算起来，这个“Day 100 Step By Step Python”的计划，是我去年给自己下的一个“笨命令”。当时正是Python热词满天飞的时候，到处都是“python教程”、“python入门”的帖子，但我身边真正坚持学下来的朋友屈指可数。大家普遍的状态是：安装教程看了好几遍，代码抄了几十行，遇到一个Bug就卡死，然后就没有然后了。我不想再当那个“收藏了等于学会了”的人，所以给自己定了一个每天都能完成、且有明确验证结果的100天计划。今天把这100天的路线、踩过的坑、实测好用的方法全部整理出来，希望能给那些搜过“python下载安装教程”、“python环境配置”却始终停在第一步的人，一个真正可以照做的完整参考。
这个计划适合谁？完全零基础的小白，或者学过一点Python但始终没做过完整项目的人。不夸张地说，只要你能保证每天拿出40分钟到1小时，按下面这套Step By Step的路线走，100天之后你至少能独立写出“自动整理Excel报表”、“定时抓取网页数据”、“跑通一个简单的量化策略回测脚本”这类实用工具。本文所有内容都基于我实际执行过程中的笔记和踩坑记录，没有空话，只有能直接抄作业的步骤。
1. 为什么是“100天”？——把学习变成可执行的项目
1.1 100天不是玄学，是习惯养成的物理周期
很多人一看到“100天”就以为是某种鸡汤营销，其实不是。心理学上习惯养成通常需要21天以上，但要让一个技能从“知道”变成“熟练”，100小时左右的刻意练习是比较靠谱的估算。我每天投入1小时，100天就是100小时，刚好跨过新手到入门的门槛。
这个计划的核心理念是“Step By Step”，翻译过来就是“每一步都能看到下一步”。我不会今天学变量、明天就冲量化交易，而是把知识点拆成一个个能在10分钟内验证结果的小步骤。每完成一步，我就在笔记里写下当天完成的可运行代码和输出结果。这种“每一步都有反馈”的设计，才是抵御三分钟热度的关键。
我见过太多人学Python的方式是：今天看两集视频，明天搜“python量化交易策略代码”想直接跑实盘，后天又去搜“python爬虫”。知识是跳跃的，报错是必然的，最后得出的结论就是“Python好难”。实际上Python是主流语言里对新手最友好的，问题不在于语言，而在于学习路径没有阶梯。
1.2 三阶段路线：基础语法 → 数据处理 → 综合实战
我把100天分成三个阶段，每个阶段都有明确目标和验收标准：
| 阶段 | 天数 | 核心目标 | 代表知识点 | 验收标准 |
|---|---|---|---|---|
| 第一阶段 | 第1~25天 | 把Python语法摸透 | 变量、类型转换、分支循环、定义函数、字符串、列表字典 | 独立完成30道基础编程题 |
| 第二阶段 | 第26~60天 | 掌握数据处理与可视化 | NumPy、pandas、DataFrame、matplotlib、读写Excel | 做出一份数据清洗+图表报告 |
| 第三阶段 | 第61~100天 | 自动化与项目实战 | 连接数据库、自动化拉表、网页数据获取、量化回测脚本 | 完成2~3个完整小工具 |
第二阶段为什么占了35天？因为这是搜索热词最密集的区域，像“python安装numpy库的方法”、“python dataframe”、“python画图横坐标太密集”这些问题，几乎每个初学者都会遇到。数据处理是Python在职场里最值钱的应用方向，值得多花时间。第三阶段不在多而在精，每做一个项目都要用上前两个阶段的知识，把零散技能串成一条线。
1.3 每天的具体时间怎么拆？
我的习惯是每天拆成三块，总时长不超过1小时。前10分钟用来写一个昨天知识点的“默写小程序”，比如第20天默写一个自定义函数；中间35分钟学习新知识点并当场敲代码；最后10分钟把运行结果和心得记录到自己的学习日志里。
这个方法的好处是把“学”和“练”合一。很多人只看教程不敲代码，眼睛会了手不会，这就是典型的“python教程未定义怎么用”——看过一遍就忘了。当天的内容必须当天运行出结果，哪怕只是打印出一行正确的输出，也是在给大脑正向反馈。我执行到第40天的时候，已经完全养成了“遇到报错先读最后一行”的条件反射。
2. 从零开始的环境搭建：新手最容易放弃的战场
2.1 三步搞定Python安装，别再卡在第一步
搜过“python安装教程”的人都知道，网上教程版本杂、说法多，什么“python 3.8稳定”、“python 3.12新特性”，看得人头晕。我按照我自己踩了三次坑之后总结的稳定路线，三步就能搞定。
