Py

本文最后更新于 2025年11月7日 下午

Python学习笔记

学习笔记

正则常用匹配规则

模　　式描　　述
\w匹配字母、数字及下划线
\W匹配不是字母、数字及下划线的字符
\s匹配任意空白字符，等价于 [\t\n\r\f]
\S匹配任意非空字符
\d匹配任意数字，等价于 [0-9]
\D匹配任意非数字的字符
\A匹配字符串开头
\Z匹配字符串结尾，如果存在换行，只匹配到换行前的结束字符串
\z匹配字符串结尾，如果存在换行，同时还会匹配换行符
\G匹配最后匹配完成的位置
\n匹配一个换行符
\t匹配一个制表符
^匹配一行字符串的开头
$匹配一行字符串的结尾
.匹配任意字符，除了换行符，当 re.DOTALL 标记被指定时，则可以匹配包括换行符的任意字符
[…]用来表示一组字符，单独列出，比如 [amk] 匹配 a、m 或 k
[^…]不在 [] 中的字符，比如 [^abc] 匹配除了 a、b、c 之外的字符
*匹配 0 个或多个表达式
+匹配 1 个或多个表达式
?匹配 0 个或 1 个前面的正则表达式定义的片段，非贪婪方式
{n}精确匹配 n 个前面的表达式
{n, m}匹配 n 到 m 次由前面正则表达式定义的片段，贪婪方式
ab匹配 a 或 b
( )匹配括号内的表达式，也表示一个组
  • 修饰符

excel数据对象的方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
基本信息查看方法
data.head(n): 查看前 n 行数据，默认显示前5行
data.tail(n): 查看后 n 行数据，默认显示后5行
data.describe(): 生成数值列的统计摘要（计数、均值、标准差、最小值、四分位数、最大值）
data.shape: 返回数据的形状（行数, 列数）
data.columns: 返回所有列名的列表
data.dtypes: 返回每列的数据类型
data.index: 返回行索引信息
数据操作方法
data.drop(): 删除指定的行或列
data.dropna(): 删除包含缺失值的行或列
data.fillna(): 填充缺失值
data.rename(): 重命名列名或索引
data.sort_values(): 按列值排序
data.sort_index(): 按索引排序
data.reset_index(): 重置索引
data.set_index(): 设置新的索引列
数据选择和过滤方法
data.loc[]: 基于标签的数据选择
data.iloc[]: 基于位置的数据选择
data.query(): 使用表达式查询数据
data.filter(): 过滤行或列
统计分析方法
data.groupby(): 按指定列分组数据
data.pivot_table(): 创建数据透视表
data.corr(): 计算列间的相关系数
data.mean(): 计算各列的平均值
data.sum(): 计算各列的总和
data.count(): 计算非空值的数量
data.max(): 计算各列的最大值
data.min(): 计算各列的最小值
数据导出方法
data.to_csv(): 将数据保存为 CSV 文件
data.to_excel(): 将数据保存为 Excel 文件
data.to_json(): 将数据保存为 JSON 格式
data.to_dict(): 将数据转换为字典格式

to_list()

  • 当你处理 pandas 的 Series（一维数据）或 Index（索引）时，使用 to_list() 可以将其转换为普通的 Python 列表，方便进行一些原生列表支持的操作。

  1. 对 Series 使用 to_list ()

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    import pandas as pd

    # 创建一个 pandas Series
    s = pd.Series([10, 20, 30, 40, 50])
    print("原 Series 类型:", type(s))  # <class 'pandas.core.series.Series'>

    # 转换为列表
    lst = s.to_list()
    print("转换后的类型:", type(lst))  # <class 'list'>
    print("转换后的值:", lst)  # [10, 20, 30, 40, 50]

  2. 对 Index 使用 to_list ()

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    import pandas as pd

    # 创建一个 pandas Index
    idx = pd.Index(['a', 'b', 'c', 'd'])
    print("原 Index 类型:", type(idx))  # <class 'pandas.core.indexes.base.Index'>

