如何用《玉树芝兰》入门数据科学？

链接起散落的文章，给《玉树芝兰》数据科学系列教程做个导读，帮你更为高效入门数据科学。

（由于微信公众号外部链接的限制，文中的部分链接可能无法正确打开。如有需要，请点击文末的“阅读原文”按钮，访问可以正常显示外链的版本。）

问题

2017年6月以来，我陆续在自己的微信公众号《玉树芝兰》里，写了一系列数据科学教程。

这源于一次研究生课编程工作坊尝试。受D9X合伙人阎教练的创新思维训练营启发，我在课后把词云制作流程详细记录转述，分享给了大家。

没想到，这篇《如何用Python做词云？》受到了读者们非常热烈的欢迎。

此后，一发不可收拾。

应读者的要求，结合我自己的学习、科研和教学实践，我陆续分享了更多与数据科学相关的文章。

读者越来越多，我收到的问题也愈发五花八门。

许多读者的问题，我其实都已经在其他的文章里面讲解过了，因此有时用“请参考我的另一篇文章《……》，链接为……”来答复，也帮助读者解决了问题。

在建构同理心（empathy）之前，估计我会问出这样的问题：

他们为什么不翻翻我的其他文章呢？

但现在，我能感受到他们的疑惑：

我哪里知道你写过另一篇文章？

散落在各处的文章，不容易系统学习和检索。于是我在公众号里面，给不同类别的文章做了索引。

然而，这样简单的标题索引，依然无法满足许多读者的需求。

有的读者跟着教程做完了词云，发现如果对中文文本做分析，就会出现乱码：

这时候，你该怎么办呢？

更进一步，如果你希望把词云的外边框变成指定的形状，又该如何操作？

光看标题，你可能不容易发现哪一篇文章会帮助自己解决这些问题，甚至可能会选择放弃。

我决定做这个导读。

这篇文章，不再是从任务出发，简单罗列文章标题和链接；而是从先易后难的学习步骤，来重新组织文章的顺序，并简要介绍内容和提示可能遇到的问题。

希望对你的学习能有帮助。

基础入门

大部分的教程，都是在Python运行环境Jupyter Notebook下运行和演示。

安装这个运行环境，最简单的方法，就是安装Anaconda集成套件。

请先收看这个视频教程《如何安装Python运行环境Anaconda？（视频教程）》，自己尝试安装Anaconda，运行起第一个Jupyter Notebook，输出一个“Hello world!”出来。

