如何自学python？

一、如何自学python？

1、阅读书籍：可以先从书籍入手，如《Python基础教程》、《Python编程：从入门到实践》等，可以帮助你了解Python编程基础知识。

2、参加在线课程：也可以参加在线课程，如Codecademy、Udemy、Coursera等，你可以通过在线视频、游戏或者其他教育形式学习Python编程，学习起来非常有趣。

3、尝试实际项目：实际编写程序，掌握Python编程技术。可以查看相关开发社区、GitHub等平台，上面有许多实际项目案例，可以帮助你更好地学习和掌握Python编程。

二、如何自学Python？

python编程自学的话，最好是买一本比较流行的教材，下载python的编译程序和开发环境，先把教材看明白，然后把教材里的栗子输入电脑，调试运行修改，这样你就掌握了python语言的基本用法。

如果你有其他语言的基础python语言就不需要专门的学习，直接拿一本参考书，或者在网上搜索一下就可以开始编写程序了。

三、如何自学python创业？

可以先通过培养课程，学习编程，然后去公司应聘获得编程经验，同时也可以积累人脉，积累项目经验和管理经验。

然后 ，做一些小的项目，做好宣传，如果有机会获得投资那就更好了，不断了解 摸索用户的需求，把产品体验提升上去，有机会就能获得投资。

四、python编程如何自学？

python编程自学的话，最好是买一本比较流行的教材，下载python的编译程序和开发环境，先把教材看明白，然后把教材里的栗子输入电脑，调试运行修改，这样你就掌握了python语言的基本用法。

如果你有其他语言的基础python语言就不需要专门的学习，直接拿一本参考书，或者在网上搜索一下就可以开始编写程序了。

五、Python如何自学？0基础如何学Python？

1、初学python时，我们需要对python这一门语言的基础语法有所认识。这个阶段可以从一本经典入门书籍入手，《Python编程从入门到实践》。

2、也可通过codecademy的在线指南来熟悉python语法。

3、学习一门语言最重要的就是学以致用，学习python也一样。如果你在阅读入门级的python书籍，请一边阅读一边练习书中的代码。

4、如果你是在线学习的，也请按照学习指南尽可能地练习代码。

5、进阶的阶段同样可以阅读相关的高级教程书籍。

6、在线学习的话，各大网站也有各种高阶教程及相应的练习项目。学习python重在实践，边学边用是最好的方式。

六、如何系统地自学Python？

每个人都有适合自己的方法，有的人去选择自学，有的人选择看视频学习，有的人选择报名培训班，那在这个时候，你就要自己考虑清楚，到底那样对的帮助是最大的，个人觉得是跟着培训班最好的，毕竟人家的实战项目多，我们学软件开发的都知道实战项目对于学好一门语言是很重要的。而且他们就业资源也是很多的，如果有这方面的需求，会更便利。

零基础入门，推荐你可以看看北京尚学堂Python400集的视频，特别适合初学者，干货满满，打基础是完全没有问题的，而且都是免费的，绝对有价值。把基础打好，在选择适合自己的提升方法。

七、python自学攻略？

第一阶段：了解 Python 编程基础

第二阶段：学习Python函数及流程控制 当你学到了Python 函数和控制语句的时候，就可以尝试去真正的解决问题了，学会如何实现判断和循坏，怎样把固定的功能模块封装成函数，这些都是保证写出代码的必要条件。

第三阶段：利用Python进行实战 说到实战，这就关系到第三方库的了解，因为这样才能利用Python完成更多的事情，

第四阶段：深入学习 Python 编程 如果你只是想利用Python完成一些简单的工作任务，

八、python怎么自学？

1.下载一个好的工具，比如pycharm

2.学习基本的语法，可以通过书籍或者公开的视频教程都可以

3.学习应用，针对你学习的目的是什么，开发、测试、或者其他方面，有针对性进行练习

4.在工作中进行运用，在学习的时候可能觉得自己什么都会了，但是在应用中才是发现问题和提升自己的最佳途径。

九、自学python多久？

半年左右，

Python的语法时自学的关键，而python的语法和其他编程语言也是有很多相似之处的，比如条件判断和循环、字符串和集合系列的操作，所以学习python前如果掌握了其他的编程语言，比如java、php、.net等，那么学习python就是非常简单的。

十、如何系统地自学 Python？

比想象中简单，因为不需要精通方方面面，关键在于找到最想用Python来做的事

如本题加入的知乎圆桌——数据分析，就是Python的一个重要应用场景：

Python在数据分析中，比R有更丰富的Modules，各种机器学习模型基本随手调用；但难点在于各算法函数只能用特定格式的Dataframe作为输入；不经处理的数据底表，运行起来肯定报错

因此，问题的核心在于1）找到适配的算法函数、2）搞懂这个函数在Python上怎么运行、3）将自己的数据转化为程序能读取的Dataframe

加深对数据分析的理解。

如果不加思考，按着上面的核心点开始网罗案例开练，很可能就会陷入大家说的胡同，最终成为调参侠，函数复制粘贴搬运工。这不是一个合格的数据分析师，更谈不上学会Python

