Python语言是快速实现数据分析、机器学习及
相关领域理论与技术的利器。本书以通俗易懂的语
言和丰富的实战案例介绍了Python基础内容、数据
分析和机器学习必备知识，理论结合实战，娓娓道
来，是一本难得的入门好书。
知名Python讲者、16本Python系列图书作者，
董付国
Python是时下非常值得学习的编程语言，也是
从事数据分析和机器学习相关工作的重要基石。张
玉宏博士凭借多年的Python教学经验，为大家带来
了图文并茂、简单易读的Python极简讲义，相信能
够带领大家轻松学习Python语言，入门数据分析与
机器学习，建议大家持卷品读。
微信公众号“程序员小灰”作者、《漫画算法
》作者，魏梦舒
近几年，随着数据科学领域的发展，越来越多
的非计算机专业人士也开始用计算机进行辅助数据
处理，Python无疑是优选语言。这本《Python极简
讲义》有着非常良好的阅读体验，简单明了，案例
丰富，手把手引导，非常适合跨界学习。相信它能
带给你不同的入门体验。
《白话强化学习与PyTorch》作者、金山办公
AI技术专家，高扬博士
本书以掌握“最少必要知识”（MAKE）为写作
理念，融合了Python编程、数据分析和机器学习等
热门领域的入门知识，文笔流畅，语言幽默，对初
学者十分友好。相信任何有志于从事数据分析和机
器学习相关工作的读者，都能从此书中收获良多。
CSDN千万级流量博主、七月在线CEO，July
在数据科技（DT）时代，数据分析与机器学习
基本上是每个DT职场人士的必备技能。本书以DT时
代非常流行的编程语言Python为抓手，轻松幽默地
讲解了数据分析和机器学习的“最少必要知识”。
本书中时有体现哲学思想的内容点缀，耐人寻味，
是一本很好的入门图书，不仅适合初学者阅读，对
于具有一定经验的工程师也颇具参考价值。
SIGAI创始人、《机器学习：原理、算法与应
用》作者、百度前高级软件工程师，雷明

第１章 　初识Python与Jupyter
1.1 　Python概要
1.1.1 　为什么要学习Python
1.1.2 　Python中常用的库
1.2 　Python的版本之争
1.3 　安装Anaconda
1.3.1 　Linux环境下的Anaconda安装
1.3.2 　conda命令的使用
1.3.3 　Windows环境下的Anaconda安装
1.4 　运行Python
1.4.1 　验证Python
1.4.2 　Python版本的Hello World
1.4.3 　Python的脚本文件
1.4.4 　代码缩进
1.4.5 　代码注释
1.5 　Python中的内置函数
1.6 　文学化编程—Jupyter
1.6.1 　Jupyter的由来
1.6.2 　Jupyter的安装
1.6.3 　Jupyter的使用
1.6.4 　Markdown编辑器
1.7 　Jupyter中的魔法函数
1.7.1 　%lsmagic函数
1.7.2 　%matplotlib inline函数
1.7.3 　%timeit函数
1.7.4 　%%writefile函数
1.7.5 　其他常用的魔法函数
1.7.6 　在Jupyter中执行shell命令
1.8 　本章小结
1.9 　思考与提高
第2章 　数据类型与程序控制结构
2.1 　为什么需要不同的数据类型
2.2 　Python中的基本数据类型
2.2.1 　数值型（Number）
2.2.2 　布尔类型（Boolean）
2.2.3 　字符串型（String）
2.2.4 　列表（List）
2.2.5 　元组（Tuple）
2.2.6 　字典（Dictionary）
2.2.7 　集合（Set）
2.3 　程序控制结构
2.3.1 　回顾那段难忘的历史
2.3.2 顺序结构
2.3.3 选择结构
2.3.4 循环结构
2.4 　高效的推导式
2.4.1 　列表推导式
2.4.2 　字典推导式
2.4.3 　集合推导式
2.5 　本章小结
2.6 　思考与提高
第3章 　自建Python模块与第三方模块
3.1 　导入Python标准库
3.2 　编写自己的模块
3.3 　模块的搜索路径
3.4 　创建模块包
3.5 　常用的内建模块
3.5.1 collection模块
3.5.2 　datetime模块
3.5.3 　json模块
3.5.4 　random模块
3.6 　本章小结
3.7 　思考与提高
第4章 　Python函数
4.1 　Python中的函数
4.1.1 　函数的定义
4.1.2 　函数返回多个值
