‘壹’ Python主要内容学的是什么
第一步：Python开发基础
Python全栈开发与人工智能之Python开发基础知识学习内容包括：Python基础语法、数据类型、字符编码、文件操作、函数、装饰器、迭代器、内置方法、常用模块等。
第二步：Python高级编程和数据库开发
Python全栈开发与人工智能之Python高级编程和数据库开发知识学习内容包括：面向对象开发、Socket网络编程、线程、进程、队列、IO多路模型、Mysql数据库开发等。
第三步：前端开发
Python全栈开发与人工智能之前端开发知识学习内容包括：Html、CSS、JavaScript开发、Jquery&bootstrap开发、前端框架VUE开发等。
第十步：高并发语言GO开发
Python全栈开发与人工智能之高并发语言GO开发学习内容包括：GO语言基础、数据类型与文件IO操作、函数和面向对象、并发编程等。
‘贰’ python数据分析师需要学什么
python数据分析师。现在大数据分析可以热得不要不要的。从发展来看，python数据分析师很有前景的。但也并不是随便一个公司就可以做大数据分析的。有几个问题是做大数据要考虑的：大数据来源是否全面，分析什么，谁来使用等等。当然如果能到能做大数据的公司，那薪水还是可观的。要做python数据分析师，有一些东西是不得不学的，要不然，做不了分析师的，可能做的程序员，帮别人实现分析的结果而已。第一：统计学知识。（推荐学习：Python视频教程）
这是很大一部分大数据分析师的短板。当然这里说的不是简单的一些统计而已。而是包括均值、中位数、标准差、方差、概率、假设检验等等具有时间、空间、数据本身。差不多应该是理工科的高等数学的知识，甚至还高一点儿。要能够建模，要不然你分析出来的结果离实际相差十万八千里的话，估计要不了几天，你就会被卷铺盖走人了。当然，做个一般的大数据分析师，就不会涉及到很深的高等数学知识了，但要做一个牛B的大数据分析师，还是要学习学习再学习。
第二：很多人想不到的，你还是把EXCEL玩熟悉吧。
当然不需要掌握的高大全，也得要掌握常用的函数，比如重点包括但不限于sum，count，sumif，countif，find，if，left/right，时间转换，透视表，各种图表做法等之类的。如果数据量不算是特别大的话，Excel能够解决很多问题。比如，筛选部分赃数据，排序，挑选满足条件的数据等等。
第三：分析思维的练习。
比如结构化思维、思维导图、或网络脑图、麦肯锡式分析，了解一些smart、5W2H、SWOT等等那就更好了。不一定要掌握多深多全，但一定要了解一些。
第四：数据库知识。
大数据大数据，就是数据量很多，Excel就解决不了这么大数据量的时候，就得使用数据库。如果是关系型数据库，比如Oracle、mysql、sqlserver等等，你还得要学习使用SQL语句，筛选排序，汇总等等。非关系型数据库也得要学习，比如：Cassandra、Mongodb、CouchDB、Redis、 Riak、Membase、Neo4j 和 HBase等等，起码常用的了解一两个，比如Hbase，Mongodb，redis等。
第五：业务学习。
其实对于大数据分析师来说，了解业务比了解数据更重要。对于行业业务是怎么走的对于数据的分析有着非常重要的作用，不了解业务，可能你分析的结果不是别人想要的。
第六：开发工具及环境。
比如：Linux OS、Hadoop（存储HDFS，计算Yarn）、Spark、或另外一些中间件。目前用得多的开发工具python等等语言工具。
总之，要做一个高级或总监级的大数据分析师那是相当的烧脑的。要学习了解的东西如果只是单纯的数据方面的话，那业务和统计知识的学习是必不可少的。如果是实用型的大数据分析师可能只掌握某些部分就可以。大数据开发工程师的话，基本就是掌握开发环境、开发语言以及各种图表的应用，也是可以满足的。毕竟，一个公司要团队协作，一人懂一部分就可以搞出分析产品出来了。认定一项事情就去干！越干越轻松，越干越牛B！
更多Python相关技术文章，请访问Python教程栏目进行学习！以上就是小编分享的关于python数据分析师需要学什么的详细内容希望对大家有所帮助，更多有关python教程请关注环球青藤其它相关文章！
‘叁’ 如何用python连接 tableau 数据库，然后读取数据
链接：http://pan..com/s/1BWBtFMYeQazJWUYSmHi5fw
Python&Tableau：商业数据分析与可视化。Tableau的程序很容易上手，各公司可以用它将大量数据拖放到数字“画布”上，转眼间就能创建好各种图表。这一软件的理念是，界面上的数据越容易操控，公司对自己在所在业务领域里的所作所为到底是正确还是错误，就能了解得越透彻。
快速分析：在数分钟内完成数据连接和可视化。Tableau 比现有的其他解决方案快 10 到 100 倍。大数据，任何数据：无论是电子表格、数据库还是 Hadoop 和云服务，任何数据都可以轻松探索。
课程目录：
前置课程-Python在咨询、金融、四大等领域的应用以及效率提升
Python基础知识
Python入门：基于Anaconda与基于Excel的Python安装和界面
简单的数学计算
Python数据分析-时间序列2-数据操作与绘图
Python数据分析-时间序列3-时间序列分解
......
