1. 从零开始Python环境搭建的完整过程与版本选择逻辑看着搜索引擎里铺天盖地的“python安装教程”“python下载安装教程”很多初学者第一步就被卡住了。其实安装Python这件事本身并不复杂真正让人困惑的是到底该装哪个版本、用哪种安装方式、要不要配置环境变量、为什么装了之后IDE还是提示找不到解释器。这一节我把整个过程中最容易踩坑的地方完整梳理一遍每个选择背后都告诉你怎么回事。1.1 版本选择的实际依据不是越新越好打开Python官网你会看到3.x系列有好几个版本在同时提供下载。多数教程会让你直接下载最新的但从我实际使用的经验来看建议优先选择3.10到3.12这个区间里的稳定版本而不是追求最新的大版本。原因很简单很多第三方库的编译版本更新速度跟不上Python大版本的发布节奏。尤其是后面会提到的科学计算、数据处理相关的库如果你的Python版本太新某些库可能还没有对应版本的预编译包安装的时候会走源码编译不光慢还容易在Windows上因为缺少C编译环境直接报错。具体到操作系统Windows用户直接下载Windows installer64-bit版本即可macOS用户选universal2 installerLinux发行版一般自带Python但版本可能偏旧建议通过包管理器安装较新的版本。一个比较通用的判断标准是如果你不是为了尝鲜新语法特性选3.11就好兼容性和性能表现都比较均衡。1.2 安装过程中那一个关键勾选项Windows安装时有一个很容易被忽略的细节就是第一个界面底部的“Add python.exe to PATH”复选框。很多教程会让你勾选但没说清楚为什么要勾、不勾会怎样。PATH是操作系统查找可执行文件的路径列表。如果安装时没把Python加入PATH那么在命令行里输入python或者在IDE里选择解释器时系统就找不到它。安装完成后你可以打开命令行工具cmd或PowerShell输入以下命令验证是否安装成功python --version pip --version如果你看到类似Python 3.11.x和pip 23.x.x的输出说明安装成功且PATH配置正确。如果提示“python不是内部或外部命令”那就是PATH没生效有两个解决办法一是重新运行安装程序选择Modify并勾选PATH选项二是手动在系统环境变量里添加Python安装目录和Scripts子目录。我个人更推荐前者——重装一次比手动改环境变量更省事不容易改错。1.3 IDE选型VSCode和PyCharm该怎么选热搜词里“vscode配置python环境”和“pycharm配置python环境”都是高频搜索说明IDE配置确实劝退了不少人。我给你一个直接的选型建议如果你主要是写脚本、做数据分析、跑爬虫这种偏轻量的任务选VSCode启动快、插件生态丰富配置也简单。如果你做的是Web开发比如Django、Flask项目或者大型工程选PyCharm它是JetBrains家的专业Python IDE代码补全和调试体验确实更完整。VSCode配置Python环境的步骤很简单核心就三步在扩展市场搜索并安装Python扩展发布者是Microsoft的那个。按CtrlShiftP打开命令面板输入“Python: Select Interpreter”选择你刚才安装的Python解释器。新建一个.py文件写一行print(hello)按右上角的运行按钮验证环境是否连通。PyCharm这边更省心安装时它会自动识别系统里的Python解释器。如果你用的是社区版新建项目时选好解释器路径就行不需要额外配置。比较常见的坑是PyCharm新建虚拟环境后终端里python指向的还是全局解释器这时候在PyCharm的Terminal里执行where python看看路径是否在项目目录下不在的话在Settings里把项目解释器切换成虚拟环境对应的路径。2. Python基础语法里真正需要死磕的核心概念安装好环境只是第一步真正让初学者放弃的往往是语法学了一堆但写代码的时候不知道怎么组织。我并不打算把所有语法条目罗列一遍那是官方文档干的事。我只讲几个基础但极容易被忽略、又决定你能不能流畅写代码的核心点变量、类型、数据结构和函数。2.1 变量和类型转换动态类型是把双刃剑Python的变量不需要声明类型你可以直接写count 10然后过几行再写count ten程序不会报错。这种动态类型的特性写起来很爽但也容易埋下隐患——比如你本来以为count是整数结果在某个分支里它变成了字符串后面做加减乘除时报错或得到错误结果。理解类型转换是避免这类问题的关键。