不管你是待業(yè)還是失業(yè)，在這個(gè)被互聯(lián)網(wǎng)圍繞的時(shí)代里，選擇如何做python，就多了一項(xiàng)技能，還怕找不到工作？，還怕不好找工作？小編就來告訴你這個(gè)專業(yè)的優(yōu)勢(shì)到底體現(xiàn)在哪里：cmd下載python不好使怎么辦，如何做python 線性回歸案例分析，如何用iPad運(yùn)行Python代碼？，成功轉(zhuǎn)行Python工程師，年薪30W+，經(jīng)驗(yàn)總結(jié)都在這！??。
1.cmd下載python不好使怎么辦
貌似你的python安裝有問題或路徑設(shè)置有問題你的python.exe 怎么可能是在D根目錄？另外，可能你的python沒有完整安裝正常安裝 ，pip不會(huì)有問題的建議：重新安裝python重新設(shè)置路徑若是win10,建議不要安裝exe應(yīng)用，而是從應(yīng)用商店安裝 ，我安裝了3.8
2.如何做python 線性回歸案例分析
用Python實(shí)現(xiàn)線性回歸的小例子數(shù)據(jù)來源于網(wǎng)絡(luò)爬蟲，武漢市商品房價(jià)格為因變量和幾個(gè)相關(guān)關(guān)鍵詞的百度指數(shù)的搜索量為自變量。由于本文的自變量有98個(gè)，首先進(jìn)行自變量的選擇，先是通過相關(guān)系數(shù)矩陣篩選掉不相關(guān)的變量，根據(jù)Pearson相關(guān)系數(shù)矩陣進(jìn)行變量的選取，一般選取相關(guān)系數(shù)的值大于0.3的變量進(jìn)行回歸分析，由于本文的變量較多，先進(jìn)行手動(dòng)篩選然后利用相關(guān)系數(shù)進(jìn)行選取，本文選取相關(guān)系數(shù)大于0.55的變量進(jìn)行回歸分析。經(jīng)過相關(guān)系數(shù)的分析選取8個(gè)變量進(jìn)行下一步的分析，分析的Python代碼如下：# -*- coding: utf-8 -*-#### Required sysreload(sys)sys.('utf-8')import .pyplot as pltimport numpy as npimport pandas as pdimport .api as smdata = pd.read_csv('Hdata.csv')print = np.array(data)######相關(guān)性分析X = dataset[:,1:98]y = dataset[:,0]cor = np.corrcoef(dataset,rowvar=0)[:,0]######輸出相關(guān)矩陣的*列print cor#######篩選后的數(shù)據(jù)讀取data1 = pd.read_csv('H1data.csv')dataset1 = np.array(data)######篩選后的變量######X1 = dataset1[:,1:8]Y1 = dataset1[:,0]est = sm.OLS(Y1,X1).fit()print est.summary()貼出線性回歸的結(jié)果如下：OLS =============================================================Dep. Variable: y R-squared: 0.978Model: OLS Adj. R-squared: 0.974Method: Least Squares F-statistic: 287.5Date: Sat, 08 Apr 2021 Prob (F-statistic): 9.35e-36Time: 15:15:14 Log-: -442.82No. : 53 AIC: 899.6Df Residuals: 46 BIC: 913.4Df Model: 7 Type: nonrobust ============================================================= coef std err t P>|t| [95.0% Conf. Int.]