目录
核心设计原则（兴趣提升关键）
前置准备（1 天搞定，零门槛）
1. 工具安装（一键完成，不用配环境）
2. 数据来源（免费无门槛）
第一阶段：入门准备 + Python 核心基础（第 1-2 周）
阶段目标
第 1 周：Python 基础语法（绑定金融计算）
第 2 周：Python 基础进阶（金融小工具）
第二阶段：金融数据处理核心库（第 3-4 周）
阶段目标
第 3 周：pandas 入门（数据读取与基础分析）
第 4 周：pandas 进阶（时间序列与数据整合）
第三阶段：金融数据可视化（第 5-6 周）
阶段目标
第 5 周：基础可视化（折线图 / 柱状图）
第 6 周：进阶可视化（K 线图 / 多子图）
第四阶段：综合实战 + 巩固提升（第 7-8 周）
阶段目标
第 7 周：综合项目 1—— 个人定投计划分析工具
第 8 周：综合项目 2—— 单只股票基础分析报告
提升学习兴趣的关键技巧（必看）
总结（核心关键点）
面向金融专业零基础学生的 Python 初级学习计划，核心是降低入门门槛、提升学习兴趣（避免纯语法枯燥），同时保证内容详实可操作，每一步都有明确任务和能落地的小成果，让 Python 学习贴合金融专业场景（如股票分析、定投计算、财务指标测算），而非孤立的代码学习。
这份计划按8 周（2 个月）设计，每天学习 1-1.5 小时，遵循 “小步快跑 + 场景驱动 + 即时反馈” 原则 —— 所有知识点都绑定金融小场景，学完就能做出可视化成果（如股票 K 线图、定投收益表），用 “看得见的成果” 提升兴趣，最终能完成 2 个贴合金融专业课的综合小项目。
核心设计原则（兴趣提升关键）
- 场景绑定：拒绝 “学语法→刷题”，所有知识点都围绕 “算定投收益、查股票价格、画财务图表” 等金融场景；
- 即时反馈：每天的任务都能输出 “可看 / 可用” 的结果（如算出收益、画出图表），避免 “学完没感觉”；
- 个性化代入：让你用自己关注的股票、零花钱 / 定投计划作为分析对象，有强代入感；
- 正向激励：完成每周任务设置小奖励（如看金融热点、课堂展示加分、分享成果），强化学习动力。
前置准备（1 天搞定，零门槛）
1. 工具安装（一键完成，不用配环境）
- 下载安装Anaconda（官网：https://www.anaconda.com/）：内置 Python + 金融核心库（pandas/matplotlib），无需手动装库，零基础友好；
- 打开Jupyter Notebook（Anaconda Navigator 里启动）：交互式学习，代码写一行运行一行，即时看结果，是金融初学者的最佳工具。
2. 数据来源（免费无门槛）
- Tushare 免费版：注册即可下载股票 / 财务数据（https://tushare.pro/），不用自己爬取，降低难度；
- 手动录入数据：如自己的定投计划、关注股票的公开财务指标（东方财富网可查）。
第一阶段：入门准备 + Python 核心基础（第 1-2 周）
阶段目标
搭建环境，掌握 Python 基础语法，能用 Python 解决简单金融计算（单利 / 复利、定投收益），完成 “自己的第一份金融计算脚本”。
第 1 周：Python 基础语法（绑定金融计算）
| 日期 | 核心任务（1-1.5 小时） | 金融场景落地 | 兴趣点设计 |
|---|---|---|---|
| Day1 | 安装 Anaconda+Jupyter，写第一个代码：打印 “我的金融 Python 之旅”，计算 10 万元 5% 年利率的单利收益 | 单利公式：收益=本金×利率×年限 | 用自己的零花钱 / 压岁钱算收益，有代入感 |
| Day2 | 变量 + 数据类型：定义本金、年利率、年限变量，计算复利收益 | 复利公式：本金×(1+利率)**年限 | 对比 “单利 vs 复利” 的收益差，直观看到 “利滚利” 效果 |
| Day3 | 条件判断：写代码判断 “复利收益是否达标”（如 > 12 万则打印 “达标”） | 定投目标判断 | 自定义自己的收益目标，代码能给出 “是否达成” 的结论 |
