简介：面向零基础编程学习者的Python入门PDF讲义，旨在用约一小时帮助读者建立语法框架并完成首批小练习。内容按五个模块递进：先讲语言特点与缩进式语法，再梳理变量及整数、浮点数、字符串、列表、元组等常用数据类型，随后说明算术、比较、逻辑运算符配合if-else、for、while控制结构的使用，并延伸到函数定义与模块化复用；最后结合数据分析、人工智能、Web开发等场景给出实践入口。压缩包内仅含1个PDF文件，整体约2MB，轻量易取，适合打印或平板阅读。目前已有4140人学习下载，说明该讲义在入门群体中具备一定参考热度。读者可借此快速掌握核心概念，为后续NumPy、Pandas、TensorFlow或Django等库与框架学习打下基础，也可作为课堂或自学前的摸底材料，适合需要短时入门路线的学习者。
1. 一小时学会 Python 这件事，先把它拆成可交付的几块
搜索「Python入门教程」的人，多数不是想读一本六百页的教材，而是想尽快确认三件事：环境能不能装好、代码能不能跑起来、自己要不要继续学下去。我一般把一小时的预算切成几段：二十分钟解决 python 安装 与编辑器配置，把解释器、包管理器和调试入口一次性打通；二十五分钟只啃最小语法集，变量、分支、循环、函数、列表这五样，其余全部先跳过；剩下十几分钟写几个十几行的小脚本，让终端真的吐出结果。这套拆法有个前提必须说清楚：一小时换不来工程能力，换来的是一条可以继续延伸的骨架。之后你无论是转向 python爬虫、数据处理，还是去做层次聚类这类具体任务，动工方式都长在这条骨架上。适合完全没写过代码、又需要快速判断投入产出比的人。
2. python 安装教程与编辑器配置：从 python 安装包到第一次运行
2.1 三个平台上该挑哪个 python 安装包
python 安装 这一步卡住的人，八成不是不会点下一步，而是装完发现命令行里敲python没反应。原因通常有两个：安装时没把解释器加进 PATH，或者系统里同时存在多个版本，python指向了另一个。常见做法是优先用官方 python 安装包，装完立刻开一个新终端验证，而不是继续装编辑器。
| 平台 | 推荐方式 | 关键动作 | 验证命令 |
|---|---|---|---|
| Windows | 官网安装包 | 勾选 Add python.exe to PATH | py -0列出全部版本 |
| macOS | 官网 pkg 或 Homebrew | 确认python3而非python | python3 -V |
| Linux | 发行版包管理器 | 额外装 python3-venv | apt list --installed | grep python3 |
版本选择上，尽量挑仍在维护期内的 3.10 以上版本，别用系统自带的老解释器做主力，系统工具依赖它，改动风险高。验证环节我一般跑四条命令，任何一条报错都先停下来修环境，不要带着问题上路。
python3 --version # 确认解释器版本，低于 3.10 建议重装 python3 -c "import sys; print(sys.executable)" # 打印真实解释器路径，排查多版本 python3 -m pip --version # 确认 pip 与当前解释器绑定，而不是绑定到别处 which -a python3 # 列出 PATH 中所有 python3，看清楚谁在前面第三条命令是关键。很多人遇到pip install装完却import不到，就是 pip 属于 A 解释器、运行代码用的是 B 解释器。python3 -m pip这种写法强制用当前解释器调用 pip，比直接敲pip稳得多。Windows 上把python3换成py -3即可，py -0的输出里带星号的那一行就是默认版本。
2.2 vscode python 环境配置 与 pycharm配置python环境 怎么选
编辑器这块没必要纠结太久，两个都行，区别在启动成本和内存占用。vscode python 环境配置 的核心是选解释器，Ctrl+Shift+P调出命令面板，执行 Python: Select Interpreter，指向你刚装好的那个路径，右下角状态栏会显示当前解释器。pycharm配置python环境 则是新建项目时在 Interpreter 一栏指定，之后的包安装都在这个项目解释器里。
| 维度 | VS Code | PyCharm |
|---|---|---|
| 首次配置耗时 | 装扩展后 2 分钟 | 新建项目时一次配好 |
| 内存占用 | 相对低 | 相对高 |
| 调试体验 | 需写 launch.json | 图形界面直接下断点 |
| 适合场景 | 脚本、多语言混用 | 大型项目、纯 Python |
vscode 里我会在工作区建一个.vscode/settings.json，把解释器路径写死，避免换终端后解释器又漂走：
