pythonsicp

1. 學python對金融有用嗎

鏈接：http://pan..com/s/1djPqbCXnQrRpW0dgi2MCJg

華爾街學堂 python金融實務從入門到精通。最近，越來越多的研究員、基金經理甚至財務會計領域的朋友，向小編咨詢：金融人需要學Python么？事實上在現在，這已經不是一個問題了。Python已成為國內很多頂級投行、基金、咨詢等泛金融、商科領域的必備技能。中金公司、銀河證券、南方基金、銀華基金在招聘分析師崗位時，紛紛要求熟練掌握Python數據分析技能。

課程目錄：

Python在金融資管領域中的應用

安裝anaconda步驟

Python基礎知識

Python基礎金融分析應用

成為編程能手：Python知識進階

利用Python實現金融數據收集、分析與可視化

......

2. 精通Python需要多長時間

我認為「精通」要滿足如下條件：

熟知主流硬體體系（x86, x64）
熟知 CPython 的具體實現，如若可能至少通讀源碼三遍以上

熟知每條 Python bytecode 如何被解釋執行

熟知每條 Python 語句如何 compile 成 bytecode

熟知 Python 主要數據結構所採用的優化手段
熟知 JIT 以及哪些場合下 PyPy 會比 CPython 有較大性能提高、以及有什麼代價

所以我一直只敢稱自己為 「中級 Pythonista」。對於那些僅僅知道怎麼用 Python 就敢自稱「精通」的人：專家不是那麼好當的，沒有金剛鑽別攬瓷器活。不懂那麼多底層細節就不要隨便說自己「精通」，說自己「擅長」不會被人看不起。

@米嘉 引用的 StackOverflow 上列的那幾項條件是作為將 Python 用於主要工作語言所需要的基本條件，敢於因此而稱自己「精通 Python」要讓不少人笑掉大牙。況且那幾項還有幾個嚴重問題：

第3點：如若可能，盡量避免 map/rece/fitler，而用 list/generator/set comprehension，代碼要清晰得多，GvR 如此說。xrange 和 range 的區別在 Python 3 中馬上就要滾蛋了，所以如非必要，不要大量使用 xrange。
第5點：敢於在 CPython 中大量使用遞歸是對 CPython 實現的公然侮辱。Python 的多個穩定實現都沒有 TCO，遞歸會讓性能迅速下降。記住一點：Python 中函數調用非常昂貴，可讀性、可維護性影響不大的情況下，能展開函數調用的時候盡量展開、遞歸能轉化成循環的盡量轉化。遞歸也不是人類自然的思考方式。
第7點：看書是對的，但不要把 Python 當作一門經典函數式語言對待，因為它不是。你當它是，它會很痛苦（「為毛要這樣濫用我！？」），你也會很痛苦（「為毛你不這樣實現 blah blah！？」）。SICP 是本好書，但不要因此而教條。要清楚的知道什麼時候用函數式，什麼時候用面向對象，什麼時候用面向過程，什麼時候用面向任務，什麼時候用面向結果。在一棵樹上弔死是大多數非理性死忠的表現。

3. 編程零基礎學習如何入手

長大不會做這行但希望精通，無意冒犯，這說明你必須是個天才。
一般推薦都會推薦直接上手跑 Python、R、JS 之類的高級語言，但是對於你，我建議你去買一本 SICP 和 CSAPP 來看，這正是計算機的三大神書之二。
然後在 SICP 中你會學習到 lisp 編程語言和程序設計的思想。
在 CSAPP 中你會學習到 C 語言，並理解計算機是如何運行的，計算機操作系統是怎樣運作的。
讀完這兩本書後，你就完美的打下了根基，這時候其他的什麼網站啊，游戲啊，你都能輕易的在幾周之內掌握並做出來。
這個時候，計算機水平算是登堂入室。
之後你可以去創作或者是去對那些開源的軟體、語言、系統做出你自己的貢獻，在那個時候你就算是精通啦~

