Python-100-Days：Python学习路径，100天从新手到全栈实战的完整地图

Python-100-Days：Python学习路径，100天从新手到全栈实战的完整地图

【免费下载链接】Python-100-DaysPython - 100天从新手到大师项目地址: https://gitcode.com/GitHub_Trending/py/Python-100-Days

Python-100-Days是一套100天从新手到大师的Python学习路径，把语言基础、算法、数据分析、机器学习到Web开发拆成每天可执行的小目标，配上真实数据集和可运行案例。适合零基础在校学生、想系统补漏的转行者，以及有基础想进阶的开发者。

快速上手

把仓库克隆下来即可开始：git clone https://gitcode.com/GitHub_Trending/py/Python-100-Days，环境要求只有Python 3.8以上，后段的分析案例还需要Jupyter Notebook。第一个能跑起来的入口在 Day31-35/code/example01.py，装好numpy和matplotlib就能执行，几秒内看到复杂度对比图。不用一口气装齐所有依赖，用到哪段再pip安装对应库。

核心能力拆解

用画图理解排序和查找算法的复杂度差距

做数据处理前，先要回答一个问题：数据量大时，哪种写法不卡？这个项目没有只讲结论，而是把"复杂度"画了出来。

example01.py 里顺序查找和二分查找并排实现，再用matplotlib画出对数、线性、平方、立方等曲线的增长对比。核心逻辑不长：

def bin_search(items, elem): start, end = 0, len(items) - 1 while start <= end: mid = (start + end) // 2 if elem > items[mid]: start = mid + 1 elif elem < items[mid]: end = mid - 1 else: return mid return -1

这段代码说明了"减半搜索"如何把查找从逐个比对变成对数级增长。配合那张曲线图，你能直观看到：数据量翻十倍，平方级算法耗时翻百倍，对数级几乎没感觉。

example02.py 继续用冒泡、选择、归并、快排四个排序展开同一个主题。对读者来说，意义在于建立量级直觉：以后面对百万行数据，你会先问复杂度再写循环。

用pandas把业务问题翻译成几行代码

真实业务里，你拿到的常是一张销售表、考勤表、订单表，问题却是"哪个区域业绩最不稳定""环比增长多少"。

项目在 day01.ipynb 用一份五个区域全年12个月的销售额做了热身：统计月度总额、算月环比、按区域汇总排序、找出峰值和波动最大的区域。Notebook（可边写边运行的网页版脚本）里每一步都能单独执行、立刻验证。

pandas（把表格数据当变量、直接做筛选和统计的库）在这里把六问压缩成寥寥几行。对读者意味着：只要会把它当"会算账的表格"来用，重复的for循环和if判断基本可以退休。

用NumPy和pandas清洗股票时间序列

量化或投研场景里，原始行情数据往往缺日期、频率混乱，还要算移动平均这种技术指标。

Day66-80的pandas系列章节提供了Baidu股票数据的相关示例，围绕重采样（把按天数据聚合成按周、按月）和滚动窗口计算展开，最后用matplotlib把走势和均线画成图。仓库里同时给了多张输出图作参照，跑完可以对照检查自己的结果。

对读者来说，这是把"数据清洗"从口号变成动作：读入、对齐时间索引、聚合、画图，四步走完就有了第一份能放进报告的图。

用k最近邻跑通从数据到分类的完整流程

想让模型判断"这条样本属于哪一类"，kNN（找最近邻投票，最直观的分类算法）是入门第一课。

82.k最近邻算法.md 拿经典的鸢尾花数据集，先基于NumPy手写一遍：算距离、选k个邻居、投票；再用scikit-learn（封装好的机器学习工具包）跑同一个任务做对照。数据集划分、混淆矩阵、ROC曲线都跟着走完。

手写加库调用的双版本模式贯穿机器学习部分，对读者最大的好处是：你不会再害怕模型是个黑盒，调参时知道每个旋钮背后在做什么。

一个端到端场景走通

拿仓库里的招聘数据走一遍完整链路。Day66-80/code/res/jobs 目录下躺着北京、上海、深圳等九座城市的职位CSV，每行一个岗位：公司、薪资、城市、经验要求。

第一步读入，发现薪资列写的是"20-40K·17薪"这种文本，先按"-"切开取上下限，再算出区间中值，这一步把脏数据变成数字。第二步聚合，按城市和经验分组求中位数，回答"同一个岗位在不同城市差多少"。第三步出图，把九城的中位薪资画成柱状图，一眼看出薪资洼地和高地。

这条链路上，NumPy负责向量化计算，pandas负责读取与聚合，matplotlib负责表达，正好把前面各模块缝成一件外套。走完你就拥有了一份可以写进简历的数据分析作品：原始CSV到可读图表，全程可复现。

设计思路与同类差异

项目按"天"编号，本质是把学习拆成每天可完成、可自检的小任务，避免"看了三章、写了零行"。每段代码克制在一个文件里，只解决一个知识点，注释把"为什么"也讲了。

它和零散教程最大的差异是自带真实数据集：股票行情、销售数据、九城招聘数据都随仓库提供，读者不用自己找数据、清洗到怀疑人生。

对比多数只讲"怎么调库"的资源，这里算法和机器学习部分坚持先手写实现再上框架库，原理和工具两条腿走路，对新手特别友好。

学习路径建议

零基础：前20天语言基础不跳读，边读边敲；分支、循环阶段把 lottery 等小例子改着跑；数据结构和函数、面向对象阶段每天至少动手写一个；遇到报错先对照代码找拼写，再查文档。先跑通，再追问为什么。

有基础想进阶：先啃 Day31-35 的算法与数据结构例子，亲手复现复杂度曲线；接着过NumPy、pandas系列，用股票和招聘数据各做一个完整分析；再进机器学习章节，走"手写+库调用"双版本；最后选Django或数据分析方向，把一个小项目从建表到出图完整做完。

只补短板：直接跳目标章节，花一到两天把示例跑完并改参数复现结果即可。想补表格处理就看pandas章节，补后端就看Django和SQL部分，补抓取就看爬虫章节。不必覆盖全部天数。

常见问题

零基础能跟下来吗？能。项目从安装环境开始讲，不预设任何前置经验。前几章代码很短，照着敲完就有正反馈，跟不上时把代码原样复制运行、和原文逐行对比，多数问题只是拼写或缩进。

代码必须逐行读懂吗？不用。建议三步：先原样跑通，再改参数观察输出变化，最后在你需要改造时才逐行精读。逐行读是手段不是目标，目标是你改得动它。

环境装不全会卡住吗？不会。Python加Jupyter是地基，pandas、matplotlib、scikit-learn这类库用到哪章再装哪章的，项目里每段案例的依赖都很轻，不必第一天就装齐全家桶。

学Python最缺的从来不是资料，而是一张知道先去哪、后去哪的地图。Python-100-Days把100天拆成了可执行的清单，案例能跑、数据真实、路径清晰。与其再收藏一百个仓库，不如现在就克隆下来，把第一个算法例子跑起来。

【免费下载链接】Python-100-DaysPython - 100天从新手到大师项目地址: https://gitcode.com/GitHub_Trending/py/Python-100-Days