Python for Data Analysis读后感精选10篇
《Python for Data Analysis》是一本由Wesly McKinney著作，O'Reilly Media出版的450图书，本书定价：平装，页数：2013-6-16，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。
《Python for Data Analysis》读后感(一)：力荐
内容是想通过malplotlib工具包进行图表绘制，22页处理的数据里含有空字段，所以在绘制图表前，需要对数据里的NA数据进行相应的处理。针对本数据（usa.txt）里有些访问无法记录其地名，读者可以将无地域名信息的数据置 内容是想通过malplotlib工具包进行图表绘制，22页处理的数据里含有空字段，所以在绘制图表前，需要对数据里的NA数据进行相应的处理。针对本数据（usa.txt）里有些访问无法记录其地名，读者可以将无地域名信息的数据置 内容是想通过malplotlib工具包进行图表绘制，22页处理的数据里含有空字段，所以在绘制图表前，需要对数据里的NA数据进行相应的处理。针对本数据（usa.txt）里有些访问无法记录其地名，读者可以将无地域名信息的数据置 内容是想通过malplotlib工具包进行图表绘制，22页处理的数据里含有空字段，所以在绘制图表前，需要对数据里的NA数据进行相应的处理。针对本数据（usa.txt）里有些访问无法记录其地名，读者可以将无地域名信息的数据置 内容是想通过malplotlib工具包进行图表绘制，22页处理的数据里含有空字段，所以在绘制图表前，需要对数据里的NA数据进行相应的处理。针对本数据（usa.txt）里有些访问无法记录其地名，读者可以将无地域名信息的数据置
《Python for Data Analysis》读后感(二)：第三次读这本Python数据处理的入门书籍
一年前看过这本书，当时我还是一个Python小白，因为没有编程基础，连基本的语法都不会。所以最开始看这本书，就在第二章Ipython编译器这里卡了很久。在网上搜索各种信息后，安装了Anaconda3和jupyter notebook后，算是可以实现书的程序了。
然而，在第一章里就有部分语法是不支持Python3的，而我用的则是Python3，面对红色的报错，令人感动沮丧。因为当时我还不知道原因，只是觉得明明写的一样啊，为什么会报错，感觉编程太难了，好容易就出问题。
然后硬着头皮看了第四章，numpy的用法，终于感觉到学到了一点东西。不过因为作者写的很繁杂，在这章最后面那里已经快要看不下去了。然后，第一看就到此为止了，我感觉对Python的学习失去了兴趣。
第二次在捡起这本书，忘了是几个月后了，因为写论文的原因要用到Python的pandas包，所以硬着头皮又回来看第五章，pandas包的介绍。这次看感觉好多了，因为有了一定的numpy基础和心理预期，用了几天时间把pandas这章所有的程序跟着敲了一遍。学到了不少，但是因为写的有些杂乱，真要用的时候还是要回去参考语法。不过在写过很多次之后，现在pandas包的很多语法我已经可以闭着眼睛写出来了。然后第二次看到这里就没再往下看了，因为我当时用的基本就只是pandas而已。
第三次，就是这次了。我觉得还是要把这本书完完整整的看过。于是又捡起来，从第一章开始看，看了大部分。因为有的章节的语法依赖于Python2，金融数据那一章读取股票数据连不上，所以放弃了部分内容，但是应该影响不大。大部分都跟着打了一遍，总共打了几千行代码，删除没用和打错的，最后留下来不到1000行代码，存在了我的Jupyter Notebook里了。
这次的收货蛮大的。首先，第一章引用了不少例子，给我看到了数据分析的一个具体案例，其中最令我眼前一亮的就是一个案例中，它读取了一个文件夹里所有的文件，文件有年份的规律，写了一个很简单的循环，就把他们全部读取并且合并成一个表。我想如果是我的话，也能完成这一目标，但是语法会写的很烂，很杂，又把握不到精髓。
后面的章节，numpy、pandas都讲的不错。其中，pandas确实是处理数据的一个神器，如果用的好，它比Excel还要方便。除了基本的用法，它有分组groupby和数据透视表pivot_table两个工具，可以再写自己的函数，应用于此。这样一来就比Excel里面不断地调整设置方便了。
然后还有一些部分，包括数据预处理、数据存储、绘图等也要看一遍，虽然有的用不到，但是了解一下也不错。
ython的东西，就是学起来快，但是忘起来也快。很多语法今天写了，明天就忘光光了。尤其是我用pandas这个包，最基本的打开语法都是用过好几遍才记住的，不过一段时间不用还是会不熟悉，容易忘。
这次的阅读，我做了很详细的笔记，用Jupyter Notebook。并且一页一页把他们截图下来，保存在了我的手机相册里，另存为一个相册集。打算每天复习一遍，目前从开始阅读，就每天复习了已经学过的，大概已经坚持了10天多了（中间间断过几天）。
准备下个月要每天复习一次，可以慢慢加深印象，而且复习越多速度越快，其实不占太多时间。
总体来说，这本书对于Python小白，又想做数据处理的人来说是不错的入门书籍。对于已经有一定Python数据处理经验的人来说也可以当做参考。
这本书的缺点就是写的很杂，不过不这样写，又能怎么写呢？如果让我来写，可能也会写成这个样子，放很多很多的例子在上面，就是零碎的。所以缺点也是它的优点吧。
《Python for Data Analysis》读后感(三)：I think this book is useless when you know R and matlab
When I read this book, I installed the software by this book said.
