在实际编程学习过程中很多人会陷入一个误区认为只要看完了海量的视频教程就能快速掌握一门语言。特别是面对像“600集”、“最全最细”、“7天精通”这类标题时很容易产生不切实际的期待。Python作为一门语法简洁、生态丰富的语言其学习路径并非线性地观看视频而是需要明确目标、搭建环境、动手实践、解决问题并最终将知识串联成体系。无论是数据分析、Web开发还是自动化脚本扎实的基础和清晰的工程思维远比收藏大量教程更重要。本文旨在为真正的零基础初学者以及学过一些语法但无法独立完成小项目的朋友提供一条可执行、可验证的Python学习路径。我们将避开“看完所有视频”的陷阱转而聚焦于如何通过最小的必要知识快速搭建起可工作的Python环境并完成数据分析与网络爬虫这两个最具代表性的实战项目。你会了解到环境配置中的关键细节、基础语法的核心逻辑、数据分析的常用流程以及编写一个健壮爬虫的完整步骤。最终你将获得一个结构清晰、可复现的学习框架而非一堆零散的视频链接。1. 理解Python学习路径从环境到项目在开始写第一行代码之前需要先建立一个正确的学习观。Python的应用领域极其广泛试图一次性掌握所有方向是不现实的。对于大多数初学者建议从“通用基础”过渡到“专项突破”。1.1 明确学习目标与对应技术栈不同的目标决定了不同的学习重点和工具链。盲目学习所有库只会导致知识碎片化。学习目标核心应用场景必须掌握的关键库/框架学习后的可完成项目数据分析与可视化处理Excel/CSV数据、生成报表、制作图表pandas,numpy,matplotlib,seaborn销售数据趋势分析、用户行为统计报表网络爬虫从网站采集公开信息、监控价格、聚合内容requests,BeautifulSoup,lxml,scrapy爬取新闻标题列表、获取电商商品价格Web后端开发构建网站或API的服务端逻辑flask,django,fastapi,sqlalchemy个人博客系统、简单的数据查询API自动化与脚本处理文件、操作办公软件、定时任务标准库 (os,sys,shutil),openpyxl,schedule批量重命名文件、自动发送邮件、整理桌面文件人工智能/机器学习数据建模、预测分析、图像识别scikit-learn,tensorflow,pytorch鸢尾花分类模型、房价预测对于零基础者数据分析和网络爬虫是两条非常好的入门路径。它们对抽象思维要求相对较低结果可视化强能快速带来成就感并且其涉及的技术如数据处理、HTTP请求是许多其他领域的基础。1.2 构建可持续的学习环境一个稳定、隔离的Python环境是后续所有学习和开发的前提。很多初学者的问题都源于环境混乱。为什么需要环境管理避免版本冲突不同项目可能依赖不同版本的Python或第三方库直接安装在系统Python下会导致冲突。便于复现和分享使用环境配置文件可以确保其他人在任何机器上都能一键还原你的开发环境。保持系统整洁不会因为安装或卸载库而影响系统其他Python应用。核心工具选择Python解释器推荐从Python官网下载最新稳定版如Python 3.11。这是运行代码的引擎。包管理工具pip是Python自带的包安装工具务必学会使用。环境管理工具venvPython内置或conda通过Anaconda发行版提供。对于绝大多数初学者和纯Python项目venv足够且更轻量。代码编辑器/IDEVisual Studio Code (VSCode)是目前最友好的选择插件丰富对新手友好。PyCharm是更专业的IDE但社区版也完全免费。2. 搭建无坑的Python开发环境我们将使用venvVSCode的组合这是最通用、问题最少的方式。2.1 安装Python解释器访问官网打开 python.org 下载对应你操作系统Windows/macOS/Linux的安装程序。关键安装步骤Windows为例运行安装程序。务必勾选 “Add python.exe to PATH”。这个选项会将Python和pip添加到系统环境变量让你能在任何命令行窗口直接使用python和pip命令。选择“Customize installation”在后续页面可以修改安装路径建议不要安装在C盘根目录或带有中文、空格的路径下例如D:\DevTools\Python311。验证安装 打开命令行Windows:WinR输入cmdmacOS/Linux: 打开终端输入以下命令python --version # 应输出类似Python 3.11.5 pip --version # 应输出pip的版本信息如果提示“python不是内部或外部命令”说明环境变量未正确配置需要手动添加或重新安装并勾选上述选项。2.2 使用VSCode作为开发工具安装VSCode从 code.visualstudio.com 下载安装。安装Python扩展打开VSCode点击左侧活动栏的扩展图标或按CtrlShiftX搜索“Python”安装由Microsoft发布的官方扩展。配置工作区为你未来的Python项目创建一个专属文件夹例如D:\MyPythonProjects。在VSCode中通过“文件”-“打开文件夹”打开它。这个文件夹就是你的“工作区”。2.3 创建和使用虚拟环境在你的项目文件夹内操作在VSCode中打开集成终端Ctrl 或 “终端”-“新建终端”。创建虚拟环境。终端中会自动进入当前项目文件夹。执行# Windows python -m venv .venv # macOS/Linux python3 -m venv .venv这会在当前目录下创建一个名为.venv的隐藏文件夹里面包含了一个独立的Python解释器和pip。激活虚拟环境Windows (PowerShell):.\.venv\Scripts\Activate.ps1Windows (CMD):.