說實話是挺難的，如果自學能力還行的話，就在網上找些資料，免費公開課，最主要還是你能堅持到最後的，資料的也可以找我要，喜歡我就關注

感謝。

我是一名學生，自學Python也有差不多一年了，感覺Python相比其他語言（c,c++,java）還是比較簡單一些的，學習一門語言最好的就是現在學，今天不如明天。沒有基礎真的一點事都沒有，Python語法比較簡單，畢竟它是一門解釋性語言。只要堅持，一定可以學好。

Python的優點Python語法簡單明瞭。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。Python對於程式碼的要求嚴謹，特別是縮排(Indentation)，對於初學者養成良好的程式碼習慣很有幫助。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。而且開發環境的安裝特別的簡單，只需要從官網上下載下來，傻瓜化的安裝就可使用了，不需要像有些程式語言一樣進行復雜的配置。

首先在學習之前有個明確的目標，學完之後希望做哪方面的工作，這樣學起來才會更加有動力。規劃一條適合自己的學習路線，每天學多少內容，幾個小時的寫程式碼的時間，在學習的過程中，做好筆記是比較重要的，方便以後複習。定期回去對知識點進行歸納和總結，學程式設計，一定要多練習，多練習。

瞭解過“如鵬網”的Python課程體系和學習路線，可以作為參考。

①、Python語言基礎

②、資料庫開發技術

④、Python web開發

⑤、Python web專案

⑥、Linux

⑦、NoSQL

⑨、爬蟲技術

⑩、人工智慧

詳細的可以到“如鵬網”上去了解一下，有網路的地方就可以學習，有問題隨時提問，老師實時線上答疑，有新的課程更新了，也是可以繼續來學習的，口碑不錯，基本上都是慕名而去的。

我從2012年開始使用Python，主要使用Python做機器學習方面的演算法實現，直到現在我依然在使用Python，使用Python總的來說還是一個比較愉快的過程。

學習Python之前簡單的瞭解一下Python，Python是上世紀90年代誕生的開發語言，早期使用Python的程式設計師主要是做Web開發方面的工作，由於Python簡單易學且開發週期短，很多中小型Web應用都採用了Python開發方案，國外使用Python要比國內多一些。

Python的三大特點是簡單、明確、優雅，Python的簡單不僅僅體現在語法上，也體現在開發的便捷性上。所以學習Python並不複雜，安裝一個開發環境，按照Python指南一步一步學習就可以了。學習Python本身也不需要什麼基礎，多做實驗是學習Python的關鍵。

最近幾年隨著大資料和人工智慧的快速發展，越來越多的研發人員開始使用Python，這使得Python得到了更多的關注，國內也開始有大量的程式設計師使用Python了。我就是從Java轉向Python，早期使用Java做機器學習後來改用了Python，原因是Python更方便。

剛開始學習Python的時候，我用了3天左右的時間就把整個Python的語法熟悉了一遍，同時完成了一些小的驗證實驗，然後使用Python做了一個簡單的爬蟲實驗。之後我就開始使用Python做演算法實現了，第一個使用Python完成的演算法實現是樸素貝葉斯。

由於Python是一個生態完善的語言，所以使用Python完全可以做落地應用。我完全使用Python做的第一個落地應用是基於機器學習的智慧診療系統，系統所有程式碼均是使用Python實現的（不含前端），目前已經執行一段時間了，也累計了一些資料。

所以說，學習Python是一個相對來說比較簡單的過程，同時Python又具備完善的功能，可以完成專案的落地應用。

隨著大資料、人工智慧領域的不斷髮展，相信未來Python的應用也會更加廣泛。如果想往這方面發展的程式設計師應該考慮學習一下Python，如果在學習過程中有什麼問題可以隨時諮詢我。

沒有基礎，能否學會Python？Python難嗎？來看看學過的人是怎麼說的。

現在我對Python這門語言更加感興趣了，因為它的簡潔靈活、易學、易讀、可移植並且功能強大的特點，像原來要用C或者JAVA寫一長串的程式碼要來解決的問題，它僅僅用相對很少的程式碼就能實現同樣的功能，雖然它的執行速度可能沒有原生程式碼執行那麼迅速，但是它的程式碼邏輯也並不比其他語言要差，寫Python就是想的多寫出來的程式碼比較精簡，我很享受這種思考的過程，Python作為現在正興起的語言，我很喜歡這門語言。

Python很好理解的，就算沒有基礎也不是什麼大問題，Python可以說是程式設計裡最好理解的，因為它差不多全部都是本身的意思，而不像其他程式語言，很難搞懂。

換句話說，Python 就是在寫一篇英語作文。

我現在在廈門做自動化運維，python作為一門指令碼語言用的很多，他學習起來不難，特別是如果你有其他語言單位基礎。如果沒有也沒關係，因為它本身是屬於好入門的一門基礎語言。我記得在網易雲課堂，你可以搜尋關鍵字：指令碼之家，它更專注於指令碼程式語言學習的分享，裡面有關於python的程式設計影片，還有其他指令碼語言的學習。

學會Python，從入門到精通是需要分階段的。至於你能不能學會，就看你個人的努力啦！勤奮的孩子一般都不會太差。

這裡有一些Python學習路線圖，小夥伴們可以看一下。

一、Python學習路線圖—流程篇：

Python 培訓後職業發展路徑Python 學習路線圖

不難，如果題主能循序漸進，堅持學習，Python屬於易學難精的語言，記住常用的語法規則，學習起來不會太難，剛開始學習的時候可能會覺得不知道它是用來做什麼的，這個時候就一定要堅持下去，把每個知識點克服，大概把迴圈條件學完，可以嘗試寫點小專案。也推薦題主做爬蟲小專案，幾行程式碼就可以實現你的想法，而且，看著爬下來的資料，會很有成就感的。喜歡我就與我一起學習吧。

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！！！