[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-AmoDinho--datacamp-python-data-science-track":3,"tool-AmoDinho--datacamp-python-data-science-track":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",154349,2,"2026-04-13T23:32:16",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":97,"github_topics":99,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":119,"updated_at":120,"faqs":121,"releases":122},7330,"AmoDinho\u002Fdatacamp-python-data-science-track","datacamp-python-data-science-track","All the slides, accompanying code and exercises all stored in this repo. 🎈","datacamp-python-data-science-track 是一个专为 Python 数据科学学习者打造的开源资源库，完整收录了 DataCamp 平台上相关课程的教学幻灯片、配套代码及练习项目。它旨在解决初学者在寻找系统化学习路径时面临的资料分散难题，将原本零散的知识点整合为一条从入门到精通的清晰轨迹。\n\n这套资源非常适合希望转行数据科学的学生、刚入行的开发者以及需要巩固基础的分析师使用。内容设计循序渐进，不仅涵盖 Python 基础语法和数据导入清洗等核心技能，还深入讲解了 Pandas 数据处理、统计思维、机器学习（包括监督与无监督学习）、深度学习以及网络分析等高阶主题。此外，项目还额外提供了自然语言处理等 bonus 内容，进一步拓宽了知识边界。\n\n其独特亮点在于“全链路”的学习体验：用户无需在不同平台间切换，即可在一个仓库中获取理论讲解（幻灯片）与实战演练（代码和习题）的完整闭环。无论是想系统构建知识体系，还是针对特定模块进行查漏补缺，datacamp-python-data-science-track 都能提供高质量、结构化的免费学习支持，是通往数据科学家之路的实","datacamp-python-data-science-track 是一个专为 Python 数据科学学习者打造的开源资源库，完整收录了 DataCamp 平台上相关课程的教学幻灯片、配套代码及练习项目。它旨在解决初学者在寻找系统化学习路径时面临的资料分散难题，将原本零散的知识点整合为一条从入门到精通的清晰轨迹。\n\n这套资源非常适合希望转行数据科学的学生、刚入行的开发者以及需要巩固基础的分析师使用。内容设计循序渐进，不仅涵盖 Python 基础语法和数据导入清洗等核心技能，还深入讲解了 Pandas 数据处理、统计思维、机器学习（包括监督与无监督学习）、深度学习以及网络分析等高阶主题。此外，项目还额外提供了自然语言处理等 bonus 内容，进一步拓宽了知识边界。\n\n其独特亮点在于“全链路”的学习体验：用户无需在不同平台间切换，即可在一个仓库中获取理论讲解（幻灯片）与实战演练（代码和习题）的完整闭环。无论是想系统构建知识体系，还是针对特定模块进行查漏补缺，datacamp-python-data-science-track 都能提供高质量、结构化的免费学习支持，是通往数据科学家之路的实用指南。","# Data Camp: Data Scientist with Python 🎉🤖\n\n![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FAmoDinho\u002Fdatacamp-python-data-science-track) ![GitHub stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FAmoDinho\u002Fdatacamp-python-data-science-track?style=social)\n\n![Design Blocks](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAmoDinho_datacamp-python-data-science-track_readme_a9f3f221e618.png)\n\n# All the slides, accompanying code and exercises are all stored in this repo!\n\n[Sign Up to DataCamp Here!](https:\u002F\u002Fwww.datacamp.com)\n\n## 🎮 List of Courses\n\n  - [Intro to Python for Data Science](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FIntro%20to%20Python%20for%20Data%20Science)\n  - [Intermediate Python for Data Science](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FIntermediate%20Python%20for%20Data%20Science)\n  - [Python Data Science Toolbox (Part 1)](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FPython%20Data%20Science%20Toolbox%20pt1)\n  - [Python Data Science Toolbox (Part 2)](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FPython%20Data%20Science%20Toolbox%20pt2)\n  - [Importing Data in Python (Part 1)](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FImporting%20Data%20in%20Python%20pt1)\n  - [Importing Data in Python (Part 2)](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FImporting%20Data%20in%20Python%20pt2)\n  - [Cleaning Data in Python](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FCleaning%20Data%20in%20Python)\n  - [Pandas Foundations](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FPandas%20Foundations)\n  - [Manipulating