python三大神器
#做網站後台
Python在網站後台這邊有大量的成熟的框架，如django，flask，bottle，tornado，我曾經用過flask和django搭建了的兩個網站已經上線
#寫網路爬蟲
Python寫爬蟲非常簡單，庫很健全
以下是我寫的一些爬蟲教程和心得
/post/17
/post/18
#科學計算
Python有三大神器：numpy,scipy,matplotlib,其中numpy很多底層使用C語言實現的，所以速度很快，我曾經用它參加各種數學建模大賽，完全可以替代r語言和MATLAB
以下是我寫的科學計算簡單教程
/post/16
#數據挖掘，機器學習
Python
的機器學習包很多，或者自己可以試著實現機器學習演算法，因為Python的類似偽代碼的語法，很容易快速實現自己的想法，另外主流的機器學習演算法都有成熟
的包，加上谷歌開源的TensorFlow，常用的機器學習包：scikit-learn,pattern,jieba，pybrain等等
#數據科學
最近spark，Hadoop都開了Python的介面，所以使用Python做大數據的maprece也非常簡單，加上py對資料庫支持都很好，或者類似sqlalchemy的orm也非常強大好用
以及剩下的碼演算法，玩玩樹莓派什麼的我就不多說了，
py的強大其實在於他能迅速的實現想法
㈡ 手機Python編程神器-AidLearning
【下載和安裝】
1、讓我們一起來看下吧，直接上圖。
第一眼看到是不是覺得很高逼格，暗黑畫風，這很大佬。其實它就是------AidLearning。一個運行在安卓平台的linux系統，而且還包含了許多非常強大的IDE，就連宇宙最強大的編輯器vscode 也在其中。
https://590m.com/file/7715018-443117684，下載後我們打開它可以看到這幅畫面：
3、我們等待它下完，千萬不要關閉這個頁面，否則前功盡棄。然後它還會配Aidlearning：
看到上圖這幅畫面，就算徹底安裝成功了。
4、AidLearning(以下簡稱ad) 是一個不需要root便可以運行linux圖形或者console端的apk，它內置Python環境，而且還自帶Jupyter notebook 以及各種牛逼的東西，下面我們來看看吧。
【組件簡介】
1、Document。系統的目錄管理工具，用來管理整個系統的目錄結構，你可以使用它管理ad中虛擬的linux系統目錄，其實它就相當於我們手機中的文件管理。
2、safari。這是系統自帶的瀏覽器，用過mac的應該知道，Safari瀏覽器很出名的，打開後是這樣的畫面：
怎麼樣，是不是很美了？
3、terminal。終端，跟linux一樣的終端，這很復古，也很完美。
4、AidCode。這是ad內置的Python環境，而且這個環境最讓人感到意外的是，它竟然有自動提示功能，這也真的是非常給力了，不信你可以看看：
5、vscode。宇宙最強編輯器，就不用我多說了，大家心裡都有數。
6、wizard。這是一個可視化開發工具，就好比以前的vb,delphi,大大簡化了開發時間，只需要輕輕一拖，各個控制項就到了程序界面上，可以說非常智能。
7、cloud_IP。這其實就相當於我們的雲端開發了，你可以使用它讓手機與電腦互聯，前提是在同一個區域網內：
8、settings。系統常規設置，包含一些背景，風格桌面圖標的設置。
9、Blockly。中文名：塊代碼，意思就是將執行過程以拼圖的形式展現出來，培養編程思維。
10、term。也是linux終端，但是它跟terminal可不完全一樣，因為terminal有很多軟鍵盤模擬電腦，而它則沒有，所以它比較適合電腦端編程。
11、GameCent。系統自帶的 游戲 ，編程累了偶爾可以放鬆放鬆，想的真是周到，讓人慾罷不能。
雖然都是比較古老的 游戲 了，但是勝在好玩啊，能適當放鬆下也很重要。
12、shutdown。這個我不說大家也知道了，一按的話，程序就退出了。這里就不演示了，不然你懂的。
13、Examples。裡面有大量的關於AI項目的Python代碼，如果你苦於無項目可做，可以去看看，很經典的項目。
14、MusicPlay。音樂播放器，這個也就不多說了，播放音頻文件的，編程累了除了打 游戲 排解煩悶的心情再就是它了。
