★ FEATURED ARTICLE 算起来这个“Day 100 Step By Step Python”的计划是我去年给自己下的一个“笨命令”。当时正是Python热词满天飞的时候到处都是“python教程”、“python入门”的帖子但我身边真正坚持学下来的朋友屈指可数。大家普遍的状态是安装教程看了好几遍代码抄了几十行遇到一个Bug就卡死然后就没有然后了。我不想再当那个“收藏了等于学会了”的人所以给自己定了一个每天都能完成、且有明确验证结果的100天计划。今天把这100天的路线、踩过的坑、实测好用的方法全部整理出来希望能给那些搜过“python下载安装教程”、“python环境配置”却始终停在第一步的人一个真正可以照做的完整参考。这个计划适合谁完全零基础的小白或者学过一点Python但始终没做过完整项目的人。不夸张地说只要你能保证每天拿出40分钟到1小时按下面这套Step By Step的路线走100天之后你至少能独立写出“自动整理Excel报表”、“定时抓取网页数据”、“跑通一个简单的量化策略回测脚本”这类实用工具。本文所有内容都基于我实际执行过程中的笔记和踩坑记录没有空话只有能直接抄作业的步骤。1. 为什么是“100天”——把学习变成可执行的项目1.1 100天不是玄学是习惯养成的物理周期很多人一看到“100天”就以为是某种鸡汤营销其实不是。心理学上习惯养成通常需要21天以上但要让一个技能从“知道”变成“熟练”100小时左右的刻意练习是比较靠谱的估算。我每天投入1小时100天就是100小时刚好跨过新手到入门的门槛。这个计划的核心理念是“Step By Step”翻译过来就是“每一步都能看到下一步”。我不会今天学变量、明天就冲量化交易而是把知识点拆成一个个能在10分钟内验证结果的小步骤。每完成一步我就在笔记里写下当天完成的可运行代码和输出结果。这种“每一步都有反馈”的设计才是抵御三分钟热度的关键。我见过太多人学Python的方式是今天看两集视频明天搜“python量化交易策略代码”想直接跑实盘后天又去搜“python爬虫”。知识是跳跃的报错是必然的最后得出的结论就是“Python好难”。实际上Python是主流语言里对新手最友好的问题不在于语言而在于学习路径没有阶梯。1.2 三阶段路线基础语法 → 数据处理 → 综合实战我把100天分成三个阶段每个阶段都有明确目标和验收标准阶段天数核心目标代表知识点验收标准第一阶段第1~25天把Python语法摸透变量、类型转换、分支循环、定义函数、字符串、列表字典独立完成30道基础编程题第二阶段第26~60天掌握数据处理与可视化NumPy、pandas、DataFrame、matplotlib、读写Excel做出一份数据清洗图表报告第三阶段第61~100天自动化与项目实战连接数据库、自动化拉表、网页数据获取、量化回测脚本完成2~3个完整小工具第二阶段为什么占了35天因为这是搜索热词最密集的区域像“python安装numpy库的方法”、“python dataframe”、“python画图横坐标太密集”这些问题几乎每个初学者都会遇到。数据处理是Python在职场里最值钱的应用方向值得多花时间。第三阶段不在多而在精每做一个项目都要用上前两个阶段的知识把零散技能串成一条线。1.3 每天的具体时间怎么拆我的习惯是每天拆成三块总时长不超过1小时。前10分钟用来写一个昨天知识点的“默写小程序”比如第20天默写一个自定义函数中间35分钟学习新知识点并当场敲代码最后10分钟把运行结果和心得记录到自己的学习日志里。这个方法的好处是把“学”和“练”合一。很多人只看教程不敲代码眼睛会了手不会这就是典型的“python教程未定义怎么用”——看过一遍就忘了。当天的内容必须当天运行出结果哪怕只是打印出一行正确的输出也是在给大脑正向反馈。我执行到第40天的时候已经完全养成了“遇到报错先读最后一行”的条件反射。2. 从零开始的环境搭建新手最容易放弃的战场2.1 三步搞定Python安装别再卡在第一步搜过“python安装教程”的人都知道网上教程版本杂、说法多什么“python 3.8稳定”、“python 3.12新特性”看得人头晕。我按照我自己踩了三次坑之后总结的稳定路线三步就能搞定。第一步去Python官网下载对应操作系统的安装包。