Pandas 入门到实用：数据读取、清洗、合并、聚合与项目流程
Pandas 是 Python 中最常用的数据分析库之一。它适合处理表格数据，例如 CSV、Excel、实验记录、Kaggle 数据集、推荐系统日志和机器学习训练数据。
如果说 NumPy 更像“高效数组计算工具”，那么 Pandas 更像“带行列标签的表格处理工具”。它最适合做数据分析项目的前半段：读取数据、检查质量、清洗字段、构造特征、合并多张表、聚合统计，最后把干净的数据交给模型或可视化工具。
多元微积分是在一元微积分的基础上，把函数、导数、积分推广到更高维空间。
一元微积分研究的是一条线上的变化，多元微积分研究的是平面或空间中的变化。它在机器学习、优化、物理建模和计算机图形学中都很重要。
这是一篇早期 C++ 入门课堂笔记，内容比较碎片化。更完整、系统、适合作为主线学习的版本请阅读：C++ 程序设计入门到实用：语法、函数、数组、算法、类与指针。
C++ 比 Python 更接近底层，语法也更严格。它需要你明确变量类型、函数返回值、头文件和编译过程。
对于算法岗来说，C++ 很重要，因为很多笔试、竞赛和高性能系统都会用 C++。对于未来想做 AI Infra 或推理优化的人来说，C++ 也是绕不开的基础。
学习线性代数时，矩阵乘法经常被直接定义成一堆公式。公式当然重要，但如果只记公式，很容易不知道它到底在“改变什么”。
我更想从空间角度理解矩阵乘法：矩阵不仅是一张数字表，它也可以看成一种对空间的变换。
As a data science student, I started using Kaggle to practice machine learning and data analysis.
Kaggle is useful because it provides real datasets, public notebooks, competitions, and a community where beginners can learn from other people’s workflows.