4. 如何調式python程序

程序能一次寫完並正常運行的概率很小，基本不超過1%。總會有各種各樣的bug需要修正。有的bug很簡單，看看錯誤信息就知道，有的bug很復雜，我們需要知道出錯時，哪些變數的值是正確的，哪些變數的值是錯誤的，因此，需要一整套調試程序的手段來修復bug。

第一種方法簡單直接粗暴有效，就是用print把可能有問題的變數列印出來看看：

# err.py
def foo(s):
n = int(s)
print '>>> n = %d' % n
return 10 / n

def main():
foo('0')

main()

執行後在輸出中查找列印的變數值：

$ python err.py
>>> n = 0
Traceback (most recent call last):
...
ZeroDivisionError: integer division or molo by zero

用print最大的壞處是將來還得刪掉它，想想程序里到處都是print，運行結果也會包含很多垃圾信息。所以，我們又有第二種方法。
斷言

凡是用print來輔助查看的地方，都可以用斷言（assert）來替代：

# err.py
def foo(s):
n = int(s)
assert n != 0, 'n is zero!'
return 10 / n

def main():
foo('0')

assert的意思是，表達式n != 0應該是True，否則，後面的代碼就會出錯。

如果斷言失敗，assert語句本身就會拋出AssertionError：

$ python err.py
Traceback (most recent call last):
...
AssertionError: n is zero!

程序中如果到處充斥著assert，和print相比也好不到哪去。不過，啟動Python解釋器時可以用-O參數來關閉assert：

$ python -O err.py
Traceback (most recent call last):
...
ZeroDivisionError: integer division or molo by zero

關閉後，你可以把所有的assert語句當成pass來看。
logging

把print替換為logging是第3種方式，和assert比，logging不會拋出錯誤，而且可以輸出到文件：

# err.py
import logging

s = '0'
n = int(s)
logging.info('n = %d' % n)
print 10 / n

logging.info()就可以輸出一段文本。運行，發現除了ZeroDivisionError，沒有任何信息。怎麼回事？

別急，在import logging之後添加一行配置再試試：

import logging
logging.basicConfig(level=logging.INFO)

看到輸出了：

$ python err.py
INFO:root:n = 0
Traceback (most recent call last):
File "err.py", line 8, in <mole>
print 10 / n
ZeroDivisionError: integer division or molo by zero

這就是logging的好處，它允許你指定記錄信息的級別，有debug，info，warning，error等幾個級別，當我們指定
level=INFO時，logging.debug就不起作用了。同理，指定level=WARNING後，debug和info就不起作用了。這樣一
來，你可以放心地輸出不同級別的信息，也不用刪除，最後統一控制輸出哪個級別的信息。

logging的另一個好處是通過簡單的配置，一條語句可以同時輸出到不同的地方，比如console和文件。
pdb

第4種方式是啟動Python的調試器pdb，讓程序以單步方式運行，可以隨時查看運行狀態。我們先准備好程序：

# err.py
s = '0'
n = int(s)
print 10 / n

然後啟動：

$ python -m pdb err.py
> /Users/michael/Github/sicp/err.py(2)<mole>()
-> s = '0'

以參數-m pdb啟動後，pdb定位到下一步要執行的代碼-> s = '0'。輸入命令l來查看代碼：

(Pdb) l
1 # err.py
2 -> s = '0'
3 n = int(s)
4 print 10 / n
[EOF]

輸入命令n可以單步執行代碼：

(Pdb) n
> /Users/michael/Github/sicp/err.py(3)<mole>()
-> n = int(s)
(Pdb) n
> /Users/michael/Github/sicp/err.py(4)<mole>()
-> print 10 / n

