1. 从看教程到做项目为什么我坚持用Python做具体实践断断续续跟Python打交道两年多回头看最让我后悔的一件事就是一开始花了太多时间在教程上。列表、字典、循环、函数来回翻每一章都觉得自己看懂了真到面对一份要处理的Excel时却连第一行代码该写在哪里都不知道。直到我强迫自己不再按章节顺序学而是带着一个个具体的需求去完成“项目实践”Python才算真正长在了手里。这篇笔记就是把这几年在实践里踩过的坑和沉淀下来的方法整理一遍。如果你正在学Python或者刚学完基础语法准备找第一个练手项目应该能省下不少时间。先说说我为什么坚持用项目带动学习。很多人推荐的入门路线是“先学基础语法再学爬虫然后学数据分析”。这个路线本身没错但有个容易被忽略的问题只学语法时你不知道什么场景真正用得上一上来就写爬虫又得同时面对网页结构、反爬机制、网络请求这些和Python本身关系不大的变量。很多人学到一半就卡住了。我的建议是把数据分析作为第一个实践方向理由很简单数据是现成的不需要求别人提供接口也不依赖复杂环境你只要把数据处理清楚结果立刻就能看得见摸得着。顺便聊一个常被问到的对比Python和Java到底选哪个。我的体会是两者的定位不一样。Java偏工程化和大型系统强调类型明确、结构严谨适合长期维护的企业级后端Python则更适合快速验证想法、处理数据、写自动化脚本。对一个不想专职做后端开发、只是想提升自己处理数据效率的人来说Python的学习曲线明显更平滑。你不用先写一个类才能跑起来几行脚本就能解决一个具体问题。这种即时反馈恰恰是新手最需要的正反馈。不过我在环境上也是交过学费的。最初跟着视频教程装了Python 3.8后来为了跑一个新项目装了Python 3.11两个版本混在一起pip装包时经常出现模块装到另一个版本里的情况排查了好久。后来我给每个项目单独建虚拟环境才算彻底消停。这件事让我意识到项目实践的价值不只是学到代码还会把环境、依赖、版本这些问题一并教会你而这些是光看教程永远学不会的。2. 环境搭建阶段最劝退新手的几个坑2.1 安装Python时最容易忽略的细节很多人第一步就卡在安装上。去python官网下载安装包时版本选择就有讲究。如果完全没有经验建议装稳定版中带“recommended”标记的版本或者干脆和你正在看的教程保持同一个大版本比如教程里用的是3.10你就装3.10不要为了求新装3.13否则后面装库时容易碰到兼容性问题。Windows下安装时有一个关键勾选项Add python.exe to PATH。如果安装时没勾后面在cmd里输入python会提示“不是内部或外部命令”。这个勾选的作用是自动把Python的可执行目录加入系统环境变量省得手动配置。但很多人第一次装的时候根本没注意装完就傻眼了。如果你和我一样装的时候没勾也别重装。手动配一次就够了进入系统设置找到“高级系统设置”点“环境变量”在用户变量里找到Path新增两条路径一条是Python安装目录一条是安装目录下的Scripts文件夹。配好后重新打开cmd输入python --version能看到版本号就说明成功了。Linux环境下稍微不一样通常系统自带python3只需要确认python3和pip3是否存在。没有pip的话用包管理器装一下python3-pip就可以。这里的核心思路是先确认你的Python解释器和包管理工具在命令行里能被找到后面所有操作才有基础。2.2 虚拟环境多版本Python混用最大的救星前面说了我自己在多版本上踩的坑这里展开讲一下。很多新手装库时习惯直接pip install如果你机器上只有一个Python环境这样问题不大但只要有两个甚至更多版本pip很可能把库装到默认的那个版本里去你换了终端或者换了编译器import却报错非常头疼。虚拟环境的作用通俗说就是给每个项目单独造一个小房间房间里的Python版本和库都是独立的互不干扰。创建方式很简单python -m venv myenv创建之后Windows下进入环境运行myenv\Scripts\activateLinux或macOS下运行source myenv/bin/activate。激活后命令行前面会出现(myenv)这样的前缀接下来你在这个环境里pip安装的所有库都只属于这个项目。我在项目实践中尝到甜头后再也没在全局环境里大量装过库。每个项目单独一套依赖换台电脑或者过几个月再看依赖关系清清楚楚不会出现“这个项目在别人机器上跑不起来”的尴尬。2.3 pip换源与VSCode配置跑通第一个库环境配好后下一步就是装库。你可能已经遇到过pip install在默认源上下载慢到崩溃的情况。解决方法是换国内镜像源一条命令就能全局生效pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple换完源再装库速度提升非常明显。比较常用的几个库可以用一条命令一起装pip install numpy pandas matplotlib scikit-learn opencv-python如果你需要装某个具体版本比如教程里要求numpy 1.x可以指定numpy1.24.3。如果你装了sklearn导入的时候要注意包名是sklearn不是scikit-learn这个小坑也曾经让我怀疑自己装错了。编辑器方面我推荐VSCode。