{ "python.defaultInterpreterPath": "${workspaceFolder}/.venv/bin/python", "editor.formatOnSave": true, "python.analysis.typeCheckingMode": "basic", "files.autoSave": "afterDelay" }defaultInterpreterPath决定新建终端自动激活哪个环境，Windows 下把末尾路径改成.venv\\Scripts\\python.exe。typeCheckingMode设为 basic 后，编辑器会对明显的类型错误画波浪线，对新手来说这是最便宜的一层保护。自动保存建议打开，Python 是解释型语言，改完直接跑，不需要编译步骤。
2.3 虚拟环境与 pip 换源：把依赖问题提前挡掉
不要在全局解释器里直接pip install。项目一多，包版本互相打架，最后只能重装系统级 Python。标准做法是每个项目一个虚拟环境，它只是项目目录下的一堆文件，删掉就等于卸载干净。
mkdir -p ~/projects/demo && cd ~/projects/demo python3 -m venv .venv # 在项目内创建名为 .venv 的隔离环境 source .venv/bin/activate # Linux / macOS 激活 # .venv\Scripts\activate # Windows PowerShell 激活 python -m pip install --upgrade pip # 升级环境内的 pip，失败率能明显下降 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip install requestspython3 -m venv的参数就是目标目录名，习惯统一叫.venv，编辑器也能自动识别。激活后命令行提示符前会出现环境名，此时pip install装的东西只进这个目录。换源这一步解决的是下载慢和超时，配置写在用户级配置文件里，以后新建环境自动生效。装包报 SSL 或超时错误时，先确认是不是网络抖动，再考虑临时加-i参数指定源，不要把换源当成万能解药。
3. python基础语法速通：变量、分支、循环、函数四件事写到手熟
3.1 变量、类型与 f-string：python零基础入门教程里最该先记的一屏
Python 变量不需要声明类型，赋值即创建，但类型这件事并没有消失，只是从你写变成解释器推。新手最容易踩的坑是把字符串和数字相加，报错信息里那个TypeError就是提示。字符串拼接优先用 f-string，可读性和性能都比+好，变量名直接写在花括号里。
| 类型 | 字面量示例 | 常用操作 | 注意点 |
|---|---|---|---|
| int | count = 42 | + - * // % | /结果一定是 float |
| float | rate = 0.75 | round(x, 2) | 浮点比较别用== |
| str | name = "lin" | strip() split() join() | 不可变，方法返回新串 |
| list | nums = [1, 2] | append() sort() | 可变，赋值是引用 |
| dict | d = {"k": 1} | get() keys() | 取不存在的键会报 KeyError |
name = "林一" score = 88.5 tags = ["python", "入门"] # f-string 里可以放表达式，也可以指定格式，:.1f 表示保留一位小数 line = f"{name} 的得分是 {score:.1f}，标签：{','.join(tags)}" print(line) # 林一 的得分是 88.5，标签：python,入门 # 类型转换要显式做，int("88") 合法，int("88.5") 会抛 ValueError total = int(score) + 10 print(total, type(total)) # 字典取值优先用 get，第二个参数是键不存在时的兜底值 cfg = {"host": "localhost"} print(cfg.get("port", 5432))join只能作用于字符串列表，元素是数字要先统一str()转换，这是实际写代码时最常见的报错来源。type()用来在调试时确认变量真实类型，比盯着代码猜快得多。养成显式转换的习惯，能让后面读别人 python代码 时少掉很多坑。
3.2 分支与循环：缩进就是语法，别把它当排版
Python 用缩进划分代码块，这是硬性语法，不是风格偏好。四个空格还是两个空格无所谓，同一个文件里必须统一。条件判断支持链式比较，60 <= score < 80这种写法合法且直观，不用写成两个条件用and连接。
score = 73 # 链式比较，区间判断比 and 连接更接近自然语言 if score >= 85: level = "优秀" elif 60 <= score < 85: level = "合格" else: level = "待补" print(level) # for 遍历可迭代对象；enumerate 同时拿到下标和值，比 range(len(x)) 干净 for i, tag in enumerate(["python", "基础", "语法"], start=1): print(i, tag) # while 适合次数不确定的场景，务必留出退出条件 retry = 0 while retry < 3: retry += 1 if retry == 2: continue # 跳过本次循环体剩余部分 print("重试结束", retry)enumerate的start参数决定下标起点，默认 0。continue与break的区别要分清：前者结束当前这一轮，后者直接跳出整个循环。写循环时最容易出的事是死循环，判断标准很简单——循环变量在循环体内有没有被改变，没有就可能永远退不出来。
