Легкий способ быстрого приобретения знаний

Знания каждого из нас можно представить в виде дерева, ветви которого есть то, о чем мы уже имеем представление, а все новое либо укрепляет имеющийся опыт, либо образует новые ветви. При этом освоение нового тем проще, чем лучше вы ориентируетесь в предметной области, что не удивительно... Однако, даже если это не так, можно имитировать опыт и форсировать получение знаний.

Для этого проводите параллели с похожими знаниями. Например, зная о том, какие есть типичные приемы обработки датафрейма в Pandas, можно провести параллели с приемами в Power Query или Spark. Такое сравнение не просто способствует лучшему запоминанию новых способов работы, но и пониманию причин отличий. Например, если в Pandas функция агрегации выполняется одним вызовом (например, максимум) по колонке, то в Spark пользовательские агрегации требуют реализации нескольких методов (инициализации, добавления нового элемента и объединения счетчиков), что обусловлено распределенной природой хранения данных (грубо говоря, "техника pandas" подходит только для одной секции таблицы, а их может быть много).

Не редки случаи, когда при разработке или улучшении разнородных инструментов создатели пытаются помочь вам лучше усвоить их применение. Так, обработка тензоров PyTorch схожа с аналогичными методами работы с массивами NumPy, а работа со Spark датафеймами в последних версиях все больше приближается к технике аналогичной Pandas. Такие тенденции в сфере разработки обусловлены нацеленностью на легкость освоения нового инструмента.

Главный вывод - любую новую информацию старайтесь "вписывать" в имеющееся дерево знаний, ставьте себя на место создателей идеи и обдумывайте, как бы вы подошли к решению задачи. Чем больше параллелей с имеющимся опытом вы построите, тем лучше усвоите что-то новое. Удачи!