php语句怎么求和，大学里面需要最值得学习的软件是什么？
给你的学习和生活解决烦恼的有调APP来啦~
20个大学期间最值得下载的高质APP， 让你比别人会学会玩更会生活本文由有调APP原创。「有调」是一个品质生活导购平台，这里有一群追求生活品质的年轻人，以独特新锐的视角、客观真实的评测，为向往美好生活的人，找寻真正值得买的好东西。9月，相信不少新同学已经踏入或即将踏入大学的校门，心中充满了不安。新奇的大学生活也许让你期待不已，但是，大学繁多复杂的课业学习，远离父母完全自己负责的生活，你真的准备好了吗？
手机已经成为我们最实用的的生活助手，今天有调君就为各位新同学推荐20个大学必备APP，绝对是实打实的好用。快点在开学之际塞进你的手机，享受精彩的大学时光吧~
目录
1.学习
背单词
练口语
笔记记录
课外学习
时间管理
2.生活
健康
便利工具
摄影修图
城市生活
资讯获取
购物
学习大学中最重要的就是学(lian)习(ai)了，学霸在期末时可少不了很多妹子围在身边让你辅导哦。
说到学习，四六级堪称大学中的一道坎，那就先来说说英语学习的实用APP。
背单词百词斩
iOS / Android
相信百词斩应该无人不知无人不晓吧，通过有趣的图片、象形单词来记忆单词是它最大的特色。随着百词斩不断的发展，“单词TV”、“单词电台”、“爱阅读”等越来越多的新功能也让它变得更加实用。相信有调君，如果不知道选择哪一款背单词APP，那么百词斩一定是最简单靠谱的选择。
不背单词
iOS / Android
与百词斩不同，进入不背单词的第一眼就知道这是一个纯粹高效的背单词APP。极简干净的界面、高效的手势操作，没有多余的社交、商城等功能，一切都是刚刚好。
不背单词的独特之处在于它的例句，每个单词都有10个例句。有的来自电影美剧、著名有声小说、纪录片的录音，有的来自BBC，ESL……在例句中熟悉单词最地道的用法，非常实用。
看到例句里有自己喜爱的美剧，是不是记忆更深刻了呢？
练口语DAKA
iOS / Android
流利的口语，能让你在日后的面试中更加自信。但很多同学真的是哑巴英语，有的是因为不敢开口说，有的是因为没有合适的口语练习伙伴。所以有调君就给大家推荐DAKA这个口语练习APP。
DAKA每天提供一个当下热点，通过真人外教的对话，真实呈现对话场景。DAKA的官网介绍表明了它解决的核心问题：“流利的口语比背熟单词语法更重要”。
笔记记录
扫描全能王
iOS / Android（有内购）
期末复习的时候，各种科目的复习资料打印出来又厚又沉，从寝室背到图书馆，从图书馆背到教室，太累了；老师上课讲的PPT虽然拍了照，但和相册里的其他照片混在一起，太难找。这些问题，扫描全能王能够轻松解决。
厚厚的一本书，其实需要的资料其实就几页，用扫描全能王拍下来做成PDF，还能直接分享给同学。另外还支持OCR识别（需内购），不用再把内容一个字一个字的打出来了！期末的时候就等着妹子们找你要复习资料吧！
课外学习
网易公开课
iOS / Android
网易公开课有调君也介绍过很多次了，丰富的课程库是简直是学习的天堂。文学、哲学、社会、历史、商业……囊括国内外优秀的公开课程和TED演讲，网易公开课真的会让你学上瘾。
TED
iOS / Android
说了网易公开课，就不得不提到TED演讲，有调君也是通过网易公开课知道的TED，然后就戒不掉了。
TED（Technology, Entertainment &Design）是全球最大、最具影响力的演讲平台，口号是"ideas worth spreading"——传播有价值的思想。TED演讲者大多是来自全球各行业的领军人物，包括科学家、企业家、政治家、艺术家等。对大学生来说，TED既能开拓学识又能训练英语听力。
虽然说网易公开课就有很多TED演讲，但是TED的官方APP可以获取到最新的演讲，觉得看网易公开课不过瘾的同学可以去下载了。
时间管理
番茄土豆
iOS / Android
忙起来的时候总是觉得一整天的时间都不够用，番茄土豆应该可以帮到你。番茄就是“番茄工作法”（相信大部分人都听说过），土豆的意思是“to do list”。这个APP的作用就是，用番茄工作法帮你提高效率，更快地完成任务，不让你每天的flag都白立。
番茄土豆的使用方法很简单，首先你需要在新任务列表中添加你今天要做的事，并为每个任务预估需要几个“番茄”，每个番茄为25分钟。之后，开始你的学习工作就好了。每隔25分钟，就可以有5分钟休息时间进行调整，直到该项任务完成。
番茄土豆可以促使你在每个25分钟时间内保持专注。同时，它还可以帮助你回顾本周做了什么、哪天效率最高。当你长期坚持就会发现：一个小时真的可以做之前两个小时的事。
Forest 专注森林
iOS / Android
期末复习，根本静不下心，总是想掏出手机刷一刷。有调君给你推荐Forest，它的功能很直接：需要专心学习/工作时，在Forest选择时间，然后点击树苗开始倒计时。在倒计时期间如果屏幕画面离开Forest，树就会立刻枯死；如果在设定时间内成功抵制住了把玩手机的诱惑，那么树苗就会长成一棵大树。
“每天都有一片森林”，每棵树象征着每个曾经努力的时光”（图片来自官方）
种树越多，说明你的效率越高；假如始终种不出几棵树来，那就要好好反思一下工作状态了。期末复习，用这款APP来约束一下伸向手机的那只手吧~
iOS需要￥12购买，安卓免费。想要免费的iOS用户可以试试同类型的「专心」
生活进入大学，感触最深的是自己要负责起所有的事情了。虽说都不是大事，但要照顾到生活的方方面面还是有些难度的。下面就推荐一些大学生活中必备的APP，自己的生活方式也要加满分！
健康
Keep
iOS / Android
学长学姐真实的血泪经历告诉你，大学是就是变胖的开始！然而很多同学是健身小白，又没有时间每天去健身房健身，你说要怎么办！大名鼎鼎的Keep解决的就是这个问题，让手机成为你的私人健身教练，即便没有专业的设备，也可以在宿舍追求更美好的肉体。
教练系列
Android
除了广受好评的Keep，再给大家推荐小编自己一直在使用的教练系列APP：「俯卧撑教练」、「引体向上教练」、「下蹲起立教练」、「仰卧起坐教练」。
这个系列的4个APP功能简单直接：利用自身体重锻炼，为你量身制定专项的健身计划，记录健身数据。听上去平淡无奇，但是为何有调君如此推荐呢？
首先，APP可以根据手机自动记录到的数据、自动计算消耗的卡路里，不需要在结束后专门输入，既不会做“假运动”也省去好多麻烦。
其次，以仰卧起坐教练举例，首次打开APP，它会引导你测试一口气最多可以做多少仰卧起坐，再根据测试给出只针对你的阶段训练计划，一个阶段完成后再重新测试、制定新计划，让健身变得简单高效。
iOS用户推荐runtastic出品的「俯卧撑」、「引体向上」、「深蹲」、「仰卧起坐」4个APP，功能基本相同哦（还有Pro版本）
蜗牛睡眠
iOS / Android
远离父母，晚睡熬夜那都是很正常的。长期作息不规律使得睡眠质量剧烈下降。蜗牛睡眠是一个很多人在使用的睡眠APP。它会记录你的深睡时间、浅睡时间、做梦时间、环境噪音，进而给出睡眠质量打分，让你可以依据这些数据，改善你的睡眠状况。
另外有趣的是，蜗牛睡眠还会记录梦话和分析鼾声。
对于晚上睡觉磨牙打呼总说梦话，醒来还死不承认的室友，给他安上蜗牛睡眠APP，让他自己听听！
便利工具
Pin
iOS ￥12 「APP store 2016 年度十佳」
属于iOS用户的全能工具APP，开发者是这样说的：
“Pin想解决的核心问题只有一个：更有效的利用剪贴板数据。”
Pin提供了高效丰富的剪贴板功能：复制所需的数据后下拉通知栏，就可以直接保存在Pin里面，之后能够在通知栏快捷浏览剪贴板历史记录和复制以前的内容。首创的分词功能把一段话根据语义分割成一堆词组，方便选择自己需要的部分。
它还有超多实用功能：从二维码、剪贴板等处抓取图片、无限制的 GIF管理、GIF转视频、将剪贴板的文本或链接生成二维码、文本和网页内容转成图片分享等等……