15、Jupyter。准確點說應該是Jupyter notebook,它是做數據分析的一個極為強大的工具，啟動速度快所見即所得。注意，要進去這個應用需要密碼，密碼為：admin。
可以看到，一樣的畫風，簡直是太棒了。
16、LFCE4。打開它可以再次啟動一個linux系統，也就是我們經常說的虛擬機，而且這個虛擬機是可以進行鍵盤滑鼠操作的，這就是上面雲端編程時電腦鏈接手機給提供的系統。
17、ApkBuild。這個工具可以將你的Python代碼轉化為apk打包進行發布，是不是很強大。
18、Service。系統服務設置，可以自定義哪些要安裝的服務或者啟動服務。
怎麼樣，這款工具是不是相當強大了 ，我用了這款工具後都愛不釋手，連電腦上的Python環境都沒怎麼用了，一直在雲端編程。希望大家通過本文能收獲一點東西。
【總結】
1、本文主要介紹了AidLearning的安裝和基本使用方法，介紹其相關的組件及其功能。
2、AidLearning是一個不需要root便可以運行linux圖形或者console端的apk，它內置Python環境，而且還自帶Jupyter notebook 以及各種特色的東西，感興趣的小夥伴可以下載使用它，希望對大家的學習有幫助噢！
㈢ 學會Python之後更適合做哪方面的工作
下面我們來說一下Python具體的工作崗位以及其崗位要求：
Python後台開發工程師：主要是負責搭建和改進平台產品的後台，並與前端開發工程師相互配合完成整體產品的開發工作。要求工程師具備至少一門Python Web開發框架（Tornado、Django、Flask等），了解並熟悉MySQL/Redis/MongoDB。還要熟悉分布式、微服務、高性能Web服務的開發。
Python爬蟲開發工程師：爬蟲開發工程師並非我們預想的那樣，只是負責為公司爬取相對應的數據內容。爬蟲開發工程師主要負責對傳統網頁、SNS及微博等各種網站信息高效採集與正確解析，然後對用戶數據進行整理分析，參與建模的構建，總結分析不同網站、網頁的結構特點及規律，負責爬蟲架構設計和研發，參與爬蟲核心演算法和策略優化研究。需要開發工程師熟悉了解robot規則、selenium、mitmproxy、pymouse等內容。當然作為爬蟲開發工程師一定要有一定的職業情況，所有工作都需要在合理合法的需求下進行。
Python全棧開發工程師：是指可以使用Python相關工具，獨立完成網站開發，稱之為全棧開發。全棧開發工程師需要掌握非常多的技能，包括：項目管理、前後端開發、界面設計、產品設計、資料庫開發、多端產品等等。
自動化運維工程師：是在基本的運維工作的基礎上，實現運維工作的自動化，並且對自動化程序進行優化提升。需要從業者在掌握基本的運營工作的前提下，掌握Python中的IPy、Ansible、Saltstack等常用模塊。
自動化測試工程師：首要要完成測試的基本工作，包括測試計劃、測試用例、黑盒測試、性能測試等等。其次要是完成產品的自動化測試的部署以及維護工作，並且不斷嘗試新的方法，新的工具，以提高測試的效率。需要掌握Python以及selenium相關的技能。
數據分析師：指的是不同行業中，專門從事行業數據搜集、整理、分析，並依據數據做出行業研究、評估和預測的專業人員。需要從業者了解行業相關業務知識、相關管理工作、掌握足夠的數據分析方法、了解數據分析工具使用、能夠完成數據分析建模等，工作內容偏重於分析，同樣也要掌握一定的開發能力，例如R語言和Python語言。
數據分析開發工程師：根據數據分析師的建模完成數據相關的開發工作，搭建倉庫、完成數據存儲、數據處理、計算處理以及報表開發等工作。需要從業者熟練應用資料庫、數據建模開發、Python相關數據科學知識等技能。
人工智慧開發工程師：根據企業人工智慧AI相關的開發需求，完成相應產品或者功能開發。需要從業者掌握充分的數據理論基礎、Python開發基礎、機器學習理論與實踐、深度學習理論與實踐、自然語言處理等一系列相關的開發技能。
Python游戲開發工程師：主要負責游戲服務端的邏輯開發。需要從業者掌握Python各種性能優化方法、soket網路編程知識、運維相關基礎知識、以及Python相關的游戲開發庫與框架。此外還可以將Python開發相關工作按照崗位晉升分為初級Python開發工程師、中級Python開發工程師、高級Python開發工程師、項目經理、架構師、CTO等。主要是根據從業者工作年限，在某個就業方向的工作經驗以及解決問題的能力進行定位。
