企业官网建设流程全解析

作为一个每天跟 Python 打交道、靠它吃饭的人，我被问得最多的一句话不是"怎么学 Python"，而是"我学了三个月还不会写程序，是不是不适合"。每次听到这种话我都挺着急的，因为问题通常不在智商，而在路线。这篇"python心得"，不是又一个语法教程，也不是让你抄一串代码，而是把从安装环境、配编辑器、练语法、做爬虫、搞数据可视化，再到量化策略这些被问爆的方向，整个捋一遍。哪些坑不用踩、哪些钱不用花、哪些步骤能省，我都会用这几年亲测过的经验说清楚。不论你是刚下载完 Python 准备装环境，还是已经能写 for 循环但卡在项目上，这篇都能帮你把路走直一点。

1. 学习方向篇：动手之前先想清楚这三件事

1.1 为什么是 Python：它解决的问题不一样

经常有人问我，C++、Java、Go 是不是比 Python "高级"。我的答案是：工具只有合不合适，没有高不高级。Python 最大的优势不是"快"，而是"快"——不过这个快说的是开发速度快。你用 Python 写一个爬虫脚本，从想法到跑通可能只要半小时；同样的功能用 C++ 写，光是处理字符串编码和内存管理，就够你折腾一晚上。

Python 适合的场景非常集中：数据分析、爬虫、自动化办公、机器学习、快速原型验证。这些场景有一个共同点——逻辑复杂但性能要求不高。你抓个网页、清洗个 Excel、画个折线图，每秒多跑几万次没有任何意义，能赶紧看到结果才有意义。所以如果你的目标就是这些方向，选 Python 是明智的；如果你要写的是操作系统内核、游戏引擎这种对性能敏感的东西，那确实应该换一门语言。

1.2 新手最容易踩的三个战略坑

第一个坑是疯狂收藏教程和源码。很多人的网盘里存了几个 G 的"免费python源码大全"，我见过最夸张的，收藏了 200 多个教程链接，代码一行没写过。收藏本身不会让你变强，只有写进编辑器、跑出结果、改出 bug 的过程才让你变强。

第二个坑是一上来就啃语法书。从头到尾读完了 300 页的语法教程，结果发现自己连一个完整的小项目都写不出来。这就像把《驾驶理论全书》背得滚瓜烂熟，但从来没摸过方向盘。Python 的语法是拿来用的，不是拿来背的。

第三个坑是贪多嚼不烂。今天看爬虫，明天想学数据分析，后天又迷上量化交易。每个方向学三天就换，三个月过去什么都是半吊子。我的建议是：前两个月只管一件事，把基础语法练熟，再挑一个最让你兴奋的小项目钻进去，哪怕它再小，做完整比做一半强十倍。

1.3 我推荐的学习节奏：先跑通再吃透

我自己总结出来一套比较省力的节奏，分享过很多次，反馈都不错。第一阶段是"跑起来"：装好环境，照着代码敲，不求理解每一行，但求程序能跑。第二阶段是"改一改"：把跑通的代码改参数、换数据、加功能，比如爬虫里换个网址、正则里换个规则，这个阶段你会开始吃透细节。第三阶段是"自己造"：脱离教程，从空文件开始写一个自己的项目。到这一步，你才真的算是入门了。

这套节奏的核心逻辑是：错误信息是最好的老师。你只有动手写了，才会遇到 IndentationError（缩进错误）、TypeError（类型错误），遇到之后才会去查、去记，这个过程记忆最深刻。看教程一百遍，不如自己踩一次报错。

2. 环境搭建篇：Python 安装与编辑器配置避坑指南

2.1 Python 下载安装：版本号千万不要乱选

环境搭建是很多人劝退的第一关。在 Python 安装这件事上，最大的坑不是不会装，而是版本选错。去官网下载的时候，你会看到 Python 3.12、3.11、3.10 之类的版本，有些小白直接下载最新的 3.13。我的建议是：不要一味追新，优先选择当前生态兼容性最好的稳定版。

为什么？因为很多第三方库（尤其是后面要用的 pandas、cv2、一些量化回测框架）的更新速度是滞后于 Python 版本的。你装了个太新的 Python，结果pip install某个库的时候发现没有适配版本，报错报得你怀疑人生。我自己的习惯是：做数据分析用 3.10 或 3.11，这个区间几乎兼容所有主流库。装的时候记得勾选"Add Python to PATH"这个选项，不勾选的话，你之后在命令行里输入python会提示"不是内部或外部命令"，这一条就能拦住一半的新手。

