• 通过我们的努力选出了5本最经典的python书单,希望大家喜欢,有你正在读的那本吗？

《Python编程：从入门到实践（第3版）》

作者：[美]埃里克·马瑟斯（Eric Matthes）

译者：袁国忠

零基础入门选择

理由:一本不可多得的,能够让初学者能够读下去、入门的书籍.

• 《Python编程 从入门到实践 第3版》是由图灵出版社出版的一本Python编程入门教材,该书从最基础的Python语法、数据类型、控制流开始讲起,然后介绍了函数、文件读写、异常处理、测试等高级特性,并通过实际项目案例来讲解如何应用Python进行编程开发.
• 一本书适合初学者学习Python编程,也适合有一定编程基础的开发人员进行深入学习和实践.
• 学到了哪些知识：本书知识结构的话,还是比较简单.仅能够让有兴趣的同学们进行入门.自身而言,最后按照书籍,做出了飞机大战的游戏,更多的还是如上文所言,让我感了兴趣,入了门.
• 一本好的书,让学习的门槛降低,师傅领进门，修行靠个人（如果想到继续学习,就要很努力,后期需要学习数据结构、python基础教程、SQL等等）

适合什么样的读者:初学者、感兴趣的人.

• 个人学习过程中：因工作岗位原因信息化,所以需要一些技术当基础,就机缘巧合的买了这本书,刚看完,好像就出了最新版.本书不像其他的书籍,确实是一本比较浅显易懂、能够让人静下心读下去的书,真的是名副其实.后来,也买了前端的红宝书,虽然也是赞誉很佳,质量好,但对于初学者而言,对比下来,《Python编程：从入门到实践》这本书更做到了普适性的效果.

《深度学习入门:基于Python的理论与实现》

作者：斋藤康毅

译者：陆宇杰

日本深度学习入门经典畅销书

长期位列日亚“人工智能”类图书榜首,超多五星好评

• 我始终认为一本好书最应该做到的而又最难做到的就是让读者能够沉浸其中,忘记自己是在看书,像是直接面对面的和作者在交流.特别是这种知识类书籍,经常会因为突兀地引入一些新的概念而引起读者的困惑,增加读者的焦虑.但是如果铺垫了太多的基础知识,又会让另一部分读者觉得冗长乏味,如何照顾好挑剔的读者其实是需要下一番苦功夫的.这本书就很好的做到了这一点,通过适当的引入基础知识,能够一层一层抽丝剥茧,最终将深度学习的线条展现在读者眼前.

• 另外本书的源码也是一个亮点,没有直接调用成熟的深度学习框架,而是使用最基本的 Numpy 操作自己构建网络.这种方式是我个人最喜欢的学习知识的方式,通过自己去实现,从而了解这个领域的核心原理.读完这本书,我觉得对我而言作者在前言中的承诺做到了：从底层理解了误差反向传播、卷积运算等核心原理,了解了深度学习常用的实践技巧.

《Python深度学习》

作者：[美] 弗朗索瓦•肖莱（François Chollet）

译者：张亮（hysic）

Keras之父、Google人工智能研究员François Chollet执笔

深度学习领域力作

• 本书自出版以来收到众多好评,因为是 Keras 作者写的书,所以全书基本围绕着 Keras 讲深度学习的各种实现,从 CNN,RNN 到 GAN 等等,总体偏入门,但也承载着很多作者对深度学习整体性的思考.值得一提的是作者推荐用 GPU 跑书中的例子,这不是开玩笑, 用 CPU 跑你会感到很绝望的.

• 一本书代码都放在作者的 [Github] 上,基本与书中内容一致,当然很多内容的解释在书中会更详细一些.Keras 的文档很全,对新手也比较友好,所以很多人觉得看文档就行,没必要看书,其实书和文档各有优缺点.

• 这本书最大的优点是框架性,能提供一个“整体视角”,让读者在脑中建立一个完整的地图,知道哪些常用哪些不常用,再据此针对性地查漏补缺就比较方便了,而如果直接查文档面对海量的 API 往往会无所适从.然而书因为要照顾整体性,必然会抛弃一些与主旨无关的内容或细节,而这正是文档的优点,可以把所有内容都囊括进来,不需要太考虑整体可读性.而且查文档有种探宝的意味,时常不经意间发现了一个神奇的功能居然被实现了.

《流畅的Python》

作者：[巴西]卢西亚诺·拉马略（Luciano Ramalho）

译者：安道,吴珂

Python 核心开发人员担纲技术审校

• 在本书中学到了很多基础的 python 思想.阅读之后可以利用书中的知识来优化自己的代码,更好地实现自己的想法,更高效地阅读源码和社区讨论帖.本书适合中级和高级的 python 用户来提升自己对于 python 语言特性和高级用法的理解.

