本文目录一览：
- 1、给初学者一些学习Python的建议
- 2、13个最常用的Python深度学习库介绍
- 3、如何从python的小白变成一个python的大神
- 4、安利3个被程序员夸爆的Python编程小功能
- 5、万字干货，Python语法大合集，一篇文章带你入门
- 6、如何成为Python高手
给初学者一些学习Python的建议
有些人认为，对于那些真正想学好编程，以此为工作，或是走科研道路的人，第一门语言最好是C；而有些人认为：python是最容易入门的编程语言，没有之一。对于这个问题，仁者见仁智者见智了。
如果初学者接触的第一门语言是C或者C++，对他们来说最难的不是语法，而是容易出现内存泄漏、指针等问题。有时候排查这些问题对初学者的打击很大，尤其是没掌握排查BUG技巧时。
如果初学者接触的第一门语言是Python，学习曲线则会平滑得多，掌握一些基本语法和Python内置的数据结构，已经可以上手写一些小工具或者小型应用。这对初学者来说，非常重要。因为学习的过程是一个突破舒适区的过程，会面临很多痛苦，如果学习过程得不到激励，很容易半途而废，类似我们开玩笑说的「从入门到放弃」。
Python还有很多优点：上手快，第三方库丰富，资料丰富，很容易做出“可见可得”的应用。比如你要拿C或者C++做web服务，这上手门槛就有点高了。所以很多工科学生，甚至是科班学生会问学了C/C++到底有什么用，因为想上手做一些“可见可得”的应用太难。
Python就大不同，你想搞Web开发？上来一个Flask框架立马就撸。想搞点数据分析？上来一个Panda+数据可视化，撸起来轻松愉快甚有快感。想抓取什么数据？你自己基于request撸一个小爬虫采集点网站信息，app信息都不是什么难事。
也是因为这样，学习Python的过程几乎接近“无痛”，有很好的学习正反馈过程，学一点知识就能做一点小东西，能看得到自己成长和进步。安利了这么多好处，来看看学Python分几个阶段吧。
1.基础知识
Python最基本的语言特性和语法:
变量
数据类型与数据结构
输入和输出
运算符、表达式、语句
语句控制流(顺序控制，选择控制和循环控制)
面向过程编程
面向对象编程
异常处理
组织代码
标准库、第三方库
针对面向对象这一块需要重点的讲一下，为什么会有面向对象？以及我们如何设计面向对象系统？这个思考的过程有助于你理解面向对象编程思想。
可以说「一切皆对象」这句话普适性是很强的，大家都在玩的王者农药，里面每一个对战英雄，每一个野怪，每一张地图都是通过面向对象的思想构建起来的。
如果一开始你觉得太复杂，大可把用「分而治之」的思想把复杂的对象break down，分解成多个简单合理的对象。任何复杂的系统都可以由若干个简单可靠的系统组成，多个简单可靠的系统有序地组织起来是可以实现强大功能的。
举个例子，还拿农药来说，”英雄“是可以作为一个基类的对吧，每个英雄都有血条，移动速度，AD，AP，物防，法扛等等。李白平A后裔一下，这是对象之间的通信（或者说交互）。后裔放大打中李白，李白眩晕，这一系列的触发过程都可以通过面向对象来建模。
在掌握了语法特点，掌握了面向对象的思想之后，我们应该能够在控制台（windows或者mac的命令行）里边实现一个有意思的程序。这个程序应该解决现实生活中的一个实际问题。比如出现一个职位的发布和管理系统。有以下功能。我们可以录入职位信息。保存到文件上。我们还可以加载职位信息。按多种条件去查询，比如按关键字按城市。按薪资范围。按商圈工作年限等等。
在做这个的过程中，自己需要设计一个很好的面向对象系统。也把Python里常用的语言基本特性都用到了。达到这个阶段算是勉强及格了吧，不过仅仅是在语言掌握层面。如果想当一个合格的研发工程师，还需要掌握很多其他技能。
2. 进阶的阶段
现在的开发大部分是基于web的，比如app要调web接口，pc端肯定也要调web接口，所以我们不能光在控制台里面玩。这个时候需要了解，http协议和Python web开发。我们可以重做前面提到的求职发布系统，学习基于Python web如何实现。这个时候你需要实现若干个接口：
用户端：
用户注册
用户登录
请求首页刷出默认的职位列表
筛选职位列表
根据城市
根据关键字
根据薪酬
根据工作商圈
管理后台：
登录
发布职位
更新职位
删除职位
为了实现以上接口，你需要弄清楚什么是GET，什么是POST请求，什么场景下用GET，什么场景用POST。你还需要明白一个Python web开发框架，要明白一个http请求到了web框架之后，框架做了什么事情，如何在里面实现业务逻辑。哪些数据是服务共享的，哪些数据是用户/请求独享的。
此外，应该学会Python如何操作数据库实现增删改查，大部分的任务都离不开增删改查。比如我提到的发布职位就是create的过程，更新就是update，还有删除是delete，读是read。江湖有一个戏称CRUD boy。