-----------------------------------------------------------------------x1 -0.3691 0.494 -0.747 0.0459 -1.364 0.626x2 0.3249 0.353 0.920 0.0362 -0.386 1.036x3 1.0987 0.837 1.312 0.0196 -0.587 2.784x4 0.7613 0.790 0.964 0.0340 -0.829 2.351x5 -1.5766 1.099 -1.435 0.0158 -3.789 0.636x6 -0.1572 1.077 -0.146 0.0885 -2.325 2.011x7 3.2003 1.603 1.997 0.052 -0.026 6.427=============================================================Omnibus: 0.413 Durbin-Watson: 1.748Prob(Omnibus): 0.814 Jarque-Bera (JB): 0.100Skew: 0.097 Prob(JB): 0.: 3.089 Cond. No. 95.5=============================================================從回歸分析的結(jié)果可以看出來，模型的擬合優(yōu)度R-squared=0.978，說明模型的擬合效果很好，據(jù)其大小對(duì)擬合效果的優(yōu)劣性進(jìn)行判定。對(duì)模型整體的顯著性可以通過F統(tǒng)計(jì)量來看，結(jié)果顯示的F統(tǒng)計(jì)量對(duì)應(yīng)的P值顯著小于0.05（0.05是顯著性水平,也可以選取0.01），說明模型整體是顯著的，它的顯著性說明被解釋變量能不能由這些解釋變量進(jìn)行解釋，F(xiàn)檢驗(yàn)是對(duì)整體的檢驗(yàn)，F(xiàn)檢驗(yàn)的通過不代表每一個(gè)解釋變量是顯著的。對(duì)每一個(gè)變量的顯著性要看t檢驗(yàn)統(tǒng)計(jì)量的值，t檢驗(yàn)統(tǒng)計(jì)量對(duì)應(yīng)的P值小于0.05（0.01或者0.1也行，具體看情況分析，一般選取0.05）視為是顯著的，從結(jié)果可以看出，X6和X7的變量的p是大于0.05的，也就是這兩個(gè)變量對(duì)被解釋變量的影響是不顯著的要剔除。但是如果你只是關(guān)心預(yù)測(cè)的問題那么可以不剔除。但是如果有研究解釋變量對(duì)被解釋變量的影響的程度的，要做進(jìn)一步的研究。接下來看DW的值，DW的值為1.748，說明模型不存在自相關(guān)性。看JB檢驗(yàn)統(tǒng)計(jì)量的值，JB檢驗(yàn)統(tǒng)計(jì)量是對(duì)正態(tài)性的假設(shè)進(jìn)行檢驗(yàn)的，JB的值對(duì)應(yīng)的p值為0.951顯著大于0.05，可以認(rèn)為模型滿足正態(tài)性的假設(shè)的。
3.如何用iPad運(yùn)行Python代碼？