安装Python扩展后按CtrlShiftP调出命令面板输入“Python: Select Interpreter”选择你刚才配置的解释器。确认解释器这件事经常被忽略很多人代码跑不起来就是因为VSCode还在用系统默认的Python而库装在虚拟环境里。配置好之后写一行import numpy as np; print(np.__version__)能正常输出版本号环境这一关就算过了。提示遇到“pip不是内部或外部命令”这类提示先别急着重装Python基本可以确定是Python的Scripts目录没进PATH或者虚拟环境没激活。3. 第一个数据分析项目从DataFrame开始理解结构化数据3.1 一份乱糟糟的Excel如何变成干净的数据表我的第一个Python实践项目是对付一份销售明细表。原始的Excel里有订单号、日期、地区、金额、备注几列看起来结构完整但真要统计就问题百出金额列混着“¥”符号有些单元格是文本格式日期有的是字符串有的是时间格式还有不少完全重复的行。这正是我在实际工作中最常遇到的数据形态也是最好的练手素材。当时的思路很朴素先用pandas读进来看看数据长什么样。数据读入后我看每一列的缺失、重复情况和类型然后逐列清洗。把这种“先看再清”的习惯养成之后处理任何数据集心里都有底。import pandas as pd df pd.read_excel(sales.xlsx) print(df.head()) print(df.info())df.info()会告诉你每一列的数据类型和非空值数量这是判断清洗方向的第一个依据。比如金额列显示为object类型基本就是混入了文本符号日期列如果是object也需要转换。这一步很多人会跳过结果后续代码各种报错浪费的时间反而更多。所谓结构化数据其实就是这种二维表有行有列每列有明确的类型和含义。pandas里的DataFrame就是专门干这个的它把Excel、CSV、数据库查询结果这些东西统一成一张内存中的表接下来所有操作都在这张表上进行。3.2 分组、去重、类型转换最常用的三板斧继续处理那份销售表。首先是重复记录直接统计和删除print(df.duplicated().sum()) df_clean df.drop_duplicates()其次是日期和金额的清洗。日期列用pd.to_datetime统一转换金额列的“¥”符号用替换的方式去掉再转成数值类型df_clean[日期] pd.to_datetime(df_clean[日期]) df_clean[金额] df_clean[金额].str.replace(¥, ).astype(float)这里astype(float)就是Python类型转换的一个典型场景。新手学到“类型转换”这个概念时总觉得抽象放到真实项目里就很好懂文本型的“100”和数字100看起来一样但没法求平均值必须转成float之后才能参与运算。编程学习中很多概念都需要在这种具体问题里才能真正建立直觉。然后做每月销售额汇总monthly_sales df_clean.groupby(df_clean[日期].dt.to_period(M))[金额].sum() print(monthly_sales)如果还想按地区聚合可以把多个列名传给groupbyregion_sales df_clean.groupby([地区, 日期].dt.to_period(M))[金额].sum()这几个操作放在一起就是一次最典型的数据分析小项目从杂乱到规范从明细到汇总。做完之后你会对DataFrame的行列结构、分组聚合的返回结果、以及“索引”到底是个什么东西都有更直观的理解。3.3 把处理流程写成函数从脚本到工具的进化第一次做清洗时我把所有代码从头写到尾能跑就行。后来发现同样的表每周都会收到新的每周都要把那段代码从头运行一遍烦不胜烦。于是我把清洗逻辑封装成一个函数def clean_sales_data(raw_df): df raw_df.drop_duplicates() df[日期] pd.to_datetime(df[日期]) df[金额] df[金额].str.replace(¥, ).astype(float) return df定义函数这件事教材里讲得再多都不如这个场景来得直接一个函数就像一条流水线输入是原始表输出是干净表名字起得清楚别人一看就能用。这个习惯帮我节省了大量重复劳动也让我的代码从“一次性脚本”进化成了“可以反复使用的工具”。很多人问学Python要不要去写爬虫、写量化交易策略。我的看法是爬虫可以作为兴趣项目但作为第一个练手项目不如数据分析稳定因为它额外的变量太多量化交易策略听起来高级本质上也还是数据处理和规则回测如果连数据清洗都不过关策略代码写出来大概率是自欺欺人。先把DataFrame和结构化数据处理搞扎实后面那些方向都会轻松很多。4. 数据可视化横坐标太密集只是一个小缩影4.1 为什么图一长标签就会糊成一团数据分析做完下一步自然是画图。用matplotlib画折线图时只要x轴是几十个甚至几百个连续的时间点或类别名默认设置就会把每个刻度值都画出来结果标签一个叠一个糊成一团黑色。这可能是Python绘图最常见的抱怨之一我听到不下十次“横坐标太密集怎么办”。