首先你可以檢查一下是否已經比較全面地掌握 Python 的基礎語法知識， 包括最常用的幾種資料結構：列表、字典、元祖和集合，函式語法及用法，Python 函式的各種型別的引數匹配和傳遞，如位置引數，*args 引數，**kargs 引數等，Python 的面向物件程式設計思想和方法，包括其抽象、封裝、繼承和多型的概念以及多繼承中常用的 Mixin 技術，Python 的異常處理機制，一些比較常用的高階特性，如屬性和裝飾器等。 對尚未掌握的內容建議透過 Python 的線上文件、教程或比較全面的講解 Python 基礎語法的書，比如 Mark Lutz 的《Python 學習手冊》等途徑加以學習。

有了以上較為堅實的基礎後，可以結合 Python 的標準庫文件和一本中文翻譯的《Python 標準庫》，將其中所有看著順眼、覺得有用或覺得可能會有用的模組都過一篇。期間也可以輔助學習一些更進階的 Python 知識，值得看的書籍很多，比如說 《Python 高階程式設計》、《The Hacker"s Guide to Python》等。

然後是針對某一個或幾個你所感興趣或想要從事的特定方向和領域學習和掌握一些 Python 的模組和軟體包。比如說，如果主要用 Python 做科學計算，則可以深入學習和掌握 numpy、scipy、sympy、matplotlib 等；如果主要用 Python 做統計學、經濟學資料分析，可以深入學習 Pandas、statsmodels 等；主要進行機器學習、人工智慧方向，可以深入學習 scikit-learn、tensorflow、pytorch 等；如果主要進行大資料方向，可以深入學習 pyspark 等；如果主要用 Python 做 web 程式設計，則可以學習使用 Django、flask、web2py 等框架。在這每一個方向和領域都有一些比較經典和優秀的學習書籍，而且每年都會有很多新的好書出來，在此不一一列舉，等到你需要時可以再 Google 或者百度一下。

在學習程式設計的過程中一定要多動手實踐，多寫程式碼才能記得牢，理解得透，逐步形成一種自己的穩定的且規範的程式碼編寫風格，可以使用像 git 和 github 這樣的工具將自己的程式碼加以整理並很好地管理起來，另外也應該多讀和多分析一些其他大牛程式設計人員所寫的程式碼。等達到一定的程式設計水平後，可以嘗試參與到一些開源的專案或者一些公司企業的程式設計專案中，在實踐中進一步學習和提高。經過以上的努力學習和實踐，相信你的程式設計水平就會越來越高了。

首先謝謝邀請，關於進階可以看一些方向性書籍python之所以火是因為人工智慧的發展，個人整理學習經驗僅供參考！

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！！！

貴在堅持，自己掌握一些，在工作中不斷打磨，高薪不是夢！！！