無論是哪個就業方向，扎實的學習好Python相關知識是重中之重，在互聯網行業，無論是大廠還是創業創新的公司，招聘人才的最核心要求是技術能力，只有自己的能力和崗位匹配的時候，才能獲得更多的工作機會。
㈣ 為什麼說 virtualenv，fabric 和 pip 是 pythoneer 的三大神器
打開命令行（CMD），輸入python，如果出現下圖則表示安裝成功了
如果顯示錯誤的話，請把Python運行目錄添加到 計算機>屬性>高級系統設置>環境變數>Path中
從pip，完成之後，解壓到一個文件夾，用CMD控制台進入解壓目錄，輸入：python
setup.py install，安裝好後，把這個目錄添加到Path變數中> C:\Python34\Scripts;(python
默認安裝的話就是這個路徑)
直接在CMD下輸入： pip，就會顯示如下圖
現在pip成功安裝了，我們開始安裝 virtualenv，直接在CMD輸入：pip install virtualenv，由於我已經安裝過了，所以顯示報錯了。
安裝成功後進入到 C:\Python34\Scripts目錄下，輸入命令：virtualven venv
創建虛擬Python環境的文件夾
創建成功後cd進入剛才創建的文件夾，在python安裝目錄中會多出一個文件夾venv,去看看是不是 =.= ,然後輸入：Scripts\activate ，前面多了個（venv）符號表示進入了這個虛擬環境中了，你可以隨便怎麼搞了。
退出環境：deactivate 回車就好（在python中，要退出python才可以退出虛擬環境）
㈤ 強烈推薦一款Python可視化神器！強烈必備！
Plotly Express 是一個新的高級 Python 可視化庫：它是 Plotly.py 的高級封裝，它為復雜的圖表提供了一個簡單的語法。
受 Seaborn 和 ggplot2 的啟發，它專門設計為具有簡潔，一致且易於學習的 API ：只需一次導入，您就可以在一個函數調用中創建豐富的互動式繪圖，包括分面繪圖（faceting）、地圖、動畫和趨勢線。 它帶有數據集、顏色面板和主題，就像 Plotly.py 一樣。
Plotly Express 完全免費：憑借其寬松的開源 MIT 許可證，您可以隨意使用它（是的，甚至在商業產品中！）。
最重要的是，Plotly Express 與 Plotly 生態系統的其他部分完全兼容：在您的 Dash 應用程序中使用它，使用 Orca 將您的數據導出為幾乎任何文件格式，或使用JupyterLab 圖表編輯器在 GUI 中編輯它們！
用 pip install plotly_express 命令可以安裝 Plotly Express。
一旦導入Plotly Express（通常是 px ），大多數繪圖只需要一個函數調用，接受一個整潔的Pandas dataframe，並簡單描述你想要製作的圖。 如果你想要一個基本的散點圖，它只是 px.scatter（data，x =「column_name」，y =「column_name」）。
以下是內置的 Gapminder 數據集的示例，顯示2007年按國家/地區的人均預期壽命和人均GDP 之間的趨勢：
如果你想通過大陸區分它們，你可以使用 color 參數為你的點著色，由 px 負責設置默認顏色，設置圖例等：
這里的每一點都是一個國家，所以也許我們想要按國家人口來衡量這些點...... 沒問題：這里也有一個參數來設置，它被稱為 size：
如果你好奇哪個國家對應哪個點？ 可以添加一個 hover_name ，您可以輕松識別任何一點：只需將滑鼠放在您感興趣的點上即可！ 事實上，即使沒有 hover_name ，整個圖表也是互動的：
也可以通過 facet_col =」continent「 來輕松劃分各大洲，就像著色點一樣容易，並且讓我們使用 x軸 對數（log_x）以便在我們在圖表中看的更清晰：
也許你不僅僅對 2007年 感興趣，而且你想看看這張圖表是如何隨著時間的推移而演變的。 可以通過設置 animation_frame=「year」 （以及 animation_group =「country」 來標識哪些圓與控制條中的年份匹配）來設置動畫。