安卓用户推荐「剪纸堆」实现剪贴板管理功能，「Clipboard Plus」实现分词功能，还是免费的哦~
智能证件照
iOS / Android
大学期间必不可少的一定是各种表格填写，而它们无一例外的都需要证件照。问题是，每个证件照的要求还不一样，一寸两寸，白底蓝底红底，正装休闲装。
去照相馆打印店拍照得折腾好几趟，照片还丑得要死。
智能证件照支持百种证件照规格，从四六级考试到计算机等级考试，再到各国签证，应有尽有。打开智能证件照，选择好需要的规格，拍完还能智能美颜。在宿舍就拍出合格的证件照！
摄影修图
拍照是手机最常用的功能之一，各家厂商不断提升拍照性能：徕卡蔡司认证、超高像素柔光自拍…纵然手机拍照越来越强，但真正知道如何拍出好照片的人却不多。推荐几个拍照修图类的APP，让你前期再烂也能靠后期修得美美哒（放心，我们不推荐P到亲妈认不出的美颜APP）。
指划修图Snapseed
iOS / Android
谷歌出品的专业级别免费修图APP，广受摄影师好评。Snapseed有着强大的工具集，丰富的滤镜效果，简单高效的操作，更难得的是对图片的细节有着绝佳的把控。
“局部”功能可以对照片的局部进行亮度、对比度、饱和度、结构的修改，而且是智能识别区域；“视角”功能可以神奇的自动改变图片的视角，还会自动补齐修改后缺少的区域，不要太好用。
Snapseed还有很多强大的功能等待你自己去发掘体验，这款修图APP下了绝对不亏！
Facetune
iOS￥25 / Android 免费
自拍修图还在用美图秀秀？P出来的图亲妈都认不出！Facetune提供了丰富的调整工具，美颜效果超级自然，对男生也十分友好（演示图片两男两女），真正做到修正自拍中的小缺憾。
就是美得这么自然！（你能看出哪里变了吗？）
最推荐的是平滑皮肤和重塑形状。平滑皮肤和其他美颜相机的磨皮完全不同，滑过的地方皮肤明显变好了，但是肌肤的纹理还在。重塑形状帮你修正被相机“扭曲”了的自己（畸变什么的真是太讨厌！）。相信我，你，本来就很美。
升级产品Facetune 2虽然介绍图片极其诡异，但是功能强大了不止一点点，当然内购价格也贵了不止一点点，好在可以免费下载使用部分功能。
功能相近的免费APP还有AirBrush，虽然个人感觉没有Facetune 好用，但是重在免费。LOFTCam
iOS / Android
说起滤镜APP，最有名的当然是VSCO，而有调君要再来介绍一款操作比VSCO简单，但是效果不输的VSCO的滤镜APP——LOFTCam。
在LOFTCam打开照片，简单的裁剪之后就可以选择滤镜，滤镜的数量很多，效果也是美炸天。还可以选择微调、贴纸等小功能，出片效果和速度那是嘎嘎的！
有调君自己用LOFTCam修出来的照片
VUE
iOS / Android
精彩的大学生活怎么能少得了各种有趣的视频。VUE这款视频编辑应用，操作逻辑与步骤十分简单，一看就会，内置多种转场效果，分分钟剪出朋友圈大片。
有调君敢保证，当你用了VUE之后，可能就再也不会碰微信自带的录制小视频功能了。
城市生活Mars
iOS / Android
新的大学生活或许是前往一个新的城市。在这个新的城市，我们最想找到最土著的吃喝玩乐好去处。在假期的旅游也是一样，拒绝去看一些商业化严重的景点。
Mars围绕城市中的商圈，推荐那些非常值得去的餐厅、酒店、酒吧、家居店铺、书店、艺术展览，总之是当地人经常消遣时光的好地方。而且这些地方都是当地的编辑们亲自考察的，每一个都值得去。
现在Mars已经上线了14个城市，包括北京、上海、广州、南京、杭州、成都、香港、台北8个城市，还有即将上线的重庆、武汉、深圳。
资讯获取
即刻
iOS / Android
每次刷微博都被各种广告和垃圾营销占满屏幕，微信公众号有用没用的关注推送一大堆，想高效地获取有用的信息就这么难吗？即刻APP用准确的信息推送和定制化的追踪，满足你“就想看点好东西”的需求。
即刻自建了优质的提醒，它们趣味性和实用性MAX：「有新的热门表情包」、「有豆瓣8.0分以上的新电影」、「航空优惠」、「上海大学生实习资讯」、「今天微博都在热议什么」等等，热点事件、电影信息、打折活动，一个APP给你全网最有用的信息。
除了选择官方的提醒外，用户还可以自建提醒，追踪自己喜欢的微博、微信公众号、知乎大V专栏，还有B站UP主视频等等等等，一有更新「即刻」告诉你！
购物有调
iOS / Android
现在各种购物平台如潮水般涌来，每次打开都是各种眼花缭乱的推荐，谁知道靠不靠谱。很多同学的生活费本来就不多，不知道哪些才是值得买的好东西，也不知道该去哪买才划算又省心。这时，有调就是你的购物生活好帮手！
有调有各种靠谱的科学评测，不看商家广告，用实际评测结果说话，每次一测就是几十上百款：
光防晒一项就测了230款防晒霜、104把遮阳伞、61款防晒衣等7个品类；
「用20w的仪器实测40款防雾霾口罩」、「实战评测200枚套套」、「201支中性笔全面评测」干货满满；
还有「110款垃圾袋评测」、「千元以内行李箱评测」、「男士洗面奶最全评测」、「50款姨妈巾评测」等等。
为你找到最好最放心的生活用品，购物路上绝不踩坑！
当然有调不止这么简单，丰富优质的原创内容、实时推送的大牌折扣、划算靠谱的精品购、机智的礼物挑选神器……每天都被狂种草，每天都是停不下来！
结语
当然，大学中值得推荐的、好用的APP一定不止这些，很多APP鉴于大家都很熟悉了，就没有过多的推荐。
如果你在大学生活中有什么好用的APP，欢迎推荐给有调和刚踏入大学的新同学们，咱们评论区见~
---------------分割线----------------
想要更多的时尚好物推荐和专业测评，快来关注有调APP！为什么Python是入行人工智能的首选语言？
随着机器学习的兴起，Python 逐步成为了「最受欢迎」的语言。它简单易用、逻辑明确并拥有海量的扩展包，因此其不仅成为机器学习与数据科学的首选语言，同时在网页、数据爬取可科学研究等方面成为不二选择。此外，很多入门级的机器学习开发者都是跟随大流选择 Python，但到底为什么要选择 Python 就是本文的核心内容。
本教程的目的是让你相信两件事：首先，Python 是一种非常棒的编程语言；其次，如果你是一名科学家，Python 很可能值得你去学习。本教程并非想要说明 Python 是一种万能的语言；相反，作者明确讨论了在几种情况下，Python 并不是一种明智的选择。本教程的目的只是提供对 Python 一些核心特征的评论，并阐述作为一种通用的科学计算语言，它比其他常用的替代方案（最著名的是 R 和 Matlab）更有优势。
本教程的其余部分假定你已经有了一些编程经验，如果你非常精通其他以数据为中心的语言（如 R 或 Matlab），理解本教程就会非常容易。本教程不能算作一份关于 Python 的介绍，且文章重点在于为什么应该学习 Python 而不是怎样写 Python 代码（尽管其他地方有大量的优秀教程）。
概述Python 是一种广泛使用、易于学习、高级、通用的动态编程语言。这很令人满意，所以接下来分开讨论一些特征。
Python（相对来说）易于学习编程很难，因此从绝对意义上来说，除非你已经拥有编程经验，否则编程语言难以学习。但是，相对而言，Python 的高级属性（见下一节）、语法可读性和语义直白性使得它比其他语言更容易学习。例如，这是一个简单 Python 函数的定义（故意未注释），它将一串英语单词转换为
