php 秒杀 怎么测试，如何学习数据分析？
想要成为数据分析师，给大家分享一份初级的入门指南！
它包含Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。
这七part 的内容刚好涵盖了一位数据分析师需要掌握的基础体系，也是一位新人从零迈入数据大门的知识手册。
第一part：Excel
每一位数据分析师都脱离不开Excel。
它是日常工作中最常用的工具，如果不考虑性能和数据量，它可以应付绝大部分分析工作。虽然现在机器学习满地走，Excel依旧是无可争议的第一工具。
Excel的学习分为两个部分。
掌握各类功能强大的函数，函数是一种负责输入和输出的神秘盒子。把各类数据输入，经过计算和转换输出我们想要的结果。
在SQL，Python以及R中，函数依旧是主角。掌握Excel的函数有助于后续的学习，因为你几乎在编程中能找到名字一样或者相近的函数。
在「数据分析：常见的Excel函数全部涵盖在这里了」中，介绍了常用的Excel函数。
清洗处理类：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text
关联匹配类：lookup、vlookup、index、match、row、column、offset
逻辑运算类：if、and、or、is系列
计算统计类：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round
时间序列类：year、month、weekday、weeknum、day、date、now、today、datedif
搜索能力是掌握Excel的不二窍门，工作中的任何问题都是可以找到答案。
第二部分是Excel中的工具。
在「数据分析：Excel技巧大揭秘」教程，介绍了Excel最具性价比的几个技巧。包括数据透视表、格式转换、数组、条件格式、自定义下拉菜单等。正是这些工具，才让Excel在分析领域经久不衰。
在大数据量的处理上，微软提供了Power系列，它和Excel嵌套，能应付百万级别的数据处理，弥补了Excel的不足。
Excel需要反复练习，实战教程「数据分析：手把手教你Excel实战」，它通过网络上抓取的数据分析师薪资数据作为练习，总结各类函数的使用。
除了上述要点，下面是附加的知识点，铺平数据分析师以后的道路。
了解单元格格式，数据分析师会和各种数据类型打交道，包括各类timestamp，date，string，int，bigint，char，factor，float等。
了解数组，以及相关应用（excel的数组挺难用），Python和R也会涉及到 list，是核心概念之一。
了解函数，深入理解各种参数的作用。它会在学习Python中帮助到你。
了解中文编码，UTF8、GBK、ASCII，这是数据分析师的坑点之一。
第二part：数据可视化
数据分析界有一句经典名言，字不如表，表不如图。
数据可视化是分析的常用技巧之一，不少数据分析师的工作就是通过图表观察和监控数据。首先了解常用的图表：
Excel的图表可以100%绘制上面的图形，但这只是基础。
在「数据可视化：你想知道的经典图表全在这」中介绍了各类数据分析的经典图表，除了趋势图、直方图，还包括桑基图、空间图、热力图等额外的类型。
数据可视化不是图表的美化，而是呈现数据的逻辑之美，是揭示数据的内在关联。了解图表的维度和适用场景，比好看更重要。比如桑吉图就是我一直推崇的图表，它并不知名，但是它能清晰的揭露数据内在状态的变化和流向。案例是用户活跃状态的趋势。
Excel的图表操作很傻瓜化，其依旧能打造出一份功能强大的可视化报表。「数据可视化：教你打造升职加薪的报表」教给大家常用的Excel绘图技巧，包括配色选取，无用元素的剔除、辅助线的设立、复合图表等方法。
Excel图表的创造力是由人决定的，对数据的理解，观察和认知，以及对可视化的应用，这是一条很长的道路。
图表是单一的，当面板上绘制了多张图表，并且互相间有关联，我们常称之为Dashboard仪表盘。
