掌握一門技能，是需要花成本的。決策之前，做個前景判斷，衡量投入產出比，是應該的。
然而，一旦深入思考，你可能自己就會對學 Python 的價值，頗為疑慮。
因為大部分人看待這個問題，是在判斷 Python 學過後，能否提升自己的競爭力。
國人常說的俗諺，有一句“一招鮮，吃遍天”。也就是掌握了某種供不應求的技能，於是可以坐享這種技能帶來的益處與紅利。
你可以暫停閱讀20秒鐘，在頭腦裡，自行匹配滿足上述條件的相應技能，或是代表該技能的證書。
想好後，咱們繼續。
這樣的技能，確實是存在。但是，要達到“吃遍天”的效果，需要你衡量市場上的供求關係。
我們都知道，近幾年市場對 Python 的需求確實很高。許多崗位招聘條件裡面，都有 Python 這一項。
然而，供求關係的另一方，也就是供給，情況如何呢？
很不容樂觀。
我不是說供給太少，而是太多了些。
別忘了， Python 最大的特點，就是簡單易學。
因此，沒有門檻，沒有護城河，連上小學的孩子，課本上都要教 Python 了。
需求再大，如果供給是這樣的，價格也很難上去。
所以，如果你的打算，是學好 Python 以後，直接用它變現，那你一定要三思而後行。
這是不是說，你不該學 Python 呢？
恰恰相反，你真的應該學 Python 。
你可能會疑惑：老師，你這不是前後矛盾嗎？
不是。
Python 要學，但這項技能，真的不是這麼應用的。
連接
Python 無門檻，這麼簡單，學會了也毫不稀奇，那學它還有什麼用？
用處大了。
因為它可以讓你和一張巨大的協作網絡連接起來。這張網絡的溢出效應，對你來說益處可謂巨大。
舉個例子。
機器學習聽說過吧？最近很火的。
從前人們做機器學習，用的工具叫做 Matlab 。
直到6、7年前，當 Andrew Ng 製作後來成為經典的《機器學習》課程時，用的工具還是 Matlab 。
當然，因為當時 Matlab 很貴，所以 Andrew Ng 鼓勵大家用 Octave （一種 Matlab 的開源實現版本）替代。
我學這門課程的時候，很痛苦。其中最重要的原因，就是 Matlab / Octave 的使用。
這是當時做的第 8 次作業，你看看為了做個協同過濾（Collaborative Filtering），需要多少個文件。
隨便打開一個代碼文件，是這樣的：
結果是，大部分學員，根本就不知道，該如何完整撰寫一個協同過濾算法的程序。大家只能滿足於課程的要求，即在每個文件指定的位置上，做完形填空。
因此，那時候你要是打算使用機器學習，就必須要抱著一本 Matlab 的書啃下來。因為只有明白了它怎麼用，你才真正能壯起膽子，嘗試從頭到尾，去實踐自己從 MOOC 學來的機器學習技能。
然而，短短几年之後，事情就完全變了。
2017年，Andrew Ng 的 Coursera 課程《深度學習》推出，這次，他再也不提什麼 Matlab 了，從頭到尾都是 Python 。
Andrew 教起來輕鬆，大家學習起來開心。而且更妙的是，因為 Python 簡單易懂，因此全部示例代碼，你可以很容易看明白，並且知道當應用於自己的實際項目時，修改哪些部分，就可以複用。
其他基於 Python 的機器學習課程，也像雨後春筍一般遍地開花。
例如在 fast.ai 的課程裡，實現同樣的協同過濾功能，你再也不用寫那一堆 Matlab 文件和函數了。
你需要的，僅是以下這幾行代碼：
<code>from fastai.collab import *
path = untar_data(URLs.ML_SAMPLE)
ratings = pd.read_csv(path/'ratings.csv')
ratings.head()
data = CollabDataBunch.from_df(ratings)
learn = collab_learner(data, n_factors=50, y_range=(0.,5.))