如果能顺利度过进阶阶段，你应该能举一反三实现其他类似系统了。比如现在很火的分销，拼团，还有新闻Feeds等等。
好像我没怎么提数据结构和算法，这个要看个人追求。如果你要在最短时间内学会Python开发，恐怕是没时间学好数据结构和算法了，能掌握自带的数据结构用法就行。如果你的学习时间充足，我的建议是一定要学数据结构和算法。为了以后长期的发展，为了人民币，一定要学好数据结构和算法，我简直苦口婆心地劝啊。
3. 工业界经验
最后一个阶段是实际的工业经验。这个阶段，你应该对公司用的基础架构，如RPC，数据库缓存消息系统中间件，烂熟于心。同时应该掌握最基本的系统设计的技巧。知道如何根据一个实际需求，设计一个高可用，高性能高扩展性的系统。
实际上我觉得第一个阶段是最容易的，第二个阶段会碰到一些坑，有时候不好解决。在第二个阶段，你可能需要比较好的自学能力，或者有一个好的学长导师。第三个阶段需要比较体系化的训练和思考。
如果说你的系统设计能力ok，甚至经验丰富，再加上你不错的算法，你肯定有一份好工作，薪资可能说多了显浮夸，但优秀的应届生很多人超过30w，甚至50w已经是常态了。工作3-5年的过百万的也大有人在。
这个时代，程序员虽然辛苦了一点，但无疑碰上最好的时代了。
PS：辛苦是因为知识更新很快，行业发展也很快，逼着程序员也要往前走。保持学习才是从业者的基本素养，而不是掌握某门语言某门技术。
更多Python知识，请关注：Python自学网！！
13个最常用的Python深度学习库介绍
13个最常用的Python深度学习库介绍
如果你对深度学习和卷积神经网络感兴趣，但是并不知道从哪里开始，也不知道使用哪种库，那么这里就为你提供了许多帮助。
在这篇文章里，我详细解读了9个我最喜欢的Python深度学习库。
这个名单并不详尽，它只是我在计算机视觉的职业生涯中使用并在某个时间段发现特别有用的一个库的列表。
这其中的一些库我比别人用的多很多，尤其是Keras、mxnet和sklearn-theano。
其他的一些我是间接的使用，比如Theano和TensorFlow（库包括Keras、deepy和Blocks等）。
另外的我只是在一些特别的任务中用过（比如nolearn和他们的Deep Belief Network implementation）。
这篇文章的目的是向你介绍这些库。我建议你认真了解这里的每一个库，然后在某个具体工作情境中你就可以确定一个最适用的库。
我想再次重申，这份名单并不详尽。此外，由于我是计算机视觉研究人员并长期活跃在这个领域，对卷积神经网络（细胞神经网络）方面的库会关注更多。
我把这个深度学习库的列表分为三个部分。
第一部分是比较流行的库，你可能已经很熟悉了。对于这些库，我提供了一个通俗的、高层次的概述。然后，针对每个库我详细解说了我的喜欢之处和不喜欢之处，并列举了一些适当的应用案例。
第二部分进入到我个人最喜欢的深度学习库，也是我日常工作中使用最多的，包括：Keras、mxnet和sklearn-theano等。
最后，我对第一部分中不经常使用的库做了一个“福利”板块，你或许还会从中发现有用的或者是在第二板块中我还没有尝试过但看起来很有趣的库。
接下来就让我们继续探索。
针对初学者：
Caffe
提到“深度学习库”就不可能不说到Caffe。事实上，自从你打开这个页面学习深度学习库，我就敢打保票你肯定听说Caffe。
那么，究竟Caffe是什么呢？
Caffe是由Berkeley Vision and Learning Center（BVLC）建立的深度学习框架。它是模块化的，速度极快。而且被应用于学术界和产业界的start-of-the-art应用程序中。
事实上，如果你去翻阅最新的深度学习出版物（也提供源代码），你就很可能会在它们相关的GitHub库中找到Caffe模型。
虽然Caffe本身并不是一个Python库，但它提供绑定到Python上的编程语言。我们通常在新领域开拓网络的时候使用这些绑定。
我把Caffe放在这个列表的原因是它几乎被应用在各个方面。你可以在一个空白文档里定义你的模型架构和解决方案，建立一个JSON文件类型的.prototxt配置文件。Caffe二进制文件提取这些.prototxt文件并培训你的网络。Caffe完成培训之后，你可以把你的网络和经过分类的新图像通过Caffe二进制文件，更好的就直接通过Python或MATLAB的API。
虽然我很喜欢Caffe的性能（它每天可以在K40 GPU上处理60万张图片），但相比之下我更喜欢Keras和mxnet。
主要的原因是，在.prototxt文件内部构建架构可能会变得相当乏味和无聊。更重要的是， Caffe不能用编程方式调整超参数！由于这两个原因，在基于Python的API中我倾向于对允许我实现终端到终端联播网的库倾斜（包括交叉验证和调整超参数）。
Theano
