前言：据说中学也开始学习python，真的是coding要从娃娃抓起，这也意味着我等大学学渣全面被吊打被预警。。。现在企业招聘基本开发岗几乎也是基础C系列或java一种，加上脚本语言python之类的，可见熟练掌握python是多么重要，至于python应用多么广泛就不说了，python发展感觉还是比较具有潜力的，由于具有代码简单易读，移植性好，维护成本低等等优点，深受工业界和学术界的喜爱，总之还是得好好搞起来。
配置
1.环境安装配置
1.python现在安装配置比较简单，访问http://www.python.org/download/去下载最新的python版本。我用的是python3，一路next过来即可，还有python2的版本，如果想要兼容这两个版本，可以装一个conda类似于一个包管理器，可以指定python环境，我倾向于现在还是学3吧，毕竟已经不早了，因为各种版本库也逐渐加强对于3的支持，2与3也稍微有些语法的不同，但是也差不多，思想都是类似的，学哪个也都可以。
2.下载完成后，计算机添加安装目录到环境变量，把python的安装目录添加到path系统变量中即可。
3.测试python安装是否成功，cmd打开命令行输入 python 命令，如下图即成功：
2.工具
现在电脑已经具有python的环境，现在本地运行基本可以用来测试或者写代码都可以，再用一款文本编辑器，类似于Sublime或者Notepad++基本可以完成日常的开发，都是免费的，推荐的话我建议用Sublime，因为比较好看。。。有了文本编辑器后，可以随心所欲的coding（要符合python的语法,和你配置的环境统一），然后送给python解释器去执行，主要方法有两种都可：
方法一：
进入Python脚本所在的文件夹，shift+右击，选择“在此处打开命令窗口”，按TAB键切换文件，选择目标python脚本，当然直接输入也行。
方法二：
win+R，输入cmd，进入命令行窗口，直接将脚本文件拖到窗口里回车就可以了。
这个主要和前面测试代码的方法分开就好了，一个类似于交互式的python解释器环境可以用于测试等等，然后将结果输出，另一种行为是将”XX.py”当做参数传递给解释器，触发了解释器的另一个行为：从文件中读取Python语句并执行。
3.管理
类似于java web中的包管理工具maven，python也有类似于管理各种库的东西，python主要就强大在各种库近几天接触向numpy和pandas等等，同样他也有许多内置的库，其实在python中称为库并不准确，都是叫各种的模块，类似库的概念。用到的工具就是pip，实现类似maven的功能，这个也比较简单，不需要复杂的配置，详见http://www.ttlsa.com/python/how-to-install-and-use-pip-ttlsa/
4.IDE
库也有了，环境也有了，进行大型项目开发还少不了IDE，推荐使用pycharm，风格类似于Intellij，用起来也比较舒服，同样有免费版,配置起来也不复杂。-安装教程戳
之后可以进行愉快的开发了，我碰到的问题有类似于库关联的问题，需要在IDE选项中注意关联自己的环境和添加上pip导入的包，具体步骤Settings –>Project:Python –>Project Interpreter，如图（注意+号那里添加库）
数据采集基本操作
常用的数据分析文件格式有txt,csv（主要）,json等等。
txt基本操作
打开文件
file_obj = open(filename, access_mode)
access_mode: ‘r’，‘w’
读操作
file_obj.read() #读取整个文件内容
file_obj.readline() #逐行读取
file_obj.readlines() #返回列表，列表中的每个元素是行内容
写操作
file_obj.write()# 将内容写入文件
file_obj.writelines() #将字符串列表内容逐行写入文件
csv基本操作
常用csv文件一般用pandas处理。
读操作
df_obj = pd.read_csv()#返回DataFrame类型的数据
写操作
fdf_obj.to_csv()
pandas简要介绍： Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。
数据结构： Series，类似于一维数组的对象。 DataFrame，表格型数据结构，每列可以是不同的数据类型，可表示二维或更高维的数据
练习代码
# -*- coding: utf-8 -*-
"""
作者:田洋
日期:2018/04/03
功能：利用Dataframe结构完成类似于SQL功能的查询和筛选
"""
import pandas as pd
import numpy as np
import sys
print("请输入时间段：形如0:12-0:22")
a=input()
b=a.split('-')
c='2011-9-14 '+b[0]+':00'
d='2011-9-14 '+b[1]+':00'
data=pd.read_table('GP.txt',sep=',',names=["ID","Time","Longitude","Latitude","Speed","No"])
data1=data[(data.Time>c)&(data.Time<d)]
print(data1)