CURATED GUIDE · 固定上游版本

数据科学入门:10 周学习路线

用 10 周完成问题定义、SQL、清洗、探索、可视化、采集、生命周期和综合项目。

这份路线以“提出可验证的问题”为起点,串联数据获取、清洗、分析、可视化、生命周期与沟通。重点是保留数据来源和决策依据,而不是只生成一张漂亮图表。

学习准备与固定习惯

先掌握 Python 基础、表格数据和简单统计。准备 Jupyter 或同类笔记本环境,并用 Git 管理代码;大型原始数据、个人隐私、账号和密钥不直接提交仓库。

每个项目建立同一份记录:

  1. 想回答的问题、目标使用者和可接受误差。
  2. 数据来源、许可、采集时间、字段含义和缺失原因。
  3. 原始数据只读保存,清洗步骤可重复执行。
  4. 分析假设、排除条件、图表选择和局限性。
  5. 结论对应的具体证据,以及仍不能回答的问题。

上游入口:Data Science For Beginners 固定版本。

第 1 周:数据科学问题与伦理

精选入口:导论。

第 2 周:关系数据、SQL 与表格操作

精选入口:处理数据。

练习主键、重复记录、过滤、分组、连接和聚合。每次连接前后都记录行数,解释一对多关系是否造成重复;聚合前明确空值是否应计入。

本周产出:从两张小型表生成一份汇总结果,附 SQL 或 DataFrame 代码、行数核对和五个边界测试。

第 3 周:清洗、缺失值与异常值

不要先删空值再分析。先统计每列类型、缺失率、唯一值、范围和样例,再决定填充、标记、排除或回查来源。

过关标准:同一原始文件重复运行得到完全一致结果,并能在报告中解释每次删除或修改。

第 4 周:探索性分析与统计直觉

先看分布再算平均数。使用直方图、箱线图和分组统计发现偏态、离群点与群体差异;需要估计不确定性时,说明样本与方法限制。

第 5 周:可视化与误导检查

精选入口:数据可视化。

比较趋势用折线,比较类别用条形,展示分布用直方图或箱线图;关系图不能自动证明因果。标题直接说明图表要支持的事实,并注明单位、来源和时间。

检查截断坐标、双轴、颜色、面积和排序是否夸大差异。为颜色视觉障碍保留形状、标签或直接标注,不仅靠红绿区分。

本周产出:同一数据的两张图,一张存在误导、一张修正,并写出具体差异。

第 6 周:数据采集与 API 边界

采集前阅读网站或 API 条款、 robots 说明、速率限制和隐私要求。优先官方导出或公开 API,不绕过登录、验证码和访问控制。

第 7 周:数据科学生命周期

精选入口:数据科学生命周期。

将项目分为获取、准备、分析、表达和维护。在分析前就约定验收指标和停止条件;在交付后考虑数据更新、字段变化和结果过期。

练习:为一个“公开服务请求处理时长”项目画出生命周期。标出每一步负责人、输入、输出、质量检查和失败后的回退路径。

第 8 周:从分析到简单预测

预测前先建立简单基线,例如历史中位数或多数类别。划分训练与测试时防止同一实体或未来信息泄漏;时间数据按时间切分,不随机打散。

本阶段不追求复杂模型。重点理解特征、目标、训练、验证和评估,选择与问题匹配的指标。类别极不平衡时,单独报告准确率通常不足。

过关标准:能解释模型比基线好在哪里、误差集中在哪里、何时不应自动使用预测结果。

第 9 周:云端与实际应用边界

精选入口:云端数据科学。

比较本地与云端在弹性、协作、成本、数据驻留和运维上的取舍。云服务不是默认答案;先用小规模数据验证需求,设置预算、访问控制和资源清理。

本周产出:一份部署决策记录,明确为什么选本地或云端、如何计费、如何备份和如何删除数据。

第 10 周:综合项目与答辩

选择一个可合法使用的小数据集,在有限范围内完成问题定义、清洗、探索、图表和结论。不要做无法收尾的大平台。

最终交付包含:

来源、版本与许可

本文依据上游固定版本的课程分区重新编写 10 周路线,并加入原创质量检查、伦理与项目验收清单。上游课程和代码遵循 MIT 许可;外链数据集、云服务、文章与工具分别遵循其原始许可和使用条款。

离线保存这份精选导览

关注公众号「日拱一卒」,发送口令「数据科学」,按提示验证后下载 Markdown 或 PDF。

前往下载