‘肆’ MySQL 和 PostgreSQL 哪个更适合做金融数据库
金融数据库的需求：
高效存储和检索大量时间序列数据和横截面数据
这两个 数据库都能存储 时间序列数据， 但不是 最高效的。支持存储和检索大段文本数据
MySQL 和其他大部分关系型数据库的文本检索能力不强，用 LIKE 效率低，只能 硬匹配，PgSQL 提供全文检索功能 ( PgSQL 数据类型 包含 Text Search Types )，这是 PgSQL 很好的特性，可以充当轻量级搜索引擎。对R和Python有稳定高效的接口
MySQL 和 PgSQL 这方面都没问题， 但 如果是 Python3， PgSQL 的 psycopg2（毫无争议的就是这个adapter） 稳定高效， 而MySQL的 Python3 adapter 比较多，相对没有 Python2 的稳定或高效。具有一定存储和检索非结构化数据（例如图结构）的能力
一般情况下 图形结构不做转换是很难直接存到数据库的吧，我猜你说的非结构化数据 是树形结构吧，可以用 JSON 格式存储， MySQL 和 PgSQL 都提供 JSON 格式的存储功能，不同的是 MySQL 5.7 才有这个特性（当前最新版是5.7，也就是说近一两年才有的），而 PgSQL ( 当前最新版是9.6 ) 从 9.2 加入了 JSON Type， 这个特性至今已经相当成熟了。另外 JSON 格式不能满足你的话， PgSQL 还提供 XML 格式。
有好用易上手的GUI
Navicat 和 DataGrip 都支持 这两个数据库， 愿意花钱这个不是问题。
提供远程访问功能
远程访问，这么基本的功能肯定都有，就不用多说了吧
安全性高
这个不好说了， 看你们 DBA 和运维的实力咯（不过 MySQL 人好招）
数据库本身有能力处理复杂业务逻辑
MySQL 相对比较适合 简单粗暴的业务逻辑
PgSQL 处理复杂业务逻辑 有优势
综上， PgSQL 更适合。
‘伍’ python和r数据分析哪个更好
2012年的时候我们说R是学术界的主流，但是现在Python正在慢慢取代R在学术界的地位。不知道是不是因为大数据时代的到来。
Python与R相比速度要快。Python可以直接处理上G的数据；R不行，R分析数据时需要先通过数据库把大数据转化为小数据（通过groupby）才能交给R做分析，因此R不可能直接分析行为详单，只能分析统计结果。所以有人说：Python=R+SQL/Hive，并不是没有道理的。
Python的一个最明显的优势在于其胶水语言的特性，很多书里也都会提到这一点，一些底层用C写的算法封装在Python包里后性能非常高效
(Python的数据挖掘包Orange canve
中的决策树分析50万用户10秒出结果，用R几个小时也出不来，8G内存全部占满)。但是，凡事都不绝对，如果R矢量化编程做得好的话（有点小难度），会
使R的速度和程序的长度都有显着性提升。
R的优势在于有包罗万象的统计函数可以调用，特别是在时间序列分析方面，无论是经典还是前沿的方法都有相应的包直接使用。
相比之下，Python之前在这方面贫乏不少。但是，现在Python有了
pandas。pandas提供了一组标准的时间序列处理工具和数据算法。因此，你可以高效处理非常大的时间序列，轻松地进行切片/切块、聚合、对定期
/不定期的时间序列进行重采样等。可能你已经猜到了，这些工具中大部分都对金融和经济数据尤为有用，但你当然也可以用它们来分析服务器日志数据。于是，近
年来，由于Python有不断改良的库（主要是pandas），使其成为数据处理任务的一大替代方案。
做过几个实验：
1. 用python实现了一个统计方法，其中用到了ctypes，multiprocess。
之后一个项目要做方法比较，又用回R，发现一些bioconctor上的包已经默认用parallel了。（但那个包还是很慢，一下子把所有线程都用掉了，导致整个电脑使用不能，看网页非常卡~）
2. 用python pandas做了一些数据整理工作，类似数据库，两三个表来回查、匹配。感觉还是很方便的。虽然这些工作R也能做，但估计会慢点，毕竟几十万行的条目了。
3. 用python matplotlib画图。pyplot作图的方式和R差异很大，R是一条命令画点东
西，pylot是准备好了以后一起出来。pyplot的颜色选择有点尴尬，默认颜色比较少，之后可用html的颜色，但是名字太长了~。pyplot