| Day4 | 循环语句：用 for 循环计算 10 年定投（每年投 1 万，5% 利率）的总收益 | 长期定投收益测算 | 算自己未来的理财计划，比如毕业 5 年的存款目标 |
| Day5 | 列表 + 字典：创建股票池列表（如['贵州茅台','宁德时代']）、股票价格字典 | 金融数据存储基础 | 录入自己关注的 3 只股票，形成专属 “股票字典” |
| Day6 | 函数封装：把复利计算封装成可复用函数（输入本金 / 利率 / 年限，输出收益） | 通用金融计算器雏形 | 函数可反复调用，修改参数就能算不同场景的收益 |
| Day7 | 本周复盘：整合代码，做 “存款收益对比表”（单利 vs 复利），奖励自己看 1 篇金融热点 | 成果可视化（手动整理表格） | 看到自己一周的学习成果，用奖励强化动力 |
第 2 周：Python 基础进阶（金融小工具）
| 日期 | 核心任务 | 金融场景落地 | 兴趣点设计 |
|---|---|---|---|
| Day1 | 字符串处理：从 “600519 贵州茅台” 中提取股票代码 | 金融数据清洗基础 | 提取自己关注股票的代码，形成 “代码 - 名称” 对照表 |
| Day2 | 文件操作：把定投收益结果保存到 CSV/Excel 文件 | 金融数据留存 | 生成自己的第一份 “Python 金融计算文件” |
| Day3 | 异常处理：给复利函数加防护（利率为负时提示 “利率不能为负”） | 代码健壮性 | 避免输入错误导致程序崩溃，更贴近实际使用场景 |
| Day4 | 模块导入：用 math 模块重写复利计算，对比两种方式 | 标准库使用 | 理解 “模块化”，为后续学金融库打基础 |
| Day5 | 整合练习：写 “存款收益计算器”（输入参数，自动输出单利 / 复利结果） | 实用小工具 | 可分享给同学 / 家人，体验 “用 Python 解决实际问题” |
| Day6 | 实战小项目：算 1 只股票的市盈率（PE = 股价 / 每股收益） | 财务指标计算 | 对照东方财富网的 PE 值，验证自己的计算结果 |
| Day7 | 复盘 + 奖励：把计算器代码发给专业课老师，请教改进思路 | 专业反馈 | 让 Python 学习和专业课结合，获得正向认可 |
第二阶段：金融数据处理核心库（第 3-4 周）
阶段目标
掌握 pandas 基础（金融数据处理第一库），能读取 / 清洗 / 分析真实金融数据（如股票日线、财务指标），从 “手动算” 升级为 “批量处理数据”。
第 3 周：pandas 入门（数据读取与基础分析）
| 日期 | 核心任务 | 金融场景落地 | 兴趣点设计 |
|---|---|---|---|
| Day1 | 安装 pandas，创建 “股票日线数据” DataFrame（日期、开盘价、收盘价） | 金融数据结构化存储 | 录入自己关注股票的近 7 天数据，形成专属数据表 |
| Day2 | 读取数据：用 pandas 读取 Tushare 下载的茅台日线 CSV 文件 | 真实数据处理 | 接触金融实务中常见的 “CSV 数据文件” |
| Day3 | 数据筛选：筛选茅台收盘价 > 1800 的日期，找成交量最大的一天 | 数据切片分析 | 发现自己关注股票的 “异动日期” |
| Day4 | 数据清洗：用前一天收盘价填充缺失值 | 金融数据预处理 | 理解实务中 “数据不全” 的解决思路 |
| Day5 | 统计分析：计算茅台近 30 天收盘价的均值 / 最大值 / 涨跌幅 | 基础量化分析 | 用数据回答 “这只股票最近表现如何” |
| Day6 | 实战小项目：分析 2 只股票近 30 天的涨跌幅，找出涨幅最大的 3 天 | 多股票对比 | 形成自己的 “股票表现分析表” |
| Day7 | 复盘：对比手动计算 vs pandas 批量计算的效率，奖励自己下载 1 只新股票数据 | 效率对比 | 直观感受到 pandas 的优势，提升学习动力 |
