简介

精彩点评

• 

  Freya

  推荐

  学习一个领域的入门最主要的就是了解其最小必须知识。因为之前了解和学过部分python，但很久没用，这本书在看的过程中进行了查缺补漏和回顾，还是非常不错的。

• 

  Sybier--疯读实干

  推荐

  表面是极简，其实讲解很清楚、又富有文学底蕴、历史背景的介绍也不脱节。

• 

  Gao Maosen

  推荐

  如果都是纸质书，代码部分以字符或者图片的方式植入可能差不多，但如果在移动端阅读，还是图片的阅读效果更好些。 技术类书籍，图还是越多越好啊[偷笑]

• 

  不良人

  推荐

  对于从未接触Python语法的初学者来说，这本书前半部分非常适合初学者学习。语法细节、语法糖介绍比较细致，不使用装饰器等高级功能的情况下，前半部分的语法介绍已足够，比起那本学习手册，这本书的语法解析符合中文语境，容易理解的多。 关于numpy和pandas，个人觉得也非常详尽，有Excel数组公式经验的朋友，理解矩阵，理解结构化处理数据，会更快。并行思路与sql有异曲同工之妙。 随便感叹一下，微软在结构化处理数据上下足了功夫，很用心。VBA、M语言、DAX等等，所以，有过这些基础的朋友，上手numpy和pandas，会比较容易。 机器学习部分放弃，目前，完全看不懂，待来日。 知识的关联与互通，知识的全面与递进。

• 

  colin

  推荐

  说是极简，其实涵盖的内容并不少。对 NumPy、Pandas、Matplotlib 这几个库的讲解很棒，示例也比较丰富。最后机器学习的一章，浅尝辄止，限于篇幅看不到太多。不过总体而言，还是颇具实战价值的一本 Python 初中级教程。

• 

  钟茂胜

  推荐

  20210503读完《Python极简讲义——一本书入门数据分析与机器学习》，作者的“最少必要知识原则”，这个学习观念不错。 对Python包中变量__all__说清楚了，好多其他教材是没说的； 对生成器和迭代器也讲述的比较清楚； 推荐了logging模板，但没展开，然后补上一句：“高手都是自学的”，我也只好赞成了； 在Numpy模块，深入浅出地讲解了“爱因斯坦求和约定”和功能强大的einsum()，不但能“降维求和”，还能用于矩阵乘法等； 对于矩阵的点乘法，a1@b1，亦可表示为np.einsum("ij,jk->ik",a1,b1)； 又如2个(2,2)向量点乘操作，a*b或np.multiply(a,b)，亦可表示为np.einsum("ij,ij->ij",a,b)，其他维度亦可类似操作； 又如np.einsum("ij->ji",arr)可实现向量的转置，等同于np.transpose(arr)； 作者einsum()的功能非常强大，这里只讲一点点，还可用于TensorFlow或PyTorch神经网络架构的任意计算图，并支持反向传播计算，非常有意思； 对向量维度轴的的概念axis，按括号层次来理解，括号由外到内，对应从小到大的维数，分别为[0,1,2,...,n]； 当“约减”时，有先后顺序，如5维向量，可用axis=[2,0,1]，先后“约减”掉第2、第0、第1维度，最后剩下2个维度，等等； 中间很多…省略 写在最后的感叹：数据分析，要学的东西都挺多的，机器学习有点超纲，需要慢慢消化，还好各路大神都在做贡献，很多功能越来越方便，越来越完善。