本文目录
- 想学Python数据分析，各位大佬有什么建议
- 现在做大数据分析，R和Python那个更好
- python数据分析师的就业前景如何
- python与大数据什么关系啊
- python做可视化数据分析，究竟怎么样
- 做数据分析（数据挖掘）spss和Python哪个好
- Python做数据分析明明更快，为什么大部分人学Excel，不学Python
- 不会Python只会Bi工具，可以从事数据分析师吗
- 学数据分析怎么样呢
- 有哪些关于python数据分析方面比较好的书
想学Python数据分析，各位大佬有什么建议
学，毫不犹豫
既然有这想法，那就学，必须学。
你能冒出这个想法，无非两个原因：一是你对这块感兴趣；二是数据分析这个领域在市场上还是很香的。
你现在有所顾虑，无非就是学习成本问题，担心所花时间值不值。我告诉你，真的学成了，这介值是无法估量的，只要你还活着，这些知识对你都有用。何况基于 Python 的数据分析，如果你有一定的编程基础，光学习来说，不需要多少时间成本。剩下的就是实践了。
下面我来简单写个学习指南，让你完全打消顾虑。
学习指南
你应该知道，数据分析也是数据科学，是关于问题解决、探索，以及从数据中提取有价值的信息的一门学问。
要有效地做到这一点，你需要整理数据集，训练机器学习模型，将结果可视化等等。
做到这一点并不难，因为这一块已经有很多现成的框架、类库或工具了。所以你要做的仅仅是学习 Python 语言和基于 Python 数据分析类库，再加上些项目实践就可以了。
1. 高效学习 Python
Python 是世界上使用最广泛的语言之一，它拥有非常活跃的开发者社区。Python 很容易上手，语法简洁，这也是 Python 这么受欢迎的原因之一。此外，Python 的活跃的数据科学社区意味着你可以找到大量的教程、开源项目和问题解决方案。
你不需要去看完整的一款 Python 教程，毕竟 Python 不等于数据分析，Python 中和数据分析有关的知识点不多。要注重把握语感，学习核心概念，比如数据类型、函数、过程控制这些基本的东西。就这些，不需要学其它的 Python知识，遇到问题就 Google，查阅文档，再加上良好的实践，你会逐渐记住更多的语法。
我主张自上而下的学习方法，目标是先取得成果，然后再随着时间的推移在实践中巩固概念。要放弃“课堂”式的学习，从实践中学习更高效。
2. 基本的数据分析类库
正如我前面提到的，Python 有现成的数据分析类库。类库只是将预先存在的函数和对象捆绑在一起，你可以将其导入到你的项目中，以节省时间。下面列出几个 Python 明星阵容类库：
NumPy：NumPy 主要用于简单高效的数值计算，许多其他的数据分析类库都是建立在它的基础之上的。
Pandas：这是一个用于数据结构和探索性分析的高性能库。它就是基于在 NumPy 开的发。
Matplotlib：这是一个灵活的绘图和可视化库。它很强大，但有些繁琐。如果你觉得这个库有难度可以暂时跳过 Matplotlib，先学另外一个叫 Seaborn 的库来入门。
Scikit-Learn：Scikit-Learn 是 Python 中的首要通用机器学习库。它有许多流行的算法和预处理、交叉验证等模块。
3. 项目实践
现在的关键是把学习的理论都粘在一起，进行实践。像我上面说的，自上而下的学习方法，从实践中加深学习。接下来，是时候通过大量的练习和项目来巩固你的知识了。
自己找一些项目做做，项目更能代表现实世界的数据。在实际的项目中，你将学习到一些列比如定义目标、收集数据、工程化等知识和能力。
需要多长时间
看完这些步骤后，你可能会问： “这一切需要多长时间？“ 从学习 Python 到数据分析，计需要 3 个月到 1 年的持续练习时间，要看你的基础和坚持的毅力了。当然更重要的是你的学习节奏，够不够对自己狠。
最后
来总结一下关于学习Python数据分析的过程：
1. 从学习核心编程概念开始；
2. 学习基本的数据分析库；
3. 通过实际项目来练习和完善你的技能。
这种方法可以让你在享受更多的乐趣的同时，随着时间的推移，掌握更多的知识。
希望以上能完全打消你的顾虑，并对你学习有所帮助。如果你对我的回答感到满意，请给个关注，欢迎与我交流技术问题。
最后送一句：学起来！不对自己狠一点，怎么知道自己能不能一飞冲天。
现在做大数据分析，R和Python那个更好
在过去几年中，对数据分析师和数据科学家的需求一直在快速增长。Python是用于数据分析最流行的语言，如果你想在数据字段中，您将工作可能需要学习Python(尽管R可以是一个伟大的选择。
像任何编程语言一样，Python需要花费一些时间来掌握。但是，如果您有动力并愿意学习一种新技能，那么就有很大的机会来满足就业市场对数据科学家的需求。数据科学领域充满了需要Python编程能力的工作。在2017年，IBM估计到2020年对数据科学专业人员的需求将增长28%。
了解Python是在包括工程，医学研究，人工智能，机器学习，汽车等行业的数据科学和其他编程工作中的一项关键技能。尽管学习数据科学似乎很漫长，但您可能会惊讶地发现，进入数据科学的Python的入门门槛实际上很低，尤其是与高回报相比。
为什么Python需求如此之高?
