آموزش پایتون از صفر

اولین بار که پایتون را جدی گرفتم، برای یک پروژه‌ی کوچک پردازش داده بودم. با PHP راحت‌تر بودم و تصور می‌کردم پایتون فقط یک زبان «بازیگوشانه» است که هیچ‌وقت به درد پروژه‌ی واقعی نمی‌خورد. یک هفته بعد، همان اسکریپت پایتونی که در ده خط نوشتم، کاری را انجام می‌داد که نسخه‌ی PHPش دو روز وقت گرفته بود. آن تجربه به من یاد داد که آموزش پایتون را نمی‌شود با پیش‌فرض‌های ذهنی زبان‌های دیگر شروع کرد؛ پایتون فلسفه‌ی متفاوتی دارد و اگر آن را بفهمید، یادگیری‌اش سه‌برابر سریع‌تر می‌شود. در این مقاله، همان مسیری را طی می‌کنم که با تازه‌کارها طی می‌کنم: از انتخاب درست منبع و نصب، تا مدل ذهنی متغیرها، ساختمان داده‌ها، توابع و اولین پروژه‌ی واقعی.

چرا پایتون را انتخاب کنیم؟

پایتون امروز یکی از پرکاربردترین زبان‌های برنامه‌نویسی است، ولی دلیل انتخابش برای هر کسی متفاوت است. در تجربه‌ی من، سه گروه عمده‌ی مخاطب با انگیزه‌های مختلف به پایتون می‌رسند:

• توسعه‌دهندگان وب: کسانی که با PHP یا JavaScript کار می‌کنند و می‌خواهند برای اسکریپت‌های جانبی، اتوماسیون، یا حتی ساخت یک API کوچک، زبانی با کارایی بالا داشته باشند.
• متخصصان داده: کسانی که با Excel یا ابزارهای مشابه به دیوار خورده‌اند و می‌خواهند داده‌های بزرگ‌تر را پردازش کنند. کتابخانه‌هایی مثل pandas و NumPy، پایتون را به زبان اول این حوزه تبدیل کرده‌اند.
• کسانی که به هوش مصنوعی علاقه دارند: پایتون زبان مادری تقریباً همه‌ی چارچوب‌های یادگیری ماشین است. اگر می‌خواهید بدانید هوش مصنوعی از کجا شروع می‌شود، شروع یادگیری هوش مصنوعی از کجا؟ نقشه‌ی کلی را نشان می‌دهد و پایتون اولین قدم آن است.

مزیت دیگر پایتون، سادگی نسبی سینتکس آن است. ولی صادق باشم: «سادگی پایتون» فقط در مقایسه با زبان‌هایی مثل C++ یا Java معنی دارد. وقتی به پروژه‌های واقعی برسید، همان زبان ساده هم می‌تواند تبدیل به یک کد درهم‌تنیده و ناخوانا شود اگر اصولش را رعایت نکنید. آن‌چه یادگیری اولیه را سریع می‌کند، سینتکس است؛ آن‌چه پروژه‌ی موفق می‌سازد، درک عمیق ساختارهاست.

پایتون زبان دشواری نیست؛ چالش اصلی، یادگیری نحوه‌ی درست استفاده از آن است، نه یادگیری سینتکس.

مدل ذهنی درست قبل از اولین خط کد

قبل از این‌که سراغ نصب و اولین print() برویم، یک مدل ذهنی درست لازم است. اگر با برنامه‌نویسی در زبان دیگری آشنا هستید، این بخش را جدی بگیرید چون بعضی از فرض‌های زبان قبلی‌تان در پایتون غلط است.

پایتون زبان نوع‌پویا (Dynamically Typed) است

در زبان‌هایی مثل Java یا C، متغیر نوع دارد و باید تعریف شود. در پایتون، متغیر فقط یک مرجع به یک شیء است:

x = 42
x = "hello"
x = [1, 2, 3]

همین سه خط، در پایتون کاملاً معتبر است: x در هر لحظه به شیء جدیدی اشاره می‌کند. این انعطاف هم مزیت است و هم خطر، چون خطاهای نوعی را از زمان کامپایل به زمان اجرا منتقل می‌کند. برای کاهش این خطر، از نسخه‌ی ۳.۵ به بعد Type Hints معرفی شد که در پروژه‌های جدی، استفاده از آن توصیه می‌شود:

def add(a: int, b: int) -> int:
    return a + b

همه‌چیز در پایتون یک شیء است

این جمله ممکن است کلیشه‌ای به نظر برسد ولی در پایتون واقعاً درست است: عدد، رشته، تابع، کلاس، ماژول — همه یک شیء هستند. حتی توابع، خودشان شیء هستند و می‌توان آن‌ها را به‌عنوان پارامتر به توابع دیگر پاس داد. این مدل ذهنی، درک closure و decorator را آسان‌تر می‌کند — مفاهیمی که در ادامه به آن‌ها می‌رسیم.

