1. Python入门：Python发展史、Python应用场景、Python开发环境搭建
1.1 Python的诞生与演进
Python的故事，得从1989年的圣诞节说起。
荷兰程序员Guido van Rossum，当时在阿姆斯特丹的国家数学与计算机科学研究所工作。他嫌ABC语言太封闭，又觉得C语言写起来太累，于是决定搞一个「既优雅又实用」的新语言。说白了，就是想让写代码这件事变得舒服点。
1991年，Python 0.9.0发布。名字取自他喜欢的喜剧团体Monty Python，跟蛇没关系。嗯，虽然Logo是两条蛇，但那只是后来设计师的创意。
我刚开始学Python时，已经是2.5版本了。那时候有个经典笑话：Python 2和Python 3的战争，比任何语言都持久。你想想看，一个语言的两个大版本，居然能共存十几年，这本身就说明它的生命力有多强。
几个关键里程碑：
- 1994年：Python 1.0发布，有了lambda、map、filter这些函数式编程特性
- 2000年：Python 2.0发布，引入列表推导式和垃圾回收机制
- 2008年：Python 3.0发布，不向后兼容，引发了一场「迁徙运动」
- 2020年：Python 2正式退役，官方不再维护
我个人习惯用Python 3.8以上的版本。为什么？因为3.8引入了海象运算符:=，写起来真的很爽。不过别急，后面我们会专门讲这个。
核心观点：Python的设计哲学是「用一种方法，最好是只有一种方法来做一件事」。这跟Perl的「条条大路通罗马」完全相反。你写Python代码时，会感觉它像在逼你写出可读性高的代码。
1.2 Python到底能干什么？
这个问题，我几乎每次讲座都会被问到。其实答案很简单：除了不能生孩子，Python几乎什么都能干。
说正经的，Python的应用场景主要集中在以下几个领域：
| 领域 | 典型工具/库 | 我的实战经验 |
|---|---|---|
| Web开发 | Django, Flask, FastAPI | 我用Flask写过内部监控系统，三天上线 |
| 数据分析 | Pandas, NumPy, Matplotlib | 处理过百万行日志，Pandas一把梭 |
| 机器学习 | PyTorch, TensorFlow, Scikit-learn | GPU训练模型时，Python是标配前端 |
| 自动化运维 | Ansible, Fabric, Paramiko | 批量部署服务器，Python脚本比Shell好维护 |
| 科学计算 | SciPy, SymPy, Jupyter | 物理模拟、信号处理，Python都能搞定 |
| 游戏开发 | Pygame, Panda3D | 虽然不主流，但做原型验证很快 |
我在项目中遇到过最离谱的需求：用Python控制工业机器人。当时找了半天库，最后发现有个叫pybotics的库，直接算逆运动学。嗯，Python的生态就是这么野。
避坑指南：我曾经以为Python能搞定一切，直到我需要写一个实时音频处理程序。Python的GIL（全局解释器锁）让多线程在CPU密集型任务上表现很差。后来我改用C扩展 + Python胶水层，才解决问题。所以记住：Python适合做「胶水语言」，把C/C++模块粘起来。
1.3 搭建你的Python开发环境
好，理论说完了，咱们来点实际的。怎么把Python装到你的电脑上？
我个人习惯用pyenv管理多个Python版本。为什么？因为不同项目可能依赖不同版本的Python，你总不能每次都卸载重装吧？
但如果你是新手，我建议先走标准路线：
- 下载安装包：去python.org下载对应系统的安装包。Windows用户记得勾选「Add Python to PATH」。
- 验证安装：打开终端（CMD或PowerShell），输入
python --version。如果看到版本号，说明装好了。 - 安装pip：Python 3.4以上版本自带pip。输入
pip --version检查。 - 安装虚拟环境：
pip install virtualenv。这是必装项，后面会讲为什么。
注意：千万不要用系统自带的Python！macOS和Linux都预装了Python，但那是给系统用的。你如果直接pip install，可能会把系统搞崩。我曾经手贱在macOS上装了新版numpy，结果系统自带的脚本全挂了。从那以后，我所有项目都用虚拟环境。
说到虚拟环境，这里有个小技巧：
# 创建虚拟环境
python -m venv myproject_env
# 激活（Windows）
myproject_env\Scripts\activate
# 激活（macOS/Linux）
source myproject_env/bin/activate
# 退出
deactivate你想想看，每个项目都有自己的依赖，互不干扰。这个习惯一定要养成，尤其是后面我们要做GPU编程，依赖管理会更复杂。
1.4 第一个Python程序
环境搭好了，咱们写个程序试试。别写Hello World了，太俗。咱们写个能体现Python特色的东西：
# 计算斐波那契数列，但用Pythonic的方式
def fibonacci(n):
a, b = 0, 1
for _ in range(n):
yield a
a, b = b, a + b
# 打印前10个数
print(list(fibonacci(10)))
# 输出: [0, 1, 1, 2, 3, 5, 8, 13, 21, 34]看到没？a, b = b, a + b这种写法，在C语言里你得写三行。Python就是靠这种语法糖，让你写代码像写诗一样。
关键点：Python的变量赋值是引用传递。你写a = b时，a和b指向同一个对象。这个特性在写GPU代码时特别重要——因为显存管理比内存更严格，搞不好就OOM（显存溢出）。
1.5 我推荐的学习路线
最后，分享一点个人经验。学Python，别一上来就啃官方文档。我的建议是：
- 第一周：搞懂基础语法（变量、循环、函数、列表、字典）
- 第二周：学会用pip安装第三方库，写个爬虫或者小工具
- 第三周：理解面向对象编程（类、继承、多态）
- 第四周：接触NumPy和Pandas，为后面的GPU计算打基础
记住，Python只是工具。真正值钱的是你解决问题的思路。后面我们会用Python调用CUDA，让显卡帮你算到飞起。但前提是，你得先把Python这把刀磨利了。
好，第一章就到这。下一章我们聊聊Python的数据类型和流程控制——这些东西看似基础，但写GPU代码时，一个类型错误就能让你排查半天。