第一步，去Python官网下载对应操作系统的安装包。版本建议选择3.10或3.11，因为这两个版本对第三方库的兼容性最稳。不要追新，也不要守着3.8。3.8实在太老，很多新库已经不再支持；3.12太新，个别C扩展库在Windows上可能还没预编译包。
第二步，安装时千万记住一件事：勾选“Add Python to PATH”。这是环境变量，不勾的话你会在cmd里敲“python”直接报“不是内部或外部命令”，然后又要多搜一个“python连接cmd”的问题。勾选PATH是90%新手问题的根源，先把这个勾上，后面至少能少踩一半的坑。
第三步，打开命令行（Windows叫cmd或PowerShell），输入python --version验证安装。如果看到版本号，说明安装成功。Linux系统安装python也类似，只是路径不同——大多数发行版自带python3，直接输入python3 --version验证即可。没有的话用包管理器安装，比如Debian系的apt install python3，注意不要动系统的自带的Python，你未来装库用的是独立虚拟环境，后面会讲。
2.2 编辑器选型：vscode是多数人的最优解
编辑器我最终选了vscode，而不是一开始用的IDLE或者后来试过的PyCharm。原因很简单：vscode轻量、插件生态好、免费，而且“vscode python环境配置”的解决方案非常多，遇到问题容易搜到答案。
配置流程其实五分钟就能搞定。装好vscode之后，在扩展市场搜索“Python”，安装微软官方插件。然后用快捷键打开命令面板，输入“Python: Select Interpreter”，选择你刚安装的那个Python解释器。这一步太关键了，很多人写了代码运行时报“No module named numpy”，不是因为没安装库，而是因为vscode选了解释器A，pip装到了解释器B，两边不是同一个Python。
再说一下虚拟环境。虚拟环境就是给每个项目单独开一个“干净的房间”，里面只装这个项目需要的库。原因很现实：你第30天装了NumPy，第80天装了sklearn，说不定某个库的依赖版本就把前面那个顶掉了。用虚拟环境可以彻底隔离这种“包冲突”。创建方式也很简单：
python -m venv myenvWindows下激活命令是myenv\Scripts\activate，Linux和macOS下是source myenv/bin/activate。激活之后命令行前面会出现(myenv)，说明你现在就在这个独立环境里了。以后装库、运行代码都在这条命令行里操作，干净整洁。
2.3 新手最常搜的三个环境问题，一次说清楚
我整理了我自己见过的高频问题，这里直接做成速查表：
| 现象 | 真实原因 | 解决办法 |
|---|---|---|
| cmd输入python提示不是内部或外部命令 | 安装时没勾选Add Python to PATH | 重装Python，或手动添加环境变量 |
| pip安装库成功，但代码import报错 | 解释器选错或没激活虚拟环境 | vscode命令面板重新选择解释器 |
| linux里输入python显示未找到 | Linux默认命令是python3 | 用python3命令，或安装python-is-python3包 |
| 下载库速度慢或超时 | 默认走的是国外源 | 用国内镜像源，比如pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple |
另外补一个冷门但常见的点：很多人搜“python下载cv2”，其实cv2的包名不叫cv2，而是opencv-python。这类“安装名和导入名不一致”的库不少，遇到pip install xxx装完了import xxx失败的，先查一下这个库的官方文档，看看安装命令到底写的是什么，别急着怪环境。
2.4 为什么换电脑换系统会“水土不服”？
第50天的时候我在一台新电脑上重新配环境，顺手搜了下“linux系统安装python”，发现很多人来回折腾是因为“环境迁移”没做对。其实同一个项目换机器，只需要三步：装Python、建虚拟环境、在虚拟环境里执行pip install -r requirements.txt。这个requirements.txt哪里来？在你原来的虚拟机里运行pip freeze > requirements.txt就生成了。它把当前环境的所有库和精确版本号都记录下来了。这一步是我最后悔没早点学的操作，前50天我换电脑靠手动重装库，浪费时间不说，还经常装错版本。
3. 核心语法：像搭积木一样理解Python
