Python的系統(tǒng)的自學(xué)，其實(shí)應(yīng)該分成兩塊：

• Python本身語言語法的學(xué)習(xí)
• Python在特定應(yīng)用場景相關(guān)庫和場景知識的學(xué)習(xí)，比如機(jī)器學(xué)習(xí)方面，辦公自動化，Web后端變成，網(wǎng)絡(luò)編程，桌面圖形界面等等

打個通俗的例子，你完全會漢語的語法和單詞，也能流利的用漢語表達(dá)自己感受和想法，但是找一篇現(xiàn)代數(shù)學(xué)的論文或者一篇前言醫(yī)學(xué)的論文，雖然字你都認(rèn)識，漢語的語法你也完全看的懂，但是這樣的現(xiàn)代數(shù)學(xué)或者醫(yī)學(xué)的論文，如果你沒有相關(guān)的知識，你從頭看到尾，你還是完全不理解這些論文究竟在說啥。

同樣的，Python是一門計算機(jī)語言，它為人類和計算機(jī)交流發(fā)明的，Python定義一種語言的語法和規(guī)則，讓你用這樣的“語言”描述自己的想法的時候，計算機(jī)就會理解你的意思，并按照你的要求執(zhí)行。

比如用Python寫出下面的代碼，也就是相當(dāng)于你朝計算機(jī)喊“給我輸出100次Hello",之所以我們現(xiàn)在需要用Python告訴計算機(jī)我們的想法，而不是直接用漢語告訴計算機(jī)，是因?yàn)闈h語也好，英語也好，其他人類的語言也好，一方面不嚴(yán)謹(jǐn)，模糊信息太多，計算機(jī)難以理解，另一方面，人類的語言冗余信息太多，也不效率（你懂得，人類大部分交流，很多話都是在扯淡，沒有信息含量），希望人工智能的進(jìn)步讓未來的計算機(jī)能直接理解人類心中的想法：

for i in range(100):
    print("Hello")

所以，回到如何系統(tǒng)的自學(xué)Python, 其實(shí)也要分成兩塊看：

• 如何系統(tǒng)的自學(xué)的Python語言語法
• 如何系統(tǒng)自學(xué)的Python各種應(yīng)用場景，比如數(shù)據(jù)分析，網(wǎng)絡(luò)編程，Web編程，圖像處理，桌面圖形界面程序，機(jī)器學(xué)習(xí)等等各種場景

如何系統(tǒng)的自學(xué)的Python語言語法

Python語言語法這塊不是很復(fù)雜，任何入門級的Python教程書都有，并且官方文檔就自帶了一份中文的教程，在你安裝Python本機(jī)就有，也可以直接在官網(wǎng)網(wǎng)站上看到：

Python 教程 - Python 3.8.3 文檔?docs.python.org

這個文檔就已經(jīng)詳細(xì)把Python語言和語法說的很清楚，包括幾個Python語言最重要的幾部分：

• 流程控制（ If, for, while)
• 數(shù)據(jù)結(jié)構(gòu)（數(shù)字，字符串，列表，字典等）
• 模塊
• 異常
• 類
• 常用標(biāo)準(zhǔn)庫

官方3.8版本的文檔一共16章，總共也沒多少字，對Python語言和語法方方面面的內(nèi)容也都有相應(yīng)的代碼，仔仔細(xì)細(xì)照著敲一遍，反反復(fù)復(fù)聯(lián)系幾遍，就和剛學(xué)一門外語的，不要糾結(jié)太多，就是要多”說“，對于Python而言，就是要反復(fù)“說”給計算機(jī)聽。

盡量給自己一點(diǎn)高強(qiáng)度練習(xí)，讓自己反復(fù)習(xí)慣用Python表達(dá)自己的想法，慢慢的你就有用Python和計算機(jī)交流的感覺了，這時候Python語言和語法你也基本系統(tǒng)學(xué)了一遍，也基本都有理解了。

如何系統(tǒng)自學(xué)的Python各種應(yīng)用場景

首先，要明白一點(diǎn)，Python應(yīng)用場景涉及計算機(jī)的方方面面，并沒有必要系統(tǒng)的全部學(xué)一遍，要根據(jù)你的實(shí)際需求來，就像你會漢語，但是也沒有必要把漢語用的所有方面都學(xué)一遍，沒見過幾個會說普通的話，嘗試去寫宋詞元曲的，對吧。

所以，根據(jù)你的需求來看，你需要學(xué)習(xí)Python那個應(yīng)用場景，這種情況下，根據(jù)每個人情況，也要分兩種：

• 本身已具備相關(guān)應(yīng)用場景的專業(yè)知識
• 本身不具備相關(guān)應(yīng)用場景的專業(yè)知識

比如，如果你本人就是數(shù)學(xué)系或者統(tǒng)計系的，對數(shù)據(jù)分析的相關(guān)數(shù)據(jù)概念很清楚，你去學(xué)習(xí)Python數(shù)據(jù)科學(xué)的相關(guān)庫(Numpy，Pandas,statsmodels,Skt-learn等），你會覺得非常輕松，因?yàn)槟銓I(yè)上學(xué)到一些專業(yè)知識和算法，已經(jīng)被人用Python都包裝好了，只要你會Python的語言語法，都可以輕松調(diào)用。

又比如你本來就已經(jīng)熟悉用Qt來開發(fā)桌面圖形界面程序，這時候，你用PyQt5或者PySide,你同樣會覺得非常簡單，也談不上自學(xué)成本，十分鐘了解下這些庫的用法，馬上就可以上手。