3.3 函数、列表推导式与 python筛选 的三种写法
函数是把一段逻辑封起来复用，参数可以有默认值，返回值用return给。默认参数不要用可变对象（列表、字典）当默认值，这是公认的陷阱，因为默认值只在函数定义时创建一次。列表推导式是 python筛选 逻辑最紧凑的表达，格式是「结果在前、条件在后」。
def normalize(score, full=100): """把原始分换算成百分制，full 为满分，默认 100""" if full <= 0: raise ValueError("满分必须为正数") return round(score / full * 100, 2) records = [ {"name": "林一", "city": "杭州", "score": 88}, {"name": "周二", "city": "上海", "score": 59}, {"name": "吴三", "city": "杭州", "score": 73}, ] # 写法一：先筛选字段，再筛选条件 names = [r["name"] for r in records if r["score"] >= 60] # 写法二：多重条件用 and 连接，顺序影响可读性，先写区分度高的 hz = [r for r in records if r["city"] == "杭州" and r["score"] >= 60] # 写法三：需要同时产出两个值时用字典推导式 score_map = {r["name"]: normalize(r["score"]) for r in records} print(names, hz, score_map, sep="\n")normalize里的raise是主动抛错，把非法输入挡在函数入口，比让它算出一个莫名其妙的数要好。三种筛选写法各有适用面：只要一个字段用第一种，要整条记录用第二种，要做映射关系用第三种。数据量到几十万行以上，就该换 pandas 或 duckdb 这类工具，列表推导式在纯 Python 层面已经不是最优解。
3.4 异常处理与文件读写的最小模板
读文件必须处理两件事：文件不存在，以及编码不对。用with打开文件，退出代码块时自动关闭，不用手写close()。encoding参数在 Windows 上尤其重要，不写会跟随系统默认编码，中文很容易出乱码。
import json import os path = "scores.json" try: with open(path, "r", encoding="utf-8") as f: data = json.load(f) except FileNotFoundError: # 首次运行时文件还不存在，给一份默认值继续走下去 data = {"records": []} print(f"{path} 不存在，已使用空数据") except json.JSONDecodeError as e: # 捕获具体异常并打印位置，比笼统的 except 强得多 raise SystemExit(f"JSON 格式错误：{e}") data["records"].append({"name": "林一", "score": 88}) with open(path, "w", encoding="utf-8") as f: # ensure_ascii=False 才能把中文原样写进去，否则是转义序列 json.dump(data, f, ensure_ascii=False, indent=2) print(os.path.abspath(path))except后面一定要写具体异常类型，直接写except:会把键盘中断也吞掉，排查问题时非常痛苦。ensure_ascii=False与indent=2是写 JSON 时的固定搭配，前者保证中文可读，后者保证 diff 时看得清改了哪一行。SystemExit用来在数据不可恢复时干净退出，比让程序带病继续跑更安全。
4. 三个能跑的小项目：数据筛选、层次聚类 python 与 01 背包动态规划
4.1 从列表推导式过渡到 duckdb 做数据筛选
列表推导式能应付几千行，再往上就得靠列式引擎。duckdb入门教程 里最实用的一个用法，是直接在内存里跑 SQL，不用装数据库服务。它能把 Python 里的数据当表查，也能用VALUES现造一张小表，写完立刻验证思路。