3.1 定义函数：把“做事流程”打包成积木
进入语法阶段后，第一个值得认真对待的知识点是“定义函数”。搜“python定义函数”的人多，但真正理解函数价值的人少。函数其实就是一个“可重复调用的工作流程”。比如你要算长方体的体积，长宽高每次不同，但公式一样，就把它写成一个函数：
def volume(length, width, height): return length * width * height print(volume(2, 3, 4)) # 输出24这行代码背后的核心概念是“参数、返回值、作用域”。很多人报错“NameError: name 'xxx' is not defined”，搜“python教程未定义怎么用”，其实本质就是变量作用域的问题——函数内部定义的变量默认只能在函数内部用，外部访问不到。理解了作用域，这类报错你一眼就能看出来。
我的建议是：从第10天开始，所有练习题都用函数来封装，哪怕题目很简单。比如“python编程求长方体体积”，也写成函数再调用。这能让“结构化思维”尽早建立，后面写几百行的脚本时，才能把逻辑拆成一个个小函数去维护。
3.2 类型转换与切片：越早练越顺手的两个基础功
“python类型转换”和“python数组切片”是新手最容易忽视的基础功。类型转换就是字符串、整数、浮点数之间的互换，比如接收用户输入时拿到的默认都是字符串，你要做数值运算就必须int()转一下。就这么一个细节，写“身份证号处理”、“金额计算”这类场景天天都要用。
切片就更重要了。Python的列表、字符串、元组都支持切片操作，语法是数据[起始:结束:步长]。它就像一把尺子，从一列数据里切出你想要的区间：
data = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] print(data[2:6]) # 输出 [2, 3, 4, 5] print(data[::2]) # 输出 [0, 2, 4, 6, 8]，隔一个取一个理解切片不需要死记，把它类比成“从书架上抽几本书”。这些基础功直接影响后面操作DataFrame的效率，因为pandas里大量操作都是基于类似切片的思想。
3.3 刷题的正确姿势：经典100题的打开方法
网上流传各种“python经典100编程题”、“python题库刷题训练”，我也刷过不少。但刷题不等于题海战术，更不等于背答案。我自己的方法是拿到一道题之后，先不急着写代码，先在草稿纸上用中文把解决步骤写出来，比如“先算总数，再扣除重复项，最后排序”。这个习惯叫“伪代码思维”，它能帮你把问题拆解成可以用Python一步步实现的任务。
举个例子，经典趣味题“李白打酒”是这样的：李白提着酒壶上街，遇见酒店就把酒量加倍，遇见花就喝掉一斗，最后酒壶空了。已知他遇店和遇花的次数，求具体的先后顺序。这种题看起来像脑筋急转弯，实际上很适合用递归或回溯算法去穷举所有可能性。我第22天做这道题时，搜到的答案用了深度优先搜索的框架，虽然当时我对“递归”还没掌握好，但通过手工模拟一遍递归过程，理解深度立刻不一样了。
刷题阶段的另一个好习惯是把“数据结构”概念顺手学了。比如“python构建邻接矩阵”，听起来很高大上，其实就是用二维数组或二维列表表示图的结构。跟刷题搭配着学，你会发现算法题其实离不开数组、字典、栈和队列这几个基本容器。
3.4 协程：Python异步编程的大门
到了第50天左右，我开始接触“python协程”。协程这个词听起来吓人，但它的核心场景很生活化：当你的程序要同时等待多个任务，比如同时请求多个网页、同时读取多个文件，如果一个个排队做，速度很慢；用协程可以“边等边做”，把等待的时间利用起来。
我第一个练手的协程代码是模拟同时处理三件耗时任务：
import asyncio async def fetch_data(name, delay): print(f"开始处理：{name}") await asyncio.sleep(delay) print(f"完成：{name}") async def main(): tasks = [ fetch_data("任务A", 2), fetch_data("任务B", 1), fetch_data("任务C", 3), ] await asyncio.gather(*tasks) asyncio.run(main())学习协程的关键是理解async def和await：async def定义一个异步函数，await表示“在这里等待，但等待期间让出控制权去干别的”。不要一开始就去读底层的事件循环原理，先把这套“同时等待”的模型跑起来，后续要用的时候再深入。
