如何系统的自学Python

Python的系统的自学，其实应该分成两块：

• Python本身语言语法的学习
• Python在特定应用场景相关库和场景知识的学习，比如机器学习方面，办公自动化，Web后端变成，网络编程，桌面图形界面等等

打个通俗的例子，你完全会汉语的语法和单词，也能流利的用汉语表达自己感受和想法，但是找一篇现代数学的论文或者一篇前言医学的论文，虽然字你都认识，汉语的语法你也完全看的懂，但是这样的现代数学或者医学的论文，如果你没有相关的知识，你从头看到尾，你还是完全不理解这些论文究竟在说啥。

同样的，Python是一门计算机语言，它为人类和计算机交流发明的，Python定义一种语言的语法和规则，让你用这样的“语言”描述自己的想法的时候，计算机就会理解你的意思，并按照你的要求执行。

比如用Python写出下面的代码，也就是相当于你朝计算机喊“给我输出100次Hello",之所以我们现在需要用Python告诉计算机我们的想法，而不是直接用汉语告诉计算机，是因为汉语也好，英语也好，其他人类的语言也好，一方面不严谨，模糊信息太多，计算机难以理解，另一方面，人类的语言冗余信息太多，也不效率（你懂得，人类大部分交流，很多话都是在扯淡，没有信息含量），希望人工智能的进步让未来的计算机能直接理解人类心中的想法：

for i in range(100):
    print("Hello")

所以，回到如何系统的自学Python, 其实也要分成两块看：

• 如何系统的自学的Python语言语法
• 如何系统自学的Python各种应用场景，比如数据分析，网络编程，Web编程，图像处理，桌面图形界面程序，机器学习等等各种场景

如何系统的自学的Python语言语法

Python语言语法这块不是很复杂，任何入门级的Python教程书都有，并且官方文档就自带了一份中文的教程，在你安装Python本机就有，也可以直接在官网网站上看到：

Python 教程 - Python 3.8.3 文档​docs.python.org

这个文档就已经详细把Python语言和语法说的很清楚，包括几个Python语言最重要的几部分：

• 流程控制（ If, for, while)
• 数据结构（数字，字符串，列表，字典等）
• 模块
• 异常
• 类
• 常用标准库

官方3.8版本的文档一共16章，总共也没多少字，对Python语言和语法方方面面的内容也都有相应的代码，仔仔细细照着敲一遍，反反复复联系几遍，就和刚学一门外语的，不要纠结太多，就是要多”说“，对于Python而言，就是要反复“说”给计算机听。

尽量给自己一点高强度练习，让自己反复习惯用Python表达自己的想法，慢慢的你就有用Python和计算机交流的感觉了，这时候Python语言和语法你也基本系统学了一遍，也基本都有理解了。

如何系统自学的Python各种应用场景

首先，要明白一点，Python应用场景涉及计算机的方方面面，并没有必要系统的全部学一遍，要根据你的实际需求来，就像你会汉语，但是也没有必要把汉语用的所有方面都学一遍，没见过几个会说普通的话，尝试去写宋词元曲的，对吧。

所以，根据你的需求来看，你需要学习Python那个应用场景，这种情况下，根据每个人情况，也要分两种：

• 本身已具备相关应用场景的专业知识
• 本身不具备相关应用场景的专业知识

比如，如果你本人就是数学系或者统计系的，对数据分析的相关数据概念很清楚，你去学习Python数据科学的相关库(Numpy，Pandas,statsmodels,Skt-learn等），你会觉得非常轻松，因为你专业上学到一些专业知识和算法，已经被人用Python都包装好了，只要你会Python的语言语法，都可以轻松调用。

又比如你本来就已经熟悉用Qt来开发桌面图形界面程序，这时候，你用PyQt5或者PySide,你同样会觉得非常简单，也谈不上自学成本，十分钟了解下这些库的用法，马上就可以上手。

但是，大部分人的情况，是本身不具备相关应用场景的专业知识，比如学习Django/Flash的，是第一次接触Web编程，学习PyTorch/Keras的人，也是第一次接触神经网络，与其说是想系统的自学的Python，比如是说想借Python的语言学习Web开发/数据分析/机器学习/图像处理。。。。