在這個最終版本中，讓我們在這里調整一些顯示，因為像「gdpPercap」 這樣的文本有點難看，即使它是我們的數據框列的名稱。 我們可以提供更漂亮的「標簽」 （labels），可以在整個圖表、圖例、標題軸和懸停（hovers）中應用。 我們還可以手動設置邊界，以便動畫在整個過程中看起來更棒：
因為這是地理數據，我們也可以將其表示為動畫地圖，因此這清楚地表明 Plotly Express 不僅僅可以繪制散點圖（不過這個數據集缺少前蘇聯的數據）。
事實上，Plotly Express 支持三維散點圖、三維線形圖、極坐標和地圖上三元坐標以及二維坐標。 條形圖（Bar）有二維笛卡爾和極坐標風格。
進行可視化時，您可以使用單變數設置中的直方圖（histograms）和箱形圖（box）或小提琴圖（violin plots），或雙變數分布的密度等高線圖（density contours）。 大多數二維笛卡爾圖接受連續或分類數據，並自動處理日期/時間數據。 可以查看我們的圖庫 (ref-3) 來了解每個圖表的例子。
數據 探索 的主要部分是理解數據集中值的分布，以及這些分布如何相互關聯。 Plotly Express 有許多功能來處理這些任務。
使用直方圖（histograms），箱形圖（box）或小提琴圖（violin plots）可視化單變數分布：
直方圖：
箱形圖：
小提琴圖：
還可以創建聯合分布圖（marginal rugs），使用直方圖，箱形圖（box）或小提琴來顯示雙變數分布，也可以添加趨勢線。 Plotly Express 甚至可以幫助你在懸停框中添加線條公式和R²值！ 它使用 statsmodels 進行普通最小二乘（OLS）回歸或局部加權散點圖平滑（LOWESS）。
在上面的一些圖中你會注意到一些不錯的色標。 在 Plotly Express 中， px.colors 模塊包含許多有用的色標和序列：定性的、序列型的、離散的、循環的以及所有您喜歡的開源包：ColorBrewer、cmocean 和 Carto 。 我們還提供了一些功能來製作可瀏覽的樣本供您欣賞（ref-3）：
定性的顏色序列：
眾多內置順序色標中的一部分：
我們特別為我們的互動式多維圖表感到自豪，例如散點圖矩陣（SPLOMS）、平行坐標和我們稱之為並行類別的並行集。 通過這些，您可以在單個圖中可視化整個數據集以進行數據 探索 。 在你的Jupyter 筆記本中查看這些單行及其啟用的交互：
散點圖矩陣（SPLOM）允許您可視化多個鏈接的散點圖：數據集中的每個變數與其他變數的關系。 數據集中的每一行都顯示為每個圖中的一個點。 你可以進行縮放、平移或選擇操作，你會發現所有圖都鏈接在一起！
平行坐標允許您同時顯示3個以上的連續變數。 dataframe 中的每一行都是一行。 您可以拖動尺寸以重新排序它們並選擇值范圍之間的交叉點。
並行類別是並行坐標的分類模擬：使用它們可視化數據集中多組類別之間的關系。
Plotly Express 之於 Plotly.py 類似 Seaborn 之於 matplotlib：Plotly Express 是一個高級封裝庫，允許您快速創建圖表，然後使用底層 API 和生態系統的強大功能進行修改。 對於Plotly 生態系統，這意味著一旦您使用 Plotly Express 創建了一個圖形，您就可以使用Themes，使用 FigureWidgets 進行命令性編輯，使用 Orca 將其導出為幾乎任何文件格式，或者在我們的 GUI JupyterLab 圖表編輯器中編輯它 。
主題（Themes）允許您控制圖形范圍的設置，如邊距、字體、背景顏色、刻度定位等。 您可以使用模板參數應用任何命名的主題或主題對象：
有三個內置的 Plotly 主題可以使用， 分別是 plotly， plotlywhite 和 plotlydark。
px 輸出繼承自 Plotly.py 的 Figure 類 ExpressFigure 的對象，這意味著你可以使用任何 Figure 的訪問器和方法來改變 px生成的繪圖。 例如，您可以將 .update（） 調用鏈接到 px 調用以更改圖例設置並添加註釋。 .update（） 現在返回修改後的數字，所以你仍然可以在一個很長的 Python 語句中執行此操作：
在這里，在使用 Plotly Express 生成原始圖形之後，我們使用 Plotly.py 的 API 來更改一些圖例設置並添加註釋。