（crummy）Pig Latin：def pig_latin(text): ''' Takes in a sequence of words and converts it to (imperfect) pig latin. ''' word_list = text.split(' ') output_list = [] for word in word_list: word = word.lower() if word.isalpha(): first_char = word[0] if first_char in 'aeiou': word = word + 'ay' else: word = word[1:] + first_char + 'yay' output_list.append(word) pygged = ' '.join(output_list) return pygged以上函数事实上无法生成完全有效的 Pig Latin（假设存在「有效 Pig Latin」），但这没有关系。有些情况下它是可行的：
test1 = pig_latin("let us see if this works")print(test1)抛开 Pig Latin 不说，这里的重点只是，出于几个原因，代码是很容易阅读的。首先，代码是在高级抽象中编写的（下面将详细介绍），因此每行代码都会映射到一个相当直观的操作。这些操作可以是「取这个单词的第一个字符」，而不是映射到一个没那么直观的低级操作，例如「为一个字符预留一个字节的内存，稍后我会传入一个字符」。其次，控制结构（如，for—loops，if—then 条件等）使用诸如「in」，「and」和「not」的简单单词，其语义相对接近其自然英语含义。第三，Python 对缩进的严格控制强加了一种使代码可读的规范，同时防止了某些常见的错误。第四，Python 社区非常强调遵循样式规定和编写「Python 式的」代码，这意味着相比使用其他语言的程序员而言，Python 程序员更倾向于使用一致的命名规定、行的长度、编程习惯和其他许多类似特征，它们共同使别人的代码更易阅读（尽管这可以说是社区的一个特征而不是语言本身）。
Python 是一种高级语言与其他许多语言相比，Python 是一种相对「高级」的语言：它不需要（并且在许多情况下，不允许）用户担心太多底层细节，而这是其他许多语言需要去处理的。例如，假设我们想创建一个名为「my_box_of_things」的变量当作我们所用东西的容器。我们事先不知道我们想在盒子中保留多少对象，同时我们希望在添加或删除对象时，对象数量可以自动增减。所以这个盒子需要占据一个可变的空间：在某个时间点，它可能包含 8 个对象（或「元素」），而在另一个时间点，它可能包含 257 个对象。在像 C 这样的底层语言中，这个简单的要求就已经给我们的程序带来了一些复杂性，因为我们需要提前声明盒子需要占据多少空间，然后每次我们想要增加盒子需要的空间时，我么需要明确创建一个占据更多空间的全新的盒子，然后将所有东西拷贝到其中。
相比之下，在 Python 中，尽管在底层这些过程或多或少会发生（效率较低），但我们在使用高级语言编写时并不需要担心这一部分。从我们的角度来看，我们可以创建自己的盒子并根据喜好添加或删除对象：
# Create a box (really, a 'list') with 5 things# Create my_box_of_things = ['Davenport', 'kettle drum', 'swallow-tail coat', 'table cloth', 'patent leather shoes']print(my_box_of_things)['Davenport', 'kettle drum', 'swallow-tail coat', 'table cloth', 'patent leather shoes']# Add a few more thingsmy_box_of_things += ['bathing suit', 'bowling ball', 'clarinet', 'ring']# Maybe add one last thingmy_box_of_things.append('radio that only needs a fuse')# Let's see what we have...print(my_box_of_things)更一般来说，Python（以及根据定义的其他所有高级语言）倾向于隐藏需要在底层语言中明确表达的各种死记硬背的声明。这使得我们可以编写非常紧凑、清晰的代码（尽管它通常以降低性能为代价，因为内部不再可访问，因此优化变得更加困难）。
例如，考虑从文件中读取纯文本这样看似简单的行为。对于与文件系统直接接触而伤痕累累的开发者来说，从概念上看似乎只需要两个简单的操作就可以完成：首先打开一个文件，然后从其中读取。实际过程远不止这些，并且比 Python 更底层的语言通常强制（或至少是鼓励）我们去承认这一点。例如，这是在 Java 中从文件中读取内容的规范（尽管肯定不是最简洁的）方法：
import java.io.BufferedReader;import java.io.FileReader;import java.io.IOException;public class ReadFile { public static void main(String[] args) throws IOException{ String fileContents = readEntireFile("./foo.txt"); } private static String readEntireFile(String filename) throws IOException { FileReader in = new FileReader(filename); StringBuilder contents = new StringBuilder(); char[] buffer = new char[4096]; int read = 0; do { contents.append(buffer, 0, read); read = in.read(buffer); } while (read >= 0); return contents.toString(); }}你可以看到我们不得不做一些令人苦恼的事，例如导入文件读取器、为文件中的内容创建一个缓存，以块的形式读取文件块并将它们分配到缓存中等等。相比之下，在 Python 中，读取文件中的全部内容只需要如下代码：
# Read the contents of "hello_world.txt"text = open("hello_world.txt").read()当然，这种简洁性并不是 Python 独有的；还有其他许多高级语言同样隐藏了简单请求所暗含的大部分令人讨厌的内部过程（如，Ruby，R，Haskell 等）。但是，相对来说比较少有其他语言能与接下来探讨的 Python 特征相媲美。
Python 是一种通用语言根据设计，Python 是一种通用的语言。也就是说，它旨在允许程序员在任何领域编写几乎所有类型的应用，而不是专注于一类特定的问题。在这方面，Python 可以与（相对）特定领域的语言进行对比，如 R 或 PHP。这些语言原则上可用于很多情形，但仍针对特定用例进行了明确优化（在这两个示例中，分别用于统计和网络后端开发）。
Python 通常被亲切地成为「所有事物的第二个最好的语言」，它很好地捕捉到了这样的情绪，尽管在很多情况下 Python 并不是用于特定问题的最佳语言，但它通常具有足够的灵活性和良好的支持性，使得人们仍然可以相对有效地解决问题。事实上，Python 可以有效地应用于许多不同的应用中，这使得学习 Python 成为一件相当有价值的事。因为作为一个软件开发人员，能够使用单一语言实现所有事情，而不是必须根据所执行的项目在不同语言和环境间进行切换，是一件非常棒的事。
标准库
通过浏览标准库中可用的众多模块列表，即 Python 解释器自带的工具集（没有安装第三方软件包），这可能是最容易理解 Python 通用性的方式。若考虑以下几个示例：
os: 系统操作工具
re：正则表达
collections：有用的数据结构