如果你用的是 Linux 系统，安装 Python 的路径又不太一样。Ubuntu 和 Debian 系一般自带 Python 3，但版本可能偏旧。apt install python3 python3-pip是最快的装法，但注意不要动系统自带的 Python，不然会影响系统工具的运行。我的建议是：用apt装系统依赖，用虚拟环境管理项目用的 Python 版本，这样两个互不干扰。

2.2 VSCode 和 PyCharm：别再纠结了，我帮你选

编辑器之争几乎是 Python 社区里最热闹的话题。我的看法很简单：选 VSCode 还是 PyCharm，取决于你的项目类型和个人偏好，但新手我更推荐先试试 VSCode 的轻量路线。

VSCode 配合 Python 扩展，配置起来很方便。打开扩展商店，搜索安装"Python"（微软官方出的那个），再打开一个.py文件，右下角会自动提示你选择解释器。VSCode 的 vscode python 环境配置核心就三件事：装扩展、选解释器、打开终端确认python命令可用。这套流程五分钟就能走完，而且 VSCode 启动快、界面清爽，写脚本、测试小功能都很舒服。

PyCharm 则是另一条路线，它功能更全面，调试器、数据库工具、版本控制集成都是开箱即用。但代价是重，第一次启动索引项目慢，内存占用也高。我的建议是：如果只是写小脚本、做数据分析，VSCode 够用了；如果打算全职做开发、长期维护一个中型以上项目，PyCharm 的调试体验确实好。两个都不排斥的情况下，以 VSCode 起步，等有需要再切换或者两边都装也不是不行。

2.3 虚拟环境：现在多花五分钟，以后少折腾三天

这个提醒我一定要说。很多人学了一段时间后遇到一个很奇怪的情况：昨天还能跑的爬虫，今天import requests报错说模块不存在，或者更夸张的是，装了一个新库，其他代码全部跑不了了。十有八九是环境变量互相污染了。

解决方案是用虚拟环境。你可以把它想象成一个独立的小盒子，每个项目一个盒子，里面装自己的 Python 版本和第三方库，互相不干扰、随意拆装。具体的操作很简单：

# 创建虚拟环境，进入项目目录后执行 python -m venv venv # Windows 系统激活 venv\Scripts\activate # macOS / Linux 激活 source venv/bin/activate

激活后，命令行前面会出现(venv)的标识，意思是进入虚拟环境了。之后你pip install的所有包都会装到这个环境里，不会污染全局。退出环境用deactivate。我见过不止一个项目因为没做虚拟环境隔离，最后只能重装系统解决问题，这个预防针值得提前打。

2.4 pip 下载慢与 cv2 安装失败：换源和版本检查解决问题

pip 装包永远是大家最常遇到问题的地方。在国内直接从官方源装包，速度会让人崩溃，尤其是一些体积大的库。解决办法是换用国内镜像源，以清华源为例：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名

如果你想永久生效，可以执行pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple，以后所有pip install就默认走镜像了。

还有一个高频问题，很多人想装cv2（OpenCV 的 Python 接口），执行pip install cv2却报错说找不到这个包。其实包名不叫cv2，而是opencv-python。正确的装法是pip install opencv-python。很多开源项目里写的import cv2只是导入名，跟安装名不是一回事。遇到类似问题，记住一个原则：导入名和安装名可能不同，先上 PyPI 官网搜一下包的安装名。

3. 语法基础篇：别说你学过 Python，先让代码跑起来

3.1 把 Python 当成高级计算器：告别死记硬背

基础语法是所有人都绕不开的关口。但我发现大家效率低，是因为把语法学习做成了"记忆题"——抄了一大堆笔记，记变量、记循环、记条件，却不知道怎么用。我的建议是：把它当计算器用。

比如你学abs函数的时候，别光记它的文档（"abs 返回绝对值"）。你打开交互环境（命令行里输入python），一行一行试：

abs(-5) # 5 abs(3.14) # 3.14 abs(-0.001) # 0.001

试试abs("abc")，你会看到 TypeError 报错。这个报错信息会告诉你："bad operand type for abs(): 'str'"。一旦你亲眼看过这个报错，你就真正记住了 abs 只能用于数值类型，比背十遍文档都管用。Python 基础语法就是被这样一点点玩熟的。

