應該是最好學的程式語言之一了吧，感覺比basic還簡單。不過也要看用來做什麼事，有些事python並不擅長，要用它來完成就很費勁，例如帶介面的程式。

這個看自己學的怎麼樣了。學Java的說Java難，學C++的說C++難，其實，學通了，都是不難的。

學好Python的第一步，肯定是要對Python有了解，瞭解它到底是什麼？

Python也是一種語言，它能夠把用其他語言製作的各種模組（尤其是C/C++）很輕鬆地聯結在一起。常見的一種應用情形是，使用Python快速生成程式的原型（有時甚至是程式的最終介面），然後對其中有特別要求的部分，用更合適的語言改寫，比如3D遊戲中的圖形渲染模組，效能要求特別高，就可以用C/C++重寫，而後封裝為Python可以呼叫的擴充套件類庫。

瞭解後看影片自學，只要努力，肯定都能學會的。

在這裡要說的是，看影片不是為了看熱鬧，而是要根據影片自己實際去操作，去學習，只要操作精通了才算是真正的學會。

Python影片源：http://yun.itheima.com/course/c27.html

很多初學者，還沒有開始學習Python程式語言就感覺，學程式設計是不是非常難啊，零基礎可以嗎？但是凡是已經入門了，開始編寫程式碼的程式設計師都會感覺Python很簡單，入門算是所有語言裡面最快的了。

想知道Python難不難學，先來了解一下Python需要學些什麼階段一 Python語言階段二 Linux初級階段三 Web開發之Django階段四 Web開發之Flask階段五 爬蟲階段六 資料探勘和人工智慧

如果，你本身是一個沒有其它程式設計經驗的零基礎人士，而且英語、數字這些基礎也比較差的話，自學起來會非常難。

學習Python程式語言到底難不難？

答案是：不難，比起C語言、C#、C++和JAVA這些程式語言相對容易很多。

學習Python程式語言，動手實踐是一件非常愉快的事情，遇到了程式上的問題，經常自己思考研究，從而解決問題，自己的技術水平和解決問題的能力都得到了大大的提升。但是，如果是你零基礎起步，自己一點點照著書本學習，遇到困難，得不到解決，長期下去，會對學習程式設計產生厭惡，最終放棄學習。當然，想快速學習Python程式設計，時間比較緊的朋友，可以選擇一家全程面授的學校系統全面專業的學習Python。

Python入門簡單，主要是邏輯思維呢

我是學習這方面的，給你說說我的感受。從客觀來說，python相比其他語言，比如java什麼的，確實要簡單，語法，語句。java需要十行，python可能只需要三行。但是你說它不難，相比語文數學，它也是難的。所以都是相對來說，具體難度幾顆星，要自己親自感受了才知道。不過拋開難度，現在python是很有必要學習的，以後的大趨勢，不學不行，難得上，不難更要上。找一份系統的課程，不要間斷，勤加練習，總能學會的。

敢問有哪種程式語言？集簡潔、優雅、簡單、全能於一身，Python絕對算的上是一個。我們說Python易學，對程式設計小白友好，是相對於其他程式語言來說。舉個例子，比如完成同一個任務，C語言需要寫1000行程式碼，Java只需要寫100行，而Python可能只要20行。基於語言的特性，我們可能會更偏愛Python，也就會自然而然的認為Python簡單。

其實在探討Python難不難這個問題之前，我們更應該反問自己：為什麼要學Python？選擇學習Python的小夥伴，很多都在密切關注資料分析、人工智慧、機器學習等領域，對相關的資訊和深度分析的文章基本上都仔細進行了閱讀和研究。確立自己的學習方向，後期學習才能有明確的學習方向。以Python為學習切入點，從研究python開始，隨後切入資料分析領域，再研究機器學習才是合理的成長軌跡。Python不等於人工智慧，但是Python語言絕對是學習人工智慧的語言基礎。