上图就是用分析师薪资数据为数据源绘制的Dashboard，比单元格直观不少。我们常常把绘制这类Dashboard的工具叫做BI。
BI（商业智能）主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作完全可以交给BI自动化完成，从数据规整、建模到下载。
另外一种是使用其可视化功能进行分析，它提供比Excel更丰富的交互功能，操作简单，而且美观，如果大家每天作图需要两小时，BI能缩短大半。
在「数据可视化：手把手打造BI」教程中，以微软的PowerBI举例，教大家如何读取数据，规整和清洗数据，绘制图表以及建立Dashboard。最后的成果就是上文列举的分析师案例。
BI还有几个核心概念，包括OLAP，数据的联动，钻取，切片等，都是多维分析的技巧，也是分析的核心方法之一。
后续的进阶可视化，将和编程配合。因为编程能够提供更高效率和灵活的应用。而BI也是技术方向的工具，了解技术知识对应用大有帮助。
第三part：数据分析思维数据分析能力的高低，不以工具和技巧决定，而以分析思维决定。
在一场战争中，士兵装备再好的武装，进行再严苛的训练，若是冲锋的方向错了，那么迎接他们的唯有一败涂地。
分析思维决定一场「数据战争」中的冲锋方向。只有先养成正确的分析思维，才能使用好数据。
既然是思维，它就倾向于思考的方式，Excel函数学会了就是学会，分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断，以「我觉得我认为」展开，好的数据分析首先要有结构化的思维。
麦肯锡是其中领域的佼佼者，创建了一系列分析框架和思维工具。最典型地莫过于金字塔思维。
这篇文章简述了该思维的应用，「快速掌握麦肯锡的分析思维」。你能学会结构化思考，MECE原则，假设先行，关键驱动等方法论。
除此以外，还有SMART、5W2H、SWOT、4P4C、六顶思考帽等，这些都是不同领域的框架。框架的经典在于，短时间内指导新人如何去思考，它未必是最好的，但一定是性价比最优的。数据分析思维，是分析思维的引申应用。再优秀的思考方式，都需要佐证和证明，数据就是派这个用处的，「不是我觉得，而是数据证明」。
现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。如果把它应用在数据领域，就是：如果你不能用指标描述业务，那么你就无法有效增长它。每一位数据分析师都要有指标体系的概念，报表也好，BI也好，即使机器学习，也是围绕指标体系建立的。
下图就是一个典型的指标体系，描述了用户从关注产品、下载、乃至最后离开的整个环节。每一个环节，都有数据及指标以查询监控。
不同业务背景需要的指标体系不同，但有几个建立指标的通用准则。这篇文章深入介绍了「如何建立数据分析的思维框架」。你将区分什么是好指标、什么是坏指标、比率和比例、指标的结构、指标设立的维度等概念。
数据分析不是一个结果，而是一个过程。几乎所有的分析，最终目的都是增长业务。所以比分析思维更重要的是驱动思维落地，把它转化为成果。
数据分析思维是常年累月养成的习惯，一周时间很难训练出来，但这里有一个缩短时间的日常习惯。以生活中的问题出发做练习。
这家商场的人流量是多少？怎么预估？
上海地区的共享单车投放量是多少？怎么预估？
街边口的水果店，每天的销量和利润是多少？怎么预估？
这些开放性问题起源于咨询公司的训练方法，通过不断地练习，肯定能有效提高分析思维。另外就是刷各种CaseBook。
优秀的数据分析师会拷问别人的数据，而他本身的分析也经得起拷问。
第四part：数据库
Excel很容易遇到瓶颈，随着业务的发展，分析师接触的数据会越来越多。对大部分人的电脑，超过十万条数据，已经会影响性能。何况大数据时代就是不缺数据，这时候就需要学习数据库了。
即使非数据岗位，也有越来越多的产品和运营被要求使用SQL。
很多数据分析师戏称自己是跑SQL的，这间接说明SQL在数据分析中有多核心。从Excel到SQL绝对是处理效率的一大进步。
教程内容以MySQL为主，这是互联网行业的通用标准。其实语法差异不大的。