Python社区内部有个玩笑，说Python是所有功能的第二好语言。当然，最好的办法是主观的，但是Python非常灵活。这是最常见的- 数据的科学使用的语言(R是紧随其后)，并且它也经常在其他一些行业的使用。
其广泛普及的原因之一是它是处理数据时更易于学习和使用的语言之一。而且，幸运的是，对于雇主和数据科学家来说，不需要多年的学习时间即可掌握。
学习Python需要多长时间?
只要有适当的时间和奉献精神，您就可以在短短几个月内学习Python !
就像任何技能，你如何快速学习Python 是最终取决于你有多少时间和精力投入。虽然每个人都学会以自己的节奏。
大号等我们一起来看看一些是进入学习Python的，包括我们的事情原因，研究这种语言，为充分利用您的时间花费的技巧学习ING。
学习Python的三个原因如下：
1.自动执行任务
Python是一种通用的编程语言，这意味着每个人都有其中的某些东西。一旦你学习Python ，你就可以与大量数据集的工作很容易，如果那是你的事。如果需要，您将能够从Web上抓取数据并访问API。如果您定期使用电子表格软件，则可以使用它来增强Excel中的工作。您将能够自动执行各种任务。
独自学习自动化任务的能力非常强大，因为您的时间很宝贵!机器人从互联网发送您的电子邮件，并获取数据。
您更有可能开始为您所工作的人员和公司寻找创造性的解决方案。当您学习Python时，您实际上是在学习一种基于识别和预测模式的新语言-当您找到模式时，您将能够以对您的专业，行业和行业产生重大影响的方式交流这些发现。
2、你可以打动你的老板
学习Python也是在工作中留下深刻印象的好方法(或获得您一直渴望的升职)。
对于那些无法编写代码的人来说，编程能力有时似乎是一种超能力。编程使您能够利用自己的知识并增加输出。有了它，您可以在相同的时间内完成十倍的工作。
正如上面提到的，当你学习Python，你就能够迅速地收集数据，并“翻译”本身的数字现实世界的解决方案。
例如，在商业环境中，你可以通过做这样的事情增值网页抓取，发送国际的邮件自动，甚至分析供应链的生产找到错失机会的成本节约和/或质量控制。
如果您的老板提到了解数据科学可以帮助您朝着职业目标迈进，那么可以帮助您在线学习Python的自定进度课程可能是平衡职业和个人发展的理想方法。
3、创造就业机会
如果你寻找一个全新的职业生涯或许不会满足的感觉在你目前的工作位置，你来对地方了。
对Python程序员的需求从未如此高，尤其是在数据科学领域。数据科学是一个有益的领域，它的报酬非常高。典型的入门级数据分析师的薪水约为65,432美元， 数据专家的薪水每年可高达10万美元以上。
这些机会有时可以远程获得，因此您可以在中国公司的任何地方工作，而不必局限于中国。数据科学是一个相对较新的领域，随之而来的是现代雇佣实践。强调了解您的技术并能够取得成果的速度正在放缓，开始变得比对4年制学位和走廊上的办公室的需求更为重要。
我们已经看到许多校友在完成数据科学道路后找到了有意义的职业(无论是在办公室还是在远程)。实际上，我们的课程旨在帮助您精疲力尽地找到工作。您将拥有处理现实世界数据的经验，以及充满完成数据科学项目的投资组合。