其實(shí)，不只是iPad，手機(jī)也可以。痛點(diǎn)我組織過幾次線下編程工作坊，帶著同學(xué)們用Python處理數(shù)據(jù)科學(xué)問題。其中最讓人頭疼的，就是運(yùn)行環(huán)境的安裝。實(shí)事求是地講，參加工作坊之前，我已經(jīng)做了認(rèn)真準(zhǔn)備。例如集成環(huán)境，選用了對(duì)用戶很友好的Anaconda。代碼在我的Macbook電腦上跑，沒有問題。還拿到學(xué)生的Windows 7上跑，也沒有問題。這才上傳到了Github。在發(fā)布的教程文章里，我也已經(jīng)把安裝軟件包的說明寫得非常詳細(xì)。還針對(duì) Anaconda 這一 Python 運(yùn)行環(huán)境的安裝和運(yùn)行，專門錄制了視頻。但是，工作坊現(xiàn)場(chǎng)遇見的問題，依然五花八門。有的是操作系統(tǒng)。例如你可能用Windows 10。實(shí)話實(shí)說，我確實(shí)沒用過。拿著Surface端詳，連安裝后的Anaconda文件夾都找不到在哪兒。有的是編碼。不同操作系統(tǒng)，有的默認(rèn)中文編碼是UTF-8，有的是GBK。同樣一段中文文本，我這里顯示一切正常，你那里就是亂碼。有的是套件路徑。來參加工作坊前，你可能看過我一些教程，并安裝了 Python 2.7 版本 Anaconda。來到現(xiàn)場(chǎng)，一看需要 Python 3.6 版本，你就又安裝了一份新的。結(jié)果執(zhí)行起來，你根本分不清運(yùn)行的 Python, pip 命令來自哪一個(gè)套件，更搞不清楚軟件包究竟安裝到哪里去了。再加上虛擬環(huán)境配置，你就要抓狂了。還有的，甚至是網(wǎng)絡(luò)擁塞問題。因?yàn)橛袝r(shí)需要現(xiàn)場(chǎng)安裝調(diào)用體積龐大的軟件包，幾十臺(tái)電腦“預(yù)備——齊”一起爭(zhēng)搶有限的Wifi帶寬，后果可想而知。痛定思痛，我決定改變一下現(xiàn)狀。目前的教程只提供基礎(chǔ)源代碼。對(duì)于許多新手同學(xué)來說，是不夠的。許多同學(xué)，就倒在了安裝依賴軟件包的路上，繼而干脆放棄了。變通的辦法有許多。例如干脆錄制代碼執(zhí)行視頻給你看。但是正如我在《MOOC教學(xué)，什么最重要？》一文中說過的，學(xué)習(xí)過程里，反饋?zhàn)钪匾Ｄ阈枰苓\(yùn)行代碼，并且*時(shí)間獲得結(jié)果反饋。在此基礎(chǔ)上，你還得能修改代碼，對(duì)比前后執(zhí)行結(jié)果的差別。我得給你提供一個(gè)直接可以運(yùn)行的環(huán)境。零安裝，自然也就沒了上述煩惱。這個(gè)事兒可能嗎？我研究了一下，沒問題。只要你的設(shè)備上有個(gè)現(xiàn)代化瀏覽器（包括但不限于Google Chrome, Firefox, Safari和Microsoft Edge等）就行。IE 8.0？那個(gè)不行，趕緊升級(jí)吧！讀到這里，你應(yīng)該想明白了。因?yàn)橹惶魹g覽器，不挑操作系統(tǒng)，所以別說你用Windows 10，你就是用iPad，都能運(yùn)行代碼。嘗試請(qǐng)你打開瀏覽器，輸入這個(gè)鏈接（ Jupyter Lab。你可以將它理解為 Jupyter Notebook 的增強(qiáng)版，它具備以下特征：代碼單元直接鼠標(biāo)拖動(dòng)；一個(gè)瀏覽器標(biāo)簽，可打開多個(gè)Notebook，而且分別使用不同的Kernel；提供實(shí)時(shí)渲染的Markdown編輯器；完整的文件瀏覽器；CSV數(shù)據(jù)文件快速瀏覽……圖中左側(cè)分欄，是工作目錄下的全部文件。右側(cè)打開的，是咱們要使用的ipynb文件。為了證明這不是逗你玩兒，請(qǐng)你點(diǎn)擊右側(cè)代碼上方工具欄的運(yùn)行按鈕。點(diǎn)擊一下，就會(huì)運(yùn)行出當(dāng)前所在代碼單元的結(jié)果。不斷點(diǎn)擊下來，你可以看見，結(jié)果都被正常渲染。連圖像也能正常顯示。甚至連下面這種需要一定運(yùn)算量的可視化結(jié)果，都沒問題。為了證明這不是變魔術(shù)，你可以在新的單元格，寫一行輸出語句。