围绕所有这些工具的是编程。编程是一种贯穿始终的工具，你在项目的每个部分都会用到。要成为数据科学家，你不需要成为编程专家，但多学习编程会带来回报，因为成为更好的程序员可以让你自动化常见任务，并更轻松地解决新问题。

在每个数据科学项目中你都会用到这些工具，但对大多数项目来说它们还不够。这里有一个大致的 80-20 法则：你可以用本书中学到的工具解决每个项目中大约 80% 的问题，但解决剩下的 20% 还需要其他工具。在本书中，我们会为你指出可以学到更多内容的相关资源。

本书的组织结构

前面关于数据科学工具的描述大致按照你在分析中使用它们的顺序进行组织（当然，你会在其中多次迭代）。然而，根据我们的经验，这并不是学习它们的最佳方式：

• • 从数据导入和整理开始并不理想，因为 80% 的时间这是常规且枯燥的，而另外 20% 的时间则是奇怪且令人沮丧的。这不是学习一门新学科的好起点！相反，我们将从对已经导入和整理好的数据进行可视化和转换开始。这样，当你导入和整理自己的数据时，你的积极性会保持高涨，因为你知道这些痛苦是值得的。
• • 有些主题最好用其他工具来解释。例如，我们认为如果你已经了解可视化、整洁数据和编程，就更容易理解模型是如何工作的。
• • 编程工具本身不一定有趣，但它们确实能让你应对更具挑战性的问题。我们将在本书中间部分向你介绍一些编程工具，然后你会看到它们可以与数据科学工具结合，解决有趣的建模问题。

在每一章中，我们都尽量遵循相似的模式：先给出一些激发兴趣的示例，让你看到更大的图景，然后再深入细节。本书的每一节都配有练习，帮助你实践所学内容。虽然很诱