对于许多人力资源办公室评估您的简历，这可能比学位要重要得多。
学习Python的技巧
如果你是在自己的学习的Python，肌酐已经时间管理习惯将是非常有益的-特别是如果你想学习Python宜早不宜迟。虽然5个小时似乎很适合您本来很忙的 每周计划，但对于那些从事全职工作或有完整的学习承诺的人来说，这是非常可实现的。
您可以通过以下几种方式找到业余时间：
1、提前30分钟设置闹钟
您每天可以拨出时间学习Python 的最佳时间是早晨。
从生物学上讲，您最好，最有生产力的时间是每天的前两个小时左右。您不想牺牲任何睡眠，但是您可能想早点睡觉，这样您就可以参加培训，全职的学习这个课程。
当然，这是一个承诺。但是，如果您在前一天晚上放下衣服，准备好喝杯咖啡，并且已经知道要处理Python的哪些方面，那么会容易一些。大数据分析为什么要学习
Pythonaaa-cg.com.cn/data/2328.html告诉自己，只有花30分钟时间学习Python并养成习惯，您才能看电话或电子邮件!
他火候和保存在你的职业生涯的进步将是值得额外的努力。另外一项好处是，当您的一天取得良好的开端时，您会感到特别健康。
您甚至可能会让自己感到惊讶-许多人认为他们只是“不是早起的人”，他们每天晚上睡足后才发现，改变工作时间并养成一些健康的习惯就可以了。
这感觉很酷说， “ 我彻夜未眠编码。”
但是在很多时候，我们高估了我们的生产力- 当您感到疲倦时，您做不到的工作或保留的信息也不多。当您以崭新的眼光看待数字时，您可以更好地吸收所学内容!
2、利用安静的星期六早上
我们已经看到，每天练习是学习Python 的最佳方法。对于掌握数据科学原理的学生，最快的时间是周末。
尽可能保持一致很重要，但有时生活会受到阻碍。那就是周末。如果您每天的上午5点至下午6点完全被预订，则可以在周末加班，保持自己的正常行驶。
此外，这是在专门用于学习python的空间中找到不间断时间的好方法。将它与有意义的东西联系起来- Python学习时光值得期待!
要记住的一件事： 每天学习两个小时要比周末一天学习10个小时好得多。如果您在一周内还有其他承诺，那么与每天只看一次Python材料相比，即使每天早上1 0分钟也会有所不同。
3、python社区
加入Python开发人员社区将帮助您继续朝着学习Python的目标迈进。
如果您每天花几分钟时间进行连接，那么当您进入工作市场时，您将以新技能和新网络来完成课程!
5.竞争数据科学比赛
你可以提交Python脚本来查找给定数据集的最佳拟合模型。
6.阅读Python书籍
有许多针对Python的一般和特定应用程序编写的指南，并且只要您不介意滚动数字副本，就已经着重强调了一些无需支付一毛钱即可阅读的指南。
准备好以自己的速度学习Python了吗?
所有的数据科学家都有在整个过程中对他们有帮助的提示和技巧。有些人可能会夸耀他们仅在一个月内就学习了Python，而另一些人则需要花费几年的时间才能达到所需的精通水平。
对自己保持谦逊，并让自己有时间以最适合自己的速度学习Python。最好花一些额外的时间，而不要匆忙处理所有事情，而不要在基础上打下坚实的基础!