在最开始我想说Theano是美丽的。如果没有Theano，我们根本不会达到现有的深度学习库的数量（特别是在Python）。同样的，如果没有numpy，我们就不会有SciPy、scikit-learn和 scikit-image,，同样可以说是关于Theano和深度学习更高级别的抽象。
非常核心的是，Theano是一个Python库，用来定义、优化和评估涉及多维数组的数学表达式。 Theano通过与numpy的紧密集成，透明地使用GPU来完成这些工作。
虽然可以利用Theano建立深度学习网络，但我倾向于认为Theano是神经网络的基石，同样的numpy是作为科学计算的基石。事实上，大多数我在文章中提到的库都是围绕着Theano，使自己变得更加便利。
不要误会我的意思，我爱Theano，我只是不喜欢用Theano编写代码。
在Theano建设卷积神经网络就像只用本机Python中的numpy写一个定制的支持向量机（SVM），当然这个对比并不是很完美。
你可以做到吗？
当然可以。
它值得花费您的时间和精力吗？
嗯，也许吧。这取决于你是否想摆脱低级别或你的应用是否需要。
就个人而言，我宁愿使用像Keras这样的库，它把Theano包装成更有人性化的API，同样的方式，scikit-learn使机器学习算法工作变得更加容易。
TensorFlow
与Theano类似，TensorFlow是使用数据流图进行数值计算的开源库（这是所有神经网络固有的特征）。最初由谷歌的机器智能研究机构内的Google Brain Team研究人员开发，此后库一直开源，并提供给公众。
相比于Theano ，TensorFlow的主要优点是分布式计算，特别是在多GPU的环境中（虽然这是Theano正在攻克的项目）。
除了用TensorFlow而不是Theano替换Keras后端，对于TensorFlow库我并没有太多的经验。然而在接下来的几个月里，我希望这有所改变。
Lasagne
Lasagne是Theano中用于构建和训练网络的轻量级库。这里的关键词是轻量级的，也就意味着它不是一个像Keras一样围绕着Theano的重包装的库。虽然这会导致你的代码更加繁琐，但它会把你从各种限制中解脱出来，同时还可以让您根据Theano进行模块化的构建。
简而言之：Lasagne的功能是Theano的低级编程和Keras的高级抽象之间的一个折中。
我最喜欢的：
Keras
如果我必须选出一个最喜欢的深度学习Python库，我将很难在Keras和mxnet中做出抉择——但最后，我想我会选Keras。
说真的，Keras的好处我说都说不完。
Keras是一个最低限度的、模块化的神经网络库，可以使用Theano或TensorFlow作为后端。Keras最主要的用户体验是，从构思到产生结果将会是一个非常迅速的过程。
在Keras中架构网络设计是十分轻松自然的。它包括一些state-of-the-art中针对优化（Adam，RMSProp）、标准化（BatchNorm）和激活层（PReLU，ELU，LeakyReLU）最新的算法。
Keras也非常注重卷积神经网络，这也是我十分需要的。无论它是有意还是无意的，我觉得从计算机视觉的角度来看这是非常有价值的。
更重要的是，你既可以轻松地构建基于序列的网络（其中输入线性流经网络）又可以创建基于图形的网络（输入可以“跳过”某些层直接和后面对接）。这使得创建像GoogLeNet和SqueezeNet这样复杂的网络结构变得容易得多。
我认为Keras唯一的问题是它不支持多GPU环境中并行地训练网络。这可能会也可能不会成为你的大忌。
如果我想尽快地训练网络，那么我可能会使用mxnet。但是如果我需要调整超参数，我就会用Keras设置四个独立的实验（分别在我的Titan X GPUs上运行）并评估结果。
mxnet
我第二喜欢的深度学习Python库无疑就是mxnet（重点也是训练图像分类网络）。虽然在mxnet中站立一个网络可能需要较多的代码，但它会提供给你惊人数量的语言绑定（C ++、Python、R、JavaScript等）。
Mxnet库真正出色的是分布式计算，它支持在多个CPU / GPU机训练你的网络，甚至可以在AWS、Azure以及YARN集群。
它确实需要更多的代码来设立一个实验并在mxnet上运行（与Keras相比），但如果你需要跨多个GPU或系统分配训练，我推荐mxnet。
sklearn-theano
有时候你并不需要终端到终端的培养一个卷积神经网络。相反，你需要把CNN看作一个特征提取器。当你没有足够的数据来从头培养一个完整的CNN时它就会变得特别有用。仅仅需要把你的输入图像放入流行的预先训练架构，如OverFeat、AlexNet、VGGNet或GoogLeNet，然后从FC层提取特征（或任何您要使用的层）。
总之，这就是sklearn-theano的功能所在。你不能用它从头到尾的训练一个模型，但它的神奇之处就是可以把网络作为特征提取器。当需要评估一个特定的问题是否适合使用深度学习来解决时，我倾向于使用这个库作为我的第一手判断。