任何時候都可以輸入命令p 變數名來查看變數：

(Pdb) p s
'0'
(Pdb) p n
0

輸入命令q結束調試，退出程序：

(Pdb) n
ZeroDivisionError: 'integer division or molo by zero'
> /Users/michael/Github/sicp/err.py(4)<mole>()
-> print 10 / n
(Pdb) q

這種通過pdb在命令行調試的方法理論上是萬能的，但實在是太麻煩了，如果有一千行代碼，要運行到第999行得敲多少命令啊。還好，我們還有另一種調試方法。
pdb.set_trace()

這個方法也是用pdb，但是不需要單步執行，我們只需要import pdb，然後，在可能出錯的地方放一個pdb.set_trace()，就可以設置一個斷點：

# err.py
import pdb

s = '0'
n = int(s)
pdb.set_trace() # 運行到這里會自動暫停
print 10 / n

運行代碼，程序會自動在pdb.set_trace()暫停並進入pdb調試環境，可以用命令p查看變數，或者用命令c繼續運行：

$ python err.py
> /Users/michael/Github/sicp/err.py(7)<mole>()
-> print 10 / n
(Pdb) p n
0
(Pdb) c
Traceback (most recent call last):
File "err.py", line 7, in <mole>
print 10 / n
ZeroDivisionError: integer division or molo by zero

這個方式比直接啟動pdb單步調試效率要高很多，但也高不到哪去。
IDE

如果要比較爽地設置斷點、單步執行，就需要一個支持調試功能的IDE。目前比較好的Python IDE有PyCharm：

5. 求推薦一本大學Python教材

《Python編程：從入門到實踐》

2016年出版的書，基於 Python3.5 同時也兼顧 Python2.7，書中涵蓋的內容是比較精簡的，沒有艱深晦澀的概念。

每個小結都附帶練習題，它可以幫助你更快的上手編寫程序，解決實際編程問題。

上到有編程基礎的程序員，下到10歲少年，想入門Python並達到可以開發實際項目的水平，這本書都是不錯的選擇。

6. python對金融有用嗎

在過去的十年裡，隨著自動化技術的出現，科技最終成為傑出的金融機構，銀行，保險和投資公司，股票交易公司，對沖基金，券商等公司的一部分。根據2013年的Crosman 報告，與2013年相比，銀行和金融公司2014年在科技上的花費要高出4.2%。預計在2020年，一年的金融服務的技術成本將達到5億美元。正值系統需要維護和不斷升級的時候，一些著名的銀行僱傭一些開發者是很正常的事情。那麼Python用在哪裡呢?（推薦學習：Python視頻教程）
Python的語法很容易實現那些金融羨衫演算法和數學計算，每個數學語句都能轉變成一行Python代碼，每行允許超過十萬的計算量。
沒有其他語言能像Python這樣適用於數學，Python精通於計算，以及數學和科學中的排列組合問題。
Python的第二個特性是表示數字，序列和演算法。比如SciPy庫，很適合用來做技術領域和科學領域的計算，SicPy庫被很多工程師，科學家和分析人員使用。
NumPy，也是Python的一個擴展，它可以很好地處理數學函數，數組和矩陣。同時，Python也支持嚴格的編碼模式，因此，使它成為一個平衡的選擇，或者說方法。
使用更少的人達到相同的結果以及實現其他編程語言不能實現的事，是Python首要的優點。Python語法的精確和簡潔，以及它大橋神量寶貴的第三方工具使它成為處理金融行業的錯綜復雜的事敏派虧務的唯一可靠的選擇。
Cititec(英格蘭倫敦的職業介紹所)的技術招聘經理Stephen Grant說：跨市場風險管理和交易系統都在使用Python(有時會混合使用c++)，很多銀行從建立銀行的前端到資產風險系統都會選擇使用Python。使用Python的金融公司包括荷蘭銀行，德國證券交易所集團，Bellco信用社，摩根大通以及阿爾蒂斯投資管理。
更多Python相關技術文章，請訪問Python教程欄目進行學習！以上就是小編分享的關於python對金融有用嗎的詳細內容希望對大家有所幫助，更多有關python教程請關注環球青藤其它相關文章！

