如果你想做 Data Analysis（数据分析）的 Python 初级学习路线，通常会围绕几个核心库和技能展开。下面是一套常见的 Python 数据分析初级学习框架（从零到能做基础分析）。

一、Python基础（必须掌握）

在进入数据分析之前，需要先掌握基本语法。

核心内容：

1. 基本数据类型
   • int
   • float
   • str
   • bool
2. 常用数据结构
   • list
   • tuple
   • dict
   • set
3. 控制结构
   • if
   • for
   • while
4. 函数

示例：

def average(nums):
    return sum(nums) / len(nums)

data = [10,20,30]
print(average(data))

二、数据分析核心库

初级数据分析最重要的三个库：

1 数值计算库

NumPy

作用：

• 高效数组
• 矩阵计算
• 数学函数

示例：

import numpy as np

a = np.array([1,2,3,4])
print(a.mean())

2 数据处理库

pandas

作用：

• 表格数据处理
• 数据清洗
• 数据统计

示例：

import pandas as pd

data = {
    "name":["A","B","C"],
    "score":[90,80,85]
}

df = pd.DataFrame(data)

print(df.describe())

常用操作：

• 读取数据
• 数据筛选
• 分组统计
• 缺失值处理

3 数据可视化库

Matplotlib

作用：

• 绘制图表
• 数据展示

示例：

import matplotlib.pyplot as plt

x = [1,2,3,4]
y = [3,5,2,6]

plt.plot(x,y)
plt.show()

常见图表：

• 折线图
• 柱状图
• 饼图
• 散点图

三、数据读取与处理

数据分析最常见的数据来源：

1 CSV文件

df = pd.read_csv("data.csv")

2 Excel文件

df = pd.read_excel("data.xlsx")

3 数据查看

df.head()
df.info()
df.describe()

四、数据清洗（初级）

数据分析 70% 时间在清洗数据。

常见操作：

1 缺失值处理

df.dropna()
df.fillna(0)

2 删除列

df.drop("age", axis=1)

3 条件筛选

df[df["score"] > 80]

五、简单统计分析

1 基本统计

df.mean()
df.max()
df.min()

2 分组统计

df.groupby("class").mean()

六、数据可视化

柱状图

df["score"].plot(kind="bar")

散点图

plt.scatter(df["age"], df["score"])

七、初级项目练习

推荐做几个小项目：

1. 学生成绩分析
   • 平均分
   • 最高分
   • 各科统计
2. 销售数据分析
   • 每月销售额
   • 商品销量排行
3. 人口数据分析

八、完整学习路线（初级）

建议顺序：

Python基础
    ↓
NumPy
    ↓
pandas
    ↓
Matplotlib
    ↓
简单数据分析项目

九、常见数据分析环境

常见工具：

• Jupyter Notebook
• Anaconda
• Visual Studio Code

如果你愿意，我可以继续帮你整理一套 《Python数分篇（初级 → 中级 → 高级）完整学习大纲》，包括：

• 初级（数据分析）
• 中级（机器学习）
• 高级（数据科学 / AI）

会是一条 非常清晰的 Python 数据科学成长路线。