前言
《利用Python进行数据分析》第一版使用python2.7，出版于2012年
本书第二版使用python3.6，编写于2016年~2017年，针对pandas库的新特征进行更新
目前的笔记依赖于第三版，编写于2022年，并对pandas库的新特征进行更新
第三版在项目上尽可能与前两版保持一致，但是在细节有一些优化；同时第三版最大的一处变化是开放了在线版本，并通过git版本控制进行持久维护，查缺补漏（给作者点个赞）。
本书中所有涉及的代码和数据也都可以在Github项目或Gitee项目中找到
在前言部分，作者也致敬和感谢了很多曾经激励或帮助他本人的机构与伙伴
1 本书主要内容
介绍Python编程和用于数据处理的库和工具环境
深入说明通过Python进行数据控制、处理、整理、分析等要点与细节
本文主要需要处理的是结构化数据（structured data），包括但不限于表格型/关系型数据、多维数组、多表关联、时间序列。数据类型也以字符串、数字化、日期为主
2 Python的特性
Python的优势
- 数据科学、机器学习、软件开发等领域，都具备规模庞大并且活跃的社区
- 在数据分析、交互式计算以及数据可视化方面，也具备强大而优秀的性能
- 作为一种胶水（Glue）语言，Python能很好地衔接不同的语言或软件系统
- Python很适合科研领域研究与测试，在工业的生产开发也具备不俗的实力
Python的不足：
- 作为一种解释型编程语言，天然的比编译型语言运行慢
- 由于全局解释器锁（Global Interpreter Lock，GIL）的存在，Python不适合高并发多线程的场景
3 Python的常用库
Numpy：科学计算基础包，能高效地处理数组与相关的数学运算
pandas：本书的重点研究工具，兼具Numpy的高性能和类似Excel的灵活性
matplotlib：图表绘制基础包，常作为数据可视化工具的首选
IPython和Jupyter：交互式的Python编程，更符合数据分析与探索的实战场景
SciPy：处理科学计算的常用包，包含微积分、最优化、统计检验等功能
scikit-learn：通过机器学习工具包，内置大量常用的机器学习算法
statsmodels：统计分析包，包含很多经典统计学和经济计量学的算法
4 Python的安装与配置
不同系统下的Python安装：略
Python包的安装或升级使用conda或pip：细节略
入门推荐直接安装Miniconda或Anaconda，更多细节可查阅Anaconda基础知识
集成开发环境（IDEs）和文本编辑器：PyDev（免费）、PyCharm（个人开发者免费）、Visual Studio（免费，个人推荐）、Spyder（免费，Anaconda自带）、Komodo IDE（付费）
5 社区和会议
常见社区：
- pydata：和Python数据分析或pandas相关
- pystatsmodels： 和statsmodels或pandas相关
- scikit-learn和Python机器学习相关组织列表
- numpy-discussion：和NumPy相关
- scipy-user：和SciPy和科学计算相关
常见会议：
- PyCon和EuroPython：北美和欧洲的两大Python会议
- SciPy和EuroSciPy：北美和欧洲两大科学计算的相关会议
- PyData：世界范围内，专注数据科学和数据分析的地区性会议
- 国际和地区的PyCon会议完整列表
6 本书导航
本书第2~3章，主要介绍Python的特点，IPython和Jupyter notebooks。非初学者可选择性跳过
常见术语：数据规整（Munge/Munging/Wrangling）、伪代码（Pseudocode）、语法糖（Syntactic sugar）