《從零開始的資料科學筆記》
22免費公開
這本筆記會收錄一系列成為資料科學家需要具備的基礎知識，包含NumPy、Pandas和Matplotlib等常用套件與機器學習概念。
🧲 特徵轉換方法
特徵轉換是調整數值型特徵分布形態的過程，幫助模型更有效地學習和提高預測性能。良好的特徵轉換可以：
改善數據分布：使偏斜分布更加對稱
降低異常值影響：減少極端值對模型的干擾
捕捉非線性關係：讓線性模型可以學習複雜模式
提高訓練穩定性：加速梯度下降收斂過程
🧲 特徵轉換方法
特徵轉換是調整數值型特徵分布形態的過程，幫助模型更有效地學習和提高預測性能。良好的特徵轉換可以：
改善數據分布：使偏斜分布更加對稱
降低異常值影響：減少極端值對模型的干擾
捕捉非線性關係：讓線性模型可以學習複雜模式
提高訓練穩定性：加速梯度下降收斂過程
🪛 特徵編碼
為什麼需要特徵編碼?
特徵編碼是將非數值型資料（如類別、文本等）轉換為數值形式的過程，這是機器學習模型處理資料的必要步驟，因為：
模型數值需求：大多數機器學習算法只接受數值輸入，無法直接處理文字或類別資料
語義保存：編碼過程必須保留原始類別的語義信息，不同編碼方式會保留不同的
🪛 特徵編碼
為什麼需要特徵編碼?
特徵編碼是將非數值型資料（如類別、文本等）轉換為數值形式的過程，這是機器學習模型處理資料的必要步驟，因為：
模型數值需求：大多數機器學習算法只接受數值輸入，無法直接處理文字或類別資料
語義保存：編碼過程必須保留原始類別的語義信息，不同編碼方式會保留不同的
大家應該都實際練習過機器學習的四大技術了，包含迴歸分析、分類分析、分群分析以及時間序列分析。 在機器學習模型的開發過程中，我們常將焦點放在演算法的選擇與模型的訓練上，但實際上，一個高效且穩健的模型，往往取決於資料的前處理與特徵的設計。隨著模型複雜度提升，過擬合、特徵尺度不一致以及高維資料噪聲等問題會
大家應該都實際練習過機器學習的四大技術了，包含迴歸分析、分類分析、分群分析以及時間序列分析。 在機器學習模型的開發過程中，我們常將焦點放在演算法的選擇與模型的訓練上，但實際上，一個高效且穩健的模型，往往取決於資料的前處理與特徵的設計。隨著模型複雜度提升，過擬合、特徵尺度不一致以及高維資料噪聲等問題會
在現實生活中，許多資料並非靜止的，它們會隨著時間不斷變化，形成了一種特殊的資料型態，這就是時間序列資料。時間序列數據廣泛存在於各種領域，如金融市場的股票價格波動、氣候監測的溫度變化、製造業的機器故障檢測，以及網站流量的每日訪問量等。這些資料的最大特點在於：當前的觀測值與過去的值密切相關，未來的趨勢也
在現實生活中，許多資料並非靜止的，它們會隨著時間不斷變化，形成了一種特殊的資料型態，這就是時間序列資料。時間序列數據廣泛存在於各種領域，如金融市場的股票價格波動、氣候監測的溫度變化、製造業的機器故障檢測，以及網站流量的每日訪問量等。這些資料的最大特點在於：當前的觀測值與過去的值密切相關，未來的趨勢也
在剛接觸機器學習時，會學習到模型是使用一組特徵X和標籤Y來訓練的，例如:使用房子的坪數、屋齡、地段等特徵可以預測這間房子的房價，這就是機器學習中迴歸分析的經典應用。但是在現實場景中，往往會出現數量龐大但是沒有明確標籤或類別的資料，這時應該怎麼利用這些資料，才能挖掘出潛藏在資料中的訊息?
在剛接觸機器學習時，會學習到模型是使用一組特徵X和標籤Y來訓練的，例如:使用房子的坪數、屋齡、地段等特徵可以預測這間房子的房價，這就是機器學習中迴歸分析的經典應用。但是在現實場景中，往往會出現數量龐大但是沒有明確標籤或類別的資料，這時應該怎麼利用這些資料，才能挖掘出潛藏在資料中的訊息?
