基础编程素养学习站点
在AI编程工具（如Cursor、GitHub Copilot等）日益成熟的今天，学习Python基础的重点必须从"死记硬背语法"转向"理解核心逻辑与数据流转"。AI可以瞬间生成几十行代码，但你需要具备读懂、调试、重构和组合这些代码的能力。
本课程剔除了传统课程中陈旧且极少手动编写的部分，将精力集中在四大核心模块与一种新时代学习法上，帮助你在AI时代快速掌握Python编程基础。
能够读懂AI生成的代码，理解程序的执行逻辑和数据流动
专注于AI时代最常用的Python特性和工具
能够用自然语言指挥AI，并精准验证其产出
AI生成的代码往往使用了Python的特性，你需要能迅速看懂其逻辑走向，而不是被语法卡住。本单元将帮助你掌握Python的核心语法，为后续学习打下基础。
变量是存储数据的容器，控制流决定了程序的执行顺序。
在Python中，变量的定义非常简单，直接赋值即可：
条件分支用于根据不同的条件执行不同的代码：
循环用于重复执行一段代码：
列表和字典是Python中最常用的数据结构，也是AI代码中最常见的。
列表用于存储有序的序列数据：
字典用于存储键值对数据：
推导式是Python的一种简洁语法，用于快速生成列表或字典：
尝试完成以下练习，巩固本单元所学内容：
编写一个程序，将摄氏度转换为华氏度。公式：华氏度 = 摄氏度 × 9/5 + 32
编写一个程序，计算列表中所有数字的平均值。
使用字典存储学生信息（姓名、年龄、各科成绩），并编写函数计算学生的平均成绩。
使用列表推导式生成1-100之间的所有偶数，并使用字典推导式创建一个映射，将每个偶数映射到其平方值。
很多初学者认为只需写脚本，不需要懂面向对象，但这在AI时代是致命的。因为每一个神经网络模型，本质上都是一个类。
理解如何定义类、实例化对象
在深度学习框架（如PyTorch）中，__init__ 是造零件（定义网络层）的地方，而类似 forward 的方法则是拼装零件（前向传播）的地方
这是Python在AI和数据领域被称为"胶水语言"的真正原因，也是你与AI协作时的主要工作区域。传统课程常把这部分放在后面，但现在应该前置为核心基础。
理解N维数组及其"广播机制"（如直接对矩阵乘以标量，无需写循环），以及维度变换（reshape）。AI中的图像、文本最终都是NumPy矩阵
掌握DataFrame结构。AI应用90%的时间在清洗数据，你需要能用Pandas读取CSV、处理缺失值（fillna）、筛选数据
能画出Loss曲线、数据分布图。不画图，训练AI就像盲人摸象，无法判断模型是否学傻了（过拟合）
AI通常给你代码片段，你需要把它们组装成可运行的项目。
理解参数传递、返回值，以及如何 import 调用第三方库和自定义模块
掌握读取CSV/JSON文件，以及用 try-except 捕获异常。当AI代码因数据格式问题报错时，异常处理是你定位Bug的利器
不浪费时间的关键不仅在于"学什么"，更在于"怎么学"。
摒弃先啃厚书再写代码的传统路径。直接让AI生成一个你感兴趣的小项目（如电商销售分析），通过"看大概 -> 精读 -> 找差距 -> 模仿修改"的流程来学习
先学Pandas等工具跑出结果，遇到不懂的统计概念（如四分位数）再去补理论，而不是先啃完统计学再来敲代码
遇到难以理解的内存分配或执行逻辑，使用 pythontutor.com 等工具将代码执行过程图形化，这比单纯看文字效率高十倍
以下是本课程的推荐资源，帮助您更好地学习Python编程。
适合初学者的Python入门书籍
数据科学方向的Python应用指南
最权威的Python参考资料
代码执行过程可视化工具
数据科学实践平台，有大量真实数据集和案例
使用Pandas分析销售数据，用Matplotlib可视化结果
使用NumPy实现简单的线性回归模型
编写一个脚本，使用Pandas处理和清洗CSV数据