nolearn
我在PyImageSearch博客上用过几次nolearn，主要是在我的MacBook Pro上进行一些初步的GPU实验和在Amazon EC2 GPU实例中进行深度学习。
Keras把 Theano和TensorFlow包装成了更具人性化的API，而nolearn也为Lasagne做了相同的事。此外，nolearn中所有的代码都是与scikit-learn兼容的，这对我来说绝对是个超级的福利。
我个人不使用nolearn做卷积神经网络（CNNs），但你当然也可以用（我更喜欢用Keras和mxnet来做CNNs）。我主要用nolearn来制作Deep Belief Networks (DBNs)。
DIGITS
DIGITS并不是一个真正的深度学习库（虽然它是用Python写的）。DIGITS（深度学习GPU培训系统）实际上是用于培训Caffe深度学习模式的web应用程序（虽然我认为你可以破解源代码然后使用Caffe以外其他的后端进行工作，但这听起来就像一场噩梦）。
如果你曾经用过Caffe，那么你就会知道通过它的终端来定义.prototxt文件、生成图像数据、运行网络并监管你的网络训练是相当繁琐的。 DIGITS旨在通过让你在浏览器中执行这些任务来解决这个问题。
此外，DIGITS的用户界面非常出色，它可以为你提供有价值的统计数据和图表作为你的模型训练。另外，你可以通过各种输入轻松地可视化网络中的激活层。最后，如果您想测试一个特定的图像，您可以把图片上传到你的DIGITS服务器或进入图片的URL，然后你的Caffe模型将会自动分类图像并把结果显示在浏览器中。干净利落！
Blocks
说实话，虽然我一直想尝试，但截至目前我的确从来没用过Blocks（这也是我把它包括在这个列表里的原因）。就像许多个在这个列表中的其他库一样，Blocks建立在Theano之上，呈现出一个用户友好型的API。
deepy
如果让你猜deepy是围绕哪个库建立的，你会猜什么？
没错，就是Theano。
我记得在前一段时间用过deepy（做了初始提交），但在接下里的大概6-8个月我都没有碰它了。我打算在接下来的博客文章里再尝试一下。
pylearn2
虽然我从没有主动地使用pylearn2，但由于历史原因，我觉得很有必要把它包括在这个列表里。 Pylearn2不仅仅是一般的机器学习库（地位类似于scikit-learn），也包含了深度学习算法的实现。
对于pylearn2我最大的担忧就是（在撰写本文时），它没有一个活跃的开发者。正因为如此，相比于像Keras和mxnet这样的有积极维护的库，推荐pylearn2我还有些犹豫。
Deeplearning4j
这本应是一个基于Python的列表，但我想我会把Deeplearning4j包括在这里，主要是出于对他们所做事迹的无比崇敬——Deeplearning4j为JVM建立了一个开源的、分布式的深度学习库。
如果您在企业工作，你可能会有一个塞满了用过的Hadoop和MapReduce服务器的储存器。也许这些你还在用，也许早就不用了。
你怎样才能把这些相同的服务器应用到深度学习里？
事实证明是可以的——你只需要Deeplearning4j。
总计
以上就是本文关于13个最常用的Python深度学习库介绍的全部内容
如何从python的小白变成一个python的大神
学习、学习再学习
实践、实践、再实战。
安利一个Python学习网站吧：刘江的Python教程
安利3个被程序员夸爆的Python编程小功能
随着数据挖掘分析在企业业务层面的深度应用，我们会发现，在实际业务场景中，数据分析工作已经逐渐分为2个层次；较为流程化但与业务深度结合的数据分析工作，会更倾向于让业务人员通过专业分析工具进行自主 探索 分析，比如我们的Tempo大数据分析平台，就可以通过拖拽式、智能化的简便操作，帮助业务人员快速上手数据分析工作，快速将业务数据价值变现。
而针对一些更加细致、专业化的建模分析需求，其实还是通过代码的方式去实现更加高效灵活。Tempo大数据分析平台正是考虑到广大专业数据分析人员的实际需求，专门开发了 【扩展编程】 这一功能模块，让自定义编程和平台中已有的节点结合使用，快速提高数据分析工作效率！
为了让广大数据分析师在Tempo平台中，既可以通过编程实现更加灵活的建模，也能避免原生Python编程的一些使用局限，我们还通过广泛的用户调研，在【扩展编程】模块设计了 3个提高Python编程易用性的小功能 ，下面我们一起来看看这三个功能都具体解决了哪些问题~
1、Python洞察不直观 ，分析结果可读性低
我们常说“一图胜千言”，对于数据分析工作来说更是如此。分析结果最终还是要直接赋能实际业务，由于Python代码行的形式让分析结果可读性极低，分析人员无法快速实现对数据的直观 探索 分析，导致整体工作效率的降低。