版本建议选择3.10或3.11因为这两个版本对第三方库的兼容性最稳。不要追新也不要守着3.8。3.8实在太老很多新库已经不再支持3.12太新个别C扩展库在Windows上可能还没预编译包。第二步安装时千万记住一件事勾选“Add Python to PATH”。这是环境变量不勾的话你会在cmd里敲“python”直接报“不是内部或外部命令”然后又要多搜一个“python连接cmd”的问题。勾选PATH是90%新手问题的根源先把这个勾上后面至少能少踩一半的坑。第三步打开命令行Windows叫cmd或PowerShell输入python --version验证安装。如果看到版本号说明安装成功。Linux系统安装python也类似只是路径不同——大多数发行版自带python3直接输入python3 --version验证即可。没有的话用包管理器安装比如Debian系的apt install python3注意不要动系统的自带的Python你未来装库用的是独立虚拟环境后面会讲。2.2 编辑器选型vscode是多数人的最优解编辑器我最终选了vscode而不是一开始用的IDLE或者后来试过的PyCharm。原因很简单vscode轻量、插件生态好、免费而且“vscode python环境配置”的解决方案非常多遇到问题容易搜到答案。配置流程其实五分钟就能搞定。装好vscode之后在扩展市场搜索“Python”安装微软官方插件。然后用快捷键打开命令面板输入“Python: Select Interpreter”选择你刚安装的那个Python解释器。这一步太关键了很多人写了代码运行时报“No module named numpy”不是因为没安装库而是因为vscode选了解释器Apip装到了解释器B两边不是同一个Python。再说一下虚拟环境。虚拟环境就是给每个项目单独开一个“干净的房间”里面只装这个项目需要的库。原因很现实你第30天装了NumPy第80天装了sklearn说不定某个库的依赖版本就把前面那个顶掉了。用虚拟环境可以彻底隔离这种“包冲突”。创建方式也很简单python -m venv myenvWindows下激活命令是myenv\Scripts\activateLinux和macOS下是source myenv/bin/activate。激活之后命令行前面会出现(myenv)说明你现在就在这个独立环境里了。以后装库、运行代码都在这条命令行里操作干净整洁。2.3 新手最常搜的三个环境问题一次说清楚我整理了我自己见过的高频问题这里直接做成速查表现象真实原因解决办法cmd输入python提示不是内部或外部命令安装时没勾选Add Python to PATH重装Python或手动添加环境变量pip安装库成功但代码import报错解释器选错或没激活虚拟环境vscode命令面板重新选择解释器linux里输入python显示未找到Linux默认命令是python3用python3命令或安装python-is-python3包下载库速度慢或超时默认走的是国外源用国内镜像源比如pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple另外补一个冷门但常见的点很多人搜“python下载cv2”其实cv2的包名不叫cv2而是opencv-python。这类“安装名和导入名不一致”的库不少遇到pip install xxx装完了import xxx失败的先查一下这个库的官方文档看看安装命令到底写的是什么别急着怪环境。2.4 为什么换电脑换系统会“水土不服”第50天的时候我在一台新电脑上重新配环境顺手搜了下“linux系统安装python”发现很多人来回折腾是因为“环境迁移”没做对。其实同一个项目换机器只需要三步装Python、建虚拟环境、在虚拟环境里执行pip install -r requirements.txt。这个requirements.txt哪里来在你原来的虚拟机里运行pip freeze requirements.txt就生成了。它把当前环境的所有库和精确版本号都记录下来了。这一步是我最后悔没早点学的操作前50天我换电脑靠手动重装库浪费时间不说还经常装错版本。3. 核心语法像搭积木一样理解Python3.1 定义函数把“做事流程”打包成积木进入语法阶段后第一个值得认真对待的知识点是“定义函数”。