文科生也能学Python! 推荐一大波Python好书,送书10本!

用Python学数学全套资源(中英).zip 用Python学数学全套资源(中英) 包括文字和代码,全套资料。 立即下载

六月,初夏。

高考结束,毕业季到来。准大学生纠结选什么专业,毕业生迈进就业大军,不论什么身份,大家都在思考着同一件事情——当下什么能力最热门?

想要得到答案很简单,打开任意一款求职软件,热门岗位的职位简介中都少不了这一项——数据分析能力。

4月20日,李佳琦亮相博鳌论坛,称:最有价值的是我的脑袋。

数据能告诉我们每一个客户想要什么,喜欢什么,甚至可以预测他们的消费倾向和潜在需求。但不是每个人都是李佳琦,做不到统计几十万粉丝的直播间数据,但统计学存在于我们生活的方方面面:

  • 你可以用它来决定明天适合穿什么;

  • 上市公司用它来制定未来商业计划;

  • 政府用它来判断教育拨款力度;

  • …

大数据渗透进各行各业,商业、工业、医疗业、零售业甚至出版业,各大网站、媒体、电商后台每天会产生大量的数据,如何有效的利用这些数据,可以决定一家公司甚至一个行业的生死存亡,统计学受到越来越多的关注。高校为了适应大数据时代的趋势纷纷为自己的王牌专业细分了统计学方向,但对于初学者而言,最应该做的就是打牢数学基础与编程基础。


在知乎,有一个热门回答是这样说的: 

统计学与数学虽然放在数学系下,但其实和数学系的学习是两个技能树。我身边也有很多统计学专业的同学,他们的数学能力我觉得已经足够了,相比数学天赋,他们现在最缺少的是计算机科学素养,也就是将统计和编程结合的能力,想从海量数据中挖掘信息,必然需要计算机的辅助。尤其是现代高维统计,“计算”的重要性越来越强。


作者:猎户座

链接:https://www.zhihu.com/question/418606518/answer/1455677669

来源:知乎

可能这时你又会说:我是文科生,我害怕铺天盖地的专业名词,畏惧晦涩难懂的统计学公式,面对正版统计软件我还囊中羞涩......

拜托醒醒!2021年了,连小学生都开始学 Python 了,一切都没你想象的那么难,统计学术语和公式看似复杂,但在生活中它无所不在,如果你觉得传统教材枯燥乏味,不妨把它扔到一边,换成这本《用Python动手学统计学》,换一个角度看看这个家伙,你会发现,统计学知识原来可以这么简单!

统计学基本概念 + Python基础知识

统计不像数学一样形而上,统计就是理解,是通过运用数据,解决实际问题。从统计学的基础知识讲起的,这帮助我们从头开始学习统计预测的方法,只有理解统计预测,才能摆脱“只会调用机器学习库”的困境。

Python的语法比较简单,可以通过简短的代码实现复杂的分析。另外,Python 也非常适合用于机器学习。因此,用 Python 学习统计学,是最有助于从统计学基础到机器学习的过渡。

无论你正在从事

数据分析、数据科学、机器学习......

无论你是

想要分析实验结果的学生

工作中需要处理数据的商务人士

还是使用机器学习的工程师

但凡和数据打交道

都离不开统计学!

《用Python动手学统计学》是面向零基础读者的统计学入门书,介绍用 Python 实现的分析方法,主要内容为以下 3 点:

  • 如何分析数据?

  • 使用某种方法为什么会更好?

  • 如何用 Python 进行分析?

不管是否擅长数学,或是否擅长 Python ,这本书都从零起步,是最适合初学者学习数据分析的书籍。

术语(文字)+ 补充(公式)+ 实现(代码)

统计学往往被认为很难学,原因有很多:不理解术语、不懂公式、比喻表达难理解等等,为了简化过程、加深理解,书中针对各个知识点,从文字讲解、公式说明、Python 代码,3 个维度分别进行讲解。

统计学基础知识 → Python基础知识 → Python统计分析方法 → Python机器学习

统计学的另一大难点就是需要理解很多概念,还要理解各概念之间的联系。书中将这些概念串联在一起,目录小标题带有“术语”、“实现”、“补充”等标记,方便查找学习,由浅入深学习数据分析,更直观地把握自己的学习进度,循序渐进过渡机器学习。

请滑动翻看目录

书中还介绍了一些比较新兴的内容,不仅可以通过书中例子深刻理解统计学术语、统计分析方法和预测方法等,还可以学到十分前沿的机器学习知识,以及如何使用Python 实现数据可视化和建模等,为高阶学习者做好了更深入学习的准备。


1.