第 4 周：pandas 进阶（时间序列与数据整合）
| 日期 | 核心任务 | 金融场景落地 | 兴趣点设计 |
|---|---|---|---|
| Day1 | 时间序列：把日期列转为时间格式，筛选茅台 2025 年 1 月的数据 | 时间维度分析 | 按 “月 / 周” 切分数据，贴合金融分析习惯 |
| Day2 | 分组计算：按周分组，算茅台每周的平均收盘价 | 周期分析 | 看股票 “周度走势”，比日线更清晰 |
| Day3 | 数据合并：合并茅台和招商银行的收盘价，对比走势 | 多标的对比 | 找出 “联动性” 或 “差异”，培养分析思维 |
| Day4 | 涨跌幅计算：写代码算每日涨跌幅 =(今日收盘价 - 昨日)/ 昨日 | 核心交易指标 | 验证自己算的涨跌幅和行情软件一致 |
| Day5 | 均线计算：用rolling(5).mean()算茅台 5 日均线 | 技术分析基础 | 接触炒股实务中的 “均线指标” |
| Day6 | 实战小项目：生成 “XX 股票 60 天价格 + 5 日均线” 表，保存为 Excel | 可交付成果 | 把表格发给同学，或作为专业课作业素材 |
| Day7 | 复盘：整理 pandas 常用金融操作清单，奖励自己用清单分析 1 只新股票 | 知识固化 | 形成 “自用手册”，后续可快速查阅 |
第三阶段：金融数据可视化（第 5-6 周）
阶段目标
掌握 matplotlib/seaborn 基础，能画出股票 K 线、收益曲线、财务对比图 ——可视化是提升兴趣的核心，“画出来的成果” 比纯数据更有成就感。
第 5 周：基础可视化（折线图 / 柱状图）
| 日期 | 核心任务 | 金融场景落地 | 兴趣点设计 |
|---|---|---|---|
| Day1 | 安装 matplotlib，画茅台近 30 天收盘价折线图（加标题 / 坐标轴标签） | 价格走势可视化 | 给图表改颜色 / 字体，做成 “专属风格” |
| Day2 | 画茅台近 30 天成交量柱状图，用红色标注涨幅 > 2% 的天数 | 量价结合分析 | 直观看到 “放量上涨 / 缩量下跌” |
| Day3 | 画 3 只股票的收盘价对比折线图（不同颜色 + 图例） | 多标的可视化 | 找出 “表现最好的股票”，有分析结论 |
| Day4 | 画定投收益饼图（本金 vs 收益占比） | 理财成果展示 | 用饼图直观体现 “收益多少” |
| Day5 | 图表美化：调整颜色、字体、背景，让图表更专业 | 成果质感提升 | 对比 “丑图表” 和 “美图表”，有成就感 |
| Day6 | 实战小项目：画 “每月投 1000 元，5% 利率，10 年定投收益曲线” | 长期理财规划 | 看到 “时间 + 复利” 的威力，贴近个人需求 |
| Day7 | 复盘：把画好的图表设为电脑桌面，奖励自己学 1 个新图表样式 | 正向激励 | 每天看到自己的成果，强化学习动力 |
第 6 周：进阶可视化（K 线图 / 多子图）
| 日期 | 核心任务 | 金融场景落地 | 兴趣点设计 |
|---|---|---|---|
| Day1 | 用 mplfinance 画茅台近 30 天 K 线图（蜡烛图） | 技术分析核心图表 | 做出和行情软件一样的 K 线图，有 “专业感” |
| Day2 | 画股票涨跌幅热力图（3 只股票 ×10 天） | 多维数据可视化 | 快速定位 “大涨 / 大跌” 的时间 / 标的 |
| Day3 | 多子图：一张图里放 K 线图 + 成交量柱状图 | 专业分析布局 | 贴合券商行情软件的展示逻辑 |
| Day4 | 画 2 家公司的 ROE/PE/PB 柱状对比图 | 财务指标可视化 | 用于公司金融课程的 “财报分析” |
| Day5 | 动态图表：用 pyecharts 画折线图，鼠标悬停显示数值 | 交互体验提升 | 做出 “可互动” 的图表，更有科技感 |