multiprocessing：简单的并行化工具
pickle：简单的序列化
json：读和写 JSON
argparse：命令行参数解析
functools：函数化编程工具
datetime：日期和时间函数
cProfile：分析代码的基本工具
这张列表乍一看并不令人印象深刻，但对于 Python 开发者来说，使用它们是一个相对常见的经历。很多时候用谷歌搜索一个看似重要甚至有点深奥的问题，我们很可能找到隐藏在标准库模块内的内置解决方案。
JSON，简单的方法
例如，假设你想从 web.JSON 中读取一些 JSON 数据，如下所示：
data_string = '''[ { "_id": "59ad8f86450c9ec2a4760fae", "name": "Dyer Kirby", "registered": "2016-11-28T03:41:29 +08:00", "latitude": -67.170365, "longitude": 130.932548, "favoriteFruit": "durian" }, { "_id": "59ad8f8670df8b164021818d", "name": "Kelly Dean", "registered": "2016-12-01T09:39:35 +08:00", "latitude": -82.227537, "longitude": -175.053135, "favoriteFruit": "durian" }]'''我们可以花一些时间自己编写 json 解析器，或试着去找一个有效读取 json 的第三方包。但我们很可能是在浪费时间，因为 Python 内置的 json 模块已经能完全满足我们的需要：
import jsondata = json.loads(data_string)print(data)'''[{'_id': '59ad8f86450c9ec2a4760fae', 'name': 'Dyer Kirby', 'registered': '2016-11-28T03:41:29 +08:00', 'latitude': -67.170365, 'longitude': 130.932548, 'favoriteFruit': 'durian'}, {'_id': '59ad8f8670df8b164021818d', 'name': 'Kelly Dean', 'registered': '2016-12-01T09:39:35 +08:00', 'latitude': -82.227537, 'longitude': -175.053135, 'favoriteFruit': 'durian'}]请注意，在我们能于 json 模块内使用 loads 函数前，我们必须导入 json 模块。这种必须将几乎所有功能模块明确地导入命名空间的模式在 Python 中相当重要，且基本命名空间中可用的内置函数列表非常有限。许多用过 R 或 Matlab 的开发者会在刚接触时感到恼火，因为这两个包的全局命名空间包含数百甚至上千的内置函数。但是，一旦你习惯于输入一些额外字符，它就会使代码更易于读取和管理，同时命名冲突的风险（R 语言中经常出现）被大大降低。
优异的外部支持
当然，Python 提供大量内置工具来执行大量操作并不意味着总需要去使用这些工具。可以说比 Python 丰富的标准库更大的卖点是庞大的 Python 开发者社区。多年来，Python 一直是世界上最流行的动态编程语言，开发者社区也贡献了众多高质量的安装包。
如下 Python 软件包在不同领域内提供了被广泛使用的解决方案（这个列表在你阅读本文的时候可能已经过时了！）：
Web 和 API 开发：flask，Django，Falcon，hug
爬取数据和解析文本/标记： requests，beautifulsoup，scrapy
自然语言处理（NLP）：nltk，gensim，textblob
数值计算和数据分析：numpy，scipy，pandas，xarray
机器学习：scikit-learn，Theano，Tensorflow，keras
图像处理：pillow，scikit-image，OpenCV
作图：matplotlib，seaborn，ggplot，Bokeh
等等
Python 的一个优点是有出色的软件包管理生态系统。虽然在 Python 中安装包通常比在 R 或 Matlab 中更难，这主要是因为 Python 包往往具有高度的模块化和/或更多依赖于系统库。但原则上至少大多数 Python 的包可以使用 pip 包管理器通过命令提示符安装。更复杂的安装程序和包管理器，如 Anaconda 也大大减少了配置新 Python 环境时产生的痛苦。
Python 是一种（相对）快速的语言这可能令人有点惊讶：从表面上看，Python 是一种快速语言的说法看起来很愚蠢。因为在标准测试时，和 C 或 Java 这样的编译语言相比，Python 通常会卡顿。毫无疑问，如果速度至关重要（例如，你正在编写 3D 图形引擎或运行大规模的流体动力学模拟实验），Python 可能不会成为你最优选择的语言，甚至不会是第二好的语言。但在实际中，许多科学家工作流程中的限制因素不是运行时间而是开发时间。一个花费一个小时运行但只需要 5 分钟编写的脚本通常比一个花费 5 秒钟运行但是需要一个礼拜编写和调试的脚本更合意。此外，正如我们将在下面看到的，即使我们所用的代码都用 Python 编写，一些优化操作通常可以使其运行速度几乎与基于 C 的解决方案一样快。实际上，对大多数科学家家来说，基于 Python 的解决方案不够快的情况并不是很多，而且随着工具的改进，这种情况的数量正在急剧减少。
不要重复做功
软件开发的一般原则是应该尽可能避免做重复工作。当然，有时候是没法避免的，并且在很多情况下，为问题编写自己的解决方案或创建一个全新的工具是有意义的。但一般来说，你自己编写的 Python 代码越少，性能就越好。有以下几个原因：
Python 是一种成熟的语言，所以许多现有的包有大量的用户基础并且经过大量优化。例如，对 Python 中大多数核心科学库（numpy，scipy，pandas 等）来说都是如此。
大多数 Python 包实际上是用 C 语言编写的，而不是用 Python 编写的。对于大多数标准库，当你调用一个 Python 函数时，实际上很大可能你是在运行具有 Python 接口的 C 代码。这意味着无论你解决问题的算法有多精妙，如果你完全用 Python 编写，而内置的解决方案是用 C 语言编写的，那你的性能可能不如内置的方案。例如，以下是运行内置的 sum 函数（用 C 编写）：
# Create a list of random floatsimport randommy_list = [random.random() for i in range(10000)]# Python's built-in sum() function is pretty fast%timeit sum(my_list)47.7 µs ± 4.5 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)从算法上来说，你没有太多办法来加速任意数值列表的加和计算。所以你可能会想这是什么鬼，你也许可以用 Python 自己写加和函数，也许这样可以封装内置 sum 函数的开销，以防它进行任何内部验证。嗯……并非如此。
def ill_write_my_own_sum_thank_you_very_much(l): s = 0 for elem in my_list: s += elem return s%timeit ill_write_my_own_sum_thank_you_very_much(my_list)331 µs ± 50.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)至少在这个例子中，运行你自己简单的代码很可能不是一个好的解决方案。但这不意味着你必须使用内置 sum 函数作为 Python 中的性能上限！由于 Python 没有针对涉及大型输入的数值运算进行优化，因此内置方法在加和大型列表时是表现次优。在这种情况下我们应该做的是提问：「是否有其他一些 Python 库可用于对潜在的大型输入进行数值分析？」正如你可能想的那样，答案是肯定的：NumPy 包是 Python 的科学生态系统中的主要成分，Python 中的绝大多数科学计算包都以某种方式构建在 NumPy 上，它包含各种能帮助我们的计算函数。