有了这个基础，你就可以尝试不同的数据科学任务了。

我的建议是先做词云。

因为简单，而且有成就感。

跟着图文教程《如何用Python做词云？》一步步执行。用几行Python代码，你就可以做出这样的词云来。

我还专门把它升级做成了视频教程《如何用Python做词云？（基础篇视频教程）》，供你观看。

注意图文教程和视频内容并不完全一致。

视频教程目前全系列采用Python 3.6版本。

这个变化的发生，是因为技术的发展。Python已经逐步要过渡到3.X版本了。许多第三方软件包都已经宣布了时间表，尽快支持3.X，放弃2.X的支持。

其实才半年而已，你就可以感受到技术、社群和环境的变化有多快。

可是目前某些软件包（例如后面我们要提到的TuriCreate），依然只能支持2.X版本Python。

你需要暂时做个“两栖动物”，千万不要束缚自己，因为“立场原因”固执着不肯用低版本Python。这样吃亏的是自己。

怎样才能做个“两栖动物”呢？

办法之一，就是使用Anaconda的虚拟环境。可以参考《如何在Jupyter Notebook中使用Python虚拟环境？》。

你初始安装版本针对Python 2.7的Anaconda，并不妨碍你快速建立一个3.6版本Python的虚拟环境。

有了这个秘籍，你就可以在不同版本的Python之间左右逢源，游刃有余了。

如果你想做中文词云，请参看这篇文章《如何用Python做中文分词？》。你就能做出这样的词云了。

如果你希望改变词云边框外观，就参考这篇文章《Python编程遇问题，文科生怎么办？》的最后部分。

到这里，你已掌握Python运行环境安装、虚拟环境建立与使用、文本文件读取、常见软件包调用、可视化分析与结果呈现和中文分词等基本功夫了。

回头望去，是不是成就感爆棚呢？

自然语言处理

下一步，我们来尝试自然语言处理（Natural Language Processing, NLP）。

情感分析，是NLP在许多社会科学领域热门的应用之一。

《如何用Python做情感分析？》这篇文章，分别从英文和中文两个案例，分别采用不同的软件包，针对性地解决应用需求。

你只需要几行代码，就能让Python告诉你情感的取向。是不是很厉害？

有了情感分析做基础，你可以尝试增加维度，对更大体量的数据做分析。

增加时间维度，就可以持续分析变化的舆情。

《如何用Python做舆情时间序列可视化？》这篇文章，一步步指引你在时间刻度上可视化情感分析结果：

这图难看了一些。

不过我们需要容忍自己起步时的笨拙，不断迭代与精进。

希望一出手就满分，对极少数天才，确实无非是日常。

但对大多数人，是拖延症的开始。

你可能迫不及待，尝试换自己的数据做时间序列可视化分析。

不过日期数据如果与样例有出入，可能会出现问题。

这时候，不要慌，请参考《Python编程遇问题，文科生怎么办？》的第二部分，其中有详细的错误原因分析与对策展示。

看过后，分析结果图也会迭代成这个样子：

刚刚这些情感分析，其实只是二元分析（正面vs负面）。但是我们都知道，人的情感其实是多方面共同构成的。

如何从文本中，分解出多维度的情感特征变化呢？

《如何用Python和R对《权力的游戏》故事情节做情绪分析？》一文分析了《权力的游戏》中某一集剧本，你会获得这样的结果：

如果你是《权力的游戏》剧迷，请告诉我，这张图描绘的是哪一集？

先猜猜看，然后再打开文章，跟结尾做对比。

这篇文章的可视化分析部分，用的是R。

R也是数据科学领域一个非常受欢迎的开源工具。它的通用性和热度可能不如Python（毕竟Python除了数据科学，还能干许多其他的事儿），但是因为有统计学界诸多科学家的拥护和添砖加瓦，因此有非常好的一套生态系统。

到这里，你对情感分析逐渐有点儿感觉了吧？

课间答疑

随着知识、技能和经验的积累，你的疑问可能也逐渐增多了吧？

有的同学对这种教学方式有疑问——案例挺有意思，也很简单易学，但是怎么把它用到我自己的学习、工作和科研中呢？

我为你写了一篇答疑说明，叫做《文科生如何高效学数据科学？》。文中提到了以下几个方面：

• 如何指定目标？

• 如何确定深度？

• 如何加强协作？

提到协作，就不能不说Github这个全球最大的开源代码托管仓库了。

在咱们的教程里，也多次使用Github来存储代码和数据，以便你能够重复运行教程中的结果。

《如何高效入门Github？》一文提供了文档和视频教程资源，希望能对你掌握这个数据富矿提供帮助。

不少读者在这个阶段常提出这个问题：老师，想学Python，推荐本书呗。

看来，你已经明白了Python的好处了，对吧？

《如何高效学Python？》帮助你给自己的学习特性做出了分类。根据分类的结果，你可以选择更适合自己的学习路径。

机器学习

你可以尝试做更高级的分析了。

例如机器学习（Machine Learning）。

机器学习的妙用，就是在那些你（其实是人类）无法准确描述解决步骤的问题上，让机器通过大量案例（数据）的观察、试错，构建一个相对有用的模型，来自动化处理问题，或者为人类的决策提供辅助依据。

