下一步学什么

你现在已经完成了什么

完成本节"编程入门"教程后，你已经：

理解了 Python 是什么以及为什么科研人员需要它
成功安装了 Miniconda
创建了 organchip Conda 环境
在 organchip 环境中安装了常用科研 Python 包
能在 VS Code 中写 Python 并连接 Conda 环境
成功运行了第一个 Python 测试脚本
知道如何排查最常见的新手环境问题

这是科研编程最基础但也是最容易被忽视的一步。环境搭好了，后面写代码就顺畅很多。

第一阶段：会运行代码

你已经在这一步了。核心技能：

打开 Anaconda Prompt
激活环境：conda activate organchip
运行 .py 文件：python script.py
安装包：conda install xxx 或 python -m pip install xxx
查看 Python 路径：python -c "import sys; print(sys.executable)"
看懂最基本的报错（ModuleNotFoundError、SyntaxError 等）

第二阶段：会处理数据

接下来你应该学习如何用 Python 处理实验数据。建议学习顺序：

pandas 表格处理：

import pandas as pd

# 读取 Excel
df = pd.read_excel("data.xlsx")

# 查看前几行
print(df.head())

# 按组计算均值和标准差
summary = df.groupby("group")["value"].agg(["mean", "std", "count"])
print(summary)

# 保存结果
summary.to_excel("summary.xlsx")

这个阶段的目标是：能用 pandas 替代 Excel 做重复性的数据整理工作。

第三阶段：会画论文图

掌握 matplotlib 基础后，你可以用代码统一控制全校论文图片的格式。

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.figure(figsize=(4, 3))
plt.plot(x, y, linewidth=1.5)
plt.xlabel("Time")
plt.ylabel("Signal")
plt.tight_layout()

# 导出 SVG / PDF，方便后续用 Adobe Illustrator 编辑
plt.savefig("figure.svg")
plt.savefig("figure.pdf")
plt.show()

需要掌握的图形种类：

折线图（时间序列、流速曲线等）
散点图（相关分析、流式数据等）
柱状图（组间比较）
箱线图（多组数据分布）
热图（基因表达、药物浓度等）
误差线（均值 ± SD / SEM）

参考本站的 Colab 零基础指南、Colorbar 绘制与 SVG 导出了解从头生成论文配图。

第四阶段：会做统计分析

科研中最常用的统计方法：

from scipy import stats

group_a = [1.2, 1.5, 1.4, 1.6]
group_b = [2.1, 2.3, 2.0, 2.4]

t_stat, p_value = stats.ttest_ind(group_a, group_b)

print("t 统计量 =", t_stat)
print("p 值 =", p_value)

常用统计分析：

描述统计：均值、标准差、标准误
独立样本 t-test
配对 t-test
单因素 ANOVA
非参数检验（Mann-Whitney U、Kruskal-Wallis）
P 值标注（*、**、***）

参考本站的统计学 P 值计算页面。

第五阶段：会处理图像和信号

显微图像和信号处理是器官芯片实验的核心需求：

import cv2

# 读取显微图像
img = cv2.imread("image.png", cv2.IMREAD_GRAYSCALE)

# 查看图像尺寸
print("图像大小:", img.shape)

# 阈值分割
_, binary = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY)

# 保存处理后的图像
cv2.imwrite("binary.png", binary)

需要掌握：

图像读取、裁剪、缩放
灰度图转换
阈值分割
轮廓检测
荧光强度统计
图像批量处理

第六阶段：进入机器学习 / 深度学习

当数据处理和画图的基础扎实之后，可以开始学习：

scikit-learn 基础机器学习（分类、回归、聚类）
PyTorch 基础
CNN（卷积神经网络）— 适合一维电信号和二维图像分析
数据集划分与模型评估

参考本站的 CNN 入门教学页面。

注意

深度学习不是第一步。先把 Python 基础语法、数据处理和画图掌握好，再进入模型训练，学习曲线会平缓很多。

与本站已有教程的连接

以下教程可以在本站知识库中找到：

Colab 零基础指南 — 学习如何在浏览器中使用 Colab 运行 Python 代码
统计学 P 值计算 — 使用 scipy 进行 t-test 并计算 P 值
Colorbar 绘制与 SVG 导出 — matplotlib 自定义颜色条与矢量图导出
CNN 入门教学 — PyTorch 深度学习入门

最后建议

编程学习不要追求一次学完。科研编程最核心的能力是：

能复现：同样的数据、同样的代码，每次跑出来的结果一致
能批量处理：几百个文件用同一个流程处理，不是手动一个个做
能减少重复劳动：一次写完的代码，以后同样的任务直接复用
能让数据处理流程清楚可查：每一步做了什么，代码里有记录
能输出适合论文的图和结果：图片尺寸、分辨率、格式符合期刊要求

提示

学编程和做实验一样，都是积累经验的过程。环境报错不要慌，先看错误提示，再看 Python 路径，然后排查。绝大多数问题都有现成的解决方案。

你现在已经完成了什么​

第一阶段：会运行代码​

第二阶段：会处理数据​

第三阶段：会画论文图​

第四阶段：会做统计分析​

第五阶段：会处理图像和信号​

第六阶段：进入机器学习 / 深度学习​

推荐学习顺序总结​

与本站已有教程的连接​

最后建议​