原作者
Radhouane Aniba
编译 CDA 编译团队
本文为 CDA 数据分析师原创作品，转载需授权
选择一本合适的数据科学书至关重要，一本不适合的书会浪费你的时间以及精力。
有时候，书的大纲可能正合你意。但是随着你深入阅读时，可能会发现作者只触及了表面，并不够深入。这种情况之前也发在我的身上，我写这篇文章就是为了让你避免这种情况。
当我们选择数据科学相关书籍时，可以考录一下几点：
· 看作者的个人简介
：
能够帮助了解作者的背景，他的研究和主要兴趣，同时也展现了本书的一些细节。但也要给新的作者机会，不要把这一点作为关键。
· 仔细阅读序言：
大部分图书在网上都能免费阅读其序言部分。请仔细阅读该部分。大多数情况下，在此部分作者不仅会介绍写书背景，也会阐述各章节的细节。
· 选择有独立章节的书：
这是我的个人喜好，比较一本技术型的书不是小说。虽然从书中
由易到难、
逐步学习很重要，但选择一本或多或少带有独立章节的书能让你结构性的把握此书。
· 去书店逛逛：
虽然如今可以在网上找到所有的东西，但是在书店可以给你更直观的感受。有时候，当浏览一本书的关键章节时，我可能会改变主意，去选择另一本书。
· 阅读在线评论：
首先不要相信所有评论，毕竟评论是主观的，但在线评论可以了解人们对此书的普遍看法。我们常说：不要以一本书的封面来判断其好坏。亚马逊的评论值得参考，人们会对作者做出有见地的评论和批评。
数据科学有很多好书，在本文末尾，我列出了39本我所读过的数据分析书籍。如果列表中没有涵盖你认为优质的书，请给我留言。
一次回顾一堆书是一个艰巨的任务。将所有这些书放在一起的原因是，我认为概念和理论上有一些重叠的部分，其中最具挑战是大部分时间它们都是以不同的词汇呈现和阐述的。以下是我列出的，在阅读数据科学书之前值得一看的理想书籍清单。记住，你永远不会从一本书中获得足够的知识，因为科学领域是非常复杂的，一本书是远远不够的。
在下文中，我根据每个标准选择了这些书籍中的前5名。
一本书的长度确实取决于所探讨的内容。虽然这不是对质量的衡量标准，但我们可以假设你阅读的内容越多，所获得的知识就越多。以下是我根据书籍中探讨的内容多少排名前5名的书籍。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python in a Nutshell: A Desktop Quick Reference
Alex Martelli, Anna Ravenscroft, Steve Holden
Data Structures and Algorithms in Python
Michael T. Goodrich and Roberto Tamassia
Doing Data Science
Cathy O’Neil and Rachel Schutt
Python Machine Learning
Sebastian Raschka
对科学领域进行阐述很有挑战性，不能让每个人都满意，这取决于目标受众。有些作者有这方面的天赋，能够以简单明了的方式传达复杂的概念。同样，通过巧妙的结构和良好的学习方式解释概念，有助于学习。以下是写作风格方面前5名的书籍。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python Machine Learning
Sebastian Raschka
The Art of Data Science
Roger D. Peng, Elizabeth Matsui
Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Peter Flach
Real World Machine Learning
Henrik Brink and Joseph Richards
教授数据科学并非易事，但也没有那么难，我们只需了解应如何构建内容，从而确保信息被保留。关于这点有两个主要的方法。我们可以构建独立的模块，当中的内容可以不具备相关性，但还是属于数据科学分析流程的内容。单独阐述这些概念不需按照顺序。
另一方面，人们可以通过以难度递增的顺序来构建内容，就像大多数教学书籍中一样。例如关于回归，书中以最基本形式的回归开始，并加以越来越多的变化和最复杂形式的回归。以下是结构性排名前五的书籍。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python Machine Learning
Sebastian Raschka
Modern Python
CookBook
Steven F. Lott
Docker in Practice
Ian Miell and Aidan Hobson Sayers
Ensemble Methods: Foundations and Algorithms
Zhi-Hua Zhou
怎样就算太过了？从哪儿开始记叙？应该涉及什么内容，跳过什么内容？这些都是写数据科学相关书籍是会遇到的问题。一些作者会选择涵盖一个非常具体的领域，当查看这些作者的学术资料时，我们看到他们的研究与著作之间的联系。大多数时候，这些作者写的不是一般的数据科学书籍，而是他们的研究的一部分。他们的目标受众也比较狭窄。另一方面，一些作者针对数据科学教学，关注的是基本的和全局的部分，而不是细节。这类书籍常常涉及使用R语言或Python的回归，分类，以及使用模块进行数据分析等等。