在这种情况下，新的解决方案是非常简单的：如果我们将纯 Python 列表转化为 NumPy 数组，我们就可以立即调用 NumPy 的 sum 方法，我们可能期望它应该比核心的 Python 实现更快（技术上讲，我们可以传入一个 Python 列表到 numpy.sum 中，它会隐式地将其转换为数组，但如果我们打算复用该 NumPy 数组，最好明确地转化它）。
import numpy as npmy_arr = np.array(my_list)%timeit np.sum(my_arr)7.92 µs ± 1.15 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)因此简单地切换到 NumPy 可加快一个数量级的列表加和速度，而不需要自己去实现任何东西。
需要更快的速度？
当然，有时候即使使用所有基于 C 的扩展包和高度优化的实现，你现有的 Python 代码也无法快速削减时间。在这种情况下，你的下意识反应可能是放弃并转化到一个「真正」的语言。并且通常，这是一种完全合理的本能。但是在你开始使用 C 或 Java 移植代码前，你需要考虑一些不那么费力的方法。
使用 Python 编写 C 代码
首先，你可以尝试编写 Cython 代码。Cython 是 Python 的一个超集（superset），它允许你将（某些）C 代码直接嵌入到 Python 代码中。Cython 不以编译的方式运行，相反你的 Python 文件（或其中特定的某部分）将在运行前被编译为 C 代码。实际的结果是你可以继续编写看起来几乎完全和 Python 一样的代码，但仍然可以从 C 代码的合理引入中获得性能提升。特别是简单地提供 C 类型的声明通常可以显著提高性能。
以下是我们简单加和代码的 Cython 版本：
# Jupyter extension that allows us to run Cython cell magics%load_ext CythonThe Cython extension is already loaded. To reload it, use: %reload_ext Cython%%%%cythoncython defdef ill_write_my_own_cython_sum_thank_you_very_muchill_write (list arr): cdef int N = len(arr) cdef float x = arr[0] cdef int i for i in range(1 ,N): x += arr[i] return x%timeit ill_write_my_own_cython_sum_thank_you_very_much(my_list)227 µs ± 48.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)关于 Cython 版本有几点需要注意一下。首先，在你第一次执行定义该方法的单元时，需要很少的（但值得注意的）时间来编译。那是因为，与纯粹的 Python 不同，代码在执行时不是逐行解译的；相反，Cython 式的函数必须先编译成 C 代码才能调用。
其次，虽然 Cython 式的加和函数比我们上面写的简单的 Python 加和函数要快，但仍然比内置求和方法和 NumPy 实现慢得多。然而，这个结果更有力地说明了我们特定的实现过程和问题的本质，而不是 Cython 的一般好处；在许多情况下，一个有效的 Cython 实现可以轻易地将运行时间提升一到两个数量级。
使用 NUMBA 进行清理
Cython 并不是提升 Python 内部性能的唯一方法。从开发的角度来看，另一种更简单的方法是依赖于即时编译，其中一段 Python 代码在第一次调用时被编译成优化的 C 代码。近年来，在 Python 即时编译器上取得了很大进展。也许最成熟的实现可以在 numba 包中找到，它提供了一个简单的 jit 修饰器，可以轻易地结合其他任何方法。
我们之前的示例并没有强调 JITs 可以产生多大的影响，所以我们转向一个稍微复杂点的问题。这里我们定义一个被称为 multiply_randomly 的新函数，它将一个一维浮点数数组作为输入，并将数组中的每个元素与其他任意一个随机选择的元素相乘。然后它返回所有随机相乘的元素和。
让我们从定义一个简单的实现开始，我们甚至都不采用向量化来代替随机相乘操作。相反，我们简单地遍历数组中的每个元素，从中随机挑选一个其他元素，将两个元素相乘并将结果分配给一个特定的索引。如果我们用基准问题测试这个函数，我们会发现它运行得相当慢。
import numpy as npdef multiply_randomly_naive(l): n = l.shape[0] result = np.zeros(shape=n) for i in range(n): ind = np.random.randint(0, n) result[i] = l[i] * l[ind] return np.sum(result)%timeit multiply_randomly_naive(my_arr)25.7 ms ± 4.61 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)在我们即时编译之前，我们应该首先自问是否上述函数可以用更加符合 NumPy 形式的方法编写。NumPy 针对基于数组的操作进行了优化，因此应该不惜一切代价地避免使用循环操作，因为它们会非常慢。幸运的是，我们的代码非常容易向量化（并且易于阅读）：
def multiply_randomly_vectorized(l): n = len(l) inds = np.random.randint(0, n, size=n) result = l * l[inds] return np.sum(result)%timeit multiply_randomly_vectorized(my_arr)234 µs ± 50.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)在作者的机器上，向量化版本的运行速度比循环版本的代码快大约 100 倍。循环和数组操作之间的这种性能差异对于 NumPy 来说是非常典型的，因此我们要在算法上思考你所做的事的重要性。
假设我们不是花时间重构我们朴素的、缓慢的实现，而是简单地在我们的函数上加一个修饰器去告诉 numba 库我们要在第一次调用它时将函数编译为 C。字面上，下面的函数 multiply_randomly_naive_jit 与上面定义的函数 multiply_randomly_naive 之间的唯一区别是 @jit 修饰器。当然，4 个小字符是没法造成那么大的差异的。对吧？