DataFrames with pandas](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FManipulating%20DataFrames%20with%20pandas)\n  - [Merging DataFrames with pandas](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FMerging%20DataFrames%20with%20pandas)\n  - [Introduction to Databases in Python](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FIntroduction%20to%20Databases%20in%20Python)\n  - [Introduction to Data Visualization with Python](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FIntroduction%20to%20Data%20Visualizaion%20with%20Python)\n  - [Interactive Data Visualization with Bokeh](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FInteractive%20Data%20Visualization%20with%20Bokeh)\n  - [Statistical Thinking in Python (Part 1)](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FStatistical%20Thinking%20in%20Python%20(Part%201))\n  - [Statistical Thinking in Python (Part 2)](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FStatistical%20Thinking%20in%20Python%20(Part%202))\n  - [Supervised Learning with scikit-learn](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FSupervised%20Learning%20with%20scikit-learn)\n  - [Machine Learning with the Experts: School Budgets](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FMachine%20Learning%20with%20Experts-School%20Budgets)\n  - [Unsupervised Learning in Python](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FUnsupervised%20Learning%20in%20Python)\n  - [Deep Learning in Python](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FDeep%20Learning%20in%20Python)\n  - [Network Analysis in Python (Part 1)](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FNetwork%20Analysis%20in%20Python%20(Part%201))\n  \n  ### 💣 Bonus\n  \n  - [Natural Language Processing Fundamentals in Python](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FNatural%20Language%20Processing%20Fundamentals%20in%20Python)\n  - [Correlation & Regression](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FCorrelation%20and%20Regression)\n  \n  ##  🍣 Contributions\n  \n  Anyone is welcome to contribute please check out the issues!\n  \n  ## 📄 License\n\n[MIT License](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Fblob\u002Fmaster\u002FLICENSE)\n\n","# 数据营：Python 数据科学家 🎉🤖\n\n![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FAmoDinho\u002Fdatacamp-python-data-science-track) ![GitHub 星标](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FAmoDinho\u002Fdatacamp-python-data-science-track?style=social)\n\n![设计模块](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAmoDinho_datacamp-python-data-science-track_readme_a9f3f221e618.png)\n\n# 所有的幻灯片、配套代码和练习都存储在这个仓库中！\n\n[立即注册 DataCamp！](https:\u002F\u002Fwww.datacamp.com)\n\n## 🎮 课程列表\n\n  - [面向数据科学的 Python 入门](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FIntro%20to%20Python%20for%20Data%20Science)\n  - [面向数据科学的 Python 进阶](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FIntermediate%20Python%20for%20Data%20Science)\n  - [Python 数据科学工具箱（第 1 部分）](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FPython%20Data%20Science%20Toolbox%20pt1)\n  - [Python 数据科学工具箱（第 2 部分）](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FPython%20Data%20Science%20Toolbox%20pt2)\n  - [在 Python 中导入数据（第 1 