有一個朋友最近問到這個問題，我覺得把它公開出來對其他人也會有幫助。這是給完全不瞭解Python而想找到從零到一的最簡單的路徑的人的建議：

1. 在這裡（https://www.continuum.io/downloads）下載適用於你的作業系統的Python 3.X的Anaconda發行版本。這個預先捆綁的發行版會幫助你避開很多跟安裝相關的頭疼問題。有很多重要的資料分析包都會被預先安裝好。

學習python加python程式語言學習QQ群515267276

2. 等你安裝好之後，測試一下，確認預設的Python直譯器是你剛剛安裝的版本。這非常重要，因為可能在你的系統裡已經安裝了一個版本的Python，但是它並不會包含Anaconda發行版中的所有東西，所以你得確保新的版本才是預設版本。在Mac/Linux系統上，你可以在終端輸入which python，或者你也可以執行Python的直譯器並且確保版本跟你下載的是相符的。如果這一切執行良好，在安裝的時候就應該被設定成預設的版本。如果並非如此，你就得停下來並且解決它。

3. 在命令直譯器（Shell）中輸入jupyter notebook命令，這會開啟一個瀏覽器視窗。如果沒有的話，開啟瀏覽器，在位址列輸入：http://localhost:8888。在你開啟這個頁面之後，建立一個新的Python筆記本（Python notebook）。

4. 點選http://www.kaggle.com/最上面選單欄中的kernels，並在新開啟的頁面中的語言過濾器中選擇Python（https://www.kaggle.com/kernels?language=Python）。這裡大部分都是其他人利用Kaggle上免費公開的資料集做分析或者組建模型時使用的Jupyter筆記本（Jupyter Notebook）。在其中尋找標題裡包含類似EDA（Exploratory Data Analysis，探索性資料分析）的筆記本，而不是那些建立預測模型的筆記本。找一個你覺得有趣的，並且在你的筆記本中再現它。

注意： 你會發現，當你再現某些分析的時候，你會遭遇匯入錯誤（Import error）。這常常是因為分析者安裝了並沒有包含在Anaconda發行版中的包。你最終會需要學習如何跟conda包管理器（Conda package manager）互動，這將是你最終會走入的許多兔子洞之一。通常而言，事情都非常簡單，你只需要用到conda install <package name>就可以了，但是你需要找出正確的包的名稱，有時候，你還得確認一些其他的細節。還有的時候你可能得用到pip install <package name>，遲一點你都會學到的。

高階庫總結

這裡是對你會經常接觸的重要的庫的簡要總結：

NumPy：擁有大量的科學計算的核心功能。由於它的內部運算是通過C語言實現的，所以比用Python寫成的同樣的函式，它的速度會快許多。但它並不是最使用者友好的包。

SciPy：跟NumPy非常相似，但是有更多的方式來從分佈中取樣，計算檢驗統計量，等等。

MatPlotLib：主要的畫圖框架。不太討喜，但卻是必備的包。

Seaborn：在匯入MatPlotLib包之後匯入Seaborn包，預設地，它會使你的繪圖變得漂亮許多。它也有一些獨特的功能，但是我發現它最酷炫的功能執行起來實在太慢了。

Pandas：基本上是對NumPy/SciPy進行輕量的包裝，使它們更使用者友好一些。對於和表格資料互動非常理想，Pandas中把表格資料稱為資料框（DataFrame）。對畫圖功能也有一些包裝，使得無需使用MPL（Meta-Programming Library，超程式設計庫）就可以快速實現畫圖。我使用Pandas而非其他的工具來操作資料。

Scikit-learn：包含大量的監督和非監督機器學習演算法，以及許多做模型選擇的度量工具，是一個優秀的預處理庫。這個預處理庫可以做主成分分析（Principal Component Analysis），對分類變數進行編碼，等等。

小技巧

1. 在Jupyter筆記本中，在執行程式碼塊（Cell）前，於任何一個物件前放置一個問號，它會為你開啟這個物件的文件。在你遺忘了你所使用的函式的細節的時候，這是非常方便的。比如說，my_dataframe.apply會解釋pandas.DataFrame物件中的apply方法，而這個my_dataframe是pandas.DataFrame的一個例項。

學習python加python程式語言學習QQ群515267276

2. 無論你在使用什麼庫，你通常都需要一直查閱文件，那麼就乾脆一直在瀏覽器中開啟它。可選變數以及細微的差別實在是太多了。

3. 當你遇到無可避免的故障檢修的時候，stackoverflow上也許已經有了問題的答案。

4. 接受這個事實吧：你正在做並不是完全理解的事情，又或者你會被並不重要的細節拖入泥淖。某一天你也許需要理解虛擬環境，它並沒有那麼困難，只是會有一些彎路給新手增加一些不必要的痛苦而已。

5. 閱讀別人的程式碼。這是最好的方式，可以學習到規範，也是最佳的實踐。這就是Kaggle kernels能夠幫助你的地方。Github同樣也支援在瀏覽器中展示Jupyter筆記本。網際網路上有大量的例子可供參考學習。