python三大神器
#做网站后台
Python在网站后台这边有大量的成熟的框架，如django，flask，bottle，tornado，我曾经用过flask和django搭建了的两个网站已经上线
#写网络爬虫
Python写爬虫非常简单，库很健全
以下是我写的一些爬虫教程和心得
/post/17
/post/18
#科学计算
Python有三大神器：numpy,scipy,matplotlib,其中numpy很多底层使用C语言实现的，所以速度很快，我曾经用它参加各种数学建模大赛，完全可以替代r语言和MATLAB
以下是我写的科学计算简单教程
/post/16
#数据挖掘，机器学习
Python
的机器学习包很多，或者自己可以试着实现机器学习算法，因为Python的类似伪代码的语法，很容易快速实现自己的想法，另外主流的机器学习算法都有成熟
的包，加上谷歌开源的TensorFlow，常用的机器学习包：scikit-learn,pattern,jieba，pybrain等等
#数据科学
最近spark，Hadoop都开了Python的接口，所以使用Python做大数据的maprece也非常简单，加上py对数据库支持都很好，或者类似sqlalchemy的orm也非常强大好用
以及剩下的码算法，玩玩树莓派什么的我就不多说了，
py的强大其实在于他能迅速的实现想法
㈡ 手机Python编程神器-AidLearning
【下载和安装】
1、让我们一起来看下吧，直接上图。
第一眼看到是不是觉得很高逼格，暗黑画风，这很大佬。其实它就是------AidLearning。一个运行在安卓平台的linux系统，而且还包含了许多非常强大的IDE，就连宇宙最强大的编辑器vscode 也在其中。
https://590m.com/file/7715018-443117684，下载后我们打开它可以看到这幅画面：
3、我们等待它下完，千万不要关闭这个页面，否则前功尽弃。然后它还会配Aidlearning：
看到上图这幅画面，就算彻底安装成功了。
4、AidLearning(以下简称ad) 是一个不需要root便可以运行linux图形或者console端的apk，它内置Python环境，而且还自带Jupyter notebook 以及各种牛逼的东西，下面我们来看看吧。
【组件简介】
1、Document。系统的目录管理工具，用来管理整个系统的目录结构，你可以使用它管理ad中虚拟的linux系统目录，其实它就相当于我们手机中的文件管理。
2、safari。这是系统自带的浏览器，用过mac的应该知道，Safari浏览器很出名的，打开后是这样的画面：
怎么样，是不是很美了？
3、terminal。终端，跟linux一样的终端，这很复古，也很完美。
4、AidCode。这是ad内置的Python环境，而且这个环境最让人感到意外的是，它竟然有自动提示功能，这也真的是非常给力了，不信你可以看看：
5、vscode。宇宙最强编辑器，就不用我多说了，大家心里都有数。
6、wizard。这是一个可视化开发工具，就好比以前的vb,delphi,大大简化了开发时间，只需要轻轻一拖，各个控件就到了程序界面上，可以说非常智能。
7、cloud_IP。这其实就相当于我们的云端开发了，你可以使用它让手机与电脑互联，前提是在同一个局域网内：
8、settings。系统常规设置，包含一些背景，风格桌面图标的设置。
9、Blockly。中文名：块代码，意思就是将执行过程以拼图的形式展现出来，培养编程思维。
10、term。也是linux终端，但是它跟terminal可不完全一样，因为terminal有很多软键盘模拟电脑，而它则没有，所以它比较适合电脑端编程。
11、GameCent。系统自带的 游戏 ，编程累了偶尔可以放松放松，想的真是周到，让人欲罢不能。
虽然都是比较古老的 游戏 了，但是胜在好玩啊，能适当放松下也很重要。
12、shutdown。这个我不说大家也知道了，一按的话，程序就退出了。这里就不演示了，不然你懂的。
13、Examples。里面有大量的关于AI项目的Python代码，如果你苦于无项目可做，可以去看看，很经典的项目。
14、MusicPlay。音乐播放器，这个也就不多说了，播放音频文件的，编程累了除了打 游戏 排解烦闷的心情再就是它了。
