学期末的时候有一些数据处理的任务，花了很长时间按部就班地以常规办法解决，基本上是在excel、Wolfram Alpha和origin中倒腾数据，在数据量少且源数据不变的时候，可以比较轻松地应付，但偏偏我的问题两个条件都不符合。后来按《你早该这样玩excel》里提的源数据表原则，排成了一个统一并大量冗余的源数据表，全部数据处理用公式完成，效率提高了不少，但依然不够满意。主要还是excel里批量处理的数据不能及时转为图像（不会啊。。。），它的公式处理也不够灵活，也缺少「拟合」这样的高级功能。
后来其中某个小问题由于需要不停地迭代试算，实在伤脑筋，就干脆请身边的某matlab达人 ^[没错，就是传说中的鸡爷！] 帮忙编写了一个自动解决其中一部分问题的小程序，当时惊为天人。当然，没过多久，又开始对这个小程序不满足了，但这种提前告诉程序需要做什么事，然后具体的任务由它完成的思想给了我很好的启发。这个小程序解决的只是一部分需要迭代的小部分（甚至它都没实现迭代本身，只是自动实现了迭代的过程），而如果能由程序完成尽可能多的问题呢？
刚好此前在室友的推荐下看过《用python作科学计算》，知道python的开源包一定程度上可以实现matlab的常用功能，又由于python本身是一个全功能的编程语言，因此就决定在暑假学一学python。
说一下编程的两大罪状：
- 会不断地碰到小问题，不断地通过google、查文档解决，于是如果堆代码的过程比较顺利的话，就是一个不断地产生小成就感的过程。这种小成就感给人一种幻觉，让人觉得似乎完成了很大的成就，而事实的情况是即使整个程序拿出来也只是做了一点点事情而已。
- 会不断地碰到小问题，如果是比较冷门的问题，有可能会在原地打转，并且持续很久，这也是相当糟糕的情况。
学会一门编程语言的三大好处：
- 可以批量地完成某些计算任务。以前喜欢在excel中处理数据，然后在origin中作图，中间如果修改了数据，则所有流程都需要重新做一遍，较为繁琐。而如果写成一个程序，只需要对源数据文件作修改，后续所有的数据处理和绘图都自动完成。这在某些情况下是极其便利的。
- 对非程序员、数学专业出身的工科生来说，写程序、排除bug的过程非常锻炼逻辑化思维（不完全等于逻辑思维）的能力。我自己在排除自己写的小程序的bug过程中形成的思考方式，在其它方面有非常好的借鉴意义，例如在CFD模拟出现非预期问题时的排错等。
- 偶尔也可以做一些小项目，比如很常见的自动抓取网页信息等。
关于python本身，发表一些个人意见：
- 语法简单,相比C家族的语言更适合我这样的新手；
- 用缩进标记代码块，最后写出来的代码一般更美观些，适合我这样有「贱症」的人；
- 网上资源很多，常见问题在stackexchange基本都能找到答案，文档也比较丰富，基本都有例子，照做就行；
- 第三方库很强大，比如科学计算的numpy、scipy，基本上能替代matlab和origin的常用功能了；