2、Python调试分析难 ，校验调试流程多，反复折腾易出错
调试和分析是Python开发中非常重要的环节，但代码 校验报错结果难查看 的问题，让很多数据分析人员大伤脑筋。
尤其是现在很多企业数据分析项目是在自己的数据平台中进行的，分析人员只能把平台中的代码复制到第三方平台中进行校验，调试好后再粘贴回平台中运行，非常麻烦。
3、Python运行总“缺包” ，写码大半天，报错一瞬间
在一般的企业数据分析项目中，预先有可能会设置有多套Python环境，版本并不统一。这就会导致分析人员常常并不清楚自己当前使用的到底是哪一套Python环境，在编码时引用的Python包，在不同的Python环境上运行很有可能会出现缺失，引起代码执行报错，而且这种错误信息并不好排查，一旦报错只能从头再来，让程序员们白白做了无用功。
以往专业数据分析人员遇到以上问题，只能选择用更多的时间和精力去修复bug，那么在我们的Tempo大数据分析平台之中，又是如何解决这些问题，让 Python编程的应用 更简便、更高效、更适应企业实际需求呢？
1、图形化洞察，快速 探索 数据价值
针对传统编码数据分析方式难以直观展示数据分析结果的缺点，Tempo大数据分析平台——扩展编程模块特别支持在代码区域设置 通过matplotlib/seabron等图形方法实现节点洞察 ，校验通过后，就可以直接在洞察区域中查看绘制的图形，比如：折线图、直方图、条形图、饼图等。
以后业务部门简单的可视化分析需求就可以直接在建模挖掘分析的同时快速产出，立等可取，无需再周转其他可视化分析工具，大大提高的数据价值变现的效率。
2、控制台，让调试分析更便捷
针对传统Python编程调试报错信息不好查看的问题， Tempo大数据分析平台—扩展编程模块中的控制台功能，可以 直接在指定区域中显示错误信息和代码中需要print的部分 ，便于使用者快速发现问题，立即调整代码。
除了帮助专业数据分析人员提高工作效率，控制台中的【示例】小模块还内置了常用的参考代码，可以帮助一些不太能熟练应用Python编程语言的小白用户，通过复用或小部分修改逻辑代码的方式，也能快速完成数据逻辑处理工作。用好这个功能，团队内部的技能培训也能更有章法了呢！
3、快速查询Python环境和包版本，事前预防，再也不怕“丢包缺包”
Python编程最怕丢包缺包问题，在Tempo大数据分析平台中，我们内置了Python环境版本和包版本的信息查询组件，分析人员在编码之前，可以预先查询一下当前的Python环境版本和包版本，如果发现有缺包就可以在编码工作开始之前补充安装，把“丢包缺包”造成的代码报错风险降到最低。
今天的Tempo小课堂中，小T主要给大家介绍了如何通过Python扩展编程的三个小功能，帮助代码偏好的专业数据分析人员减少不必要的麻烦操作，提高工作效率。
万字干货，Python语法大合集，一篇文章带你入门
这份资料非常纯粹，只有Python的基础语法，专门针对想要学习Python的小白。
Python中用#表示单行注释，#之后的同行的内容都会被注释掉。
使用三个连续的双引号表示多行注释，两个多行注释标识之间内容会被视作是注释。
Python当中的数字定义和其他语言一样：
我们分别使用+, -, *, /表示加减乘除四则运算符。
这里要注意的是，在Python2当中，10/3这个操作会得到3，而不是3.33333。因为除数和被除数都是整数，所以Python会自动执行整数的计算，帮我们把得到的商取整。如果是10.0 / 3，就会得到3.33333。目前Python2已经不再维护了，可以不用关心其中的细节。
但问题是Python是一个 弱类型 的语言，如果我们在一个函数当中得到两个变量，是无法直接判断它们的类型的。这就导致了同样的计算符可能会得到不同的结果，这非常蛋疼。以至于程序员在运算除法的时候，往往都需要手工加上类型转化符，将被除数转成浮点数。
在Python3当中拨乱反正，修正了这个问题，即使是两个整数相除，并且可以整除的情况下，得到的结果也一定是浮点数。
如果我们想要得到整数，我们可以这么操作：
两个除号表示 取整除 ，Python会为我们保留去除余数的结果。
除了取整除操作之外还有取余数操作，数学上称为取模，Python中用%表示。
Python中支持 乘方运算 ，我们可以不用调用额外的函数，而使用**符号来完成：
当运算比较复杂的时候，我们可以用括号来强制改变运算顺序。
Python中用首字母大写的True和False表示真和假。
用and表示与操作，or表示或操作，not表示非操作。而不是C++或者是Java当中的, || 和！。
在Python底层， True和False其实是1和0 ，所以如果我们执行以下操作，是不会报错的，但是在逻辑上毫无意义。
我们用==判断相等的操作，可以看出来True==1， False == 0.