| Day6 | 实战小项目：制作 “XX 股票分析可视化报告”（含 K 线、均线、成交量） | 完整成果 | 可打印出来，作为 “Python 学习作品集” 素材 |
| Day7 | 复盘：用可视化报告完成一次课堂小展示，奖励自己整理报告成 PDF | 成果落地 | 把学习成果转化为课程表现，获得正向反馈 |
第四阶段：综合实战 + 巩固提升（第 7-8 周）
阶段目标
整合所有知识点，完成 2 个贴合金融专业课的综合小项目，形成 “可展示的作品集”，从 “学” 到 “用”，彻底摆脱 “学完就忘”。
第 7 周：综合项目 1—— 个人定投计划分析工具
| 日期 | 核心任务 | 落地要求 |
|---|---|---|
| Day1 | 需求梳理：支持自定义定投金额、利率、年限、追加投资，输出收益表 + 可视化曲线 | 明确自己的理财目标（如毕业买房首付） |
| Day2 | 编写数据处理函数：计算定投总收益、不同场景（利率 4%/6%）对比 | 函数可复用，改参数就能算不同计划 |
| Day3 | 编写可视化函数：画收益曲线、本金 vs 收益饼图 | 图表标注清晰，能直接看懂收益变化 |
| Day4 | 添加用户交互：输入参数（如 “每月投 2000，利率 5%，投 5 年”），自动输出结果 | 零基础也能操作，不用改代码 |
| Day5 | 优化代码：加异常处理（如金额不能为负）、写注释，让代码易读 | 符合 “可交付” 的代码规范 |
| Day6 | 测试：用 3 组不同参数测试，对比 “早定投 vs 晚定投” 的收益差 | 得出 “定投要趁早” 的结论，贴合理财常识 |
| Day7 | 包装：写使用说明，保存为 Jupyter 文件，分享给家人 / 同学 | 形成 “自用理财小工具” |
第 8 周：综合项目 2—— 单只股票基础分析报告
| 日期 | 核心任务 | 落地要求 |
|---|---|---|
| Day1 | 选分析标的（如自己熟悉的贵州茅台），下载近 1 年日线数据 | 数据完整，无缺失值 |
| Day2 | 数据清洗：处理缺失值、计算涨跌幅、5/20 日均线 | 数据预处理到位 |
| Day3 | 统计分析：计算年化收益、波动率、最大回撤 | 掌握金融实务中的核心评价指标 |
| Day4 | 可视化：画 K 线图、均线、成交量、涨跌幅统计柱状图 | 图表布局合理，有专业感 |
| Day5 | 撰写分析结论：基于数据给出 “持有 / 观望” 的简单建议 | 结论有数据支撑，不是主观判断 |
| Day6 | 整合报告：把代码、数据、图表、结论整合为 Jupyter 报告 | 一键运行，自动生成完整报告 |
| Day7 | 成果总结：整理 8 周学习成果（代码文件、可视化图表、2 份项目报告），形成 “Python 金融学习作品集” | 可用于实习简历 / 课程作业展示 |
提升学习兴趣的关键技巧（必看）
- 个性化代入：所有练习都用 “自己关注的股票、自己的理财计划” 作为分析对象，而非抽象的 “股票 A / 股票 B”；
- 成果可视化：优先做 “能画出来” 的任务，图表比纯数字更有成就感，甚至可以打印出来贴在书桌；
- 正向反馈：完成每周任务就给自己小奖励（如看 1 篇金融热点、买一杯奶茶、分享成果获表扬）；
- 结合专业课：把 Python 成果（如股票分析报告、定投计算）用于《投资学》《公司金融》的作业 / 课堂展示，让学习有 “实际价值”；
- 低门槛起步：遇到卡壳时，先复制现成代码修改参数（如改股票代码、定投金额），再逐步自己写，避免 “卡壳放弃”。
总结（核心关键点）
- 兴趣驱动：全程绑定金融场景（定投、股票分析、财务计算），拒绝纯语法学习，学完就能解决自己的金融问题；
- 可操作：每日任务明确（1-1.5 小时），工具统一（Anaconda+Jupyter），代码可直接复制修改，零基础也能落地；
- 成果导向：8 周后能做出 “定投分析工具 + 股票分析报告”2 个可展示的成果，形成学习闭环，避免 “学完就忘”。
如果需要某一周的具体代码模板（如 K 线图画
