某不知名 211 大学的大二学生，读的是通信工程专业。然而我们学校的通信专业偏硬件，编程方面只教 C 语言。而我比较喜欢软件，所以业余时间学点 Python，写一些简单的代码，感觉很快乐。

一开始的时候，我并不喜欢编程，觉得编程很神秘，很害怕编程。尤其是学完 C 语言之后，连个简单的代码也写不出来。讽刺的是，通过背题、刷题，我的 C 语言考试（纸质）反倒考了 90+，C 语言课设也拿到了 85 分。然而并没有什么意思。我连个万年历、贪吃蛇都写不出来，也不知道如何面向百度、google 编程。最主要的是，当时并没有意识到编程的重要性，“我以后又不从事编程工作，学编程干嘛呢？！”

这种心理，一直到我加入实验室之后才有所改观。说真的，这个实验室并没有教会我什么实际的知识，却在潜移默化中影响了我的价值观。在这里，我开始喜欢编程，开始接触到机器学习等相关知识。

大一下学期，我开始学习 Python，因为我基础太差，而且充满了对编程的恐惧，所以我选择看 B 站上的零基础视频入门。这个学习过程是轻松而毫不费力的，所以我并没有学到多少知识。因为我是照着视频敲代码，一点也不经过大脑思考。这个阶段，一直持续到暑假，视频总算看到了装饰器这个部分，然后我就看不下去了。尽管学了面向对象的知识，由于我这种懒惰学习法，最后还是之后基本的if

大一下学期暑假，我还是什么复杂一点的代码都写不出来，深感沮丧。就开始放弃学习语法，开始学习 Python 数据科学，其实就是学如何调用 numpy、pandas 的 api。学着学着，我感到深深的自我怀疑，我学来学去一直在学习某个函数如何调用，而且学完不久就忘记，连个简单的小程序都写不出来，这样有什么意义。所以我决定学习 Python 爬虫。爬虫我也是看 B 站视频学的，很快我就能编写几个简单的爬虫程序，让我自信心爆棚。我大约学到 scrapy 框架的时候，在爬取安居客网站的时候，经常被封 ip，使用代理也没有用。这让我又产生了自我怀疑的念头，最终还是放弃了爬虫，开始直接学 Python 数据分析。

大二上学期，我开始学《利用Python进行数据分析》这本书，主要看的是如何调用 scikit-learn 的函数。学了好几周，也就是照着书上的代码敲一敲，我自然没有多少进步，以至于当我看书看的差不多，决定做做 kaggle 竞赛的时候，再一次打击了我的自信心。我又一次半途而废。

痛定思痛，我决定持之以恒地做一件事。于是，我开始写公众号。这一个阶段，我学习 Python 只要是“实践为主，理论为辅”，做就完事了。亲自写代码，比看书效率更高。最开始的时候，我写了 2048 游戏，接着我写了贪吃蛇游戏。和以前学习的模式不同，不要等自己把所有知识点都学会再去写程序，以前我总是希望自己可以做好充分准备再去做某件事。后来才明白，这种想法是错误的。生活并不会给你准备的时间，事情来了，你不得不做。写代码也是一样。如果你希望编写一个贪吃蛇游戏，不要等到你把 Pygame 中的所有函数全学习一遍再去写程序，而是粗略地了解 Pygame 的使用方式和使用案例，做到心中有数即可。在写贪吃蛇游戏的时候，需要画正方形，我们就去搜对应的函数；需要加载音乐，我们还是去搜对应函数。当然，既要保证亲自实践，又要去了解优秀的代码与 Python 优雅的高级特性。不然，你的代码只会是已有知识的堆砌，而不能继续进步。

看书，尽量看些经典的书，比如《流畅的 Python》，《Python Cookbook》来学习 Python 语法；看视频，可以到 B 站上找些口碑好的视频。最重要的一点，一定要亲自动手写代码！ 一定要亲自动手写代码！ 一定要亲自动手写代码！ 你把书上的代码敲到电脑屏幕上，并没有多少帮助。重要的是，你在写程序时一定要刻意地使用这些新特性，然后积累经验，总结这些特性的适用场景。