我们要小心Python当中的bool()这个函数，它并不是转成bool类型的意思。如果我们执行这个函数，那么 只有0会被视作是False，其他所有数值都是True ：
Python中用==判断相等，表示大于，=表示大于等于， 表示小于，=表示小于等于，!=表示不等。
我们可以用and和or拼装各个逻辑运算：
注意not，and，or之间的优先级，其中not and or。如果分不清楚的话，可以用括号强行改变运行顺序。
关于list的判断，我们常用的判断有两种，一种是刚才介绍的==，还有一种是is。我们有时候也会简单实用is来判断，那么这两者有什么区别呢？我们来看下面的例子：
Python是全引用的语言，其中的对象都使用引用来表示。is判断的就是 两个引用是否指向同一个对象 ，而==则是判断两个引用指向的具体内容是否相等。举个例子，如果我们把引用比喻成地址的话，is就是判断两个变量的是否指向同一个地址，比如说都是沿河东路XX号。而==则是判断这两个地址的收件人是否都叫张三。
显然，住在同一个地址的人一定都叫张三，但是住在不同地址的两个人也可以都叫张三，也可以叫不同的名字。所以如果a is b，那么a == b一定成立，反之则不然。
Python当中对字符串的限制比较松， 双引号和单引号都可以表示字符串 ，看个人喜好使用单引号或者是双引号。我个人比较喜欢单引号，因为写起来方便。
字符串也支持+操作，表示两个字符串相连。除此之外，我们把两个字符串写在一起，即使没有+，Python也会为我们拼接：
我们可以使用[]来查找字符串当中某个位置的字符，用 len 来计算字符串的长度。
我们可以在字符串前面 加上f表示格式操作 ，并且在格式操作当中也支持运算，比如可以嵌套上len函数等。不过要注意，只有Python3.6以上的版本支持f操作。
最后是None的判断，在Python当中None也是一个对象， 所有为None的变量都会指向这个对象 。根据我们前面所说的，既然所有的None都指向同一个地址，我们需要判断一个变量是否是None的时候，可以使用is来进行判断，当然用==也是可以的，不过我们通常使用is。
理解了None之后，我们再回到之前介绍过的bool()函数，它的用途其实就是判断值是否是空。所有类型的 默认空值会被返回False ，否则都是True。比如0，""，[], {}, ()等。
除了上面这些值以外的所有值传入都会得到True。
Python当中的标准输入输出是 input和print 。
print会输出一个字符串，如果传入的不是字符串会自动调用__str__方法转成字符串进行输出。 默认输出会自动换行 ，如果想要以不同的字符结尾代替换行，可以传入end参数：
使用input时，Python会在命令行接收一行字符串作为输入。可以在input当中传入字符串，会被当成提示输出：
Python支持 三元表达式 ，但是语法和C++不同，使用if else结构，写成：
上段代码等价于：
Python中用[]表示空的list，我们也可以直接在其中填充元素进行初始化：
使用append和pop可以在list的末尾插入或者删除元素：
list可以通过[]加上下标访问指定位置的元素，如果是负数，则表示 倒序访问 。-1表示最后一个元素，-2表示倒数第二个，以此类推。如果访问的元素超过数组长度，则会出发 IndexError 的错误。
list支持切片操作，所谓的切片则是从原list当中 拷贝 出指定的一段。我们用start: end的格式来获取切片，注意，这是一个 左闭右开区间 。如果留空表示全部获取，我们也可以额外再加入一个参数表示步长，比如[1:5:2]表示从1号位置开始，步长为2获取元素。得到的结果为[1, 3]。如果步长设置成-1则代表反向遍历。
如果我们要指定一段区间倒序，则前面的start和end也需要反过来，例如我想要获取[3: 6]区间的倒序，应该写成[6:3:-1]。
只写一个:，表示全部拷贝，如果用is判断拷贝前后的list会得到False。可以使用del删除指定位置的元素，或者可以使用remove方法。
insert方法可以 指定位置插入元素 ，index方法可以查询某个元素第一次出现的下标。
list可以进行加法运算，两个list相加表示list当中的元素合并。 等价于使用extend 方法：
我们想要判断元素是否在list中出现，可以使用 in关键字 ，通过使用len计算list的长度：
tuple和list非常接近，tuple通过()初始化。和list不同， tuple是不可变对象 。也就是说tuple一旦生成不可以改变。如果我们修改tuple，会引发TypeError异常。
由于小括号是有改变优先级的含义，所以我们定义单个元素的tuple， 末尾必须加上逗号 ，否则会被当成是单个元素：
tuple支持list当中绝大部分操作：
我们可以用多个变量来解压一个tuple：
解释一下这行代码：
我们在b的前面加上了星号， 表示这是一个list 。所以Python会在将其他变量对应上值的情况下，将剩下的元素都赋值给b。
补充一点，tuple本身虽然是不可变的，但是 tuple当中的可变元素是可以改变的 。比如我们有这样一个tuple：
我们虽然不能往a当中添加或者删除元素，但是a当中含有一个list，我们可以改变这个list类型的元素，这并不会触发tuple的异常：
dict也是Python当中经常使用的容器，它等价于C++当中的map，即 存储key和value的键值对 。我们用{}表示一个dict，用:分隔key和value。
对 。我们用{}表示一个dict，用:分隔key和value。
dict的key必须为不可变对象，所以 list、set和dict不可以作为另一个dict的key ，否则会抛出异常：
我们同样用[]查找dict当中的元素，我们传入key，获得value，等价于get方法。
我们可以call dict当中的keys和values方法，获取dict当中的所有key和value的集合，会得到一个list。在Python3.7以下版本当中，返回的结果的顺序可能和插入顺序不同，在Python3.7及以上版本中，Python会保证返回的顺序和插入顺序一致：
我们也可以用in判断一个key是否在dict当中，注意只能判断key。
如果使用[]查找不存在的key，会引发KeyError的异常。如果使用 get方法则不会引起异常，只会得到一个None ：
setdefault方法可以 为不存在的key 插入一个value，如果key已经存在，则不会覆盖它：
我们可以使用update方法用另外一个dict来更新当前dict，比如a.update(b)。对于a和b交集的key会被b覆盖，a当中不存在的key会被插入进来：