15、Jupyter。准确点说应该是Jupyter notebook,它是做数据分析的一个极为强大的工具，启动速度快所见即所得。注意，要进去这个应用需要密码，密码为：admin。
可以看到，一样的画风，简直是太棒了。
16、LFCE4。打开它可以再次启动一个linux系统，也就是我们经常说的虚拟机，而且这个虚拟机是可以进行键盘鼠标操作的，这就是上面云端编程时电脑链接手机给提供的系统。
17、ApkBuild。这个工具可以将你的Python代码转化为apk打包进行发布，是不是很强大。
18、Service。系统服务设置，可以自定义哪些要安装的服务或者启动服务。
怎么样，这款工具是不是相当强大了 ，我用了这款工具后都爱不释手，连电脑上的Python环境都没怎么用了，一直在云端编程。希望大家通过本文能收获一点东西。
【总结】
1、本文主要介绍了AidLearning的安装和基本使用方法，介绍其相关的组件及其功能。
2、AidLearning是一个不需要root便可以运行linux图形或者console端的apk，它内置Python环境，而且还自带Jupyter notebook 以及各种特色的东西，感兴趣的小伙伴可以下载使用它，希望对大家的学习有帮助噢！
㈢ 学会Python之后更适合做哪方面的工作
下面我们来说一下Python具体的工作岗位以及其岗位要求：
Python后台开发工程师：主要是负责搭建和改进平台产品的后台，并与前端开发工程师相互配合完成整体产品的开发工作。要求工程师具备至少一门Python Web开发框架（Tornado、Django、Flask等），了解并熟悉MySQL/Redis/MongoDB。还要熟悉分布式、微服务、高性能Web服务的开发。
Python爬虫开发工程师：爬虫开发工程师并非我们预想的那样，只是负责为公司爬取相对应的数据内容。爬虫开发工程师主要负责对传统网页、SNS及微博等各种网站信息高效采集与正确解析，然后对用户数据进行整理分析，参与建模的构建，总结分析不同网站、网页的结构特点及规律，负责爬虫架构设计和研发，参与爬虫核心算法和策略优化研究。需要开发工程师熟悉了解robot规则、selenium、mitmproxy、pymouse等内容。当然作为爬虫开发工程师一定要有一定的职业情况，所有工作都需要在合理合法的需求下进行。
Python全栈开发工程师：是指可以使用Python相关工具，独立完成网站开发，称之为全栈开发。全栈开发工程师需要掌握非常多的技能，包括：项目管理、前后端开发、界面设计、产品设计、数据库开发、多端产品等等。
自动化运维工程师：是在基本的运维工作的基础上，实现运维工作的自动化，并且对自动化程序进行优化提升。需要从业者在掌握基本的运营工作的前提下，掌握Python中的IPy、Ansible、Saltstack等常用模块。
自动化测试工程师：首要要完成测试的基本工作，包括测试计划、测试用例、黑盒测试、性能测试等等。其次要是完成产品的自动化测试的部署以及维护工作，并且不断尝试新的方法，新的工具，以提高测试的效率。需要掌握Python以及selenium相关的技能。
数据分析师：指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。需要从业者了解行业相关业务知识、相关管理工作、掌握足够的数据分析方法、了解数据分析工具使用、能够完成数据分析建模等，工作内容偏重于分析，同样也要掌握一定的开发能力，例如R语言和Python语言。
数据分析开发工程师：根据数据分析师的建模完成数据相关的开发工作，搭建仓库、完成数据存储、数据处理、计算处理以及报表开发等工作。需要从业者熟练应用数据库、数据建模开发、Python相关数据科学知识等技能。
人工智能开发工程师：根据企业人工智能AI相关的开发需求，完成相应产品或者功能开发。需要从业者掌握充分的数据理论基础、Python开发基础、机器学习理论与实践、深度学习理论与实践、自然语言处理等一系列相关的开发技能。
Python游戏开发工程师：主要负责游戏服务端的逻辑开发。需要从业者掌握Python各种性能优化方法、soket网络编程知识、运维相关基础知识、以及Python相关的游戏开发库与框架。此外还可以将Python开发相关工作按照岗位晋升分为初级Python开发工程师、中级Python开发工程师、高级Python开发工程师、项目经理、架构师、CTO等。主要是根据从业者工作年限，在某个就业方向的工作经验以及解决问题的能力进行定位。