\.venv\Scripts\activate.batmacOS/Linux:source .venv/bin/activate激活后终端提示符前会出现(.venv)字样表示你已进入该虚拟环境。之后所有pip install的包都会安装在这个环境里与系统和其他项目隔离。在VSCode中使用该环境 激活环境后在VSCode终端里可以看到(.venv)。然后按CtrlShiftP打开命令面板输入 “Python: Select Interpreter”选择刚刚创建的.venv路径下的python.exe。这样VSCode运行和调试代码时都会使用这个虚拟环境。注意每次新开一个终端窗口或VSCode项目如果需要在该项目的虚拟环境中工作都需要先执行激活命令。VSCode在正确选择解释器后通常会自动为新终端激活环境。2.4 管理项目依赖在虚拟环境激活的状态下使用pip安装包。一个良好的习惯是使用requirements.txt文件记录所有依赖。安装包# 安装数据分析常用库 pip install pandas numpy matplotlib seaborn jupyter # 安装爬虫常用库 pip install requests beautifulsoup4 lxml生成依赖列表当项目开发完成或想分享环境时可以导出所有已安装的包及其版本。pip freeze requirements.txt这会生成一个requirements.txt文件内容类似pandas2.0.3 numpy1.24.3 requests2.31.0根据列表安装依赖在新环境或另一台机器上只需拥有这个文件就可以一键安装所有依赖。pip install -r requirements.txt3. Python基础语法掌握最小必要集合无需记忆所有语法细节但必须理解以下几个核心概念并能动手编写。我们通过一个简单的“人狗大作战”游戏逻辑来串联这些概念。3.1 变量、数据类型与基础运算Python是动态类型语言无需声明变量类型。# 变量与基本类型 name 旺财 # 字符串 (str) age 3 # 整数 (int) weight 12.5 # 浮点数 (float) is_pet True # 布尔值 (bool) # 基础运算 health 100 attack 20 new_health health - attack # 算术运算 can_fight health 0 and attack 0 # 逻辑运算 print(f{name}的初始生命值{health}, 受到攻击后生命值{new_health}) print(f能否战斗{can_fight})3.2 流程控制if、for、while控制代码的执行逻辑。# if-elif-else 条件判断 dog_energy 70 if dog_energy 80: mood 精力充沛 elif dog_energy 50: mood 状态一般 # 会执行这个分支 else: mood 需要休息 print(f狗狗当前心情{mood}) # for 循环遍历序列 skills [扑咬, 吼叫, 闪避] print(狗狗拥有的技能) for skill in skills: print(f- {skill}) # while 循环满足条件时执行 countdown 3 while countdown 0: print(f战斗准备...{countdown}) countdown - 1 print(开始战斗)3.3 核心数据结构列表、字典这是Python中最常用、最强大的两种数据结构。# 列表 (List)有序的可变序列用方括号 [] dogs [柯基, 哈士奇, 金毛] dogs.append(柴犬) # 添加元素 print(f参战狗狗列表{dogs}) print(f第一个出场的狗狗是{dogs[0]}) # 通过索引访问 # 字典 (Dict)键值对集合用花括号 {} dog_stats { name: 哮天犬, breed: 中华田园犬, health: 150, attack: 35, skills: [疾跑, 守护] } print(f{dog_stats[name]}的品种是{dog_stats[breed]}) dog_stats[level] 5 # 添加新的键值对 print(f更新后的属性{dog_stats})3.4 函数封装可重用代码块函数是组织代码、避免重复的基本单元。def calculate_damage(attacker_attack, defender_defense, skill_multiplier1.0): 计算伤害值。 参数 attacker_attack: 攻击方的攻击力 defender_defense: 防御方的防御力 skill_multiplier: 技能倍率默认为1.0 返回 造成的伤害值 damage (attacker_attack - defender_defense * 0.5) * skill_multiplier # 确保伤害不为负数 return max(0, int(damage)) # 调用函数 damage_dealt calculate_damage(attacker_attack50, defender_defense20, skill_multiplier1.5) print(f造成的伤害是{damage_dealt}) # 使用默认参数 normal_damage calculate_damage(50, 20) print(f普通攻击伤害{normal_damage})3.5 文件操作读写数据与外部文件交互是必备技能。