4. 数据处理与可视化：把数据变成信息和图表
4.1 NumPy的安装与“数组思维”
进入第二阶段，第一件事就是装库。很多人搜“python安装numpy库的方法”，其实步骤比想象中简单，只要你的虚拟环境激活了，一行命令就行：
pip install numpy如果速度慢，加上镜像源参数。装完在Python交互环境里import numpy没报错就是成功。NumPy的核心是数组（ndarray），它比Python原生列表强大在哪？我用一个例子来说明：一个一万个元素的列表，用普通循环每个元素加1，和用NumPy数组整体加1，后者直接写成arr + 1，代码简洁，而且底层用C语言实现，速度快几十倍。这就是“向量化”带来的差距。
科学计算类库的安装方式基本都一样，包括sklearn（机器学习库）、pandas、matplotlib，全都是pip install 包名。装sklearn的时候注意它依赖NumPy和SciPy，如果遇到依赖冲突，最好在干净的虚拟环境里重装，别在系统全局环境里硬磨。
4.2 pandas与DataFrame：像操作Excel一样操作数据
pandas是Python数据处理的核心，没有之一。它的主力数据结构叫DataFrame，可以理解成一张内存里的表格，有行有列，操作起来比Excel更快，还能自动化。
我第40天的练习是把一份CSV文件读进来，然后做筛选。这里对应一个非常高频的搜索——“python筛选一样的”，其实就是找重复行。pandas里一句代码就搞定：
import pandas as pd df = pd.read_csv("sales.csv") duplicates = df[df.duplicated()] print(duplicates)这个duplicated()方法会标记重复行，默认是判断整行是否完全相同，也可以指定某一列。除了去重，pandas更常用的操作是分组聚合，比如统计每个地区的销售总额，用df.groupby("地区")["金额"].sum()。我习惯把pandas的操作想象成“在Excel里做透视表”，但所有动作都是可重复执行的代码，这才是自动化的源头。
“python结构化数据”这个词，指的就是这种规整的表格型数据。现实世界里的数据往往不规整，所以第二阶段大量时间花在“清洗”上：改列名、去空值、统一日期格式。这一步看着琐碎，却是数据分析里最耗时、最体现功力的部分。
4.3 matplotlib画图：解决“横坐标太密集”系列问题
“python画图横坐标太密集”几乎每个用matplotlib画过折线图的人都搜过。默认情况下，如果你的横坐标有一百个点，matplotlib会把它们全部挤在一排，字叠着字，画面惨不忍睹。解决办法有两个层次。
第一层是简单粗暴地旋转和抽稀。把标签旋转45度，同时只显示部分刻度：
import matplotlib.pyplot as plt plt.plot(x_data, y_data) plt.xticks(rotation=45) # 只显示前50个坐标中每隔10个取一个 plt.xticks(x_data[::10]) plt.tight_layout() plt.show()第二层是思考“该显示多少刻度才合理”。如果横坐标是时间序列，可以用pd.date_range生成间隔适中的刻度；如果类别特别多，不如换成柱状图或横向条形图。画图的目的不是一步到位美观，而是先把信息表达清楚，再谈细节优化。记住这个顺序，你就不太会在画图上钻牛角尖。
另外提一句，如果你想生成一个动态交互的图表，或者想画更复杂的统计图形，plotly和seaborn也值得了解。但matplotlib是基础中的基础，先把它的坐标轴、图例、标题、保存图片这几个功能玩明白，再往上层走。
4.4 实用小项目：把Excel数据统计成图表报告
第二阶段收尾，我给自己定的任务是“把Excel自动统计分析并画图”。这刚好把“python写入excel”、“python dataframe”和matplotlib串起来了。流程是这样的：
- 用
pandas.read_excel("销售明细.xlsx")读取Excel数据。 - 用
df.groupby("产品")["销售额"].sum()做分组统计。 - 用matplotlib绘制条形图并保存为PNG图片。
- 把统计结果用
df.to_excel("统计结果.xlsx", index=False)写回Excel。