3.2 从 abs 函数开始，理解内置函数的通用套路

abs只是一个很小的切入点。真正重要的是通过这种单点练习，建立对 Python 内置函数和标准库的感觉。网上流传的很多 python 基础语法知识点，其实用一句口诀就能概括：一切皆对象，函数即工具。

拆开来说，Python 把常用操作都封装成一个个函数，你不需要关心底层怎么实现，关心怎么调用就行。内置函数列表里有一百多个，但常用的就那二三十个。除了abs，我建议优先玩熟的还有：len（求长度）、range（生成序列）、enumerate（遍历时拿到索引）、zip（并行遍历多个序列）、map和filter（批量处理数据）、sorted（排序）、isinstance（类型判断）。这些函数是 Python 语法的一部分，也是你写代码时最顺手的工具。

拿sorted举个例子，它有一个参数叫key，用来指定排序规则：

words = ["python", "java", "c", "javascript"] sorted(words, key=len) # 按单词长度排序，结果是 ['c', 'java', 'python', 'javascript']

这个key参数是理解 Python "函数是一等公民"概念的最好入口。你发现没有？len本身就是一个函数，你可以把它当作参数传进另一个函数。这一下子就打开了新世界的大门——Python 语法的灵活性和表达力，就体现在这种函数与函数的组合里。

3.3 刻意练习的三个小方法：比看教程管用得多

练语法不要光靠"看"，我给大家三个我亲自验证过的练习方法。

第一个是"逐行解释法"。找一段别人写的代码（网站、GitHub 上都很多），不要看整体逻辑，而是逐行把代码注释出来：这一行在做什么、输入是什么、输出是什么。注释不出来就查，查不到就 print 出来看。一遍下来，你对代码的感知力会突飞猛进。

第二个是"改造法"。把一段跑通的代码改成不同的实现方式。同样一道题，用 for 循环写一遍，再用列表推导式写一遍，再试试用 map 加 lambda 写一遍。三种写法结果一样，但写法和思路完全不同。Python 语法不是只有一种标准答案，改着改着，你的理解就立体了。

第三个是"自问自答法"。"如果这里的数据是空的会怎么样""如果用户输入了负数会怎么样""如果把函数调用顺序换一下会怎么样"。这种逼问自己的方法，会让你主动去验证边界条件，而不是满足于代码能跑就觉得学会了。很多人代码写得脆，一遇到边界就崩溃，就是因为练习时没做过这种思维实验。

4. 爬虫实战篇：第一个能给你成就感的完整项目

4.1 为什么第一个完整项目，我推荐写爬虫

如果你学完基础语法，正愁没有项目练手，我特别推荐把"爬虫"作为第一个完整项目。原因有三：第一，爬虫的反馈极快，你写完代码，马上能看到真实网页的数据被打印出来，这种"上一次网、拿一批数据"的即时成就感，是练习语法时完全体会不到的。第二，爬虫天然涉及多个知识点，处理 HTML、解析数据、保存结果、处理异常，一个项目就能把语法、字符串、文件读写、第三方库全部串起来。第三，爬虫的输入是无限多的，随便换个网站、换个关键词，就能产生新需求，永远不怕没东西练。

而且很多人的 python 学习路径里，爬虫是第一次接触"如何与真实世界打交道"的机会。你写的其他代码可能都是对内存里的数据做运算，而爬虫让你真正从网上获取信息。这种"从外部获取数据"的思维，对后续学数据分析、写自动化脚本都有帮助。

4.2 最小可用爬虫：requests + BeautifulSoup 完整流程

一个最简单的爬虫，核心只需要两个库：requests负责拿网页，BeautifulSoup（bs4）负责解析 HTML。拿一个简单的新闻标题爬虫举例，完整流程大概是这样：

import requests from bs4 import BeautifulSoup # 1. 向网站发送请求，获取页面内容 resp = requests.get("目标网址", headers={"User-Agent": "Mozilla/5.0"}) # 有些网站需要伪造浏览器头，否则会被拒绝访问 resp.encoding = "utf-8" # 2. 把 HTML 文本交给 BeautifulSoup 解析 soup = BeautifulSoup(resp.text, "html.parser") # 3. 按标签和类名筛选出目标元素 titles = soup.select(".news-title a") for title in titles: print(title.get_text(strip=True))