对于这种情况，建议是，根据你自己的需求，尽快找到你所对应Pyhon的库，而且通常要找包装的比较简单的库，没太多细节的的库，比如说，学深度学习，先从包装成最简单的Keras，先用起来，比如说从来没接触过Web后端开发，先用最简单的Flask开始，而且要尽快直接用最简单的库，先跑起来，先动起来，因为你本身没有这块的基础知识，而Python这些库，恰恰能让你很快入手，尽快直观了解这方便的知识，比如你原来不理解什么是神经网络，那就直接先用Keras照例子写个手写体，先跑起来再说，再看看找下传统的算法，例如用Skt-learn也写个手写体识别，两个不同的算法一起跑起来对比下，你对神经网络和深度学习，立刻就不会觉得神秘，会有直接的认识。

import numpy as np
np.random.seed(1337)  # for reproducibility
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D,AveragePooling2D
from keras.utils import np_utils
from keras import backend as K
import MNIST
# 全局变量  
batch_size = 128  # 批处理样本数量
nb_classes = 10  # 分类数目
epochs = 600  # 迭代次数
img_rows, img_cols = 28, 28  # 输入图片样本的宽高
nb_filters = 32  # 卷积核的个数
pool_size = (2, 2)  # 池化层的大小
kernel_size = (5, 5)  # 卷积核的大小
input_shape = (img_rows, img_cols,1)  # 输入图片的维度
X_train, Y_train = MNIST.get_training_data_set(600, False)  # 加载训练样本数据集，和one-hot编码后的样本标签数据集。最大60000
X_test, Y_test = MNIST.get_test_data_set(100, False)  # 加载测试特征数据集，和one-hot编码后的测试标签数据集，最大10000
X_train = np.array(X_train).astype(bool)    # 转成0-1黑白图。方便训练
X_train=X_train[:,:,:,np.newaxis]  # 添加一个维度，代表图片通道。这样数据集共4个维度，样本个数、宽度、高度、通道数
Y_train = np.array(Y_train)
X_test = np.array(X_test).astype(bool)    # 转成0-1黑白图。方便训练
X_test=X_test[:,:,:,np.newaxis]  # 添加一个维度，代表图片通道。这样数据集共4个维度，样本个数、宽度、高度、通道数
Y_test = np.array(Y_test)
print('样本数据集的维度：', X_train.shape,Y_train.shape)
print('测试数据集的维度：', X_test.shape,Y_test.shape)
print(MNIST.printimg(X_train[1]))
print(Y_train[1])
model = Sequential()
model.add(Conv2D(6,kernel_size,input_shape=input_shape,strides=1))  # 卷积层1
model.add(AveragePooling2D(pool_size=pool_size,strides=2))  # 池化层
model.add(Conv2D(12,kernel_size,strides=1))  # 卷积层2
model.add(AveragePooling2D(pool_size=pool_size,strides=2))  # 池化层
model.add(Flatten())  # 拉成一维数据
model.add(Dense(nb_classes))  # 全连接层2
model.add(Activation('sigmoid'))  # sigmoid评分
model.compile(loss='categorical_crossentropy',optimizer='adadelta',metrics=['accuracy'])
model.fit(X_train, Y_train, batch_size=batch_size, epochs=epochs,verbose=1, validation_data=(X_test, Y_test))
score = model.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])

最后总结下，所谓系统自学Python，很多时候，很多人指的是系统的学习Python应用在XXX方面，而不是指Python语言本身，这时候，如果没有相关方面的知识，最好的办法，从Python包装的使用难度最低的库入手，尽快让自己对具体知识有了具体的理解，想学深度学习，尽快用Keras搭建自己的第一个神经网络，想学爬虫，先用requests抓第一个网页信息，想开发Web，先用Flask搭一个网站，当你通过Python把这个应用方面或者专业的知识理解透了，用其他语言C/C++/JAV去做，对你来说也是豁然开朗的感觉，立刻动手立刻去做立刻去理解，除此之外，再无法他发。