新手首先应该了解表的概念，表和Excel中的sheet类似。「写给新人的数据库指南」是一篇入门基础文章，包括表、ID索引、以及数据库的安装，数据导入等简单知识。
SQL的应用场景，均是围绕select展开。增删改、约束、索引、数据库范式均可以跳过。新手在「SQL，从入门到熟练」教程会学习到最常见的几个语法，select、where、group by、if、count/sum、having、order by、子查询以及各种常用函数。
数据还是分析师薪资数据，它可以和Excel实战篇结合看，不少原理都是相通的。
想要快速掌握，无非是大量的练习。大家可以在leetcode上做SQL相关的练习题，难度从简单到困难都有。「SQL，从熟练到掌握」教程中将会带领大家去刷一遍。
join对新手是一个很绕的概念，教程会从图例讲解，逐步提高难度。从一开始的join关联，到条件关联、空值匹配关联、子查询关联等。最后完成leetcode中的hard模式。
如果想要更进一步，可以学习row_number，substr，convert，contact等函数。不同数据平台的函数会有差异，例如Presto和phpMyAdmin。再想提高，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。知道为什么union比or的效率快，这已经和不少程序员并驾齐驱。
第五part：统计学
很多数据分析师并不注重统计学基础。
比如产品的AB测试，如果相关人员不清楚置信度的含义和概念，那么好的效果能意味着好么？如果看待显著性？
比如运营一次活动，若不了解描述统计相关的概念，那么如何判别活动在数据上的效果？可别用平均数。
不了解统计学的数据分析师，往往是一个粗糙的分析师。如果你想要往机器学习发展，那么统计学更是需要掌握的基础。
统计知识会教大家以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。
在第一篇教程「解锁数据分析的正确姿势：描述统计」，会教给大家描述统计中的诸多变量，比如平均数、中位数、众数、分位数、标准差、方差。这些统计标准会让新手分析师从平均数这个不靠谱的泥潭中出来。
箱线图就是描述统计的大成者，好的分析师一定是惯用箱线图的常客。
第二篇「解锁数据分析的正确姿势：描述统计(2)」将会结合可视化，对数据的分布进行一个直观的概念讲解。很多特定的模型都有自有的数据分布图，掌握这些分布图对分析的益处不可同日而语。
直方图和箱线图一样，将会是长久伴随分析师的利器。
统计学的一大主要分支是概率论，概率是度量一件事发生的可能性，它是介于0到1之间的数值。很多事情，都可以用概率论解释，「概率论的入门指南」和「读了本文，你就懂了概率分布」都是对其的讲解。
包括贝叶斯公式、二项概率、泊松概率、正态分布等理论。理论不应用现实，那是无根之木，教程中会以运营活动最常见的抽奖概率为讲解，告诉大家怎么玩。
其实数据分析中，概率应用最广泛和最全面的知识点，就是假设检验，大名鼎鼎的AB测试就是基于它的。俗话说得好，再优秀的产品经理也跑不过一半AB测试。
何为假设检验？假设检验是对预设条件的估计，通过样本数据对假设的真伪进行判断。
产品改版了，用户究竟喜不喜欢？调研的评分下降了，这是用户的评价降低了，还是正常的数据波动呢？这些都是可以做假设检验的。它可以说是两面两篇文章的回顾和应用。
「数据分析必须懂的假设检验」依旧以互联网场景讲解各种统计技巧的应用。假设检验并不难，通过Excel的几个函数就能完成。它的难点在于诸多知识点和业务的结合使用，实际公式不需要掌握的多透彻，了解背后的意义更重要。
统计学是一个很广阔的领域，包括方差分析，时间序列等，都有各自不同的应用。大家若感兴趣，可以去阅读各类教材，没错，教材是学习统计学最优的方式。我这类文章堪堪算入门罢了。
第六part：业务
对于数据分析师来说，业务的了解比数据方法论更重要。举个例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。这个案例中，我们只知道送货员的送货水平距离，根本不知道垂直距离。这是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。业务形态千千万万，数据分析师往往难窥一二。我的公众号业务部分也涉及了不少，大家可以通过这几篇文章了解。