常见的类型转换函数有int()、float()、str()和bool()。一个经常出现的场景是从命令行或文件里读入数字读进来的是字符串直接做加法会出现连接而不是求和。举例来说a input(请输入第一个数字: ) b input(请输入第二个数字: ) print(a b) # 输出是字符串拼接比如12而不是3 print(int(a) int(b)) # 这样才是数字加法第二个坑是bool和数字真的会互相转换。在Python里bool是int的子类True等于1False等于0。这会导致一些匪夷所思但确实存在的问题如果是True True结果是2。初学者大概率不会主动写这种代码但当你把布尔值放进列表用sum()求和时它的效果其实就是统计True的个数了解了这个机制很多“奇怪行为”就说得通了。2.2 数据结构选型列表、字典和元组的使用场景很多人学数据结构的时候背了一堆API但真到用的时候不知道怎么选。我习惯用一个简单的判断标准需要保持顺序用列表需要按键查找用字典内容不允许被修改用元组。列表list大概是使用频率最高的容器了增删改查都方便。但有个细节值得注意列表切片slicing操作返回的是原列表的浅拷贝如果你修改切片后的新列表原列表不受影响这没问题但如果你修改的是列表里的可变对象比如列表里的字典原列表里的对应对象也会被改到。这个特性在实际写代码时不注意就会引起莫名其妙的数据异常排查半天才发现是浅拷贝导致的。字典dict在Python 3.7之后保证插入顺序所以你可以放心的按插入顺序遍历。另外字典的get(key, default)方法在键不存在时返回默认值而不是抛出异常写代码的时候能省去一大段if key in dict的判断逻辑。元组tuple不可变的特性在传参时特别有用尤其是当你不想让对方函数意外修改你传进去的数据。多返回值其实返回的就是元组def get_user_info(): return zhangsan, 25, beijing name, age, city get_user_info()这种解包unpacking写法在Python里随处可见多写几次就会习惯这也是代码比其它语言简洁的一个重要原因。2.3 理解Python装饰器它其实就是在“包装函数”“python装饰器”常年挂在热搜榜上说明这东西确实让很多人头大。我尽量用一句人话解释装饰器本质上是一个函数它接收一个函数作为参数返回一个新的函数在这个新函数里你可以在原函数执行前后加一些额外逻辑。套用到实际场景里假设你有一个函数download_data()每次都要先检查用户有没有登录不写装饰器的话你得在每个函数开头复制粘贴一段检查代码。有了装饰器你只需要定义一个login_required函数然后在每个要求登录的函数上面加一行login_required。我用一个最简单的例子演示它的运行过程import time def cost_time(func): def wrapper(*args, **kwargs): start time.time() result func(*args, **kwargs) print(f函数 {func.__name__} 执行耗时 {time.time() - start:.4f} 秒) return result return wrapper cost_time def slow_function(): time.sleep(1) return done print(slow_function())这段代码会先打印耗时信息再输出done。理解装饰器的核心在于cost_time这一行等同于执行了slow_function cost_time(slow_function)也就是把原来的函数替换成了包了一层的新函数。如果你用带参数的装饰器其实就是在外面再套一层函数参数先传给外层再由外层返回真正的装饰器。搞懂这个模型装饰器基本就通了。3. 从“会写”到“能跑”几个高频实用脚本实例拆解语法学到一定程度最好的进阶方式就是拿真实的小项目练手。我从大量搜索需求里挑出了几个典型场景小游戏、爱心图案、数据分析绘图。这三个场景代码量不大但覆盖了流程控制、界面输出、数据可视化、文件处理等多个基础知识点做完之后你对Python的掌控感会明显提升。3.1 猜数字小游戏语法点综合练习的经典载体写小游戏不是为了“玩”而是用最小的代码量把变量、循环、条件判断、随机数、异常处理全部串起来。