前言

Python可以说是当前非常流行的编程语言，甚至有点“网红”的感觉。网上还流行一句话“Life is short, I use Python”（人生短暂，我用Python）。Python是一种非常高级的动态编程语言（其表达更接近自然语言），语法很简洁，比如，完成同一个任务，C语言要写1000行代码，Java只需要写100行，而Python可能只要20行。Python某种程度上类似于matlab和SAS和R语言，结合python的几种强大的科学计算类库：NumPy（数组、矩阵、线性代数）、Pandas（数据处理和分析库）、SciPy（统计运算）、SymPy（符号运算库）、matplotlib（绘图库）、Traits（程序界面库）等，可以近似地替代matlab、Java、R和SAS等。

Python之所以这么流行，主要是因为对于初学者和完成普通任务，Python语言是非常简单易用的。但是，在非常高的抽象计算中，高级的Python程序设计也是非常难学的。鉴于很多关注本公众号的朋友在后台回复“Python入门”，觉得有必要写一写对于零基础接触Python应该如何学习Python？下面结合个人经验分享下Python做金融量化和数据分析的学习路径。

01 确立学习目的

在学习Python之前，一定要想清楚为什么要学习Python？学习Python的目的是为了要学会运用这门语言来解决实际问题。但Python的应用方向实在太广了，在Python基础知识学完之后，如果应用方向不同，要学习的东西也会大不同。比如你要用Python做数据分析和金融建模，学完Python基础知识，然后就跑去学django、flask框架和web开发。这个道理，就跟我们想要去上海，肯定不会买去北京的机票一样。但是不得不承认，还是会有人犯迷糊，上来就开干。

个人经验

我学习Python，是因为它在数据分析和金融量化分析方面具有强大功能而且免费，基本涵盖了“数据获取、数据处理、数据分析、数据可视化”所有环节，在写论文和实际工作中用处十分大。

02 规划好学习路径

当确定好学习的方向和目的后，下一步骤就是顺着这个方向，建立好自己的学习路线图，形成一个系统性的逻辑主线，能让自己知道每个部分需要完成的目标是什么，需要学习哪些知识点，哪些知识是暂时不必要的。特别是我们身在职场，大多时候是没有很大块的时间来集中学习的。学习时间被分割在了一些碎片化的时间里。在碎片化的时间里，系统性的学习一门知识，更需要有一个贯穿前后，系统的逻辑主线，来串联所有相关碎片化的时间的学习。

个人经验

当我确定好学习Python的数据分析和金融量化投资的方向后，就按照“基础知识、数据爬取、文本分析、金融量化、机器学习、深度学习”，给自己建立了学习路线图：

（1）Python基础知识

（2）金融量化常用库学习

如：Numpy、Pandas、Scipy、Matplotlib等

（3）爬虫基本知识+财经网站数据开源库

如：Scrapy、tushare、baostock等

（4）文本分析（NLP处理、词云分析、jieba分词）

（5）机器学习（sklearn）

（6）深度学习（TensorFlow）

建议安装anaconda，自带Jupyter Notebook和Spyder。个人比较喜欢使用Jupyter Notebook来交互运行python程序，公众号上的文章和代码也都是使用它来完成的，文字使用md编译。至于Python基础，个人推荐看廖雪峰Python3入门教程（百度搜索）。

03 建议干中学

以解决学习或工作中的实际问题为指导原则。在学习和工作中，需要的更多的是一种解决问题的系统性思维。很多人会问，有没有什么快速入门的教程之类的，其实没有什么牛逼的事情是能够速成的，越是底层的、收益周期越长的技能越是这样。“大道甚夷，而人好径，终为所误”。总会在踩了无数的坑后，才恍然大悟：捷径往往是最长的弯路。学习Python，对于零基础的人在短时间内入门，还是比较容易的，但是从要进阶为高手，没有长时间的投入和练习，基本上是异想天开。

推荐资源

国内在线量化平台：

BigQuant - 人工智能量化平台 - 可以无门槛地使用机器学习、人工智能开发量化策略

https://bigquant.com/

优矿 - 通联量化实验室

https://uqer.io/

国外量化平台：

Quantopian 研究、回测、算法众包平台

https://www.quantopian.com/

开源框架

Pandas - 数据分析包

Zipline - 一个Python的回测框架