一篇文章读懂活跃数据；深入浅出，用户生命周期的运营；获取新增用户，运营都应该知道的事；运营的商业逻辑：CAC和CLV；从零开始，构建数据化运营体系；读懂用户运营体系：用户分层和分群，这些都是互联网运营相关的内容，或多或少涉及了不少业务方面的概念，数据分析人员可以选择性的挑选部分内容。了解业务的数据分析师在职场发展上会更加顺利。
而在「最用心的运营数据指标解读」中，我尝试总结了几个泛互联网领域的指标和业务模型，它们都是通用的框架。
产品运营模型：以移动端APP为主体，围绕AARRR准则搭建起数据框架。包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播，以及细分指标。
市场营销模型：以传统的市场营销方法论为基底，围绕用户的生命周期建立框架。包括用户生命周期，生命周期价值、用户忠诚指数、用户流失指数、用户RFM价值等。
流量模型：从早期的网站分析发展而来，以互联网的流量为核心。包括浏览量曝光率、病毒传播周期、用户分享率、停留时间、退出率跳出率等。
电商和消费模型：以商品的交易、零售、购买搭建而起。包括GMV、客单价、复购率、回购率、退货率、购物篮大小、进销存，也包含SKU、SPU等商品概念。
用户行为模型：通过用户在产品功能上的使用，获得精细的人群维度，以此作为分析模型。包括用户偏好、用户兴趣、用户响应率、用户画像、用户分层，还包含点赞评论浏览收藏等功能的相关指标。
除了上述的几个常见模型，数据分析还有其他分支。比如SEO/SEM，虽然可以归类到流量模型，但它并不简单。比如财务分析，商业的各种成本支出也需要专人负责。
在业务知识外，业务层面的沟通也很重要。业务线足够长的时候，沟通往往成为老大难的问题。
业务学习没有捷径，哪怕掌握了诸多模型，不同行业间的业务壁垒会是分析师们的门槛。金融的各类专有领域知识，电子商务不同产品的特性，这些都会影响到分析报告的质量。
在早期，新人最好选择一到两个领域深入了解其业务，然后以此拓展边界。
第七part：Python/R
第七周是最后的学习环节。
是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘、BI、爬虫、可视化报表都需要用到编程。掌握一门优秀的编程语言，可以让数据分析师升职加薪，迎娶白富美。数据分析领域最热门的两大语言是R和Python。R的优点是统计学家编写的，缺点也是统计学家编写。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。
Python则是万能的胶水语言，适用性强，可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。
这里的教程以Python为主。
「开始Python的新手教程」将会教大家搭建数据分析环境，Anaconda是功能强大的数据科学工具。Python建议安装Python3+版本，不要选择Python2了。
Python的语法相当简洁，大家print出第一个hello world顶多半小时。就像在Excel上进行运算一样方便。
「开始Python的数据结构」介绍给大家Python的三类数据结构，列表list，元组tuple，以及字典dict。万变不离其宗，掌握这三种数据结构以及相对应的函数，足够应付80%的分析场景。函数式编程为Python一大特色，Python自身就提供不少丰富的函数。很多都和Excel的函数相通，掌握起来非常迅速。另外还有控制流，for、while、if，通常配合函数组合使用。
「了解和掌握Python的函数」教大家如何自定义函数，丰富的函数虽然能偷懒，但是不少场景下，还是需要自己动手撸一个。
能够调第三方包解决，就使用第三方的函数。如果是一个频繁使用的场景，而第三方依靠不了，就自己编一个函数。如果是临时性的场景，写得粗糙点也无所谓。毕竟分析师的代码能力不要求工程师那么严格，所以Python的学习尽量以应用为主，不用像分析师那么严格。