    # 转换为列表
    lst = idx.to_list()
    print("转换后的类型:", type(lst))  # <class 'list'>
    print("转换后的值:", lst)  # ['a', 'b', 'c', 'd']

    注意事项

  • to_list() 是 pandas 特有的方法，普通的 Python 列表没有这个方法（会报错 AttributeError）。
  • 转换后得到的是纯 Python 列表，不再具备 pandas 数据结构的特性（如索引、向量化操作等）。
  • 在老版本 pandas 中，还有一个 tolist() 方法（全小写），功能与 to_list() 完全相同，两者可以互换使用。

学习路线

1. GitHub 项目推荐：

这些项目都比较完整且适合用于学习高级技巧：

  • Scrapy
    Scrapy 是 Python 中非常流行的爬虫框架，适合构建大规模、复杂的爬虫。Scrapy 提供了强大的功能，如异步下载、数据管道、内建的请求调度等，适合用来构建大规模的爬虫项目。

  • pyspider
    pyspider 是一个功能强大的爬虫框架，支持分布式爬虫、图形化界面、任务管理等。适合需要搭建爬虫平台的开发者。

  • awesome-python-web scraping
    这个项目是一个开源资源库，收集了 Python 爬虫相关的各种工具、框架和教程，非常适合你学习一些高级的技巧和工具。

  • selenium
    Selenium 是一个广泛用于 Web 自动化的工具。它也经常被用来做动态网页的爬取。对于一些 JavaScript 渲染的页面，Selenium 非常有用。

  • Requests-HTML
    一个简洁且强大的 HTML 解析库，支持现代网页中的 JavaScript 渲染。适合学习如何处理动态网页的抓取。

2. 书籍推荐：

这几本书会帮助你深入掌握 Python 爬虫的高级技巧：

  • 《Python Web Scraping》 by Katharine Jarmul & Richard Lawson
    这是一本系统性介绍 Web Scraping 的书，覆盖了使用 Requests、BeautifulSoup、Scrapy 和 Selenium 的技巧。对于中高级爬虫开发者来说，是一本非常实用的参考书。

  • 《Web Scraping with Python: Collecting Data from the Modern Web》 by Ryan Mitchell
    这是一本非常经典的爬虫书籍，深入介绍了 HTML 解析、网页数据提取以及如何处理 JavaScript 渲染的页面（使用 Selenium）。它还讨论了爬虫的优化技术，比如异步爬取、缓存机制等，适合想深入学习爬虫的人。

  • 《Data Science for Web Scraping and Crawling》 by Jason Brownlee
    本书侧重于如何在数据科学领域应用 Web Scraping 技术，特别是在处理大数据时的高效爬虫架构。

  • 《Scrapy for Beginners》 by Gabriel D. D.
    这本书适合对 Scrapy 框架有一定了解的开发者。它不仅介绍了 Scrapy 的基本用法，还探讨了更高级的主题，比如 Scrapy 爬虫的分布式架构。

3. 在线教程和课程：

  • Scrapy 官方文档
    Scrapy 的官方文档非常详细，适合初学者到高级开发者。通过文档，你可以深入了解 Scrapy 的各个组件，以及如何进行项目部署和优化。

  • Real Python - Web Scraping Tutorials
    Real Python 提供了很多关于 Web Scraping 的高级教程，内容涉及 Selenium、Scrapy、API 爬取等，讲解非常详细，并且有实际代码示例。

  • Coursera - Python and Web Scraping
    Coursera 提供了关于 Python 爬虫的多门课程，包括基础课程和进阶课程，适合需要系统学习的开发者。

  • Udemy - Advanced Web Scraping with Python
    这是一个付费课程，专注于爬虫的高级技巧，比如如何抓取动态内容，如何处理 AJAX 和 JavaScript 渲染的页面。