import numpy as npfrom numba import jit@jitdef multiply_randomly_naive_jit(l): n = l.shape[0] result = np.zeros(shape=n) for i in range(n): ind = np.random.randint(0, n) result[i] = l[i] * l[ind] return np.sum(result)%timeit multiply_randomly_naive_jit(my_arr)135 µs ± 22.4 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)令人惊讶的是，JIT 编译版本的朴素函数事实上比向量化的版本跑得更快。
有趣的是，将 @jit 修饰器应用于函数的向量化版本（将其作为联系留给读者）并不能提供更多帮助。在 numba JIT 编译器用于我们的代码之后，Python 实现的两个版本都以同样的速度运行。因此，至少在这个例子中，即时编译不仅可以毫不费力地为我们提供类似 C 的速度，而且可以避免以 Python 式地去优化代码。
这可能是一个相当有力的结论，因为（a）现在 numba 的 JIT 编译器只覆盖了 NumPy 特征的一部分，（b）不能保证编译的代码一定比解译的代码运行地更快（尽管这通常是一个有效的假设）。这个例子真正的目的是提醒你，在你宣称它慢到无法去实现你想要做的事之前，其实你在 Python 中有许多可用的选择。值得注意的是，如 C 集成和即时编译，这些性能特征都不是 Python 独有的。Matlab 最近的版本自动使用即时编译，同时 R 支持 JIT 编译（通过外部库）和 C ++ 集成（Rcpp）。
Python 是天生面向对象的即使你正在做的只是编写一些简短的脚本去解析文本或挖掘一些数据，Python 的许多好处也很容易领会到。在你开始编写相对大型的代码片段前，Python 的最佳功能之一可能并不明显：Python 具有设计非常优雅的基于对象的数据模型。事实上，如果你查看底层，你会发现 Python 中的一切都是对象。甚至函数也是对象。当你调用一个函数的时候，你事实上正在调用 Python 中每个对象都运行的 __call__ 方法：
def double(x): return x*2# Lists all object attributesdir(double)['__annotations__', '__call__', '__class__', '__closure__', '__code__', '__defaults__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__get__', '__getattribute__', '__globals__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__kwdefaults__', '__le__', '__lt__', '__module__', '__name__', '__ne__', '__new__', '__qualname__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__']事实上，因为 Python 中的一切都是对象，Python 中的所有内容遵循相同的核心逻辑，实现相同的基本 API，并以类似的方式进行扩展。对象模型也恰好非常灵活：可以很容易地定义新的对象去实现有意思的事，同时仍然表现得相对可预测。也许并不奇怪，Python 也是编写特定领域语言（DSLs）的一个绝佳选择，因为它允许用户在很大程度上重载和重新定义现有的功能。
魔术方法
Python 对象模型的核心部分是它使用「魔术」方法。这些在对象上实现的特殊方法可以更改 Python 对象的行为——通常以重要的方式。魔术方法（Magic methods）通常以双下划线开始和结束，一般来说，除非你知道自己在做什么，否则不要轻易篡改它们。但一旦你真的开始改了，你就可以做些相当了不起的事。
举个简单的例子，我们来定义一个新的 Brain 对象。首先，Barin 不会进行任何操作，它只会待在那儿礼貌地发呆。
class Brain(object): def __init__(self, owner, age, status): self.owner = owner self.age = age self.status = status def __getattr__(self, attr): if attr.startswith('get_'): attr_name = attr.split('_')[1] if hasattr(self, attr_name): return lambda: getattr(self, attr_name) raise AttributeError在 Python 中，__init__ 方法是对象的初始化方法——当我们尝试创建一个新的 Brain 实例时，它会被调用。通常你需要在编写新类时自己实现__init__，所以如果你之前看过 Python 代码，那__init__ 可能看起来就比较熟悉了，本文就不再赘述。
相比之下，大多数用户很少明确地实现__getattr__方法。但它控制着 Python 对象行为的一个非常重要的部分。具体来说，当用户试图通过点语法（如 brain.owner）访问类属性，同时这个属性实际上并不存在时，__getattr__方法将会被调用。此方法的默认操作仅是引发一个错误：
# Create a new Brain instancebrain = Brain(owner="Sue", age="62", status="hanging out in a jar")print(brain.owner)---------------------------------------------------------------------------sueprint(brain.gender)---------------------------------------------------------------------------AttributeError Traceback (most recent call last)<ipython-input-136-52813a6b3567> in <module>()----> 1 print(brain.gender)<ipython-input-133-afe64c3e086d> in __getattr__(self, attr) 12 if hasattr(self, attr_name): 13 return lambda: getattr(self, attr_name)---> 14 raise AttributeErrorAttributeError:重要的是，我们不用忍受这种行为。假设我们想创建一个替代接口用于通过以「get」开头的 getter 方法从 Brain 类的内部检索数据（这是许多其他语言中的常见做法），我们当然可以通过名字（如 get_owner、get_age 等）显式地实现 getter 方法。但假设我们很懒，并且不想为每个属性编写一个显式的 getter。此外，我们可能想要为已经创建的 Brains 类添加新的属性（如，brain.foo = 4），在这种情况下，我们不需要提前为那些未知属性创建 getter 方法（请注意，在现实世界中，这些是为什么我们接下来要这么做的可怕理由；当然这里完全是为了举例说明）。我们可以做的是，当用户请求任意属性时，通过指示 Brain 类的操作去改变它的行为。
在上面的代码片段中，我们的 __getattr__ 实现首先检查了传入属性的名称。如果名称以 get_ 开头，我们将检查对象内是否存在期望属性的名称。如果确实存在，则返回该对象。否则，我们会引发错误的默认操作。这让我们可以做一些看似疯狂的事，比如：