 Jupyter Notebook交互式编程

支持在线编辑

2.

源码随书下载

亲自动手实现统计分析、数据可视化等。

超多学习资源

3.

 Python 社群

大神24小时在线交流编程知识

Python编程:从入门到实践(第2版)

- 没学过 Python 不要怕!一本“蟒蛇”闯天下 -

用Python学数学

- 数学学习不要怕,Python 数学全拿下 -

用Python动手学机器学习

- 图文并茂不老套,机器学习不枯燥 -


Python数据分析:活用Pandas库

- 正确使用数据集,简单高效不着急 -

今天我们这次送出10本书:

用Python动手学统计学:6本

Python编程从入门到实践:2本

Python数据分析活用Pandas:2本

我们会在朋友圈送6本,在知识星球(菜鸟学投资,星球来了!)送出4本。

如何领取:直接在公众号后台输入: 「小菜」,找他参与领取,备注暗号:10本!

年度爆款文案

Python统计学包scipystats手册.pdf 立即下载

相关推荐

Ubuntu安装ToDesk远程控制软件

前几天有同学问我怎么在 Ubuntu 系统上安装 ToDesk 远程控制软件, 帮他安装完成后就 顺手整理了一下安装过程,所以就顺手有了这篇在 Ubuntu 系统上安装 todesk 的文章。

小白的博客 8661

用python动手学统计学_3-2使用python进行描述统计:多变量

3-2使用python进行描述统计:多变量 包含多个变量的数据叫做多变量数据。单变量和多变量的数据的处理是不同的。 3-2-1整洁数据 整洁数据是指便于用于数据分析的表格形式的数据 具有以下4个性质: 1.每个单元格代表一个数值 2.每个变量构成一列 3.每项观察构成一列 4.每种类型的观察单元构成一个表格 数值↔单元格 变量↔列 观察↔行 鱼的种类 鱼的体长 A 2 A 3 A 4 B 7 B 8 B 9 列为变量名,只有鱼的种类和鱼的体长 A、B为数值,观察

weixin_46016079的博客 1488

如何产生ATPG IR-drop分析波形文件(DFT)

摘要:本文介绍了生成VCD波形的流程与要求,主要用于后端进行IR-drop分析。生成过程分为ATPG shift和speed ATPG capture两部分,分别对应不同的输入要求、模式设置和仿真参数。

murphyrong的博客 873

用python动手学统计学_3-6正态分布

正态分布 概率密度 实现以均值为4、方差为0.64,随机变量为3计算概率密度: # 用于数值计算的库 import numpy as np import pandas as pd import scipy as sp from scipy import stats # 用于绘图的库 from matplotlib import pyplot as plt import seaborn as sns sns.set() # 设置浮点数打印精度 %precision 3 # 在 Jupyter Noteb

weixin_46016079的博客 2074

张正友标定法_单目-线激光三维扫描系统中光刀平面的标定

单目-线激光三维扫描系统中光刀平面的标定线结构光有结构简单、精度高、测速快等特点,被广泛应用于三维重建领域。线结构光三维扫描系统由一个相机和一个线结构光投射器构成,线结构光投射器将线结构光投射到被测物体表面,相机采集带有线激光的被测物体图像,根据相机和线激光投射器间的相对位置关系,使用激光三角法计算出激光线上的点在相机坐标系下的坐标。激光三角法原理如下图所示,线激光投射的扇形区域可以看作是一个平面...

weixin_39616379的博客 1075

Lattice FPGA 开发流程(以 ECP5 为例)

以下是以 Lattice ECP5 FPGA 为例的开发流程,涵盖从需求分析到硬件部署的完整步骤。ECP5 系列是 Lattice 提供的高性能、低功耗 FPGA,适用于通信、工业控制和嵌入式系统等领域。

u011732210的博客 1261

用python动手学统计学_3-3基于matplotlib、seaborn的数据可视化

基于matplotlib、seaborn的数据可视化 3-3-1python中的数据可视化 matplotlib绘图的标准库;seaborn用于美化matplotlib所绘图像的库 3-3-2环境准备 #基于pycharm #用于数值计算的库 import numpy as np import pandas as pd #用于绘图的库 from matplotlib import pyplot as plt 3-3-3用pyplot绘制折线图 折线图直观的展示了数据的变化 #基于pycharm #用于数值

weixin_46016079的博客 460

三维荧光光谱(EEM)散射干扰实战:从识别到精准切除的完整流程

本文详细解析三维荧光光谱(EEM)中散射干扰的识别与精准切除流程,涵盖瑞利散射和拉曼散射的实战处理技巧。通过drEEM工具箱的应用示例和高级场景解决方案,帮助研究者有效消除散射干扰,提升数据准确性,特别适用于环境样品和生物活体样本分析。

weixin_42554042的博客 330

文科生如何高效学习Python?