# 写入文件 with open(dog_log.txt, w, encodingutf-8) as f: f.write(战斗开始记录\n) f.write(f参战狗狗{, .join(dogs)}\n) # 使用 with 语句可以自动安全地关闭文件 # 读取文件 with open(dog_log.txt, r, encodingutf-8) as f: content f.read() print(读取到的文件内容) print(content) # 逐行读取适合大文件 with open(dog_log.txt, r, encodingutf-8) as f: for line in f: print(f行内容{line.strip()}) # strip() 去除首尾空白字符掌握以上五点你已经可以编写出功能丰富的脚本了。接下来我们进入实战。4. 数据分析实战用Pandas处理销售数据数据分析的核心流程可以概括为获取数据 - 清洗整理 - 分析计算 - 可视化呈现。我们使用pandas和matplotlib来模拟一个电商销售数据分析案例。4.1 项目准备与数据理解假设我们有一个sales_data.csv文件包含以下字段order_id订单IDproduct产品名category类别sales销售额quantity销量date日期。首先在项目目录下创建data_analysis.py文件。# data_analysis.py import pandas as pd import matplotlib.pyplot as plt # 设置中文字体解决图表中文乱码需要系统有相应字体 plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 # 1. 读取数据 # 如果文件在子目录使用路径如 ./data/sales_data.csv df pd.read_csv(sales_data.csv) print(数据前5行) print(df.head()) print(\n数据基本信息) print(df.info()) print(\n数据统计描述) print(df.describe())df.info()会显示每列的非空值数量、数据类型是检查数据质量的第一个关键步骤。df.describe()会对数值列进行统计计数、均值、标准差、最小值、四分位数、最大值。4.2 数据清洗与预处理原始数据往往存在缺失、重复或格式问题。# 2. 数据清洗 # 检查缺失值 print(f缺失值统计\n{df.isnull().sum()}) # 处理缺失值这里对数值列用均值填充对类别列用众数填充 # 在实际项目中需要根据业务逻辑决定是填充、删除还是插值 for column in df.columns: if df[column].dtype in [int64, float64]: df[column].fillna(df[column].mean(), inplaceTrue) else: # 对于非数值列用该列出现最频繁的值填充 df[column].fillna(df[column].mode()[0], inplaceTrue) # 检查重复值并删除 duplicate_count df.duplicated().sum() print(f发现 {duplicate_count} 条重复记录) if duplicate_count 0: df.drop_duplicates(inplaceTrue) print(已删除重复记录) # 转换日期列如果读取时未自动识别 df[date] pd.to_datetime(df[date]) # 新增月份列便于按月份分析 df[month] df[date].dt.to_period(M)4.3 核心数据分析操作Pandas的强大之处在于其灵活的筛选、分组和聚合能力。# 3. 数据分析 # 3.1 总体销售情况 total_sales df[sales].sum() total_quantity df[quantity].sum() avg_sales_per_order df[sales].mean() print(f总销售额{total_sales:.2f}) print(f总销量{total_quantity}) print(f平均每单销售额{avg_sales_per_order:.2f}) # 3.2 按产品类别分析 category_analysis df.groupby(category).agg({ sales: sum, quantity: sum, order_id: count # 计算订单数 }).rename(columns{order_id: order_count}) category_analysis[avg_sales_per_order] category_analysis[sales] / category_analysis[order_count] print(\n按产品类别分析) print(category_analysis) # 3.3 找出销售额最高的前10个产品 top_10_products df.groupby(product)[sales].sum().sort_values(ascendingFalse).head(10) print(\n销售额TOP10产品) print(top_10_products) # 3.4 分析月度销售趋势 monthly_trend df.groupby(month)[sales].sum() print(\n月度销售趋势) print(monthly_trend)4.4 数据可视化将分析结果用图表呈现更直观。# 4. 