根本原因不复杂数据量超过了一张图能清晰显示的个数matplotlib还是按默认规则把每个数据点都放进刻度里没有做抽稀也没有做旋转或换行。说白了它只是在“诚实”地展示数据但没有考虑可读性。4.2 让坐标轴可读的三种实际做法最简单的做法是旋转标签import matplotlib.pyplot as plt plt.figure(figsize(12, 5)) plt.plot(df_clean[日期], df_clean[金额]) plt.xticks(rotation45, haright) plt.tight_layout() plt.show()rotation45把标签旋转45度haright让文字右对齐两项配合基本能解决大部分轻度重叠。如果数据跨度大、标签项太多靠旋转也不够就要抽稀。手动指定显示的刻度step max(len(df_clean) // 20, 1) ticks list(range(0, len(df_clean), step)) plt.xticks(ticksticks, labelsdf_clean[日期].iloc[ticks])这段代码的思路是一共几百个点如果一屏显示20个标签比较合适就每N个点显示一个标签具体间隔用总数除以期望数量算出来。你还可以用MaxNLocator让它自动控制刻度数量但新手阶段先掌握手动抽稀更容易理解背后的逻辑。如果x轴是日期数据还有更省事的方案fig.autofmt_xdate()会自动旋转日期标签AutoDateLocator会自动选择合理的日期刻度密度比如数据跨度大时只显示月份跨度小时显示每天。记住两个强制要求先plt.figure()再画数据最后再plt.show()。很多新手喜欢边画边加内容忽略顺序导致图形空白这其实是新手非常容易掉的坑。4.3 中文乱码与图片导出的细节国内数据分析碰到的一个很有中国特色的坑是中文显示。画出来的图里中文标签全部变成方框。解决办法是设置字体参数plt.rcParams[font.sans-serif] [Microsoft YaHei] plt.rcParams[axes.unicode_minus] False第一行指定中文字体第二行解决负号显示异常。设置之后标题、坐标轴里的中文都能正常显示。这个配置每次画图前都要写所以我后来把这两个参数放在自己常用的脚本模板里节省重复排查的时间。保存图片也有讲究。直接用plt.savefig(chart.png)保存出来的图经常有白边过多或者DPI不清晰的问题。我习惯这样写plt.savefig(chart.png, dpi300, bbox_inchestight)dpi300保证印刷级别的清晰度bbox_inchestight会自动裁掉多余的空白。这两个参数加上字体配置是能显著提升图表成品质量的三个细节。5. 自动化取数把“每天手动拉表”变成一条命令5.1 用Python连接Oracle查询数据学Python到一定程度很多人会想把它用于工作我的第一个工作相关场景是“每天手动拉表”。每天早上登录数据库客户端执行同一句查询导出Excel再邮件发出去。干了几天就烦了于是用Python写脚本来自动化整个流程。如果你用的是Oracle数据库现在推荐装python-oracledb这个驱动它是老牌驱动cx_Oracle的继任者安装和连接都更简单pip install python-oracledb连接和查询的代码结构如下import oracledb conn oracledb.connect( useryour_user, passwordyour_password, dsn192.168.1.10:1521/orclpdb1 ) cur conn.cursor() cur.execute( select order_date, region, amount from sales where order_date :dt , {dt: 2025-01-01}) rows cur.fetchall() for row in rows: print(row) cur.close() conn.close()这里用:dt传参而不是拼SQL字符串是为了防止SQL注入和转义问题也是数据库操作的基本素养。换成MySQL或者SQL Server思路完全一样只是驱动和连接字符串不同。如果你在公司内网环境连接信息里通常还要配置数据库服务名或者实例名这一块的具体参数要问你们DBA要。5.2 从数据库到文件一条命令自动拉表查询出数据后我一般直接转成DataFrame再导出成Excel或CSVimport pandas as pd df pd.DataFrame(rows, columns[order_date, region, amount]) df.to_excel(daily_sales.xlsx, indexFalse)你可能会好奇为什么要多此一举转成DataFrame直接用open和csv模块写文件难道不行转DataFrame的好处是我可以顺手做清洗和汇总比如删除重复行、过滤掉异常值、按地区聚合让最终导出的文件直接就是我要发出去的样子。把处理逻辑和取数逻辑放在同一个脚本里每天运行一次邮箱里的报表就不会迟到。这其实就是“用Python连接公司系统自动拉表”这类需求的最朴素实现。不需要复杂的框架不需要可视化界面就是一个脚本每天固定运行一次甚至连交互都不需要。