為什麼要學編程

每個人的動機不一樣。大致有：

1、為了找個好工作；或為了有更好的機會和更好的發展。

2、看到別人超厲害，所以也想學。

3、實際工作中很多場合需要。

4、從小就立志做個程序員，做軟件工程師。

5、振興中國的軟件事業。

……

python學習路線：

步驟1：設置你的機器環境

現在你已經決心要好好學習了，也是時候設置你的機器環境了。最簡單的方法就是從Continuum.io上下載分發包Anaconda。Anaconda將你以後可能會用到的大部分的東西進行了打包。採用這個方法的主要缺點是，即使可能已經有了可用的底層庫的更新，你仍然需要等待Continuum去更新Anaconda包。當然如果你是一個初學者，這應該沒什麼問題。

如果你在安裝過程中遇到任何問題，你可以在這裡找到不同操作系統下更詳細的安裝說明。

步驟2：學習Python語言的基礎知識

你應該先去了解Python語言的基礎知識、庫和數據結構。Codecademy上的Python課程是你最好的選擇之一。完成這個課程後，你就能輕鬆的利用Python寫一些小腳本，同時也能理解Python中的類和對象。

具體學習內容：列表Lists，元組Tuples，字典Dictionaries，列表推導式，字典推導式。

任務：解決HackerRank上的一些Python教程題，這些題能讓你更好的用Python腳本的方式去思考問題。

替代資源：如果你不喜歡交互編碼這種學習方式，你也可以學習谷歌的Python課程。這個2天的課程系列不但包含前邊提到的Python知識，還包含了一些後邊將要討論的東西。

步驟3：學習Python語言中的正則表達式

你會經常用到正則表達式來進行數據清理，尤其是當你處理文本數據的時候。學習正則表達式的最好方法是參加谷歌的Python課程，它會讓你能更容易的使用正則表達式。

任務：做關於小孩名字的正則表達式練習。

如果你還需要更多的練習，你可以參與這個文本清理的教程。數據預處理中涉及到的各個處理步驟對你來說都會是不小的挑戰。

步驟4：學習Python中的科學庫—NumPy, SciPy, Matplotlib以及Pandas

從這步開始，學習旅程將要變得有趣了。下邊是對各個庫的簡介，你可以進行一些常用的操作：

•根據NumPy教程進行完整的練習，特別要練習數組arrays。這將會為下邊的學習旅程打好基礎。

•接下來學習Scipy教程。看完Scipy介紹和基礎知識後，你可以根據自己的需要學習剩餘的內容。

•這裡並不需要學習Matplotlib教程。對於我們這裡的需求來說，Matplotlib的內容過於廣泛。取而代之的是你可以學習這個筆記中前68行的內容。

•最後學習Pandas。Pandas為Python提供DataFrame功能(類似於R)。這也是你應該花更多的時間練習的地方。Pandas會成為所有中等規模數據分析的最有效的工具。作為開始，你可以先看一個關於Pandas的10分鐘簡短介紹，然後學習一個更詳細的Pandas教程。

步驟5：有用的數據可視化

參加CS109的這個課程。你可以跳過前邊的2分鐘，但之後的內容都是乾貨。你可以根據這個任務來完成課程的學習。

步驟6：學習Scikit-learn庫和機器學習的內容

現在，我們要開始學習整個過程的實質部分了。Scikit-learn是機器學習領域最有用的Python庫。這裡是該庫的簡要概述。完成哈佛CS109課程的課程10到課程18，這些課程包含了機器學習的概述，同時介紹了像迴歸、決策樹、整體模型等監督算法以及聚類等非監督算法。你可以根據各個課程的任務來完成相應的課程。

任務：嘗試Kaggle上的這個挑戰