一、写在前面
其实不止是 Python，任何学习都会遇到这么几个难点：
1、迷茫，对于学习过程中，对新的、未知的概念欠缺了解；
2、彷徨，没有目的性的学习，不知道学完之后可以怎么用；
3、乏力，知道很重要，缺乏完整的知识体系，怎么都感觉没有学好；
4、无知，学习后觉得自己可以了，用到实际的时候依然不知所以然；
首先，不能不说的一点，学习python，一开始不要想着和数据分析有什么关系，而是了解完python可以做什么，再去想想哪些过程能应用到这些功能，解决什么问题；更不要想着和数学有什么关系，撇开其他不谈，python也是一门程序语言，和C、C++、VBA、R语言并没有什么区别，用类别的方式进行学习，事半功倍！
11~13年的时候python学习的社区还不成熟，躺了无数多个坑。发展到现在，有特别多的在线课程可以跟着学习，站在前人的基础上进行翱翔
二、塑造清晰的认知（解决迷茫）
对于python学习来说，没有具体场景、数据的支撑，看了书、看了视频、看了课程，学完之后依然觉得很难应用，绝大多数情况下是因为只看了浅层的知识介绍，忽略了原有知识体系和本我工作的锲合度。
2.1 了解和认识Python的应用范围
应用1：利用python进行数据分析；
场景：替换原来在Excel中的函数统计、绘图的过程，对分析过程中的数据进行聚合处理，直接利用python相应的库进行分析结果呈现，实现多因素的可视化呈现，增加数据的可读性；
应用2：python爬虫；
场景：这应该是绝大多数初学者最容易上手的切入点，也应该是最感兴趣的一个点，通过爬虫去做数据采集，模拟业务场景去进行数据探索分析，必不可少的要去了解HTML的构成、元素、框架和规则；
然后就是爬图片、爬视频、爬评论，git上最经典的一个案例就是豆瓣、
但是爬虫有风险，一定要关注法律，不要因小失大！！！
应用3：机器学习和深度学习；
场景：在信息化程度比较高的企业，往往会有大数据算法分析应用的场景，利用sklearn提供的算法能力，可以快速建立模型，实现预测、分类、 聚类、回归等目的；
应用4：Web应用开发；
当了解到python可以搭建网站的时候，手把手复刻了一个项目，利用django做了一个可视化系统，出来的效果如下图；同样的，还有flask的案例；
应用5：自动化测试和运维；
自动化的运维，省时省力省心，凡是能够自动化的过程，都可以在过程中有效的进行优化（偷懒）
关于nginx的 开源网站介绍，一些开源项目可以直接拿来部署应用的项目情况，
2.2 了解和认知Python的运行平台
工具1：IDLE；
IDLE是python自带的一个编辑器，相当简洁，简洁到简陋的地步；当安装好python之后，就伴生存在了，不需要再做额外的动作，基本功能有语法加亮、段落缩进、基本文本编辑、TABLE键控制、调试程序。
工具2：CMD and 终端命令行；
学习python过程中的一大阻力！！！尤其是对计算机系统并不是那么熟悉的同学，但是不得不去克服这种困难，在后续的学习过程中可能需要通过终端的命令来进行库的安装、查看，尤其是要做定时运行的时候。
windows下：win+R，输入CMD；mac下：直接打开终端；
工具3：Pycharm；
一开始有点难用，都是纯E的菜单、信息，但是它的诸多功能都特别实用，语法高亮、提示、补全、运行预览，而且安装包比较方便，属于熟悉之后就离不开的那种；
工具4：Anaconda；
naconda是最省心的一个平台工具，一站式解决了python安装、库安装的问题，直接集成了多个GUI的应用，并且提供了比较好的节目进行脚本开发；
工具5：Jupyterlab / Jupyter Notebook；
实现网页版的交互式脚本撰写，支持Markdown格式，在做数据探索的时候，顺便生成一份分析报告；
工具6：iPython；
python 的交互式 shell，比默认的python shell 好用得多，支持变量自动补全，自动缩进，支持 bash shell 命令，内置了许多很有用的功能和函数。