数据可视化 fig, axes plt.subplots(2, 2, figsize(14, 10)) # 创建2x2的子图 # 4.1 各类别销售额占比饼图 category_sales df.groupby(category)[sales].sum() axes[0, 0].pie(category_sales.values, labelscategory_sales.index, autopct%1.1f%%, startangle90) axes[0, 0].set_title(各类别销售额占比) # 4.2 月度销售趋势折线图 monthly_trend.plot(kindline, markero, axaxes[0, 1]) axes[0, 1].set_title(月度销售趋势) axes[0, 1].set_xlabel(月份) axes[0, 1].set_ylabel(销售额) axes[0, 1].grid(True) # 4.3 销售额TOP10产品柱状图 top_10_products.plot(kindbar, axaxes[1, 0]) axes[1, 0].set_title(销售额TOP10产品) axes[1, 0].set_xlabel(产品) axes[1, 0].set_ylabel(销售额) axes[1, 0].tick_params(axisx, rotation45) # 旋转x轴标签 # 4.4 销售额与销量散点图观察相关性 axes[1, 1].scatter(df[quantity], df[sales], alpha0.5) axes[1, 1].set_title(销售额 vs 销量) axes[1, 1].set_xlabel(销量) axes[1, 1].set_ylabel(销售额) plt.tight_layout() # 自动调整子图参数使之填充整个图像区域 plt.savefig(sales_analysis_report.png, dpi300) # 保存图表 plt.show()运行这个脚本你将得到一个包含四张图的分析报告sales_analysis_report.png。通过这个完整的流程你掌握了从数据加载到报告生成的核心数据分析技能。5. 网络爬虫实战编写一个健壮的网页内容提取器爬虫的本质是模拟浏览器发送HTTP请求获取网页HTML代码然后从中提取结构化信息。我们必须遵守法律法规和网站的robots.txt协议仅对允许爬取且不涉及个人隐私的公开信息进行练习。5.1 爬虫基础请求与解析我们将以爬取一个模拟的图书网站列表页为例。首先在项目目录下创建book_spider.py文件。# book_spider.py import requests from bs4 import BeautifulSoup import time import csv from urllib.parse import urljoin # 用于拼接URL # 目标URL请使用用于练习的网站如http://books.toscrape.com/ BASE_URL http://books.toscrape.com/ HEADERS { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36 } def fetch_page(url): 发送HTTP请求获取页面内容 try: response requests.get(url, headersHEADERS, timeout10) response.raise_for_status() # 如果状态码不是200抛出HTTPError异常 # 检查编码避免乱码 response.encoding response.apparent_encoding return response.text except requests.exceptions.RequestException as e: print(f请求 {url} 时出错{e}) return None def parse_book_list(html): 解析图书列表页提取每本书的详情页链接和基本信息 soup BeautifulSoup(html, lxml) # 需要先安装 lxml: pip install lxml books [] # 根据实际网页结构查找图书条目这里以 books.toscrape.com 为例 book_elements soup.select(article.product_pod) # CSS选择器 for elem in book_elements: title elem.select_one(h3 a)[title] # 获取相对链接并拼接成绝对链接 relative_link elem.select_one(h3 a)[href] detail_url urljoin(BASE_URL, relative_link) price elem.select_one(p.price_color).text books.append({ title: title, detail_url: detail_url, price: price }) return books def parse_book_detail(html): 解析图书详情页提取更详细的信息 soup BeautifulSoup(html, lxml) # 提取描述如果不存在则赋空值 description_elem soup.select_one(#product_description p) description description_elem.text.strip() if description_elem else N/A # 提取库存信息 availability