的legend比R 好用多了，算是半自动化了。pyplot画出来后可以自由拉升缩放，然后再保存为图片，这点比R好用。
总的来说Python是一套比较平衡的语言，各方面都可以，无论是对其他语言的调用，和数据源的连接、读取，对系统的操作，还是正则表达和文字处
理，Python都有着明显优势。
而R是在统计方面比较突出。但是数据分析其实不仅仅是统计，前期的数据收集，数据处理，数据抽样，数据聚类，以及比较复杂的数据挖掘算法，数据建模等等
这些任务，只要是100M以上的数据，R都很难胜任，但是Python却基本胜任。
结合其在通用编程方面的强大实力，我们完全可以只使用Python这一种语言去构建以数据为中心的应用程序。
但世上本没有最好的软件或程序，也鲜有人能把单一语言挖掘运用到极致。尤其是很多人早先学了R，现在完全不用又舍不得，所以对于想要学以致用的人来说，如果能把R和Python相结合，就更好不过了。
‘陆’ python数据分析需要哪些库
Python数据分析需要安装的第三方扩展库有：Numpy、Pandas、SciPy、Matplotlib、Scikit-Learn、Keras、Gensim、Scrapy等，以下是对该第三方扩展库的简要介绍：
1. Pandas
Pandas是Python强大、灵活的数据分析和探索工具，包含Series、DataFrame等高级数据结构和工具，安装Pandas可使Python中处理数据非常快速和简单。
Pandas是Python的一个数据分析包，Pandas最初被用作金融数据分析工具而开发出来，因此Pandas为时间序列分析提供了很好的支持。
Pandas是为了解决数据分析任务而创建的，Pandas纳入了大量的库和一些标准的数据模型，提供了高效的操作大型数据集所需要的工具。Pandas提供了大量是我们快速便捷的处理数据的函数和方法。Pandas包含了高级数据结构，以及让数据分析变得快速、简单的工具。它建立在Numpy之上，使得Numpy应用变得简单。
带有坐标轴的数据结构，支持自动或明确的数据对齐。这能防止由于数据结构没有对齐，以及处理不同来源、采用不同索引的数据而产生的常见错误。
使用Pandas更容易处理丢失数据。
合并流行数据库（如：基于SQL的数据库）
Pandas是进行数据清晰/整理的最好工具。
2. Numpy
Python没有提供数组功能，Numpy可以提供数组支持以及相应的高效处理函数，是Python数据分析的基础，也是SciPy、Pandas等数据处理和科学计算库最基本的函数功能库，且其数据类型对Python数据分析十分有用。
Numpy提供了两种基本的对象：ndarray和ufunc。ndarray是存储单一数据类型的多维数组，而ufunc是能够对数组进行处理的函数。Numpy的功能：
•N维数组，一种快速、高效使用内存的多维数组，他提供矢量化数学运算。
•可以不需要使用循环，就能对整个数组内的数据进行标准数学运算。
•非常便于传送数据到用低级语言编写(C\C++)的外部库,也便于外部库以Numpy数组形式返回数据。
Numpy不提供高级数据分析功能，但可以更加深刻的理解Numpy数组和面向数组的计算。
#一般以np作为numpy的别名
import numpy as np
#创建数组
a = np.array([2,1,0,5])
print(a)
print(a[:3])
print(a.min())
a.sort()
b = np.array([1,2,3],[4,5,6])
print(b*b)
3. Matplotlib
Matplotlib是强大的数据可视化工具和作图库，是主要用于绘制数据图表的Python库，提供了绘制各类可视化图形的命令字库、简单的接口，可以方便用户轻松掌握图形的格式，绘制各类可视化图形。
Matplotlib是Python的一个可视化模块，他能方便的只做线条图、饼图、柱状图以及其他专业图形。
使用Matplotlib，可以定制所做图表的任一方面。他支持所有操作系统下不同的GUI后端，并且可以将图形输出为常见的矢量图和图形测试，如PDF SVG JPG PNG BMP GIF.通过数据绘图，我们可以将枯燥的数字转化成人们容易接收的图表。
Matplotlib是基于Numpy的一套Python包，这个包提供了吩咐的数据绘图工具，主要用于绘制一些统计图形。
Matplotlib有一套允许定制各种属性的默认设置，可以控制Matplotlib中的每一个默认属性：图像大小、每英寸点数、线宽、色彩和样式、子图、坐标轴、网个属性、文字和文字属性。
