数据分析四件套速通仓：Jupyter + Matplotlib + NumPy + Pandas，一键上手基础操作。
Quickstart hub for Python data analysis essentials: Jupyter, NumPy, Pandas, Matplotlib.
- 快速演示最常用的数据读取、清洗、统计与可视化操作
- 形成可复制的 Notebook 模板
- 积累常见数据分析场景（缺失值处理、分组聚合、时间序列、图形定制）
| 组件 | 用途 |
|---|---|
| Jupyter Notebook | 交互与教学 |
| NumPy | 数值计算与数组操作 |
| Pandas | 数据清洗、索引、统计聚合 |
| Matplotlib / Seaborn | 可视化与图表增强 |
Data_Analysis/
├── notebooks/
│ ├── 01_numpy_basics.ipynb
│ ├── 02_pandas_io.ipynb
│ ├── 03_pandas_cleaning.ipynb
│ ├── 04_groupby_aggregation.ipynb
│ ├── 05_time_series.ipynb
│ ├── 06_visualization_matplotlib.ipynb
│ ├── 07_visualization_seaborn.ipynb
│ ├── 08_merge_join_concat.ipynb
│ ├── 09_pivot_crosstab.ipynb
│ └── 10_tips_and_tricks.ipynb
├── data/
│ ├── sample.csv
│ └── README.md
├── templates/
│ ├── analysis_report_template.ipynb
│ └── exploration_starter.ipynb
├── docs/
│ ├── cheatsheet_pandas.md
│ ├── cheatsheet_numpy.md
│ └── visualization_guidelines.md
├── requirements.txt
└── README.md
git clone https://github.com/logcoke/Data_Analysis.git
cd Data_Analysis
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
jupyter notebookrequirements.txt 推荐：
jupyter
numpy
pandas
matplotlib
seaborn
每个 Notebook 建议包含：
- 背景/目的说明
- 步骤分节（读取 → 清洗 → 统计 → 可视化）
- 关键 API 总结（放在尾部）
- 可复现的随机种子（如涉及模拟数据）
- 缺失值处理：
isna(),fillna() - 数据重塑：
pivot,melt,stack,unstack - 分组聚合：
groupby,agg,transform - 时间序列：
DatetimeIndex, 频率重采样 - 合并连接：
merge,join,concat - 可视化：子图布局、风格、颜色映射、注释
- 完成基础 10 个 Notebook
- 补充 Pandas 与 NumPy 速查表
- 加入时间序列案例
- 增加数据清洗常见模式总结
- 模板化报告输出
- 增加性能优化片段（
vectorization,query,eval） - 扩展简单交互式可视化（Plotly 可选）
欢迎：
- 新增典型数据场景示例
- 优化可视化风格与统一主题
- 添加更多速查表与最佳实践
提交流程：
- 新建分支并添加 Notebook
- 确保 Notebook 可从头顺序运行
- 删除中间冗长输出（必要图表保留）
尚未设置，可选 MIT 以便自由使用与分发。
Q: 为什么不用复杂 BI 或大数据工具？
A: 专注“入门与高频操作”，保持学习曲线平缓。
Q: 数据来源？
A: 使用轻量示例数据或公开 CSV；不直接提交敏感数据。
学习、整理、复用，一仓搞定基础数据分析。