回复内容：
金融从业的范围其实听广泛的，有的岗位并不需要从业者熟悉Python或者其他编程语言，比如在证券、期货或者某些资产管理单位从事风控工作，基本上现有的IT系统功能已经很完善；从业者只是这些系统的用户，有新需求时通常要求系统的开发者来设计和开发，很少需要从业者亲自参与编程工作。可能您在题目中把金融从业理解为研究分析（宏观、策略、行业等）或者量化交易策略开发。这些工作由于或多或少需要频繁地处理大量的数据。熟练应用Python的话，能够使工作效率提高。在这个前提下，入门Python是有一定的偏向的，不同于以IT系统开发、维护为目的的Python学习。简而言之，这类工作需要Python提高数据处理的效率，那么关于Python数据处理的书籍、工具包文档都是入门时必要关注的。
在书籍方面，《Python for Data Analysis》（有中文译版）就可以作为参考。这本书出版时间相对较早了，赶不上软件开发的速度，所以书里的程序例子有些运行结果与新版的不一致。但是这并不妨碍您通过学习这本书而获得关于数据处理特别是金融数据处理的框架性认识。
在软件包方面，numpy, scipy, pandas, statsmodels, ipython, matplotlib是进行金融数据处理时非常有用的软件包，文档、案例都比较齐全。前面介绍的那本书有比较大的篇幅介绍这些软件包的使用。
在数据处理之外，可能您还想通过Python来进行衍生品定价、量化投资策略回测与实盘运行等工作，这些工作的内容其实大部分是在于业务自身的逻辑，编程工作的重要性略低。
归根到底，要想利用Python提高从事上述工作的效率，那么对于基本的数据结构和算法的充分理解是必要的。在数据处理中，pandas提供的Series, DataFrame，以及numpy提供的ndarray都是非常重要的数据结构，而Python语言自带的数据结构如List, tuple, dict等则是前面这些数据结构的基础，也是熟练地写出Python程序的基础，值得深入学习。算法方面，有些软件包自带了数据处理相关的算法，比如scipy中的优化模块、统计模块，pandas中的数据表增删改查以及向量化的统计量计算等。此外，Python自身也有一些特有的算法和表达式能提高效率，例如list comprehension。这些都是基础，在入门时最好能熟练地掌握。当然，像前面说的，您写的程序的逻辑，基本上还有由金融业务的逻辑来决定。
要想快速地入门，可以尝试掌握基本的Python语法后（通过Python的tutorial），从前面介绍的书本入手，一个一个地解决一些问题，比如把不同格式的数据表导入到Python中，转换为所需要的数据结构，各种形势的画图，将结果输出到文件。可以在IPython这样的交互式环境中进行，也可以在操作系统中直接运行.py文件来进行。这样可以熟悉基本的流程及其实现方式。
在此基础上，可以利用Python来解决一些金融方面的问题，例如：考察各个宏观经济变量与资本市场各类价格之间的相关性、某个选股因子的有效性检验、测试某些技术指标在投资中的有效性、计算某些奇异期权或者结构化产品的价格等。这样入门Python，不仅能够使得编程工作有一定的挑战、有意思，也能够加深对金融业务逻辑的理解。
谢邀。 福利
think python是基础 就像上面所说的 介绍了从开始运算 然后到list dic tuple 把他当字典看。
然后就是这些书了
然后还有代码 这些代码挺好的 虽然不是很齐全 但是总比没有好
还有零星几本R和matlab的
网盘地址 python量化.zip_免费高速下载 http://www.amazon.com/Python-Finance-Analyze-Financial-Data/dp/1491945281/ref=sr_1_1?ie=UTF8&qid=1441289843&sr=8-1&keywords=finance+python 首先通过学习python学会编程，再将python应用到专业领域。
找一本好书，认真敲代码，做到自己写代码解决一些小问题。
加油！ py大法包罗万象，金融分析，推荐英文版：Packt.Mastering.Python.for.Finance.1784394513.pdf_免费高速下载