在Python基础知识上有很好的指导会帮助您自动化生活和工作，在当前工作中表现出色，甚至允许您输入新的知识。
https://www.toutiao.com/i6838847413554250247/
python数据分析师的就业前景如何
这是一个非常好的问题，作为一名IT从业者，同时也是一名教育工作者，我来回答一下。
首先，从工业互联网和大数据的发展趋势来看，Python数据分析师的就业前景还是非常广阔的，一方面数据分析本身的应用场景会越来越多，另一方面Python语言在人工智能领域也有比较广泛的应用，所以Python数据分析师的发展空间也比较大。
如果要走Python数据分析师的发展路线，应该从以下三个方面来提升自身的职场价值：
第一：注重新技术的学习。数据分析技术是当前技术迭代速度比较快的领域，所以数据分析师一定要紧跟技术发展趋势，尤其要注重算法相关知识的学习。从大的技术方面来看，当前数据分析的方式主要基于统计学和机器学习，机器学习在数据分析领域的发展潜力还是比较大的，而且机器学习也是人工智能技术体系的重要组成部分，所以一定要重视机器学习相关知识的学习和深入。
第二：重视平台的价值。数据分析师要想提升自身的职场价值，除了要进行技术提升之外，还要从工作效率方面入手，而提升工作效率比较有效的方式就是合理利用平台。产业互联网时代一定是平台化时代，数据分析作为大数据平台的重要功能，必然会得到平台大量的支撑，所以数据分析师一定要重视技术平台的运用。
第三：重视行业知识的积累。数据分析师对于行业知识的要求是非常高的，要想让数据分析在行业领域发挥出更重要的作用，数据分析师一定要能够在立足行业的基础上进行技术选型和应用。
我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！
python与大数据什么关系啊
Python 是一种计算机程序设计语言。Python的设计哲学强调代码的可读性和简洁的语法。相比于C++或Java，Python让开发者能够用更少的代码表达想法。
大数据技术包括但不限于：科学计算，数据分析，数据抓理和处理。
众多开源的科学计算软件包都提供了Python的调用接口，例如著名的计算机视觉库OpenCV、三维可视化库VTK、医学图像处理库ITK。
而Python专用的科学计算扩展库就更多了，例如如下3个十分经典的科学计算扩展库：NumPy、SciPy和matplotlib，它们分别为Python提供了快速数组处理、数值运算以及绘图功能。
因此Python语言及其众多的扩展库所构成的开发环境十分适合工程技术、科研人员处理实验数据、制作图表，甚至开发科学计算应用程序。
这就是为什么python在大数据技术领域被广泛使用的原因以及两者间的关系。
简单来讲就是python简单好用。众多的第三方库使得python拥有众多零件。别的语言在忙着造轮子，python可以直接造车。
python做可视化数据分析，究竟怎么样
当然非常不错，作为一门应用广泛的编程语言，python第三方库扩展丰富，针对数据可视化，提供了许多高效、简便的包可以直接使用，下面我简单介绍3个，分别是matplotlib、seaborn和pyecharts，感兴趣的朋友可以尝试一下：
老牌工具matplotlib
这是python一个非常著名的可视化工具，相信许多做过可视化的朋友都对matplotlib非常熟悉，专业强大、功能齐全、扩展丰富，几乎你能想到的各种图表，matplotlib都可以轻松办到，小到常见的柱状图、饼状图、折线图，大到复杂的动图、三维图、自定义图，matplotlib都有深入涉及，种类繁多，代码齐全，如果你想做数据可视化，绘制专业的图表以供显示，可以使用一下matplotlib，效果非常不错：
精简封装seaborn
这也是一个非常不错的python可视化包，基于matplotlib开发，对matplotlib的复杂参数和调用做了精简封装，因此使用起来更方便，也更容易入手，常见的散点图、曲线图、柱状图、饼状图、热力图、箱型图、小提琴图，这个库都有深入涉及，demo丰富，代码齐全，官方教程详细，如果你想快速绘制专业强大的图表，简化复杂的参数配置，可以使用一下seaborn，代码更少，也更容易学习：
简单易用pyecharts