整套代码不超过50行，但覆盖了数据读取、处理、可视化和结果输出四个关键环节。当我在第58天亲眼看到程序自动生成一份带图表的报表时，那种“这周没白学”的感觉非常强烈。这也是为什么我建议第二阶段一定要动手做这类小项目，光看教程绝对不会有这种正反馈。
5. 自动化与综合实战：让Python替你打工
5.1 自动连接公司系统拉报表：职场场景的经典需求
第三阶段第一个实战项目，对应热词“python如何连接公司系统实现自动拉表”。这个需求在工作里太常见了：每天早上花半小时打开几个系统，把数据导出来，粘贴汇总，发邮件。这种重复劳动完全可以交给脚本。
实现的思路分几步。第一步确认数据来源是什么形态——如果系统提供数据库访问权限，比如Oracle或MySQL，那用连接库直接查询；如果是网页后台，可能需要模拟登录后抓取数据；如果只是本地文件，那pandas直接处理就行。
以连接Oracle为例，需要先安装驱动库，目前常用的是python-oracledb或cx_Oracle。连接的核心参数是数据库地址、端口、服务名、用户名和密码：
import oracledb conn = oracledb.connect( user="report_user", password="your_password", dsn="192.168.1.100:1521/ORCLPDB" ) cursor = conn.cursor() cursor.execute("SELECT date, amount FROM sales WHERE sale_date >= TO_DATE('2025-01-01', 'YYYY-MM-DD')") rows = cursor.fetchall()这段代码拿到数据后，配合pandas就能直接转成DataFrame，再生成Excel或图表。注意，连接公司系统不是光有代码就行，你还得有网络权限和数据库账号。如果公司IT有专门的报表系统，脚本前需要确认合规性，千万别拿脚本去绕过权限，那是给自己挖坑。
“python连接cmd”这个搜索词也有对应场景——有时候你想在Python里执行系统命令，不需要人工去命令行操作，用内置的subprocess模块就行：
import subprocess result = subprocess.run(["dir"], capture_output=True, text=True, shell=True) print(result.stdout)这个方法可以用于批量处理文件、调用外部工具，也是自动化工具箱里常用的一块积木。
5.2 网页数据获取：用正向姿势学习爬虫
“python爬虫”是搜索量最大的热词之一，也是新手最容易误入歧途的地方。我的观点是，爬虫本身是一项完全中性的技术，就像一把菜刀——关键是拿来干什么。正确的入门姿势是学习requests库和BeautifulSoup库，抓取公开信息、练习数据分析。实操时务必遵守网站的访问规则和robots协议，尊重版权，不搞高并发暴力抓取，不碰任何需要权限的数据。
一个简单的入门脚本结构是这样：用requests.get()请求网页，拿到HTML文本，再用BeautifulSoup解析出你想要的元素。整个过程考验的是对HTML结构的理解，而不是Python本身。我建议练手就用公开的测试站点，跑通思路就好。
这里必须泼一盆冷水：任何教你绕过防护、批量抓取敏感数据、用来攻击或作弊的“教程”，都不要碰，没必要，也不值得。真正的技术能力是在合规场景里练出来的，不是比谁更会钻空子。
5.3 量化交易策略代码：热度高，但别轻易实盘
“python量化交易策略代码”的热度一直很高，很多初学者刚学完pandas就想直接写策略、接实盘。我的建议是：量化确实是把Python数据分析能力用到极致的方向，但第一阶段请把它当成“数据框架练习”，不要动真金白银。
一个经典的学习路径是写一个双均线策略回测：计算短期均线和长期均线，当短期上穿长期时买入，下穿时卖出。用backtrader框架写回测代码，最核心的逻辑部分大致长这样：
class DoubleSMA(bt.Strategy): def __init__(self): self.sma_short = bt.indicators.SimpleMovingAverage( self.data.close, period=10) self.sma_long = bt.indicators.SimpleMovingAverage( self.data.close, period=30) def next(self): if self.sma_short[0] > self.sma_long[0] and self.sma_short[-1] <= self.sma_long[-1]: self.buy() elif self.sma_short[0] < self.sma_long[0] and self.sma_short[-1] >= self.sma_long[-1]: self.sell()回测跑出来的收益曲线和回撤数字，是理解“策略评价”的绝佳材料。但请记住：回测结果好，不代表实盘能赚钱，里面涉及交易成本、滑点、未来函数等一堆坑。我个人的建议是，量化方向只作为学习pandas、数据清洗和策略思路的载体，真要深度做，还有人、风险、心态等大量功课要做。
