科學家怎麼學編程

1. 想學編程需要會些什麼還有人工智慧需要學什麼 上哪裡弄教程

0基礎需要會什麼？學編程就學唄，不會才學呢嘛。
首先學習編程是比較苦的。你要知道編程是一個很寬泛的概念，電腦編程有很多種語言形式，最底層的機器語言（因為太難已被淘汰），低級語言「匯編」（往往解決一些和硬體系統有直接關系的問題），中級語言代表「C語言」（很流行的一種較低級，基礎的，面向過程的編程語言，也是很多編程者學編程的入門語言），高級語言代表java，c++等（面向對象的編程語言）。
首先你要明白，人工智慧確實需要編程，但會編程和搞人工智慧之間有很大的差距，簡單理解盡管你是個編程高手了，那也只能算是個本科畢業的大學生，而能搞人工智慧的人可以比喻成愛因斯坦一類的偉大的科學家。所以請你學編程時不要心急。
剛開始學編程都比較傾向於學c語言，教程書店裡有很多，大部分編程初學者都會選擇譚浩強編寫的c語言教程，譚浩強的書雖然編寫的很好，但是因為他編程的意識和習慣都比較老舊，部分寫法和解釋有些不夠精確。所以你如果可以選擇一些國外最新的英文教材應該會更好。
這一行水其實很深，對初學者不能說很多，因為一時半會說不清，主要和看你自己的學習能力，很多東西是要靠自己去摸索看清的，當然如果能有一個指路人協助你會更好。祝你學業進步。

2. 兒童編程什麼時候開始學比較好

鏈接:

提取碼:h21j

少兒編程教學可以大致分為兩類:一類是Scratch或是仿Scratch的圖形化編程教學，以培養興趣、鍛煉思維為主，趣味性較強。在這里，可以創造屬於自己的動畫，故事，音樂和游戲，這個過程其實就像搭積木一樣簡單。此外，還有機器人編程，也就是搭建機器人，通過運行程序讓它動起來，著重培養孩子的動手能力。另一類是基於Python、C++等高級編程語言的計算機編程教學，目標往往是參加信息學奧賽等科技品牌賽事，如信息學奧林匹克競賽/聯賽、機器人競賽、科技創新大賽等，或為後續的專業學習和職業技能打下基礎。

3. 女生可以學習編程嗎，好學嗎

隨著科學技術的快速發展，編程，早已不是男性的專屬技能，女孩子不要學編程的偏見早該被打破。女孩子一樣可以通過編程學習培養自己的能力，成就更好的自己。

01 嚴密的邏輯思維能力
編程是一種技能，但更重要的是一種叫我們用編程思維處理問題。編程體系有著非常嚴密的邏輯，影響著每個人的思維能力和思考方式，在編程中學會這種思考方式對孩子看待問題以及處理問題都有著重要的指引作用。

02 跨學科綜合知識的運用和實踐能力
根據 STEM教育理念，編程會涉及到工程、物理、數學、設計等綜合學科知識，也更加註重這些跨學科知識的運用。孩子必須通過靈活運用這些學科體系去完成一個既定的目標，這樣在製作過程中，孩子對各個學科的掌握就會有一個較大的提高。

03 挫折教育歷練剛毅性格
縱觀古今中外女科學家的成長史，她們在實驗研究中均經歷過數十萬次的失敗。編程正好能夠培養這種面對挫折與失敗的能力、同時編程學習過程中需要膽大心細，這能培養她們觀察能力和分析能力。

04 培養獨立與自信的氣質
編程涉及到的綜合學科知識，不僅能極大提高孩子的綜合能力，靠自己用代碼一行行敲出來的成果，更能樹立孩子的自信心，給予孩子極大的成就感。讓孩子們可以帶著信心和興趣去挑戰下一個目標。

4. 第一門編程語言的選擇無關緊要

作者 | Mark Guzdial

譯者 | 彎月 責編 | 張紅月

出品 | CSDN（ID：CSDNnews）

第一門語言的學習既能學習語義概念，又能掌握特定句法知識，而第二門語言的學習就只剩下新句法的學習了，假設兩門語言的語義結構相同。如果學習語義（即基本概念）完全不同的第二門語言，例如 LISP 或 MICRO-PLANNER，則學習的難度不亞於學習第一門語言，甚至會超過第一門語言。