print(brain.get_owner())其他不可思议的方法允许你动态地控制对象行为的其他各种方面，而这在其他许多语言中你没法做到。事实上，因为 Python 中的一切都是对象，甚至数学运算符实际上也是对对象的秘密方法调用。例如，当你用 Python 编写表达式 4 + 5 时，你实际上是在整数对象 4 上调用 __add__，其参数为 5。如果我们愿意（并且我们应该小心谨慎地行使这项权利！），我们能做的是创建新的特定领域的「迷你语言」，为通用运算符注入全新的语义。
举个简单的例子，我们来实现一个表示单一 Nifti 容积的新类。我们将依靠继承来实现大部分工作；只需从 nibabel 包中继承 NiftierImage 类。我们要做的就是定义 __and__ 和 __or__ 方法，它们分别映射到 & 和 | 运算符。看看在执行以下几个单元前你是否搞懂了这段代码的作用（可能你需要安装一些包，如 nibabel 和 nilearn）。
from nibabel import Nifti1Imagefrom nilearn.image import new_img_likefrom nilearn.plotting import plot_stat_mapimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlineclass LazyMask(Nifti1Image): ''' A wrapper for the Nifti1Image class that overloads the & and | operators to do logical conjunction and disjunction on the image data. ''' def __and__(self, other): if self.shape != other.shape: raise ValueError("Mismatch in image dimensions: %s vs. %s" % (self.shape, other.shape)) data = np.logical_and(self.get_data(), other.get_data()) return new_img_like(self, data, self.affine) def __or__(self, other): if self.shape != other.shape: raise ValueError("Mismatch in image dimensions: %s vs. %s" % (self.shape, other.shape)) data = np.logical_or(self.get_data(), other.get_data()) return new_img_like(self, data, self.affine)img1 = LazyMask.load('image1.nii.gz')img2 = LazyMask.load('image2.nii.gz')result = img1 & img2fig, axes = plt.subplots(3, 1, figsize=(15, 6))p = plot_stat_map(img1, cut_coords=12, display_mode='z', title='Image 1', axes=axes[0], vmax=3)plot_stat_map(img2, cut_coords=p.cut_coords, display_mode='z', title='Image 2', axes=axes[1], vmax=3)p = plot_stat_map(result, cut_coords=p.cut_coords, display_mode='z', title='Result', axes=axes[2], vmax=3)Python 社区我在这里提到的 Python 的最后一个特征就是它优秀的社区。当然，每种主要的编程语言都有一个大型的社区致力于该语言的开发、应用和推广；关键是社区内的人是谁。一般来说，围绕编程语言的社区更能反映用户的兴趣和专业基础。对于像 R 和 Matlab 这样相对特定领域的语言来说，这意味着为语言贡献新工具的人中很大一部分不是软件开发人员，更可能是统计学家、工程师和科学家等等。当然，统计学家和工程师没什么不好。例如，与其他语言相比，统计学家较多的 R 生态系统的优势之一就是 R 具有一系列统计软件包。
然而，由统计或科学背景用户所主导的社区存在缺点，即这些用户通常未受过软件开发方面的训练。因此，他们编写的代码质量往往比较低（从软件的角度看）。专业的软件工程师普遍采用的最佳实践和习惯在这种未经培训的社区中并不出众。例如，CRAN 提供的许多 R 包缺少类似自动化测试的东西——除了最小的 Python 软件包之外，这几乎是闻所未闻的。另外在风格上，R 和 Matlab 程序员编写的代码往往在人与人之间的一致性方面要低一些。结果是，在其他条件相同的情况下，用 Python 编写软件往往比用 R 编写的代码具备更高的稳健性。虽然 Python 的这种优势无疑与语言本身的内在特征无关（一个人可以使用任何语言（包括 R、Matlab 等）编写出极高质量的代码），但仍然存在这样的情况，强调共同惯例和最佳实践规范的开发人员社区往往会使大家编写出更清晰、更规范、更高质量的代码。
结论Python 太棒了。
什么大程序都不会编？
编程其实是很讲究实战的，理论的东西讲的太多了就比较枯燥，而且自己没有实际编写更难以理解。
谭浩强的书理论偏多，大多涉及到算法，编程中很多有意思的知识点书中都没有提到，大学老师讲课时按照教材按部就班的讲，把一门有意思的计算机编程课反而讲的像高等数学一样枯燥。
可能老师的编程经验也相对较少，讲课就是按照教材内容来讲，不枯燥才怪，这样的课程没有发掘出学习的乐趣和动力。个人认为大学教材可以适当的变一变，以实际项目出发，老师课上先演示已经编好的程序，程序里面可以涉及到要学习的各种语法和算法，
例如用C语言实现一个抓包程序，把通过网卡的流量按照TCP、UDP、ICMP打印出来。这个程序已经涵盖到了很多基础知识：变量的定义、内存分配、结构体、文件操作、网络通信、循环语句、指针等，或者演示用wireshark来分析网络流量
之后教学生自己编写一个抓包程序，让学生对编程产生兴趣，之后在讲课中不断的渗透涉及到抓包程序的知识，当然学生可能开始不懂，可以慢慢跟着老师学，只要跟着老师学下来就会明白这个程序的实现原理，在不知不觉中也学会了很多C语言知识，也会觉得课程更具有趣味性。
我认为学习编程可以从一个自己想开发的项目开始，这样更容易进行下去，一路上肯定有很多不懂，一边按照自己的想法开发项目，一边去学习。因为是自己想开发的项目，有一个目标需要自己去完成，这其中要不断的学习，解决困难。通过一个项目是很好的学习编程的方式。
用C语言实现的项目很少，C语言主要用在操作系统开发或者嵌入式编程上，你可以先从python学起，python入门相对简单，可以用来开发web项目或者爬虫等。有了一定的基础之后在回头学习C语言，再看谭浩强的书都是一些基础知识，可以很快学会。大学课程上讲的枯燥用了大量时间来讲理论和算法，太枯燥离实战又太远，学生听课是懵的，又感觉没学会啥，自己又写不出什么项目，信心和积极性很受打击的。
推荐一本零基础学python的书，这本书是基于python3.8版本的比较新，还含有视频教程，关键是既有基础知识又有实战项目，还有很多实例，这样在学习的过程中就不会感觉到枯燥，更愿意主动去学习，从而进步更快！