就讓Python輸出你的名字吧。假如你叫 Chuck，就這樣寫：print("Hello, Chuck!") 把它替換成你自己的姓名，看看輸出結(jié)果是否正確？其實(shí)，又何止是iPad而已？你如果足夠勇(sang) 于(xin) 嘗(bing) 試(kuang)，手機(jī)其實(shí)也是可以的。就像這樣。流程下面我給你講講，這種效果是怎么做出來的。我們需要用到一款工具，叫做 mybinder 。它可以幫助我們，把 github 上的某個(gè)代碼倉庫（repo），快速轉(zhuǎn)換成為一個(gè)可運(yùn)行的環(huán)境。注意 mybinder 為我們提供了云設(shè)施，也就是計(jì)算資源和存儲(chǔ)資源。因此即便許許多多的用戶同時(shí)在線使用同一份代碼轉(zhuǎn)換出來的環(huán)境，也不會(huì)互相沖突。我們先來看看，怎么準(zhǔn)備一個(gè)可供 mybinder 順利轉(zhuǎn)換的代碼倉庫。我為你提供的樣例在這里（ Embedding）》。感興趣的同學(xué)可以點(diǎn)擊鏈接，查看原文。在該 GitHub 頁面展示的文件列表中，你需要注意以下3個(gè)文件：demo..其中demo.ipynb就是你在上一節(jié)看到的包含源代碼的Jupyter Notebook文件。你需要首先在本地安裝相關(guān)軟件包，并且運(yùn)行測(cè)試通過。如果在你本地運(yùn)行都有錯(cuò)誤，放到云上去，想必也難以正常運(yùn)行。.yml文件非常重要，它來告訴 mybinder ，需要如何為你的代碼運(yùn)行準(zhǔn)備環(huán)境。我們打開看看該文件的內(nèi)容：: - python=3 - pip: - spacy - ipykernel - scipy - numpy - scikit-learn - - pandas - thinc 這個(gè)文件首先告訴 mybinder ，你的 Python 版本。我們采用的是 3.6 版。所以只需要指定 python=3 即可。mybinder 會(huì)自動(dòng)為你下載安裝*的。然后這個(gè)文件說明需要使用 pip 工具安裝哪些軟件包。我們需要把所有依賴的安裝包都羅列出來。這就是之前，我總在教程里給你說明的那些準(zhǔn)備步驟。但是這還沒有完，因?yàn)?mybinder 只是為你安裝好了一些軟件依賴。這里還有兩個(gè)步驟需要處理：為了分析語義，我們需要調(diào)用預(yù)訓(xùn)練的Word2vec模型，這需要 mybinder 為我們提前下載好。Jupyter Notebook 打開后，應(yīng)當(dāng)使用的 kernel 名稱為 wangshuyi ，這個(gè) kernel 目前還沒有在 Jupyter 里面注冊(cè)。我們需要 mybinder 代勞。為了完成上述兩個(gè)步驟，你就需要準(zhǔn)備*一個(gè)postBuild文件。它的內(nèi)容如下：python -m spacy download en python -m spacy download en_core_web_lg python -m ipykernel install --user --name=wangshuyi 跟它的名字一樣。它是在 mybinder 依據(jù) .yml 安裝了依賴組建后，依次執(zhí)行的命令。如果你的代碼需要其他的命令提供環(huán)境支持，也可以放在這里。至此，你的準(zhǔn)備工作就算結(jié)束了。魔法表演正式開始。請(qǐng)打開 mybinder 的網(wǎng)址（ “GitHub repo or URL” 一欄，填寫我們的 github 代碼倉庫鏈接，即： 我們希望一進(jìn)入界面，就自動(dòng)打開 demo.ipynb ，因此需要在“Path to a notebook file (optional)”一欄填寫demo.ipynb 。