4. 学习路径：

  • 基础阶段：

    • 学习 requests 和 BeautifulSoup，理解 HTML 和 CSS，能够基本提取页面内容。

    • 学习如何使用正则表达式来抓取数据。

  • 进阶阶段：

    • 学习如何用 Scrapy 框架构建爬虫，掌握其调度机制、管道机制以及分布式爬虫。

    • 深入了解如何绕过反爬虫机制，如 IP 代理池、验证码识别、动态渲染网页的抓取技巧（如使用 Selenium）。

    • 学习如何优化爬虫，做到高效抓取（并发、异步处理、重试机制等）。

  • 高级阶段：

    • 掌握分布式爬虫的架构，如何进行分布式数据抓取和任务调度。

    • 深入理解大规模数据的存储、处理与清洗，能够高效处理大量网页数据。

    • 学习如何搭建爬虫平台，进行自动化和持续的抓取任务。

马斯克的学习方法

1. 自学是关键

  • 主动学习：马斯克强调，自己大部分的知识都是通过阅读和自学获得的。他并没有在大学里专门学习物理、工程等领域的知识，而是通过大量阅读相关书籍、论文以及在线资源来获得这些知识。

  • 书籍是最好的老师：马斯克是个狂热的书迷，很多他获得知识的渠道都是通过阅读专业书籍和技术论文。他提到自己从小就是通过阅读书籍来补充知识的，尤其是在技术和工程方面。

举例：

  • 他曾说：“我并不是一开始就知道所有的东西，而是通过阅读积累知识。”

  • 他提到过自己读过很多关于火箭、能源、汽车、人工智能等方面的书籍，甚至当他对某个领域感兴趣时，会集中精力大量阅读相关文献。

2. “第一性原理”思维

  • 马斯克的一个标志性思维方式就是“第一性原理”思维（First Principles Thinking）。他认为，解决问题时要回到事物的最基础原理，从零开始重新思考，而不是依赖于已有的假设和常规做法。

  • 第一性原理是从基础科学原理出发，分析一个问题的最基本构成要素，打破传统的框架和思维定势。这种方法促使他能够从根本上重新设计技术、产品和商业模式，突破已有行业的局限。

举例：

  • 在SpaceX创建初期，马斯克认为火箭制造成本太高，他通过第一性原理的思维，分析了火箭的基本构成和材料，发现可以用更低的成本制造火箭。这直接促成了 SpaceX 的成功。

  • 他还提到：“你需要把事情分解成最基本的原理，然后重新组合，得出一种更好的解决方案。”

3. 跨学科学习与应用

  • 马斯克非常注重跨学科的学习，他的多个成功项目（如SpaceX、Tesla、Neuralink等）都显示了他将多个学科的知识进行结合的能力。

  • 他通过从不同领域获取知识，能更好地解决问题，并能够发现并应用不同学科之间的联系和交集。

举例：

  • 比如，他将物理学的原理应用到火箭设计中，并在Tesla的电动汽车设计中引入了很多工程学、能源学和计算机科学的概念，这些跨学科的知识使他能够打破传统设计局限，创造出创新的产品。

4. 批判性思维和怀疑一切

  • 马斯克非常注重批判性思维，他认为任何既定的观点和假设都应该经受严苛的质疑。

  • 他鼓励自己和团队成员要敢于质疑现状，不盲目接受传统做法，而是要提出新问题，寻找更高效、更创新的解决方案。

举例：

  • 在创办 SpaceX 时，马斯克并没有接受航空航天行业的现状，而是反复质疑“为什么火箭这么贵”，“是否有更好的制造方式”。他不断质疑并用第一性原理重新思考，最终找到了更有效的制造火箭的途径。

  • 他也曾提到：“我总是会问，‘这是为什么？’‘它是必须的么？’你要挑战那些看似理所当然的假设。”