我给出的版本加了输入校验避免用户输入非数字时直接崩溃import random # 生成一个1到100之间的随机整数 target random.randint(1, 100) guess_count 0 print(我已经想好了一个1到100之间的数字你猜猜看是多少) while True: try: # 接收输入并转换成整数 guess int(input(请输入你的猜测: )) guess_count 1 if guess target: print(太小了再大一点) elif guess target: print(太大了再小一点) else: print(f恭喜猜对了答案就是 {target}你一共猜了 {guess_count} 次。) break except ValueError: print(输入无效请输入一个整数。)这段代码看起来简单但每个知识点都有明确用途random.randint演示了标准库的使用while True加break实现了“不知道循环几次才结束”的场景try...except拦截了非数字输入。建议你在本地运行几遍然后尝试自己加一些扩展比如统计猜测的总次数、根据次数给出评级、限制最多猜测10次等。用游戏学编程效果好的原因在于它的反馈是即时的错了也不会让人挫败反而想再试一次。3.2 爱心代码和图案输出打印与字符画的处理思路搜索里“python爱心代码”也是高频词。这种需求多半是刚学Python想发个有趣的朋友圈或者是给同学做个表白小工具。这里我给你一个可以直接运行的版本原理是基于参数方程计算坐标点在终端里用字符拼出爱心形状import math # 爱心曲线的参数方程 def heart_points(count100): points [] for i in range(count): t 2 * math.pi * i / count x 16 * math.sin(t) ** 3 y 13 * math.cos(t) - 5 * math.cos(2*t) - 2 * math.cos(3*t) - math.cos(4*t) points.append((int(x), int(-y))) return points # 在40x40的坐标系里绘制 for row in range(-15, 15): line for col in range(-25, 25): if (col, row) in heart_points(300): line * else: line print(line)这段代码运行后会在终端打印出一个由星号组成的爱心。它本身实用性有限但背后的逻辑很值得玩味任何二维图案都可以抽象成一系列坐标点然后用循环去判断每个位置是否有点存在。延伸开来你可以用同样的思路绘制正弦曲线、曼德博集合甚至在终端里做简单的动画。学编程的时候把“输出”看作在二维空间上放置字符视角一下子就打开了。3.3 数据分析和可视化从CSV到图表的完整链路数据分析和可视化是Python最受欢迎的应用领域之一也是热搜词里的常客。我用一个最简单的场景演示整个流程假设你手里有一份CSV文件记录了某商店一周内每天的销售额你想计算总销售额和日均销售额并画一张折线图。首先安装所需的第三方库在命令行执行pip install matplotlib pandas然后编写代码import pandas as pd import matplotlib.pyplot as plt # 读取CSV文件文件内容假设为 # day,sales # 周一,320 # 周二,450 # ... df pd.read_csv(sales.csv) # 数据预览 print(df.head()) # 计算统计指标 total_sales df[sales].sum() avg_sales df[sales].mean() print(f本周总销售额: {total_sales}) print(f日均销售额: {avg_sales:.2f}) # 画图 plt.plot(df[day], df[sales], markero, linestyle-, colorb) plt.title(本周每日销售额趋势) plt.xlabel(星期) plt.ylabel(销售额) plt.grid(True) plt.savefig(sales_trend.png) # 保存图片 plt.show()这两个库的分工很明确pandas负责读取和处理表格数据matplotlib负责绘图。如果你拿到的数据不是CSV而是Excel只需要把pd.read_csv换成pd.read_excel前面加一行pip install openpyxl即可。