疾病診斷在醫學領域中是一項非常重要的任務，正確的診斷能夠有效幫助患者及早接受治療，改善預後，並避免不必要的風險。然而，疾病診斷通常需要依賴大量且複雜的數據分析，例如病患的檢測數值、影像和臨床數據等。面對如此大量的資料，人工診斷可能會因主觀判斷或疲勞而存在不確定性，這便為機器學習和人工智慧提供了一個巨
疾病診斷在醫學領域中是一項非常重要的任務，正確的診斷能夠有效幫助患者及早接受治療，改善預後，並避免不必要的風險。然而，疾病診斷通常需要依賴大量且複雜的數據分析，例如病患的檢測數值、影像和臨床數據等。面對如此大量的資料，人工診斷可能會因主觀判斷或疲勞而存在不確定性，這便為機器學習和人工智慧提供了一個巨
在學習完機器學習的各種基礎知識後，我們終於可以開始進入實際應用的階段。機器學習的常見應用大致可分為四大類：迴歸（Regression）、分類（Classification）、分群（Clustering）、以及時間序列分析（Time Series Analysis）。身為資料科學家，理解並掌握這些方法
在學習完機器學習的各種基礎知識後，我們終於可以開始進入實際應用的階段。機器學習的常見應用大致可分為四大類：迴歸（Regression）、分類（Classification）、分群（Clustering）、以及時間序列分析（Time Series Analysis）。身為資料科學家，理解並掌握這些方法
帶著大家簡單地看過整個機器學習流程之後，相信每個人對於機器學習在幹嘛還是很模糊，因此這章節來個實際範例，讓大家更了解在每一個流程中資料科學家究竟都在做什麼。
這裡我使用機器學習中很有名的”鳶尾花”資料集，這部分內容會比較多，希望大家可以跟著我的步驟慢慢地操作，細細地去體驗如何完成一個基本的機器學習
帶著大家簡單地看過整個機器學習流程之後，相信每個人對於機器學習在幹嘛還是很模糊，因此這章節來個實際範例，讓大家更了解在每一個流程中資料科學家究竟都在做什麼。
這裡我使用機器學習中很有名的”鳶尾花”資料集，這部分內容會比較多，希望大家可以跟著我的步驟慢慢地操作，細細地去體驗如何完成一個基本的機器學習
在這個章節會繼續介紹機器學習後半部的流程，主要也是概念式的說明，每一個小細節在後續的文章中會再單獨拿出來說明。請大家盡量記得文章中每個流程所提到的專有名詞，大概了解每一個步驟在做什麼對於後續的學習很有幫助!
在這個章節會繼續介紹機器學習後半部的流程，主要也是概念式的說明，每一個小細節在後續的文章中會再單獨拿出來說明。請大家盡量記得文章中每個流程所提到的專有名詞，大概了解每一個步驟在做什麼對於後續的學習很有幫助!
接著會詳細的介紹機器學習的每一個步驟在做什麼，這部分專有名詞會比較多，希望大家可以盡量熟悉。
🙋問題定義
在真正進入機器學習流程之前，需要先定義你想要解決的問題。 如何將你的問題、你的痛點，轉換成機器學習可以執行的任務是你們會遇到的第一個難題，原則上可以遵循以下方法來思考:
接著會詳細的介紹機器學習的每一個步驟在做什麼，這部分專有名詞會比較多，希望大家可以盡量熟悉。
🙋問題定義
在真正進入機器學習流程之前，需要先定義你想要解決的問題。 如何將你的問題、你的痛點，轉換成機器學習可以執行的任務是你們會遇到的第一個難題，原則上可以遵循以下方法來思考:
🔍 為什麼要學機器學習？
在這個資料驅動的時代，從圖像辨識、語音助手到金融風險預測，都離不開機器學習。 透過「從資料中自動學習規則」的能力，機器學習幫助我們：
自動化決策流程（例如：信貸核准）
從龐大資料中發現趨勢與模式（例如：顧客行為分析）
增強傳統演算法的適應力與預測能力
🔍 為什麼要學機器學習？
在這個資料驅動的時代，從圖像辨識、語音助手到金融風險預測，都離不開機器學習。 透過「從資料中自動學習規則」的能力，機器學習幫助我們：
自動化決策流程（例如：信貸核准）
從龐大資料中發現趨勢與模式（例如：顧客行為分析）
增強傳統演算法的適應力與預測能力
在輔導學員的時候遇過很多初學者會搞不清楚到底模型是什麼?訓練又是怎麼一回事?
