是Python能在数据分析上崭露头角的一个至关重要的库。
    c.matplotlib这个是python一个非常强大的可视化工具。
    d.IPython是python的一个科学计算工具集的标准组成部分,它为交互式和探索式计算提供了一个强健而高效的环境。因为在本书中有一章会非常详细的介绍IPython所以在此不多言,同时本书也是强烈建议使用IPython。好吧,写完我才反应过来IPython本身是一个增强型的Python Shell,这不是一个库!这不是一个库!这不是一个库!希望大家明白,虽然不知道为什么书本中把IPython分到了库之中,或许名字该改为重要的ython工具?
    e.SciPy一个专门解决各种科学计算中各种标准问题域包的集合,主要包括以下:

scipy.integrate:数值积分例程和微分方程求解器
scipy.linalg:拓展了由numpy.linalg提供的线性代数例程和矩阵分解功能。
scipy.optimize:函数优化器(最小化器)以及根查找算法。
scipy.signal:信号处理工具。
scipy.sparse:系数矩阵和系数线性系统求解器。
scipy.special:SPECEFUN(这是一个实现了许多常用数学函数(如伽玛函数)的Fortran库)的包装器
scipy.states:标准连续和离散概率分布(如密度函数、采样器、连续分布函数等)、各种统计检验方法,以及更好的描述统计方法。
scipy.weave:利用内联C++代码加速数组计算的工具

  4.安装和设置

    在书本之中已经讲的非常的详细了,事实上我并没有什么好概括的(也概括不了),但是在这里想想还是推荐一个下载的方法,一个无论什么系统都可以用上的方法——即下载Anaconda,一旦下载好Anaconda之后会自动安装好Python及其相关的科学计算的包,同时还会设置好环境,可以说是非常简单了。

  5.社区和研讨会

    除了搜索引起之外,Python的科学计算邮件列表也是很不错的资源,其上的问题几乎都会有人回答。

pydata:这是一个Google Group的邮件列表,其中的问题都是Python数据分析和pandas方面的
pystatsmodels:针对statemodels和和pandas相关的问题
numpy-discussion:针对NumPy相关的问题。
scipy-user:针对SciPy和Python科学计算相关的问题

    这几个都没有确切的URL,因为它们经常在变,不过哦通过搜索引擎可以轻松地找到它们。

  6.使用本书

    如果在这之前从来没有学习过Python的话可以看看本书最后的附录,有对Python进行简单基础的讲解。
    本书首先讲解IPython环境,然后简单地介绍了NumPy,但是其高级功能在最后一章讲解。然后还讲解了pandas的使用,剩余的部分则是综合运用pandas、NumPy和matplotlib进行数据分析的相关知识。
    最后呢,各章的数据文件以及相关材料放在GitHub上:http://github.com/pydata/pydata-book
    看到这里的童鞋啥也不想了赶紧去下载,确实是有点大了。

  7.致谢

  我觉得其实用过Python的估计都不会对这一篇博客的内容有兴趣,顶多是看看这本书的overview罢了,当然,如果没有用过python的可以赶紧翻到书本的最后面愉快的进行学习了。

2018-03-31 00:00:00 csdnsevenn 阅读数 6061

点击上方“程序人生”,选择“置顶公众号”

第一时间关注程序猿(媛)身边的故事


采用Python 3.6版本,兼容Python 3.X等众多版本

一本书搞定IPythonNumpyMatplotlibpandas,助你成为数据分析专家

由于Python具有简单、易学、免费开源、可移植性、可扩展性等特点,所以它的受欢迎程度扶摇直上。再加上Python拥有非常丰富的库,这也使得它在数据分析领域有着越来越广泛的应用。如果你已经决定学习Python数据分析,但是之前没有编程经验,那么本书将会是你的正确选择。

Python数据分析从入门到精通


主要内容

对于希望使用Python来完成数据分析工作的人来说,学习IPython、Numpy、pandas、Matplotlib这个组合是目前看来不错的方向。本书就是这样一本循序渐进的书。


《Python数据分析从入门到精通》共3篇14章。第1篇是Python数据分析语法入门,将数据分析用到的一些语言的语法基础讲解清楚,为接下来的数据分析做铺垫。第2篇是Python数据分析工具入门,介绍了Python数据分析“四剑客”——IPython、Numpy、pandas、Matplotlib。第3篇是Python数据分析案例实战,包括两个案例,分别是数据挖掘和玩转大数据,为读者能真正使用Python进行数据分析奠定基础。


作者简介

张啸宇:热衷于一切计算机技术,在搜狐公司从事数据分析、数据挖掘、深度学习、后端开发等方面的工作。目前计划做一个Python技术学习交流的网站。


李静:天津大学软件工程硕士毕业,对利用Python进行数据处理、整理、分析等有比较深入的研究,并在辅助教学实践中积累了较为丰富的经验,广受好评。本书也是结合实践积累,以多小代码案例、多动手的方式,使读者在实践中成长。


编辑推荐

一本书搞定Python数据分析四剑客:IPython、Numpy、Matplotlib、pandas

基于Python 3.6,兼容Python 3.x等众多版本


以多小代码案例、多动手的方式,使读者在实践中成长


本书写给谁看

《Python数据分析从入门到精通》内容精练、重点突出、实例丰富,是广大数据分析工作者必备的参考书,同时也非常适合大、中专院校师生学习阅读,还可作为高等院校统计分析及相关专业的教材。


本期荐书评奖规则

在本文下方留言,分享一本你看过的和Python有关的书,并说出你的分享理由。

我们将从留言被小编上墙的网友中,随机抽取3名幸运者,送出本期荐书的书籍1本。

开奖时间:4月2日17点


另外,也可扫描下方二维码进「Python群」和大家交流,若扫码无法进群,可加编辑微信,备注#Python#:程序 微信ID:druidlost小七 微信ID:duoshangshuang ,待编辑核实后,会拉你入群;

本群会第一时间推送相关好书福利信息,欢迎大家进群交流。

若本期未抽中者,也可扫描二维码跳转购买该书

Python数据分析从入门到精通》


或点击下方「阅读原文」进行跳转购买。

点击图片get往期内容