搜“python定义函数”的人多但真正理解函数价值的人少。函数其实就是一个“可重复调用的工作流程”。比如你要算长方体的体积长宽高每次不同但公式一样就把它写成一个函数def volume(length, width, height): return length * width * height print(volume(2, 3, 4)) # 输出24这行代码背后的核心概念是“参数、返回值、作用域”。很多人报错“NameError: name xxx is not defined”搜“python教程未定义怎么用”其实本质就是变量作用域的问题——函数内部定义的变量默认只能在函数内部用外部访问不到。理解了作用域这类报错你一眼就能看出来。我的建议是从第10天开始所有练习题都用函数来封装哪怕题目很简单。比如“python编程求长方体体积”也写成函数再调用。这能让“结构化思维”尽早建立后面写几百行的脚本时才能把逻辑拆成一个个小函数去维护。3.2 类型转换与切片越早练越顺手的两个基础功“python类型转换”和“python数组切片”是新手最容易忽视的基础功。类型转换就是字符串、整数、浮点数之间的互换比如接收用户输入时拿到的默认都是字符串你要做数值运算就必须int()转一下。就这么一个细节写“身份证号处理”、“金额计算”这类场景天天都要用。切片就更重要了。Python的列表、字符串、元组都支持切片操作语法是数据[起始:结束:步长]。它就像一把尺子从一列数据里切出你想要的区间data [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] print(data[2:6]) # 输出 [2, 3, 4, 5] print(data[::2]) # 输出 [0, 2, 4, 6, 8]隔一个取一个理解切片不需要死记把它类比成“从书架上抽几本书”。这些基础功直接影响后面操作DataFrame的效率因为pandas里大量操作都是基于类似切片的思想。3.3 刷题的正确姿势经典100题的打开方法网上流传各种“python经典100编程题”、“python题库刷题训练”我也刷过不少。但刷题不等于题海战术更不等于背答案。我自己的方法是拿到一道题之后先不急着写代码先在草稿纸上用中文把解决步骤写出来比如“先算总数再扣除重复项最后排序”。这个习惯叫“伪代码思维”它能帮你把问题拆解成可以用Python一步步实现的任务。举个例子经典趣味题“李白打酒”是这样的李白提着酒壶上街遇见酒店就把酒量加倍遇见花就喝掉一斗最后酒壶空了。已知他遇店和遇花的次数求具体的先后顺序。这种题看起来像脑筋急转弯实际上很适合用递归或回溯算法去穷举所有可能性。我第22天做这道题时搜到的答案用了深度优先搜索的框架虽然当时我对“递归”还没掌握好但通过手工模拟一遍递归过程理解深度立刻不一样了。刷题阶段的另一个好习惯是把“数据结构”概念顺手学了。比如“python构建邻接矩阵”听起来很高大上其实就是用二维数组或二维列表表示图的结构。跟刷题搭配着学你会发现算法题其实离不开数组、字典、栈和队列这几个基本容器。3.4 协程Python异步编程的大门到了第50天左右我开始接触“python协程”。协程这个词听起来吓人但它的核心场景很生活化当你的程序要同时等待多个任务比如同时请求多个网页、同时读取多个文件如果一个个排队做速度很慢用协程可以“边等边做”把等待的时间利用起来。我第一个练手的协程代码是模拟同时处理三件耗时任务import asyncio async def fetch_data(name, delay): print(f开始处理{name}) await asyncio.sleep(delay) print(f完成{name}) async def main(): tasks [ fetch_data(任务A, 2), fetch_data(任务B, 1), fetch_data(任务C, 3), ] await asyncio.gather(*tasks) asyncio.run(main())学习协程的关键是理解async def和awaitasync def定义一个异步函数await表示“在这里等待但等待期间让出控制权去干别的”。不要一开始就去读底层的事件循环原理先把这套“同时等待”的模型跑起来后续要用的时候再深入。