5. 动手实践与快速原型

  • 马斯克是典型的“做中学”型学习者。他认为，理论知识的掌握固然重要，但真正的理解来自于实践和动手做。

  • 他鼓励团队进行快速原型制作和迭代，不断通过实际操作和实验来验证理论。

举例：

  • 在 Tesla，他推动了“快速原型”开发的理念，团队会快速设计和测试新车型，并通过实际的试验来发现问题。

  • 在SpaceX，他也同样采用了“快速原型”的方法，通过不断实验和迭代，减少了开发周期和成本。

6. 从失败中学习

  • 马斯克对失败的看法非常独特，他认为失败是学习的一部分，而不是放弃的理由。他鼓励团队成员和自己从失败中吸取教训，并迅速调整策略。

  • 他曾提到：“当你失败时，不要对自己太苛刻，最重要的是从失败中总结出教训，避免重复同样的错误。”

举例：

  • SpaceX 的火箭多次发射失败，马斯克并没有因此放弃，而是分析失败原因，改进设计，最终使 SpaceX 成为世界领先的私人航天公司。

  • 在 Tesla 的初期，电动汽车面临巨大压力，许多投资者和评论家对其前景持悲观态度，但马斯克从失败中吸取了教训，不断迭代产品，最终使特斯拉成为全球最有价值的汽车公司之一。

7. 长期目标与持续学习

  • 马斯克有非常明确的长期目标，并且他不断学习和调整自己的战略以实现这些目标。他并不是为了短期的成功而努力，而是为了更长远的理想（如人类在火星上定居、电动汽车普及等）而持续奋斗。

  • 他认为，要达到这些长远目标，需要不断学习新的技能，吸收新的信息，扩展自己的视野。

举例：

  • 马斯克的目标是将人类送上火星，他为了实现这个目标，不仅学习了航天工程学，还学习了很多其他与空间探索相关的知识，并将这些知识应用于 SpaceX 的开发中。

总结：马斯克的学习方法

  1. 自学为主：通过大量阅读书籍和在线资源不断获取新知识。

  2. 第一性原理：从最基础的原理出发，避免被传统思维束缚，创新解决方案。

  3. 跨学科学习：结合多个领域的知识，发现它们之间的联系，进行创新。

  4. 批判性思维：怀疑一切、挑战传统观念，寻找更好的方法。

  5. 动手实践：通过实际操作和快速原型开发来验证理论，并不断迭代。

  6. 从失败中学习：把失败视为学习的机会，从中吸取经验，不断改进。

  7. 长期目标与持续学习：不断学习新技能，为实现长期目标积累知识和经验。

书籍阅读推荐

🐍 Python方向书单

1️⃣ 基础 & 核心编程

🔑 目标：夯实 Python 基础，理解语法、面向对象、常用标准库

阶段书名适合人群亮点
入门《Python编程：从入门到实践（第2版）》 – Eric Matthes0基础~初学项目驱动+实用案例（数据可视化、Web应用）
入门**《Python Crash Course》英文原版英语+技术同步示例代码简洁，练习丰富
进阶《Fluent Python（流畅的Python）》 – Luciano Ramalho已有基础深入数据结构、迭代器、协程、元类，成为高级工程师必读
进阶《Effective Python》 – Brett Slatkin入门后半年~1年90条最佳实践，代码风格提升

2️⃣ 数据分析（Numpy / Pandas / 数据可视化）

阶段书名亮点
入门《利用Python进行数据分析（第2版）》 – Wes McKinneyPandas作者亲自撰写，数据清洗/分析必读
进阶**《Python for Data Analysis》英文原版与中文版对应
进阶《Python Data Science Handbook》 – Jake VanderPlas包含NumPy、Pandas、Matplotlib、Scikit-Learn
进阶《Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow》 – Aurélien Géron从数据分析到AI的过渡

3️⃣ 制图 / 数据可视化

阶段书名亮点
入门《Python数据可视化编程实战》Matplotlib、Seaborn、Plotly 案例
进阶《Interactive Data Visualization for the Web》D3.js + Python后端
高阶《Storytelling with Data》数据可视化的设计与美学

4️⃣ 爬虫 / 网络数据获取

阶段书名亮点
入门《Python3网络爬虫开发实战》 – 崔庆才爬虫生态全景（requests、Scrapy、Selenium、Ajax）
进阶《Web Scraping with Python》 – Ryan Mitchell英文经典，结构化抓取
高阶《黑客与画家》（补充）思维拓展，理解互联网数据逻辑