无论是哪个就业方向，扎实的学习好Python相关知识是重中之重，在互联网行业，无论是大厂还是创业创新的公司，招聘人才的最核心要求是技术能力，只有自己的能力和岗位匹配的时候，才能获得更多的工作机会。
㈣ 为什么说 virtualenv，fabric 和 pip 是 pythoneer 的三大神器
打开命令行（CMD），输入python，如果出现下图则表示安装成功了
如果显示错误的话，请把Python运行目录添加到 计算机>属性>高级系统设置>环境变量>Path中
从pip，完成之后，解压到一个文件夹，用CMD控制台进入解压目录，输入：python
setup.py install，安装好后，把这个目录添加到Path变量中> C:\Python34\Scripts;(python
默认安装的话就是这个路径)
直接在CMD下输入： pip，就会显示如下图
现在pip成功安装了，我们开始安装 virtualenv，直接在CMD输入：pip install virtualenv，由于我已经安装过了，所以显示报错了。
安装成功后进入到 C:\Python34\Scripts目录下，输入命令：virtualven venv
创建虚拟Python环境的文件夹
创建成功后cd进入刚才创建的文件夹，在python安装目录中会多出一个文件夹venv,去看看是不是 =.= ,然后输入：Scripts\activate ，前面多了个（venv）符号表示进入了这个虚拟环境中了，你可以随便怎么搞了。
退出环境：deactivate 回车就好（在python中，要退出python才可以退出虚拟环境）
㈤ 强烈推荐一款Python可视化神器！强烈必备！
Plotly Express 是一个新的高级 Python 可视化库：它是 Plotly.py 的高级封装，它为复杂的图表提供了一个简单的语法。
受 Seaborn 和 ggplot2 的启发，它专门设计为具有简洁，一致且易于学习的 API ：只需一次导入，您就可以在一个函数调用中创建丰富的交互式绘图，包括分面绘图（faceting）、地图、动画和趋势线。 它带有数据集、颜色面板和主题，就像 Plotly.py 一样。
Plotly Express 完全免费：凭借其宽松的开源 MIT 许可证，您可以随意使用它（是的，甚至在商业产品中！）。
最重要的是，Plotly Express 与 Plotly 生态系统的其他部分完全兼容：在您的 Dash 应用程序中使用它，使用 Orca 将您的数据导出为几乎任何文件格式，或使用JupyterLab 图表编辑器在 GUI 中编辑它们！
用 pip install plotly_express 命令可以安装 Plotly Express。
一旦导入Plotly Express（通常是 px ），大多数绘图只需要一个函数调用，接受一个整洁的Pandas dataframe，并简单描述你想要制作的图。 如果你想要一个基本的散点图，它只是 px.scatter（data，x =“column_name”，y =“column_name”）。
以下是内置的 Gapminder 数据集的示例，显示2007年按国家/地区的人均预期寿命和人均GDP 之间的趋势：
如果你想通过大陆区分它们，你可以使用 color 参数为你的点着色，由 px 负责设置默认颜色，设置图例等：
这里的每一点都是一个国家，所以也许我们想要按国家人口来衡量这些点...... 没问题：这里也有一个参数来设置，它被称为 size：
如果你好奇哪个国家对应哪个点？ 可以添加一个 hover_name ，您可以轻松识别任何一点：只需将鼠标放在您感兴趣的点上即可！ 事实上，即使没有 hover_name ，整个图表也是互动的：
也可以通过 facet_col =”continent“ 来轻松划分各大洲，就像着色点一样容易，并且让我们使用 x轴 对数（log_x）以便在我们在图表中看的更清晰：
也许你不仅仅对 2007年 感兴趣，而且你想看看这张图表是如何随着时间的推移而演变的。 可以通过设置 animation_frame=“year” （以及 animation_group =“country” 来标识哪些圆与控制条中的年份匹配）来设置动画。
