Python是一種功能很強大的語言，對于零基礎學習Python還是有難度的,但只要學習方法對，入門還是很快噠。下面介紹幾種學習Python的方法。以下是小編為你整理的如何學好python編程 ?
首先是書籍，通過書籍學習，雖然速度會有些慢，但知識具體，可以掌握很多細節，一旦入門后，后面進步就很快了，下面介紹給大家一本書，是以前我學習Python時用的書，感覺還挺不錯噠。
然后就是借助網絡學習，網上有很多視頻課程，而且有很多是免費噠，網絡視頻比較直觀，入門快。給大家推薦一個視頻，網易云課堂里有個零基礎入門學習python的視頻，是免費的，我之前也看過，挺不錯噠 ?
還有就是加一些qq群或是論壇，里面的知識雖然不全面，但對于知識的擴寬還是很有幫助噠。 ?
*說說我的學習經驗，書籍學習的方法比較扎實，網絡視頻學習的方法入門比較快，論壇可以作為知識的補充渠道，當然，如果想學精，唯有多多實踐一條途徑。 ?
優點是什么
Python世界最棒的地方之一，就是大量的第三方程序包。同樣，管理這些包也非常容易。按照慣例，會在 requirements.txt 文件中列出項目所需要的包。每個包占一行，通常還包含版本號。這里有一個例子 ?
Python 程序包有一個缺陷是，它們默認會進行全局安裝。我們將要使用一個工具，使我們每個項目都有一個獨立的環境，這個工具叫virtualenv。我們同樣要安裝一個更高級的包管理工具，叫做pip，他可以和virtualenv配合工作。 ?
首先，我們需要安裝pip。大多數python安裝程序已經內置了easy_install(python默認的包管理工具)，所以我們就使用easy_install pip來安裝pip。這應該是你*一次使用easy_install 了。如果你并沒有安裝easy_install ，在linux系統中，貌似從python-setuptools 包中可以獲得。 ?
如果你使用的Python版本高于等于3.3， 那么Virtualenv 已經是標準庫的一部分了，所以沒有必要再去安裝它了。 ?
下一步，你希望安裝virtualenv和virtualenvwrapper。Virtualenv使你能夠為每個項目創造一個獨立的環境。尤其是當你的不同項目使用不同版本的包時，這一點特別有用。Virtualenv wrapper 提供了一些不錯的腳本，可以讓一些事情變得容易。 ?
當virtualenvwrapper安裝后，它會把virtualenv列為依賴包，所以會自動安裝。 ?
打開一個新的shell，輸入mkvirtualenv test 。如果你打開另外一個shell，則你就不在這個virtualenv中了，你可以通過workon test 來啟動。如果你的工作完成了，可以使用deactivate 來停用。 ?
循環語句的應用
舉個例子如果我們要生產一個list [1,2,3,4,5,6,7,8,9,10] 我們可以使用range(1,11)來表示，如果直接寫range(11) 是從0開始，我們可以演示一下。print range(11)print range(1,11)print range(8,11) ?
然后我們想一下 如果要表示[1*1,2*2,3*3,4*4.....100*100]要怎么做呢?好肯定是要利用到循環的概念，正常的寫法是這樣的： ?
a = [] #定義一個空的列表for x in range(1,101): #假設X在從1開始循環到100 a.append(x * x) # 進行一次添加操作 x* xprint a
?
作為一個程序員，就要是使用最短的代碼*效的完成程序表達的功能，如果使用循環寫的話會感覺比較繁瑣，特別是邏輯能力不太強的朋友，我們可以使用一行語句代替循環，我們測試看看 ?
print [x * x for x in range(1,101)] ?
當然除了計算之外，我們還可以做一些比較特殊的字符串操作，比如： ?
print [m + n for m in 'ABC' for n in 'XYZ'] ?
我們可以看到我們把A B C 都加了一遍XYZ 如果要用正常的循環也是可以完成的就是了，這樣的操作更加簡單便捷。 ?
學python有什么條件
開發環境準備，這里我選用Visual Studio 2017作為Python的開發工具，要求在Visual Studio中安裝Python環境支持
在進行機器學習開發時我們需要給python環境安裝所需要的外部依賴包
sklearn，numpy，spicy
引入sklearn包，創建數據特征模型
from sklearn import tree
#特征模型數據，[身高,胡子] 1-有 0-無
feature =[[178,1],[155,0],[180,1],[166,0],[168,1],[152,0]] ?
#特征標簽值
label=['male''female','fale','female','fale','female']
我們采用決策樹進行分類預測
#創建一個決策樹對象
clf = tree.DecisionTreeClassifier();
#將特征數據交個決策樹進行判斷
clf = clf.fit(feature,label)
進行新的數據預測
#預測一組新的數據
clf.predict([[158,0]])
clf.predict([[190,1]])
完成的Python的代碼如下： ?
from sklearn import tree
#特征模型數據，[身高,胡子] 1-有 0-無
feature =[[178,1],[155,0],[180,1],[166,0],[168,1],[152,0]]
#特征標簽值
label=['male','female','fale','female','fale','female']
#創建一個決策樹對象
clf = tree.DecisionTreeClassifier();
#將特征數據交個決策樹進行判斷 ?
clf = clf.fit(feature,label)
#預測一組新的數據
r1=clf.predict([[158,0]])
print("Data[158,0] is label for:")
print(r1)
r2=clf.predict([[190,1]])
print("Data[190,1] is label for:")
print(r1)