搜到“python画图横坐标太密集”其实也是这个场景里最常见的问题——当x轴上的日期或时间点太多时matplotlib默认会把所有标签都画出来挤成一团。解决办法是设置间隔显示比如只显示每5个点的一个标签ticks range(0, len(df), 5) plt.xticks(ticks, df[day].iloc[ticks])数据可视化的通用经验是先搞清楚你想表达什么信息趋势、对比、分布再选择图表类型。趋势用折线图对比用柱状图分布用直方图占比用饼图。图表类型选对了信息传递效率会高很多。4. 让Python真正“有用”起来爬虫、自动化和文件处理的实战进阶很多学Python的人目标很明确——写爬虫。热搜词里“python爬虫”占了相当大的比重紧随其后的是“python转exe文件”和“python量化交易策略代码”。这几个方向跨度不小但它们的共同点是都在解决真实世界里的重复性任务。这一节我挑三个最有代表性的展开让你看到从基础语法到实际工具的跨越其实并不遥远。4.1 用requests和BeautifulSoup写一个最小爬虫爬虫的入门路线非常固定用requests库请求网页然后用BeautifulSoup解析HTML提取你关心的内容。这里我用一个公开的示例网站举例建议读者用自己的目标网站做练习时先了解网站的robots.txt和服务条款遵守法律和平台规则。import requests from bs4 import BeautifulSoup # 目标URL这里以公开示例站为例 url https://example.com headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 } resp requests.get(url, headersheaders, timeout10) resp.encoding resp.apparent_encoding # 处理编码 if resp.status_code 200: soup BeautifulSoup(resp.text, html.parser) # 提取所有标题标签 for h2 in soup.find_all(h2): print(h2.get_text(stripTrue)) else: print(请求失败状态码:, resp.status_code)新手最常犯的错误是请求时不带User-Agent有些网站会直接拒绝这类“非浏览器”请求。另外timeout参数一定要加否则遇到响应很慢的网站程序会一直挂在那里。一个实际的建议是永远先在浏览器里右键“查看网页源代码”确认你要的数据真的在HTML里再去写解析代码。如果数据是通过JavaScript动态加载的requests拿到的是空壳页面这时候需要换用Selenium或Playwright这类自动化工具复杂度会陡增。所以判断数据是静态还是动态加载决定了你选哪条技术路线。4.2 批量整理文件用Python替代重复的鼠标操作爬虫抓下来的文件也好日常下载的文档也好总会面临“文件多了需要分门别类整理”的需求。手动一个个建文件夹再拖动文件重复又低效。用Python写个小脚本几十行代码就能搞定批量化处理。下面这个脚本会把当前目录下所有文件按扩展名移动到对应的子文件夹import os import shutil # 当前目录 base_dir . # 设定扩展名与目标文件夹的映射 mapping { .jpg: 图片, .jpeg: 图片, .png: 图片, .gif: 图片, .pdf: 文档, .docx: 文档, .txt: 文档, .xlsx: 表格, .mp4: 视频, .mkv: 视频, .mp3: 音频, .wav: 音频, } # 遍历目录下的所有文件 for filename in os.listdir(base_dir): # 跳过目录本身 if os.path.isdir(filename): continue # 获取文件扩展名转小写 ext os.path.splitext(filename)[1].lower() # 根据映射决定目标文件夹 folder mapping.get(ext, 其他) # 如果目标文件夹不存在则创建 if not os.path.exists(folder): os.makedirs(folder, exist_okTrue) # 移动文件 shutil.move(filename, os.path.join(folder, filename)) print(f已移动: {filename} - {folder}/)这段脚本用到了os模块的路径操作和shutil模块的文件移动逻辑很直白。