使用过echarts的朋友应该对pyecharts非常熟悉了，python对echarts的一个简单封装和调用，借助于echarts强大的数据可视化功能，pyecharts也可以轻松绘制各种图表，常见的柱状图、饼状图、散点图、曲线图，复杂的地图、树图、k线图、仪表盘、地理图、三维图，pyecharts都可以轻松办到，专业强大、制图漂亮、简单易用，如果你想绘制简洁大方的图表，基于web页面进行显示，可以使用一下pyecharts，效果非常不错：
目前就分享这3个不错的python可视化库吧，其实还有许多其他包也可以直接使用，像ggplot、bokeh等也都非常不错，只要你有一定python基础，熟悉一下相关代码和示例，很快就能掌握的，网上也有相关教程和资料，介绍的非常详细，感兴趣的话，可以搜一下，希望以上分享的内容能对你有所帮助吧，也欢迎大家评论、留言进行补充。
做数据分析（数据挖掘）spss和Python哪个好
多谢邀请。做数据分析（数据挖掘）python会更好些。第一,虽然可以用spss做一些数据挖掘的分析，描述性，探索性，回归分析，随机森林等等，可以不需要懂代码，但是是收费软件，相比Python中的numpy和pandas等数据分析包，就可以实现想要的结果。在企业招聘数据分析师时主要是看你的业务分析能力，数据分析有偏业务方向和技术方向，对于数据挖掘来讲，会python更能构建一些模型来分析企业的业务。当然这个也不是唯一的，企业如果从以往的工作经验看出你有较强的数据分析能力，一般是会接受的，我也不是很会python，对于spss,excel,sql,tableau 都有接触过，最关键的是你用excel的能力，除非进的企业是急招，进来就要入手的，才可能会不需要。
Python做数据分析明明更快，为什么大部分人学Excel，不学Python
如果只是日常使用，Excel上手更快，使用更方便。对于快捷键的使用也能加速办公效率。Excel可以满足日常90%用户的使用，如果是10%的用户，那么可以使用python，JAVA等工具辅助使用。
python上手难度较高，如果没有学过计算机的基础知识想上手python有较大难度。很多Python的学习者会止步在安装配置、bug处理上，还没进行数据分析就放弃了。
如果想做出各种好看的图表，使用Python可视化类工具，可以只用几行代码就完成了，省时省力，还具有交互功能。如果需要调整也只要修改代码，不用费心费力重新做图。
原则上是那个方便，用着顺手，就用哪个。
如果你平常接触的数据都是10万以内的小数量级，那么其实是可以不学Python的，但如果需要经常处理大数量级的数据，还是有必要学一学Python的。
不会Python只会Bi工具，可以从事数据分析师吗
谢谢邀请！
答案是肯定的，即使不会Python编程也是可以从事数据分析岗位的。
目前数据分析岗位有两种工作方式，一种是采用各种数据分析软件进行数据分析（BI工具方式），另一种是通过算法设计和实现来完成数据分析（机器学习方式），在行业实际应用过程中，采用工具进行数据分析更加普遍一些。
通过BI工具来进行数据分析需要做好以下几件事情：
第一：业务建模。业务建模是BI数据分析的关键点，也是BI分析师需要重点掌握的内容。业务建模说到底就是一个逻辑问题，通过BI工具完成业务逻辑的分析是BI分析师考虑问题的出发点。业务建模需要掌握各种算法，这往往需要一个系统的学习过程。另外，不同行业的业务模型是不同的，也需要一段时间才能逐渐掌握。
第二：数据库知识。做数据分析是需要掌握数据库知识的，重点在于数据的提取，BI工具需要通过Sql语句完成对于传统关系型数据的提取，当然对于非关系型数据库（NoSQL）来说也可以通过中间件来完成操作，比如Hive就是一个不错的工具。
第三：数据呈现。数据分析工具往往都会提供丰富的数据呈现方式，对于采用工具完成数据呈现的分析师来说，如果想达到Python的灵活性还是需要下一番功夫的，毕竟呈现方式关乎用户的使用体验。
对于广大的传统行业来说，通过BI工具完成数据分析是比较常见的做法，其实Excel本身就能够完成大量职场上常见的数据分析任务。
目前大数据正处在落地应用的初期，大部分的数据分析任务依然是结构化数据分析，这种情况下，采用BI工具等进行数据分析是比较现实的选择，也是效率比较高的选择。
总之，即使不会编程依然可以从事数据分析工作，但是具备编程能力会明显提升自己的数据分析能力。
作者简介：中国科学院大学计算机专业研究生导师，从事IT行业多年，研究方向包括动态软件体系结构、大数据、人工智能相关领域，有多年的一线研发经验。
欢迎关注作者，欢迎咨询计算机相关问题。
学数据分析怎么样呢
零基础数据分析