5️⃣ 自动化 & 工具开发

阶段书名亮点
入门《Python自动化办公实战》Excel/PDF/邮件自动化
进阶《Automate the Boring Stuff with Python》 – Al Sweigart文件、爬虫、脚本自动化
高阶《Python Cookbook（第3版）》配方式解决方案，开发效率倍增

🔑 成为高级工程师的路线

  1. 语言精通 → Fluent Python / Effective Python

  2. 数据处理能力 → Python for Data Analysis + Pandas/NumPy

  3. 项目经验 → 构建个人项目（爬虫+数据分析+可视化）

  4. 工程化 → 了解Git、Docker、CI/CD、云部署

  5. 软技能 → 英文阅读、代码规范、系统设计

Python库

1. 掌握常用的标准库

Python 本身就有很多非常有用的标准库，掌握它们可以帮助你高效地进行开发。以下是一些常用的标准库：

  • **os 和 sys**：用于操作文件、目录，处理系统参数。

  • **datetime**：用于日期和时间的操作。

  • math 和 **cmath**：数学函数和复数运算。

  • **collections**：提供了如 Counter、deque、OrderedDict 等增强的数据结构。

  • **itertools**：用于高效地进行迭代操作，如生成组合、排列等。

  • **json**：用于处理 JSON 数据。

  • **csv**：处理 CSV 文件。

  • **sqlite3**：内置的 SQLite 数据库操作库。

学习方法：

2. 数据分析相关库

如果你对数据分析、数据处理、可视化等感兴趣，可以学习以下库：

  • **NumPy**：这是 Python 中用于数值计算的基础库，提供了多维数组和矩阵运算，支持大量的数学函数操作。

  • **Pandas**：用于数据处理和分析，特别适合处理表格数据，支持数据的清洗、聚合、过滤等。

  • Matplotlib 和 **Seaborn**：用于数据可视化，Matplotlib 是基本的绘图库，Seaborn 基于 Matplotlib 进行高级可视化。

  • **SciPy**：用于科学计算，提供了很多用于数学、科学和工程计算的功能。

  • **Scikit-learn**：用于机器学习，提供了许多常用的机器学习算法和工具。

学习方法：

3. Web开发相关库

如果你对 Web 开发感兴趣，可以学习以下库：

  • **Flask**：轻量级的 Web 框架，非常适合快速开发小型 Web 应用。

  • **Django**：功能强大的全栈 Web 框架，适合开发复杂的 Web 应用，提供了很多现成的功能。

  • **FastAPI**：新兴的 Web 框架，支持异步编程，性能极高，适合构建 API。

  • **Requests**：用于发送 HTTP 请求，处理 API 调用。

  • **SQLAlchemy**：ORM（对象关系映射）库，简化数据库操作。

学习方法：

4. 机器学习与深度学习相关库

如果你对机器学习、深度学习感兴趣，Python 提供了非常多的库来帮助你实现这些目标：

  • TensorFlow 和 **PyTorch**：深度学习框架，用于构建神经网络和训练深度学习模型。

  • **Keras**：在 TensorFlow 上运行的高级深度学习库，简化了模型的构建和训练。

  • **scikit-learn**：机器学习库，提供了很多经典的机器学习算法和工具，适合用来构建各种模型。

  • XGBoost 和 **LightGBM**：高效的梯度提升算法库，特别适合处理大规模数据。

  • **OpenCV**：计算机视觉库，用于图像处理、对象识别等任务。

学习方法：

  • 官方文档：TensorFlow、PyTorch、Keras、scikit-learn

  • 书籍推荐：《Python 机器学习》（Sebastian Raschka）和《Deep Learning with Python》（Francois Chollet）

