1.2 如何高效學習Pandas

正確的方法對于技能的學習尤為重要，對于Pandas來說，逐個模塊硬啃是一種學習方法，但我認為并不正確。那么，學習Pandas有哪些誤區一定要避開，又有什么高效的學習方法呢？且聽我一一道來。

1.2.1 Pandas學習中的誤區

在戰場上，向敵人發起沖鋒之前，把預期經過路線上的陷阱排掉，可以有效地保存實力。為了更高效地學習，在正式開始講Pandas操作之前，我覺得有必要先和大家聊聊Pandas學習中的常見誤區。

很多對Python數據分析感興趣的學習者很快就熟悉了Python基礎語法，然后下定決心，一頭扎進好幾百頁的經典大部頭中，硬著頭皮啃完之后，好像自己什么都會了一點，然而實際操作起來要么無從下手，要么漏洞百出。

究其原因，理解不夠、實踐不夠是兩只經典的“攔路虎”，我們只能靠自己多想多練來克服。還有一個非常有意思且經常被忽視的因素——陷入舉三反一的糊涂狀態。

什么意思呢？假如我是只旱鴨子，想去學游泳，教練很認真地給我剖析了蛙泳的動作，扶著我的腰讓我在水里劃拉了5分鐘，接著馬上給我講解了蝶泳，又讓我劃拉了5分鐘，然后又硬塞給我仰泳的姿勢，依然讓我劃拉5分鐘。最后，教練一下子把我丟進踩不到底的泳池，給我吶喊助威。

對于我這只還沒入門的旱鴨子，教練傾囊傳授給我3種游泳技巧，并讓我分別實踐了5分鐘。這樣做的結果就是我哪一種游泳技巧也沒學會，只學會了喝水。

如果一個初學者一開始就陷入針對單個問題的多種解決方法，而對每一種方法的實踐又淺嘗輒止，那么他在面對具體問題時往往會手忙腳亂。

拿Pandas來說，它有多種構造方式、多種索引方式以及類似效果的多種實現方法，初學者如果上來就貪大求全地去挑戰“某種操作的N種實現方法”，很容易陷入舉三反一的糊涂狀態，結果學了多種實現方式，但真到用的時候連一種都用不好。

所以，為了避免大家陷入各種操作實現的細節，我會結合數據分析工作中的實際使用情況，提煉出高頻Pandas知識點，一切以數據分析應用為導向，讓學習更加明確。

1.2.2 高效學習Pandas

1.二八法則在Pandas中的應用

剛才我們了解了Pandas學習的誤區，那些是不建議做的，但到底應該怎樣做才能高效學習Pandas呢？

在二八法則的基礎之上，我總結出了“二八學習法”，它適用于很多技能類的學習。拿Pandas學習來說：

第一步，以結果為導向，明確學習目的。很多人學習Pandas是為了提升數據處理和分析效率。

第二步，基于目標，花20%的時間，通過向更有經驗的前輩請教和瀏覽相關實踐資料，了解所學技能在實踐中的常用場景和操作。比如在Pandas數據分析中，主要會用到DataFrame格式，常用到行列索引，以及增、刪、選、改等數據處理操作。

第三步，花80%以上的時間重點啃下Pandas最常用的操作。啃的過程中不要迷失，對于一種實現方式只記一種常用操作方法，結合案例，邊學邊練，直到吃透。

一句話總結二八學習法：花20%的時間明確目標和常用場景，花80%的時間把與目標場景相關的核心操作反復練習，直至了然于胸。

最終，我們雖然只掌握了某個技能或工具不到20%的使用技巧，但卻可以覆蓋80%以上的應用場景，用20%撬動80%，成為別人眼中的高手。

2.Pandas學習路線

Pandas學習路線應該是怎樣的？為了更好地回答這個問題，以結果為導向，我帶大家還原幾個高頻場景。

?有數可用。數據是一切分析的基礎，要用Pandas來做數據分析，首先得有數據。因此，第一個高頻場景是熟悉Pandas的基礎數據結構以及用Pandas打開各種常見類型的數據源。

?認識數據。有了數據之后，常見的操作是先對數據做一個總覽，比如數據長什么樣子，包含多少行多少列，每一列的格式是怎樣的，有沒有缺失值等。對數據進行快速掃描是第二個高頻場景。

?操作數據。對數據有了基本的認知后，我們需要結合分析目的，對數據進行一系列操作，包括在原有數據基礎上創建新的列，刪除某些異常的行和空缺過多的列，基于某些分析條件篩選出我們想要的數據，以及對原有數據做其他處理。這些操作可以概括為增、刪、選、改，其中最重要的是選。

?高效靈活地處理數據。常規的增、刪、選、改操作已經能夠覆蓋大部分的需求，但在有些場景下需要一定的自定義化，例如通過自定義函數和apply結合的方式，極其靈活地完成更復雜的數據處理。這些場景可以概括為Pandas的進階操作。

總結一下，本書將會從數據創建和導入、數據預覽、增刪選改、進階操作幾個方面重點展開，以貼合實際的數據分析場景。

最后需要注意的是，Pandas和Excel、SQL相比，只是調用、處理數據的方式不同，核心也是對數據進行一系列的處理和分析。在正式處理之前，更重要的是謀定而后動，明確分析的意義，厘清分析思路之后再處理和分析數據，一定會事半功倍。