这里有几个新手必踩的坑，我提前给你排掉。一是User-Agent，有些网站不带请求头就直接返回 403，这是最常见的反爬手段。二是编码问题，拿到页面源码后如果中文乱码，多半是页面用 gbk 编码而你用 utf-8 解析了，手动设置resp.encoding就能解决。三是select 的 CSS 选择器写法，.news-title a表示类名为 news-title 的元素下的所有 a 标签。这些语法你不需要全背，用的时候查一查，几次下来就熟了。

4.3 从命令行到可视化界面：爬虫 GUI 的演进思路

终端里 print 数据只是爬虫的初级形态。等你跑通了基础版本，很多人会想做一个 python 爬虫可视化界面，把搜索结果、数据列表、下载按钮都放进一个窗口里。这个想法非常好，因为从"脚本"到"工具"，中间就差一个界面。

最简单的 GUI 方案是 Python 自带的tkinter，不需要额外安装。一个带输入框、按钮、结果列表的简易爬虫界面，核心代码长这样：

import tkinter as tk def fetch_data(): keyword = entry.get() # 这里调用爬虫函数，把结果填到列表里 result_list.delete(0, tk.END) for item in crawl(keyword): result_list.insert(tk.END, item) root = tk.Tk() entry = tk.Entry(root) entry.pack() tk.Button(root, text="开始爬取", command=fetch_data).pack() result_list = tk.Listbox(root) result_list.pack() root.mainloop()

如果你觉得 tkinter 界面太丑，也可以学streamlit，它走的是网页界面路线，写 Python 代码就能生成一个数据看板，非常适合作爬虫结果展示和数据分析可视化。我的经验是：不要一上来就追求复杂的界面和框架，先把命令行版跑通，再套一层界面，否则你会在"界面配置"上消耗大量不该消耗的精力。

4.4 爬虫的底线：合规与克制

这一点我每次讲爬虫都要强调，而且它必须成为一个合格爬虫开发者的基本觉悟。爬虫技术本身没有对错，但使用场景有边界。具体来说：要遵守目标网站的 robots.txt 协议，尊重网站的访问频率限制；只抓取公开信息，不碰隐私数据；抓下来的数据不要用于商业用途，除非你有明确授权。

技术层面的克制也很重要。设置合理的抓取间隔（比如每次请求后time.sleep(1)），做好异常处理，尽量不打扰目标站点的正常运行。你可以把爬虫想成"去别人家图书馆看书"，看可以，把书偷偷带走就不行，在图书馆大声喧哗更不行。控制好力度，这个技能才能用得长久。

5. 数据分析篇：让数据开口说话的正确姿势

5.1 数据分析工具链：别再手动处理 Excel 了

爬虫拿到数据只是第一步，真正让数据有价值的环节是分析。Python 数据分析与可视化的主流工具链是固定的：pandas做数据处理，matplotlib和seaborn做图表，再配合numpy做数值计算。这个组合覆盖了从数据读取、清洗、分析到出图的完整流程。

我见过很多同学一上来就学pandas的 API 文档，学了一个月还是抓瞎。我的建议是先看表格，再学代码。因为 pandas 的核心数据结构 DataFrame 就是一个"程序里的 Excel 表格"，它的很多操作，比如筛选行、列求和、分组统计，都能对应到你在 Excel 里做过的事。你只需要把"在 Excel 里怎么操作"翻译成"在 pandas 里怎么操作"，学习曲线会平缓很多。

5.2 数据清洗：90% 的时间花在这里

如果你去问一个数据分析师，他们工作里最耗时的是什么，答案大概率不是"画图"或"分析"，而是"清洗数据"。真实世界的数据有多脏，你可能想象不到：字段有缺失、格式不统一、类型是文本但明明是数字、还有重复行和乱七八糟的空格。数据分析里有一个金句：垃圾进，垃圾出，数据清洗不做好，后面的分析全是幻觉。

一个简单的数据清洗示例，用 pandas 处理文件读取和缺失值：

import pandas as pd df = pd.read_csv("data.csv") # 查看整体信息，发现缺失情况和数据类型 print(df.info()) # 删除全是缺失值的行 df = df.dropna(how="all") # 数值列填充均值 df["price"] = df["price"].fillna(df["price"].mean()) # 去掉文本中的空格 df["name"] = df["name"].str.strip() # 把类型转换错误的列转成数值型 df["quantity"] = pd.to_numeric(df["quantity"], errors="coerce")