我们一样可以使用del删除dict当中的元素，同样只能传入key。
Python3.5以上的版本支持使用**来解压一个dict：
set是用来存储 不重复元素 的容器，当中的元素都是不同的，相同的元素会被删除。我们可以通过set()，或者通过{}来进行初始化。注意当我们使用{}的时候，必须要传入数据，否则Python会将它和dict弄混。
set当中的元素也必须是不可变对象，因此list不能传入set。
可以调用add方法为set插入元素：
set还可以被认为是集合，所以它还支持一些集合交叉并补的操作。
set还支持 超集和子集的判断 ，我们可以用大于等于和小于等于号判断一个set是不是另一个的超集或子集：
和dict一样，我们可以使用in判断元素在不在set当中。用copy可以拷贝一个set。
Python当中的判断语句非常简单，并且Python不支持switch，所以即使是多个条件，我们也只能 罗列if-else 。
我们可以用in来循环迭代一个list当中的内容，这也是Python当中基本的循环方式。
如果我们要循环一个范围，可以使用range。range加上一个参数表示从0开始的序列，比如range(10)，表示[0, 10)区间内的所有整数：
如果我们传入两个参数，则 代表迭代区间的首尾 。
如果我们传入第三个元素，表示每次 循环变量自增的步长 。
如果使用enumerate函数，可以 同时迭代一个list的下标和元素 ：
while循环和C++类似，当条件为True时执行，为false时退出。并且判断条件不需要加上括号：
Python当中使用 try和except捕获异常 ，我们可以在except后面限制异常的类型。如果有多个类型可以写多个except，还可以使用else语句表示其他所有的类型。finally语句内的语法 无论是否会触发异常都必定执行 ：
在Python当中我们经常会使用资源，最常见的就是open打开一个文件。我们 打开了文件句柄就一定要关闭 ，但是如果我们手动来编码，经常会忘记执行close操作。并且如果文件异常，还会触发异常。这个时候我们可以使用with语句来代替这部分处理，使用with会 自动在with块执行结束或者是触发异常时关闭打开的资源 。
以下是with的几种用法和功能：
凡是可以使用in语句来迭代的对象都叫做 可迭代对象 ，它和迭代器不是一个含义。这里只有可迭代对象的介绍，想要了解迭代器的具体内容，请移步传送门：
Python——五分钟带你弄懂迭代器与生成器，夯实代码能力
当我们调用dict当中的keys方法的时候，返回的结果就是一个可迭代对象。
我们 不能使用下标来访问 可迭代对象，但我们可以用iter将它转化成迭代器，使用next关键字来获取下一个元素。也可以将它转化成list类型，变成一个list。
使用def关键字来定义函数，我们在传参的时候如果指定函数内的参数名， 可以不按照函数定义的顺序 传参：
可以在参数名之前加上*表示任意长度的参数，参数会被转化成list：
也可以指定任意长度的关键字参数，在参数前加上**表示接受一个dict：
当然我们也可以两个都用上，这样可以接受任何参数：
传入参数的时候我们也可以使用*和**来解压list或者是dict：
Python中的参数 可以返回多个值 ：
函数内部定义的变量即使和全局变量重名，也 不会覆盖全局变量的值 。想要在函数内部使用全局变量，需要加上 global 关键字，表示这是一个全局变量：
Python支持 函数式编程 ，我们可以在一个函数内部返回一个函数：
Python中可以使用lambda表示 匿名函数 ，使用:作为分隔，:前面表示匿名函数的参数，:后面的是函数的返回值：
我们还可以将函数作为参数使用map和filter，实现元素的批量处理和过滤。关于Python中map、reduce和filter的使用，具体可以查看之前的文章：
五分钟带你了解map、reduce和filter
我们还可以结合循环和判断语来给list或者是dict进行初始化：
使用 import语句引入一个Python模块 ，我们可以用.来访问模块中的函数或者是类。
我们也可以使用from import的语句，单独引入模块内的函数或者是类，而不再需要写出完整路径。使用from import *可以引入模块内所有内容（不推荐这么干）
可以使用as给模块内的方法或者类起别名：
我们可以使用dir查看我们用的模块的路径：
这么做的原因是如果我们当前的路径下也有一个叫做math的Python文件，那么 会覆盖系统自带的math的模块 。这是尤其需要注意的，不小心会导致很多奇怪的bug。
我们来看一个完整的类，相关的介绍都在注释当中
以上内容的详细介绍之前也有过相关文章，可以查看：
Python—— slots ，property和对象命名规范
下面我们来看看Python当中类的使用：
这里解释一下，实例和对象可以理解成一个概念，实例的英文是instance，对象的英文是object。都是指类经过实例化之后得到的对象。
继承可以让子类 继承父类的变量以及方法 ，并且我们还可以在子类当中指定一些属于自己的特性，并且还可以重写父类的一些方法。一般我们会将不同的类放在不同的文件当中，使用import引入，一样可以实现继承。
我们创建一个蝙蝠类：
我们再创建一个蝙蝠侠的类，同时继承Superhero和Bat：
执行这个类：
我们可以通过yield关键字创建一个生成器，每次我们调用的时候执行到yield关键字处则停止。下次再次调用则还是从yield处开始往下执行：
除了yield之外，我们还可以使用()小括号来生成一个生成器：
关于生成器和迭代器更多的内容，可以查看下面这篇文章：
五分钟带你弄懂迭代器与生成器，夯实代码能力
我们引入functools当中的wraps之后，可以创建一个装饰器。装饰器可以在不修改函数内部代码的前提下，在外面包装一层其他的逻辑:
装饰器之前也有专门的文章详细介绍，可以移步下面的传送门：
一文搞定Python装饰器，看完面试不再慌
不知道有多少小伙伴可以看到结束，原作者的确非常厉害，把Python的基本操作基本上都囊括在里面了。如果都能读懂并且理解的话，那么Python这门语言就算是入门了。
如果你之前就有其他语言的语言基础，我想本文读完应该不用30分钟。当然在30分钟内学会一门语言是不可能的，也不是我所提倡的。但至少通过本文我们可以做到熟悉Python的语法，知道大概有哪些操作，剩下的就要我们亲自去写代码的时候去体会和运用了。
根据我的经验，在学习一门新语言的前期，不停地查阅资料是免不了的。希望本文可以作为你在使用Python时候的查阅文档。
最后，我这里有各种免费的编程类资料，有需要的及时私聊我，回复"学习"，分享给大家，正在发放中............