4. 数据处理与可视化把数据变成信息和图表4.1 NumPy的安装与“数组思维”进入第二阶段第一件事就是装库。很多人搜“python安装numpy库的方法”其实步骤比想象中简单只要你的虚拟环境激活了一行命令就行pip install numpy如果速度慢加上镜像源参数。装完在Python交互环境里import numpy没报错就是成功。NumPy的核心是数组ndarray它比Python原生列表强大在哪我用一个例子来说明一个一万个元素的列表用普通循环每个元素加1和用NumPy数组整体加1后者直接写成arr 1代码简洁而且底层用C语言实现速度快几十倍。这就是“向量化”带来的差距。科学计算类库的安装方式基本都一样包括sklearn机器学习库、pandas、matplotlib全都是pip install 包名。装sklearn的时候注意它依赖NumPy和SciPy如果遇到依赖冲突最好在干净的虚拟环境里重装别在系统全局环境里硬磨。4.2 pandas与DataFrame像操作Excel一样操作数据pandas是Python数据处理的核心没有之一。它的主力数据结构叫DataFrame可以理解成一张内存里的表格有行有列操作起来比Excel更快还能自动化。我第40天的练习是把一份CSV文件读进来然后做筛选。这里对应一个非常高频的搜索——“python筛选一样的”其实就是找重复行。pandas里一句代码就搞定import pandas as pd df pd.read_csv(sales.csv) duplicates df[df.duplicated()] print(duplicates)这个duplicated()方法会标记重复行默认是判断整行是否完全相同也可以指定某一列。除了去重pandas更常用的操作是分组聚合比如统计每个地区的销售总额用df.groupby(地区)[金额].sum()。我习惯把pandas的操作想象成“在Excel里做透视表”但所有动作都是可重复执行的代码这才是自动化的源头。“python结构化数据”这个词指的就是这种规整的表格型数据。现实世界里的数据往往不规整所以第二阶段大量时间花在“清洗”上改列名、去空值、统一日期格式。这一步看着琐碎却是数据分析里最耗时、最体现功力的部分。4.3 matplotlib画图解决“横坐标太密集”系列问题“python画图横坐标太密集”几乎每个用matplotlib画过折线图的人都搜过。默认情况下如果你的横坐标有一百个点matplotlib会把它们全部挤在一排字叠着字画面惨不忍睹。解决办法有两个层次。第一层是简单粗暴地旋转和抽稀。把标签旋转45度同时只显示部分刻度import matplotlib.pyplot as plt plt.plot(x_data, y_data) plt.xticks(rotation45) # 只显示前50个坐标中每隔10个取一个 plt.xticks(x_data[::10]) plt.tight_layout() plt.show()第二层是思考“该显示多少刻度才合理”。如果横坐标是时间序列可以用pd.date_range生成间隔适中的刻度如果类别特别多不如换成柱状图或横向条形图。画图的目的不是一步到位美观而是先把信息表达清楚再谈细节优化。记住这个顺序你就不太会在画图上钻牛角尖。另外提一句如果你想生成一个动态交互的图表或者想画更复杂的统计图形plotly和seaborn也值得了解。但matplotlib是基础中的基础先把它的坐标轴、图例、标题、保存图片这几个功能玩明白再往上层走。4.4 实用小项目把Excel数据统计成图表报告第二阶段收尾我给自己定的任务是“把Excel自动统计分析并画图”。这刚好把“python写入excel”、“python dataframe”和matplotlib串起来了。流程是这样的用pandas.read_excel(销售明细.xlsx)读取Excel数据。用df.groupby(产品)[销售额].sum()做分组统计。用matplotlib绘制条形图并保存为PNG图片。把统计结果用df.to_excel(统计结果.xlsx, indexFalse)写回Excel。整套代码不超过50行但覆盖了数据读取、处理、可视化和结果输出四个关键环节。