4.1.3 函数文档的构建
4.2 　函数参数的“花式”传递
4.2.1 　关键字参数
4.2.2 　可变参数
4.2.3 　默认参数
4.2.4 　参数序列的打包与解包
4.2.5 　传值还是传引用
4.3 　函数的递归
4.3.1 感性认识递归
4.3.2 思维与递归思维
4.3.3 递归调用的函数
4.4 　函数式编程的高阶函数
4.4.1 　lambda表达式
4.4.2 filter()函数
4.4.3 map()函数
4.4.4 reduce()函数
4.4.5 sorted()函数
4.5 本章小结
4.6 思考与提高
第5章 　Python高级特性
5.1 　面向对象程序设计
5.1.1 　面向过程与面向对象之辩
5.1.2 类的定义与使用
5.1.3 类的继承
5.2 　生成器与迭代器
5.2.1 生成器
5.2.2 迭代器
5.3 文件操作
5.3.1 打开文件
5.3.2 读取一行与读取全部行
5.3.3 写入文件
5.4 　异常处理
5.4.1 感性认识程序中的异常
5.4.2 异常处理的三步走
5.5 错误调试
5.5.1 利用print()输出观察变量
5.5.2 assert断言
5.6 　本章小结
5.7 　思考与提高
第6章 　NumPy向量计算
6.1 　为何需要NumPy
6.2 　如何导入NumPy
6.3 生成NumPy数组
6.3.1 　利用序列生成
6.3.2 　利用特定函数生成
6.3.3 Numpy数组的其他常用函数
6.4 　N维数组的属性
6.5 NumPy数组中的运算
6.5.1 向量运算
6.5.2 算术运算
6.5.3 逐元素运算与张量点乘运算
6.6 　爱因斯坦求和约定
6.6.1 　不一样的标记法
6.6.2 　NumPy中的einsum()方法
6.7 NumPy中的“轴”方向
6.8 操作数组元素
6.8.1 通过索引访问数组元素
6.8.2 NumPy中的切片访问
6.8.3 二维数组的转置与展平
6.9 NumPy中的广播
6.10 NumPy数组的高级索引
6.10.1 “花式”索引
6.10.2 布尔索引
6.11 数组的堆叠操作
6.11.1 水平方向堆叠hstack()
6.11.2 垂直方向堆叠vstack()
6.11.3 深度方向堆叠hstack()
6.11.4 列堆叠与行堆叠
6.11.5 数组的分割操作
6.12 NumPy中的随机数模块
6.13 本章小结
6.14 思考与提高
第7章 　Pandas数据分析
7.1 Pandas简介
7.2 Pandas的安装
7.3 Series类型数据
7.3.1 Series的创建
7.3.2 Series中的数据访问
7.3.3 Series中的向量化操作与布尔索引
7.3.4 Series中的切片操作
7.3.5 Series中的缺失值
7.3.6 Series中的删除与添

1.轻松入门：文笔流畅，通俗易懂，从Python基础、NumPy、Pandas、Matplotlib，到机器学习算法，循序渐进，帮助零基础读者快速入门。
2.图文并茂：一图胜千言，书中配有精心绘制的近200幅插图，形象生动，融会一心。
3.实战相随：实战出真知，每章均配备思考与提高环节，习题选自知名公司面试题目，针对性和实用性强，可在AI求职之路上助你一臂之力。

前言
为什么写此书
我们正处于一个数据科技（Data Technology，DT
）时代。在这个时代，我们的一举一动都能在数据空间
留下电子印记，于是海量的社交、电商、科研大数据扑
面而来。然而，太多的数据给人们带来的，可能并不是
更多的洞察，反而是迷失。
因为仅就数据本身而言，它们是“一无所知”的。
数据的价值，在于形成信息，变成知识，乃至升华为智
慧。也就是说，这些数据如果不能进一步被“深加工”
，即使数据量再“大”，也意义甚小。
于是，就派生出这么一个问题：这些数据，由谁来
深加工？其实，早在2012年，《哈佛商业评论》就刊登
了一篇文章并给出了答案，进行数据深加工的人就是“
数据科学家”。文章还断言，数据科学家是21世纪最“
性感”的职业。
但如何成为一名数据科学家呢？尤其是一名“性感
”的数据科学家？作为一个有点文艺范儿的理工男，我
喜欢读书，从书中获得启迪。
我曾读过埃里克?莱斯（Eric Ries）写的一本有关
创业的书，书名是《精益创业》（The Lean Startup
）。在阅读这本书时，有一个概念深入我心，那就是“
最小可行产品”（Minimum Viable Product，MVP）。