因此這篇文章主要是提供初學者一些簡單的概念，知道”模型”和”訓練”是在做什麼，不涉及程式碼撰寫與執行。
希望藉由簡單的說明讓大家可以先了解這些基本概念，可以加快後續實際操作上手的時間。
在輔導學員的時候遇過很多初學者會搞不清楚到底模型是什麼?訓練又是怎麼一回事?
因此這篇文章主要是提供初學者一些簡單的概念，知道”模型”和”訓練”是在做什麼，不涉及程式碼撰寫與執行。
希望藉由簡單的說明讓大家可以先了解這些基本概念，可以加快後續實際操作上手的時間。
🙋♀️ 什麼是特徵（Feature）？
想像一個情境：
你想領養一隻小狗，到了收容所後，該怎麼跟承辦人員描述你想要的狗狗呢？
你可能會說：「我想要一隻可愛的小狗。」 但這樣的描述太模糊了，對方可能無法立刻理解你的偏好。
🙋♀️ 什麼是特徵（Feature）？
想像一個情境：
你想領養一隻小狗，到了收容所後，該怎麼跟承辦人員描述你想要的狗狗呢？
你可能會說：「我想要一隻可愛的小狗。」 但這樣的描述太模糊了，對方可能無法立刻理解你的偏好。
好不容易學習完資料科學三大基礎套件(NumPy / Pandas / Matplotlib)之後，就可以開始學習什麼是資料前處理(Data Preprocessing)、為什麼要做?、以及怎麼做?
好不容易學習完資料科學三大基礎套件(NumPy / Pandas / Matplotlib)之後，就可以開始學習什麼是資料前處理(Data Preprocessing)、為什麼要做?、以及怎麼做?
Python/Pandas中的None VS NaN
大家在進行資料清理時一定會遇到一個問題，到底缺失值、空值要怎麼判斷，以及如何處理? 而且時常會被他們的定義搞得頭昏腦脹…
Python/Pandas中的None VS NaN
大家在進行資料清理時一定會遇到一個問題，到底缺失值、空值要怎麼判斷，以及如何處理? 而且時常會被他們的定義搞得頭昏腦脹…
🔍什麼是Matplotlib?
Matplotlib 是 Python 最早也是最強大的 2D 資料視覺化套件，提供靈活且客製化程度高的繪圖介面。
🌍 發展歷史悠久，幾乎所有可視化工具都以它為基礎（如 Seaborn、Pandas 內建繪圖、Plotly）
🔍什麼是Matplotlib?
Matplotlib 是 Python 最早也是最強大的 2D 資料視覺化套件，提供靈活且客製化程度高的繪圖介面。
🌍 發展歷史悠久，幾乎所有可視化工具都以它為基礎（如 Seaborn、Pandas 內建繪圖、Plotly）
🧪GroupBy能做什麼?
groupby() 可將資料依照欄位分組，接著對每個群體套用統計或轉換函式，如同 SQL 中的 GROUP BY。 善用groupby()可以讓自己資料處理能力更上一層!!!
🧪GroupBy能做什麼?
groupby() 可將資料依照欄位分組，接著對每個群體套用統計或轉換函式，如同 SQL 中的 GROUP BY。 善用groupby()可以讓自己資料處理能力更上一層!!!
🐼什麼是Pandas?
Pandas 是 Python 最重要的資料處理與分析工具，名稱來自 "Panel Data"（跨時間的結構化資料），由 Wes McKinney 開發。 它提供兩個核心資料結構： Series：一維的資料列（類似 list） DataFrame：二維表格資料結構
🐼什麼是Pandas?