零基礎小白學習Python主要基於以下原因：

1、Python語法簡潔明瞭，程式碼可讀性高，容易入門。

2、Python的哲學是“做一件事情應該只有一種最好的方法”，對於初學者規範自己的學習有很大的幫助，同時也幫助初學者能夠讀懂其他人的程式碼。

3、有助於幫助小白養成良好的習慣。Python對於程式碼的要求嚴謹，特別是縮排，對於初學者養成良好的程式碼習慣很有幫助。

4、Python的語法設計非常優秀，思想也比較現代，可以更快的理解現代程式語言的一些思想。

5、Python的內建資料結構清晰好用，優秀的程式碼很多。

6、Python免費的書很多，可以找到許多資料啃。同時社群比較集中，有問題可以向高手問。

7、Python在其他領域，比如科學計算等等有廣泛的運用，對於學一門語言作為工具來說，Python很合適。

學習Python建議大家有條理性的制定學習計劃，循序漸進，不斷進步。作為Python初學者，大家不妨按照以下8個階段進行系統學習：

階段一：熟練掌握Python多執行緒併發程式設計技術，可以編寫爬蟲程式和語音識別軟體

基礎語法

面向物件

高階課程

經典課程

階段二：熟練掌握Linux作業系統管理技術，可以搭建幾乎所有Linux環境伺服器

Linux系統基本指令

常用服務安裝

階段三：掌握三大Python後端框架，解決一切前後端Web開發問題

HTML基礎

CSS基礎

JS

動畫

jQuery

Bootstrap

Django

Model

View

Template

高階控制元件和第三方

Django專案實戰

階段四：掌握三大Python後端框架，解決一切前後端Web開發問題

基於Flask框架進行的Web後端開發

Flask專案實戰

階段五：Web框架之Tornado

Tornado的基本概念

Request 和 Response

處理非同步請求

Tornado客戶端

非同步框架celery介紹

使用celery執行非同步任務

部署celery程式

階段六：docker容器及服務發現

docker的基礎知識

服務發現

階段七：掌握分散式多執行緒大型爬蟲技術，能開發企業級爬蟲程式

網路爬蟲基礎知識

Python 模組實現爬蟲

Scrapy框架與Scrapy-Redis

藉助自動化測試工具和瀏覽器爬取資料

爬蟲專案實戰

階段八：資料探勘和人工智慧：成為Python資料探勘分析師，進入人工智慧領域，成為IT市場最前沿人才

numpy資料處理

pandas

scipy

matplotlib

pandas

KNN演算法

線性迴歸&邏輯斯蒂迴歸演算法

決策樹演算法&樸素貝葉斯演算法

SVM支援向量機&聚類k-means演算法

python資料分析專案實戰

機器學習專案實戰

python難學嗎？

答：程式設計裡面比較好學的了，現在小學生都在學python，你說難嗎？

python之所以火是因為人工智慧的發展，所以選擇一個方向很重要！

感覺有本書你學的差不多了就基本具備了一名合格的python程式設計工程師,不過可惜的是這本書沒有電子版，只有紙質的。

第 1章　從數學建模到人工智慧

1.1　數學建模1.1.1　數學建模與人工智慧1.1.2　數學建模中的常見問題1.2　人工智慧下的數學1.2.1　統計量1.2.2　矩陣概念及運算1.2.3　機率論與數理統計1.2.4　高等數學——導數、微分、不定積分、定積分第2章 Python快速入門2.1　安裝Python2.1.1　Python安裝步驟2.1.2　IDE的選擇2.2　Python基本操作2.2.1　第 一個小程式2.2.2　註釋與格式化輸出2.2.3　列表、元組、字典2.2.4　條件語句與迴圈語句2.2.5　break、continue、pass2.3　Python高階操作2.3.1　lambda2.3.2　map2.3.3　filter第3章　Python科學計算庫NumPy3.1　NumPy簡介與安裝3.1.1　NumPy簡介3.1.2　NumPy安裝3.2　基本操作3.2.1　初識NumPy3.2.2　NumPy陣列型別3.2.3　NumPy建立陣列3.2.4　索引與切片3.2.5　矩陣合併與分割3.2.6　矩陣運算與線性代數3.2.7　NumPy的廣播機制3.2.8　NumPy統計函式3.2.9　NumPy排序、搜尋3.2.10　NumPy資料的儲存第4章　常用科學計算模組快速入門4.1　Pandas科學計算庫4.1.1　初識Pandas4.1.2　Pandas基本操作4.2　Matplotlib視覺化相簿4.2.1　初識Matplotlib4.2.2　Matplotlib基本操作4.2.3　Matplotlib繪圖案例4.3　SciPy科學計算庫4.3.1　初識SciPy4.3.2　SciPy基本操作4.3.3　SciPy影象處理案例第5章　Python網路爬蟲5.1　