這時(shí)，你會(huì)發(fā)現(xiàn)“Copy the URL below and share your Binder with others:”一欄中，出現(xiàn)了你的代碼運(yùn)行環(huán)境網(wǎng)址。 點(diǎn)擊右側(cè)的“復(fù)制”按鈕保存到你的記事本里面。將來找到你轉(zhuǎn)換好的運(yùn)行環(huán)境，就全靠它了。妥善保存地址后，點(diǎn)擊“Launch”按鈕。根據(jù)你的依賴安裝包數(shù)量等因素，你需要等待的時(shí)間長短不一。但是只有*次構(gòu)建的時(shí)候，需要花一些時(shí)間。以后每一次調(diào)用執(zhí)行，就都會(huì)非?？炝?。構(gòu)建完畢后， mybinder 會(huì)自動(dòng)為我們開啟對(duì)應(yīng)的運(yùn)行環(huán)境。很有成就感吧！測(cè)試一下，能夠正常運(yùn)行代碼，就證明我們成功了。但是你會(huì)發(fā)現(xiàn)，不對(duì)??！老師你剛才用 iPad 展示的，不是高級(jí)版的 Jupyter Lab 嗎？怎么又變成了 Jupyter Notebook 了？我也想要高級(jí)版！別著急?？纯茨隳壳暗逆溄拥刂罚?你只需要做個(gè)小小的調(diào)整，將其中的：?filepath= 替換為：?urlpath=lab/tree/ 替換后的鏈接為： 把它輸入到瀏覽器，看看出來的結(jié)果：這下沒問題了吧？原理你是不是覺得，mybinder 很黑科技？其實(shí)，也不算。它只是把已有的幾項(xiàng)技術(shù)，鏈接了起來。這大概也算是“積木式創(chuàng)新”的一個(gè)實(shí)例吧。我們看看 mybinder 的說明：可以看到，其中最為關(guān)鍵的技術(shù)，是用了 docker 。Docker 是個(gè)什么東西呢？簡(jiǎn)單來說，Docker 就是為了不同平臺(tái)上，都能夠順利執(zhí)行同一份代碼的保障工具。你有些猶疑，這說的不是 Java 嗎？沒錯(cuò)，Java 的宣傳口號(hào)，就是一次編碼，各處運(yùn)行。它利用虛擬機(jī)，來保障這種能力。但是，如果你經(jīng)常使用 Java 開發(fā)出來的工具，就應(yīng)該了解痛點(diǎn)有哪些了。至少，你應(yīng)該對(duì) Java 程序的運(yùn)行速度，有一些體會(huì)。上圖中，左側(cè)是虛擬機(jī)，右側(cè)是Docker。Docker 不但效率上要強(qiáng)過 Java 虛擬機(jī)，而且它支持的編程語言也不僅僅是一種。至于其他好處，咱們就不展開了。否則聽起來像廣告。其實(shí)，把 github 代碼倉庫轉(zhuǎn)換為 docker 鏡像（image）的工作，也不是 mybinder 自己來做的。它調(diào)用的，是另外的一個(gè)工具，叫做 （ 。而你的瀏覽器能夠執(zhí)行 Python 代碼，是因?yàn)?Jupyter Notebook （或者Lab）本來就是建立在“瀏覽器/服務(wù)器”（Browser / Server, B/S）結(jié)構(gòu)上。如果你已經(jīng)在本地計(jì)算機(jī)安裝過 Anaconda ，那不妨看看本地執(zhí)行這個(gè)語句：jupyter lab 會(huì)出現(xiàn)什么？對(duì)，它開啟了一個(gè)服務(wù)器，然后打開你的瀏覽器，跟這個(gè)服務(wù)器通訊。Jupyter 的這種設(shè)計(jì)，本身就讓它的擴(kuò)展極為方便。無論 Jupyter 服務(wù)器是運(yùn)行在你的本地筆記本上，還是擺在另一個(gè)大洲的機(jī)房，對(duì)你執(zhí)行 Python 代碼來說，都是沒有本質(zhì)區(qū)別的。