你可以根据自己的需要调整映射表。线上资料里经常有“python源码大全”这类汇总与其零散地收藏别人的代码不如自己把这类高频小工具沉淀成一个脚本库用时直接改两行配置就行。4.3 用标准库实现简易音频播放控制热搜里“python在线播放b站音频流”这类需求本质是想用Python调用系统能力去播放网络音频。这里我不讨论具体某个视频平台的解析方案因为那涉及平台接口规则和合规问题。我想分享的是更通用的技能用Python播放本地音频以及如何把网络音频流拉取到本地。播放本地音频最简单的方式是用playsound库pip install playsoundfrom playsound import playsound playsound(song.mp3)如果你需要更精细的控制暂停、音量调节、播放进度可以用pygame库的mixer模块import pygame pygame.mixer.init() pygame.mixer.music.load(song.mp3) pygame.mixer.music.play() while pygame.mixer.music.get_busy(): pygame.time.Clock().tick(10)处理网络音频流的通用思路是先下载到本地临时文件再交给播放器播放。用requests逐个分块写入文件就能避免一次性把大文件全部加载进内存import requests url https://example.com/path/to/audio.mp3 resp requests.get(url, streamTrue, timeout15) with open(temp_audio.mp3, wb) as f: for chunk in resp.iter_content(chunk_size1024 * 128): f.write(chunk) playsound(temp_audio.mp3)这个模式在很多场景下都通用不管是下载视频、压缩包还是模型文件用streamTrue加迭代分块写入的方式可以处理任意大小的文件同时还能在下载过程中打印进度条。把这段逻辑封装成一个带进度显示的函数以后下载任务都能复用。4.4 量化交易Python中最“贵”的入门方向搜索里“python量化交易策略代码”出现频率很高可能是被“量化”和“交易”两个词吸引了。我不打算在这里给出任何具体策略或交易建议那既不合适也不负责任。但我可以把量化交易中Python扮演的角色讲清楚这有助于你对整个技术栈有一个准确的认知。量化交易本质上是把投资策略用代码表达出来让程序自动执行分析、信号生成和交易。Python在这条链路里的生态特别丰富数据获取可以用akshare、tushare等开源库获取公开市场数据也可以用官方API对接行情源。数据处理与回测pandas负责清洗和计算指标如均线、MACD等backtrader或vectorbt用于策略回测。实盘交易通过券商或交易所的官方API接口下单国内的如某券商提供的Python API加密货币则有ccxt这样的统一接口库。一个最基础的“双均线策略”示例大概长这样当短期均线上穿长期均线时开仓反之平仓。回测时用历史数据模拟执行计算累计收益率和回撤。这个概念本身不难但真正的难点在于数据的准确性、交易成本的控制、滑点模拟和风险管理。我的建议是千万不要以为学会了Pandas就能稳定盈利。量化交易是一个极度依赖综合能力的领域——金融知识、编程能力、统计学素养缺一不可。作为初学者正确的心态是把“写策略”当成练习Python数据处理和逻辑表达的手段而不是发财工具。先把pandas练熟能在历史数据上跑通一个策略的回测流程这个技术上的收获就已经值回票价了。5. Python生态里绕不开的第三方库安装与常见报错处理无论你写爬虫、做数据分析还是写自动化脚本几乎都会用到第三方库。关于“python安装numpy库的方法”这类问题常年被搜索说明pip的报错和配置问题是新手面前的一座大山。我用一张表和一个完整的排查思路尽量帮你把这座山铲平。5.1 pip使用与镜像源配置pip是Python官方的包管理工具安装第三方库的基本命令就一行pip install 包名在中国大陆网络环境下从官方PyPI下载可能速度很慢甚至超时一个立竿见影的解决办法是临时指定国内镜像源pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple如果你不想每次都加-i参数可以永久配置镜像源。