从电子表格到生产级数据分析。掌握 NumPy 数组、Pandas DataFrame、数据清洗、groupby、合并、时间序列和 Python 数据可视化。本系列包含 30 门循序渐进的迷你课程，从初级 (A1) 到高级 (B2)，每节课简洁高效，配有快速测验来巩固概念。
你将从基础开始，逐步深入中级和高级主题，每门课程都建立在前一门课程的基础之上。每节课都很实用，包含真实示例，需要帮助时还可以获得 AI 导师的支持。
每门课程分为四个精心设计的课时。每天完成几节课，几周内就能掌握整个系列，而不是几个月。
用 AI 工具和功能为你的学习加速
Pandas & NumPy Academy 学习路径中的所有课程。
学习科学计算 Python 的核心构建块：NumPy ndarray。您将从 Python 列表创建数组，理解形状和数据类型，并执行逐元素算术运算。课程结束时，您将能够熟练使用 NumPy 数组替代嵌套列表进行数值计算。
通过掌握 NumPy 的通用函数和广播规则，进一步提升基础算术能力。您将使用 np.sqrt 和 np.exp 等通用函数，对数组执行求和和求均值等聚合运算，并让 NumPy 自动扩展较小的数组，使其匹配较大数组的形状。
认识 Pandas Series：一种带标签的一维数组，是所有 Pandas 数据结构的基础。您将从列表和字典创建 Series，按标签和位置访问值，并对其执行向量化运算。
DataFrame 是 Pandas 数据分析的主力工具——一种带标签行列的二维表格。本课程将教您创建、检查和操作 DataFrames，让您能够载入任意表格数据集并立即开始探索。
数据分析总是从载入数据开始，以保存结果结束。本课程将讲解最常见的文件格式——CSV、Excel 和 JSON——让您能够将任意数据集导入 DataFrame，并通过一次 Pandas 调用导出清理后的结果。
使用 Pandas 布尔索引、查询字符串和复合条件，精准地切片和筛选 DataFrames。您将提取分析任务所需的确切行和列，同时不修改原始数据集。
Pandas 在载入数据时会推断列的数据类型，但推断结果往往并不正确。本课程将展示如何检查数据类型、正确地进行类型转换，并选择节省内存的数据类型，从而加快大规模分析。
文本数据需要一套专用的向量化工具。Pandas 的 .str 访问器让您能够将完整的 Python 字符串方法应用于列中的每一行，无需循环，使文本清理快速且易读。
GroupBy 是 Pandas 最强大的功能之一，可以将数据拆分为多个组，并在一行代码中应用汇总统计。本课程将带您了解拆分—应用—合并模式，并展示如何生成有意义的汇总表。
像 SQL 一样合并多个表中的数据，但整个过程都在 Python 中完成。本课程将讲解内连接、左连接、右连接和外连接，以及串联操作，让您能够自信地整合来自多个来源的数据集。
整洁数据原则要求数据具有特定的形状。本课程将使用 pivot_table、melt、stack 和 unstack，教您在宽格式与长格式之间进行转换，从而为分析或可视化重塑任意数据集。
按时间排列的数据需要专门的工具来进行重采样、滚动计算和日期运算。本课程将帮助您使用 DatetimeIndex，按任意频率重采样，并提取用于预测流程的时间特征。
Seaborn 为 Matplotlib 封装了一个面向统计图形的高级接口。您将用几行代码创建分布图、分类比较图和回归图，同时保留对图表美观性的完全控制。
掌握 Pandas 索引可以实现快速查找、高效切片和清晰的多级汇总。本课程将讲解 MultiIndex 的创建、层次化选择、索引对齐的边界情况，以及排序索引带来的性能提升。
当 DataFrames 增长到数百万行时，朴素代码会成为瓶颈。本课程将教您分析 Pandas 代码的性能，避开 iterrows 等常见的低速写法，并使用向量化操作、Categorical 数据类型和分块读取来提升速度。
将目前学到的所有知识应用于一个贴近真实场景的零售销售数据集。您将清理原始订单记录，按地区和产品类别计算收入，可视化一段时间内的趋势，并生成一个可直接用于仪表板的管理层摘要 DataFrame。
当内置聚合函数无法满足需求时，apply() 可以让您定义任意 Python 函数，并将其应用于行、列或分组。本课程将展示何时以及如何使用 apply、mapply 和 pipe，以获得最大的灵活性。
生产环境中的数据分析不是一次性的笔记本运行，而是可重复执行的管道。本课程将教您把代码组织成模块化的转换步骤，为这些步骤设置参数，使用断言进行测试，并安排它们每日执行。
许多机器学习算法都可以表示为线性代数运算。本课程涵盖 NumPy 的 linalg 模块：矩阵乘法、行列式、逆矩阵、特征值和方程组求解——这些都是从零构建机器学习模型的基础模块。
当数据集过大而无法装入 RAM 时，您需要采用分块处理策略。本课程将教您分块流式读取 CSV 文件，逐步聚合结果，使用 Dask 作为 Pandas 的直接替代品，并以 Parquet 格式存储结果。
大多数生产数据存储在关系数据库中，而不是 CSV 文件中。本课程将展示如何使用 SQLAlchemy 从 Pandas 直接查询 PostgreSQL 和 SQLite，将清洗后的 DataFrames 写回数据表，并比较 Pandas 与 SQL 执行常见操作的方式。
Pandas 用于描述数据，而 SciPy 用于检验关于数据的假设。本课程将介绍最常见的统计检验——t 检验、卡方检验、ANOVA 和相关性显著性检验——帮助您从描述性分析迈向推断性分析。
在一个完整的端到端项目中综合本学习路径的全部技能：从 CSV 和数据库表中导入原始数据，清洗并合并数据，使用 groupby 和窗口函数计算高级 KPI，可视化结果，并导出经过精心整理的报告。
免费。你可以免费开始 Pandas & NumPy Academy 课程并完成它的所有互动课程。可选的 PRO 订阅解锁高级 AI 工具和可分享的证书。
不需要。课程从基础开始，逐步进阶到更高难度的主题，所以即使你没有任何 PYTHON 基础也可以开始。
学以致用。简洁的互动课程将清晰的讲解与实时动手编程练习结合，24/7 AI 导师在你遇到困难时提供个性化帮助。
可以。PRO 学员可以参加考试，获得 Pandas & NumPy Academy 课程的可分享的完成证书，其中包含可验证的代码。
可以。CoddyKit 支持网页版和原生 iOS、Android 应用，你可以在任何设备上学习 PYTHON，进度会自动同步。