另外，如果你以為 mybinder 只能讓你在瀏覽器上跑 Python 代碼，那就太小瞧它了。學(xué)過 R 的同學(xué)，請(qǐng)點(diǎn)擊這個(gè)鏈接( mybinder ，把一個(gè) github repo 一鍵轉(zhuǎn)換成 Jupyter Lab 運(yùn)行環(huán)境；如何在各種不同操作系統(tǒng)的瀏覽器上，運(yùn)行該環(huán)境，編寫、執(zhí)行與修改代碼；mybinder 轉(zhuǎn)換 github repo 的幕后英雄 docker 簡(jiǎn)介。我希望你能想到的，不僅僅是這點(diǎn)兒簡(jiǎn)單的用途。提幾個(gè)問題給你，作為思考題：如果代碼執(zhí)行都在云端完成，教學(xué)實(shí)驗(yàn)室機(jī)房還有沒有必要預(yù)裝一大堆軟件，且不定期更新維護(hù)？學(xué)校的編程練習(xí)、作業(yè)和考試有沒有可能通過這種方式，直接遠(yuǎn)程進(jìn)行，并且自動(dòng)化評(píng)分？既然應(yīng)用的技術(shù)都是開源的，你有沒有可能利用這些開源工具搞個(gè)創(chuàng)業(yè)項(xiàng)目。例如提供深度學(xué)習(xí)環(huán)境，租賃給科研機(jī)構(gòu)與創(chuàng)業(yè)公司？期待你舉一反三，做出有趣又有意義的創(chuàng)新來。討論在 iPad 上運(yùn)行 Python 代碼的感覺怎么樣？你用過類似的產(chǎn)品嗎？你覺得有了這種技術(shù)，在日常工作和學(xué)習(xí)中，還可以有哪些有趣的應(yīng)用場(chǎng)景？歡迎留言，把你的經(jīng)驗(yàn)和思考分享給大家，我們一起交流討論。如果你對(duì)我的文章感興趣，歡迎點(diǎn)贊，并且微信關(guān)注和置頂我的公眾號(hào)“玉樹芝蘭”()。如果本文可能對(duì)你身邊的親友有幫助，也歡迎你把本文通過微博或朋友圈分享給他們。讓他們一起參與到我們的討論中來。延伸閱讀如何高效入門數(shù)據(jù)科學(xué)？
4.成功轉(zhuǎn)行Python工程師，年薪30W+，經(jīng)驗(yàn)總結(jié)都在這！
這是給轉(zhuǎn)行做Python的小白的參考，無論是從零開始，或者是轉(zhuǎn)行的朋友來說，這都是值得一看的，也是可以作為一種借鑒吧。而且我決定轉(zhuǎn)行IT（互聯(lián)網(wǎng)）行業(yè)，其實(shí)理由也很簡(jiǎn)單，不用動(dòng)體力，大多數(shù)動(dòng)的是腦力工作，而且現(xiàn)在的互聯(lián)網(wǎng)趨勢(shì)很明顯。再者看到一些網(wǎng)上的招聘平臺(tái)，基本上每個(gè)行業(yè)都是需要這塊的，工資也都是很高的。于是我便開始了自學(xué)之路，當(dāng)時(shí)因?yàn)橛?jì)算機(jī)基礎(chǔ)不是很好，可以說特別的困難了，看了一些網(wǎng)上的教程學(xué)習(xí)，可以說是拆東墻補(bǔ)西墻的做法，甚至有段時(shí)間居然想放棄了。不過我加了許多關(guān)于數(shù)據(jù)分析的群，認(rèn)識(shí)蠻多朋友，他們都建議我學(xué)Python，只有打好這些基礎(chǔ)，才能慢慢循序漸進(jìn)的學(xué)習(xí)數(shù)據(jù)分析的內(nèi)容，于是我便重拾信心，走上這條道。那段時(shí)間，我基本上是保持4-6小時(shí)的學(xué)習(xí)，上班有時(shí)候不忙也會(huì)抽空學(xué)習(xí)的，晚上一般就對(duì)著電腦實(shí)操，不懂的話就問那些大佬們。就這樣我就度過了幾個(gè)月，不過我掌握了不少技能了，SQL，Python，R。會(huì)一點(diǎn)簡(jiǎn)單的爬蟲，懂點(diǎn)Linux。