科研 Python 怎么学：先按任务搭最小工具栈

科研里学 Python 最容易走偏的一件事，是先列十几个库，然后按顺序“学完再做项目”。通常没必要。

更高效的办法是先有一个真实任务，再补足完成它所需的最小工具栈。对生物信息和 AI 项目来说，大多数工作可以分成四层。

第一层：把数据读进来、整理好

这一层主要是 NumPy 和 pandas。

NumPy：数组、矩阵和向量化计算；
pandas：表格数据、分组、连接、缺失值处理；
matplotlib：先把图画出来，够用后再考虑更复杂的可视化。

如果你的数据还整理不干净，急着学神经网络通常只会把问题藏到更深的地方。

第二层：先做一个可靠的机器学习 baseline

scikit-learn 是这一层最值得熟悉的工具。它把预处理、交叉验证、特征选择、模型训练和评价指标放在统一接口里，很适合建立科研 baseline。

常见任务可以先从这些模型开始：

线性/逻辑回归；
Random Forest；
Gradient Boosting；
SVM；
PCA、聚类等无监督方法。

这一步的价值不只是“跑一个简单模型”。它会逼你把数据划分、评价指标和泄露问题先处理清楚。后面即使换成 PyTorch，这些基本问题仍然存在。

第三层：问题确实需要深度学习，再上 PyTorch

PyTorch 适合两类情况：

数据本身有明显结构，例如图像、序列、图；
现有模型需要自定义网络、损失函数或训练循环。

入门时不需要立刻掌握所有 API。先会下面几件事就够开始工作：

tensor 和 shape；
Dataset / DataLoader；
nn.Module；
loss、optimizer、反向传播；
train / validation / test 三套流程；
checkpoint 和随机种子。

能独立写一个小训练循环，比看完一套“深度学习全家桶”更有用。

第四层：按生物问题补领域库

这部分不要提前全学。

场景	常用工具
FASTA / GenBank / 序列处理	Biopython
单细胞表达矩阵	Scanpy / AnnData
蛋白或结构表格处理	Biopython、BioPandas 等
预训练序列模型	Hugging Face Transformers 或模型官方代码
通用统计与数值计算	SciPy / statsmodels，按需加入

领域库只是帮你少写一些解析和数据结构代码，不能替代对数据本身的理解。

一个更实际的学习顺序

我更推荐按项目推进：

Python 基础语法
  → pandas / NumPy 处理自己的数据
  → matplotlib 做基本质控图
  → scikit-learn 建 baseline
  → 发现 baseline 不够，再学 PyTorch
  → 根据课题补 Biopython / Scanpy / Transformers

这个顺序没有固定周数。能不能独立完成一次“读数据—划分—训练—评价—保存结果”的闭环，比学了几周更能说明进度。

科研代码里比模型更重要的几件事

固定数据版本

至少记录原始数据来源、处理脚本和最终进入模型的数据表。很多“模型无法复现”的问题其实从数据版本就已经开始了。

把训练集和测试集边界写清楚

生物数据尤其容易因为同源序列、同一个体重复测量、同家系样本等关系发生泄露。随机切分不是默认正确答案。

环境可以重建

项目开始变长后，保存 requirements.txt、environment.yml 或其他锁定环境的文件。Notebook 能跑不等于半年后还能跑。

先写最简单的 baseline

如果一个复杂网络只比 Logistic Regression 或 Random Forest 好一点点，可能说明问题的主要限制并不在模型容量。