soup.select_one(p.availability).text.strip() # 提取分类 category_elem soup.select(ul.breadcrumb li a) category category_elem[2].text.strip() if len(category_elem) 2 else N/A return { description: description, availability: availability, category: category } def main(): all_books_data [] page_num 1 while True: print(f正在爬取第 {page_num} 页...) # 构造分页URL该网站分页规则是 index.html, page-2.html... if page_num 1: list_url BASE_URL else: list_url urljoin(BASE_URL, fcatalogue/page-{page_num}.html) html fetch_page(list_url) if not html: print(f第 {page_num} 页获取失败终止爬取。) break books parse_book_list(html) if not books: print(没有找到更多图书爬取结束。) break # 遍历当前页的每本书获取详情 for book in books: print(f 正在处理: {book[title]}) detail_html fetch_page(book[detail_url]) if detail_html: detail_info parse_book_detail(detail_html) book.update(detail_info) # 将详情信息合并到book字典中 all_books_data.append(book) time.sleep(1) # 礼貌性延迟避免对服务器造成压力 page_num 1 # 检查是否有下一页根据实际网站结构调整 # 这里简单爬取前3页作为演示 if page_num 3: print(演示目的只爬取前3页。) break time.sleep(2) # 页间延迟 # 保存数据到CSV文件 save_to_csv(all_books_data) print(f爬取完成共获取 {len(all_books_data)} 条图书信息。) def save_to_csv(data, filenamebooks.csv): 将数据保存到CSV文件 if not data: print(没有数据可保存。) return # 获取字典的所有键作为CSV的表头 fieldnames data[0].keys() with open(filename, w, newline, encodingutf-8-sig) as csvfile: # utf-8-sig解决Excel中文乱码 writer csv.DictWriter(csvfile, fieldnamesfieldnames) writer.writeheader() writer.writerows(data) print(f数据已保存到 {filename}) if __name__ __main__: main()5.2 爬虫工程化要点解析设置请求头HeadersUser-Agent是必须的它模拟真实浏览器访问避免被一些简单的反爬机制拦截。有时还需要Referer、Cookie等信息。异常处理网络请求可能失败超时、404等必须用try...except包裹保证程序不会意外崩溃。延迟Delay在请求间加入time.sleep()是网络爬虫的基本礼仪可以显著降低被目标网站封禁IP的风险。URL拼接使用urllib.parse.urljoin可以安全地将相对路径转换为绝对路径避免链接错误。数据持久化将爬取的数据保存到文件如CSV、JSON或数据库是爬虫的最终目的。CSV格式通用便于用Excel或Pandas再次打开分析。解析库选择BeautifulSoup适合解析复杂的HTML语法简单。lxml解析器速度更快需要单独安装 (pip install lxml)。对于规则非常明确的页面也可以使用xpath。5.3 应对常见反爬策略简单的反爬机制及应对思路反爬策略现象应对思路User-Agent检测返回403或简单页面设置合理的User-Agent请求头请求频率限制IP被暂时封禁在请求间增加随机延迟 (time.sleep(random.uniform(1,3)))IP封禁完全无法访问使用代理IP池需谨慎遵守法律和网站条款动态加载JavaScript直接请求HTML看不到数据使用Selenium或Playwright模拟浏览器执行JS验证码返回验证码页面识别验证码技术复杂或寻找无需验证码的接口重要提示本示例仅用于技术学习。在实际爬取任何网站前请务必检查目标网站的robots.txt文件通常在网站根目录如http://example.com/robots.txt尊重其爬虫协议。确认你要爬取的数据是公开的、非敏感的且你的行为不会对目标网站服务器造成过大负担。不要爬取个人隐私、受版权保护或明确禁止爬取的内容。6. 环境、依赖与排错指南即使按照教程操作你也可能会遇到问题。以下是基于上述两个实战项目的常见问题排查清单。6.1 环境与依赖问题问题现象可能原因检查与解决ModuleNotFoundError: No module named ‘pandas’1. 未安装库。2. 在错误的Python环境中运行。1. 在激活的虚拟环境中执行pip install pandas。2. 