4. SciPy
SciPy是一组专门解决科学计算中各种标准问题域的包的集合，包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算等，这些对数据分析和挖掘十分有用。
Scipy是一款方便、易于使用、专门为科学和工程设计的Python包，它包括统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解器等。Scipy依赖于Numpy，并提供许多对用户友好的和有效的数值例程，如数值积分和优化。
Python有着像Matlab一样强大的数值计算工具包Numpy；有着绘图工具包Matplotlib;有着科学计算工具包Scipy。
Python能直接处理数据，而Pandas几乎可以像SQL那样对数据进行控制。Matplotlib能够对数据和记过进行可视化，快速理解数据。Scikit-Learn提供了机器学习算法的支持，Theano提供了升读学习框架（还可以使用CPU加速）。
5. Keras
Keras是深度学习库，人工神经网络和深度学习模型，基于Theano之上，依赖于Numpy和Scipy，利用它可以搭建普通的神经网络和各种深度学习模型，如语言处理、图像识别、自编码器、循环神经网络、递归审计网络、卷积神经网络等。
6. Scikit-Learn
Scikit-Learn是Python常用的机器学习工具包，提供了完善的机器学习工具箱，支持数据预处理、分类、回归、聚类、预测和模型分析等强大机器学习库，其依赖于Numpy、Scipy和Matplotlib等。
Scikit-Learn是基于Python机器学习的模块，基于BSD开源许可证。
Scikit-Learn的安装需要Numpy S Matplotlib等模块，Scikit-Learn的主要功能分为六个部分，分类、回归、聚类、数据降维、模型选择、数据预处理。
Scikit-Learn自带一些经典的数据集，比如用于分类的iris和digits数据集，还有用于回归分析的boston house prices数据集。该数据集是一种字典结构，数据存储在.data成员中，输出标签存储在.target成员中。Scikit-Learn建立在Scipy之上，提供了一套常用的机器学习算法，通过一个统一的接口来使用，Scikit-Learn有助于在数据集上实现流行的算法。
Scikit-Learn还有一些库，比如：用于自然语言处理的Nltk、用于网站数据抓取的Scrappy、用于网络挖掘的Pattern、用于深度学习的Theano等。
7. Scrapy
Scrapy是专门为爬虫而生的工具，具有URL读取、HTML解析、存储数据等功能，可以使用Twisted异步网络库来处理网络通讯，架构清晰，且包含了各种中间件接口，可以灵活的完成各种需求。
8. Gensim
Gensim是用来做文本主题模型的库，常用于处理语言方面的任务，支持TF-IDF、LSA、LDA和Word2Vec在内的多种主题模型算法，支持流式训练，并提供了诸如相似度计算、信息检索等一些常用任务的API接口。
以上是对Python数据分析常用工具的简单介绍，有兴趣的可以深入学习研究一下相关使用方法!
‘柒’ 《PythonforFinance-SecondEdition》pdf下载在线阅读，求百度网盘云资源
《Python for Finance - Second Edition》（Yuxing Yan）电子书网盘下载免费在线阅读
资源链接：
链接：https://pan..com/s/1CYIuoskbIL8ua-N-bCPOVg
书名：Python for Finance - Second Edition
作者：Yuxing Yan
出版社：Packt Publishing
出版年份：2017-6-30
页数：586
作者简介：
严玉星，毕业于麦吉尔大学，获金融学博士学位。他有着丰富的教学经验，教授过各类本科学位和研究生学位的金融课程，如金融建模、期权和期货、投资组合理论、定量财务分析、企业融资和金融数据库等。他曾在8所全球知名的大学任教：两所在加拿大，一所在新加坡，5所在美国。
严博士一直活跃于学术研究的前沿，他的研究成果在多个国际学术期刊发表。此外，他还是财务数据方面的专家。在新加坡南洋理工大学任教时，他曾为博士生讲授一门名为“金融数据库入门”的课程。