大体上，机器学习主要分为3类：

• 监督学习（Supervised Learning）

• 非监督学习（Unsupervised Learning）

• 强化学习（Reinforcement Learning）

目前本专栏介绍了前两类的一些例子。

监督学习与非监督学习最大的差别，在于数据。

数据已有标注（一般是人工赋予标签），一般用监督学习；

数据没有标注，一般只能用非监督学习。

监督学习部分，我们举了分类（classification）任务的例子。

《贷还是不贷：如何用Python和机器学习帮你决策？》中的案例，选择了贷款审批辅助决策。

具体的机器学习算法，是决策树（decision tree）。

有同学表示，绘制这棵决策树的时候，遇到了问题。

这主要是因为运行环境的差异和依赖工具的安装没有正确完成。

《Python编程遇问题，文科生怎么办？》的第一部分，对这些问题做了详细的阐述，请根据列出的步骤尝试解决。

《Python编程遇问题，文科生怎么办？》这篇文章展示给你了一种任务导向的学习方式，期望它可以提升你Python语言和数据科学学习效率。

非监督学习部分，我们讲述了《如何用Python从海量文本抽取主题？》。

文中用一种叫做LDA的聚类（clustering）方法，帮你从可能感兴趣的浩如烟海文档中，提取出可能的类别，对应的主要关键词，并且做了可视化处理。

如果你不是从海量文本归纳主题，而是希望对单一长文本提取若干重要关键词，该怎么办呢？

《如何用Python提取中文关键词？》一文会对你的任务有帮助。但注意它并不需要使用机器学习算法，而是采用相对成熟的算法来直接解决问题。

深度学习

深度学习，指用深度神经网络（Deep Neural Network）进行机器学习。

相对于传统机器学习方法，它使用的模型结构更为复杂，需要更多的数据支持，并且训练起来要消耗更多的计算资源和时间。

常见的深度学习应用，包括语音识别、计算机视觉和机器翻译等。

当然，新闻里面最爱提的，是下围棋这个事儿：

我们提供的案例，没有那么挑战人类智能极限，而是跟日常工作和生活更加相关。

《如何用Python和深度神经网络发现即将流失的客户？》为你介绍了深度神经网络的基本结构。

这篇文章通过客户流失预警的例子，讲述了使用前馈神经网络进行监督式学习的基本样例。

实际操作部分，采用Tensorflow作为后端，tflearn作为前段，构造了咱们自己的第一个深度神经网络。

《如何用Python和深度神经网络发现即将流失的客户？》一文末尾还为你提供了进一步掌握深度学习的相关资源。

如果你需要安装Tensorflow深度学习框架（Google出品哦），欢迎先阅读这篇《Tensorflow执行pip升级安装的坑》。

有了深度神经网络的基础知识，我们折腾计算机视觉。

《如何用Python和深度神经网络识别图像？》一文，举例分类哆啦a梦和瓦力这两个机器人的各种花式图像集合。

卷积神经网络(Convolutional Neural Network, CNN)这时就大放异彩了。

这篇文章，帮你分析了卷积神经网络中，不同层次（Layer）的作用。我们尽量避免用公式，而是采用图像、动图和平实的语言描述来解释。

这次我们使用的深度学习框架，是苹果的TuriCreate。在后台，我们调用了一个非常深层次的卷积神经网络，帮我们投机取巧（迁移学习），获得了非常高的分类准确率。

有的读者自己尝试，测试集准确率居然达到100%（视运行环境不同，有差异），大呼过瘾。可同时又觉得不可思议。

为了解释这种“奇迹”，同时解答读者“如何在私有数据集上以图搜图”的疑问，我写了《如何用Python和深度神经网络寻找近似图片？》。

希望读过此文，你对迁移学习（Transfer Learning）有了更深入的认识。

另一批作者又来发问了：

老师，我用Windows，死活就是装不上TuriCreate，可怎么办？

我替他们着急的时候，恰好找到了一个宝贝。于是写了《如何免费云端运行Python深度学习框架？》。

免费使用GPU，用极为简易的操作，就可以在Google云端Linux主机上部署和执行苹果深度学习框架……

听着是不是像做梦啊？

感谢Google这个为人类知识积累做出贡献的企业。

数据获取

学完深度学习之后，你会发现自己变成了“数据饥渴”症患者。

因为如果没有大量的数据，就无法支撑你的深度神经网络。

如何获取数据呢？

目前主流的（合法）方法，主要分为3类：

• 开放数据集下载；

• API读取；

• 爬虫爬取（Crawling）。

《如何用Python读取开放数据？》一文中，我为你讲解了如何把开放数据集下载并且在Python中使用。

这篇文章介绍了常见的CSV/Excel, JSON和XML等开放数据文件格式的读取、初步处理和可视化方法与流程。

如果没有开放数据集整理好供你下载，网站只提供API接口，你该怎么办呢？

《如何用R和API免费获取Web数据？》一文中，我们使用R读取维基百科API，获得指定条目的访问数量记录，并且做了可视化。

希望这些文章可以帮助你免费高效获得优质数据，撑起你自己的（深度）机器学习算法。

小结

本文把《玉树芝兰》专栏目前的数据科学类文章进行了梳理和归类，建立了链接，以帮你看清它们之间的逻辑依赖关系。

目前专栏文章主要围绕以下方面展开：

• 基础入门；

• 自然语言处理；

• 机器学习；

• 深度学习；

• 数据获取；

• 答疑。

你可能早已发现，我们还有很多话题，没有来得及涉及。

别着急。

今后，本专栏会继续补充相关的内容，为你提供更多的学习素材。

讨论

本专栏数据科学类的文章你都读过了吗？你更喜欢哪个方面的主题？有没有什么后续文章主题的建议？欢迎留言，把你的经验和思考分享给大家，我们一起交流讨论。

如果你对我的文章感兴趣，欢迎点赞，并且微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。

如果本文可能对你身边的亲友有帮助，也欢迎你把本文通过微博或朋友圈分享给他们。让他们一起参与到我们的讨论中来。

---

如果喜欢我的文章，请微信扫描下方二维码，关注并置顶我的公众号“玉树芝兰”。

如果你希望支持我继续输出更多的优质内容，欢迎微信识别下方的赞赏码，打赏本文。感谢支持！

欢迎微信扫码加入我的“知识星球”圈子。第一时间分享给你我的发现和思考，优先解答你的疑问。