理解上偷了懒，就会把数据分析的入门到精通等同于Python进阶。需要知道数据分析不止于跑模型，Python在数据的应用也远不止机器学习；我刚入行的时候经常看「猴子」的文章，大家知乎可以搜到，数据老大咖了；包括他的这些课程也有提到，Python可以作为加速器参与到数据分析的整个环节，工具的魅力除了对于日常的提效，也能帮助思维的提速和聚焦

这些老数据人在统计和分析能力、代码能力上一定很强吗？不一定。但在各自行业里浸泡多年了，能拿到比线上各类学习网站更丰富的实操案例；实操问题的debug远不止代码运行的debug

把自己想做的事情拆解到不同模块，然后找针对解法。先从模仿开始。

搞懂数据分析后，我们就不会笼统地去问多久能精通Python，问题就会被简化为多久能用Python实现A功能、B功能

比如我最早使用的功能是Excel文件的交互，即数据读取及数据保存为Excel、csv文件

import pandas as pd

file_path = r'D:\Drivers\按句式分类.xlsx'
file_base = pd.ExcelFile(file_path)
total_dataframe = pd.read_excel(file_base, sheet_name = 'total')
total_dataframe = total_dataframe.fillna(0)

这里的示例，就是我最常用来读取Excel文件的基础代码，大家在copy的时候，可以在file_path里改成自己相应的文件路径

也包括把数据写进Excel文件的快捷实现方式

import os
import pandas as pd
import numpy as np
from openpyxl import Workbook
from openpyxl.utils.dataframe import dataframe_to_rows

# 中间省略了一部分代码

# 即将要把demand_fcst所代指的dataframe写进一个新的excel文件中
test_dataframe = pd.DataFrame(demand_fcst)
wx = Workbook()
wy = wx.create_sheet("forecast", 0)
for r in dataframe_to_rows(test_dataframe, index = False, header = True):
    wy.append(r)
wx.save(r'C:\Users\output for tableau_fcst.xlsx')    

当然实现的方式有很多种，把自己想要实现的功能明确下来，自然就会有实现方法；所以在问题明确的阶段，千万不要偷思维的懒

如果想做数据爬虫，那就是具体到哪个网站或者app的数据爬虫，这样线上就会有很多针对性的信息和案例供参考

了解清楚自己最想用Python做的事情，把这件事情拆解到不同的功能模块，然后通过各种手段（包括知乎/CSDN/Python官网的documention文件/求助朋友等）找到解法；先模仿起来，哪怕一开始只是复制粘贴，都没问题

不要急着从零到壹，如果像大学那样买一本教程，从环境配置开始，到变量、函数、面对对象编程，太低效了；这种方法有点冗长，而且很多知识是空转的，一旦在日常的工作和自己做的事情中不太涉及，就会用进废退；也不需要样样精通，不用太关注对代码中每个语句的理解，很多概念用多了见多了就自然会理解，这是一种惯性

重点再强调一遍，学Python不是为了应付一门Python语言考试，当务之急是解决你要实现的问题。一些细节知识，在平常运用过程中就会自动掌握，一开始不要羞于复制和模仿，优先解决问题，而不是面面俱到地学习

数据分析师的日常工作，基本上SQL + Excel的组合占据大部分

SQL从上游的不同数据集中挖掘不同字段，组成新数据集后即可做简单的分析和透视；也可导出数据在线下用excel处理，excel做灵活的映射、内嵌公式的搭建都会非常方便

有Excel不灵的时候吗？当然有，不灵的情况太多了。数据量达到十万行级别的，在excel里跑个countifs，基本开始卡了

这个时候可以运用Python进行优化，除了上面提到Excel读取和写入，再学会DataFrame操作的三板斧——join、merge、concat，基本上就能应付日常的数据处理

当然Python用到数据分析中，还有一个重要的功能就是Labelling，即能根据自己设定函数，将原来不同变量的组合映射到一个新的变量上；Kaggle上很多数据分析案例，其实解决的核心突破口就在于找到有效的新变量Labelling

不过还是那个道理，这些案例还是太规整了，离日常工作有距离

毕竟现实生活里没有那么多的鸢尾花数据集等着大家来分类，也不会有第二个泰坦尼克号数据集等着预测每个人的生死概率；这些案例对于学习和模型入门有益，但给出的数据集都太规整、流程太标准了，对于实操上的提升帮助有限。没有谁会真的拿教科书里的例题来考你

感兴趣的同学可以了解这些基本机器学习案例，有足够趣味性，且模型和Python代码易入门

就先大概介绍到这里。秘诀不离其宗，给自己定个小目标。要在Kaggle拿下多少个课题拿下多少颗星，要用Python来炒股；还是找到一份必需Python的数据分析工作；然后按目标、要做的一件件事情、每件事情里不同的模块往下拆，找相应解法

如果大学校园里有相关课程，建议优先从这些课程开始，像Distributed Computing for Big Data，Algorithm Techniques for Data Mining这些课程，都是以Python作为脚本语言的；这些课程还是会以完成某项任务、或实现某个算法，带动着这些工具技能的精进