2017年11月11日-11月30日
开始阅读*《零基础入门学习Python》*，看了三天，初始Python的基本语法、列表和字典、包和模块等概念。推荐小甲鱼的这本书作为入门，书籍是基于Python3作为开发语言，具有时效性；语言轻松易懂；一边抄代码一边学语法，3天即可以稍微上手Python。

在这三天间，还参考百度教程，配置好Python的运行环境。在win7环境下，安装了Python3.6，Anaconda3，PcCharm，后来才发现，只需要下载一个Anaconda3就可以了0-0熟悉了Python的运行环境，熟悉了pip、conda等命令的用法、第三方包的安装。

2017年11月18日-11月30日
由于刚开始的时候，把自己的求职目标定位为“基于Python的数据分析师”，因此还检索了很多数据分析的岗位JD。包括数据分析的岗位要求、学习规划、职业分类等等。自己也很懈怠。

11月27-12月4日去厦门大学出差，期间只能看看书。看的是《利用Python进行数据分析》，草草浏览了一遍，只记得NumPy、Matplotlib、pandas这几个包的名字而已=-=京东双11的时候，买了《利用Python进行数据分析》、《Python金融大数据分析》、《Python零基础入门学习》、《谁说菜鸟不会数据分析》、《深入浅出数据分析》这几本书，一共大概200元，但是过了一个月，目前只看了《Python零基础入门学习》这一本而已。。。

2017年12月8日-12月25日
出差返校之后，重新定位了一下：把“爬虫工程师”作为学习Python的阶段性目标。大概花了一周时间去攻克，学习到的知识有：
1、网页的基本知识：get和post的含义、html的含义及基本格式；
2、爬虫的基本原理：分析网页-请求网页-返回网页信息-解析网页-下载文件-保存文件；
3、爬虫相关的第三方包：请求网页用的是requests，解析网页有三种方法（re、lxml、BeautifulSoup），这三个包是爬虫的重中之重；
4、Python环境下对本地文件的读写：下载文件则需要自己写一个download函数，os包的使用；
5、网页URL的分析方法，需要用for循环获取某些嵌套网页的url；
6、使用浏览器调试url的方法，F12和寻找scr、href等；

学习的方法，就是不断的寻找网上的示例，先自己在spyder中手动敲一遍，然后逐句逐句的分析每一条代码的含义。重复2-3个例子之后，会发现所有的爬虫都基本是这个套路。这个重复的过程一周足矣。0-0爬取妹子图，对于内心成就感的提升是最大的。。。

2017年12月18日-2017年12月31日
在学习了基本的小型爬虫之后，开始学习爬虫框架Scrapy。学习Scrapy的过程非常的曲折，主要困难在：由于Scrapy包在17年2月份之后，才支持Python3；此外，有些网页的html也在更改，因此网上很多教程都是不可正常运行的。

我百度关键词为“scrapy爬取图片”，浏览了前100个网页，能运行的爬虫实例，不过6个而已。因此，除了浏览Scrapy框架的简介之后，没有几个能仔细研究的case。于是，上jd买了一本《从零开始学Python网络爬虫》，由于是17年10月份出版的，因此和目前的开发环境很契合，不会出现代码运行不了的情况。

将要学习的知识点：
1、用MongoDB和MySQL存储爬取的数据；
2、多线程爬虫的实现方法；
3、针对异步加载网页抓取数据的方法；
4、使用cookies模拟登录网站；

2018年1月2日-2018年1月13日
看到了拉勾网上广州银行的数据分析岗位，要求机器学习方向，做数据预测的工作；结合目前的行业趋势，开始了机器学习的了解。方式，当然是把知乎、CSDN、博客园、简书等网站的信息都过一遍，把百度关键词的几百个网页都过一遍；然后在京东买了三本书，《机器学习Python实践》、周志华《机器学习》、李航《统计学习方法》，第一本是基于scikit-learn框架的Python实践指导书，后两本都是机器学习理论方面的经典教材，一深一浅；同时，正好我的舍友（秋招去了海康的大数据算法）和实验室的杨烈（做的课题是TensorFlow框架的深度学习）做的工作与之相关，就和他们多讨论，可以在学习方向上即是纠偏。

这段时间，主要是直接上手《机器学习Python实践》这本书的代码，把书上几乎所有的代码都重写了一遍，了解了scikit-learn的基本用法、机器学习的基本流程；当然，对于理论完全没有了解，也缺乏独立进行项目的能力。

2018年1月13日-1月22
动物书系列都写的很好。这本书可以说是数据分析领域，不可避免的一部经典了。集中花了十天左右来看，做示例。
优点在于：针对Python2语言，在数据分析情境下，介绍了常用的包（Scipy、Numpy、pandas、matplotlib）、数据的一般操作（导入、清洗、转换、合并、可视化）、十个左右的实例帮助理解。
缺点在于：代码案例在Python3上运行时，很多都需要修改；个人感觉实例偏少，并且有些脱离当代商业分析的实际情景；美国人写书比较口水；代码在书本里面，没有灰色背景色，不太容易看出来。

我个人只是不求甚解的通看了一遍而已，然后将例子照抄做了一遍，没有太多的个人思考。个人感觉这本书，是当做“字典”来翻阅的。也即是说：遇到数据分析的具体案例时，查阅这本书，寻找有哪些方法可以借鉴。

2018年1月23日-2月1日
这段时间去厦门大学出差，只是在做实验中途间歇的时候，匆匆浏览完了这本书。也是在京东上买的，算是数据分析的入门教程了；这本书本身也属于‘Head first’系列，即从头开始，可以是实实在在的入门书。
优点：案例结合商业实践非常紧密；语言、图例都及其通俗易懂，没有任何阅读难度；
缺点：内容太浅；看过之后印象不深刻。只能算是科普书。

#（8）研读《机器学习》（周志华老师的西瓜书）

学到了这里，Python就已经上路了。这时，你已经对Python生态、用它能做什么、不能做什么有了一定的了解；在接下来，你需要去学习数据库、算法、其他语言、计算机网络、大数据等技术栈的理解，这些需要自己另外摸索了。