包、模块和类的概念属于进阶知识，不学也不要紧。
「Python的数据分析: numpy和pandas入门」介绍了数据分析师赖以生存的两个包，numpy和pandas，其他Python知识可以不扎实，这两个最好认真掌握。它是往后很多技能树的前置要求。
array，series，dataframe是numpy和pandas的三个数据结构，掌握它们，便算是入门了。后续的两篇教程都是实战。
「用pandas进行数据分析实战」以分析师的薪资作为实战数据。Excel、BI、SQL，一路走来，大家想必对它无比熟悉，这也是最后一次使用它了。教程通过Pandas的各类功能，绘制出一副词云图。
最后一篇教程，将结合以往的知识点，包括业务指标，可视化，描述统计学等内容。「用Python分析用户消费行为」，完成它，不说登堂入室，但也是一位合格的数据分析师了。
它使用某网站的用户消费数据，计算各类常见指标：用户的客单价、人均购买量、回购率、复购率、留存率、平均生命周期等，真正做到融会贯通。用一份数据报告作为毕业作品，也是七周系列最好的结业证书了。
对于没有技术基础的同学，第七part最吃力，但已经完成到这一步，不妨让自己咬咬牙学习下去。
最后
如果能够看完到这里的同学，相信你是对数据分析真正感兴趣的。
为什么越来越多的人不愿意做程序员？
不可否认的是认识很多程序员朋友，他们中很多人都转行了，转行且离开互联网岗位的，大多混得很凄凉。
比如自己开小店的，真干不过从小就在社会上混的那些人，再比如卖保险的，完全干不过一些销售岗转过来的人。
其实，程序员就算要转行也应该继续留在互联网行业，比如转行产品经理、PMO、运营、测试，原因很简单，程序员的人脉和资源相对匮乏、在日常的工作中沟通交流能力的提升明显不足，留在互联网行业最起码还有本质的认知在支撑，跑到其他行业，真的是卷不过那些「高手」。
对于中国程序员来说，的确不少人是在吃青春饭。
主要原因是：
中国程序员行业不是一个看创造力的行业，而是一个看执行力的行业。
工作分两类：一类主要看执行力，一类主要看创造力。
如果是前沿研究、艺术创作之类的工作，显然要以激发创造力为主，要求工作时间不啻是南辕北辙。
设想下，假如比尔盖茨让麾下的科学家们都集中住宿，统一制服，每天早汇报晚总结，按代码行数和paper字数发奖金，这不是微软研究院，这是衡水研究院。
很不幸，中国的程序员就属于第一类工作，更多的是看执行力。哪怕是中国的高级程序员也不过是一个搬砖更快的码畜。
讲真！对于想在计算机行业学习的同学们来说，把计算机体系知识弄好，先做到资深工程师再破局是极好的。
这些知识包括算法、数据结构、计算机网络、计算机组成原理等等。尤其是算法，很重要，要想进大厂多刷算法题几乎是必须的
中国的大多数公司不太需要创造力。
对于程序员来说，执行力还真就是靠睡得少：老板啥时候临幸你（给你派活），你就得啥时候舔上去，比鸡起得早，比鸡睡得晚，以迅雷不及掩耳盗铃之势把活干完。所以，对很多程序员996是必要的，不过并不能常态化。
为什么不能常态化？从生理规律上看，脑力劳动者如果不以进ICU为目标，那么每天能够认真投入的时间，八小时也就到极限了。
人毕竟不是机器，是血肉之躯！
但中国老板普遍希望程序员们996，别激动别骂，这是残酷的现实。
很简单，老了之后，你干活的速度显然没有年轻人来得快，来得凶猛！长年累月的辛苦劳作，已经让这颗螺丝钉生锈甚至发霉了！
如果你是老板，这个时候你还要支付比年轻人多2倍的薪资，你怎么选？
更别提，年纪这么大的你，还有各种猝死风险，拿最近的pdd员工事件来说，在超级大小周（996+997）的压力下，这么年轻的女孩都猝X了，更何况35岁、40岁的一线码农？那猝死率该得多高了？企业的商誉还要不要了？
显然，资本家一定会作出最商业最正确的选择：年轻人，甚至是刚毕业的大学生，这些最新鲜的韭菜才是他们的最爱。
所以呀，为什么互联网行业经常存在应届生倒挂的现象？因为应届生的确对资本家效用很大啊，从没有经历过996的人，在第一年996的岁月，爆发出的战斗力是无穷的！
不要抱怨、不要埋怨、不要愤怒，这只不过是资本家的正确的商业选择。我们应该思考的是破局的方法。
