什么是数据？- Python数据科学教程
“数据是不同的信息片段，通常以特殊的方式格式化”。 – Oxford
数据被测量、收集、报告和分析，因此通常使用图形、图像或其他分析工具来可视化。原始数据（“未处理的数据”）可能是在被研究人员“清理”和纠正之前的数字或字符的集合。它必须得到纠正，以便我们可以删除离群值，仪器或数据输入错误。数据处理通常分阶段进行，因此，来自一个阶段的“处理数据”也可以被认为是后续阶段的“原始数据”。现场数据是在不受控制的“现场”环境中收集的数据。实验数据是在科学调查的观察中产生的数据。
数据可通过以下方式生成：
- 人类
- 机器
- 人机结合。
它通常可以在任何以结构化或非结构化格式生成和存储任何信息的地方生成。
为什么数据很重要？
- 数据有助于做出更好的决策。
- 数据有助于通过找到表现不佳的原因来解决问题。
- 数据有助于评估绩效。
- 数据有助于改进流程。
- 数据有助于了解消费者和市场。
数据类型：
一般来说，数据可以分为两部分：
- 分类数据：
在分类数据中，我们看到具有定义的类别的数据，例如：
- 婚姻状况
- 政党
- 眼睛颜色
- 数值数据：
数值数据可以进一步分为两类：
- 离散数据：
离散数据包含具有离散数值的数据，例如儿童数量、每小时浏览量等。 - 连续数据：
连续数据包含具有连续数值的数据，例如重量、电压等。
在高级级别，我们可以将数据进一步分为四个部分：
- 标称标度：
名义量表将数据分为几个不同的类别，其中没有隐含排名标准。例如，性别、婚姻状况。 - 普通规模：
有序标度将数据分类为不同类别，在此期间隐含排名。例如：
- 教师等级：教授、副教授、助理教授
- 学生成绩：A、B、C、D、E、F
- 间隔量表：
间隔标度可以是有序标度，在该有序标度期间，测量值之间的差异是有意义的量，但是测量值不具有真实的零点。例如：
- 华氏温度和摄氏温度
- 年 月
- 比例尺：
比率标度可以是有序标度，在该有序标度期间，测量值之间的差是有意义的量，因此测量值具有真实零点。因此，我们可以对真实的规模的数据执行算术运算。例如：体重、年龄、工资等。
为什么使用Python进行数据科学？
Python在过去的几年里一直很受欢迎，最近的调查也表明了同样的情况，Python在TIOBE索引和PYPL索引中的顶级编程语言中名列前茅。然而，为了支持这一点，背后有五个具体原因。
- 易于学习：作为一个开源平台，Python具有简单直观的语法，易于学习和阅读。这使得它成为初学者学习数据科学的一种很好的语言。
- 跨平台：作为一名开发人员，您不需要担心数据类型。原因是，Python允许开发人员在Windows、Mac OS X、UNIX和Linux上运行代码。
- 可移植性：作为一种简单且初学者友好的编程语言，Python在本质上具有高度的可移植性，这意味着开发人员可以在不同的机器上运行他们的代码，而无需进行任何进一步的更改。
- 广泛的库：Python有几个功能强大的库，使数据分析和可视化变得容易。Pandas是一个数据操作和分析库，NumPy是一个数值计算库，Matplotlib是一个数据可视化库。
- 社区支持：Python有一个庞大而活跃的社区，支持并促进各种数据科学库和工具的开发。这个社区创建了许多有用的库，包括Pandas、NumPy、matplotlib和SciPy，它们在数据科学中得到了广泛的应用。
然而，选择Python用于数据科学的原因还有很多，例如OOP，表达性语言，动态分配内存的能力等。这就是为什么要将Python编程语言用于数据科学应用程序。
使用Python进行数据科学的好处
总之，Python是数据科学的一种流行语言，因为它易于学习，有一个庞大而活跃的社区，为数据分析和可视化提供了强大的库，并且有优秀的机器学习库。
在应用领域方面，数据科学家更喜欢Python用于以下模块：
- 数据分析
- 数据可视化
- 机器学习
- 深度学习
- 图像处理
- 计算机视觉
- 自然语言处理（NLP）
来自学术界和工业界的工程师表示，深度学习框架（Python提供的科学包）使Python具有令人难以置信的生产力和通用性。Python深度学习框架经历了重大的演变，并且正在快速发展。
常见问题解答
Python如何应用于数据科学？
在大型社区支持的支持下，Python包含超过137，000个库，这意味着您可以单独使用Python做任何事情，并且必须专注于掌握可以使工作更轻松的流行工具和框架。谈到数据科学，NumPy，TensorFlow，SciPy，Pandas，Keras，PyTorch等库都是出于不同的目的，使数据科学工作变得更加容易。
Python对数据科学来说足够了吗？
Python本身对于数据科学来说是不够的。然而，它可以帮助您开始您的学习，但根据市场需求和不断发展的技术，必须进行实践，包括机器学习，统计，数据可视化，数据分析，网络抓取，数值计算等。
3.学习Python后该怎么做？
- 网站开发
- 导师/教师
- 全栈开发人员
- 质量保证工程师
如果你想进一步学习，建议在学习Python之后去以下领域：
- HTML、CSS或JavaScript来提高您的Web开发技能
- 从机器学习、深度学习、NLP等开始。