فاصله‌گذاری بخشی از سینتکس است

در بسیاری از زبان‌ها، بلوک کد با { } مشخص می‌شود. در پایتون، با تودرتویی (Indentation) مشخص می‌شود. این ویژگی سادگی ظاهری می‌سازد ولی اگر با زبان‌های دیگر آمده‌اید، ممکن است چند بار خطاهای عجیب بگیرید. اگر با مفهوم خطا و مدیریت آن راحت نیستید، مدیریت خطا در PHP مفاهیم پایه را توضیح می‌دهد که با کمی تطبیق، در پایتون هم به‌کارتان می‌آید.

نصب پایتون و اولین اجرا

نصب پایتون در سیستم‌های مدرن، کار سختی نیست. در لینوکس و مک، معمولاً نسخه‌ای نصب است ولی برای نسخه‌های جدید، از مدیر بسته‌ی سیستم یا pyenv استفاده می‌کنم که امکان نصب چند نسخه‌ی موازی را می‌دهد. در ویندوز، نصب‌کننده‌ی رسمی از سایت python.org بهترین گزینه است — گزینه‌ی «Add Python to PATH» را هنگام نصب فعال کنید، وگرنه در خط فرمان دسترسی نخواهید داشت.

python --version
# Python 3.12.0

python
>>> print("Hello, world!")
Hello, world!
>>> exit()

برای کار جدی، به‌جای مفسر خط فرمان، از یک محیط توسعه‌ی کامل استفاده کنید. در پروژه‌های پایتونی، ترکیب VS Code + افزونه‌ی رسمی Python، انتخاب پیش‌فرض من است؛ اگر با نصب افزونه در VS Code آشنا نیستید، بررسی VS Code و افزونه‌های ضروری مسیر را نشان می‌دهد. برای پروژه‌های داده، Jupyter Notebook یک انتخاب محبوب است.

محیط مجازی: اجتناب‌ناپذیر در پروژه‌های واقعی

هرگز پکیج‌های پروژه را در محیط سراسری سیستم نصب نکنید. در پایتون، ابزار استاندارد برای این کار venv است:

python -m venv venv

# فعال‌سازی در لینوکس و مک
source venv/bin/activate

# فعال‌سازی در ویندوز
venv\Scripts\activate

pip install requests

محیط مجازی، وابستگی‌های هر پروژه را جدا نگه می‌دارد و از تداخل نسخه‌ها جلوگیری می‌کند. عادت کنید اولین کار پس از ساخت پروژه‌ی جدید، ساخت venv باشد.

مفاهیم پایه: متغیر، نوع داده، عملگرها

پایه‌ای‌ترین مفاهیم پایتون، مشابه اکثر زبان‌های دیگر است ولی چند تفاوت ظریف وجود دارد که دانستن‌شان جلوی سردرگمی‌های بعدی را می‌گیرد.

انواع داده‌ی پایه

نکته‌ی مهم در مورد int در پایتون: برخلاف زبان‌هایی مثل C یا Java، اندازه‌ی آن محدود نیست و می‌توانید اعداد بسیار بزرگ را بدون نگرانی از سرریز، ذخیره کنید. این ویژگی، پردازش داده‌های علمی را آسان‌تر می‌کند.

رشته‌ها و f-string

قالب‌بندی رشته در پایتون مدرن، با f-string انجام می‌شود که از نسخه‌ی ۳.۶ معرفی شد:

name = "Ali"
age = 30
print(f"{name} is {age} years old")

# فرمت اعداد
pi = 3.14159
print(f"Pi rounded: {pi:.2f}")  # Pi rounded: 3.14

اگر می‌خواهید متن‌های طولانی چندخطی بنویسید، از """ استفاده کنید که در مستندسازی توابع هم به‌کار می‌رود.

ساختمان داده‌ها: لیست، تاپل، دیکشنری، مجموعه

پایتون چهار ساختمان داده‌ی داخلی دارد که در ۹۰٪ پروژه‌ها کافی‌اند. انتخاب درست بین این چهار، تفاوت بین کد سریع و کد کند را می‌سازد.