在命令行执行pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple具体操作就是把下载源默认指向一个速度更快的镜像站。常见的镜像源还有阿里云https://mirrors.aliyun.com/pypi/simple/和豆瓣https://pypi.douban.com/simple/。需要注意的是某些包的依赖是分阶段安装的如果中途报错先看完整的错误日志而不是只盯着最后一行。pip的错误信息其实已经把问题原因写得很清楚了只是经常被忽略。5.2 “请安装缺失的包以使用此工作流”类报错的定位方法热搜词里有条比较特殊“要安装缺失的节点请先在你的 python 环境中运行 pip install -u --pre comfyui-m”。这种报错通常发生在使用某些图形化工具或集成工作流时它提示你当前Python环境缺少某个依赖包。遇到这种报错处理的完整思路是确认当前使用的是哪个Python环境。这一步特别关键因为如果你装了多个Python比如一个官方安装包、一个Anacondapip装到了一个环境而程序用的是另一个环境那就会一直“缺失”。把报错信息里的包名提取出来一条条安装。安装完后再重新运行如果还提示缺失再检查环境路径是否一致。在命令行里可以用这两个命令快速确认where python pip --version如果你用的是Anaconda或Miniconda环境管理会更方便conda create -n myenv python3.11 conda activate myenv pip install 包名这样做的好处是每个项目有独立的依赖环境互不干扰。我刚学Python时所有包都往全局环境里装后来项目多了版本冲突越来越严重才彻底改用虚拟环境。强烈建议你现在就养成这个习惯。5.3 “python下载cv2”该怎么装cv2是OpenCV的Python包名很多教程会直接写pip install cv2导致报错“找不到包”。正确的包名是opencv-pythonpip install opencv-python如果你想在代码里import cv2装完这个包就可以了。如果你还需要OpenCV的额外模块比如人脸检测的contrib模块则安装pip install opencv-contrib-python注意上面两个包不要同时装否则会产生文件冲突。选择困难的话日常使用装opencv-python就够了。5.4 各类报错的速查表我把新手最常碰到的几类报错整理成表格方便你按图索骥报错信息常见原因解决办法ModuleNotFoundError: No module named xxx没有安装对应的包pip install xxx注意确认环境路径pip: command not foundPython的Scripts目录不在PATH中重装Python并勾选Add to PATH或手动添加环境变量SyntaxError: Non-UTF-8 code代码文件没有声明编码或文件编码与声明不符在文件头部加# -*- coding: utf-8 -*-并确保文件以UTF-8保存ValueError: could not convert string to float字符串里包含非数字字符先清洗数据再用float()转换RecursionError: maximum recursion depth exceeded递归函数没有正确退出或递归深度过大检查递归边界或增大递归深度限制PermissionError: [Errno 13]没有文件写入权限检查文件路径权限尝试用管理员权限运行或换目录Fatal error in launcherpip本身损坏或路径问题使用python -m pip install --upgrade pip重新升级pip在搜索引擎里搜到的报错解决方案大多都是在针对具体报错文字回答但你如果能先按这个逻辑判断原因就不会被各种奇怪的“偏方”带偏方向。6. 打包分发用PyInstaller把Python脚本转成exe文件“python转exe文件”这个需求很现实——你写好的脚本不能要求对方也装Python环境。解决方案基本就是PyInstaller这一个工具理解它的工作原理和打包流程可以省下不少折腾的时间。6.1 基础打包流程与常用参数安装和打包命令都特别直接pip install pyinstaller pyinstaller -F your_script.py执行完会在dist目录下生成一个your_script.exe文件这个exe就可以在没有Python环境的机器上运行了。