Python入门零基础，小白也能变大神，赶紧收藏起来

零基础入门就得从最基本的变量，语法格式，数据类型，函数，作用域，模块等基本知识入手（有编程基础基础也得这么来）

 

 

和篮球一样，先来三步上篮：

1. Python基础知识入门，从程序基础开始学，能看懂代码就可以了。三种选择：
   第一种：找一本Python入门教程书，比如《Head First Python 中文版 》《笨办法学Python 》《简明 Python 教程》。Head First系列书籍都非常简单易懂，适合文科生看，从最基本的东西讲起，有编程基础的同学看着会觉得幼稚。另外两本都是普通入门书，随便选。一些Python相关电子书下载， 密码: yjw3。
   第二种：看网站入门教程，很多人推荐的廖雪峰Python教程
   第三种：视频教程，推荐慕课网。其他还有网易云课堂，学堂在线（这个里边大学课程比较多）
2. 学写一些基本的Python程序，上述《简明 Python 教程》后边的示例可以做。想更进一步掌握基础，可以做一点leetcode easy题目练练手。（看个人情况呗，反正我是没那个耐心，做题实在太枯燥，虽然写题是很有好处的）
3. 做一些感兴趣的小项目，这里有Python习题100例，很基础。觉得不够高大上可以玩实验楼里的项目，实验楼是个不错的网站，可以做一些很好玩的东西。

以上三步可以让你21天精通Python哟

 

Tips：推荐一个神器，Python运行可视化，可以一步步查看程序运行状态，变量状态，函数调用，内存分配，对于理解变量生命周期，作用域，调试理解程序非常有帮助。开发工具：推荐Pycharm，有免费社区版，也可用edu邮箱注册专业版。

Python进阶篇

进阶就是专注于Python的某个领域做深入研究了，Python主要包含了AI领域（NLP，深度学习，图像处理啥的，反正无所不能），Web开发（后端服务，爬虫），数据处理（数据分析，科学计算），工具（比如读写Excel，编写自动化脚本），桌面开发（GUI工具）等等。Python好强大啊，我又想写Python了。

 

下面简单写写

我知道的领域的入门：

Web开发

Python Web框架众多，是建网站的利器。对于建立不太复杂的CMS系统（比如新闻网站，博客网站），Django强到没朋友，开发效率无敌。对于注重灵活性的网站，Flask可以作为首选，灵活而小巧，非常优雅的框架。

1. Django入门先看官方文档，了解基本概念。然后开始做实际项目，比如Django开发博客系统教程
2. Flask入门看官方文档，同Django。

 

爬虫（网络数据获取）

先科普，网络爬虫，可以理解为在网络上爬行的一只蜘蛛，互联网就比作一张大网，而爬虫便是在这张网上爬来爬去的蜘蛛，如果它遇到资源，那么它就会抓取下来。比如它在抓取一个网页，在这个网中他发现了一条道路，其实就是指向网页的超链接，那么它就可以爬到另一张网上来获取数据。简单地说，利用程序从网页上获取你想要的数据。Python的爬虫框架非常多，也非常好用。入门步骤：

1. 理解网页是怎么构成的
   网页的基本知识包括：
   基本的HTML语言知识
   理解网站的发包和收包的概念（POST GET）
   稍微一点点的js知识，用于理解动态网页
2. 解析网页，这里需要学习正则表达式
3. 选取一个爬虫框架，比如自带的urllib，request，bs4等等
4. 看官方文档，如何使用框架，然后就可以养一只爬虫咯。

教程点这里

 

数据处理

上边爬虫讲到如何获取数据，这里将学习如何分析处理数据，教程链接。科学计算，数据处理用到比较多的是matlab，无所不能的Python当然也可以替代它。numpy pandas是科学运算当中最为重要的两个模块。Matplotlib 是一个非常强大的 Python 数据可视化工具，绘制各种图形。

1. 看官网文档，理解这个库的基本用法。
2. 学习一些简单的项目，上文提到的实验楼也可以用

 

AI领域

略从别处引用一点基本介绍

1. Theano 是一种用于使用数列来定义和评估数学表达的 Python 库。它可以让 Python 中深度学习算法的编写更为简单。
2. Keras 是类似 Torch 的一个精简的，高度模块化的神经网络库。Theano 在底层帮助其优化 CPU 和 GPU 运行中的张量操作。
3. Pylearn2 是一个引用大量如随机梯度（Stochastic Gradient）这样的模型和训练算法的库。它在深度学习中被广泛采用，这个库也是以 Theano 为基础的。
4. Lasagne 是一个轻量级的库，它可以在 Theano 中建立和训练神经网络。它简单、透明、模块化、实用、专一而克制。
5. Blocks 是一种帮助你在 Theano 之上建立神经网络模型的框架。
6. Caffe 是一种以表达清晰、高速和模块化为理念建立起来的深度学习框架。它是由伯克利视觉和学习中心（BVLC）和网上社区贡献者共同开发的。谷歌的 DeepDream 人工智能图像处理程序正是建立在 Caffe 框架之上。这个框架是一个 BSD 许可的带有 Python 接口的 C++库。
7. nolearn 包含大量其他神经网络库中的包装器和抽象（wrappers and abstractions），其中最值得注意的是 Lasagne，其中也包含一些机器学习的实用模块。
8. Genism 是一个部署在 Python 编程语言中的深度学习工具包，用于通过高效的算法处理大型文本集。
9. CXXNET 是一种快速，简明的分布式深度学习框架，它以 MShadow 为基础。它是轻量级可扩展的 C++/CUDA 神经网络工具包，同时拥有友好的 Python/Matlab 界面，可供机器学习的训练和预测使用。

这里包含的东西太多了，基本学习方法如上。

 

附录：

先来看看Python有多强大，不然不能被它所吸引，就学不下去了。20行代码实现人脸检测与识别：face_recognition可以通过python或者命令行即可实现人脸识别的功能。使用dlib深度学习人脸识别技术构建，在户外脸部检测数据库基准（Labeled Faces in the Wild）上的准确率为99.38%。

# 导入识别库
import face_recognition
# 加载已有的图片作为图像库
known_obama_image = face_recognition.load_image_file("face1.jpg")
known_biden_image = face_recognition.load_image_file("face_kid.jpg")
# 编码加载的图片
obama_face_encoding = face_recognition.face_encodings(known_obama_image)[0]
biden_face_encoding = face_recognition.face_encodings(known_biden_image)[0]
known_encodings = [
    obama_face_encoding,
    biden_face_encoding
]
# 加载要识别的图片并编码
image_to_test = face_recognition.load_image_file("face2.jpg")
image_to_test_encoding = face_recognition.face_encodings(image_to_test)[0]
# 计算该图片与已有图片的差别值
face_distances = face_recognition.face_distance(known_encodings, image_to_test_encoding)
# 自行设定同一张面孔的分界值，输出比对结果 
for i, face_distance in enumerate(face_distances):
    print("The test image has a distance of {:.2} from known image #{}".format(face_distance, i))
    print("- With a normal cutoff of 0.6, would the test image match the known image? {}".format(face_distance < 0.6))
    print("- With a very strict cutoff of 0.5, would the test image match the known image? {}".format(face_distance < 0.5))
    print()