这几行代码，对应的是你在整理 Excel 时手动做的所有繁琐动作。掌握了之后，你会觉得以前手工处理表格的日子简直是在浪费时间。

5.3 画图与爱心代码背后的原理：参数方程的魅力

数据分析的最后一步通常是要画图。matplotlib 的 API 不复杂：plt.plot(x, y)画折线，plt.bar画柱状图，plt.scatter画散点图。但很多人把注意力放在"图怎么画得花哨"上，却忽略了图表最重要的功能——传达信息。我的建议是：先学清楚什么场景用折线图、什么场景用柱状图、什么场景用散点图，再去折腾颜色和样式。

数据可视化还有一个非常浪漫的入口，就是网上流传很广的 python 爱心代码、python 四叶草这类图形代码。它们的本质不是魔法，而是参数方程。

爱心曲线在数学上可以表示为：

import numpy as np import matplotlib.pyplot as plt t = np.linspace(0, 2 * np.pi, 1000) x = 16 * np.sin(t) ** 3 y = 13 * np.cos(t) - 5 * np.cos(2*t) - 2 * np.cos(3*t) - np.cos(4*t) plt.plot(x, y, color="red") plt.axis("equal") plt.show()

这段代码跑出来的就是一个爱心图形。三角函数、参数方程这些高中知识，在此刻变成了一行行漂亮的图像。不要觉得这类代码幼稚，它会极大地激发你对数学和编程的兴趣，创作欲是坚持学习的最好燃料。进阶玩法甚至可以用同样思路画复杂的花瓣、星空和动画。理解本质之后，再去查找更多绘图点子就轻松多了。

5.4 一个完整的分析小案例：用温度数据做决策

不搞虚的，我拿一个最常见的例子说明"分析怎么做才算完整"。假设你从天气网站上爬到了某城市一年365天的最高气温数据，想知道"夏天的空调电费大概会花多少"，分析思路可以这样：

import pandas as pd import matplotlib.pyplot as plt weather = pd.read_csv("weather.csv") # 把日期列转成 pandas 的时间类型 weather["date"] = pd.to_datetime(weather["date"]) # 提取月份作为新列 weather["month"] = weather["date"].dt.month # 按月份计算平均最高气温 monthly = weather.groupby("month")["temp_max"].mean() # 画条形图方便查看各月温度走势 plt.bar(monthly.index, monthly.values) plt.xlabel("月份") plt.ylabel("平均最高气温(℃)") plt.savefig("monthly_temp.png") print(monthly)

这段代码能直接输出给你各个月份的平均高温。你会清晰地看到 6、7、8 月是温度高峰，然后你就可以去对比家里这几个月电费单，估算高温对电费的影响。这就是数据分析最朴素的用法：不是给你一个天大的结论，而是帮你在生活细节里做出判断。很多面试官问我项目经验，我最常推荐的也是这种"从爬虫拿数据、用 pandas 清洗、用 matplotlib 出图"的完整闭环，这才是最实用、最能体现能力的学习路径。

6. 进阶方向篇：把 Python 变成生产力

6.1 量化交易策略代码：别被"量化"两个字唬住

python 量化交易策略代码是搜索热词榜上的常客，不少人觉得"量化"非常高深。其实说穿了，量化就是用程序把一套交易规则固定下来，让机器严格执行，避免人为情绪干扰。一个最简化的量化策略代码模型，核心就三块：拿数据、算信号、做回测。

import pandas as pd # 1. 获取行情数据，假设已经有一列是收盘价 df = pd.read_csv("stock_daily.csv") df["收盘价"] = df["收盘价"].astype(float) # 2. 一个最简单的策略：5日均线上穿20日均线时买入 df["MA5"] = df["收盘价"].rolling(5).mean() df["MA20"] = df["收盘价"].rolling(20).mean() df["信号"] = 0 df.loc[df["MA5"] > df["MA20"], "信号"] = 1 # 持仓 df.loc[df["MA5"] <= df["MA20"], "信号"] = 0 # 空仓 # 3. 算一下策略收益（简化版） df["收益"] = df["收盘价"].pct_change().fillna(0) df["策略收益"] = df["信号"].shift(1) * df["收益"] total = (df["策略收益"] + 1).prod() - 1 print("策略累计收益率：", round(total * 100, 2), "%")