7. 怎樣才能算是熟悉python會什麼具體。招聘網頁上寫著熟悉python.高手，指導，謝謝。

熟知主流硬體體系（x86, x64）
熟知 CPython 的具體實現，如若可能至少通讀源碼三遍以上

熟知每條 Python bytecode 如何被解釋執行

熟知每條 Python 語句如何 compile 成 bytecode

熟知 Python 主要數據結構所採用的優化手段
熟知 JIT 以及哪些場合下 PyPy 會比 CPython 有較大性能提高、以及有什麼代價

所以我一直只敢稱自己為 「中級 Pythonista」。對於那些僅僅知道怎麼用 Python 就敢自稱「精通」的人：專家不是那麼好當的，沒有金剛鑽別攬瓷器活。不懂那麼多底層細節就不要隨便說自己「精通」，說自己「擅長」不會被人看不起。

@米嘉 引用的 StackOverflow 上列的那幾項條件是作為將 Python 用於主要工作語言所需要的基本條件，敢於因此而稱自己「精通 Python」要讓不少人笑掉大牙。況且那幾項還有幾個嚴重問題：

第3點：如若可能，盡量避免 map/rece/fitler，而用 list/generator/set comprehension，代碼要清晰得多，GvR 如此說。xrange 和 range 的區別在 Python 3 中馬上就要滾蛋了，所以如非必要，不要大量使用 xrange。
第5點：敢於在 CPython 中大量使用遞歸是對 CPython 實現的公然侮辱。Python 的多個穩定實現都沒有 TCO，遞歸會讓性能迅速下降。記住一點：Python 中函數調用非常昂貴，可讀性、可維護性影響不大的情況下，能展開函數調用的時候盡量展開、遞歸能轉化成循環的盡量轉化。遞歸也不是人類自然的思考方式。
第7點：看書是對的，但不要把 Python 當作一門經典函數式語言對待，因為它不是。你當它是，它會很痛苦（「為毛要這樣濫用我！？」），你也會很痛苦（「為毛你不這樣實現 blah blah！？」）。SICP 是本好書，但不要因此而教條。要清楚的知道什麼時候用函數式，什麼時候用面向對象，什麼時候用面向過程，什麼時候用面向任務，什麼時候用面向結果。在一棵樹上弔死是大多數非理性死忠的表現。