当我在第58天亲眼看到程序自动生成一份带图表的报表时那种“这周没白学”的感觉非常强烈。这也是为什么我建议第二阶段一定要动手做这类小项目光看教程绝对不会有这种正反馈。5. 自动化与综合实战让Python替你打工5.1 自动连接公司系统拉报表职场场景的经典需求第三阶段第一个实战项目对应热词“python如何连接公司系统实现自动拉表”。这个需求在工作里太常见了每天早上花半小时打开几个系统把数据导出来粘贴汇总发邮件。这种重复劳动完全可以交给脚本。实现的思路分几步。第一步确认数据来源是什么形态——如果系统提供数据库访问权限比如Oracle或MySQL那用连接库直接查询如果是网页后台可能需要模拟登录后抓取数据如果只是本地文件那pandas直接处理就行。以连接Oracle为例需要先安装驱动库目前常用的是python-oracledb或cx_Oracle。连接的核心参数是数据库地址、端口、服务名、用户名和密码import oracledb conn oracledb.connect( userreport_user, passwordyour_password, dsn192.168.1.100:1521/ORCLPDB ) cursor conn.cursor() cursor.execute(SELECT date, amount FROM sales WHERE sale_date TO_DATE(2025-01-01, YYYY-MM-DD)) rows cursor.fetchall()这段代码拿到数据后配合pandas就能直接转成DataFrame再生成Excel或图表。注意连接公司系统不是光有代码就行你还得有网络权限和数据库账号。如果公司IT有专门的报表系统脚本前需要确认合规性千万别拿脚本去绕过权限那是给自己挖坑。“python连接cmd”这个搜索词也有对应场景——有时候你想在Python里执行系统命令不需要人工去命令行操作用内置的subprocess模块就行import subprocess result subprocess.run([dir], capture_outputTrue, textTrue, shellTrue) print(result.stdout)这个方法可以用于批量处理文件、调用外部工具也是自动化工具箱里常用的一块积木。5.2 网页数据获取用正向姿势学习爬虫“python爬虫”是搜索量最大的热词之一也是新手最容易误入歧途的地方。我的观点是爬虫本身是一项完全中性的技术就像一把菜刀——关键是拿来干什么。正确的入门姿势是学习requests库和BeautifulSoup库抓取公开信息、练习数据分析。实操时务必遵守网站的访问规则和robots协议尊重版权不搞高并发暴力抓取不碰任何需要权限的数据。一个简单的入门脚本结构是这样用requests.get()请求网页拿到HTML文本再用BeautifulSoup解析出你想要的元素。整个过程考验的是对HTML结构的理解而不是Python本身。我建议练手就用公开的测试站点跑通思路就好。这里必须泼一盆冷水任何教你绕过防护、批量抓取敏感数据、用来攻击或作弊的“教程”都不要碰没必要也不值得。真正的技术能力是在合规场景里练出来的不是比谁更会钻空子。5.3 量化交易策略代码热度高但别轻易实盘“python量化交易策略代码”的热度一直很高很多初学者刚学完pandas就想直接写策略、接实盘。我的建议是量化确实是把Python数据分析能力用到极致的方向但第一阶段请把它当成“数据框架练习”不要动真金白银。一个经典的学习路径是写一个双均线策略回测计算短期均线和长期均线当短期上穿长期时买入下穿时卖出。用backtrader框架写回测代码最核心的逻辑部分大致长这样class DoubleSMA(bt.Strategy): def __init__(self): self.sma_short bt.indicators.SimpleMovingAverage( self.data.close, period10) self.sma_long bt.indicators.SimpleMovingAverage( self.data.close, period30) def next(self): if self.sma_short[0] self.sma_long[0] and self.sma_short[-1] self.sma_long[-1]: self.buy() elif self.sma_short[0] self.sma_long[0] and self.sma_short[-1] self.sma_long[-1]: self.sell()回测跑出来的收益曲线和回撤数字是理解“策略评价”的绝佳材料。