Question

这是本书的最后一章，到目前为止，书中已经介绍了很多知识和技术，包括 Python 基础知识以及分析任意数量的文本文件、CSV 文件、Excel 文件和数据库中数据的方法。我们已经掌握了如何从这些数据源中选择特定的行与列，如何聚合数据并计算基本统计量，以及如何将结果写入输出文件。我们完成了 3 个常见的商业分析应用，这些应用要求我们创造性地且有效率地使用学过的知识和技术。我们还学习了如何通过一些扩展模块创建最常用的统计图表，以及如何通过 StatsModels 包来估计回归模型和分类模型。最后，我们学习了如何按计划自动定期运行脚本，这样便可以节省出时间来进行其他更重要的分析工作。如果你一直跟随着本书中的示例进行学习和实践，那么能否体会到，你正经历着从门外汉到编程高手的转变？

到目前为止，你可能会非常想知道下一步应该做些什么。也就是说，在掌握了使用 Python 规模化和自动化地完成数据分析任务之后，还应该学习些什么？本章将会介绍标准 Python 发布版本中一些其他的功能，在你刚开始学习 Python 时，这些功能不是必要的，但它们确实是非常有趣而且实用的。在学习了本书前面的章节之后，希望你会发现，这些功能更容易理解，而且能更方便地扩展前面已经学习过的技术。

本章还会讨论一下 NumPy、SciPy 和 Scikit-Learn 扩展包，因为它们分别提供了基础的数据容器和向量运算、可以用于科学计算和统计分析的数学分布和检验，以及统计建模方法和机器学习功能，pandas 包依赖于这些功能，StatsModels 包则在这些功能的基础上进行了扩展。例如，Scikit-Learn 提供了数据预处理，数据降维，回归、分类与聚集模型估计，模型比较与选择，交叉验证等强大的功能。这些方法可以帮助你创建、检验和选择模型，这样得出的模型对新数据是具有鲁棒性的，使用这种模型和新数据更有可能做出准确的预测。

最后，本章还要再介绍几种数据结构，它们有助于你更加熟练地使用 Python。本书重点介绍的数据结构包括列表、元组和字典，因为它们是功能强大的基础数据容器，完全可以满足初级编程的需要（其实，对于你现在的水平，只学习这 3 种数据结构也足够了）。但是，还有一些其他数据结构，像栈、队列、堆、树、图，等等，它们对一些特殊的要求更加适用。