在cmd命令行窗口直接输入ipython，得到如下界面：
工具7：Spyder；
适合科学计算，界面和 Rstudio类似，可以逐行调试；
2.3 了解和认知Python的基础知识
python基础知识就不展开了，在很多基础知识的网站上都会有介绍，在学习之初，最重要的几个概念理解清楚，然后不断的去发散。
知识1：pip；
知识2：import库操作；
知识3：文件读写；
知识4：pyhon的常用库及解决什么问题；
知识5：python2.x和python3.x的区别
三、建立明确的目标（消除彷徨）
在不同应用范围下，对相关的库所需要了解和掌握的程度差异略大，本质上是工作类别的差异性。
以数据分析岗为例，对于python的学习，可以集中在以下一些库上：
3.1 文件类
os——学习Python最优先看的应该就是os包，对文件夹、文件进行操作:
3.2 数据计算类
Pandas——像用Excel一样对数据进行统计分析；
Numpy——拥有大量的计算函数，可以进行矩阵计算；
Scipy——用于数学、科学、工程领域的常用软件包；
3.3 Python绘图类
Matplotlib——绘图必备，可以和seaborn结合一起，绘制出和ggplot风格的图；
Pyecharts——百度可视化的开源库，可以做出丰富的JS图表；
3.4 交互类
Openpyxl——Python和Excel的交互包，可以对Excel进行操作；
Pymysql——Python和mysql的交互包，直接连到数据库获取数据源；
3.5 文本处理类
re——必须要学会的正则表达式，对于文本处理有非常好的用途；
json——非结构式的key:value数据处理；
四、构建完整的体系（丢掉乏力）
为什么要去构建知识体系？让知识有层次、有结构、有深浅。参考一本书的目录，从浅入深的做好知识沉淀；
脱离于认知期和熟悉期之后，对于python能够实现的功能有了大概的了解，能够定向的去解决一些问题，用来用去也就那么几个方法。这时候，就需要对所用的包有一个具体的了解，而且一定要围绕自己学习的重点来展开，
4.1 官网的知识地图（以pandas为例）
参考一下官网的知识结构梳理：
语法 - 数据整理 - 数据重塑 - 行列操作 - 数据统计用法 - 缺失值处理 - 数据集合并 - 数据分组 - 绘图呈现
可以按照这个思路对所用的库进行拆解，能够有更清晰的认知，针对某一场景的时候，可以用多个不同的方法进行解决，以及如何高效的进行解决！
4.2 用Xmind构建知识树（adaboost）
参考一本书的目录，从浅入深的做好知识沉淀；
譬如：
知识体系的构建，不是一朝一夕的事情，需要依赖长时间的经验沉淀，根据自己对知识的掌握，绘制一些知识树，把python可解决的一些能力具象出来。
五、完善场景的练习（不要无知）
刻意练习，不能闭门造车！！！
从实际的业务场景中进行需求提炼，把场景和python学习结合在一起，基于需求的学习可以事半功倍。
我用python主要是还是用在数据分析上，从数据采集、清洗、处理、建模、结果、可视化、汇报的流程链路上，用不同的库分别解决各自的问题，实现效率的提升。在这个过程里面，需要结合大量的数理知识、算法知识、设计理念来把事情串起来。可以把数据场景和Python的库进行一一对应，也可以进行对比学习，把所有Excel处理的场景通过Python进行复现，然后逐步的去Excel化！
1.基础 -> 2.统计 -> 3.编程 -> 4.机器学习 -> 5.NLP -> 6.可视化 -> 7.大数据 -> 8.资料撷取 -> 9.数据清洗 -> 10.工具箱
python是工具，工具即利器，磨刀不误砍柴工，把工具研究透彻，就能在实际的项目上大刀阔斧，而不是临阵磨枪，乱了阵脚。
碰到问题解决问题，建立自己的一套问题词库，在碰到困难的饿时候，可以优先通过平台搜索解决很大一部分问题，问题解决的优先级：