5.3 自动化之前先想清楚边界和权限做自动化有个特别重要的前提你必须对自己要访问的数据和系统有合法的权限。在公司内部不管你是连数据库还是读报表系统都应该先确认这个操作在安全策略允许范围内。我的做法是先用明文脚本在自己机器上跑通流程然后梳理清楚脚本里有哪些参数是可变的哪些是固定不变的最后再和运维确认是否可以配置定时任务。定时任务的落地方式也简单。Windows上用“任务计划程序”Linux上用crontab两者都可以指定每天几点执行某个Python脚本。我自己在Windows上配置的定时任务长这样schtasks /create /tn DailySales /tr python D:\scripts\daily_sales.py /sc daily /st 08:30如果公司内有专门的调度平台把脚本挂上去会更规范。另外脚本里如果有数据库密码千万别硬编码在代码里建议用环境变量或者单独的配置文件读取。这个习惯能在代码被共享或误上传时帮你避免大麻烦。6. 算法小实践的乐趣邻接矩阵与李白打酒6.1 用Python构建邻接矩阵理解图的存储除了数据分析和自动化我也喜欢用Python刷一些算法小题目不为面试纯从实践里练基本功。比如“构建邻接矩阵”这个需求很多教数据结构的书里只讲概念不讲怎么用代码落地。实际写起来特别直观尤其适合理解“图”这个东西的存储方式。假设有5个节点边是(0,1)、(1,2)、(2,0)、(2,3)无向图用二维列表表示邻接矩阵n 5 adj [[0] * n for _ in range(n)] edges [(0, 1), (1, 2), (2, 0), (2, 3)] for u, v in edges: adj[u][v] 1 adj[v][u] 1 # 无向图是对称的 for row in adj: print(row)运行结果就是一张0/1矩阵第i行第j列为1表示i和j之间有边。这里藏着一个小知识点[[0] * n] * n是不行的你会得到n个指向同一个列表的引用改一个就全部变。要写成[[0] * n for _ in range(n)]每一行都是独立对象。这种“列表复制”的坑自己踩一次比看十遍文档都记得牢。6.2 李白打酒正着想不通就倒着来还有一个我印象很深的经典编程题“李白打酒”。题目大意是李白提着酒壶出门遇到酒店酒就翻倍遇到花就喝掉一斗最后酒刚好喝完问原来壶里有多少酒。如果顺序不定正着枚举有点烦但有一个非常漂亮的思路是倒推。核心就是操作有逆操作。“遇店加一倍”的逆操作是“除以2”“见花喝一斗”的逆操作是“加一斗”。我从最后的状态“0斗”开始把动作序列反过来走一遍actions [店, 花, 店, 花, 店, 花] wine 0.0 for action in reversed(actions): if action 花: wine 1 else: wine / 2 print(wine) # 0.875这个程序的妙处在于你把“正向枚举所有可能顺序”的问题变成了“已知结果按逆序还原”的确定性问题难度直接降了一档。我当时第一次体会到“逆向思维”在编程里的力量就是从这个题目开始的。做完循环版之后我又试了递归版本定义了一个函数模拟每一步def backtrack(pos, wine): if pos len(actions): return wine 0 if actions[pos] 店: return backtrack(pos 1, wine * 2) return backtrack(pos 1, wine - 1)虽然这个版本带着搜索的味道但把“状态”和“转移”清晰地表达出来了。这种把问题建模成状态转移的思路对后面接触动态规划、图算法都很有帮助。6.3 切片和命名算法题里练出来的习惯刷算法题还会顺手练到一些Python基本功。比如切片处理数组子序列时简直无处不在。列表和字符串的切片规则是左闭右开a[1:4]取的是下标1、2、3三个元素取不到下标4。a[::-1]是倒序a[2:]是去掉前两个这些都是高频操作。练这类题目还让我养成了两个习惯。第一变量名要有意义。我早期写代码特别喜欢用a、b、tmp十个变量以内还好一旦超过十个绕来绕去就把自己绕晕。后来所有变量都改成能看出含义的名字比如wine、actions、adj_matrix代码可读性提升了一大截。第二函数尽量做单一事情。一个函数如果干了两件不相关的事拆成两个函数后面调试和复用的成本都会低很多。最后分享一点个人体会写了这么多最想强调的还是那句话Python是实践性极强的语言光看不练等于白学。每完成一个小项目哪怕只是把一个Excel清洗干净、画出一张图表、写好一个自动取数脚本都值得记录下来。我自己一直保持着一个习惯每个项目在结束时写一段几十行的笔记记录当时为什么这么做、卡在了哪里、最后怎么解决的。半年后回头翻这些笔记发现它们比任何教程都有用因为它们是只属于你自己的经验链路。如果你正卡在某一步比如环境装不上、库导不进、图画乱成一团别急着怀疑自己。深呼吸把报错信息完整读一遍按这篇笔记里的排查思路走一遍——多数问题都出在环境变量、解释器选择、数据格式这三件事上。Python这条路上最大的阻碍不是语法而是“觉得自己学不会”的心理暗示。多动手把一个个小项目做下来能力和信心都是自然积累出来的。