在这个最终版本中，让我们在这里调整一些显示，因为像“gdpPercap” 这样的文本有点难看，即使它是我们的数据框列的名称。 我们可以提供更漂亮的“标签” （labels），可以在整个图表、图例、标题轴和悬停（hovers）中应用。 我们还可以手动设置边界，以便动画在整个过程中看起来更棒：
因为这是地理数据，我们也可以将其表示为动画地图，因此这清楚地表明 Plotly Express 不仅仅可以绘制散点图（不过这个数据集缺少前苏联的数据）。
事实上，Plotly Express 支持三维散点图、三维线形图、极坐标和地图上三元坐标以及二维坐标。 条形图（Bar）有二维笛卡尔和极坐标风格。
进行可视化时，您可以使用单变量设置中的直方图（histograms）和箱形图（box）或小提琴图（violin plots），或双变量分布的密度等高线图（density contours）。 大多数二维笛卡尔图接受连续或分类数据，并自动处理日期/时间数据。 可以查看我们的图库 (ref-3) 来了解每个图表的例子。
数据 探索 的主要部分是理解数据集中值的分布，以及这些分布如何相互关联。 Plotly Express 有许多功能来处理这些任务。
使用直方图（histograms），箱形图（box）或小提琴图（violin plots）可视化单变量分布：
直方图：
箱形图：
小提琴图：
还可以创建联合分布图（marginal rugs），使用直方图，箱形图（box）或小提琴来显示双变量分布，也可以添加趋势线。 Plotly Express 甚至可以帮助你在悬停框中添加线条公式和R²值！ 它使用 statsmodels 进行普通最小二乘（OLS）回归或局部加权散点图平滑（LOWESS）。
在上面的一些图中你会注意到一些不错的色标。 在 Plotly Express 中， px.colors 模块包含许多有用的色标和序列：定性的、序列型的、离散的、循环的以及所有您喜欢的开源包：ColorBrewer、cmocean 和 Carto 。 我们还提供了一些功能来制作可浏览的样本供您欣赏（ref-3）：
定性的颜色序列：
众多内置顺序色标中的一部分：
我们特别为我们的交互式多维图表感到自豪，例如散点图矩阵（SPLOMS）、平行坐标和我们称之为并行类别的并行集。 通过这些，您可以在单个图中可视化整个数据集以进行数据 探索 。 在你的Jupyter 笔记本中查看这些单行及其启用的交互：
散点图矩阵（SPLOM）允许您可视化多个链接的散点图：数据集中的每个变量与其他变量的关系。 数据集中的每一行都显示为每个图中的一个点。 你可以进行缩放、平移或选择操作，你会发现所有图都链接在一起！
平行坐标允许您同时显示3个以上的连续变量。 dataframe 中的每一行都是一行。 您可以拖动尺寸以重新排序它们并选择值范围之间的交叉点。
并行类别是并行坐标的分类模拟：使用它们可视化数据集中多组类别之间的关系。
Plotly Express 之于 Plotly.py 类似 Seaborn 之于 matplotlib：Plotly Express 是一个高级封装库，允许您快速创建图表，然后使用底层 API 和生态系统的强大功能进行修改。 对于Plotly 生态系统，这意味着一旦您使用 Plotly Express 创建了一个图形，您就可以使用Themes，使用 FigureWidgets 进行命令性编辑，使用 Orca 将其导出为几乎任何文件格式，或者在我们的 GUI JupyterLab 图表编辑器中编辑它 。
主题（Themes）允许您控制图形范围的设置，如边距、字体、背景颜色、刻度定位等。 您可以使用模板参数应用任何命名的主题或主题对象：
有三个内置的 Plotly 主题可以使用， 分别是 plotly， plotlywhite 和 plotlydark。
px 输出继承自 Plotly.py 的 Figure 类 ExpressFigure 的对象，这意味着你可以使用任何 Figure 的访问器和方法来改变 px生成的绘图。 例如，您可以将 .update（） 调用链接到 px 调用以更改图例设置并添加注释。 .update（） 现在返回修改后的数字，所以你仍然可以在一个很长的 Python 语句中执行此操作：
在这里，在使用 Plotly Express 生成原始图形之后，我们使用 Plotly.py 的 API 来更改一些图例设置并添加注释。
