Python学习笔记

我的猪仔队友

已于 2023-04-04 13:51:03 修改

阅读量2k

点赞数 1

分类专栏： python 文章标签： python 学习 pycharm

于 2020-12-17 11:06:32 首次发布

本文链接：https://blog.csdn.net/qq_34100655/article/details/78942127

版权

python 专栏收录该内容

11 篇文章 1 订阅

订阅专栏

文章目录

简介
环境搭建
第三方包
业务场景
高级特性

简介

Python发行在1991年，但在2018年之后才开始火遍全球。目前，在TIOBE榜单上，Python已经长期占据前五的位置，似乎看起来已经不可阻挡了。根据我个人的使用体验，它确实是一种易上手、生态活跃、语法简洁的编程语言。

亲测比较好用的学习资料如下：

小甲鱼《Python零基础入门学习》，b站有配套的视频
PEP8开发规范
《Effective Python编写高质量Python代码的59个有效方法》，适合有一定Python开发经验的用户；

环境搭建

Python语言：Python可在官网直接下载。由于Python2在2021年之后就不再维护了，所以推荐使用Python3。下载安装之后，主要有如下三部分：
- Python语言；
- pip，用于安装第三方包；
- IDLE，官方自带的Shell编辑器，界面单调，适合于单脚本的函数式编程、demo测试；对于工程化开发几乎无法进行；
PyCharm：JetBrains公司开发的经典Python IDE，强力推荐作为开发Python的IDE。PyCharm分为社区版和专业版两种，前者免费，但扩展功能较少；后者收费，但功能非常齐全。对于编辑日常py脚本而言，社区版足矣；开发中大型工程，推荐专业版。专业版需破解。
- 将 Python 加入操作系统的环境变量；
- 将 pip.exe 加入操作系统的环境变量；
- PyCharm软件没有自带python语言，因此在安装该IDE之前需要自行安装Python；
- 设置字体大小
- 设置中文界面
VS Code：微软开源的文本编辑器，适合用于非调试状态下的文本查看、编辑。尽管网上有一些教程，可以将 VS Code 配置为 IDE，但本质上这并不是它的特长，因此老实的将其视为文本编辑器就好了；
~~Anaconda~~ ：一款不错的Python IDE，集成了Python语言、IPython编辑器、Spyder编辑器、conda包管理工具(Anaconda Prompt)，以及上百种数据分析所常用的第三方包。即是说，安装了Anaconda之后，就不必安装Python了，因此该软件已经自带了Python语言。并且它是免费的。但同样，它的问题在于，其代码提示功能失常会失灵，真的是难以忍受；所以最后还是弃用了。不太推荐这款IDE，尽管不少人还在用；

第三方包

Python的一大利好，就是有着丰富的、易于安装和使用的第三方包。在请求网页、爬虫、数据分析、可视化等各个领域，几乎都有着现成的“轮子”。另外，利用cmd的pip安装需要的包，不推荐用PyCharm来安装，二者容易混淆；常见的Python包有requests、numpy、pandas、matplotlib、scipy、lxml、Scrapy、Flask等；

包的安装可参考这篇博客

pip list  # 显示目前安装的包及版本
pip install pandas  # 下载并安装pandas包
pip uinstall pandas  # 卸载pandas包
pip install --user --upgrade pandas  # 升级第三方包
pip install pandas  # 在安装好pandas后，再输入此命令，即可查看包在本机的安装目录

pip install pandas -i https://pypi.douban.com/simple/ --trusted-host pypi.douban.com  # 用豆瓣镜像下载安装pandas包，提升下载速度
pip install --upgrade -i https://pypi.douban.com/simple/ pandas --trusted-host pypi.douban.com  # 用豆瓣镜像升级pandas包

python3 -m pip list  # Mac 系统下

业务场景

Windows系统的脚本

一般在Windows下开发一些单文件脚本，我喜欢用Python，然后用Windows自带的任务计划程度进行定时调度；这种方案可以实现快速调度、快速开发。

当然Linux环境也可以用Python，但是Linux默认的是Python2；因此Linux环境下我一般习惯用shell进行脚本开发。

小规模数据的机器学习

对于百万行以下的小规模数据，可以基于Python的pandas/ sklearn等包进行机器学习的模型开发；但是这种方案没有办法处理大规模的数据，只适合进行竞赛等小规模数据的场景。实际生产中，会使用Spark MLLib的分布式框架用于算法模型的落地，当然开发语言也可以选择Python/ Java/ Scala等。