• 作者是一名高级python程序员也是一名 python 教师.在书中,从一个使用者而不是设计者的角度叙述了python的各类特性.内容经常涉及到与java,C 等语言的比较.作者会给出pyCon video和email list作为参考链接.书中绝大部分调用的库都是python基础库,比如collections,functools,itertools,这些库其实远比numpy,pandas覆盖面更广,有些操作和想法无法使用numpy,pandas去实现的时候,不妨去 python 的基础库中寻找答案.

• 从数据科学的角度来考虑,建议先掌握算法和数据结构,然后再看本书.

《Python数据结构与算法分析》

作者：[美] 布拉德利·米勒（Bradley N. Miller）, 戴维·拉努姆（David L. Ranum）

译者：吕能, 刁寿钧

经典计算机科学教材

华盛顿大学等多家高校采用

• 理由：Python 是一门非常适合于讲解算法的语言,语法干净简洁,用户环境直观,基本的数据类型十分强大和易用.其交互性在不需要额外编写驱动函数的情况下为测试数据结构单元提供了直观环境.而且,Python 为算法提供了教科书式的表示法,基本上不需要再用伪代码.这一特性有助于通过数据结构与算法来描述众多与之有关、相当有趣的现代问题.

• 结合这本书可以使我们掌握数据结构与算法的基本思想,掌握栈、队列、列表等抽象数据类型,掌握大 O 记法和时间复杂度等概念,利用递归解决汉诺塔问题,实现常用的搜索算法和排序算法,并分析性能,掌握树与图在 Python 中的应用.

• 总之是一本非常好的用来学习算法的书籍.

关于Python技术储备：

• Python是一种流行的、多用途的编程语言,具有广泛的应用领域,包括Web开发、数据科学、人工智能、机器学习、自然语言处理等.建立一个坚实的Python技术储备对于从事各种编程任务和项目非常重要.以下是一些建议,有助于建立和增强你的Python技术储备：

1. 学习基础语法和数据结构：

• 确保你熟悉Python的基础语法、数据类型和控制结构.
• 学会使用列表、元组、字典和集合等数据结构.

2. 深入了解函数和模块：

• 学习如何定义和调用函数,以及如何创建自己的模块.
• 掌握Python标准库中常用模块的使用方法.

3. 面向对象编程(OOP)：

• 了解面向对象编程的基本概念,如类、对象、继承和多态.
• 实践使用类创建和管理对象.

4. 处理异常和错误：

• 学会使用try-except语句处理异常,提高代码的健壮性.
• 熟悉Python的异常层次结构.

5. 文件操作和输入/输出：

• 学会打开、读取和写入文件.
• 了解标准输入和输出,以及格式化字符串的操作.

6. 熟悉虚拟环境和包管理器：

• 使用虚拟环境隔离项目,防止依赖冲突.
• 学习使用pip作为包管理器,管理项目中的第三方库.

7. 学习常用的第三方库和框架：

• 掌握一些常见的第三方库,如NumPy、Pandas、Matplotlib等用于数据科学和数据可视化的库.
• 了解一些流行的Web框架,如Django或Flask,用于Web开发.

8. 数据库操作：

• 学习使用Python连接和操作数据库,例如使用SQLite、MySQL或MongoDB.
• 理解SQL语言和NoSQL数据库的基本概念.

9. 异步编程：

• 了解异步编程的概念,学会使用asyncio库进行异步操作.
• 掌握async/await语法.

10. 测试和调试：

• 学会编写单元测试和集成测试.
• 使用调试工具和技术来诊断和修复代码问题.

11. 版本控制：

• 学会使用Git进行版本控制,了解基本的命令和工作流程.

12. 持续集成和持续部署：

• 了解持续集成和持续部署的基本概念,学会使用工具如Jenkins、Travis CI等.

13. 掌握常见的算法和数据结构：

• 了解并实践一些基本的算法和数据结构,提高编程能力和解决问题的能力.

14. 参与项目和实际应用：

• 参与开源项目或个人项目,将学到的知识应用到实际场景中.
• 阅读别人的代码,学习不同的编码风格和最佳实践.

15. 持续学习和跟踪行业趋势：

• Python社区不断发展,保持对新技术和库的敏感性,,跟踪行业趋势,保持不断学习的状态.
• 通过不断地学习和实践,你可以建立起一个强大的Python技术储备,使自己在各种领域都能应对不同的挑战.

总之,学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划和学习路线