学习路线——Python

好的大语言模型具有强大的代码输出能力（AI 模型选择见 此处），使得掌握 Python 能够极大的扩展个体能力边界。适用于经济管理类科研活动的 Python 学习路线具有「需深度结合大模型」以及「面向算法复现而非底层创新」等特点，与科班计算机程序语言学习流程区别较大。

建议的学习思路如下：

1. 学习时间不足、希望快速上手可跟随这个流程练习：廖雪峰的 Python 教程 ，学习其中的 1~7 章即可。
2. 有相对充足的学习时间：跟随书籍《Python 编程 从入门到实践》（Eric Matthes），学习其中 1~8 章。电子版书籍 点击这里下载。
3. 上述信息了解后，需将工作平台转向 Anaconda，下载地址。以便你在多项科研活动项目间保持 Python 环境独立。可粗略参考此书籍《Python Tools for Scientists An Introduction to Using Anaconda, JupyterLab, and Pythons Scientific Libraries》(Lee Vaughan) ，主要学习其中的 1~3+5 章，电子版书籍去 这里 寻找。
4. Anaconda 中，掌握使用 Jupyter Notebook 来调试和执行代码。可使用 Anaconda 中的网页版 Jupyter Notebook，或使用 VScode 中的 Jupyter Notebook 插件。后者功能更强，但也略微增加学习成本。

学成这样就够了：

1. 如果某算法开放了 Python 代码，你能够正确执行它，得到想要的结果；
2. 你能够粗略地解读这些代码的逻辑，无需有能力重写它们；
3. 遇到代码报错，你能够通过 经验/AI 修复错误，在此过程中知道自己在干什么；
4. 如果你需要应用多种算法，你可以编写「胶水」代码串接这些算法；
5. 能将算法输出结果以恰当的方式可视化呈现，并把结果存储到计算机中。

学成这样就到头了：

1. 你能用 Python 完成 论文/项目 中的所有数据处理、分析、可视化呈现过程，使得复现你的 论文/项目 只需要若干次点击；
2. 你能够将 梳理/拼接/修正错误 后的代码与你的原始数据解耦，使得他人可以较为轻松地复现你的老结果、用新数据便捷地计算新结果；
3. 代码中有清晰的注释，需要根据实际情况调整的参数以变量形式暴露，以直观、便于修改的方式陈列；
4. 当你需要学习一种新的算法时，内心充满平静而自信的期待。