learn.fit_one_cycle(5, 5e-3, wd=0.1)
/<code>
好了，搞定。
Python 沒有門檻。但是通過掌握它，你可以用更短的時間，更高的效率學習和掌握機器學習，甚至是深度學習的技能。
注意，能以這麼短短几行代碼搞定問題，不是因為你學了 Python ，所以技能大漲。
那是因為這個巨大協作網絡中開發框架的人，“剛巧”也是用 Python 來封裝細節。你們在說同樣的語言，因此你可以把他們的研究成果，“拿來”使用。
越來越多的高手都使用 Python 來編寫框架、製作工具，因此會吸引更多人來用。
越來越多的人習慣用 Python 來完成某項功能，那麼開發功能的人也被綁定在這個路徑上，只能選擇用 Python 來開發。
這樣的一個正反饋循環，就像在滾雪球。
你可能很為那些好不容易掌握用 Matlab 做機器學習的人鳴不平，似乎他們才是會真功夫的人。而學了 Python 的人，都有作弊之嫌。
才不會。能掌握 Matlab 的人，都可以很容易學會 Python ，他們也可以立即加入這張協作網絡，享受這種便利。
好玩兒的是，2017年， Matlab 開源了一本機器學習教材，供大家免費下載。
你猜群眾的反饋是啥？
排在第一位的，是這樣：
為什麼？人家好心好意給你書，你為何不要？
看這個曲線。
這是 Google 趨勢上面，用“matlab machine learning”和“python machine learning”分別檢索，得來的結果。
可以看到，如果今天你選擇用 Matlab 來做機器學習，你的協作網絡，和 Python 比起來，小得可以忽略不計。
這網絡裡面，包括為你打造工具的高手們，為你提供教程的人，也包括你潛在的合作伙伴……
你是希望自己的網絡大一些，還是小一些呢？
方法
瞭解了 Python 的特點，你也就大略知道，該怎麼去學它了。
我見過不少初學者，深吸一口氣，擺開陣仗，恨不得投入一年的時間，“系統”掌握它。
其實沒必要這麼如臨大敵。
如果教材編寫者假設，兒童都能在一個學期內學會 Python ，你一個受過高等教育的成人，學起來應該更輕鬆才對。
其實你看現在那些好的 MOOC 裡面（主題包括但不限於數據分析、數據可視化、機器學習、深度學習……）， Python 學習大概是怎麼做的。
他們會說，這門課咱們要用到 Python ，所以，本課程的第3章，是 Python 的學習。
對，Python ，這門編程語言，只佔了一章的篇幅。
學一章，就掌握 Python 了？
看你怎麼定義“掌握”了。
要是說你對 Python 的知識全面系統獲取到了，那簡直是在騙人。
就像你學齡前的時候，基本上也算能用中文對話了，對吧？
但是，你知道“回”字有四種寫法嗎？
人家授課者的意思是，學了這些 Python 知識，在他這門課就算夠用了。
後面如果出現沒有涉及過的函數或者方法，給你簡單說幾句，就可以繼續學習了。
你千萬不要用背單詞的方式來學 Python ，那效率會低得慘不忍睹。
說句題外話，即便你用背單詞的方式來學英語，我也不推薦。
你學 Python ，就應該是快速掌握一個最小核心技能集，例如知道怎麼賦值、怎麼判斷、怎麼循環，然後會自定義一個函數，可以輸入輸出東西……好了，可以上路了。
因為大部分的工作中，主要就用上述這些功能。遇到不明白的，直接查文檔。Python 的文檔，只要你不嫌棄它太詳細就好。
查文檔搞不定的問題，也沒關係，反正這門語言，世界上有數不清的人都會，論壇上發帖問唄。這是給別人提供實現自我價值的機會。說實話，這機會不好碰到，說不定有人甚至會感謝你的提問呢。
你看，這樣一來，你的技能來自於對真實問題的挑戰，這樣學起來，你的動力更足，學會之後你的滿足感更強。而且，你的記憶，會更加深刻。
資源
學習 Python 的資源，我在《如何高效學Python？》一文中已經為你詳細做過介紹和推薦，這裡就不再贅述了。
此處只介紹我最近發現的2個新資源，都是免費的。
一個是 IBM 提供的系列課程。其中的 Python 基礎課，叫做 Python for Data Science ，編號 PY0101EN 。網址在這裡。
除了免費、自主決定學習進度外，這門課的好處在於提供在線的 Jupyter Lab 編程環境。初學者最容易遇到的環境配置陷阱，在這裡統統不存在。
如果你更喜歡讀書的方式來學習，這裡有一張交互式的數據科學教材彙總圖。
你可以著重看其中的 Python 部分。
注意這張學習路線交互圖是免費的。裡面介紹的書，有的免費，有的收費。你可以酌情選擇。
小結
通過閱讀本文，希望你能掌握以下知識點：
首先，Python 本身不是什麼獨門絕藝，不要被人忽悠，以為學了 Python 就能……；其次，Python 是你連接到一個巨大協作網絡的橋樑，網的正外部性會讓你充分受益。偏偏這橋樑還沒有守衛，因此你，即便是個聽到技術就頭痛的文科生，也可以輕鬆進入；第三，學習 Python ，不要追求系統，更不要捨本逐末去死記硬背知識。採用“快速掌握核心知識+解決實際問題中練習補充”的方式，更為有效；第四，推薦了一些優質免費資源給你，希望能有幫助。
綜上，學 Python ，確實有助於提升你的競爭力。但是再強調一遍，那競爭力，並非來自 Python 本身。
祝學習愉快！
如果要是對python感興趣，可以關注小編，小編會不定時的更新python，Java等乾貨！
最後，為了幫助大家更好的學習Python，小編給大家準備了Python400集學習資料和視頻教程。
老規矩，轉發此文+關注 並 私信小編 “ 學習 ”即可領取。
閱讀更多 馮文說編程 的文章