import duckdb con = duckdb.connect() # 不传路径即内存数据库，进程退出自动销毁 # VALUES 语法临时造表，适合在学习阶段替代真实的 CSV 文件 con.execute(""" CREATE TABLE score AS SELECT * FROM (VALUES ('林一', '杭州', 88), ('周二', '上海', 59), ('吴三', '杭州', 73), ('郑四', '北京', 91) ) AS s(name, city, score) """) rows = con.execute(""" SELECT city, COUNT(*) AS cnt, ROUND(AVG(score), 1) AS avg_score FROM score WHERE score >= 60 GROUP BY city ORDER BY avg_score DESC """).fetchall() print(rows) con.close()connect()不带参数就是内存库，适合做一次性分析，不占磁盘。GROUP BY之后SELECT里只能出现分组字段和聚合函数，这是 SQL 的硬性规则，写错了报错信息会直接指出列名。fetchall()返回的是元组列表，需要转成 DataFrame 时用con.execute(...).df()，但那会额外引入 pandas 依赖，纯入门阶段可以先不碰。
4.2 层次聚类 python 实现：距离阈值怎么定
层次聚类不预设簇数量，而是先算样本间距离、逐步合并，最后在树上按某个高度切一刀。scipy 的linkage负责建树，fcluster负责切树。手工造三簇二维点来验证最直观，比拿真实数据调试快得多。
import numpy as np from scipy.cluster.hierarchy import linkage, fcluster rng = np.random.default_rng(42) # 三簇点，中心分别设在 (0,0)、(6,6)、(12,0)，每簇 10 个 a = rng.normal(loc=(0, 0), scale=0.6, size=(10, 2)) b = rng.normal(loc=(6, 6), scale=0.6, size=(10, 2)) c = rng.normal(loc=(12, 0), scale=0.6, size=(10, 2)) X = np.vstack([a, b, c]) # method 决定簇间距离的定义：ward 偏向紧凑的球形簇，对量纲敏感 Z = linkage(X, method="ward", metric="euclidean") # t 为切树高度，criterion="distance" 表示按距离切，也可用 maxclust 指定簇数 labels = fcluster(Z, t=3.0, criterion="distance") print(labels) print(np.bincount(labels)[1:]) # 每个簇的样本数method有 ward、single、complete、average 几种，新手直接用 ward，它在欧氏距离下表现稳。metric只影响 single、complete 这类方法，ward 强制要求欧氏距离。fcluster的t是最需要试的参数：调大簇变少，调小簇变多。判断标准是看np.bincount出来的簇规模是否严重失衡，如果某簇只有一个点，说明阈值切得太低，多数情况下那是噪声而不是真实分组。
4.3 01 背包动态规划 python 实现与状态转移
01 背包是理解动态规划最合适的入口：容量有限、每件物品只能选或不选。用一维数组比二维数组省内存，但内层循环必须倒序，否则同一件物品会被重复计入。这一点是新手最容易写错的地方。
def knapsack_01(weights, values, capacity): """返回容量 capacity 下的最大总价值 weights/values 等长，capacity 为正整数 """ if len(weights) != len(values): raise ValueError("重量与价值列表长度必须一致") dp = [0] * (capacity + 1) # dp[j] 表示容量 j 时的最大价值 for w, v in zip(weights, values): # 倒序遍历：j 小于 w 时放不下，天然终止 for j in range(capacity, w - 1, -1): dp[j] = max(dp[j], dp[j - w] + v) return dp[capacity], dp best, table = knapsack_01([2, 3, 4, 5], [3, 4, 5, 6], 5) print(best) # 7 print(table) # 打印完整状态表，便于对照手算结果dp数组的长度是容量加一，下标从 0 到 capacity，对应「容量恰好为 j」的最优值。内层range(capacity, w - 1, -1)的终点写成w - 1而不是w，因为 Python 的 range 右端开区间，写成w会漏掉容量刚好等于物品重量的那一格。返回完整table是为了验证中间状态，把table[5]与手算结果对一遍，比只看最终答案可靠。
4.4 python爬虫入门：最小闭环与必须守的边界