硬币的另一面，很多大龄程序员依然能开心的coding，而还有不少程序员在35岁之后走向管理岗，操盘商业走向人生巅峰。
关键是：你能不能破局！
接下来重点说下在内卷的大环境之下，我们程序员如何破局！
先来一张程序员的成长路线：
是成为资深架构师，又或者是管理者？再或者转行其他岗位。这些问题思考得越早越好。而不是不做思考，走到哪就算哪，只有提前规划好，并按照规划的目标去制定todolist，这样才有更光明的未来。
1.多看计算机经典书籍不管走哪条路，多看计算机经典书籍都是捷径！
对于程序员而言，读计算机经典书籍不光能让你快速提升知识和能力，更会让你在面试之际如虎添翼。
2.最顶级的程序员拼paper、拼专利对，你没看错，最牛逼的程序员拼的不是代码写的多牛逼。而是有多少paper多少顶尖专利。
这是长青之路，不少阿里P10、P11、腾讯T4级别的码皇，无一不是paper、专利给傍的膀大腰圆。
自然，人家可以年薪500万拿到手抽筋，且在50之前不用担心贬值的问题。
当然，这条路没绝对的专业深度和忍耐力的话！绝不可行。
3.次一级的拼管理、拼领导力这个很容易理解，能尽快升职做管理的，那就抓紧了。
管理岗除了更高一点的薪资，更重要的是可以拉长你的职场生命周期。一般来说大厂 M3这类的管理者，就不用担心35退休的问题了，最起码也能干到40+。
M4以上就更不必说了。
如果能干到CTO、CIO那更是可以把职业生涯，拉到50以后！
4.次一级的拼架构成为架构师，也是程序员的一条延缓贬值或者淘汰的道路。
毕竟，精通架构的不可替代性，还是比实现功能要高不少。
不过要想成为架构师，必须有足够的业务压强，比如百万以上的流量或用户。
没有真正的实战经验，只能出来当「伪架构师」
5.再次一级的拼业务这个怎么理解？程序员需要精通业务吗？
其实很简单，如果不走前三条路，那么走精通业务，成为产品运营技术之间的桥梁，也是长续发展之路。
比如程序员转产品、转运营、转PMO，因为跨了多个职能，了解多个领域，显然能焕发职场第二春。
以上四个方向，是对程序员朋友最好的建议。当然不排除有一部分程序员能coding到45岁，50岁。但这需要惊人的毅力和顽强的体魄，简单一句话：在中国目前的环境里，要想coding到退休，你就是超人。
祝大家前程似锦，在编码的道路上一马平川。
关注我，我是“北漂程序媛”，现就职于某大厂后端开发工程师，可内推大厂，讲点有趣的程序员故事和内容，对程序员好奇的朋友，或者同行，欢迎关注留言
如何写出一份漂亮的简历？
简历是向别人介绍自己的第一步。
一份优秀的简历，不仅要简洁明了，表述清晰，还要充分突出自己的优势，做到让人眼前一亮。不要小看简历，薄薄的一张纸上，可以描绘出不一样的人生。好的简历能加深面试官对我们的第一印象，帮助我们更好地和面试官沟通。下面就让我们一条条的来看，都要注意哪些方面吧！
当然，一份好的简历，并不单纯的是在纸上写的有多么的而华丽，简历只是我们人生经历的写照，所以要想有一份好的简历，一定要好好的充实自己的人生履历，这才是我们书写简历最重要的一步 。
学习python可以应用于什么方向？
为什么这么多人在学Python呢？很多小白都听说Python很火，简单易学，学起来很容易，学习周期短，可是为啥要学Python呢？，下面谈谈我对Python的感悟。
在PC时代大量的嵌入式的设备，底层的代码，底层原理，以及底层逻辑运用，以及桌面的应用都是用C、C++实现的，毋庸置疑它们是最接近底层，对底层有着强大的解释说服力，也是最早的、最快的。随着2000年电商的大规模的兴起，多数人融入到这个大家庭中，逐渐地从PC时代过度到互联网时代，Java开始王者归来，再加上2010移动互联网的爆发Android开始风靡起来，Java更是如日中天，走向了辉煌。那我们现在为什么要学习Python呢？Python到底是用来干什么的？1、Web开发Python的诞生历史比Web还要早，由于Python是一种解释型的脚本语言，开发效率高，所以非常适合用来做Web开发，大大提高了做web开发人员的效率。