Github的大名想必無人不知，無人不曉。一些新手或許會不敢接觸Github，但同為初學者，我非常清楚Github的用途遠不止管理項目版本。除了人人都可參與的開源項目以外，Github上還有豐富的學習資源。

網(wǎng)課固然讓人受益良多，但輔以練習才能鞏固新知。一些常用網(wǎng)站，例如“Codewars”和“Codekata”，提供每日練習，用戶可根據(jù)自身需求選擇語言并解題。

如果要針對Pandas進行強化練習，可以參考下列四大可供學習Pandas的Github代碼倉庫。其中一個代碼倉庫經(jīng)Fork次數(shù)最多，受眾層次廣，Pandas新手以及進階學習者都可使用。

Pandas Exercises——多種類數(shù)據(jù)（4k Forks）

該代碼倉庫由11個部分組成，涵蓋了從數(shù)據(jù)預處理到高級數(shù)據(jù)可視化等內(nèi)容。每個文件夾中有多個數(shù)據(jù)集，包含不同的練習。

用戶可下載IPYNB文件，打開Jupyter notebook，親自動手一試?？蓪⒋a輸入題目下方的空白cell框格中，并查看“Exercise_with_Solution.ipynb”文件以核對答案。

該代碼倉庫資源綜合性強，共有27個notebook可供使用。即使已經(jīng)熟悉Pandas，“入門須知（Getting and knowing）”部分也值得一看，或許可從中新學到.describe（include=all） 和 .nunique（）等函數(shù)。

Pandas Videos——多種類數(shù)據(jù)/含視頻（1.2k Forks）

該代碼倉庫內(nèi)含的Jupyter notebook附有代碼，其代碼來自于一個介紹Pandas多種不同功能的系列視頻。作者使用真實數(shù)據(jù)集，遍歷了解決問題的全過程，將其寫進notebook中并發(fā)布于網(wǎng)上。

理想狀態(tài)下，打開Jupyter notebook后便會隨之播放視頻。視頻和代碼都瀏覽完畢后，可將代碼倉庫中的notebook作為“答題紙”。這些notebook中還附有腳注，有助于厘清特定cell框格的輸出結(jié)果。

這些視頻與相應的notebook綜合性極強。對于Pandas相關的疑問，諸如“如何對Pandas中的Series和Dataframe進行排序”等簡單小問題，或是“如何用Pandas和sci-kit learn在Kaggle完成提交”等復雜大問題，都能在這一代碼倉庫中獲得解答。

100 Pandas Puzzles（1k Forks）

該代碼庫中含有一個Jupyter notebook文件和一些練習以供下載。用戶可將代碼填入問題下方的cell框格中，并可與“solutionsnotebook”文件中的相應cell框格進行比對。

notebook由不同部分組成，包括“導入Pandas（Importing Pandas）”、“DataFrame基礎知識（DataFrame basics）”和“Series與DatetimeIndex（Series andDatetimeIndex）”等。大多數(shù)問題并不需大段代碼，在理想情況下僅用寥寥幾行即可解決。

該代碼倉庫中的“掃雷（Minesweeper）”部分很有趣，內(nèi)容包含：創(chuàng)建DataFrame，使其內(nèi)含掃雷游戲的必要數(shù)據(jù)，包括方格坐標值、格內(nèi)是否含雷及其相鄰方格中的含雷數(shù)量。“掃雷”中等偏難，對于已完成之前練習的人來說，仍屬力所能及之范圍。有別于傳統(tǒng)的數(shù)據(jù)分析，該部分考察了在特殊場景中運用DataFrame的能力，頗具趣味性。

作者也指出了題目列表尚不完整，有意完善題目的人可以提出申請，以獲取更多練習、做出更正和改進。

Pycon 2019 Tutorial——中等難度（180 Forks）

該代碼倉庫中含有一個極長的notebook，其中有作者在自制的“使用Pandas的最佳數(shù)據(jù)科學實踐（Data Science Best Practices with Pandas）”視頻中討論到的代碼。該代碼倉庫不含Pandas的基礎知識，因此適合中等水平的Pandas用戶使用。

它共有八個主要部分，并不十分遵循“教程”模式，更類似于真實的數(shù)據(jù)分析項目，從數(shù)據(jù)檢驗、數(shù)據(jù)清洗到創(chuàng)建初步可視化，以幫助解答一些具體的問題，例如“平均來說，哪類職業(yè)的工作者發(fā)表的TED演講最為有趣？”等。

對于剛接觸Python和Pandas的數(shù)據(jù)分析項目的新手來說，可以觀看整個視頻來學習他人如何完成數(shù)據(jù)清洗、探索和分析等不同步驟，取其精華并活用于自己的項目之中。

學習的途徑多種多樣，你不妨從中選取符合自己Pandas水平的學習資源，在Github上一試身手。