5. 自动化与脚本编写

如果你对自动化、爬虫或者脚本编写感兴趣，可以学习以下库：

  • **Selenium**：自动化 Web 测试工具，也常用于 Web 数据抓取（爬虫）。

  • **BeautifulSoup**：一个简单易用的 HTML/XML 解析库，常用来处理 Web 数据抓取。

  • **Requests**：用于发送 HTTP 请求，结合爬虫库非常方便。

  • **Scrapy**：一个强大的 Web 爬虫框架，适合处理大规模的爬虫任务。

学习方法：

6. 如何学习这些库：

  1. 官方文档：大多数 Python 库都有非常详细的官方文档，学习它们的最佳方法之一就是阅读文档，官方文档通常包括了安装、使用示例以及一些常见问题的解决方案。

  2. 在线教程与课程：

    • Real Python：一个很棒的 Python 资源网站，提供了很多关于各个库和项目的教程。Real Python

    • Coursera、edX、Udemy 等平台也提供了大量与 Python 和相关库的在线课程。

  3. GitHub 项目：很多开源项目都会在 GitHub 上提供代码示例，学习如何在实际项目中使用这些库是非常有效的方式。

  4. 做项目：最好的学习方法是通过实际做项目来巩固你学到的知识。选择一个感兴趣的领域（如数据分析、Web 开发、自动化等），然后动手编写代码，解决实际问题。

  5. 加入社区：Stack Overflow、Reddit、Python 官方论坛等社区也有很多开发者分享的经验和问题讨论，参与其中能快速提升自己的技能。

总结学习路线：

  1. 加强基础：继续练习 Python 基础知识，提升编程能力。

  2. 选择方向：

    • 数据分析：学习 NumPy、Pandas、Matplotlib、Seaborn 等。

    • Web 开发：学习 Flask、Django、Requests 等。

    • 机器学习/深度学习：学习 scikit-learn、TensorFlow、PyTorch 等。

    • 自动化：学习 Selenium、BeautifulSoup、Scrapy 等。

  3. 动手实践：通过做项目来加深理解，并逐步提升技能。

🐍 Conda 常用命令整理

1️⃣ 基本信息

命令作用示例
conda info查看 Conda 信息（版本、环境路径、渠道等）conda info
conda list查看当前环境已安装的软件包conda list
conda list -n env_name查看指定环境的软件包conda list -n myenv
conda config --show查看 Conda 配置conda config --show

2️⃣ 环境管理

命令作用示例
conda create -n env_name python=3.11创建新环境并指定 Python 版本conda create -n py311 python=3.11
conda activate env_name激活环境conda activate py311
conda deactivate退出当前环境conda deactivate
conda remove -n env_name --all删除整个环境conda remove -n py311 --all
conda env list列出所有环境conda env list
conda env export > environment.yml导出环境（可备份或共享）conda env export > env.yml
conda env create -f environment.yml用 yml 文件创建环境conda env create -f env.yml

3️⃣ 软件包管理

命令作用示例
conda install package_name安装包到当前环境conda install numpy
conda install -n env_name package_name安装包到指定环境conda install -n py311 pandas
conda update package_name更新包到最新版本conda update numpy
conda update -n base conda更新 Conda 本身conda update -n base conda -y
conda remove package_name卸载包conda remove numpy
conda search package_name查找可用包及版本conda search numpy

4️⃣ Conda 仓库管理（Channels）

命令作用示例
conda config --add channels channel_name添加渠道conda config --add channels conda-forge
conda config --remove channels channel_name移除渠道conda config --remove channels conda-forge
conda config --show channels查看当前渠道列表conda config --show channels
conda tos accept --override-channels --channel <URL>接受服务条款conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main

5️⃣ 网络和缓存管理

命令作用示例
conda clean --all清理缓存和临时文件conda clean --all -y
conda update -c defaults conda使用默认渠道更新 condaconda update -n base -c defaults conda -y

6️⃣ 高级操作

命令作用示例
conda list --explicit > spec-file.txt导出可精确重现环境的包列表conda list --explicit > spec.txt
conda create --name new_env --clone old_env克隆已有环境conda create --name pyclone --clone py311