لیست (List)

مجموعه‌ی مرتب، قابل تغییر، و اجازه‌ی تکرار مقادیر را می‌دهد:

fruits = ["apple", "banana", "cherry"]
fruits.append("date")
print(fruits[0])        # apple
print(fruits[-1])       # date
print(fruits[1:3])      # ["banana", "cherry"]

تاپل (Tuple)

مثل لیست است ولی تغییرناپذیر. برای داده‌هایی که نباید تغییر کنند، استفاده می‌شود:

point = (3, 4)
x, y = point  # unpacking
print(x)  # 3

دیکشنری (Dictionary)

نگاشت کلید-مقدار، معادل آرایه‌ی انجمنی در PHP:

user = {"name": "Ali", "age": 30, "role": "admin"}
print(user["name"])              # Ali
print(user.get("email", "n/a"))   # n/a

for key, value in user.items():
    print(key, value)

متد .get() در دیکشنری، مشابه اپراتور ?? در PHP است: اگر کلید وجود نداشت، مقدار پیش‌فرض برمی‌گرداند بدون این‌که خطا بدهد. اگر با کار با آرایه‌ها در PHP آشنا هستید، می‌بینید که دیکشنری پایتون همان مفهوم را با سینتکس متفاوتی ارائه می‌دهد.

مجموعه (Set)

مجموعه‌ی بدون تکرار و بدون ترتیب. برای حذف تکراری‌ها و عملیات ریاضی روی مجموعه‌ها مناسب است:

tags = {"python", "php", "python"}
print(tags)  # {"python", "php"}

# عملیات مجموعه‌ای
a = {1, 2, 3}
b = {3, 4, 5}
print(a & b)  # {3} — اشتراک
print(a | b)  # {1, 2, 3, 4, 5} — اجتماع

یک نکته‌ی عملکردی که در پروژه‌های بزرگ اهمیت پیدا می‌کند: بررسی وجود یک عضو در set از نظر پیچیدگی محاسباتی O(1) است، در حالی که در لیست O(n) است. وقتی یک مجموعه‌ی بزرگ دارید و فقط به بررسی وجود نیاز دارید، از set استفاده کنید — همان درسی که در بهینه‌سازی کدهای PHP هم معادلش را در تبدیل آرایه به هش‌لوکاپ دیدیم.

انتخاب ساختمان داده‌ی درست، در ۹۰٪ موارد بیشتر از بهینه‌سازی حلقه اثر می‌گذارد؛ ساختار داده، تصمیم معماری است، نه جزئیات پیاده‌سازی.

جریان کنترل: شرط، حلقه، comprehension

شرط‌ها

score = 85

if score >= 90:
    grade = "A"
elif score >= 80:
    grade = "B"
else:
    grade = "C"

# Ternary
status = "passed" if score >= 50 else "failed"

حلقه‌ها

# حلقه روی لیست
for fruit in ["apple", "banana", "cherry"]:
    print(fruit)

# حلقه با شماره
for i in range(5):
    print(i)

# حلقه با شماره و مقدار
for i, fruit in enumerate(["apple", "banana"]):
    print(i, fruit)

# حلقه روی دو لیست به‌طور موازی
for name, score in zip(["Ali", "Sara"], [85, 92]):
    print(name, score)

در پایتون، حلقه‌ی for روی هر شیء قابل‌پیمایش (iterable) کار می‌کند. دیگر نیازی به حلقه‌ی for با شمارنده‌ی دستی نیست. enumerate و zip دو تابعی هستند که در پروژه‌های واقعی مدام استفاده می‌کنم و جایگزین کدهای طولانی می‌شوند.

Comprehension: ویژگی قدرتمند پایتون

Comprehension، روش فشرده‌ای برای ساخت لیست، دیکشنری یا مجموعه از روی یک پیمایش است:

# لیست comprehension
squares = [x * x for x in range(10)]

# با شرط
evens = [x for x in range(10) if x % 2 == 0]

# دیکشنری comprehension
prices = {"apple": 1.2, "banana": 0.5}
with_tax = {k: v * 1.1 for k, v in prices.items()}

Comprehension در نگاه اول جادویی به نظر می‌رسد، ولی در واقع فقط یک حلقه‌ی مختصر است. نکته‌ی مهم: از comprehension‌های تودرتوی بیش از دو سطح پرهیز کنید، چون خوانایی را به‌شدت کاهش می‌دهند. اگر comprehension شما به شش خط رسید، به یک حلقه‌ی معمولی تبدیلش کنید.

توابع و ماژول‌ها

توابع در پایتون، ستون فقرات کد تمیزند. سینتکس آن‌ها ساده است ولی امکاناتی دارند که در زبان‌های دیگر کمتر می‌بینید:

def greet(name: str, greeting: str = "Hello") -> str:
    """Return a personalized greeting."""
    return f"{greeting}, {name}!"

print(greet("Ali"))             # Hello, Ali!
print(greet("Ali", "Salam"))    # Salam, Ali!

