用 Python 处理数据，到底解决什么工作场景

这门课的主题是 Python 数据分析初探，核心落在 Numpy 与 Pandas 这两个库上。如果你每天的工作是把 Excel 表格倒来倒去，做几十万行的 VLOOKUP 时电脑经常卡死，或者需要从一堆杂乱的系统导出数据里拼出一份业务汇总，那这门课解决的就是“怎么用代码替代手工搬砖”的问题。它不教高深的机器学习算法，而是专注在最基础的数据清洗、转换和可视化呈现上。学完之后，你能用几行代码完成以前要花半天才能搞定的多表合并、缺失值填补，并用 Matplotlib 把干瘪的数字变成直观的业务折线图或柱状图。

零基础转行或业务岗转岗，建议怎么看

这套资料适合完全没写过代码的业务人员或转行者。视频是从怎么创建数组这种最基础的操作开始讲的，不需要你提前学过计算机原理。但为了避免看了就忘，建议你先集中看 Numpy 基础里的数组创建与维度变换，理解 axis（坐标轴）的概念，这是后续处理二维表格的基石。接着直接跳到 Pandas 部分对照练习，最后再看 Matplotlib 画图。不要把视频当剧刷，每看完一个十多分钟的片段，就在本地环境里敲一遍代码，改几个参数看看输出结果，遇到报错先自己查文档。

学完能独立做什么及资料配合方法

踏踏实实跟着练完这套资料，你能独立写出一个完整的数据处理脚本：从读取杂乱的 CSV 或 Excel 文件开始，清洗掉空值和格式异常的行，按业务需求做分组聚合统计，最后自动生成一张可视化图表并导出。在使用资料时，建议把视频和代码配合起来：先通看一遍理解数据流转的逻辑，第二遍时一边看一边在自己的编辑器里复现。你可以拿自己日常工作中的真实脱敏数据来替换视频里的演示数据，比如把示例里的销售表换成你自己的周报数据。当你能用代码独立跑通一次完整的业务分析流程，就算真正把这门课的内容吃透了。


Numpy、Pandas库的使用和Matplotlab生成各种类型分析图

课程目录

*   01 Numpy科学库基础/

  *   01 numpy简单介绍.mp4 (43.32 MB), 09:35

  *   02 数组的创建.mp4 (32.29 MB), 08:46

  *   03 使用方法创建数组.mp4 (36.61 MB), 12:28

  *   04 reshape方法的使用.mp4 (22.34 MB), 08:12

  *   05 axis理解.mp4 (35.83 MB), 11:04

  *   06 一维数组转成二维数组.mp4 (17.98 MB), 06:16

*   02 Numpy科学库进阶/

  *   01 数组的广播.mp4 (70.30 MB), 17:16

  *   02 广播实践案例.mp4 (47.25 MB), 12:34

  *   03 索引的基础操作.mp4 (24.92 MB), 09:10

  *   04 整数数组索引.mp4 (46.46 MB), 10:18

  *   05 boolean数组索引.mp4 (37.77 MB), 09:28

  *   06 genfromtxt用法.mp4 (14.79 MB), 04:54

  *   07 其他属性.mp4 (25.68 MB), 07:39

  *   08 dtype介绍.mp4 (36.08 MB), 07:59

  *   09 读取UCI数据.mp4 (54.58 MB), 09:33

  *   10 处理鸢尾花数据集.mp4 (50.39 MB), 09:02

*   03 Pandas基础操作/

  *   01 pandas数据结构介绍.mp4 (40.68 MB), 09:57

  *   02 jupyter使用.mp4 (57.47 MB), 11:20

  *   03 数据的读取和写入.mp4 (71.31 MB), 13:08

  *   04 DataFrame获取子集数据.mp4 (45.63 MB), 11:33

  *   05 DataFrame获取子集数据2.mp4 (32.22 MB), 06:57

  *   06 DataFrame获取子集数据3.mp4 (33.51 MB), 07:01

  *   07 数据可视化1.mp4 (46.30 MB), 10:21

  *   08 数据可视化2.mp4 (49.47 MB), 09:22

*   04 Pandas高级内容1/

  *   01 DataFrame扩充列.mp4 (26.47 MB), 05:15

  *   02 聚合函数的使用1.mp4 (28.12 MB), 07:05

  *   03 聚合函数的使用2.mp4 (51.38 MB), 10:46

  *   04 结果集排序.mp4 (40.81 MB), 07:38

  *   05 Long to Wide转换.mp4 (55.45 MB), 11:27

  *   06 Wide to Long转换.mp4 (68.24 MB), 12:07

  *   07 多表数据合并.mp4 (52.67 MB), 09:49

  *   08 多表数据合并2.mp4 (47.86 MB), 08:37

*   05 Pandas高级内容2/

  *   01 处理时间序列1.mp4 (50.18 MB), 10:58

  *   02 处理时间序列2.mp4 (74.61 MB), 15:23

  *   03 文本处理.mp4 (35.18 MB), 06:55

  *   04 DataFrame和MySql比较1.mp4 (63.25 MB), 15:09

  *   05 DataFrame和Mysql比较2.mp4 (48.07 MB), 12:07

  *   06 DataFrame和mysql比较3.mp4 (62.73 MB), 13:55

  *   07 电影数据分析-数据导入.mp4 (48.27 MB), 09:17

  *   08 电影数据分析-电影评分.mp4 (51.64 MB), 10:57

  *   09 电影数据分析-热度和评分.mp4 (47.04 MB), 12:16

  *   10 电影数据分析-排名前10的好电影.mp4 (50.31 MB), 12:32

*   06 TMDB电影数据生成图表/

  *   01 TMDB-数据导入.mp4 (46.39 MB), 10:14

  *   02 TMDB-数据清洗.mp4 (27.85 MB), 07:21

  *   03 TMDB-准备热力图数据.mp4 (43.27 MB), 11:44

  *   04 TMDB-展示热力图.mp4 (51.04 MB), 11:26

  *   05 TMDB-barh数据准备.mp4 (53.67 MB), 11:22

  *   06 TMDB-barh数据展示.mp4 (41.62 MB), 08:43

  *   07 TMDB-各类电影数量占比饼图.mp4 (43.55 MB), 10:54

  *   08 TMDB-各类电影数量随年份变化趋势图.mp4 (45.23 MB), 10:11

  *   09 TMDB-电影票房和时长关系图.mp4 (39.05 MB), 07:07

  *   10 TMDB-电影平均评分和时长关系图.mp4 (21.61 MB), 04:45

  *   11 TMDB-电影关键词分析.mp4 (61.87 MB), 13:13