Python有上百种Web开发框架，有很多成熟的模板技术，选择Python开发Web应用，不但开发效率高，而且运行速度快，加快了时代的发展。常用的web开发框架有：Django、Flask、Tornado 等。许多知名的互联网企业或者小型公司将Python作为主要开发语言：豆瓣、知乎、果壳网、Google、NASA、YouTube、Facebook……由于后台服务器的通用性，除了狭义的网站之外，很多App和游戏的服务器端也同样用 Python实现，来运行，完成相应的工作。一个Web应用的本质就是：浏览器发送一个HTTP请求；服务器收到请求，生成一个HTML文档；服务器把HTML文档作为HTTP响应的Body发送给浏览器；浏览器收到HTTP响应，从HTTP Body取出HTML文档并显示。所以，最简单的Web应用就是先把HTML用文件保存好，用一个现成的HTTP服务器软件，接收用户请求，从文件中读取HTML，返回。Apache、Nginx、Lighttpd等这些常见的静态服务器就是干这件事情的，完成这些事情的。如果要动态生成HTML，就需要把上述步骤自己来实现。不过，接受HTTP请求、解析HTTP请求、发送HTTP响应都是苦力活，如果我们自己来写这些底层代码，还没开始写动态HTML呢，就得花个把月去读HTTP规范。正确的做法是底层代码由专门的服务器软件实现，我们用Python专注于生成HTML文档。因为我们不希望接触到TCP连接、HTTP原始请求和响应格式，所以，需要一个统一的接口，让我们专心用Python编写Web业务。这个接口就是WSGI：Web Server Gateway Interface。（Web服务器网关接口）wsgi就是一种规范，它定义了使用web应用程序与Python编写的web服务器程序之间的接口格式。无论多么复杂的Web应用程序，入口都是一个WSGI处理函数。HTTP请求的所有输入信息都可以通过environ获得，HTTP响应的输出都可以通过start_response()加上函数返回值作为Body。WSGI接口定义非常简单，它只要求Web开发者实现一个函数，就可以响应HTTP请求。我们来看一个最简单的Web版本的“Hello，web!”：上面的application()函数就是符合WSGI标准的一个HTTP处理函数，它接收两个参数：environ：一个包含所有HTTP请求信息的dict对象；start_response：一个发送HTTP响应的函数。在application()函数中，调用：就发送了HTTP响应的Header，注意Header只能发送一次，也就是只能调用一次start_response()函数。start_response()函数接收两个参数，一个是HTTP响应码，一个是一组list表示的HTTP Header，每个Header用一个包含两个str的tuple表示。通常情况下，都应该把Content-Type头发送给浏览器。其他很多常用的HTTP Header也应该发送。然后，函数的返回值'<h1>Hello, web!</h1>'将作为HTTP响应的Body发送给浏览器。有了WSGI，我们关心的就是如何从environ这个dict对象拿到HTTP请求信息，然后构造HTML，通过start_response()发送Header，最后返回Body。了解了WSGI框架，我们发现：其实一个Web App，就是写一个WSGI的处理函数，针对每个HTTP请求进行响应。但是如何处理HTTP请求不是问题，问题是如何处理100个不同的URL。由于用Python开发一个Web框架十分容易，所以Python有上百个开源的Web框架。各种Web框架的优缺点自己去了解一下就可以了，直接选择一个比较流行的Web框架——Flask来使用。除了Flask，常见的Python Web框架还有：Django：全能型Web框架；web.py：一个小巧的Web框架；Bottle：和Flask类似的Web框架；Tornado：Facebook的开源异步Web框架。做一个游戏2、网络爬虫许多人对编程的热情始于好奇，终于停滞，小有成就就止步于此。距离真枪实干做开发有技术差距，也无人指点提带，也不知当下水平能干嘛？