💡 小技巧

  1. base 环境只管理 Conda 本身，不建议在 base 安装太多包

  2. 每个项目单独建环境 → 避免包冲突

  3. 尽量使用 conda-forge 渠道 → 包更全、版本更新快

  4. 遇到 Terms of Service 错误 → 用 conda tos accept 接受条款

实战项目学习

🧭 一、入门友好：可直接上手的 Python 工具项目

这些项目适合你边学边做，能很快看到成果。

类型项目名称项目介绍教程/源码
🧮 桌面计算器Simple Python Calculator用 tkinter 制作图形界面计算器GitHub 示例
📁 文件整理器File Organizer自动将文件分类到对应文件夹（比如按扩展名）Real Python 教程
📸 图片批量重命名/压缩Image Tools用 Pillow 实现批量修改图片大小、格式Pillow 官方教程
📊 Excel 处理器Excel Cleaner用 pandas + openpyxl 清洗、合并、统计 ExcelGitHub: Excel Tool 示例
⏰ 倒计时/提醒小工具Countdown Timer制作一个命令行或 GUI 的倒计时器GeeksforGeeks 教程
🐍 贪吃蛇小游戏Snake Game用 pygame 实现经典贪吃蛇freeCodeCamp 教程

💡 二、练习思维：可以模仿和改进的 Python 实用工具项目

这些项目稍复杂一点，适合中级进阶，能让你理解 Python 的更多模块、库和架构。

项目类型示例项目功能简介教程/源码
📬 邮件自动发送器AutoMailer自动向多个联系人发送邮件（支持附件）GitHub: Auto Mailer
🌦️ 天气查询工具Weather CLI命令行实时查询天气，使用 API 获取数据GitHub 示例
🔐 密码管理器Simple Password Manager用 cryptography 库实现本地密码加密存储RealPython 教程
🧾 PDF 处理工具PDF Merger批量合并/拆分 PDF 文件GitHub 示例
🧹 垃圾文件清理器Disk Cleaner扫描大文件、缓存文件并删除可模仿 BleachBit 的结构
🤖 简易聊天机器人ChatBot用 nltk 或 transformers 制作一个简单对话机器人RealPython 教程

🧱 三、系统地发现项目和源码的网站推荐

这些网站持续更新 Python 项目、教程、源码，非常适合你“找灵感 + 看源码 + 跟着做”。

网站特色
🐙 GitHub Topics: Python Projects官方分类页，汇总各类 Python 项目（有排序、标签）
💡 Python Awesome专门收集优秀 Python 项目的网站（按主题分类）
🧰 Real Python最好的 Python 教程网站之一，很多带源码的工具实战
🏗️ FreeCodeCamp Python Projects免费且详细的 Python 项目实战教程
🧑‍💻 Project-Based LearningGitHub 上最全的项目实战合集（含 Python 专区）
🎯 ThePythonCode.com实战性极强，比如爬虫、自动化、GUI 工具、网络安全脚本等

🧰 四、我的建议：学习路径

你可以这样安排学习：

1️⃣ 第1阶段（入门）
学习 tkinter、os、shutil、pandas 等库 → 做出文件整理器或计算器

2️⃣ 第2阶段（进阶）
学习 requests、BeautifulSoup、sqlite3、threading → 做出天气查询工具或爬虫

3️⃣ 第3阶段（应用）
尝试做带 GUI 的桌面应用，比如 Excel 统计器、下载器、小笔记软件等

命令

  1. pip freeze > requirements.txt 生成依赖的文件

Excel学习

Pandas

merge的用法

  • 内连接：inner

  • 左连接：left

  • 右连接：right

  • 外连接：outer

  • plt.legend(loc=?) 中loc参数的值以及描述

  • plt.plot()方法汇总

  • 对应color参数

Jupyter

两种模式下的快捷键JupyterNotebook已经整理好

  • 命令模式
  • 编辑模式
笔记
#学习笔记 #Python
Py
http://yething.github.io/posts/3535504947.html
作者
Odyssey
发布于
2025年9月24日
许可协议