▲传统的城市设计模式,大部分是实地调研到的现场信息与设计师的“感性”想法结合的成果,在城市尺度上缺少数据辅助决策
开始迈入数据的门槛,成为一个城市数据的研究者,尝试活用互联网化带来的“数据”,从技术上到思维慢慢的转变。
▲借用地图热力数据、手机信令数据、人口迁徙数据,通过一定的分析软件、工具等,来重新定义和研究“城市”
02 刚接触Python时:数学一团糟,英语全靠字典Python不仅是一门编程语言,而且是数据挖掘机器学习等技术的基础,方便建立自动化的工作流。
最初决定学习,是因为其他的软件不能再满足效率和数据量的要求。虽然数学和英语都不好,还是逐渐在自学和实践中,把Python一直用到现在。
慢慢的会发现,Python入门不难。它对数学要求并不是太高,重要的是需要知道如何用语言表达一个算法逻辑。比构建一个等差数列的和,数学语言和计算机语言是不一样的:
类似于Excel,Python有很多封装好的工具库和命令,我要做的是用哪些数学方法解决一个问题,并构建出来。
那么上哪去找这些数学方法?系统学习看教材资料,遇到问题问百度谷歌英语相对简单,用好词典和chrome翻译功能即可。
03 学Python一段时间后:发现的是一个有趣的新世界这里需要用一个有趣的例子说明问题:如何用Python研究财富分配的规律?简单来说,我们可以采用理顺逻辑—构建算法—代码实现—模拟实验的方法来做研究:
▲这个Python模拟实验模拟的是社会财富分配的简化模型,从而模拟这个世界的运行规律。我们假设:每个人在18岁带着100元的初始资金开始玩游戏,每天玩一次,一直玩到65岁退休。“每天拿出一元钱”可理解为基本的日常消t费。以此计算,人一生要玩17000次游戏,即获得17000次财富分配的机会。最后财富会接近于幂律分布, top10%的富人会掌握大约30%的财富。本案例来自城市数据团。
构建这样的模型并非一蹴而就。这个案例灵感源于蒙特卡洛思想,每模拟一次,程序便要运行17000遍,期间涉及多次参数和代码的调整。其他的鼠标点击类软件很难做这样的模拟,Python的趣味性就在此处。
学习Python,需要不断的体验有趣的项目,在实践中体验技能和思维。
智慧是通过体验获得的,知识是通过勤奋获得的。04 似懂非懂:怎样才能快速入门Python数据分析?其实,套路是可以总结的。想学认真学有技巧的学,学会python是妥妥的!