8. Python 在編程語言中是什麼地位為什麼很多大學不教 Python

十分想炮轟一下，所謂「大學學習的基本設計思想，老師教授一兩張語言即可，關鍵自己得去鑽研，看自己喜歡什麼就去多看多練習多鑽研才可以」根本就站不住腳。首先，既然是教授一兩門語言，為何這門語言是C而不是python？教授什麼語言，跟你怎麼才能把計算機語言寫好跟你要鑽研，完全就是兩回事。（我並不否認強調學習要有鑽研的精神，我十分認同在沒有其他辦法的情況下用這種論調來自我安慰，但是認為鑽研的精神最重要，學習什麼東西不重要，並不是一個讓人停止思考的好答案） 從國內的計算機科學教育來看，「計算機語言」（Computer Language）其實從來沒有獲得很高的地位，在認知上就沒有真正把計算機語言拉到一個較高的級別來看，相反的，可能還有鄙視代碼，覺得語言只是知識的底層，不是上檯面有得研究的東西。出現這種情況的原因我不大清楚，反正我身邊很多的老師其實都是平時跑跑演算法就行了——用自己用熟的C來跑，完全足夠了。如果你的代碼只是用來演示一個小程序的演算法，實際上就是一個偽代碼到可以編譯的代碼的轉變，其實真的是沒有多大區別了。 想想哪些老師在教計算機語言？基本都是教數據結構啊、演算法啊之類的拉過來客串一下，這些老師往往沒有面對復雜的系統的經驗，也沒有對一個有表達力的語言的需求在。而計算機語言的區別，所謂的表達力，優雅，抽象的角度，思維，全部都不是可以發到paper的東西，都是確確實實需要將語言工具用於應用和抽象才能體會到的。老師實際上一無使用一門好的語言的需求，二也很少做這些研究的。 計算機語言被拆成了很多門課，從語言、抽象和設計的角度來觀察語言本身，大學應該是沒有這種課程的。以我們學院來說，程序設計1根本就不是教程序設計，就是一個充水的C語言參考指導，程序設計2也不是教程序設計，就是一個充水的C++語言參考順便教你用C++的OO語法來實現點數據結構和演算法。你真正使用計算機語言是因為你要寫數據結構和演算法的作業。然後呢？因為要學計組你才需要學點匯編，一些老師可能對編程語言最大的體會是win32寫個貪吃蛇。然後等到你大三了你學「編譯原理」的時候是教你如何實現一個編譯器（而不是如何設乎芹計一門語言，用語言來思考和抽象）。 大學既不是專才教育，也不是通才教育。大學是基本能力教育，它只有義務教會大多數學生在他專業領域中的基本能力。這句話本沒有錯，但是這句模糊的話，實際上卻成為了放棄一個更好的選擇的托詞。大學當然不是專才教育，和型大學是基本能力教育也沒有錯，但是，使用C一定是掌握基本能力的最好選擇嗎？上面扯的「python不夠clean」，「Python 的集成性並不比 C 好」也站不住腳。python在大部分情況下都比C要clean多了吧。。。大學教育哪裡會在乎你的集成性。大家用 Python 是因為它的資源能夠幫助很多人解決問題，這個大致我也認同。但是，python除了類庫豐富，還是有很多好東西的。 從語言上看，python遠遠比C更適合教學啊。比如，python會讓你的 1 < a < 2 是對的，不會讓你栽入C的所謂的 (1<a) 是一個布爾值，然後跟2比較——這種設計真的是對的嗎？人歲棚畢類真的就應該遷就這種設計嗎？然後不要說 scanf("%d", &a) 這個a前面要加&這種了。你不是在學習程序語言設計，你是在學習如何躲開C的坑。。。好吧，你說學習C可以了解底層——你確認要在程序語言設計的課程裡面來學習計算機底層真的很有意義而且值得堅持？ 新人如果真的要學計算機語言的話，還是跟著MIT從python開始吧。不推薦C、不推薦C++、不推薦javascript、不推薦haskell、不推薦匯編、不推薦ruby，啃的下的可以試試看SICP裡面的scheme，不然python也是個不錯的選擇。然後，C和C++一定要學好。。。haskell、lisp這些FP也挺有趣的可以看看。。。。不要挑熱門的，不要挑應用廣泛的，挑真的適合學習，能夠啟發你看到本質的。 ps：據說我院大三有門專選是python，然後還有haskell這種專選。了解了課程設計的動機和目的，其實這些都挺自然的。

9. 為什麼很少有用lisp描述演算法

雖然未必會用到 Lisp 作為開發語言，但並不妨礙我們學習、吸收其中優秀的思想。SICP 前兩章分別介紹了對過程的抽象和對數據的抽象，其中一個重要的思想就是編碼的本質是對計算過程的鉛明描述，而這種描述並不拘泥於某種特定的語法或數據結皮激春構；對過程的抽象（例如(define (add a b) (+ a b))）與對數據的抽象（例如(define (make-leaf symbol weight) (list 'leaf symbol weight))）之間並沒有本質的差異。

上面的代碼大部分是在旅途中的火車或汽車上完成的，少有這樣的機會體驗一下離線編程的「樂趣」，sort 和 nonlocal 的用法還要多虧寫 PyTips 時的總結，因此還是希望有時間可以寫滿 0xFF。