如果比起那些專業(yè)大佬來說，我經(jīng)驗(yàn)少一些，復(fù)雜的算法的話，需要花些時(shí)間琢磨。于是懷著新世界的夢(mèng)想，我辭職了，一家家的面試，雖然有許多公司需要有經(jīng)驗(yàn)的，但也是看人來，加上我又是轉(zhuǎn)行來的，所以碰壁是免不了的，不過我沒有放棄，結(jié)果得嘗所愿。我來到了一家互聯(lián)網(wǎng)公司上班，這里的辦公環(huán)境真的很不錯(cuò)，薪資也比之前在物流公司高些，即使我是轉(zhuǎn)行新手都有6.5K的底薪，然后加上加班費(fèi)，餐補(bǔ)、住宿補(bǔ)貼以及其他福利，整體折算下來薪酬都還過得去，而且還是雙休，不得不說，我自己心里也是小開心的?？隙ㄓ胁簧偃藛枺慊A(chǔ)的小白如何學(xué)好Python？我自己也打算分享出來，作為一個(gè)轉(zhuǎn)行的人來說，或者是正想轉(zhuǎn)行的人一些建議，和學(xué)習(xí)方法吧！既然選擇了數(shù)據(jù)分析的話，就一定要選擇好方向。學(xué)習(xí)python語言，并能用它來爬取數(shù)據(jù)做數(shù)據(jù)分析；使用python制作一些腳本工具，以幫助并提升工作效率。Python的應(yīng)用方向，實(shí)在太廣了。在Python基礎(chǔ)知識(shí)學(xué)完之后，如果應(yīng)用方向不同，要學(xué)習(xí)的東西也會(huì)大不同。我不能說我要做web開發(fā)，學(xué)完P(guān)ython基礎(chǔ)知識(shí)，跑去學(xué)numpy、pandas等知識(shí)；也不能說我要用Python做數(shù)據(jù)分析，學(xué)完P(guān)ython基礎(chǔ)知識(shí)，然后就跑去學(xué)django、flask框架。我學(xué)習(xí)Python，問了一些專業(yè)的人之后，才慢慢了解到Python在數(shù)據(jù)分析方面，基本涵蓋了“數(shù)據(jù)獲取→數(shù)據(jù)處理→數(shù)據(jù)分析→數(shù)據(jù)可視化”這個(gè)流程中每個(gè)環(huán)節(jié)，都是數(shù)據(jù)分析的利器。所以想學(xué)好Python選好方向很重要，而大部分新手對(duì)Python的方向并不了解，可能對(duì)有些分析也是看都看不懂，我的建議是找了解的人有經(jīng)驗(yàn)的人帶你，如果說你交好的朋友中有這部分人是*的，如果沒有耶不用擔(dān)心，去找對(duì)應(yīng)的Python交流群就好，我當(dāng)初就是進(jìn)入了好幾個(gè)Python交流群，不停的問問題，包括學(xué)習(xí)，包括方向，各種問題都問。 們*在掌握一些業(yè)界廣泛使用的開源框架，比如twisted、peak、django、xml等。通過熟練使用它們，達(dá)到閃電開發(fā)，大大節(jié)省項(xiàng)目寶貴時(shí)間。要學(xué)習(xí)Python其實(shí)不難，難的是堅(jiān)持和相信自己，我的經(jīng)驗(yàn)是既然已經(jīng)選定Python你就要相信它，相信它能成為你日后進(jìn)階的高效渠道，這樣自己才會(huì)更有信念去學(xué)習(xí)，才能在碰到困難的時(shí)候堅(jiān)持下去。還有就是不要單打獨(dú)斗，要找一群有共同方向的人一起學(xué)習(xí)，群眾效應(yīng)的效果是非常強(qiáng)大的，大家一起學(xué)習(xí)，一起打卡，會(huì)更有學(xué)習(xí)動(dòng)力，也更能堅(jiān)持下去。
就拿大數(shù)據(jù)說話，優(yōu)勢(shì)一目了然，從事IT行業(yè)，打開IT行業(yè)的新大門，找到適合自己的培訓(xùn)機(jī)構(gòu)，進(jìn)行專業(yè)和系統(tǒng)的學(xué)習(xí)。