1. 从看教程到做项目为什么我坚持用Python做具体实践断断续续跟Python打交道两年多回头看最让我后悔的一件事就是一开始花了太多时间在教程上。列表、字典、循环、函数来回翻每一章都觉得自己看懂了真到面对一份要处理的Excel时却连第一行代码该写在哪里都不知道。直到我强迫自己不再按章节顺序学而是带着一个个具体的需求去完成“项目实践”Python才算真正长在了手里。这篇笔记就是把这几年在实践里踩过的坑和沉淀下来的方法整理一遍。如果你正在学Python或者刚学完基础语法准备找第一个练手项目应该能省下不少时间。先说说我为什么坚持用项目带动学习。很多人推荐的入门路线是“先学基础语法再学爬虫然后学数据分析”。这个路线本身没错但有个容易被忽略的问题只学语法时你不知道什么场景真正用得上一上来就写爬虫又得同时面对网页结构、反爬机制、网络请求这些和Python本身关系不大的变量。很多人学到一半就卡住了。我的建议是把数据分析作为第一个实践方向理由很简单数据是现成的不需要求别人提供接口也不依赖复杂环境你只要把数据处理清楚结果立刻就能看得见摸得着。顺便聊一个常被问到的对比Python和Java到底选哪个。我的体会是两者的定位不一样。Java偏工程化和大型系统强调类型明确、结构严谨适合长期维护的企业级后端Python则更适合快速验证想法、处理数据、写自动化脚本。对一个不想专职做后端开发、只是想提升自己处理数据效率的人来说Python的学习曲线明显更平滑。你不用先写一个类才能跑起来几行脚本就能解决一个具体问题。这种即时反馈恰恰是新手最需要的正反馈。不过我在环境上也是交过学费的。最初跟着视频教程装了Python 3.8后来为了跑一个新项目装了Python 3.11两个版本混在一起pip装包时经常出现模块装到另一个版本里的情况排查了好久。后来我给每个项目单独建虚拟环境才算彻底消停。这件事让我意识到项目实践的价值不只是学到代码还会把环境、依赖、版本这些问题一并教会你而这些是光看教程永远学不会的。2. 环境搭建阶段最劝退新手的几个坑2.1 安装Python时最容易忽略的细节很多人第一步就卡在安装上。去python官网下载安装包时版本选择就有讲究。如果完全没有经验建议装稳定版中带“recommended”标记的版本或者干脆和你正在看的教程保持同一个大版本比如教程里用的是3.10你就装3.10不要为了求新装3.13否则后面装库时容易碰到兼容性问题。Windows下安装时有一个关键勾选项Add python.exe to PATH。如果安装时没勾后面在cmd里输入python会提示“不是内部或外部命令”。这个勾选的作用是自动把Python的可执行目录加入系统环境变量省得手动配置。但很多人第一次装的时候根本没注意装完就傻眼了。如果你和我一样装的时候没勾也别重装。手动配一次就够了进入系统设置找到“高级系统设置”点“环境变量”在用户变量里找到Path新增两条路径一条是Python安装目录一条是安装目录下的Scripts文件夹。配好后重新打开cmd输入python --version能看到版本号就说明成功了。Linux环境下稍微不一样通常系统自带python3只需要确认python3和pip3是否存在。没有pip的话用包管理器装一下python3-pip就可以。这里的核心思路是先确认你的Python解释器和包管理工具在命令行里能被找到后面所有操作才有基础。2.2 虚拟环境多版本Python混用最大的救星前面说了我自己在多版本上踩的坑这里展开讲一下。很多新手装库时习惯直接pip install如果你机器上只有一个Python环境这样问题不大但只要有两个甚至更多版本pip很可能把库装到默认的那个版本里去你换了终端或者换了编译器import却报错非常头疼。虚拟环境的作用通俗说就是给每个项目单独造一个小房间房间里的Python版本和库都是独立的互不干扰。创建方式很简单python -m venv myenv创建之后Windows下进入环境运行myenv\Scripts\activateLinux或macOS下运行source myenv/bin/activate。激活后命令行前面会出现(myenv)这样的前缀接下来你在这个环境里pip安装的所有库都只属于这个项目。我在项目实践中尝到甜头后再也没在全局环境里大量装过库。每个项目单独一套依赖换台电脑或者过几个月再看依赖关系清清楚楚不会出现“这个项目在别人机器上跑不起来”的尴尬。2.3 pip换源与VSCode配置跑通第一个库环境配好后下一步就是装库。你可能已经遇到过pip install在默认源上下载慢到崩溃的情况。解决方法是换国内镜像源一条命令就能全局生效pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple换完源再装库速度提升非常明显。比较常用的几个库可以用一条命令一起装pip install numpy pandas matplotlib scikit-learn opencv-python如果你需要装某个具体版本比如教程里要求numpy 1.x可以指定numpy1.24.3。如果你装了sklearn导入的时候要注意包名是sklearn不是scikit-learn这个小坑也曾经让我怀疑自己装错了。编辑器方面我推荐VSCode。