# data-analysis

**Repository Path**: somefusion/data-analysis

## Basic Information

- **Project Name**: data-analysis
- **Description**: 数据分析学习
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2020-03-03
- **Last Updated**: 2023-03-07

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

 ### 先来反思 
     
因为一直都是自己一个人琢磨，闲的时候这里写一句，那里写一句，用的时候发现自己还是啥都不记得。特别是关于Python的内容。
很不熟悉，做的很少。我一个人学习坚持下去也比较困难，所以打算找队友一起写。
目前先邀请小米的数据大佬们一起。这样也可以试试git的pull和requests。
 ### 后续规划 
    
首先基础的语法是需要练习的，为了熟悉语法需要多练习案例，所以需要把练习的文档放在这里。可以是个学习的文档或者笔记。
 ### 文档的重要性
    
最近做一个练习的时候意识到了api文档的重要性，真正的是哪里不会点哪里。所以我得把文档链接贴在下面。
1. Python语法：[https://docs.python.org/3.9/](http://)，从tutorial开始，到library。
2. Numpy文档：[https://www.numpy.org.cn/user/basics/](http://)
3. Pandas文档：[https://www.pypandas.cn/docs/](http://)，英文API文档：[https://pandas.pydata.org/pandas-docs/stable/index.html](http://)
英文的API文档非常好用，支持搜索，所有的用法都可以查到，同时有使用例子。真正的做到面向文档编程。
4. Seaborn文档：中文[https://seaborn.apachecn.org/#/](http://)，seaborn文档因为是比matplot更高级的绘图库，所以更简单一些，更常用也更易用。
5. Pyecharts是基于百度echarts而来的库，也比较容易使用，文档全面，案例丰富，JS的效果更好，支持交互。会比seaborn更动感一些。
文档：[https://pyecharts.org/#/zh-cn/intro](http://)，注意这个文档可以理解为是一个如何配置的说明，但是第一次用会比较懵逼。
所以需要案例文档：[https://github.com/pyecharts/pyecharts](http://)；[https://gallery.pyecharts.org/#/README](http://)

机器学习的sklearn库会在后面接着写，目前先写这部分数据基础的内容。