如何成为Python高手
如果你有一定的计算机编程知识基础，那么很容易学；再如果你对编程十分感兴趣，那么很容易学的。
1，找到合适的入门书籍，大致读一次，循环啊判断啊，常用类啊，搞懂（太难的跳过）
2，做些简单习题，字符串比较，读取日期之类 Python Cookbook不错（太难太无趣的，再次跳过，保持兴趣是最重要的，不会的以后可以再学）
3，加入Python讨论群，态度友好笑眯眯（很重要，这样高手才会耐心纠正你错误常识）。很多小问题，纠结许久，对方一句话点播思路，真的节约你很多时间。耐心指教我的好人，超级超级多谢。
4，解决自己电脑问题。比如下载美剧，零散下载了2，4，5，8集，而美剧共12集，怎样找出漏下的那几集？然后问题分解，1读取全部下载文件名，2提取集的数字，3数字排序和（1--12）对比，找出漏下的。
对于python初学者来说，能找到一个好老师学习格外重要，这能决定你是不是可以做出好的项目，在python开发的路上越走越轻松，如果现在的你缺乏学习经验，找不到老师指导你学习，可以加企 鹅扣-Q前面112再加上中间的983以及最后四位数4903，连在一起就可以了。
5，时刻记住目的，不是为了当程序员，是为了解决问题。比如，想偷懒抓网页内容，用urllib不行，用request也不行，才发现抓取内容涉及那么多方面（cookie，header，SSL，url，javascript等等），当然可以听人家劝，回去好好读书，从头读。 或者，不求效率，只求解决，用ie打开网页再另存为行不行？ie已经渲染过全部结果了。 问题变成：1--打开指定的10个网页（一行代码就行）。更复杂的想保存呢？利用已经存在的包，比如PAM30（我的是Python3），直接打开ie，用函数outHTML另存为文本，再用搜索函数（str搜索也行，re正则也行）找到数据。简单吧？而且代码超级短。
6，保持兴趣，用最简单的方式解决问题，什么底层驱动，各种交换，留给大牛去写吧。我们利用已经有的包完成。
7，耐心读文档，并且练习快速读文档。拿到新包，找到自己所需要的函数，是需要快速读一次的。这个不难，读函数名，大概能猜到是干嘛的，然后看看返回值，能判断是不是自己需要的。
8，写帮助文件和学习笔记，并发布共享。教别人的时候，其实你已经自己再次思考一次了。 我觉得学程序就像学英文，把高频率的词（循环，判断，常用包，常用函数）搞懂，就能拼装成自己想要的软件。 一定要保持兴趣，太复杂的跳过，就像小学数学，小学英语，都是由简入深。 网络很平面，无数国际大牛著作好书，关于Python，算法，电脑，网络，或者程序员思路，或者商业思维（浪潮之巅是本好书）等等，还有国际名校的网络公开课（中英文字幕翻译完毕，观看不是难事），讲计算机，网络，安全，或者安卓系统，什么都有，只要能持续保持兴趣，一点点学习下去，不是难事。 所有天才程序员，都曾是儿童，回到儿童思维来理解和学习。觉得什么有趣，先学，不懂的，先放着，遇到问题再来学，效果更好。 唯一建议是，不要太贪心，耐心学好一门优雅的语言，再学其它。虽然Javascript做特效很炫，或提某问题时，有大牛建议，用Ruby来写更好之类，不要改方向。就像老笑话：“要学习递归，必须首先理解递归。”然后死循环一直下去。坚持学好一门语言，再研究其他。 即使一门语言，跟网络，数据库等等相关的部分，若都能学好，再学其他语言，是很快的事情。 另外就是，用学英文的耐心来学计算机，英文遇到不懂的词，抄下，查询。 python里，看到Http，查查定义，看到outHtml，查查定义，跟初学英语时候一样，不要直接猜意思，因为精确描述性定义，跟含糊自然语有区别的。而新人瞎猜，很容易错误理解，wiki，google很有用。