安装Python扩展后按CtrlShiftP调出命令面板输入“Python: Select Interpreter”选择你刚才配置的解释器。确认解释器这件事经常被忽略很多人代码跑不起来就是因为VSCode还在用系统默认的Python而库装在虚拟环境里。配置好之后写一行import numpy as np; print(np.__version__)能正常输出版本号环境这一关就算过了。提示遇到“pip不是内部或外部命令”这类提示先别急着重装Python基本可以确定是Python的Scripts目录没进PATH或者虚拟环境没激活。3. 第一个数据分析项目从DataFrame开始理解结构化数据3.1 一份乱糟糟的Excel如何变成干净的数据表我的第一个Python实践项目是对付一份销售明细表。原始的Excel里有订单号、日期、地区、金额、备注几列看起来结构完整但真要统计就问题百出金额列混着“¥”符号有些单元格是文本格式日期有的是字符串有的是时间格式还有不少完全重复的行。这正是我在实际工作中最常遇到的数据形态也是最好的练手素材。当时的思路很朴素先用pandas读进来看看数据长什么样。数据读入后我看每一列的缺失、重复情况和类型然后逐列清洗。把这种“先看再清”的习惯养成之后处理任何数据集心里都有底。import pandas as pd df pd.read_excel(sales.xlsx) print(df.head()) print(df.info())df.info()会告诉你每一列的数据类型和非空值数量这是判断清洗方向的第一个依据。比如金额列显示为object类型基本就是混入了文本符号日期列如果是object也需要转换。这一步很多人会跳过结果后续代码各种报错浪费的时间反而更多。所谓结构化数据其实就是这种二维表有行有列每列有明确的类型和含义。pandas里的DataFrame就是专门干这个的它把Excel、CSV、数据库查询结果这些东西统一成一张内存中的表接下来所有操作都在这张表上进行。3.2 分组、去重、类型转换最常用的三板斧继续处理那份销售表。首先是重复记录直接统计和删除print(df.duplicated().sum()) df_clean df.drop_duplicates()其次是日期和金额的清洗。日期列用pd.to_datetime统一转换金额列的“¥”符号用替换的方式去掉再转成数值类型df_clean[日期] pd.to_datetime(df_clean[日期]) df_clean[金额] df_clean[金额].str.replace(¥, ).astype(float)这里astype(float)就是Python类型转换的一个典型场景。新手学到“类型转换”这个概念时总觉得抽象放到真实项目里就很好懂文本型的“100”和数字100看起来一样但没法求平均值必须转成float之后才能参与运算。编程学习中很多概念都需要在这种具体问题里才能真正建立直觉。然后做每月销售额汇总monthly_sales df_clean.groupby(df_clean[日期].dt.to_period(M))[金额].sum() print(monthly_sales)如果还想按地区聚合可以把多个列名传给groupbyregion_sales df_clean.groupby([地区, 日期].dt.to_period(M))[金额].sum()这几个操作放在一起就是一次最典型的数据分析小项目从杂乱到规范从明细到汇总。做完之后你会对DataFrame的行列结构、分组聚合的返回结果、以及“索引”到底是个什么东西都有更直观的理解。3.3 把处理流程写成函数从脚本到工具的进化第一次做清洗时我把所有代码从头写到尾能跑就行。后来发现同样的表每周都会收到新的每周都要把那段代码从头运行一遍烦不胜烦。于是我把清洗逻辑封装成一个函数def clean_sales_data(raw_df): df raw_df.drop_duplicates() df[日期] pd.to_datetime(df[日期]) df[金额] df[金额].str.replace(¥, ).astype(float) return df定义函数这件事教材里讲得再多都不如这个场景来得直接一个函数就像一条流水线输入是原始表输出是干净表名字起得清楚别人一看就能用。这个习惯帮我节省了大量重复劳动也让我的代码从“一次性脚本”进化成了“可以反复使用的工具”。很多人问学Python要不要去写爬虫、写量化交易策略。我的看法是爬虫可以作为兴趣项目但作为第一个练手项目不如数据分析稳定因为它额外的变量太多量化交易策略听起来高级本质上也还是数据处理和规则回测如果连数据清洗都不过关策略代码写出来大概率是自欺欺人。先把DataFrame和结构化数据处理搞扎实后面那些方向都会轻松很多。4. 数据可视化横坐标太密集只是一个小缩影4.1 为什么图一长标签就会糊成一团数据分析做完下一步自然是画图。用matplotlib画折线图时只要x轴是几十个甚至几百个连续的时间点或类别名默认设置就会把每个刻度值都画出来结果标签一个叠一个糊成一团黑色。这可能是Python绘图最常见的抱怨之一我听到不下十次“横坐标太密集怎么办”。