爬虫的最小闭环是「发请求、拿响应、解析内容」。requests 负责前两步，美汤（BeautifulSoup）负责第三步。写之前先确认目标站点的 robots.txt 允许抓取哪些路径，避开登录后和个人信息相关的页面。
| 环节 | 常用工具 | 关键参数 | 常见问题 |
|---|---|---|---|
| 发请求 | requests | headers、timeout | 不带 UA 被拒 |
| 编码 | 响应对象 | apparent_encoding | 中文乱码 |
| 解析 | BeautifulSoup | html.parser | 选择器写错拿空列表 |
| 限速 | time | sleep(1) | 请求过快被封 |
import time import requests from bs4 import BeautifulSoup headers = {"User-Agent": "Mozilla/5.0 (compatible; study-bot/0.1)"} resp = requests.get("https://example.com/", headers=headers, timeout=10) resp.raise_for_status() # 非 2xx 直接抛错，别把错误页当正文解析 resp.encoding = resp.apparent_encoding # 自动推断编码，比默认值可靠 soup = BeautifulSoup(resp.text, "html.parser") titles = [h.get_text(strip=True) for h in soup.find_all(["h1", "h2"])] print(titles) time.sleep(1) # 单线程也要限速，降低对方服务器压力raise_for_status()这一行能省掉大量调试时间，没有它，404 页面会被当成正常 HTML 解析出一堆空值。apparent_encoding的依据是内容字节分布，比自己猜编码靠谱。sleep的间隔按站点规模调，小型站点至少一秒，爬取前看清使用条款，别把学习脚本跑成压力测试。
5. 调试与自检：让入门成果落在可复用的位置
新手写的代码往往「能跑就行」，但真正决定能不能继续往前走的，是出问题时能不能定位。我一般只留三个调试手段：print(repr(x))看真实值，assert卡住假设，python -m pdb单步。repr比print(x)多了引号和转义，能一眼看出字符串里有没有隐藏空格或换行，这类问题在数据清洗时特别常见。
def parse_line(line): """把 'name,score' 形式的行解析成二元组，格式不对立刻报错""" assert isinstance(line, str), f"期望字符串，收到 {type(line)}" parts = line.strip().split(",") assert len(parts) == 2, f"字段数应为 2，实际为 {len(parts)}：{line!r}" name, score = parts[0], int(parts[1]) return name, score print(parse_line(" 林一,88 ")) # print(parse_line("林一,88,extra")) # 打开这行会看到断言失败的具体信息assert的第二个参数是失败时打印的消息，把实际值和期望值都写进去，比只写「格式错误」有用得多。!r是 format 的转换标记，等价于对变量调repr()。断言适合放内部一致性检查，不适合做用户输入校验，因为-O参数启动时断言会被整体跳过。
性能方面不需要系统学，先记住python -m timeit就够了。下面这段比较两种拼接方式，实测差别比想象中明显：
| 写法 | 适用规模 | 说明 |
|---|---|---|
s += x循环 | 几十次以内 | 每次生成新对象 |
"".join(list) | 上百次以上 | 一次性分配内存 |
| 列表推导式 | 任意 | 通常比 for + append 快 |
# -s 是初始化语句，只执行一次；后面是要计时的语句 python -m timeit -s "parts = ['a'] * 1000" "''.join(parts)" python -m timeit -s "parts = ['a'] * 1000" "s = ''; [s := s + p for p in parts]"继续往下走的路线上，我建议按「脚本 → 模块 → 测试」三级台阶过渡：把能跑通的脚本拆成函数放进单独文件，用if __name__ == "__main__":区分入口与可复用逻辑，再给核心函数补两个assert当测试起点。目录结构上，项目根目录放.venv、.gitignore和requirements.txt，源码放src/，临时脚本放scripts/，这样下次遇到新任务时可以直接复制目录而不是从头配环境。判断自己是否真的入了门，标准也很朴素：换一台机器，照着你自己写的笔记能在十分钟内把环境跑起来。
本文还有配套的精品资源，点击获取
