书籍介绍
本书是对以数据深度需求为中心的科学、研究以及针对计算和统计方法的参考书。本书共五章，每章介绍一到两个Python数据科学中的重点工具包。首先从IPython和Jupyter开始，它们提供了数据科学家需要的计算环境；第2章讲解能提供ndarray对象的NumPy，它可以用Python高效地存储和操作大型数组；第3章主要涉及提供DataFrame对象的Pandas，它可以用Python高效地存储和操作带标签的/列式数据；第4章的主角是Matplotlib，它为Python提供了许多数据可视化功能；第5章以Scikit-Learn为主，这个程序库为最重要的机器学习算法提供了高效整洁的Python版实现。
本书适合有编程背景，并打算将开源Python工具用作分析、操作、可视化以及学习数据的数据科学研究人员。
目录
用户评论
Well-organized 凡是碰到的概念都提前声明了
很好 notebook在github上开源可执行。竟然还包括如何实现书中所有图的代码。
除了版本低了，还是看2版吧。
这本书涉及到了数据分析常用的东西，跟实际操作接轨了。可以用做平时工作时的一个辅助，查询忘记了的东西。
实话告诉我，pandas那张是不是删了点什么....merge函数开始，on参数那里上来就说最好的办法是...前面问题你好歹告诉我啊！后面的例子举的真的很莫名其妙啊。不过是很好的工具书了，祝我渡劫python课。
这本书的厚度很适合作为数据工程的指标，1/2的pd+plt，1/3的mL，相比李庆辉(2021)这本书的策略更直白，能上eval和query的全上。其他部分写的中等偏上，PLT没有写成图层语法是一个缺憾，机器学习作为方法罗列疏密得当，差评在于没写成FP的形式。数据科学真的更适合FP，因为大部分的操作都是【纯】的。
比那本鼹鼠（？）书更详细
机器学习的篇幅很多
可视化也有一整章介绍，不过我选择R（？）
说实话，我感觉和看官方文档差异不大...可能就一些实操案例比较好吧，但是这种资源现在网上太多了
一刷完，属于Python进阶，决定先看Python crash course，再刷numpy、pandas，特别是pandas。
翻看除了机器学习的前四章，举的例子总体不错，作为手册突出查阅的共时性而非学习的历时性还是合适的。然而手册只是说明书，只能留下工具可以做什么的大概印象，因此看的时候主要也是看了结果而非实现方式。具体该做什么或者该怎么做，还是得等到在实践中结合目的因，才能慢慢体会。