Dash 是 Plotly 的开源框架，用于构建具有 Plotly.py 图表的分析应用程序和仪表板。Plotly Express 产生的对象与 Dash 100％兼容，只需将它们直接传递到 dash_core_components.Graph，如下所示： dcc.Graph（figure = px.scatter（...））。 这是一个非常简单的 50行 Dash 应用程序的示例，它使用 px 生成其中的图表：
这个 50 行的 Dash 应用程序使用 Plotly Express 生成用于浏览数据集的 UI 。
可视化数据有很多原因：有时您想要提供一些想法或结果，并且您希望对图表的每个方面施加很多控制，有时您希望快速查看两个变量之间的关系。 这是交互与 探索 的范畴。
Plotly.py 已经发展成为一个非常强大的可视化交互工具：它可以让你控制图形的几乎每个方面，从图例的位置到刻度的长度。 不幸的是，这种控制的代价是冗长的：有时可能需要多行 Python 代码才能用 Plotly.py 生成图表。
我们使用 Plotly Express 的主要目标是使 Plotly.py 更容易用于 探索 和快速迭代。
我们想要构建一个库，它做出了不同的权衡：在可视化过程的早期牺牲一些控制措施来换取一个不那么详细的 API，允许你在一行 Python 代码中制作各种各样的图表。 然而，正如我们上面所示，该控件并没有消失：你仍然可以使用底层的 Plotly.py 的 API 来调整和优化用 Plotly Express 制作的图表。
支持这种简洁 API 的主要设计决策之一是所有 Plotly Express 的函数都接受“整洁”的 dataframe 作为输入。 每个 Plotly Express 函数都体现了dataframe 中行与单个或分组标记的清晰映射，并具有图形启发的语法签名，可让您直接映射这些标记的变量，如 x 或 y 位置、颜色、大小、 facet-column 甚至是 动画帧到数据框（dataframe）中的列。 当您键入 px.scatter（data，x ='col1'，y='col2'） 时，Plotly Express 会为数据框中的每一行创建一个小符号标记 - 这就是 px.scatter 的作用 - 并将 “col1” 映射到 x 位置（类似于 y 位置）。 这种方法的强大之处在于它以相同的方式处理所有可视化变量：您可以将数据框列映射到颜色，然后通过更改参数来改变您的想法并将其映射到大小或进行行分面（facet-row）。
接受整个整洁的 dataframe 的列名作为输入（而不是原始的 numpy 向量）也允许 px 为你节省大量的时间，因为它知道列的名称，它可以生成所有的 Plotly.py 配置用于标记图例、轴、悬停框、构面甚至动画帧。 但是，如上所述，如果你的 dataframe 的列被笨拙地命名，你可以告诉 px 用每个函数的 labels 参数替换更好的。
仅接受整洁输入所带来的最终优势是它更直接地支持快速迭代：您整理一次数据集，从那里可以使用 px 创建数十种不同类型的图表，包括在 SPLOM 中可视化多个维度 、使用平行坐标、在地图上绘制，在二维、三维极坐标或三维坐标中使用等，所有这些都不需要重塑您的数据！
在 API 级别，我们在 px 中投入了大量的工作，以确保所有参数都被命名，以便在键入时最大限度地发现：所有 scatter -类似的函数都以 scatter 开头（例如 scatter_polar， scatter_ternary）所以你可以通过自动补全来发现它们。 我们选择拆分这些不同的散点图函数，因此每个散点图函数都会接受一组定制的关键字参数，特别是它们的坐标系。 也就是说，共享坐标系的函数集（例如 scatter， line ＆ bar，或 scatter_polar， line_polar 和 bar_polar ）也有相同的参数，以最大限度地方便学习。 我们还花了很多精力来提出简短而富有表现力的名称，这些名称很好地映射到底层的 Plotly.py 属性，以便于在工作流程中稍后调整到交互的图表中。
最后，Plotly Express 作为一个新的 Python 可视化库，在 Plotly 生态系统下，将会迅速发展。所以不要犹豫，立即开始使用 Plotly Express 吧！