在VSCode右下角或使用which python/where python确认当前使用的Python解释器路径是否包含.venv。pip安装速度慢或超时默认源服务器在国外。使用国内镜像源加速如清华源pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simpleVSCode中运行Python文件无反应或报错VSCode未正确选择Python解释器。按CtrlShiftP输入 “Python: Select Interpreter”选择.venv下的python。或检查VSCode右下角的环境显示。图表中文显示为方框matplotlib默认字体不支持中文。如示例代码所示在绘图前设置中文字体。或者安装中文字体到matplotlib字体库。lxml安装失败Windows常见缺少C编译环境。最简单的方法是安装预编译的wheel文件。访问 https://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml 下载对应版本的.whl文件然后pip install 下载的文件路径.whl。或者安装conda使用conda install lxml。6.2 数据分析项目常见问题问题现象可能原因检查与解决UnicodeDecodeError读取CSV文件文件编码不是UTF-8。在pd.read_csv()中指定编码如encoding‘gbk’,encoding‘utf-8-sig’或encoding‘latin1’。用文本编辑器查看文件编码。日期列被识别为字符串CSV中日期格式不标准。使用pd.to_datetime(df[‘date’], format‘%Y/%m/%d’)指定格式转换或用errors‘coerce’参数将无法转换的设为NaT。KeyError当使用列名时列名拼写错误或包含不可见字符。打印df.columns查看准确的列名列表注意大小写和空格。分组聚合结果为空或不对分组键groupby的列存在大量NaN或数据类型不一致。检查分组列的数据类型df[‘category’].dtype并处理缺失值df[‘category’].fillna(‘Unknown’, inplaceTrue)。6.3 爬虫项目常见问题问题现象可能原因检查与解决requests.get()返回403或4041. 网站有反爬。2. URL拼写错误。3. 需要登录或会话。1. 完善HEADERS加入Referer等。2. 打印URL确认是否正确。3. 使用session requests.Session()保持会话并先模拟登录。BeautifulSoup查找不到元素1. HTML结构变化。2. CSS选择器或标签名写错。3. 数据是JS动态加载的。1. 打印soup.prettify()的一部分查看实际HTML结构。2. 使用浏览器的开发者工具F12检查元素复制其CSS选择器。3. 考虑使用Selenium。爬取速度过快IP被禁请求间隔太短。增加time.sleep()的延迟时间或在循环中加入随机延迟。保存的CSV文件在Excel中中文乱码Excel默认用GBK打开UTF-8编码的CSV。保存时指定编码为utf-8-sig如示例所示。7. 从入门到精通的持续学习路径完成以上两个实战项目你已经跨过了“零基础”的门槛。接下来的学习不应再追求视频的数量而应围绕“深度”和“广度”展开。7.1 深化现有技能数据分析深入Pandas学习多层索引、数据透视表pivot_table、合并连接merge/join、时间序列处理。数据可视化掌握Seaborn绘制更统计化的图表学习Plotly制作交互式图表。统计分析了解Scipy和Statsmodels进行假设检验、回归分析。网络爬虫异步爬虫学习aiohttp和asyncio提升爬取效率。框架学习掌握Scrapy框架用于构建大型、可维护的爬虫项目。反爬对抗了解常见验证码识别、IP代理池、浏览器指纹模拟等高级话题务必合法使用。7.2 拓展技术广度选择1-2个新方向深入学习Web开发Flask/Django学习如何用Python构建网站后端理解RESTful API、数据库ORM如SQLAlchemy、用户认证等概念。这是将数据分析结果提供成服务的关键。自动化与脚本深入学习Python标准库os,sys,pathlib,subprocess用Python管理文件、操作Excel/Word/PDF、发送邮件、定时任务极大提升个人工作效率。数据库学习使用sqlite3内置或pymysql/psycopg2连接MySQL/PostgreSQL掌握基本的SQL语句和通过Python进行CRUD操作。基础算法与数据结构在LeetCode或牛客网用Python练习简单算法题这能从根本上提升你的编程思维和代码质量。7.3 工程化与最佳实践当你的代码超过100行或开始团队协作时这些实践至关重要代码风格严格遵守PEP 8编码规范。使用black、autopep8等工具自动格式化代码。项目管理使用pipenv或poetry替代单纯的pip和requirements.txt它们能更好地管理依赖和虚拟环境。版本控制学习使用Git并在GitHub或Gitee上托管你的代码。这是程序员的基本功。错误处理不要使用裸露的except:至少记录异常信息。学习使用logging模块替代print进行日志记录。代码复用将功能模块化写成函数或类。思考哪些代码可以抽离成独立的模块或包。学习编程尤其是Python最有效的方法永远是“做中学”。定义一个你感兴趣的小项目例如分析你的运动App数据、自动下载某个论坛的更新、为你玩的游戏写一个辅助计算器然后尝试用Python去实现它。在这个过程中你会遇到无数具体的问题而解决这些问题的过程就是你真正精通Python的过程。