但是，大部分人的情況，是本身不具備相關(guān)應(yīng)用場景的專業(yè)知識，比如學(xué)習(xí)Django/Flash的，是第一次接觸Web編程，學(xué)習(xí)PyTorch/Keras的人，也是第一次接觸神經(jīng)網(wǎng)絡(luò)，與其說是想系統(tǒng)的自學(xué)的Python，比如是說想借Python的語言學(xué)習(xí)Web開發(fā)/數(shù)據(jù)分析/機(jī)器學(xué)習(xí)/圖像處理。。。。

對于這種情況，建議是，根據(jù)你自己的需求，盡快找到你所對應(yīng)Pyhon的庫，而且通常要找包裝的比較簡單的庫，沒太多細(xì)節(jié)的的庫，比如說，學(xué)深度學(xué)習(xí)，先從包裝成最簡單的Keras，先用起來，比如說從來沒接觸過Web后端開發(fā)，先用最簡單的Flask開始，而且要盡快直接用最簡單的庫，先跑起來，先動起來，因?yàn)槟惚旧頉]有這塊的基礎(chǔ)知識，而Python這些庫，恰恰能讓你很快入手，盡快直觀了解這方便的知識，比如你原來不理解什么是神經(jīng)網(wǎng)絡(luò)，那就直接先用Keras照例子寫個手寫體，先跑起來再說，再看看找下傳統(tǒng)的算法，例如用Skt-learn也寫個手寫體識別，兩個不同的算法一起跑起來對比下，你對神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)，立刻就不會覺得神秘，會有直接的認(rèn)識。

import numpy as np
np.random.seed(1337)  # for reproducibility
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D,AveragePooling2D
from keras.utils import np_utils
from keras import backend as K
import MNIST
# 全局變量  
batch_size = 128  # 批處理樣本數(shù)量
nb_classes = 10  # 分類數(shù)目
epochs = 600  # 迭代次數(shù)
img_rows, img_cols = 28, 28  # 輸入圖片樣本的寬高
nb_filters = 32  # 卷積核的個數(shù)
pool_size = (2, 2)  # 池化層的大小
kernel_size = (5, 5)  # 卷積核的大小
input_shape = (img_rows, img_cols,1)  # 輸入圖片的維度
X_train, Y_train = MNIST.get_training_data_set(600, False)  # 加載訓(xùn)練樣本數(shù)據(jù)集，和one-hot編碼后的樣本標(biāo)簽數(shù)據(jù)集。最大60000
X_test, Y_test = MNIST.get_test_data_set(100, False)  # 加載測試特征數(shù)據(jù)集，和one-hot編碼后的測試標(biāo)簽數(shù)據(jù)集，最大10000
X_train = np.array(X_train).astype(bool)    # 轉(zhuǎn)成0-1黑白圖。方便訓(xùn)練
X_train=X_train[:,:,:,np.newaxis]  # 添加一個維度，代表圖片通道。這樣數(shù)據(jù)集共4個維度，樣本個數(shù)、寬度、高度、通道數(shù)
Y_train = np.array(Y_train)
X_test = np.array(X_test).astype(bool)    # 轉(zhuǎn)成0-1黑白圖。方便訓(xùn)練
X_test=X_test[:,:,:,np.newaxis]  # 添加一個維度，代表圖片通道。這樣數(shù)據(jù)集共4個維度，樣本個數(shù)、寬度、高度、通道數(shù)
Y_test = np.array(Y_test)
print('樣本數(shù)據(jù)集的維度：', X_train.shape,Y_train.shape)
print('測試數(shù)據(jù)集的維度：', X_test.shape,Y_test.shape)
print(MNIST.printimg(X_train[1]))
print(Y_train[1])
model = Sequential()
model.add(Conv2D(6,kernel_size,input_shape=input_shape,strides=1))  # 卷積層1
model.add(AveragePooling2D(pool_size=pool_size,strides=2))  # 池化層
model.add(Conv2D(12,kernel_size,strides=1))  # 卷積層2
model.add(AveragePooling2D(pool_size=pool_size,strides=2))  # 池化層
model.add(Flatten())  # 拉成一維數(shù)據(jù)
model.add(Dense(nb_classes))  # 全連接層2
model.add(Activation('sigmoid'))  # sigmoid評分
model.compile(loss='categorical_crossentropy',optimizer='adadelta',metrics=['accuracy'])
model.fit(X_train, Y_train, batch_size=batch_size, epochs=epochs,verbose=1, validation_data=(X_test, Y_test))
score = model.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])

最后總結(jié)下，所謂系統(tǒng)自學(xué)Python，很多時候，很多人指的是系統(tǒng)的學(xué)習(xí)Python應(yīng)用在XXX方面，而不是指Python語言本身，這時候，如果沒有相關(guān)方面的知識，最好的辦法，從Python包裝的使用難度最低的庫入手，盡快讓自己對具體知識有了具體的理解，想學(xué)深度學(xué)習(xí)，盡快用Keras搭建自己的第一個神經(jīng)網(wǎng)絡(luò)，想學(xué)爬蟲，先用requests抓第一個網(wǎng)頁信息，想開發(fā)Web，先用Flask搭一個網(wǎng)站，當(dāng)你通過Python把這個應(yīng)用方面或者專業(yè)的知識理解透了，用其他語言C/C++/JAV去做，對你來說也是豁然開朗的感覺，立刻動手立刻去做立刻去理解，除此之外，再無法他發(fā)。