從八月底開始找工作，短短的一星期多一些，面試了9家公司，拿到5份Offer，可能是因為我所面試的公司都是些創業性的公司吧，不過還是感觸良多，因為學習Python的時間還很短，沒想到還算比較容易的找到了工作，就把自己找的python資源和大家分享一下，希望為學習Python找工作的小夥伴們提供些許幫助。

作為Python愛好者，廣泛蒐集了關於Python的書籍，具體包括資料探勘、人工智慧、網路程式設計等，範圍廣，資料全面，多為可編輯的pdf版本，不少都是各學科領域Python經典的書籍。當然論壇也有這些書籍，但是有的書籍較為難找，且大多數需要論壇幣。為此，本人花費大量時間蒐集整理Python書籍，並上傳以下超過100本書籍，希望能夠為Python愛好者節省蒐集書籍的時間，相互交流，共同學習。

Python具有一些特徵，使其成為第一種程式語言的接近完美的選擇。Python基本結構簡單、乾淨、設計精良，使學生能夠專注於演算法思維和程式設計的主要技能，而不會陷入晦澀難解的語言細節。在Python中學習的概念可以直接傳遞給後續學習的系統語言（如C ++和Java）。但Python不是一種“玩具語言”，它是一種現實世界的生產語言，可以在幾乎每個程式設計平臺上免費提供，並且具有自己易於使用的整合程式設計環境。最好的是，Python讓學習程式設計又變得有趣了。

首先推薦大家通過這兩本書來入門資料探勘這個領域，python資料探勘這本書較容易，還花了很大的篇幅來講python基礎，而python資料探勘入門與實踐則直接從例項講起，需要讀者有一定的python基礎。 　　資料探勘主要是通過python或者Ｒ語言來實現的，因為這兩門語言有它們獨特的優勢，比如包含大量的函數語言程式設計介面，高效的模組等等，這些都使它們非常適合用來進行資料探勘和資料分析。所以都要求程式設計者要有這方面的知識體系。但是，說到底語言只是一個工具，真正要在一門領域取得建樹，還是要靠程式設計者的思維能力和實踐能力，比如演算法水平和編碼或者debug（專案）能力。不過，對python這個強大工具有很深入的瞭解，會對資料探勘的學習有事半功倍的效果。 　　推薦使用anaconda作為python的編譯庫，裡面包括了大量的實用模組，比如numpy(科學計算，如矩陣，二維陣列，與表格最為相似的資料結構),pandas(資料分析，如資料框（虛擬記憶體資料庫），系列),Scipy(科學計算，向量化思想，包括符號計算和函式向量化),scikit-learn(用於機器學習，資料探勘，資料分析，六大功能：分類，迴歸，聚類，降維，模型選擇，預處理),Matplotlib,Bokeh(資料分析及視覺化)等等。這些都有助於進行資料探勘和資料分析。 　　資料探勘和資料分析等領域包含了大量的演算法，比如K-Means,DBSCAN,Apriori,kNN,樸素貝葉斯，BP神經網路,CART，決策樹等演算法，這對程式設計者的演算法能力和思維能力產生了極大的挑戰。只有掌握了這些演算法，才能更好地，更高效地，更快速地實現目標。如果有ACM經驗的話，學起來應該會更加快速和適應。這些演算法，我覺得結合實際例子來學習可能更加容易理解，比如用決策樹來預測獲勝球隊，使用樸素貝葉斯進行社會媒體挖掘，用神經網路破解驗證碼，用深度學習方法為影象中的物體進行分類。結合例項的話，可以更好地去學習,理解和實踐。

最後給大家推薦後續的學習路線，可以去kaggle上參加資料探勘比賽，或者參考學習別人的優秀專案。還可以去coursera上面學習資料探勘的相關課程，進一步提高自己的能力和拓展自己的視野。

以下是所有書的截圖，有興趣可以下載來看。（中文版齊了）