想学习Python Django,请推荐从入门到精通各个阶段的好书?
回复内容:
Django documentation 对着doc做项目吧~ 可参考这个 学 Python 发现学一门编程语言很难,有哪些学好编程的方法或技巧?关于Django,最好参考django 官方文档 或 djangoBook.(请自行google.),重点放在django官方文档上, 多实践,多看文档。对于开发实例:
(1).到github中搜索 django. 找参考项目学习
(2).这里提供自己开发的两个项目,一个论坛编程主题,一个博客 BeginMan的博客 如感兴趣可以Fork 一份看看代码。 自问自答吧,过了一年,写Python代码也写了估计有5k行左右,因为个人能力不行(电气工程专业,编程都是自学的野路子),现在想写点东西,还是先百度(校园网翻不出去),边看边写,心太散,写写这个觉得那个好了就去学那个。这造成了自己啥都略懂(真的略懂),不过我也觉得,这反而让自己视野广了。
学django方法就是在ubuntu下,按着the django book写项目,一个项目过完了,也就差不多了,然后自己写自己的想法,遇到问题自行百度谷歌啥的。
写过一个比较拿得出手的就是用python计算光伏电力系统设计时的相关参数,然后生成一个csv数据文件,给导师演示了,她让我再拓展一下,我准备用sae+django弄个web,不忙的时候敲敲…… 首先从 The Django Book 开始 -> The Django Book。
需要注意的是 The Django Book 里用的是 Django 1.4,但现在很多人都在用 Django 1.6,而且 Django 1.7 final 马上也要发布了。所以看 The Django Book 时,最好把里面提到的内容都对照你用的版本的 Documentation 来比较看看。不然会有很多奇葩错误的。
然后再读 Django 官方的 Tutorial -> Django Tutorial - part 1
读过 The Django Book 再看这个会觉得这个很简单。
接下来再看看 Django首页 Django Framework 下的各个部分(Model, View, URLconf, Template, Cache, Internationalization)。这里基本上把常用的知识都教给你啦。
最后对着 Django documentation 的目录一路向下看吧。
最好一边写一个 Project 一边学习。边写边学,很容易上手。 the django book 2.0 gongle一下能出来,也有网友贡献的翻译版 很不错 书是死的,framework的功能却是不断在变的,最好找网上的教程。 中文教程都是照扒英语的比较过时,英语过硬的话不妨http://www.tangowithdjango.com/ 顶 django book

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce tutoriel montre comment utiliser Python pour traiter le concept statistique de la loi de Zipf et démontre l'efficacité de la lecture et du tri de Python de gros fichiers texte lors du traitement de la loi. Vous vous demandez peut-être ce que signifie le terme distribution ZIPF. Pour comprendre ce terme, nous devons d'abord définir la loi de Zipf. Ne vous inquiétez pas, je vais essayer de simplifier les instructions. La loi de Zipf La loi de Zipf signifie simplement: dans un grand corpus en langage naturel, les mots les plus fréquents apparaissent environ deux fois plus fréquemment que les deuxième mots fréquents, trois fois comme les troisième mots fréquents, quatre fois comme quatrième mots fréquents, etc. Regardons un exemple. Si vous regardez le corpus brun en anglais américain, vous remarquerez que le mot le plus fréquent est "th

Cet article explique comment utiliser la belle soupe, une bibliothèque Python, pour analyser HTML. Il détaille des méthodes courantes comme find (), find_all (), select () et get_text () pour l'extraction des données, la gestion de diverses structures et erreurs HTML et alternatives (Sel

Traiter avec des images bruyantes est un problème courant, en particulier avec des photos de téléphones portables ou de caméras basse résolution. Ce tutoriel explore les techniques de filtrage d'images dans Python à l'aide d'OpenCV pour résoudre ce problème. Filtrage d'image: un outil puissant Filtre d'image

Cet article compare TensorFlow et Pytorch pour l'apprentissage en profondeur. Il détaille les étapes impliquées: préparation des données, construction de modèles, formation, évaluation et déploiement. Différences clés entre les cadres, en particulier en ce qui concerne le raisin informatique

Python, un favori pour la science et le traitement des données, propose un écosystème riche pour l'informatique haute performance. Cependant, la programmation parallèle dans Python présente des défis uniques. Ce tutoriel explore ces défis, en se concentrant sur l'interprète mondial

Ce didacticiel montre la création d'une structure de données de pipeline personnalisée dans Python 3, en tirant parti des classes et de la surcharge de l'opérateur pour une fonctionnalité améliorée. La flexibilité du pipeline réside dans sa capacité à appliquer une série de fonctions à un ensemble de données, GE

La sérialisation et la désérialisation des objets Python sont des aspects clés de tout programme non trivial. Si vous enregistrez quelque chose dans un fichier Python, vous effectuez une sérialisation d'objets et une désérialisation si vous lisez le fichier de configuration, ou si vous répondez à une demande HTTP. Dans un sens, la sérialisation et la désérialisation sont les choses les plus ennuyeuses du monde. Qui se soucie de tous ces formats et protocoles? Vous voulez persister ou diffuser des objets Python et les récupérer dans son intégralité plus tard. C'est un excellent moyen de voir le monde à un niveau conceptuel. Cependant, à un niveau pratique, le schéma de sérialisation, le format ou le protocole que vous choisissez peut déterminer la vitesse, la sécurité, le statut de liberté de maintenance et d'autres aspects du programme

Le module statistique de Python fournit de puissantes capacités d'analyse statistique de données pour nous aider à comprendre rapidement les caractéristiques globales des données, telles que la biostatistique et l'analyse commerciale. Au lieu de regarder les points de données un par un, regardez simplement des statistiques telles que la moyenne ou la variance pour découvrir les tendances et les fonctionnalités des données d'origine qui peuvent être ignorées et comparer les grands ensembles de données plus facilement et efficacement. Ce tutoriel expliquera comment calculer la moyenne et mesurer le degré de dispersion de l'ensemble de données. Sauf indication contraire, toutes les fonctions de ce module prennent en charge le calcul de la fonction moyenne () au lieu de simplement additionner la moyenne. Les nombres de points flottants peuvent également être utilisés. Importer au hasard Statistiques d'importation de fracTI
