# 初學者友善的資料科學範例 歡迎來到範例目錄！這個簡單且附有詳細註解的範例集合，旨在幫助您開始學習資料科學，即使您是完全的新手也沒問題。 ## 📚 您會在這裡找到什麼 每個範例都是獨立的，並包含： - **清晰的註解**，解釋每一步驟 - **簡單易讀的程式碼**，一次展示一個概念 - **真實世界的情境**，幫助您了解何時以及為什麼使用這些技術 - **預期的輸出**，讓您知道應該觀察到什麼 ## 🚀 開始使用 ### 先決條件 在執行這些範例之前，請確保您已經： - 安裝了 Python 3.7 或更高版本 - 基本了解如何執行 Python 腳本 ### 安裝所需的函式庫 ```bash pip install pandas numpy matplotlib ``` ## 📖 範例概覽 ### 1. Hello World - 資料科學風格 **檔案：** `01_hello_world_data_science.py` 您的第一個資料科學程式！學習如何： - 載入一個簡單的資料集 - 顯示資料的基本資訊 - 輸出您的第一個資料科學結果 非常適合想要看到第一個資料科學程式運作的新手。 --- ### 2. 載入與探索資料 **檔案：** `02_loading_data.py` 學習處理資料的基本功： - 從 CSV 檔案讀取資料 - 查看資料集的前幾行 - 獲取資料的基本統計資訊 - 理解資料型別 這通常是任何資料科學專案的第一步！ --- ### 3. 簡單的資料分析 **檔案：** `03_simple_analysis.py` 進行您的第一次資料分析： - 計算基本統計量（平均值、中位數、眾數） - 找到最大值和最小值 - 計算值的出現次數 - 根據條件篩選資料 看看如何回答關於資料的簡單問題。 --- ### 4. 資料視覺化基礎 **檔案：** `04_basic_visualization.py` 創建您的第一個視覺化圖表： - 製作簡單的長條圖 - 創建折線圖 - 生成圓餅圖 - 將視覺化結果儲存為圖片 學習如何用視覺化來傳達您的發現！ --- ### 5. 使用真實資料 **檔案：** `05_real_world_example.py` 將所有內容結合在一起，完成一個完整的範例： - 從資料庫載入真實資料 - 清理並準備資料 - 進行分析 - 創建有意義的視覺化 - 得出結論 這個範例展示了從頭到尾的完整工作流程。 --- ## 🎯 如何使用這些範例 1. **從頭開始**：範例按難度排序編號。從 `01_hello_world_data_science.py` 開始，依序進行。 2. **閱讀註解**：每個檔案都有詳細的註解，解釋程式碼的作用及原因。仔細閱讀！ 3. **嘗試修改**：試著修改程式碼。改變一個值會發生什麼？打破程式然後修復它——這是學習的方式！ 4. **執行程式碼**：執行每個範例並觀察輸出。將其與您的預期結果進行比較。 5. **進一步擴展**：一旦理解了一個範例，試著用自己的想法擴展它。 ## 💡 給初學者的建議 - **不要急**：在進入下一個範例之前，花時間理解每個範例 - **自己輸入程式碼**：不要只是複製貼上。輸入程式碼有助於學習和記憶 - **查詢不熟悉的概念**：如果遇到不理解的內容，請在線搜尋或參考主要課程 - **提出問題**：如果需要幫助，加入 [討論區](https://github.com/microsoft/Data-Science-For-Beginners/discussions) - **經常練習**：每天花一點時間寫程式，而不是每週一次長時間學習 ## 🔗 下一步 完成這些範例後，您可以： - 學習主要課程的內容 - 嘗試每個課程資料夾中的作業 - 探索 Jupyter 筆記本以進一步深入學習 - 創建自己的資料科學專案 ## 📚 其他資源 - [主要課程](../README.md) - 完整的 20 節課程 - [給教師的資源](../for-teachers.md) - 在課堂中使用此課程 - [Microsoft Learn](https://docs.microsoft.com/learn/) - 免費的線上學習資源 - [Python 文件](https://docs.python.org/3/) - 官方 Python 參考 ## 🤝 貢獻 發現錯誤或有新範例的想法？我們歡迎貢獻！請參閱 [貢獻指南](../CONTRIBUTING.md)。 --- **祝學習愉快！🎉** 記住：每個專家都曾是初學者。一步一步來，不要害怕犯錯——這是學習過程的一部分！ --- **免責聲明**： 本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們努力確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。