python3编程入门先学什么_编程入门先学什么？写给编程初学者的话

身处在这个「全民学编程」时代，几年后当编程设计变成连国中生都必备的能力时，不会写编程的人在未来就要变成少数民族。当越来越多人开始对学编程语言有兴趣，大家常常问的第一个问题就是，到底该从哪个编程语言开始？

网路上常常有文章针对热门编程语言做分析，例如C++、Python、Java、Javascript、Swift、Objective-C、Ruby。然后在看这些语言介绍时，我们都会看到一堆奇怪的外星名词。物件导向？多重继承？静态成员函式？身为一个初学者只想大喊：

「我就是看不懂专业术语才要学啊，可不可以先给我看一些人话！」

完全不知道该选什么语言的下场是，让很多人打退堂鼓，或蒙着眼就选了一个看起来顺眼，但学起来很痛苦的语言。

因此，为了不要让大家留下无法抹灭的痛苦阴影，就让我们先用门外汉词汇与麻瓜语来了解哪一种语言最适合我们学吧！

谁适合读这篇文章：

想要入门学编程语言但目前还没有基础，也没有特定目标的人。

如果你已经有特定目标，那可以期待之后文章中会带你认识不同领域开发的介绍以及个别需要的语言，例如网页开发、App 实作。

只是想学编程vs 想要做出一个＿＿

一般来说，想学编程的初学者大致可以分为两种，第一种是纯粹想要学习写编程，没有特别目标的，也就是那些会说：「感觉写编程很好玩，来写写看编程好了。」、「编程之后一定很重要，学一下锻炼脑袋也不吃亏。」的人。

第二种则是有很明确想要实作出的目标，例如：想要写出一个自己的个人网站、想要写一个好玩的App等等。

在这篇文章中，我们会先针对第一种没有特别目的的人，详细介绍两个最多人学习，使用领域也非常广泛的语言：Python 与C++。

至于已经有特别目标，想要做出网站或App 的人，在之后的几篇文章中我们也会详细介绍相关的知识，以及推荐学习的语言。

Python

讲到入门该先学哪个语言，现在最多人推荐的，大概就属Python了。的确，Python在2014年就已经成为美国顶尖大学资工系最受欢迎的入门语言，也在多项票选中，被视为最适合初学者学的语言。综观来说，Python拥有三个对新手很友善的特点，让它成为新时代的入门语言。

Python 的好棒棒之处：

好理解

好偷懒

好作弊

好理解：

写Python 就像在跟电脑讲英文一样。

因为Python的编程语法设计的非常简洁，让读Python所写的编程码就像在读英文一样的直观。

举例来说，如果我今天要写一个叫电脑印出「Python好棒棒」的编程，我只需要对电脑说：

print(“Python 好棒棒”)

但同样的事情，如果我要用C++ 印出「C++ 好棒棒」，我却需要跟电脑说：

#include

int main()

{

cout << “C++好棒棒” << endl;

}

如果是第一次看到这串编程码，想必有些人已经黑人问号掉满地了。

include 后面那坨是什么？为什么要有{}？cout 库特*是我没学过的英文单字吗？此时，身为一个编程麻瓜只能暗地里崩溃，感叹为何学C++ 非得要用这种怪腔怪调。

注* Cout 念作c out，不是念作库特。

好偷懒：

Python 的语法设计让电脑自动帮了你很多忙。

Python 希望让你需要打的字越少越好，一方面加速你写编程的速度，一方面也符合它诉求编程码简洁美丽的原则，所以Python 会把能让电脑帮你完成的，尽量留给电脑。以编程语言里一个叫宣告变数的简单动作为例：

在C++ 中，如果我要规定x 这个变数等于3 时，我需要先说x 是个整数int，接着说他等于3 ，最后再加个分号。在编程码里，它会是

int x = 3;

但在Python 中，你可以直接说x 等于3 就好，他是整数的这件事，Python 自己叫电脑帮你判断了。在编程码里，它会是

x = 3

可别小看这些小小的差异。虽然对于编程老鸟来说，很多像这样的小细节就像反射动作一样能够自动反应，但对刚入门的初学者而言，少一个; ，忘记宣告一个int ，少加一个分号导致编程无法执行乃是家常便饭，无形中也更增加了初学者学习的痛苦与浪费的时间。

好作弊：

Python 有很多好用的工具，让你可以把需要复杂的编程码才能完成的功能像作弊般用几行简单编程码就能轻松解决。

Python的使用社群提供了非常丰富且强大的模组(在这里我们可以把这个优势想像成前人留下的智慧)。简单来说，模组就是别人已经写好的编程码，这些编程码中预留了一些填参数的空间，让你可以客制化自己想要结果。

实际举例，假设编程麻瓜A 先生今天想要用Python 来做线性回归的数据分析，他不用自己纯手工酿造把统计学里那套最小平方法等等等的东西一笔一画刻进编程码里，他只要使用前人的智慧，例如：sklearn 模组，把里面写好的线性回归分析功能叫出来，然后把自己的资料丢进去，咻咻咻的就在regressor 这个东西里面做完全部的线性回归的事了。在编程码里大概长这样*

#撷取前人的智慧

from sklearn.linear_model import LinearRegression#把前人的智慧放进编程码

regressor = LinearRegression()#把自己的资料丢进去，看着魔法发生，让模组处理好所有事情

regressor.fit(X_data, y_data)

什么，你说你还想看资料视觉化？要视觉化我们可以再使用前人的智慧，例如：matplotlib 模组。接下来把所有资料丢进去，咻咻咻，视觉化的图就喷出来了。

#撷取前人的智慧again

import matplotlib.pyplot as plt#设定自己的资料用红点点标示好

plt.scatter(X_data, y_data, color = 'red')#设定regressor里面处理好的回归分析＋预测用一条蓝色的线标示好

plt.plot(X_data, regressor.predict(X_data), color = 'blue')#把图秀出来

plt.show()

这些强大的工具包括资料视觉化的Matplotlib、资料分析的Pandas & Numpy、机器学习的scikit-learn、深度学习的TensorFlow、爬虫的BeautifulSoup、网页用的Django 等等，网路上也有一些Python 教学是针对这些模组直接应用的，如果很想赶快应用的话可以先从这些教学开始，但也别忘了编程本身的基础还是很重要的。