对于这个问题，我将拆分为三个方面，行业前景、必备技能以及工作求职。
首先，就行业而言，数据分析岗位是工作中最核心的竞争力之一，在互联网下半场，各大企业都进行数字化转型，对数字分析人才的需求也越来越旺，数字分析岗位一般月薪都在10k以上，一线城市在20k-40k左右，其前景还是不可估量的。
其次，对于必备技能来说，一般是需要掌握Excel、SPSS，主流SQL语言，能够使用python、R语言进行数据挖掘，有些企业会写明掌握hive、hadoop、spark优先，因此新手小白要学习数据分析要学的知识还是很多的。以excel来说，这是最简单的数据分析工具，但其中的还有一些函数、宏等可能小白最开始并不常用。那SPSS、python是推荐小白初次试水数据分析的软件，SPSS是一款最易上手的软件，初次接触数据要知道数据的描述性统计、相关性分析、T检验、方差分析、主成分分析、因子分析等内容，对数据有大概的掌握。那python是也是一款简单易学的软件，那最开始要知道Python的一些基础知识，元素、变量、循环、函数，学会对数据进行预处理，并能进行数据分析，可视化处理等，这就涉及到一些深层次的内容，建议尝试小白有个系统的学习。
最后，对工作求职来说，还是学的越精越好，最基本的SPSS、SQL、python是都需要掌握的，有些企业对Python和R语言可以二选一，如果急于求职可选择选择其一。对于求职而言呢，因为不是统计、数据方向背景，可以先去二三线城市先投简历，因为一些大厂可能需要一年、三年等不同时间的经历，所以有了项目经验，能帮你顺利找到工作，最后祝你学习成功，事业顺利！
有哪些关于python数据分析方面比较好的书
基于我丰厚的收藏，我来回答这个问题再合适不过了。
我们把Python数据分析拆解为两点：
- 第一，我们要学会Python的基本使用；
- 第二，我们要学会Python的数据分析库（假设你已经有了数据分析的基本理解，只是不清楚如何用Python完成数据分析工作）。
因此，我们针对两个目的，分别列出一些书目。
Python的使用
- 《Python编程：从入门到实践》：抛弃那些大部头吧，我们不是Python后端工程师，不是Python前段工程师，也不是Python全栈开发者，我们暂时不需要掌握那么多乱七八糟的功能。对于新手来说，二八法则永远适用，我们只需要掌握百分之二十的功能，就足以应对绝大多数的工作了。
- 《Python编程快速上手-让繁琐工作自动化》：同上，两部都是比较好的入门书，可以帮助我们简单、快速地上手。
- 《Python3 Cookbook》：这本书可以帮助你更加深入地探索Python3，里边有各种各样翔实的案例，假如你的目的只是学会使用Python做数据分析，这本书完全可以保证你在Python3的使用上没有短板。
关于数据分析
- 《利用Python进行数据分析》第二版：这本书是Python数据分析领域圣经一般的书籍，作者是强大的数据分析库Pandas的作者，他在书中讲解了numpy、pandas、matplotlib等库，作为入门书再好不过了。更重要的是，这本书由浅入深，可以开启我们使用Python进行数据分析的大门。
- 《Python数据分析》第二版：异步社区有中文第二版，里边更加深入地探讨了如何使用Python进行数据分析工作，包括了对统计学、线性代数、可视化、时间序列、数据库、自然语言处理、机器学习等方面的内容，这本书可以帮助我们更进一步
关于数据挖掘
- 《数据科学入门》：从零开始踏入数据科学的大门，搭建属于自己的数据分析、数据挖掘工具。它能帮助我们更加深入地理解数据分析和数据挖掘的过程。
- 《Python数据科学手册》：强烈推荐，这部分由浅入深，详细讲解了数据分析、数据挖掘、机器学习的流程。
- 《机器学习实战》：经典书，但是使用的是Python2，年头也比较久了，也是从零搭建机器学习的模型，对于我们深入理解机器学习的过程有很好的帮助。
关于数据可视化
- 《Python数据可视化编程实战》第二版：很详细的书。
- 《Python数据可视化之matplotlib实践》：极好的matplotlib入门书，非常适合新手学习。
由于Python如日中天，因此Python数据分析相关的书籍非常多，我们能认真读完几本，基本上都可以掌握大多数的数据科学流程。下边是我收藏的一些书，感兴趣的可以自己搜索一下，网上有正版出售，比如图灵社区、异步社区、华章数媒、博文视点等均有优质IT书籍出售，包括纸质版和电子版。