部分）](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FImporting%20Data%20in%20Python%20pt1)\n  - [在 Python 中导入数据（第 2 部分）](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FImporting%20Data%20in%20Python%20pt2)\n  - [在 Python 中清洗数据](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FCleaning%20Data%20in%20Python)\n  - [Pandas 基础](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FPandas%20Foundations)\n  - [使用 pandas 操作 DataFrame](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FManipulating%20DataFrames%20with%20pandas)\n  - [使用 pandas 合并 DataFrame](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FMerging%20DataFrames%20with%20pandas)\n  - [Python 中的数据库入门](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FIntroduction%20to%20Databases%20in%20Python)\n  - [Python 数据可视化入门](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FIntroduction%20to%20Data%20Visualizaion%20with%20Python)\n  - [使用 Bokeh 进行交互式数据可视化](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FInteractive%20Data%20Visualization%20with%20Bokeh)\n  - [Python 中的统计思维（第 1 部分）](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FStatistical%20Thinking%20in%20Python%20(Part%201))\n  - [Python 中的统计思维（第 2 部分）](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FStatistical%20Thinking%20in%20Python%20(Part%202))\n  - [使用 scikit-learn 进行监督学习](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FSupervised%20Learning%20with%20scikit-learn)\n  - [与专家一起学习机器学习：学校预算](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FMachine%20Learning%20with%20Experts-School%20Budgets)\n  - [Python 中的无监督学习](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FUnsupervised%20Learning%20in%20Python)\n  - [Python 中的深度学习](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FDeep%20Learning%20in%20Python)\n  - [Python 中的网络分析（第 1 部分）](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FNetwork%20Analysis%20in%20Python%20(Part%201))\n\n  ### 💣 附加内容\n  \n  - [Python 中的自然语言处理基础](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FNatural%20Language%20Processing%20Fundamentals%20in%20Python)\n  - [相关性与回归](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Ftree\u002Fmaster\u002FCorrelation%20and%20Regression)\n\n  ##  🍣 贡献\n\n欢迎任何人贡献，请查看问题列表！\n\n  ## 📄 许可证\n\n[MIT 许可证](https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track\u002Fblob\u002Fmaster\u002FLICENSE)","# DataCamp Python 数据科学轨迹快速上手指南\n\n本仓库汇总了 DataCamp \"Python 数据科学家\" 学习轨迹中的所有课程幻灯片、配套代码和练习文件，是系统学习 Python 数据科学的优质开源资源。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows、macOS 或 Linux 均可。\n*   **Python 版本**：推荐安装 **Python 3.8** 或更高版本。\n*   **前置依赖**：\n    *   已安装 `git` 用于克隆仓库。\n    *   建议安装 `conda` (Anaconda 或 Miniconda) 以方便管理数据科学相关的包依赖（如 pandas, numpy, scikit-learn, matplotlib 等）。\n\n## 安装步骤\n\n### 1. 克隆仓库\n打开终端（Terminal）或命令提示符，运行以下命令将项目代码下载到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAmoDinho\u002Fdatacamp-python-data-science-track.git\ncd datacamp-python-data-science-track\n```\n\n### 2. 创建虚拟环境并安装依赖\n推荐使用 conda 创建独立环境，避免污染全局 Python 环境。