Pandas 是 Python 最重要的資料處理與分析工具，名稱來自 "Panel Data"（跨時間的結構化資料），由 Wes McKinney 開發。 它提供兩個核心資料結構： Series：一維的資料列（類似 list） DataFrame：二維表格資料結構
再見NumPy
在學習完上一篇NumPy入門教學後，可以接著熟悉一下NumPy進階，這部分包含了許多資料前處理上常用的技巧和語法。 其實有更多的語法我沒有列出來，因為不只你們記不住，我也記不得! 這邊整理的都是比較常用的部分，其他函數等你們有用到的時候自然會知道~
再見NumPy
在學習完上一篇NumPy入門教學後，可以接著熟悉一下NumPy進階，這部分包含了許多資料前處理上常用的技巧和語法。 其實有更多的語法我沒有列出來，因為不只你們記不住，我也記不得! 這邊整理的都是比較常用的部分，其他函數等你們有用到的時候自然會知道~
🧲 特徵轉換方法
特徵轉換是調整數值型特徵分布形態的過程，幫助模型更有效地學習和提高預測性能。良好的特徵轉換可以：
改善數據分布：使偏斜分布更加對稱
降低異常值影響：減少極端值對模型的干擾
捕捉非線性關係：讓線性模型可以學習複雜模式
提高訓練穩定性：加速梯度下降收斂過程
🧲 特徵轉換方法
特徵轉換是調整數值型特徵分布形態的過程，幫助模型更有效地學習和提高預測性能。良好的特徵轉換可以：
改善數據分布：使偏斜分布更加對稱
降低異常值影響：減少極端值對模型的干擾
捕捉非線性關係：讓線性模型可以學習複雜模式
提高訓練穩定性：加速梯度下降收斂過程
🪛 特徵編碼
為什麼需要特徵編碼?
特徵編碼是將非數值型資料（如類別、文本等）轉換為數值形式的過程，這是機器學習模型處理資料的必要步驟，因為：
模型數值需求：大多數機器學習算法只接受數值輸入，無法直接處理文字或類別資料
語義保存：編碼過程必須保留原始類別的語義信息，不同編碼方式會保留不同的
🪛 特徵編碼
為什麼需要特徵編碼?
特徵編碼是將非數值型資料（如類別、文本等）轉換為數值形式的過程，這是機器學習模型處理資料的必要步驟，因為：
模型數值需求：大多數機器學習算法只接受數值輸入，無法直接處理文字或類別資料
語義保存：編碼過程必須保留原始類別的語義信息，不同編碼方式會保留不同的
大家應該都實際練習過機器學習的四大技術了，包含迴歸分析、分類分析、分群分析以及時間序列分析。 在機器學習模型的開發過程中，我們常將焦點放在演算法的選擇與模型的訓練上，但實際上，一個高效且穩健的模型，往往取決於資料的前處理與特徵的設計。隨著模型複雜度提升，過擬合、特徵尺度不一致以及高維資料噪聲等問題會
大家應該都實際練習過機器學習的四大技術了，包含迴歸分析、分類分析、分群分析以及時間序列分析。 在機器學習模型的開發過程中，我們常將焦點放在演算法的選擇與模型的訓練上，但實際上，一個高效且穩健的模型，往往取決於資料的前處理與特徵的設計。隨著模型複雜度提升，過擬合、特徵尺度不一致以及高維資料噪聲等問題會
在現實生活中，許多資料並非靜止的，它們會隨著時間不斷變化，形成了一種特殊的資料型態，這就是時間序列資料。時間序列數據廣泛存在於各種領域，如金融市場的股票價格波動、氣候監測的溫度變化、製造業的機器故障檢測，以及網站流量的每日訪問量等。這些資料的最大特點在於：當前的觀測值與過去的值密切相關，未來的趨勢也
在現實生活中，許多資料並非靜止的，它們會隨著時間不斷變化，形成了一種特殊的資料型態，這就是時間序列資料。時間序列數據廣泛存在於各種領域，如金融市場的股票價格波動、氣候監測的溫度變化、製造業的機器故障檢測，以及網站流量的每日訪問量等。這些資料的最大特點在於：當前的觀測值與過去的值密切相關，未來的趨勢也
在剛接觸機器學習時，會學習到模型是使用一組特徵X和標籤Y來訓練的，例如:使用房子的坪數、屋齡、地段等特徵可以預測這間房子的房價，這就是機器學習中迴歸分析的經典應用。但是在現實場景中，往往會出現數量龐大但是沒有明確標籤或類別的資料，這時應該怎麼利用這些資料，才能挖掘出潛藏在資料中的訊息?
在剛接觸機器學習時，會學習到模型是使用一組特徵X和標籤Y來訓練的，例如:使用房子的坪數、屋齡、地段等特徵可以預測這間房子的房價，這就是機器學習中迴歸分析的經典應用。但是在現實場景中，往往會出現數量龐大但是沒有明確標籤或類別的資料，這時應該怎麼利用這些資料，才能挖掘出潛藏在資料中的訊息?