就在这样的疑惑循环中，编程技能止步不前，而爬虫是最好的进阶方向之一。网络爬虫是Python比较常用的一个场景，国际上，google在早期大量地使用Python语言作为网络爬虫的基础，带动了整个Python语言的应用发展。以前国内很多人用采集器搜刮网上的内容，现在用Python收集网上的信息比以前容易很多了，如：从各大网站爬取商品折扣信息，比较获取最优选择；对社交网络上发言进行收集分类，生成情绪地图，分析语言习惯；爬取网易云音乐某一类歌曲的所有评论，生成词云；按条件筛选获得豆瓣的电影书籍信息并生成表格……应用实在太多，几乎每个人学习爬虫之后都能够通过爬虫去做一些好玩有趣有用的事。例子：爬取网络上的歌曲3、人工智能人工智能是现在非常火的一个方向，AI热潮让Python语言的未来充满了无限的潜力。现在释放出来的几个非常有影响力的AI框架，大多是Python的实现，为什么呢？因为Python有很多库很方便做人工智能，比如numpy, scipy做数值计算的，sklearn做机器学习的，pybrain做神经网络的，matplotlib将数据可视化的。在人工智能大范畴领域内的数据挖掘、机器学习、神经网络、深度学习等方面都是主流的编程语言，得到广泛的支持和应用。人工智能的核心算法大部分还是依赖于C/C++的，因为是计算密集型，需要非常精细的优化，还需要GPU、专用硬件之类的接口，这些都只有C/C++能做到，所有c/c++和P相结合就可以实现人工智能。4、Python的其他应用举例系统编程：提供API，能方便进行系统维护和管理，Linux下标志性语言之一，是很多系统管理员理想的编程工具。图形处理：有PIL、Tkinter等图形库支持，能方便进行图形处理。数学处理：NumPy扩展提供大量与许多标准数学库的接口。文本处理：Python提供的re模块能支持正则表达式，还提供SGML，XML分析模块，许多程序员利用Python进行XML程序的开发。数据库编程：程序员可通过遵循PythonDB-API（数据库应用程序编程接口）规范的模块与MicrosoftSQLServer，Oracle，Sybase，DB2，MySQL、SQLite等数据库通信。Python自带有一个Gadfly模块，提供了一个完整的SQL环境。网络编程：提供丰富的模块支持sockets编程，能方便快速地开发分布式应用程序。很多大规模软件开发计划例如Zope，Mnet及BitTorrent.Google都在广泛地使用它。Web编程：应用的开发语言，支持最新的XML技术。多媒体应用：Python的PyOpenGL模块封装了“OpenGL应用程序编程接口”，能进行二维和三维图像处理。PyGame模块可用于编写游戏软件。黑客编程： Python有一个hack的库，内置了你熟悉的或不熟悉的函数，但是缺少成就感。以上内容分享自华为云社区《【云驻共创】你知道在未来Python主要的运用途径和领域吗？》，作者：楠羽。现在比较有发展前景的职业有哪些？
学厨师，高工资，也不需要学历
1.高薪低压收入高 餐饮行业的飞速发展，带动了厨师薪资的整体上升，如今，厨师位居十大高薪蓝领职业，成为人们眼中挣钱多的黄金职业。无论是中餐厨师，还是西餐厨师，其月薪达万元早已不是新闻，而技术精湛、经验丰富的行政总厨更能拿到百万年薪。
2.前景广阔发展好 餐饮业诞生几千年来，从未面临淘汰，一直是关乎民生的重要行业。随着现代社会人们对生活水平要求越来越高，餐饮业已经成为21世纪的朝阳行业，进入了又一轮高速发展期。未来，具备厨房管理、餐饮管理等相关知识的复合型厨师将成为用人单位的可以选择。
3.工作稳定地位高 现在的厨师，不是你去找工作，而是工作等你找。餐饮业已经进入竞争白热化阶段，新一轮厨师人才争夺战已经打响。同时，厨师工作环境好，体面卫生，正常作息，解决吃住，你从起点上就赢得一筹。技术好的厨师，就是餐饮企业的灵魂所在。
4.投资小容易创业 餐饮行业具有投入小，回报大的天生优势，不用像其他行业动辄投资百万元。同时，投资餐饮业风险小，饮食作为人们的首要需求，永远不会过时。不论你出身在哪里，不论你贫穷富贵，只要你肯努力，你就可以拥有自己的事业。