آرگومان‌های نام‌دار و پیش‌فرض

پایتون از آرگومان‌های نام‌دار پشتیبانی می‌کند، که خوانایی کد را بالا می‌برد:

def send_email(to, subject, body, cc=None):
    pass

# بدون آرگومان نام‌دار، ترتیب مهم است
send_email("a@b.com", "Hi", "Hello")

# با آرگومان نام‌دار، ترتیب مهم نیست
send_email(to="a@b.com", subject="Hi", body="Hello")

Lambda، Map و Filter

پایتون از توابع بی‌نام و توابع مرتبه‌ی بالاتر پشتیبانی می‌کند، هرچند comprehension در بسیاری از موارد جایگزین بهتری است:

numbers = [1, 2, 3, 4, 5]

# lambda و map
doubled = list(map(lambda x: x * 2, numbers))

# با comprehension (خواناتر)
doubled = [x * 2 for x in numbers]

# filter
evens = list(filter(lambda x: x % 2 == 0, numbers))

# با comprehension
evens = [x for x in numbers if x % 2 == 0]

قاعده‌ی من: هرجا comprehension خواناتر است، از آن استفاده کنید؛ lambda و map را برای مواردی نگه دارید که با تابع آماده کار می‌کنند، مثل sorted(items, key=lambda x: x.price).

ماژول‌ها و پکیج‌ها

هر فایل .py در پایتون، یک ماژول است. با import می‌توانید از کد ماژول‌های دیگر استفاده کنید:

# file: math_utils.py
def add(a, b):
    return a + b

# file: main.py
from math_utils import add

print(add(2, 3))  # 5

برای پکیج‌های خارجی، از pip استفاده کنید. اگر با مفهوم مدیریت وابستگی در پروژه‌های PHP آشنا هستید، Composer معادل نزدیک‌تری است — آموزش Composer در PHP همان مفاهیم را با سینتکس متفاوتی توضیح می‌دهد.

شی‌گرایی در پایتون

شی‌گرایی در پایتون ساده‌تر از Java است ولی چند تفاوت ظریف دارد. یک نمونه‌ی ساده:

class User:
    def __init__(self, name: str, email: str):
        self.name = name
        self.email = email

    def greet(self) -> str:
        return f"Hello, {self.name}!"

user = User("Ali", "ali@example.com")
print(user.greet())  # Hello, Ali!

چند نکته که در پروژه‌های واقعی به آن‌ها رسیده‌ام:

• self اجباری است: برخلاف دیگر زبان‌ها که this خودکار اضافه می‌شود، در پایتون باید self را به‌عنوان اولین پارامتر همه‌ی متدها بنویسید. این ویژگی، خوانایی را بالا می‌برد چون همیشه صریح است.
• توابع سازنده و مخرب: __init__ هنگام ساخت شیء اجرا می‌شود و __del__ هنگام حذف. برای مدیریت منابع، از context manager استفاده کنید که در ادامه می‌آید.
• ارث‌بری چندگانه: پایتون از ارث‌بری چندگانه پشتیبانی می‌کند، ولی در پروژه‌های جدی، استفاده از آن باید آگاهانه باشد. ترجیحاً از composition به‌جای ارث‌بری عمیق استفاده کنید.
• Dataclasses: از پایتون ۳.۷، decorator @dataclass کار ساخت کلاس‌های داده را بسیار ساده می‌کند و در پروژه‌های داده، جانشین کلاس‌های دستی طولانی شده است.

درک شی‌گرایی، پیش‌نیاز کار با کتابخانه‌های حرفه‌ای پایتون است. اگر با مفهوم شی‌گرایی در PHP هم آشنا باشید، آموزش شی‌گرایی در PHP مفاهیم پایه را می‌رساند که در پایتون هم مستقیم قابل انتقال است.

مدیریت خطا در پایتون

پایتون از مدل try/except استفاده می‌کند که بسیار شبیه به زبان‌های دیگر است:

try:
    result = 10 / 0
except ZeroDivisionError as e:
    print(f"Cannot divide by zero: {e}")
finally:
    print("This always runs")

چند اصل که در پروژه‌ها رعایت می‌کنم:

• هرگز except: بدون نوع خطا ننویسید: این کار خطاهای غیرمنتظره (مثلاً KeyboardInterrupt) را هم می‌گیرد و دیباگ را غیرممکن می‌کند.
• خطاها را دقیق انتخاب کنید: ValueError، TypeError، KeyError و FileNotFoundError رایج‌ترین‌ها هستند.
• از context manager استفاده کنید: برای باز کردن فایل و منابع مشابه، الگوی with بسیار امن‌تر از try/finally دستی است.

with open("data.txt", "r", encoding="utf-8") as f:
    content = f.read()
# فایل خودکار بسته می‌شود، حتی اگر خطا رخ دهد

اگر با خطاهای رایج پایتون روبرو شده‌اید، دو مقاله‌ی رفع خطای FileNotFoundError در پایتون و رفع خطای TypeError در پایتون با مثال‌های واقعی، مسیر سریع‌تری برای رفع مشکل نشان می‌دهند.