疾病診斷在醫學領域中是一項非常重要的任務，正確的診斷能夠有效幫助患者及早接受治療，改善預後，並避免不必要的風險。然而，疾病診斷通常需要依賴大量且複雜的數據分析，例如病患的檢測數值、影像和臨床數據等。面對如此大量的資料，人工診斷可能會因主觀判斷或疲勞而存在不確定性，這便為機器學習和人工智慧提供了一個巨
疾病診斷在醫學領域中是一項非常重要的任務，正確的診斷能夠有效幫助患者及早接受治療，改善預後，並避免不必要的風險。然而，疾病診斷通常需要依賴大量且複雜的數據分析，例如病患的檢測數值、影像和臨床數據等。面對如此大量的資料，人工診斷可能會因主觀判斷或疲勞而存在不確定性，這便為機器學習和人工智慧提供了一個巨
在學習完機器學習的各種基礎知識後，我們終於可以開始進入實際應用的階段。機器學習的常見應用大致可分為四大類：迴歸（Regression）、分類（Classification）、分群（Clustering）、以及時間序列分析（Time Series Analysis）。身為資料科學家，理解並掌握這些方法
在學習完機器學習的各種基礎知識後，我們終於可以開始進入實際應用的階段。機器學習的常見應用大致可分為四大類：迴歸（Regression）、分類（Classification）、分群（Clustering）、以及時間序列分析（Time Series Analysis）。身為資料科學家，理解並掌握這些方法
帶著大家簡單地看過整個機器學習流程之後，相信每個人對於機器學習在幹嘛還是很模糊，因此這章節來個實際範例，讓大家更了解在每一個流程中資料科學家究竟都在做什麼。
這裡我使用機器學習中很有名的”鳶尾花”資料集，這部分內容會比較多，希望大家可以跟著我的步驟慢慢地操作，細細地去體驗如何完成一個基本的機器學習
帶著大家簡單地看過整個機器學習流程之後，相信每個人對於機器學習在幹嘛還是很模糊，因此這章節來個實際範例，讓大家更了解在每一個流程中資料科學家究竟都在做什麼。
這裡我使用機器學習中很有名的”鳶尾花”資料集，這部分內容會比較多，希望大家可以跟著我的步驟慢慢地操作，細細地去體驗如何完成一個基本的機器學習
在這個章節會繼續介紹機器學習後半部的流程，主要也是概念式的說明，每一個小細節在後續的文章中會再單獨拿出來說明。請大家盡量記得文章中每個流程所提到的專有名詞，大概了解每一個步驟在做什麼對於後續的學習很有幫助!
在這個章節會繼續介紹機器學習後半部的流程，主要也是概念式的說明，每一個小細節在後續的文章中會再單獨拿出來說明。請大家盡量記得文章中每個流程所提到的專有名詞，大概了解每一個步驟在做什麼對於後續的學習很有幫助!
接著會詳細的介紹機器學習的每一個步驟在做什麼，這部分專有名詞會比較多，希望大家可以盡量熟悉。
🙋問題定義
在真正進入機器學習流程之前，需要先定義你想要解決的問題。 如何將你的問題、你的痛點，轉換成機器學習可以執行的任務是你們會遇到的第一個難題，原則上可以遵循以下方法來思考:
接著會詳細的介紹機器學習的每一個步驟在做什麼，這部分專有名詞會比較多，希望大家可以盡量熟悉。
🙋問題定義
在真正進入機器學習流程之前，需要先定義你想要解決的問題。 如何將你的問題、你的痛點，轉換成機器學習可以執行的任務是你們會遇到的第一個難題，原則上可以遵循以下方法來思考:
🔍 為什麼要學機器學習？
在這個資料驅動的時代，從圖像辨識、語音助手到金融風險預測，都離不開機器學習。 透過「從資料中自動學習規則」的能力，機器學習幫助我們：
自動化決策流程（例如：信貸核准）
從龐大資料中發現趨勢與模式（例如：顧客行為分析）
增強傳統演算法的適應力與預測能力
🔍 為什麼要學機器學習？
在這個資料驅動的時代，從圖像辨識、語音助手到金融風險預測，都離不開機器學習。 透過「從資料中自動學習規則」的能力，機器學習幫助我們：
自動化決策流程（例如：信貸核准）
從龐大資料中發現趨勢與模式（例如：顧客行為分析）
增強傳統演算法的適應力與預測能力
在輔導學員的時候遇過很多初學者會搞不清楚到底模型是什麼?訓練又是怎麼一回事?
