Python数据处理与办公自动化
甄选并验证：Arjun Mehta, Data Scientist, Coinbase大多数星期，在你电脑的某个角落，同样的半小时都会发生。邮件来了，附件打开，你修剪掉无用的行，修复以文本形式出现的日期，把它粘贴到上周的数据旁边，运行数据透视表，将总计复制到演示文稿中，点击发送。这些操作没有一个是难的。只是它从未*停止*过。 本课程是为那些经历这半小时的人——分析师、运营人员、研究人员，每个团队中非官方的电子表格管理员——而设的，他们已决定让计算机来做这些事会更好。你不会成为一名软件工程师。但你会学到足够的Python、足够的pandas，以及足够多的实用库（用于Excel的openpyxl、用于Word的python-docx、用于PDF的pypdf、用于API的requests、用于电子邮件的smtplib），将重复性的工作缩减为一条命令。本课程假设你从未写过一行代码，但它会让你比预想中更快地写出可运行的脚本——pandas在第16课就读取你的CSV文件，而不是第60课。 一个可运行的脚本只是工作的一半。另一半是没有人警告初学者的那个不光彩的部分：区分数据和“数据”（字符串`"$1,200.50"`不是数字）；绝不硬编码那些你会因邮件发送而被解雇的密码；让文件重命名程序在执行前先打印它*将*做什么；日志让你的未来自己在计划运行失败的早上7点能够真正读懂。你会一次一个地养成这些习惯，直到它们变得显而易见。 到2026年，这里的绝大多数人会有一个AI助手起草脚本的第一个版本。这没问题——本课程教给你的是助手无法为你做的一件事：阅读它刚刚生成的脚本，运行它，并判断它是否有效。到课程结束时，你就可以做到。
课程目录
关于课程作者
The common thread in Arjun Mehta’s work is the journey from an uncertain question to a decision someone can defend. He has forecast demand for retail operations, modeled customer attrition for subscription products, built language systems that classify support conversations, and analyzed healthcare data to identify variations in patient outcomes. Depending on the problem, Arjun may design an experiment, train a predictive model, construct a data pipeline, or conclude that a simpler statistical analysis provides the more reliable answer. He works primarily with Python, SQL, Spark, and cloud-based machine-learning platforms, but places equal emphasis on data quality, model monitoring, privacy, and clear communication. Now leading a multidisciplinary data-science team, he remains closely involved in the work between prototype and production, where analytical promise must become a dependable part of everyday operations.
评价 (5)
- tidy_pilgrim
很好用，简单易懂
- noble_archer
Muito básico, esperava mais.
- warm_hyena
moves too fast, hard to follow.
- witty_gibbon
too basic, expected more practical examples.
- quaint_wombat
super claro, me ayudó mucho