{!-PGC_COMMODITY:{"charge_url":"https://u.jd.com/w8BJgzg","client_goods_data":"{\"promotion_id\":\"3383262017079087066\",\"product_id\":\"12353915\",\"title\":\"零基础学Python（全彩版）Python3.8 全新升级\",\"cover\":\"https:\\/\\/p1.toutiaoimg.com\\/img\\/cmp-ecom-alliance\\/FpS_sEihvfOJwhqF8kJRbKpczetr.jpg~400x0.webp\",\"price\":6980,\"market_price\":6980,\"cos_fee\":279,\"detail_url\":\"sslocal:\\/\\/webview?swipe_mode=1&url=https%3A%2F%2Fu.jd.com%2FwUBAqRi\",\"sales\":4543,\"item_type\":8,\"cos_ratio\":4,\"favor\":false,\"in_shop\":false,\"platform_label\":\"京东\",\"h5_url\":\"https:\\/\\/u.jd.com\\/wUBAqRi\",\"selling_point\":\"\",\"coupon_amount\":0,\"elastic_title\":\"零基础学Python\"}","commodity_id":"3383262017079087066","detail_url":"sslocal://webview?swipe_mode=1&url=https%3A%2F%2Fu.jd.com%2FwUBAqRi","goods_json":"{\"original_price\":69.8,\"price\":69.8,\"real_url\":\"https:\\/\\/u.jd.com\\/wUBAqRi\",\"shop_goods_id\":\"12353915\"}","img_url":"http://sf1-cdn-tos.toutiaostatic.com/obj/cmp-ecom-alliance/FpS_sEihvfOJwhqF8kJRbKpczetr.jpg","item_type":8,"origin_price":"","price":69.8,"promotion_id":"3383262017079087066","promotion_source":8,"source":"京东","title":"零基础学Python（全彩版）Python3.8 全新升级"} --}
黑客之家号分享黑客技术，物联网、GO、Python、Kotlin、Android、Java编程知识，科技资讯等喜欢的朋友可以点赞、转发、关注！
如何评价PHP和Python？
性能方面用合适的语言PHP或者Java就可以了
Python是万能的胶水语言，做爬虫，数据分析是最好的
PHP7+Swoole性能方面可以大大提升，如果你已经是一名PHP程序员了建议你深入
入门简单，深入难，市场目前大多数PHPer停留在初级阶段，高级程序员很少
进阶中高级需要学习PHP优化，Swoole接口，微服务，Mysql底层优化等，才能拥有一份25K左右的薪资，让自己有一些市场竞争力度！等你有一定经验后，想要进阶CTO、架构师的话，高并发分流，分布式缓存、RPC、API架构设计等技术都必将掌握！如果你想要往架构师或TL的方向发展的话，那或许你可以看一下我分享给你的这份进阶路线图，主要针对1到5年及以上的PHP开发人员，里面的技术包涵了PHP高并发、分布式、微服务、框架内核、高性能等技术！！还准备了一套中高级进阶学习教程，分享tp,laravel，Swoole，swoft微服务等教程，每天还有12年的架构师做讲解，需要可关注本号，并且发送私信关键词：PHP怎么自学数据分析？
不管是运营APP，还是运营微信公众号，头号号，大鱼号，还是百家号，新媒体数据不仅是数据工程师和分析师的事情，在工作中也要求运营从业者有一定的数据分析能力。
新媒体数据分析
公子义认为数据是优化新媒体运营关键所在，能更好推动运营策略和工作的开展。
但运营童鞋多是数据小白，没有编程和技术基础，该怎么分析并用好数据呢？
今天从运营常见的数据问题出发，希望让大家能快速地入门数据分析，让数据更好地为工作服务，别白白浪费数据的价值。
一、数据分析应该从哪里入手？
从哪些角度入手？这是运营小伙伴们最头痛的问题，不知道该关注、分析哪些数据，就算拿到数据后，也不知道到底从哪些方面去分析这些运营数据。
新媒体数据分析
公子义给小伙伴们整理一些运营常见的数据指标，也总结了一些比较适用的分析角度，希望有用~
1、新媒体运营关注的常见数据指标
1）访问：PV、UV、IP（最常见）；跳出率、平均访问时长、平均访问页数等；
2）注册：关注人数、关注走势、累计关注人数、转化率等；
用户
1）活跃：内容PV、UV；UGC、PGC、文章数、关注数、阅读数、互动数（评论、点赞等）、传播数（转发、分享等）；
用户喜好文章的类型
2）互动人数：每日评论人数、收藏人数、分享人数等
3）头像：分析用户属性，关注年龄、性别、学历、职业、地域、婚否、收入、兴趣等；
2、新媒体运营数据分析要遵循哪些原则？
但是运营毕竟不是专业的数据分析师，主要能用好这些原则就够了~
对比：分成横向和纵向对比，比如纵向的同环比分析，横向的不同产品、不同渠道的对比等；
走势（变化）：指标随时间的变动，表现为增幅（同比、环比等）；
分布：这个好理解，比如说用户不同年龄段的分类、不同职业的分布、不同地域分布等；
用户地域分布图
细分：从多层级去了解数据，比如分析全国不同省份不同城市的具体订单数据，从全国—省份—城市一一下钻深入分析；
如何变身自己的“专属分析师”呢~数据分析的整个过程：确定指标——数据收集——数据整合、数据处理/建模、数据分析、数据呈现、报表整理
数据收集：可通过公司数据库埋点获得，可以通过号、微信公众号、大鱼号、百家号等媒体平台获得，也通过一些记录的数据获得。
数据整合：运营人要看的数据太多了，有数据库，有各种第三平台的数据（新榜、清博指数、公众号等），每次都需要从不同平台取数据，太分散了，最好能在一个数据平台集中管理数据。
爆款文章数据分析
数据分析：可参考分析方法，比如“求和、计数、同环比、多粒度下钻”等分析，一般在Excel中需通过写公式搞定。
数据呈现（可视化）：
简单地说，就是如何制图呗，报表汇报：将数据通过表格、图表或其他形式向领导汇报。如何不依赖分析师，自己搞定数据分析呢？
1、学习一些数据分析理论。（数据思维）
2、了解、熟悉业务，这点很重要。（业务思路）
3、学习一些数据分析工具。（工具辅助）以我的个人经验来看，真正把握这些真真是够了
二、如何制作让老板满意的好看图表？
没有哪个老板喜欢杂乱的表格数据，颜值才是王道啊。简单地说，就是数据如何可视化，让数据直观、明了。
分析数据占比：分析单维度的数据占比可用饼/环图、分析多维度的数据占比，可用旭日图和矩形树图。
分析数据走线图：最常用的是折线图，柱状图也可以表达，直观度略低于折线图。分析地区分布：全国、省份分布可用行政地图，更详细的地域分布可用经纬。
用户分析词频
分析词频：比如用户的职位分布，可用词云，有3D效果哦~分析转化效果：那肯定用漏斗图最最合适。
关于转化，分享一个自己身边的真实故事。每个图表都有适合的使用场景，用好各种图表很重要，直接影响到数据的直观和美观程度。
三、如何快速找到数据背后的问题？
做了那么多的数据工作，最终无非是为了从数据中去发现问题，不断优化运营策略。
不论数据是上升了还是下降了，肯定有其变化的原因，这里以用户数据变化为例了解一下快速找到问题的思路。
看数据—发现问题—解决问题—再看数据—问题解决，或者看数据—发现增长—找到原因—继续应用。
作者 l 公子义
来源 l 公子义（ID：gongzi348）