1、Python已经是人工智能的第一编程语言。在众多的编程语言中,Python是最容易上手的编程语言,作为入门,最合适不过。因为足够简单,现在连小学生都选择开始学Python了。 2、很多教编程的一开始安装Python都是教你在命令台(一个黑框框的东西)下写代码,面对这么一个黑框框的东西,你会立马没了兴趣。这样做其实是不对的,正确的入门应该是选择一个有可视化界面的编程工具。如果你是想用Python来做项目开发,建议使用的可视化编程工具是Pycharm。如果你是想要使用Python做数据分析,建议使用的可视化

YBZ_优快云的博客 731

企业级 Agent 在 K8s 上的运行模型

Kubernetes├── Agent Orchestrator(控制面)├── Agent Runtime Pods(执行面)├── Graph DSL(流程层)├── Tool Services(能力层)K8s(调度)+ Graph(流程)+ Agent(决策)+ Tool(执行)+ Guard(治理)

一起修行,不孤单。这里有编程语言、开发工具、学习方法论和踩坑笔记。用简单的话说复杂的事,陪你从小白到进阶。周更干货,欢迎一起成长! 1177

Ovito隐藏技巧:用Expression Selection快速提取分子链(附模糊背景配置参数)

本文详细介绍了Ovito软件中Expression Selection功能的隐藏技巧,用于从复杂的分子动力学模拟数据中快速、精准地提取目标分子链。通过结合Expand Selection和Invert Selection等修饰器,形成一套高效的工作流,并深入解析了实现SCI论文级渲染效果的景深模糊参数配置,帮助研究者大幅提升数据处理与图片生成效率。

pz890123的博客 869

用python动手学统计学_3-4用python模拟抽样

用python模拟抽样 基于阿里云天池 3-4-1环境准备 #用于数值计算的库 import numpy as np import pandas as pd import scipy as sp from scipy import stats #用于绘图的库 from matplotlib import pyplot as plt import seaborn as sns sns.set() #设置浮点数打印精度 %precision 3 #在jupyter notebook里显示图形 %matplotl

weixin_46016079的博客 1353

Python爬虫实战:绕过Cloudflare反爬的最新技术与完整代码详解

在互联网数据采集领域,越来越多的网站开始部署CDN和安全防护服务,其中 Cloudflare 是最为广泛使用的防护方案之一。它不仅为网站提供DDoS防护,还能通过JS挑战、验证码和行为分析来识别并拦截爬虫。这给爬虫工程师带来了极大挑战——如何在不违反网站服务条款的情况下,实现有效的数据采集?本文将分享Python领域绕过Cloudflare反爬的最新技术方法,结合最新流行库与自动化浏览器,帮助你攻克这一难题。绕过Cloudflare反爬不是一蹴而就,需结合多技术、多策略,持续迭代。

2201_76125261的博客 2628

受够了!“干翻Python!”已有5W程序员力挺....你参与了吗?

在我的一个朋友看来,他坚信 Python 可以做任何事情。其实我是不服的,我相信很多人都有这种感觉。 但是我当看Github年度项目数量时,我哭了,因为Python应用项目也太太太太多了吧!你们都是被Python迷惑了吗?说好一起和Java和C白头,你们确一个一个变了心? 当我的朋友不断的投入Python学习时,我决定做一些Python调研,因为就个人发展而言,选择学习的技术与要就读的大学可谓同...

qq_44762698的博客 446

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

受够了!“干翻 Python!”已有 5W 程序员力挺....你参与了吗?

在我的一个朋友看来,他坚信 Python 可以做任何事情。其实我是不服的,我相信很多人都有这种感觉。 但是我当看 GitHub 年度项目数量时,我哭了,因为 Python 应用项目也太太太太多了吧!你们都是被 Python 迷惑了吗?说好一起同 Java 和 C 白头,你们却一个一个变了心? 当我的朋友不断投入 Python 学习时,我决定做一些 Python 调研,因为就个人发展而言...

程序人生的博客 1120

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python 圈精选文章汇总

今天给大家精选几个成长型的公众号,从中抽选出月初比较精彩的文章 21篇,大家可以根据兴趣的去阅读,顺便关注这些大佬,跟大佬学python没错的哦!简说Python[简说P...

