培训内容：
一、 作为数据分析程序员，有必要掌握python这门语言；
a) 介绍python支持库；
b) Python对机器学习的重要推动作用。
二、 使用Jupyter notebook进行交互式计算和开发环境；
a) 配置、使用、运行和调试。
三、 Numpy数组和矢量计算；
a) 通用函数；
b) 线性代数运算操作；
c) Numpy张量的文件输入和输出。
四、 Pandas数据结构
a) 汇总和统计计算；
b) 处理残缺数据；
c) 层次化索引；
五、 数据的加载、存储与文件格式；
a) 汇总和统计计算；
b) 处理残缺数据；
c) 层次化索引；
六、 数据的加载、存储与文件格式；
a) 读取文本格式的数据；
b) 读写二进制数据；
c) 使用关系型数据库；
七、 数据的去噪、转换、合并、重塑
a) 合并数据集；
b) 重塑；
c) 数据矩阵变换；
d) 数据轴向旋转；
e) 数据转换；
f) 字符串操作。
八、 数据可视化；
a) Matplotlib使用
b) Pandas中的绘图函数使用
c) 绘制地图类表达数据
九、 数据的聚合和分组运算
a) GroupBy技术
b) 数据聚合
c) 分组级运算和转换
d) 透视表和交叉表
十、 时间序列
a) 日期和时间数据类型及工具；
b) 日期的范围、频率和移动；
c) 时期及算法运算；
d) 重采样及频率转换；
e) 时间序列绘图；
f) 移动窗口函数；
g) 性能和内存的优化；
十一、 金融和经济数据应用
a) 举一个分组变换应用
十二、 Numpy高级应用
a) Numpy内部工作机理；
b) 高级数组操作；
c) 结构化和记录式数组；
d) Numpy的matrix类；
e) 高级数组的输入输出。
十三、 通过神经网络进行相关因素预测分析；
a) CNN和RNN初识；
b) 相关因素时间序列预测分析示例。