However, I did not recommend you to read this book when you know how to use R and matlab.
As we know, python is easy to study, and many libraries you can add to the area of data analysis. So, when you studying some algorithms related web mining or big data, I think you can do some projects to make you familiar with data analysis with python, rather than learning data analysis by this way.
However, if you new to python, I recommend this book for you, just know some computation in python, do not remember all of the syntax of these computation.
After all, this book is good enough to know python, however, you have known matlab or R, it is waster of time in this direction.
You know programming language is not problem, you should focus on the algorithms.
《Python for Data Analysis》读后感(四)：Python大数据分析 Python for Data Analysis 读书笔记 第2页
Why Python for data analysis？
ython具有很强的魅力，很容易使人很快的喜欢上她！从91年开始Python就成为广受喜爱的动态编程语言(？随提的)Python和Ruby近些年比较火（国内如何？）尤其是Django、Rails等web构架的流行促使更多人学习使用Python和Ruby。
ython和Ruby还有Perl业内常称做脚本语言，他们能够用最短小的代码或脚本完成最优美的功能。作者不太喜欢用脚本语言来界定Python因为脚本语言言外之意是说Python等语言能力单薄无法胜任mission-critical（重要任务？）构建大型软件系统。
近些年无论是工业级应用还是科研Python已被广泛采用。
用Python做大数据分析就不可避免的要和其他开源软件以及R、Matlab等工具进行一下对比，无论是数据分析、计算、可视化，Python都不逊于上述各类软件或工具。
ython as Glue
ython的成功一部分归功于其能很好的集成（支持）C、C++、Fortran语言代码。（Python 的底层是用 C 语言写的，很多标准库和第三方库也都是用 C 写的，运行速度非常快。）部分程序可以用C或C++编写，然后在Python程序中使用它们。
《Python for Data Analysis》读后感(五)：Python初学的感觉
最近这一年来，一直在纠结于各种编程语言，从硕士的matlab到R，然后是perl, shell, awk和sed。最后碰到一个做生物实验的访问学者，和我说他都用python分析数据，好吧，看来python我是得必须学了。
这本书主要讲了两个东西numpy和pandas，本质上就是R的vector和dataframe。由于自己是从R和shell转来的，所以看的时候一直都在与R进行比较，比较的过程中，发现自己真的是变懒了很多。
R中的几乎所有的函数都支持向量的输入，而python中的函数大部分只支持标量的输入。所以用python实现相同的功能时，就得多加一个for循环，或是用map什么的，总之是得多加点什么。但就是这么一点细微的差别，有时却让我无法忍受，为什么他就不能写一个向量版的呢，为什么它就不是再简单一点呢。
但是不得不承认，python写脚本要比用shell写强多了。shell的特点是语言精炼，但是语法奇怪，而且函数库极少，对大型系统的构建不是很好。python在语法上稍复杂，但是还是可以接受。
网上好多人都在说，python在数据分析领域正在超越R。自己感觉在数据分析领域python很难超越R，但python的长处在于其广。很多时候，人们更多的是只想待在一种语言里罢了
: 今天在实验室里面看这本书，实验室的博后和另外一博士在讨论HMM的数据分布... 哎，差距真不是一般的大啊，偶什么时候才能到那个阶段
《Python for Data Analysis》读后感(六)：Python大数据分析 Python for Data Analysis 读书笔记 第3页
why not Python？不擅长的
ython语言擅长进行各类科学计算，可以用Python构建一些通用系统，但Python也不是万能的，也有他不擅长做的事情。
ython像Java 一样是解释性的语言，这一点决定了他运行其来总体上说会比编译型代码要消耗更多的CPU,程序员会更加具体需求来折中选择用还是不用Python的。
ython不太擅长处理并行、多线程应用。GIL(Global Interpreter Lock)限制解释器在一个指令访问时间内只能访问一个Python字节码。但并不是说Python不支持多线程、并行处理，Cpython集成了OpenMP大大提高了Python并行处理能力。
《Python for Data Analysis》读后感(七)：学习用开发环境
用anaconda或者canopy学这本书最好
按书上配置安装开发环境太复杂，这两个软件已经集成好了
《Python for Data Analysis》读后感(八)：Python大数据分析 Python for Data Analysis 读书笔记 第1页
What is this book about？
本书主要讨论在Python下如何处理、管理、清除数据，一并介绍了在Python下如何进行科学计算技术。书中还介绍了Python语言和python标准库通过python提供的标准库可以有效的解决您在用Python进行大数据处理。
书中提到的“数据”泛指：
1）矩阵或者说多维数组
2）表格(类似Excel、Calc)
3）诸如SQL关系型数据库表
这些数据都可以通过Python进行相应的处理，转换成适合Python分析的数据结构，之后用Python相应的工具进行数据分析、处理，提出数据特征并用一定的结构形式表现出来，这种形式对习惯用Excel处理数据的用户来说不会陌生，能够接受。
《Python for Data Analysis》读后感(九)：Python大数据处理经典书
1.Python for Data Analysis
1）基本要求
懂Python、统计学