-F参数表示生成单个可执行文件稍微牺牲一点启动速度不加这个参数会生成一个文件夹里面包含exe和若干依赖文件启动速度更快但分发时要把整个文件夹一起给别人。另外几个常用参数值得记住-w不显示命令行窗口适合GUI程序。--iconapp.ico指定exe的图标。--namemyapp自定义生成的程序名称。--add-data data.csv;.把数据文件一并打包进去。一个典型的完整命令是pyinstaller -F -w --iconapp.ico --namemyapp your_script.py6.2 打包常见问题体积大、被杀毒误报、运行时闪退打包exe最常见的三个槽点我一次说清楚。体积大因为PyInstaller会把Python解释器和所有依赖库全部打包进exe所以一个简单的爬虫脚本也可能生成30MB以上的文件。解决办法是尽量精简依赖——只装确实用到的库别把整个环境里所有包都import进来也可以尝试用upx压缩可执行文件体积但效果一般不用强求。杀毒软件误报PyInstaller打包出来的exe因为包含Python解释器和动态加载代码容易被部分杀毒软件误判为可疑文件。这不是你代码有问题而是打包方式的特征被识别了。解决办法是尽量用最新版PyInstaller打包加数字签名能降低误报率但数字签名证书需要购买个人开发者不划算至少保证你的代码本身不涉及任何敏感行为那么即使误报也能向杀毒软件厂商申诉解除。运行时闪退这是最让人恼火的情况。双击exe窗口一闪就没了看不到任何错误信息。解决方法是先在命令行里运行这个exe这样错误信息会显示在终端里。或者你在代码里加一层异常捕获把所有错误写入日志文件import traceback import sys try: main() # 你原来的主逻辑 except Exception: with open(error.log, w, encodingutf-8) as f: traceback.print_exc(filef) input(程序异常请查看 error.log。按回车退出...)这样即使你不在命令行环境里运行也能从error.log里看到具体的堆栈信息。排查出缺少某个依赖或者路径写死的问题后修复代码再重新打包就是常规操作了。7. 关于“把空格写成Tab”这类基础细节最后再分享几个很实际的小建议学Python到现在你已经把环境搭好、语法核心过了一遍、会写几个脚本、能处理数据、能爬网页、能把程序打包成exe这条路径其实已经覆盖了从入门到独立开发的大部分关键节点。最后我想分享几个“实战中才慢慢体会出来”的小建议希望你能少走一点弯路。第一缩进问题一定要从一开始就统一。Python用缩进表示代码块同一个代码块里要么全用空格要么全用Tab混用会直接报IndentationError。大多数编辑器默认把Tab展开成4个空格如果你在VSCode里写代码建议在设置里搜索insert spaces确保勾选“按Tab键插入空格”。团队协作时这个规范直接影响代码是否可读。第二print调试法虽然土但确实最有效率。新手可以先别急着上各种调试工具。在你觉得可能有问题的变量旁边加一行print()看输出是否符合预期然后逐步缩小可疑范围。等代码写多了再学着用IDE的断点调试那时候你已经有了判断“哪里可能出错”的直觉调试工具的威力才发挥得出来。第三写代码的时候把“异常处理”当成标配。很多新手写的脚本能跑通就完事了一遇到网络请求超时、文件不存在、用户输入格式错误就直接崩溃。专业和不专业的区别很多时候就体现在对异常情况的处理上。至少你要能区分哪些代码可能报错——凡是涉及外部输入网络、文件、用户的地方都应该考虑加try...except。第四善用虚拟环境让每个项目“干净”地成长。前面讲过conda或venv这里再强调一次。随着你写的项目越来越多不同项目对第三方库版本的要求会逐渐出现冲突。与其到时候在“升级这个库会不会破坏另一个项目”之间纠结不如一开始就用虚拟环境把项目隔离开。第五遇到问题先学会“读报错”。在你向搜索引擎求助之前花30秒把报错信息从头到尾读一遍。Python的报错信息其实非常良心它会告诉你错误类型、出错文件、具体行号以及在这一行里哪个变量哪个操作出了问题。绝大多数新手问题的答案就在报错信息里只是你急着找现成答案反而忽略了它。如果你能耐心走到这里说明你已经具备了自学Python所需的最重要的品质——动手和坚持。后面的路无论是做爬虫、数据分析还是Web开发本质上都是用你已经学会的工具去解决新的问题。把基础打牢把习惯养好剩下的就交给时间了。