这段话的重点不是让你直接就去炒股，而是要看清它的本质。**量化策略最核心的部分其实不是写代码，而是策略逻辑\r\n**——你的信号是什么？止盈止损怎么设？资金管理怎么做？代码只是把逻辑翻译成机器能懂的语言。另外还有一个残酷的现实：任何策略都要经过充分的回测和样本外验证，别看到收益曲线漂亮就以为能赚钱，我以前也走过这种弯路，把"回测收益"和"实际收益"搞混，结果亏得挺难受。所以我的建议是：把这当作学习数据处理和逻辑实现的练手题材，千万不要动真钱。

6.2 自动化办公：Python 的隐形刚需

如果说爬虫和数据分析属于"技术爱好者"的范畴，那自动化办公就是 Python 最接地气的生产力场景。你会发现办公室里有大量重复劳动：几百个 Excel 文件需要合并、几十份 Word 报告需要改格式、大量 PDF 需要提取文字、梓费报销单需要逐行核对。这些全部可以用 Python 自动化。办公自动化的常用库很固定：openpyxl和pandas处理 Excel，python-docx处理 Word，os和shutil做文件批量操作。

举个例子，合并文件夹里所有 Excel 的第一个 Sheet，代码量甚至不到 20 行：

import pandas as pd import glob files = glob.glob("report_*.xlsx") all_data = [] for f in files: df = pd.read_excel(f, sheet_name=0) all_data.append(df) result = pd.concat(all_data, ignore_index=True) result.to_excel("合并结果.xlsx", index=False) print(f"合并完成，共{len(result)}条数据")

我认识好几个非技术岗位的同事，就是因为会用 Python 处理表格和文件，成了团队里最"省时"的人。Python 的价值有时候不是表面上的炫技，而是实实在在把一小时的工作压缩到一分钟，这个性价比无可替代。

6.3 持续进步：免费源码与开源社区的正确用法

到了进阶阶段，你一定会接触到"看别人的代码"这个环节。网上一搜全是免费python源码大全，但我要泼一盆冷水：源码不是攒出来的，是读出来的、用出来的。你收藏 10 个下载包不如把 1 个项目源码读透。正确的方式是：先找一段你自己能运行的项目里的小模块，单步调试，看每行代码执行的效果，然后改动它去实现一个你自己想要的新功能。这个过程比看任何教学视频都管用。

读源码值得注意的是：大项目不要从头读到尾，要"从入口读到关键路径"。比如一个爬虫项目，你先找main()或入口文件，看它按什么顺序调用了哪些函数，然后再去读核心函数，了解数据和逻辑是怎么流动的。两年下来我在 GitHub 上"啃"过的项目不少于 30 个，每一个都让我在某一个具体场景的认知提升了一个台阶。这也是我给你最实用的进阶建议：不要怕读不懂，卡住了就断点、查文档、搜报错，这个排查过程本身就是学习。

7. 高频报错与避坑经验速查表

最后这部分，把新手期最高频的报错和日常踩坑整理成一张速查表，方便你以后遇到问题直接翻。很多人被报错劝退，其实绝大多数报错是"小问题"，不涉及任何智商门槛，解决办法也极其固定。

我特别想提醒的是遇到报错时的心态问题。很多新手一看到红字就慌，其实你仔细读一下报错信息，它已经把原因和位置都告诉你了。Python 的报错信息是出了名的友好，它甚至会告诉你"在第几行少了什么符号"。我的习惯是：报错信息读到第三行，看到File "xxx.py", line 10这种位置提示，然后去对应行附近找问题。绝大部分情况，你自己就能解决，这比直接问人学到的东西多得多。

还有一个隐藏的坑：不要在一个环境下装所有东西，尤其注意不要把项目依赖装在系统全局 Python 里。我最多的时候一台电脑上同时存在 4 个 Python 环境，一开始没有用虚拟环境的概念，结果每个项目今天能跑、明天就报错，时间全浪费在排查"这个包装到哪去了"的问题上。前面已经讲了虚拟环境的用法，这里再强调一次：从学习的第二天开始，就把 venv 用起来，这个好习惯能帮你省下无数时间。

写在最后

如果非要用一句话总结我的 Python 心得，那就是：不要试图用"看"来学会编程，要用"改"和"造"来学会。我自己走过的弯路很多，最痛的一次是为了搞清楚环境问题，把电脑系统折腾到崩溃，最后重装系统才解决。之后的每一次教训，我都记在了这篇心得里，希望你能避开的都已经给你标出来了。如果你在学习过程中另有卡住的地方，别憋着，去社区搜一搜，十之八九有前人已经填空。动手写就完事了，跑起来，前面的路自然会越来越清楚。