因此這篇文章主要是提供初學者一些簡單的概念，知道”模型”和”訓練”是在做什麼，不涉及程式碼撰寫與執行。
希望藉由簡單的說明讓大家可以先了解這些基本概念，可以加快後續實際操作上手的時間。
在輔導學員的時候遇過很多初學者會搞不清楚到底模型是什麼?訓練又是怎麼一回事?
因此這篇文章主要是提供初學者一些簡單的概念，知道”模型”和”訓練”是在做什麼，不涉及程式碼撰寫與執行。
希望藉由簡單的說明讓大家可以先了解這些基本概念，可以加快後續實際操作上手的時間。
🙋♀️ 什麼是特徵（Feature）？
想像一個情境：
你想領養一隻小狗，到了收容所後，該怎麼跟承辦人員描述你想要的狗狗呢？
你可能會說：「我想要一隻可愛的小狗。」 但這樣的描述太模糊了，對方可能無法立刻理解你的偏好。
🙋♀️ 什麼是特徵（Feature）？
想像一個情境：
你想領養一隻小狗，到了收容所後，該怎麼跟承辦人員描述你想要的狗狗呢？
你可能會說：「我想要一隻可愛的小狗。」 但這樣的描述太模糊了，對方可能無法立刻理解你的偏好。
好不容易學習完資料科學三大基礎套件(NumPy / Pandas / Matplotlib)之後，就可以開始學習什麼是資料前處理(Data Preprocessing)、為什麼要做?、以及怎麼做?
好不容易學習完資料科學三大基礎套件(NumPy / Pandas / Matplotlib)之後，就可以開始學習什麼是資料前處理(Data Preprocessing)、為什麼要做?、以及怎麼做?
Python/Pandas中的None VS NaN
大家在進行資料清理時一定會遇到一個問題，到底缺失值、空值要怎麼判斷，以及如何處理? 而且時常會被他們的定義搞得頭昏腦脹…
Python/Pandas中的None VS NaN
大家在進行資料清理時一定會遇到一個問題，到底缺失值、空值要怎麼判斷，以及如何處理? 而且時常會被他們的定義搞得頭昏腦脹…
🔍什麼是Matplotlib?
Matplotlib 是 Python 最早也是最強大的 2D 資料視覺化套件，提供靈活且客製化程度高的繪圖介面。
🌍 發展歷史悠久，幾乎所有可視化工具都以它為基礎（如 Seaborn、Pandas 內建繪圖、Plotly）
🔍什麼是Matplotlib?
Matplotlib 是 Python 最早也是最強大的 2D 資料視覺化套件，提供靈活且客製化程度高的繪圖介面。
🌍 發展歷史悠久，幾乎所有可視化工具都以它為基礎（如 Seaborn、Pandas 內建繪圖、Plotly）
🧪GroupBy能做什麼?
groupby() 可將資料依照欄位分組，接著對每個群體套用統計或轉換函式，如同 SQL 中的 GROUP BY。 善用groupby()可以讓自己資料處理能力更上一層!!!
🧪GroupBy能做什麼?
groupby() 可將資料依照欄位分組，接著對每個群體套用統計或轉換函式，如同 SQL 中的 GROUP BY。 善用groupby()可以讓自己資料處理能力更上一層!!!
🐼什麼是Pandas?
Pandas 是 Python 最重要的資料處理與分析工具，名稱來自 "Panel Data"（跨時間的結構化資料），由 Wes McKinney 開發。 它提供兩個核心資料結構： Series：一維的資料列（類似 list） DataFrame：二維表格資料結構
🐼什麼是Pandas?
Pandas 是 Python 最重要的資料處理與分析工具，名稱來自 "Panel Data"（跨時間的結構化資料），由 Wes McKinney 開發。 它提供兩個核心資料結構： Series：一維的資料列（類似 list） DataFrame：二維表格資料結構
再見NumPy
在學習完上一篇NumPy入門教學後，可以接著熟悉一下NumPy進階，這部分包含了許多資料前處理上常用的技巧和語法。 其實有更多的語法我沒有列出來，因為不只你們記不住，我也記不得! 這邊整理的都是比較常用的部分，其他函數等你們有用到的時候自然會知道~
再見NumPy
在學習完上一篇NumPy入門教學後，可以接著熟悉一下NumPy進階，這部分包含了許多資料前處理上常用的技巧和語法。 其實有更多的語法我沒有列出來，因為不只你們記不住，我也記不得! 這邊整理的都是比較常用的部分，其他函數等你們有用到的時候自然會知道~