苏克的博客 528

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

[私货] 精选Python学习文集

在这个信息过载的时代,获取信息的能力显得尤为重要。微信公众号是我们获取信息的最重要的途径之一,而如何挑选优质的公众号呢,就成为了一项必备的能力。所以这里给大家精选了几个大...

涛哥聊Python 396

热门专业没那么难,文科生打开统计学的正确方式!

六月,初夏。高考结束,毕业季到来。准大学生纠结选什么专业,毕业生迈进就业大军,不论什么身份,大家都在思考着同一件事情——当下什么能力最热门?想要得到答案很简单,打开任意一款求职软件,热门岗...

图灵教育 881

艺术类文科学习python笔记 23.10.3

从入门到实践。

2201_75365018的博客 149

文科生学Python,为了什么?

对文科而言,Python到底有什么用?1、理解这个充满程序的世界。如果我们关心人存在的意义,关心社会的结构,关心历史的变迁,为什么不去了解发展最为迅猛的互联网行业的基石——数字技术和程序呢?就像我们理解一个人的成长史一样,我们通过Python理解了程序,我们就会了解程序员和这个行业的价值观及其扮演的社会与历史角色——诸如为什么他们在某些方面具有某种程度的高度一致性,为什么他们崇尚经验的同时又重视创造。换句话说,想要理解这个充满了程序的世界,可能需要对程序有所了解。

m0_70486148的博客 1056

用python动手学统计学_3-5样本统计量的性质

样本统计量的性质 3-5-1整洁数据 试验可以在完全相同地条件下进行多次,这叫重复试验。 在能够重复试验的前提下进行重复进行试验的次数叫作试验次数。 3-5-2样本分布 样本分布是样本的统计量所服从的概率分布 样本分布就是反复进行相同调查得到的结果。 3-5-3、导入所需要的库 # 用于数值计算的库 import numpy as np import pandas as pd import scipy as sp from scipy import stats # 用于绘图的库 from matplotl

weixin_46016079的博客 1507

Python+统计学 | 探索常用的数据分析统计分布

本文用Python统计模拟的方法,介绍四种常用的统计分布,包括离散分布:二项分布和泊松分布,以及连续分布,指数分布和正态分布,最后查看人群的身高和体重数据所符合的分布。# 导入相关模块 ...

SeizeeveryDay的博客 1425

文科生的Python自学之路,望君少行弯路,早日学成

今天我们来分享一位小伙伴的自学之路。当然,如果你没有任何编程基础,也将会和他一样走很多弯路,如果有条件希望你能够找到老师带领。

Python966的博客 678

文科小白学Python,1个月写爬虫,走了哪些弯路?

你是如何自学Python的? 今天我们来分享一位小伙伴的自学之路。当然,如果你没有任何编程基础,也将会和他一样走很多弯路,如果有条件希望你能够找到老师带领。 0基础小白的自学之路 首先介绍下我的背景,我高中是理科生,但是大学四年,研究生都是管理专业,平时不怎么接触编程,完全是0基础的编程小白。 没学编程前觉得编程很难,搞不懂学数据结构能做什么,for循环有毛用, if while 判断真真假假有意...

人生苦短, 还不用Python? 795

今天聊聊为甚么文科生学Python

我想听听大家学习编程的理由是什么?哈哈哈在当今技术迅速发展的时代,编程已经成为一项极为重要的技能。Python,作为一种广泛使用的编程语言,因其简洁明了的语法和强大的功能而受到推崇。

2401_84206094的博客 1521

文科生小白零基础的 Python 自学逆袭之路

如果大家感兴趣的话,可以在下面留言,我这里有自学时的各种资料,或者大家感兴趣,我可以继续更新我的自学python之路,给大家做一个参考。一开始,我只是模仿代码,虽然不太明白其中的原理,但看到自己能够从网页上爬取到电影的名称、评分、评论等信息,那种成就感是无法用言语来形容的。只要找到适合自己的学习方法,从兴趣出发,在实践中学习,不断寻求帮助,持续学习,我们也能够在Python的世界里闯出一片属于自己的天地。随着学习的深入,我发现Python的世界就像一片浩瀚的海洋,永远有新的知识等待我去探索。

爱咋咋地,干就完了,把一行代码写上1000遍,你也能成为大神! 995
上一篇: Windows 11正式发布,所有用户均可免费升级,还支持安卓应用
下一篇: 投资星球,2周246个主题,175位同学,都干了啥?
菜鸟学Python
博客等级 码龄9年 8092粉丝 571原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值