本文目录一览：
python写代码的小技巧
这个取决于编辑器，也就是你用什么软件写python代码。如果是记事本，那就得像你那样输入；如果你的编辑器带有自动补全功能或自动补全的插件，那么在你输入前半个括号的同时会自动完成后半个括号。你可以试试sublime text这个编辑器。
如何才能自学好python？
对于想要自学Python的小伙伴，这里整理了一份系统全面的学习路线，按照这份大纲来安排学习可以少走弯路，事半功倍。
第一阶段：专业核心基础
阶段目标：
1. 熟练掌握Python的开发环境与编程核心知识
2. 熟练运用Python面向对象知识进行程序开发
3. 对Python的核心库和组件有深入理解
4. 熟练应用SQL语句进行数据库常用操作
5. 熟练运用Linux操作系统命令及环境配置
6. 熟练使用MySQL，掌握数据库高级操作
7. 能综合运用所学知识完成项目
知识点：
Python编程基础、Python面向对象、Python高级进阶、MySQL数据库、Linux操作系统。
1、Python编程基础，语法规则，函数与参数，数据类型，模块与包，文件IO，培养扎实的Python编程基本功，同时对Python核心对象和库的编程有熟练的运用。
2、Python面向对象，核心对象，异常处理，多线程，网络编程，深入理解面向对象编程，异常处理机制，多线程原理，网络协议知识，并熟练运用于项目中。
3、类的原理，MetaClass，下划线的特殊方法，递归，魔术方法，反射，迭代器，装饰器，UnitTest，Mock。深入理解面向对象底层原理，掌握Python开发高级进阶技术，理解单元测试技术。
4、数据库知识，范式，MySQL配置，命令，建库建表，数据的增删改查，约束，视图，存储过程，函数，触发器，事务，游标，PDBC，深入理解数据库管理系统通用知识及MySQL数据库的使用与管理。为Python后台开发打下坚实基础。
5、Linux安装配置，文件目录操作，VI命令，管理，用户与权限，环境配置，Docker，Shell编程Linux作为一个主流的服务器操作系统，是每一个开发工程师必须掌握的重点技术，并且能够熟练运用。
第二阶段：PythonWEB开发
阶段目标：
1. 熟练掌握Web前端开发技术，HTML，CSS，JavaScript及前端框架
2. 深入理解Web系统中的前后端交互过程与通信协议
3. 熟练运用Web前端和Django和Flask等主流框架完成Web系统开发
4. 深入理解网络协议，分布式，PDBC，AJAX，JSON等知识
5. 能够运用所学知识开发一个MiniWeb框架，掌握框架实现原理
6. 使用Web开发框架实现贯穿项目
知识点：
Web前端编程、Web前端高级、Django开发框架、Flask开发框架、Web开发项目实战。
1、Web页面元素，布局，CSS样式，盒模型，JavaScript，JQuery与Bootstrap掌握前端开发技术，掌握JQuery与BootStrap前端开发框架，完成页面布局与美化。
2、前端开发框架Vue，JSON数据，网络通信协议，Web服务器与前端交互熟练使用Vue框架，深入理解HTTP网络协议，熟练使用Swagger，AJAX技术实现前后端交互。
3、自定义Web开发框架，Django框架的基本使用，Model属性及后端配置，Cookie与Session，模板Templates，ORM数据模型，Redis二级缓存，RESTful，MVC模型掌握Django框架常用API，整合前端技术，开发完整的WEB系统和框架。
4、Flask安装配置，App对象的初始化和配置，视图函数的路由，Request对象，Abort函数，自定义错误，视图函数的返回值，Flask上下文和请求钩子，模板，数据库扩展包Flask-Sqlalchemy，数据库迁移扩展包Flask-Migrate，邮件扩展包Flask-Mail。掌握Flask框架的常用API，与Django框架的异同，并能独立开发完整的WEB系统开发。
第三阶段：爬虫与数据分析
阶段目标：
1. 熟练掌握爬虫运行原理及常见网络抓包工具使用，能够对HTTP及HTTPS协议进行抓包分析
2. 熟练掌握各种常见的网页结构解析库对抓取结果进行解析和提取
3. 熟练掌握各种常见反爬机制及应对策略，能够针对常见的反爬措施进行处理
4. 熟练使用商业爬虫框架Scrapy编写大型网络爬虫进行分布式内容爬取
5. 熟练掌握数据分析相关概念及工作流程
6. 熟练掌握主流数据分析工具Numpy、Pandas和Matplotlib的使用
7. 熟练掌握数据清洗、整理、格式转换、数据分析报告编写
8. 能够综合利用爬虫爬取豆瓣网电影评论数据并完成数据分析全流程项目实战
知识点：
网络爬虫开发、数据分析之Numpy、数据分析之Pandas。
1、爬虫页面爬取原理、爬取流程、页面解析工具LXML，Beautifulfoup，正则表达式，代理池编写和架构、常见反爬措施及解决方案、爬虫框架结构、商业爬虫框架Scrapy，基于对爬虫爬取原理、网站数据爬取流程及网络协议的分析和了解，掌握网页解析工具的使用，能够灵活应对大部分网站的反爬策略，具备独立完成爬虫框架的编写能力和熟练应用大型商业爬虫框架编写分布式爬虫的能力。
2、Numpy中的ndarray数据结构特点、numpy所支持的数据类型、自带的数组创建方法、算术运算符、矩阵积、自增和自减、通用函数和聚合函数、切片索引、ndarray的向量化和广播机制，熟悉数据分析三大利器之一Numpy的常见使用，熟悉ndarray数据结构的特点和常见操作，掌握针对不同维度的ndarray数组的分片、索引、矩阵运算等操作。