منابع یادگیری و ترتیب پیشنهادی

منابع آموزش پایتون در اینترنت بی‌شمارند و همین، انتخاب را سخت می‌کند. بر اساس تجربه‌ی هدایت ده‌ها تازه‌کار، ترتیب زیر جواب داده است:

هفته اول: مفاهیم پایه

یک منبع ویدیویی یا کتاب تعاملی انتخاب کنید و فقط مفاهیم ابتدایی را تمرین کنید: متغیر، نوع داده، شرط، حلقه، تابع. از پریدن به مبحث پیشرفته در این مرحله پرهیز کنید.

هفته دوم تا چهارم: تمرین پروژه‌محور

به‌جای تماشای ویدیوی بیشتر، پروژه‌های کوچک بنویسید. مثال‌هایی که در پروژه‌های عملی پایتون آورده‌ام، نقطه‌ی خوبی برای شروع هستند: ماشین‌حساب ساده، بازی حدس عدد، تبدیل‌کننده‌ی واحد، اسکریپت تغییر نام فایل‌ها. این پروژه‌ها ساده به نظر می‌رسند ولی همه‌ی مفاهیم پایه را در عمل به‌کار می‌گیرند.

ماه دوم: حرفه‌ای شدن در یک حوزه

بعد از تسلط نسبی بر مفاهیم پایه، یک حوزه انتخاب کنید و در آن عمیق شوید: وب با Django یا Flask، داده با pandas، یا هوش مصنوعی با TensorFlow و PyTorch. پریدن بین حوزه‌ها در این مرحله، بزرگ‌ترین اشتباه است.

منابعی که در پروژه‌های واقعی به کارم آمده

• مستندات رسمی پایتون: docs.python.org هنوز بهترین منبع مرجع است. هرچند خشک، ولی دقیق‌ترین.
• Real Python: مقالات آموزشی باکیفیت که در پروژه‌های واقعی به کارم آمده.
• Automate the Boring Stuff with Python: برای کسانی که می‌خواهند سریع به کاربرد روزمره برسند، بی‌نظیر است.
• کتاب Fluent Python: وقتی از سطح مبتدی گذشتید، این کتاب تفاوت بین کسی که پایتون می‌داند و کسی که پایتون‌فکر می‌کند را می‌سازد.

هیچ منبعی جای پروژه‌ی واقعی را نمی‌گیرد؛ بهترین دوره‌ها هم بدون کد زدن، فقط یک تجربه‌ی تماشایی باقی می‌مانند.

سخن آخر

پایتون زبانی است که سادگی ظاهری‌اش می‌تواند فریبنده باشد. آن‌چه در این مسیر واقعاً اهمیت دارد، سه چیز است: اول، مدل ذهنی درست قبل از سینتکس — بدانید که همه‌چیز در پایتون یک شیء است و متغیرها فقط مرجع هستند؛ دوم، تمرین پروژه‌محور — کد زدن روی مسائل کوچک اما واقعی، سریع‌تر از تماشای ده ساعت ویدیو یاد می‌دهد؛ سوم، انتخاب ساختمان داده‌ی درست — تفاوت بین یک اسکریپت معمولی و یک اسکریپت حرفه‌ای، بیشتر از هر چیز در این تصمیم نهفته است.

اگر امروز می‌خواهید شروع کنید، سه کار کوچک پیشنهاد می‌کنم: پایتون و venv را نصب کنید، اولین اسکریپت را با print بنویسید و اجرا کنید، و یک پروژه‌ی کوچک واقعی برای خودتان تعریف کنید — حتی اگر فقط یک ماشین‌حساب ساده باشد. تجربه‌ی خودتان از شروع پایتون — مخصوصاً اگر از زبان دیگری آمده‌اید و با چیزهای عجیبی روبرو شده‌اید — در دیدگاه‌ها بنویسید؛ همین جزئیات عملی، برای خواننده‌ی بعدی از هر مستند رسمی ارزشمندتر است. 🐍