Github的大名想必无人不知，无人不晓。一些新手或许会不敢接触Github，但同为初学者，我非常清楚Github的用途远不止管理项目版本。除了人人都可参与的开源项目以外，Github上还有丰富的学习资源。
网课固然让人受益良多，但辅以练习才能巩固新知。一些常用网站，例如“Codewars”和“Codekata”，提供每日练习，用户可根据自身需求选择语言并解题。
如果要针对Pandas进行强化练习，可以参考下列四大可供学习Pandas的Github代码仓库。其中一个代码仓库经Fork次数最多，受众层次广，Pandas新手以及进阶学习者都可使用。
Pandas Exercises——多种类数据(4k Forks)
Pandas Exercises代码仓库截图
该代码仓库由11个部分组成，涵盖了从数据预处理到高级数据可视化等内容。每个文件夹中有多个数据集，包含不同的练习。
用户可下载IPYNB文件，打开Jupyter notebook，亲自动手一试。可将代码输入题目下方的空白cell框格中，并查看“Exercise_with_Solution.ipynb”文件以核对答案。
该代码仓库资源综合性强，共有27个notebook可供使用。即使已经熟悉Pandas，“入门须知(Getting and knowing)”部分也值得一看，或许可从中新学到.describe(include=all) 和 .nunique()等函数。
Pandas Videos——多种类数据/含视频(1.2k Forks)
Pandas Videos代码仓库截图
该代码仓库内含的Jupyter notebook附有代码，其代码来自于一个介绍Pandas多种不同功能的系列视频。作者使用真实数据集，遍历了解决问题的全过程，将其写进notebook中并发布于网上。
理想状态下，打开Jupyter notebook后便会随之播放视频。视频和代码都浏览完毕后，可将代码仓库中的notebook作为“答题纸”。这些notebook中还附有脚注，有助于厘清特定cell框格的输出结果。
这些视频与相应的notebook综合性极强。对于Pandas相关的疑问，诸如“如何对Pandas中的Series和Dataframe进行排序”等简单小问题，或是“如何用Pandas和sci-kit learn在Kaggle完成提交”等复杂大问题，都能在这一代码仓库中获得解答。
100 Pandas Puzzles(1k Forks)
100 Pandas Puzzles代码仓库截图
该代码库中含有一个Jupyter notebook文件和一些练习以供下载。用户可将代码填入问题下方的cell框格中，并可与“solutionsnotebook”文件中的相应cell框格进行比对。
notebook由不同部分组成，包括“导入Pandas(Importing Pandas)”、“DataFrame基础知识(DataFrame basics)”和“Series与DatetimeIndex(Series andDatetimeIndex)”等。大多数问题并不需大段代码，在理想情况下仅用寥寥几行即可解决。
该代码仓库中的“扫雷(Minesweeper)”部分很有趣，内容包含：创建DataFrame，使其内含扫雷游戏的必要数据，包括方格坐标值、格内是否含雷及其相邻方格中的含雷数量。“扫雷”中等偏难，对于已完成之前练习的人来说，仍属力所能及之范围。有别于传统的数据分析，该部分考察了在特殊场景中运用DataFrame的能力，颇具趣味性。
作者也指出了题目列表尚不完整，有意完善题目的人可以提出申请，以获取更多练习、做出更正和改进。
Pycon 2019 Tutorial——中等难度(180 Forks)
Pycon 2019 Tutorial代码仓库截图
该代码仓库中含有一个极长的notebook，其中有作者在自制的“使用Pandas的最佳数据科学实践(Data Science Best Practices with Pandas)”视频中讨论到的代码。该代码仓库不含Pandas的基础知识，因此适合中等水平的Pandas用户使用。
它共有八个主要部分，并不十分遵循“教程”模式，更类似于真实的数据分析项目，从数据检验、数据清洗到创建初步可视化，以帮助解答一些具体的问题，例如“平均来说，哪类职业的工作者发表的TED演讲最为有趣?”等。
对于刚接触Python和Pandas的数据分析项目的新手来说，可以观看整个视频来学习他人如何完成数据清洗、探索和分析等不同步骤，取其精华并活用于自己的项目之中。
学习的途径多种多样，你不妨从中选取符合自己Pandas水平的学习资源，在Github上一试身手。