围绕这个概念，创业者在创业初期不可贪多求全，而应
该先做出一个最小的可用产品，拿到市场上去检验，然
后根据反馈反复迭代，打磨升级，最终做出比较完善、
比较成功的产品。
后来，我看到有人提出了类似的概念——最少必要
知识（Minimal Actionable Knowledge and
Experience，MAKE）。这个概念点醒了我，我觉得自己
大概找到了“如何成为一名数据科学家”这个问题的答
案：You can MAKE it！
先来说说什么是MAKE。它指的是入门某个新领域切
实可行的最小知识集合。MAKE说起来好像比较高级，但
实际上，它背后有一个支撑它的朴素原则——Pareto原
则（亦称80-20原则），即80%的工作问题可以通过掌握
20%的知识来解决。
同样，想成为一名“性感”的数据科学家，一条路
自然是按部就班地学习所有技能——十年磨一剑，但这
样做的风险在于，当你“携剑下山”时，别人可能已经
用上了飞机、大炮。这样的对垒，你胜算几何？
其实还有另一条备选之路，那就是走一走MAKE之道
。在学习某项技能（如Python、数据分析、机器学习）
时，我们要想办法在最短的时间内，摸索清楚这项技能
的“最少必要知识”。一方面，它已然可以帮我们解决
工作中的大部分问题；另一方面，入门之后，技能的提
升通道可以在实践中寻得，缺啥补啥。有明确的任务导
向，学习就会有如神助，这也是当前时代的快节奏学习
法。
说到这里，本书的写作初衷就呼之欲出了。是的，
这本书的定位就是，为初学者提供关于数据科学的“最
少必要知识”，从而让你获得那份最“性感”的工作。
这些知识包含了成为数据科学家所需要掌握的基础内容
——Python编程、数据分析、机器学习。
本书内容
本书主要介绍Python的基础知识、数据分析的必备
技能，以及机器学习相关内容。全书共分10章，每章的
内容简介如下。
第１章　初识Python与Jupyter
Python是最具人气的编程语言之一，Jupyter是人
气与口碑俱佳的Python开发平台。本章将介绍Python和
Jupyter的基本内容，包括Python的安装与运行，以及
文学化编程利器Jupyter的使用方法。
第2章　数据类型与程序控制结构
本章将介绍Python的基础语法及常见的数据类型，
包括数值型、布尔类型、字符串型、列表、元组、字典
、集合等。此外，本章还将介绍三种程序控制结构（顺
序结构、选择结构和循环结构）和高效的推导式。
第3章　自建Python模块与第三方模块
本章将介绍Python的自定义模块及常用的第三方模
块，包括collection、datetime、json、random等模
块。
第4章　Python函数
本章将讨论Python的函数定义、函数参数（关键字
参数、可变参数、默认参数等）的“花式”传递、函数
的递归调用，以及函数式编程。
第5章　Python高级特性
本章将介绍Python中的一些高阶应用，这些高阶应
用能让我们更高效地写出更专业的Python代码。本章内
容涉及面向对象程序设计思想、生成器与迭代器、文件
操作、异常处理及错误调试等。
第6章　NumPy向量计算
本章将讨论NumPy数组的构建、方法和属性，介绍
NumPy的广播机制、布尔索引、数组的堆叠，以及爱因
斯坦求和约定等。
第7章　Pandas数据分析
Pandas是数据分析的利器，本章将主要介绍
Pandas的两种常用数据处理结构：Series和DataFrame
。同时介绍基于Pandas的文件读取与分析，涉及数据的
清洗、条件过滤、聚合与分组等。
第8章　Matplotlib与Seaborn可视化分析
Matplotlib和Seaborn是非常好用的数据可视化包
，本章将主要介绍Matplotlib和Seaborn的基本用法，
并基于此绘制可视化图形，包括散点图、条形图、直方
图、饼图等。同时，本章将以谷歌流感

本书以图文并茂的方式介绍了Python的基础内容，并深入浅出地介绍了数据分析和机器学习领域的相关入门知识。第1章至第5章以极简方式讲解了Python的常用语法和使用技巧，包括数据类型与程序控制结构、自建Python模块与第三方模块、Python函数和面向对象程序设计等。第6章至第8章介绍了数据分析必备技能，如NumPy、Pandas和Matplotlib。第9章和第10章主要介绍了机器学习的基本概念和机器学习框架sklearn的基本用法。对人工智能相关领域、数据科学相关领域的读者而言，本书是一本极简入门手册。对于从事人工智能产品研发的工程技术人员，本书亦有一定的参考价值。