根本原因不复杂数据量超过了一张图能清晰显示的个数matplotlib还是按默认规则把每个数据点都放进刻度里没有做抽稀也没有做旋转或换行。说白了它只是在“诚实”地展示数据但没有考虑可读性。4.2 让坐标轴可读的三种实际做法最简单的做法是旋转标签import matplotlib.pyplot as plt plt.figure(figsize(12, 5)) plt.plot(df_clean[日期], df_clean[金额]) plt.xticks(rotation45, haright) plt.tight_layout() plt.show()rotation45把标签旋转45度haright让文字右对齐两项配合基本能解决大部分轻度重叠。如果数据跨度大、标签项太多靠旋转也不够就要抽稀。手动指定显示的刻度step max(len(df_clean) // 20, 1) ticks list(range(0, len(df_clean), step)) plt.xticks(ticksticks, labelsdf_clean[日期].iloc[ticks])这段代码的思路是一共几百个点如果一屏显示20个标签比较合适就每N个点显示一个标签具体间隔用总数除以期望数量算出来。你还可以用MaxNLocator让它自动控制刻度数量但新手阶段先掌握手动抽稀更容易理解背后的逻辑。如果x轴是日期数据还有更省事的方案fig.autofmt_xdate()会自动旋转日期标签AutoDateLocator会自动选择合理的日期刻度密度比如数据跨度大时只显示月份跨度小时显示每天。记住两个强制要求先plt.figure()再画数据最后再plt.show()。很多新手喜欢边画边加内容忽略顺序导致图形空白这其实是新手非常容易掉的坑。4.3 中文乱码与图片导出的细节国内数据分析碰到的一个很有中国特色的坑是中文显示。画出来的图里中文标签全部变成方框。解决办法是设置字体参数plt.rcParams[font.sans-serif] [Microsoft YaHei] plt.rcParams[axes.unicode_minus] False第一行指定中文字体第二行解决负号显示异常。设置之后标题、坐标轴里的中文都能正常显示。这个配置每次画图前都要写所以我后来把这两个参数放在自己常用的脚本模板里节省重复排查的时间。保存图片也有讲究。直接用plt.savefig(chart.png)保存出来的图经常有白边过多或者DPI不清晰的问题。我习惯这样写plt.savefig(chart.png, dpi300, bbox_inchestight)dpi300保证印刷级别的清晰度bbox_inchestight会自动裁掉多余的空白。这两个参数加上字体配置是能显著提升图表成品质量的三个细节。5. 自动化取数把“每天手动拉表”变成一条命令5.1 用Python连接Oracle查询数据学Python到一定程度很多人会想把它用于工作我的第一个工作相关场景是“每天手动拉表”。每天早上登录数据库客户端执行同一句查询导出Excel再邮件发出去。干了几天就烦了于是用Python写脚本来自动化整个流程。如果你用的是Oracle数据库现在推荐装python-oracledb这个驱动它是老牌驱动cx_Oracle的继任者安装和连接都更简单pip install python-oracledb连接和查询的代码结构如下import oracledb conn oracledb.connect( useryour_user, passwordyour_password, dsn192.168.1.10:1521/orclpdb1 ) cur conn.cursor() cur.execute( select order_date, region, amount from sales where order_date :dt , {dt: 2025-01-01}) rows cur.fetchall() for row in rows: print(row) cur.close() conn.close()这里用:dt传参而不是拼SQL字符串是为了防止SQL注入和转义问题也是数据库操作的基本素养。换成MySQL或者SQL Server思路完全一样只是驱动和连接字符串不同。如果你在公司内网环境连接信息里通常还要配置数据库服务名或者实例名这一块的具体参数要问你们DBA要。5.2 从数据库到文件一条命令自动拉表查询出数据后我一般直接转成DataFrame再导出成Excel或CSVimport pandas as pd df pd.DataFrame(rows, columns[order_date, region, amount]) df.to_excel(daily_sales.xlsx, indexFalse)你可能会好奇为什么要多此一举转成DataFrame直接用open和csv模块写文件难道不行转DataFrame的好处是我可以顺手做清洗和汇总比如删除重复行、过滤掉异常值、按地区聚合让最终导出的文件直接就是我要发出去的样子。把处理逻辑和取数逻辑放在同一个脚本里每天运行一次邮箱里的报表就不会迟到。这其实就是“用Python连接公司系统自动拉表”这类需求的最朴素实现。不需要复杂的框架不需要可视化界面就是一个脚本每天固定运行一次甚至连交互都不需要。