Dash 是 Plotly 的開源框架，用於構建具有 Plotly.py 圖表的分析應用程序和儀錶板。Plotly Express 產生的對象與 Dash 100％兼容，只需將它們直接傳遞到 dash_core_components.Graph，如下所示： dcc.Graph（figure = px.scatter（...））。 這是一個非常簡單的 50行 Dash 應用程序的示例，它使用 px 生成其中的圖表：
這個 50 行的 Dash 應用程序使用 Plotly Express 生成用於瀏覽數據集的 UI 。
可視化數據有很多原因：有時您想要提供一些想法或結果，並且您希望對圖表的每個方面施加很多控制，有時您希望快速查看兩個變數之間的關系。 這是交互與 探索 的范疇。
Plotly.py 已經發展成為一個非常強大的可視化交互工具：它可以讓你控制圖形的幾乎每個方面，從圖例的位置到刻度的長度。 不幸的是，這種控制的代價是冗長的：有時可能需要多行 Python 代碼才能用 Plotly.py 生成圖表。
我們使用 Plotly Express 的主要目標是使 Plotly.py 更容易用於 探索 和快速迭代。
我們想要構建一個庫，它做出了不同的權衡：在可視化過程的早期犧牲一些控制措施來換取一個不那麼詳細的 API，允許你在一行 Python 代碼中製作各種各樣的圖表。 然而，正如我們上面所示，該控制項並沒有消失：你仍然可以使用底層的 Plotly.py 的 API 來調整和優化用 Plotly Express 製作的圖表。
支持這種簡潔 API 的主要設計決策之一是所有 Plotly Express 的函數都接受「整潔」的 dataframe 作為輸入。 每個 Plotly Express 函數都體現了dataframe 中行與單個或分組標記的清晰映射，並具有圖形啟發的語法簽名，可讓您直接映射這些標記的變數，如 x 或 y 位置、顏色、大小、 facet-column 甚至是 動畫幀到數據框（dataframe）中的列。 當您鍵入 px.scatter（data，x ='col1'，y='col2'） 時，Plotly Express 會為數據框中的每一行創建一個小符號標記 - 這就是 px.scatter 的作用 - 並將 「col1」 映射到 x 位置（類似於 y 位置）。 這種方法的強大之處在於它以相同的方式處理所有可視化變數：您可以將數據框列映射到顏色，然後通過更改參數來改變您的想法並將其映射到大小或進行行分面（facet-row）。
接受整個整潔的 dataframe 的列名作為輸入（而不是原始的 numpy 向量）也允許 px 為你節省大量的時間，因為它知道列的名稱，它可以生成所有的 Plotly.py 配置用於標記圖例、軸、懸停框、構面甚至動畫幀。 但是，如上所述，如果你的 dataframe 的列被笨拙地命名，你可以告訴 px 用每個函數的 labels 參數替換更好的。
僅接受整潔輸入所帶來的最終優勢是它更直接地支持快速迭代：您整理一次數據集，從那裡可以使用 px 創建數十種不同類型的圖表，包括在 SPLOM 中可視化多個維度 、使用平行坐標、在地圖上繪制，在二維、三維極坐標或三維坐標中使用等，所有這些都不需要重塑您的數據！
在 API 級別，我們在 px 中投入了大量的工作，以確保所有參數都被命名，以便在鍵入時最大限度地發現：所有 scatter -類似的函數都以 scatter 開頭（例如 scatter_polar， scatter_ternary）所以你可以通過自動補全來發現它們。 我們選擇拆分這些不同的散點圖函數，因此每個散點圖函數都會接受一組定製的關鍵字參數，特別是它們的坐標系。 也就是說，共享坐標系的函數集（例如 scatter， line ＆ bar，或 scatter_polar， line_polar 和 bar_polar ）也有相同的參數，以最大限度地方便學習。 我們還花了很多精力來提出簡短而富有表現力的名稱，這些名稱很好地映射到底層的 Plotly.py 屬性，以便於在工作流程中稍後調整到交互的圖表中。
最後，Plotly Express 作為一個新的 Python 可視化庫，在 Plotly 生態系統下，將會迅速發展。所以不要猶豫，立即開始使用 Plotly Express 吧！