前言
苦战一个月，每天平均 2 小时终于搞定《Python 极简讲义：一本书入门数据分析与机器学习》一书。这本书豆瓣上评价[1]很高：
读后感觉实至名归，配得上 9.2 的评分，和 《Python 数据科学手册》 相比有过之而无不及。总体而言，思路更加清晰，遵循书中前言所提到的“最少必要知识（Minimal Actionable Knowledge and Experience, MAKE）”，这一理念，更适合入门。
本书共分三大部分，Python 基础、数据分析、机器学习：
第 1 章至第 5 章以极简方式讲解了 Python 的常用语法和使用技巧，包括数据类型与程序控制结构、 自建 Python 模块与第三方模块、Python 函数和面向对象程序设计等。第 6 章至第 8 章介绍了数据分析必备技能，如 NumPy、Pandas 和 Matplotlib。第 9 章和第 10 章主要介绍了机器学习的基本概念和机器学习框架 skleam 的基本用法。
全书近 600 页，我事实上只看了 Python 基础和数据分析部分，机器学习部分暂时没有涉及。不过这两部分其实是书的主要内容，占了绝大部分的篇幅（460 页）。
Python 基础部分
这部分花了近 200 页的篇幅，分为开发环境（Jupyter）、数据类型和程序控制结构、模块、函数、面向对象等高级特性几部分，写的非常精辟。
不过这部分并不适合零基础的读者直接学习，但是假如之前学过 《python 编程从入门到实践》 这样的 Python 基础类的书籍。这部分内容将是检验学习成果的好材料，即如果你能比较轻松看懂这部分并完成每章后面的习题，那么你的 Python 基础算过关了，可以放心学习后面的内容。
当然高级特性部分（比如面向对象）事实上比较难，书中也没写得非常清楚，稍微了解即可。毕竟，如果目标是数据分析，大多时候是还是写面向过程的代码。你不懂这些内容，但并不影响你解决问题，顶多就是实现方式不够优雅而已。
数据分析部分
依然是介绍经典的三件套，Numpy、Pandas 和 Matplotlib。之所说这书观感比《Python 数据科学手册》好，就是因为这部分的介绍详略得当，逻辑清晰，而 《Python 数据科学手册》 一书有种烂尾的感觉。下面谈一下这部分的亮点：
- numpy 部分介绍的 einsum 方法灵活强大值得了解。
- Pandas 部分介绍详略得当，比较到位，该有的都有。又不至于让读者陷入过多复杂的知识，而望洋兴叹。
- 可视化部分，最后介绍了 Pandas 中直接绘图，以及用 Seaborn 绘图。意义比较大，因为 Matplotlib 要绘制精美的图片事实上比较麻烦。而这两种方式，有时候更加便捷高效。
总结
虽然总体非常不错，但是仍有不足。比如在 Pandas 读取数据方面只演示了 csv 文件的读取。另外，书中有些地方有知识性的错误，如：
loc、iloc 是属性而不是方法。还有一些示例代码写得太过复杂，事实上可以写得更加简单 
“尽信书不如无书”，学代码还是要多动手多实践，多去解决实际问题。要不然很多知识就是孤立的点，只要多动手解决问题，才能让这些知识“活”起来。
在解决完这本书后，自我感觉 Python 基础已经比较牢固，建立了相对完善的知识体系。可以开始动手解决实际问题，在实践中学习 
毕竟知识是学不完的，真想要精通 Numpy、Pandas 就得先学个几年。人生苦短，MAKE 比较实在。要不然别人都在搞机器学习了，你还在 Pandas 中苦苦挣扎 
参考资料
[1]豆瓣上评价: https://book.douban.com/subject/35044749/