但请记住回测结果好不代表实盘能赚钱里面涉及交易成本、滑点、未来函数等一堆坑。我个人的建议是量化方向只作为学习pandas、数据清洗和策略思路的载体真要深度做还有人、风险、心态等大量功课要做。5.4 用“小工具合集”给100天画句号第三阶段最后我把分散的练习整合成一个小工具合集。脚本包括一个用Python生成中秋节祝福语并配上简单ASCII图案的小程序一个批量重命名文件夹内所有图片文件的脚本一个能定时提醒我喝水的桌面弹窗程序一个读取本地CSV并按条件筛选出“重复/异常”行的数据处理脚本。这些工具单独看都很简单但组合起来就是一份完整的能力证明。做完这个合集我理解了一个关键点热词里的“python教程”、“python入门”永远刷不完真正有效的是把每个知识点放进一个具体用途里。代码能用起来才算真的学会。6. 遇到问题怎么定位我的排查套路6.1 报错信息的正确阅读法从最后一行开始第70天之后我遇到报错已经不怎么慌了。我的排查套路很简单首先看报错最后一行那一行通常是异常类型和最关键的原因。比如ModuleNotFoundError: No module named requests核心信息就是“没装requests库”。然后看代码里报错指向的文件名和行号从那一行往上回溯往往就能发现是变量名拼错、缩进问题还是逻辑问题。很多人搜“python教程未定义怎么用”这类问题本质上就是没掌握这个阅读顺序。报错信息不是天书它就是Python在告诉你“我在哪个位置、遇到了什么问题”。把报错当成调试信息而不是失败心态就过去了。6.2 100天里我遇到的常见问题速查表问题典型报错解决办法中文注释乱码SyntaxError: Non-UTF-8 code文件开头加# -*- coding: utf-8 -*-或直接统一用UTF-8库装不上ERROR: Could not find a version检查Python版本是否过老用镜像源重装列表索引越界IndexError: list index out of range检查列表长度注意最后一个元素的索引是len-1缩进错误IndentationError: unexpected indentPython用缩进表示代码块统一用4个空格遇到NaN数据ValueError: cannot convert float NaN to integer用pd.isna()或dropna()先清洗数据OCR识别太占CPU进程跑满换轻量模型降低并发数或改用在线接口6.3 搜索问题的正确姿势遇到问题再正常不过但搜问题的姿势有讲究。我的经验是不要只搜报错原文而是把“报错信息 你的环境”一起搜比如“python 3.11 pandas read_excel ImportError”。搜索结果里优先看Stack Overflow、官方文档和GitHub Issues这些地方的信息质量比个人博客稳定得多。先把官方文档当字典用而不是像读小说一样从头翻到尾效率会高很多。6.4 写在最后的一些“作弊”技巧最后分享一个我踩过几次坑之后总结的“作弊”技巧在写代码之前先把问题拆成伪代码写成注释再逐行翻译成Python。这个步骤很多人嫌麻烦但实测下来能省一半的调试时间。比如要写“从列表里筛选出所有偶数”先写注释# 创建一个新列表 # 遍历原列表 # 如果数字能被2整除就添加到新列表然后一行注释对应一两行代码。这种方式让思考过程和代码一一对应逻辑不容易乱。我后面写自动化脚本和数据处理项目时一直保留这个习惯相当于在脑内先跑通一遍再动手。100天不是终点。计划结束后我最大的感受是真正让我坚持下来的不是意志力而是每天完成一个“足够小”的目标。如果你也想尝试这条路我的建议是从现在开始不要等到完整的时间、不要等到准备好再学今天就先装好Python写下第一行print(Hello Python)。后面的事一步一步来就好。
阅读完成 · 觉得有帮助？