5.4 用“小工具合集”给100天画句号
第三阶段最后，我把分散的练习整合成一个小工具合集。脚本包括：
- 一个用Python生成中秋节祝福语并配上简单ASCII图案的小程序；
- 一个批量重命名文件夹内所有图片文件的脚本；
- 一个能定时提醒我喝水的桌面弹窗程序；
- 一个读取本地CSV并按条件筛选出“重复/异常”行的数据处理脚本。
这些工具单独看都很简单，但组合起来就是一份完整的能力证明。做完这个合集，我理解了一个关键点：热词里的“python教程”、“python入门”永远刷不完，真正有效的是把每个知识点放进一个具体用途里。代码能用起来，才算真的学会。
6. 遇到问题怎么定位：我的排查套路
6.1 报错信息的正确阅读法：从最后一行开始
第70天之后，我遇到报错已经不怎么慌了。我的排查套路很简单：首先看报错最后一行，那一行通常是异常类型和最关键的原因。比如ModuleNotFoundError: No module named 'requests'，核心信息就是“没装requests库”。然后看代码里报错指向的文件名和行号，从那一行往上回溯，往往就能发现是变量名拼错、缩进问题还是逻辑问题。
很多人搜“python教程未定义怎么用”这类问题，本质上就是没掌握这个阅读顺序。报错信息不是天书，它就是Python在告诉你“我在哪个位置、遇到了什么问题”。把报错当成调试信息而不是失败，心态就过去了。
6.2 100天里我遇到的常见问题速查表
| 问题 | 典型报错 | 解决办法 |
|---|---|---|
| 中文注释乱码 | SyntaxError: Non-UTF-8 code | 文件开头加# -*- coding: utf-8 -*-，或直接统一用UTF-8 |
| 库装不上 | ERROR: Could not find a version | 检查Python版本是否过老，用镜像源重装 |
| 列表索引越界 | IndexError: list index out of range | 检查列表长度，注意最后一个元素的索引是len-1 |
| 缩进错误 | IndentationError: unexpected indent | Python用缩进表示代码块，统一用4个空格 |
| 遇到NaN数据 | ValueError: cannot convert float NaN to integer | 用pd.isna()或dropna()先清洗数据 |
| OCR识别太占CPU | 进程跑满 | 换轻量模型，降低并发数，或改用在线接口 |
6.3 搜索问题的正确姿势
遇到问题再正常不过，但搜问题的姿势有讲究。我的经验是不要只搜报错原文，而是把“报错信息 + 你的环境”一起搜，比如“python 3.11 pandas read_excel ImportError”。搜索结果里优先看Stack Overflow、官方文档和GitHub Issues，这些地方的信息质量比个人博客稳定得多。先把官方文档当字典用，而不是像读小说一样从头翻到尾，效率会高很多。
6.4 写在最后的一些“作弊”技巧
最后分享一个我踩过几次坑之后总结的“作弊”技巧：在写代码之前先把问题拆成伪代码，写成注释，再逐行翻译成Python。这个步骤很多人嫌麻烦，但实测下来能省一半的调试时间。比如要写“从列表里筛选出所有偶数”，先写注释：
# 创建一个新列表 # 遍历原列表 # 如果数字能被2整除，就添加到新列表然后一行注释对应一两行代码。这种方式让思考过程和代码一一对应，逻辑不容易乱。我后面写自动化脚本和数据处理项目时，一直保留这个习惯，相当于在脑内先跑通一遍再动手。
100天不是终点。计划结束后我最大的感受是，真正让我坚持下来的不是意志力，而是每天完成一个“足够小”的目标。如果你也想尝试这条路，我的建议是从现在开始，不要等到完整的时间、不要等到准备好再学，今天就先装好Python，写下第一行print("Hello Python")。后面的事，一步一步来就好。
