不管你是待业还是失业，在这个被互联网围绕的时代里，选择python学习数据，就多了一项技能，还怕找不到工作？，还怕不好找工作？小编就来告诉你这个专业的优势到底体现在哪里：Python数据分析学习路径图（120天Get新技能），数据科学家的完整学习路径（Python版）??。

1.Python数据分析学习路径图（120天Get新技能）

Python是一种面向对象、直译式计算机程序设计语言，由Guido van Rossum于1989年底发明。由于他简单、易学、免费开源、可移植性、可扩展性等特点，Python又被称之为胶水语言。下图为主要程序语言近年来的流行趋势，Python受欢迎程度扶摇直上。 图片来源用Python玩转数据由于Python拥有非常丰富的库，使其在数据分析领域也有广泛的应用。由于Python本身有十分广泛的应用，本期Python数据分析路线图主要从数据分析从业人员的角度讲述Python数据分析路线图。整个路线图计划分成16周，120天左右。主要学习内容包括四大部分：1）Python工作环境及基础语法知识了解（包括正则表达式相关知识学习）；2）数据采集相关知识（python爬虫相关知识）；3）数据分析学习；4）数据可视化学习。PYTHON学习路径计划图Python 工作环境及基础语法知识了解对于Python基础语法学习部分，学习周期大概为4周，需要的相关资源在网络上都能找到免费的资源，而且质量都不错。相关中文资源如下：1、python工作集成环境包Python(x,y):下载地址（ ）如果安装了上面集成工作包，则下面的包不需要重新安装了。关于包的安装方法在学习资源图书中都有介绍，通常安装库采用pip方法，也可以用pip list查询系统安装了哪些库。3、学习资源图书1）Python基础教程（第2版）[电子版图书自行百度]2）深入浅出Head First python（中文版）[电子版图书自行百度]在线教程1）廖雪峰的python教程（

2.数据科学家的完整学习路径（Python版）

这篇文章是2年前翻译的，发表在伯乐翻译小组，曾经在微博上被大量转发、收藏，所以这里拿过来再次和大家分享一下。原文地址：learning-path-data-science-python。从Python菜鸟到Python Kaggler的旅程（译注：Kaggle是一个数据建模和数据分析竞赛平台）假如你想成为一个数据科学家，或者已经是数据科学家的你想扩展你的技能，那么你已经来对地方了。本文的目的就是给数据分析方面的Python新手提供一个完整的学习路径。该路径提供了你需要学习的利用Python进行数据分析的所有步骤的完整概述。如果你已经有一些相关的背景知识，或者你不需要路径中的所有内容，你可以随意调整你自己的学习路径，并且让大家知道你是如何调整的。步骤0：热身开始学习旅程之前，先回答*个问题：为什么使用Python？或者，Python如何发挥作用？观看DataRobot创始人Jeremy在PyCon Ukraine 2014上的30分钟演讲，来了解Python是多么的有用。步骤1：设置你的机器环境现在你已经决心要好好学习了，也是时候设置你的机器环境了。最简单的方法就是从 SciPy, 以及Pandas从这步开始，学习旅程将要变得有趣了。下边是对各个库的简介，你可以进行一些常用的操作：根据NumPy教程进行完整的练习，特别要练习数组arrays。这将会为下边的学习旅程打好基础。接下来学习Scipy教程。看完Scipy介绍和基础知识后，你可以根据自己的需要学习剩余的内容。这里并不需要学习教程。对于我们这里的需求来说，的内容过于广泛。取而代之的是你可以学习这个笔记中前68行的内容。*学习Pandas。Pandas为Python提供DataFrame功能（类似于R）。这也是你应该花更多的时间练习的地方。Pandas会成为所有中等规模数据分析的最有效的工具。作为开始，你可以先看一个关于Pandas的10分钟简短介绍，然后学习一个更详细的Pandas教程。您还可以学习两篇博客 Data Analysis with Pandas和Data munging with Pandas中的内容。额外资源：如果你需要一本关于Pandas和Numpy的书，建议Wes McKinney写的“Python for Data Analysis”。在Pandas的文档中，也有很多Pandas教程，你可以在这里查看。任务：尝试解决哈佛CS109课程的这个任务。步骤5：有用的数据可视化参加CS109的这个课程。你可以跳过前边的2分钟，但之后的内容都是干货。你可以根据这个任务来完成课程的学习。步骤6：学习Scikit-learn库和机器学习的内容现在，我们要开始学习整个过程的实质部分了。Scikit-learn是机器学习领域最有用的Python库。这里是该库的简要概述。完成哈佛CS109课程的课程10到课程18，这些课程包含了机器学习的概述，同时介绍了像回归、决策树、整体模型等监督算法以及聚类等非监督算法。你可以根据各个课程的任务来完成相应的课程。额外资源：如果说有那么一本书是你必读的，推荐 。这本书虽然有点老，但依然是该领域*的书之一。此外，你还可以参加来自Yaser Abu-Mostafa的机器学习课程，这是*的机器学习课程之一。如果你需要更易懂的机器学习技术的解释，你可以选择来自Andrew Ng的机器学习课程，并且利用Python做相关的课程练习。Scikit-learn的教程任务：尝试Kaggle上的这个挑战步骤7：练习，练习，再练习恭喜你，你已经完成了整个学习旅程。你现在已经学会了你需要的所有技能。现在就是如何练习的问题了，还有比通过在Kaggle上和数据科学家们进行竞赛来练习更好的方式吗？深入一个当前Kaggle上正在进行的比赛，尝试使用你已经学过的所有知识来完成这个比赛。步骤8：深度学习现在你已经学习了大部分的机器学习技术，是时候关注一下深度学习了。很可能你已经知道什么是深度学习，但是如果你仍然需要一个简短的介绍，可以看这里。我自己也是深度学习的新手，所以请有选择性的采纳下边的一些建议。.net上有深度学习方面最全面的资源，在这里你会发现所有你想要的东西—讲座、数据集、挑战、教程等。你也可以尝试参加Geoff Hinton的课程，来了解神经网络的基本知识。附言：如果你需要大数据方面的库，可以试试Pydoop和PyMongo。大数据学习路线不是本文的范畴，是因为它自身就是一个完整的主题。=============================================================作者主页：笑虎（Python爱好者，关注爬虫、数据分析、数据挖掘、数据可视化等）作者专栏主页：撸代码，学知识 - 知乎专栏作者GitHub主页：撸代码，学知识 - GitHub欢迎大家拍砖、提意见。相互交流，共同进步！==============================================================

就拿大数据说话，优势一目了然，从事IT行业，打开IT行业的新大门，找到适合自己的培训机构，进行专业和系统的学习。