爬蟲基礎5.1.1　初識爬蟲5.1.2　網路爬蟲的演算法5.2　爬蟲入門實戰5.2.1　呼叫API5.2.2　爬蟲實戰5.3　爬蟲進階—高效率爬蟲5.3.1　多程序5.3.2　多執行緒5.3.3　協程5.3.4　小結第6章　Python資料儲存6.1　關係型資料庫MySQL6.1.1　初識MySQL6.1.2　Python操作MySQL6.2　NoSQL之MongoDB6.2.1　初識NoSQL6.2.2　Python操作MongoDB6.3　本章小結6.3.1　資料庫基本理論6.3.2　資料庫結合6.3.3　結束語第7章　Python資料分析7.1　資料獲取7.1.1　從鍵盤獲取資料7.1.2　檔案的讀取與寫入7.1.3　Pandas讀寫操作7.2　資料分析案例7.2.1　普查資料統計分析案例7.2.2　小結第8章　自然語言處理8.1　Jieba分詞基礎8.1.1　Jieba中文分詞8.1.2　Jieba分詞的3種模式8.1.3　標註詞性與新增定義詞8.2　關鍵詞提取8.2.1　TF-IDF關鍵詞提取8.2.2　TextRank關鍵詞提取8.3　word2vec介紹8.3.1　word2vec基礎原理簡介8.3.2　word2vec訓練模型8.3.3　基於gensim的word2vec實戰第9章　從迴歸分析到演算法基礎9.1　迴歸分析簡介9.1.1　“迴歸”一詞的來源9.1.2　迴歸與相關9.1.3　迴歸模型的劃分與應用9.2　線性迴歸分析實戰9.2.1　線性迴歸的建立與求解9.2.2　Python求解迴歸模型案例9.2.3　檢驗、預測與控制第10章 從K-Means聚類看演算法調參10.1　K-Means基本概述10.1.1　K-Means簡介10.1.2　目標函式10.1.3　演算法流程10.1.4　演算法優缺點分析10.2　K-Means實戰第11章 從決策樹看演算法升級11.1　決策樹基本簡介11.2　經典演算法介紹11.2.1　資訊熵11.2.2　資訊增益11.2.3　資訊增益率11.2.4　基尼係數11.2.5　小結11.3　決策樹實戰11.3.1　決策樹迴歸11.3.2　決策樹的分類第12章 從樸素貝葉斯看演算法多變　19312.1　樸素貝葉斯簡介12.1.1　認識樸素貝葉斯12.1.2　樸素貝葉斯分類的工作過程12.1.3　樸素貝葉斯演算法的優缺點12.2　3種樸素貝葉斯實戰第13章 從推薦系統看演算法場景13.1　推薦系統簡介13.1.1　推薦系統的發展13.1.2　協同過濾13.2　基於文字的推薦13.2.1　標籤與知識圖譜推薦案例13.2.2　小結第14章 從TensorFlow開啟深度學習之旅14.1　初識TensorFlow14.1.1　什麼是TensorFlow14.1.2　安裝TensorFlow14.1.3　TensorFlow基本概念與原理14.2　TensorFlow資料結構14.2.1　階14.2.2　形狀14.2.3　資料型別14.3　生成資料十二法14.3.1　生成Tensor14.3.2　生成序列14.3.3　生成隨機數14.4　TensorFlow實戰

希望對你有幫助！！！

建議：

先把學習當作興趣愛，後面在工作中應用很快就上手了，貴在堅持，加油！！

Python相對其他語言還是比較簡單的，找到合適的教程，入門還是很簡單的喲。我是計科專業的，在學校的時候老師推薦我們學習尚學堂的資料，後來就一直看他們家的資料，包括python400集入門影片，推薦給你，免費的啊，入門足夠了，而且是結合專案練習的，可以學的很紮實。等你入門了，接下來的學習就比較有思路了。加油～

Python作為一種靈活好學的指令碼語言，已經越來越受程式設計師的歡迎和熱捧，甚至成為程式設計師的必備技能。對於0基礎學習程式語言的話，Python是最適合0基礎的了，簡單，好入門。想最快時間學習我個人建議你可以去報班學習，這樣效果更好，個人推薦尚學堂高琪老師Python400的課就很不錯，百戰程式設計師官網可以免費下載，有興趣可以瞭解一下，希望可以幫到你

Python不難，算是簡單的。難的是在後面，當你要用Python解決問題時才是難點。舉個例子，我寫了一段指令碼，用來下載我們公司各個電商渠道的訂單，然後根據訂單的詳情調整各個產品的庫存。上司發現這個指令碼很好用，讓我給全公司都使用。我不可能在每個同事的電腦上都安裝Python，就只得要麼開發exe要麼開發一個web app，要開發一個web app的話，得使用Python的web框架，或者全盤自己寫，然後架設在哪個伺服器上得考慮，使用哪個資料庫也得衡量，最後還要想一切自動化的話，得要執行非同步任務以及web socket。這些東西都比學習Python語法難多了。光是開發web app就得把HTML CSS和JAVASCRIPT全部學一遍才行。也可以把Python當作扳手或者螺絲刀或者電鑽這樣的工具，在學會使用這些工具後，要去進行修理汽車或者修大橋這樣的任務。學用工具簡單，拿工具來完成任務才是難點。