用动手练习学 Python，而不是只看视频。

Python 变量与数据类型

用变量保存值，理解 Python 如何判断一个值属于什么类型。

Python 字符串方法

用日常最常用的字符串方法清理、拆分、连接和检查文本。

Python if、elif 与 else

用比较和布尔逻辑，让程序在不同情况下走不同的路径。

Python for 循环

对一组值重复执行同样的工作，不用把同一行代码写很多遍。

Python 列表

保存有序集合，安全地修改它，并取出你需要的部分。

Python 字典

用有名字的键保存值，通过名称查找，而不是通过位置。

Python 函数

把一次计算封装起来，起个名字，之后反复使用，不用复制代码。

Python 错误处理

捕获可预期的失败，给出有用的兜底结果，让程序继续运行。

Python JSON 入门

把 JSON 文本变成 Python 值，读取嵌套记录，再把数据写回 JSON。

Python while 循环

在条件变化前反复执行，并知道什么时候该停下来。

Python 元组与集合

固定记录用元组，唯一值集合用 set，让数据结构的意图更清楚。

Python 列表推导式

用更紧凑的表达式从旧集合构建新集合，而不是写一长串循环。

Python 排序与 key 函数

按照真正关心的字段排序，而不是只对一串数字排序。

Python 类与对象

把数据和操作数据的函数组合成一个可复用的小对象。

Python 模块与导入

复用已经写好的代码，而不是重新造一遍。

Python 嵌套数据

像处理 JSON 一样，一层一层地读取数据。

Python Lambda、map 与 filter

写简短函数，不写循环也能转换序列。

Python 递归

把问题交给一个更小版本的自己。

Python 正则表达式

用模式查找和替换文本，而不是手写解析器。

Python enumerate 与 zip

不用手写计数器，也能拿到位置并并行遍历序列。

Python pathlib 路径

把文件路径当作对象，而不是容易出错的字符串。

Python datetime 日期与时间

准确处理日历日期和简单的时间间隔。

Python assert 测试

把预期行为变成可以反复运行的检查。

Python 类型提示

让读者和工具一眼看出数据的形状。

Python 生成器

按需产生值，而不是一次构建完整列表。

Python 装饰器

用可复用的行为包装函数，而不修改函数体。

Python 上下文管理器

用 with 代码块保证准备和清理一定发生。

Python dataclasses

用声明式字段定义以数据为中心的类，减少重复样板。

Python itertools

组合惰性迭代器，完成计数、拼接和分组。

Python collections

选择正确的容器，而不是每次手写同样的逻辑。

Python functools

用缓存、部分应用和折叠复用函数行为。

Python 枚举

为一组固定值命名一次，然后在所有地方使用这些名字。

Python CSV 文件

读写表格文本，不必自己按行和逗号拆分。

Python 日志

用级别、处理器和格式记录程序发生了什么。

Python 爬虫 HTTP 请求

先构造一个礼貌的请求，再解析第一个标签。

Python HTML 解析

让解析器理解 HTML 结构，而不是用正则猜。

实战18 分钟12 道题

Python URL 解析

链接进入队列前，先把相对地址补全。

实战18 分钟12 道题

Python 分页与去重

抓取就是一个带记忆和预算的队列。

Python robots.txt 与礼貌抓取

许可、限速和隐私，都是爬虫的一部分。

Python 分词与文本向量

把文本变成词元，再用向量比较文档。

基础19 分钟12 道题

Python softmax 与温度

把原始分数变成不会溢出的概率分布。

基础18 分钟12 道题

Python 最近邻分类器

看一个点最像哪些邻居，再用邻居的标签分类。

Python 模型评估与准确率

只有知道指标测量了什么，分数才有意义。

Python 提示词模板与结构化输出

把模型输出当成不可信输入，而不是完成的数据。

实战20 分钟12 道题

Python 线性回归：从直线到误差

拟合一条直线，做预测，再衡量它错了多少。

Python 梯度下降：一步一步靠近

沿梯度向下走，看看学习率为什么重要。

Python 朴素贝叶斯文本分类

用计数、先验和平滑给短文本分类。

Python k-means 聚类：从距离到收敛

分配样本、移动质心，重复到结果稳定。

Python 模型监控与漂移检查

在用户察觉之前，先发现模型行为的变化。