3、Pandas里面的三大数据结构，包括Dataframe、Series和Index对象的基本概念和使用，索引对象的更换及删除索引、算术和数据对齐方法，数据清洗和数据规整、结构转换，熟悉数据分析三大利器之一Pandas的常见使用，熟悉Pandas中三大数据对象的使用方法，能够使用Pandas完成数据分析中最重要的数据清洗、格式转换和数据规整工作、Pandas对文件的读取和操作方法。
4、matplotlib三层结构体系、各种常见图表类型折线图、柱状图、堆积柱状图、饼图的绘制、图例、文本、标线的添加、可视化文件的保存，熟悉数据分析三大利器之一Matplotlib的常见使用，熟悉Matplotlib的三层结构，能够熟练使用Matplotlib绘制各种常见的数据分析图表。能够综合利用课程中所讲的各种数据分析和可视化工具完成股票市场数据分析和预测、共享单车用户群里数据分析、全球幸福指数数据分析等项目的全程实战。
第四阶段：机器学习与人工智能
阶段目标：
1. 理解机器学习相关的基本概念及系统处理流程
2. 能够熟练应用各种常见的机器学习模型解决监督学习和非监督学习训练和测试问题，解决回归、分类问题
3. 熟练掌握常见的分类算法和回归算法模型，如KNN、决策树、随机森林、K-Means等
4. 掌握卷积神经网络对图像识别、自然语言识别问题的处理方式，熟悉深度学习框架TF里面的张量、会话、梯度优化模型等
5. 掌握深度学习卷积神经网络运行机制，能够自定义卷积层、池化层、FC层完成图像识别、手写字体识别、验证码识别等常规深度学习实战项目
知识点：
1、机器学习常见算法、sklearn数据集的使用、字典特征抽取、文本特征抽取、归一化、标准化、数据主成分分析PCA、KNN算法、决策树模型、随机森林、线性回归及逻辑回归模型和算法。熟悉机器学习相关基础概念，熟练掌握机器学习基本工作流程，熟悉特征工程、能够使用各种常见机器学习算法模型解决分类、回归、聚类等问题。
2、Tensorflow相关的基本概念，TF数据流图、会话、张量、tensorboard可视化、张量修改、TF文件读取、tensorflow playround使用、神经网络结构、卷积计算、激活函数计算、池化层设计，掌握机器学习和深度学习之前的区别和练习，熟练掌握深度学习基本工作流程，熟练掌握神经网络的结构层次及特点，掌握张量、图结构、OP对象等的使用，熟悉输入层、卷积层、池化层和全连接层的设计，完成验证码识别、图像识别、手写输入识别等常见深度学习项目全程实战。
如何进行Python 代码编写
在除去完美的、有意义的语句不用而代之以晦涩的、嵌套的表达式的工作后，一个很自然的问题是:“为什么?!”我对
FP
的所有描述都是使用Python
代码做到的。但最重要的特性
--
可能也是具体情况中最有用的特性。它消除了副作用(或者至少对一些特殊领域，例如单一体，有一些牵制作用)。绝大部分程序错误
--
和促使程序员求助于调试来解决的问题
--
之所以会发生，是因为在程序执行过程期间，变量包含了意外的值。函数程序只不过根本就不为变量分配值，从而避免了这一特殊问题。
让我们看一段相当普通的命令代码。它的目的是打印出乘积大于
25
的几对数字的列表。组成各对的数字本身是从另外两个列表中挑选出的。这种操作与程序员在他们程序段中实际执行的操作差不多。深度剖析Python函数编程技巧设计Python目标何在?总结Python版本大集合讲述Python模块中的Zipfile解析初学Python时注意事项实现这一目的的命令方法如下:这个项目太小，以至于没有什么可能出错。但我们的目的可能嵌在要同时实现许多其它目的的代码中。用
"more
stuff"
注释的那些部分是副作用可能导致错误发生的地方。在这些地方中的任何一处，变量
xs
、
ys
、
bigmuls
、
x
、
y
有可能获得假设节略代码中的意外值。而且，在执行完这一段代码后，所有变量都可能具有稍后代码可能需要也可能不需要的一些值。很明显，可以使用函数/实例形式的封装和有关作用域的考虑来防止出现这种类型的错误。而且，您总是可以在执行完变量后
del
它们。但在实际中，这些指出类型的错误非常普遍。
目标的函数方法完全消除了这些副作用错误。以下是可能的一段代码:bigmuls
=
lambda
xs,ys:
filter(
lambda
(x,y):x*y
25,
combine(xs,ys))
combine
=
lambda
xs,ys:
map(None,
xs*len(ys),
dupelms(ys,len(xs)))
dupelms
=
lambda
lst,n:
reduce(
lambda
s,t:s+t,
map(
lambda
l,nn=n:
[l]*n,
lst))
bigmuls((1,2,3,4),(10,15,3,22))
在示例中，我们将匿名
Python
代码与名称进行绑定，但这不是一定必要的。我们可以只嵌套定义。这样做是出于可读性目的;但也是因为
combine()
是一种随处可得的很好实用程序函数(从两个输入列表中产生所有元素对的列表)。随后的
dupelms()
主要只是帮助
combine()
发挥作用的一种方法。即使这一函数示例比命令示例更冗长，但一旦考虑到实用程序函数可以重用，那么
bigmuls()
中的新代码本身可能比命令版本中的代码数量还要少一些。
这种函数示例真正的优势在于绝对不会有变量更改其中的任何值。稍后的代码中没有
可能的不曾预料到的副作用(较早的代码中也不会有)。很明显，它本身没有副作用并不能保证代码
正确，但即使这样，这也是个优点。