5.3 自动化之前先想清楚边界和权限做自动化有个特别重要的前提你必须对自己要访问的数据和系统有合法的权限。在公司内部不管你是连数据库还是读报表系统都应该先确认这个操作在安全策略允许范围内。我的做法是先用明文脚本在自己机器上跑通流程然后梳理清楚脚本里有哪些参数是可变的哪些是固定不变的最后再和运维确认是否可以配置定时任务。定时任务的落地方式也简单。Windows上用“任务计划程序”Linux上用crontab两者都可以指定每天几点执行某个Python脚本。我自己在Windows上配置的定时任务长这样schtasks /create /tn DailySales /tr python D:\scripts\daily_sales.py /sc daily /st 08:30如果公司内有专门的调度平台把脚本挂上去会更规范。另外脚本里如果有数据库密码千万别硬编码在代码里建议用环境变量或者单独的配置文件读取。这个习惯能在代码被共享或误上传时帮你避免大麻烦。6. 算法小实践的乐趣邻接矩阵与李白打酒6.1 用Python构建邻接矩阵理解图的存储除了数据分析和自动化我也喜欢用Python刷一些算法小题目不为面试纯从实践里练基本功。比如“构建邻接矩阵”这个需求很多教数据结构的书里只讲概念不讲怎么用代码落地。实际写起来特别直观尤其适合理解“图”这个东西的存储方式。假设有5个节点边是(0,1)、(1,2)、(2,0)、(2,3)无向图用二维列表表示邻接矩阵n 5 adj [[0] * n for _ in range(n)] edges [(0, 1), (1, 2), (2, 0), (2, 3)] for u, v in edges: adj[u][v] 1 adj[v][u] 1 # 无向图是对称的 for row in adj: print(row)运行结果就是一张0/1矩阵第i行第j列为1表示i和j之间有边。这里藏着一个小知识点[[0] * n] * n是不行的你会得到n个指向同一个列表的引用改一个就全部变。要写成[[0] * n for _ in range(n)]每一行都是独立对象。这种“列表复制”的坑自己踩一次比看十遍文档都记得牢。6.2 李白打酒正着想不通就倒着来还有一个我印象很深的经典编程题“李白打酒”。题目大意是李白提着酒壶出门遇到酒店酒就翻倍遇到花就喝掉一斗最后酒刚好喝完问原来壶里有多少酒。如果顺序不定正着枚举有点烦但有一个非常漂亮的思路是倒推。核心就是操作有逆操作。“遇店加一倍”的逆操作是“除以2”“见花喝一斗”的逆操作是“加一斗”。我从最后的状态“0斗”开始把动作序列反过来走一遍actions [店, 花, 店, 花, 店, 花] wine 0.0 for action in reversed(actions): if action 花: wine 1 else: wine / 2 print(wine) # 0.875这个程序的妙处在于你把“正向枚举所有可能顺序”的问题变成了“已知结果按逆序还原”的确定性问题难度直接降了一档。我当时第一次体会到“逆向思维”在编程里的力量就是从这个题目开始的。做完循环版之后我又试了递归版本定义了一个函数模拟每一步def backtrack(pos, wine): if pos len(actions): return wine 0 if actions[pos] 店: return backtrack(pos 1, wine * 2) return backtrack(pos 1, wine - 1)虽然这个版本带着搜索的味道但把“状态”和“转移”清晰地表达出来了。这种把问题建模成状态转移的思路对后面接触动态规划、图算法都很有帮助。6.3 切片和命名算法题里练出来的习惯刷算法题还会顺手练到一些Python基本功。比如切片处理数组子序列时简直无处不在。列表和字符串的切片规则是左闭右开a[1:4]取的是下标1、2、3三个元素取不到下标4。a[::-1]是倒序a[2:]是去掉前两个这些都是高频操作。练这类题目还让我养成了两个习惯。第一变量名要有意义。我早期写代码特别喜欢用a、b、tmp十个变量以内还好一旦超过十个绕来绕去就把自己绕晕。后来所有变量都改成能看出含义的名字比如wine、actions、adj_matrix代码可读性提升了一大截。第二函数尽量做单一事情。一个函数如果干了两件不相关的事拆成两个函数后面调试和复用的成本都会低很多。最后分享一点个人体会写了这么多最想强调的还是那句话Python是实践性极强的语言光看不练等于白学。每完成一个小项目哪怕只是把一个Excel清洗干净、画出一张图表、写好一个自动取数脚本都值得记录下来。我自己一直保持着一个习惯每个项目在结束时写一段几十行的笔记记录当时为什么这么做、卡在了哪里、最后怎么解决的。半年后回头翻这些笔记发现它们比任何教程都有用因为它们是只属于你自己的经验链路。如果你正卡在某一步比如环境装不上、库导不进、图画乱成一团别急着怀疑自己。深呼吸把报错信息完整读一遍按这篇笔记里的排查思路走一遍——多数问题都出在环境变量、解释器选择、数据格式这三件事上。Python这条路上最大的阻碍不是语法而是“觉得自己学不会”的心理暗示。多动手把一个个小项目做下来能力和信心都是自然积累出来的。