\n\n**使用 Conda (推荐):**\n```bash\nconda create -n datacamp-track python=3.9\nconda activate datacamp-track\npip install -r requirements.txt\n```\n*(注：如果仓库根目录没有 `requirements.txt`，可根据具体课程文件夹内的说明安装常用库，或直接安装核心套件)*\n\n**通用核心库安装命令 (若无 requirements.txt):**\n```bash\npip install pandas numpy matplotlib seaborn scikit-learn jupyter bokeh sqlalchemy\n```\n\n> **💡 国内加速提示**：\n> 如果您在中国大陆，建议使用清华或阿里镜像源加速 pip 安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple pandas numpy matplotlib seaborn scikit-learn jupyter bokeh sqlalchemy\n> ```\n\n## 基本使用\n\n本仓库按课程章节组织文件。您可以直接进入对应的课程文件夹，运行其中的 Jupyter Notebook (`.ipynb`) 或 Python 脚本 (`.py`) 进行练习。\n\n### 示例：开始第一门课程\n假设您想学习 **\"Intro to Python for Data Science\"**：\n\n1.  **进入课程目录**：\n    ```bash\n    cd \"Intro to Python for Data Science\"\n    ```\n\n2.  **启动 Jupyter Notebook**：\n    ```bash\n    jupyter notebook\n    ```\n    浏览器会自动打开，点击目录中的 `.ipynb` 文件即可开始交互式学习和编码练习。\n\n3.  **或者直接运行 Python 脚本**：\n    ```bash\n    python script_name.py\n    ```\n\n### 学习路径建议\n按照仓库中列出的顺序依次学习，从基础语法到高级机器学习：\n1.  **基础阶段**：`Intro to Python` -> `Intermediate Python`\n2.  **工具阶段**：`Python Data Science Toolbox` -> `Importing\u002FCleaning Data`\n3.  **核心库阶段**：`Pandas Foundations` -> `Data Visualization`\n4.  **进阶阶段**：`Statistical Thinking` -> `Supervised\u002FUnsupervised Learning` -> `Deep Learning`\n\n所有课程的源代码和练习题均已在对应文件夹中准备好，直接运行即可复现课程内容。","一名刚转行数据分析的运营专员，急需在两周内掌握 Python 核心技能以独立完成销售数据的清洗、可视化及预测建模任务。\n\n### 没有 datacamp-python-data-science-track 时\n- **学习路径混乱**：需要在网络上零散搜索\"Python 基础”、\"Pandas 教程”和“机器学习入门”，难以构建从数据导入到模型部署的完整知识体系。\n- **实战代码缺失**：看完理论视频后，缺乏配套的幻灯片源码和练习题，遇到数据清洗报错或 DataFrame 合并问题时只能盲目试错，效率极低。\n- **技能覆盖不全**：容易忽略数据库交互、统计思维或网络分析等关键模块，导致处理复杂业务场景（如多表关联或异常值检测）时束手无策。\n- **进阶资源难寻**：在掌握基础后，难以找到系统性的监督学习、深度学习或 NLP 进阶材料，项目深度停留在简单的图表展示，无法产出预测价值。\n\n### 使用 datacamp-python-data-science-track 后\n- **体系化课程导航**：直接跟随仓库中从\"Intro to Python\"到\"Deep Learning\"的 20+ 门结构化课程清单，按部就班地建立完整的数据科学技能树。\n- **全套资料即取即用**：每门课程均提供对应的幻灯片、完整代码和练习文件，可立即复现数据清洗与 Pandas 操作案例，快速解决实际操作中的语法与逻辑错误。\n- **全栈能力覆盖**：通过\"Importing Data\"、\"Cleaning Data\"及\"Statistical Thinking\"等专项模块，轻松搞定从数据库提取到复杂统计分析的全流程业务需求。\n- **平滑进阶高阶应用**：利用\"Supervised Learning\"和\"NLP Fundamentals\"等高级章节，迅速将分析维度从描述性统计提升至预测性建模，输出高价值的业务洞察报告。\n\ndatacamp-python-data-science-track 将碎片化的学习资源整合为一条清晰的实战捷径，帮助初学者在最短时间内具备独立端到端解决数据问题的能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAmoDinho_datacamp-python-data-science-track_9bda827b.png","AmoDinho","Amo Moloko","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAmoDinho_1509fb71.jpg","JavaScript Engineer👷‍♂️|| Part time WWII Historian 💂‍♂️ ","@NakedInsurance","The Solar System",null,"https:\u002F\u002Fprinceashburton.netlify.com\u002F","https:\u002F\u002Fgithub.com\u002FAmoDinho",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,887,530,"2026-04-11T09:01:00","MIT",1,"","未说明",{"notes":95,"python":93,"dependencies":96},"该仓库主要包含 DataCamp Python 数据科学课程的幻灯片、代码和练习文件，并非一个需要特定环境配置的可执行软件包。具体的运行环境（如 Python 版本、pandas、scikit-learn、Bokeh 等库）取决于用户本地运行的具体课程脚本。建议参考各课程子目录中的具体要求或自行安装通用的 Python 数据科学栈。",[],[35,98,16,14],"其他",[100,101,102,103,104,105,106,107,108,109,110,111,112,113,114,115,116,117,118],"python","machinelearning","data-science","datacamp","datacamp-course","datacamp-exercises","datacamp-projects","datacamp-python","datacamp-machine-learning","datacamp-solutions-python","pandas","neural-network","neural-networks","natural-language-processing","nlp","bokeh","scikit-learn","tokenization","datascience","2026-03-27T02:49:30.150509","2026-04-14T12:26:56.507008",[],[]]