我觉得，我们不必纠结于：学Python某些库有没有用。因为如果我们不去了解这些“没用的东西”，就无法深入学习 Python 高级知识。比如说 ，学 PyQt5 有没有用呢？这个问题并不重要。因为学 PyQt5 的同时，你也在巩固其他方面的修养，你也会考虑到于数据库的交互、面向对象、Python 高级特性的使用。你学得越深入，你的综合能力也在飞速提升，这对你转战其他库时也大有裨益。而且学东西，要功利但不能“惟功利论”，只要不是今天不学、明天失业的处境，大可把眼光放长远点。把它当成一门兴趣，说不定哪天就拉了你一把。

本文为不同阶段的Python学习者从不同角度量身定制了49个学习资源。

• 介绍了Python 中的基本数据类型

• Codecademy提供免费的互动课程，帮助您练习Python的基础知识，同时为您提供即时，类似游戏的反馈。对于那些喜欢练习专业知识的人来说，学习Python的好方法。

• 来自Google开发人员的官方Python开发类。本教程是交互式代码片段的混合，可以在您的结尾和上下文文本上复制和运行。这是一种从世界领先的技术公司之一学习Python的半互动方式。

• 想要一种简单，直观的方式来访问和使用Python函数吗？Jupyter Notebook就是最好的选择。使用它比命令行和不同的拼凑在一起的脚本更容易。这是我自己使用的设置。本教程将帮助您开始学习Python的路径。

• W3School使用与用于教授HTML和其他Python相同的格式。使用交互式和文本片段练习不同的基本功能。使用本教程可以获得语言的基础并学习Python。

• Kaggle是一个举办数据科学和机器学习竞赛的平台。竞争对手使用数据集并尽可能准确地创建预测模型。他们还提供交互式Python笔记本，帮助您学习Python的基础知识。

• 以与W3Schools类似的方式设置，使用Tutorialspoint作为替代或某些功能和部分的复习。

• Quora社区中有许多学习Python的技术人员。本节专门介绍Python，包括运行分析和关于Python状态的紧迫问题及其在各种不同领域的实际应用，从数据可视化到Web开发。

• 如果你是每周时事通讯的粉丝，那么你将会对Python Weekly感到满意，它总结了最新的发展，新闻以及有关Python的有趣文章。

• 官方的Django框架介绍将帮助您进行设置，以便您可以使用Python进行Web开发。

来自O'Reilly的这个资源有助于为Python学习Django和Web开发技能提供更多策划。

• Stack Overflow社区充满了迫切的问题和切实的解决方案。使用它作为Python的实现资源和学习Python的途径。

• Data Science subreddit提供了大量有关如何使用Python处理大型数据集并以有趣的方式处理它的资源。

• 完成数据处理后，您需要提供数据以获取洞察力并与他人分享。本数据可视化指南总结了Python中的数据可视化选项，包括Pandas，Seaborn和ggplot的Python实现。

• 这个基于文本的教程有助于向人们介绍使用Python进行机器学习的基础知识。对于数据科学而言，带有相关文章的Medium插座是机器学习和数据科学资源的绝佳来源。

• 这个来自Springboard的免费学习路径有助于策划您需要学习的内容并在Python中练习机器学习。

• 机器学习subreddit经常关注最新的论文和经验进展。还讨论了这些进步的Python实现。

• KDNuggets提供有关数据科学，数据分析和机器学习的高级内容。它的Python部分讨论了如何在Python中实现这些想法。

• Udemy提供一系列Python课程，有许多高级选项可以教你Python的复杂性。这些课程往往比认证课程便宜，但你要仔细查看评论。

• 本教程将介绍更高级的数据可视化版本以及如何实现它们，允许您预览可以将数据从关联热图切片到散点图基础的不同高级方法。

• Kaggle提供了各种数据集，其中包含用户示例和upvoting，以指导您访问最流行的数据集。使用示例和数据集创建自己的数据分析，可视化或机器学习模型。

• HackerRank提供了一系列练习，要求您在没有任何上下文的情况下解决。这是在Python中单独练习不同功能和输出的最佳方式（尽管您仍然希望通过不同的项目来巩固您的Python技能。）当您完成更多挑战时，您将获得积分和徽章。这无疑会激励我学习更多知识。一个非常有用的沙箱，供您学习Python。

• 本文档可帮助您使用第一个Django应用程序实现，允许您使用Python在Web上获取内容。一旦你开始使用它，你可以构建你想要的任何东西。

• 如果您在面试中遇到Python技能问题，这个面试问题列表将有助于作为一个有用的提醒和复习，并且是您练习和巩固不同Python概念的好方法。