根據我的經驗，對於大多數學生來說，學習第二門語言並不容易。雖然通常一門編程語言的經驗可以轉接到第二門編程語言，但並不是無縫的。Tshuku 和 Cutts 一直在研究學習Python 和 Java，哪些知識可以轉移，而哪些不行（https://dl.acm.org/doi/10.1145/3372782.3406270）。雖然有些知識可以轉移，但是當他們改變模式時學習速度就會降低。

非計算機專業的學生學習編程時，第一門編程語言的選擇尤為重要。學生想要了解他們嚮往的實踐社區中哪些是有價值的。如果學生想成為一名數據科學家，則學習R 或 Python 比學習 C 更有意義。研究計算的學生需要學習Processing，而學習 MATLAB 就無法掌握更多相關的知識。如今並非學習編程的每個人都希望或需要掌握像計算機科學家那樣隨時切換語言的能力。

最近，我一直在從另一個方面思考這個問題。 為什麼有人認為第一門編程語言的選擇無關緊要？

我有一個假設，當該領域還很年輕時，也許這種理念是正確的。計算機課程的定義首次出現在20世紀60年代後期，重點強調了編程的數學基礎。Nathan Ensmenger 在著作《The Computer Boys Take Over》中將其描述為提高計算機科學專業化水平的一部分。因此，早期進入計算機科學的學生的數學背景比如今學習編程的普通學生更強。再看一看均值，就會發現這種變化很明顯。

20世紀70年代的編程課程教學主要面向的是本科生，而如今從幼兒園到高中，學習編程的孩子比70年代計算機專業的本科學生還要多。人們在開發計算機科學教育時設定的數學背景超過了如今孩子們的水平。

下面是我的假設：他們看到的轉移不是從一種語言到另一種語言。它是基礎數學知識的不同形式的轉移。如果我們根據學生已經掌握的數學知識來教授編程語言的語義，則新語言不過是基礎數學知識的不同形式。數學教學是必不可少的，數學家喜歡以不同的形式或不同的方法 探索 相同的問題。

看一看維基網路中勾股定理的頁面，上面列舉了6種證明。如果我們只考慮編程知識的轉移，就會錯誤地將問題概念化。對於擁有很強數學背景的學生來說，第一門編程語言與未來編程語言的區別不過是他們已經掌握的知識的不同符號。這就解釋了為什麼他們的看法在過去並沒有錯，而如今情況已發生了變化。

但是，如果學生的數學水平不是很高，該怎麼辦？如果是一位小學六年級的學生，數學成績還不太好，但他想學編程，怎麼辦？如果是一位平面設計師想編寫 PhotoShop 腳本，但他不喜歡數學，也不覺得自己是程序員，該怎麼辦？我認為對他們來說 Python 或 MATLAB 的學習非常困難。如果學習編程的人是一名「紙上談兵式程序員」，他希望能夠與程序員討論工作，但並不想實際動手開發軟體，該怎麼辦？如今學習編程的人與20世紀70年代的學生大不相同。

我們不必在編程中加入太多數學知識。我們知道，大多數使用 Scratch 的人在講故事時並沒有學習太多數學知識。「紙上談兵式程序員」很難找到有助於學習的資源，因為大多數學習資源都要求邏輯和數學，但我們正在開發的教學方式可以幫助「紙上談兵式程序員」學習編程，同時不會涉及太多數學知識。為了向更多人教授編程的知識，我們不能期望學生都擁有良好的數學背景，這一點我們在40多年前就預料到了。

如果我的看法是正確的，那麼希望本文對研究人員和教師都有所啟發。對於研究人員而言，如果你正在研究哪些知識可以跨語言，卻沒有衡量數學基礎知識，那麼可能會錯過為何這些知識可以轉移的關鍵因素。對於教師，必須注意在編程教學中灌入數學知識。如果你發現學生的學習有困難，則說明你的課程中涉及太多他們沒有掌握的數學知識。

也許對某些人來說，學習編程就是學習數學的一種方式。正如你在文中列出的原因，編程本身就是學習數學的絕佳機會。至於為什麼我們要教幼兒園及高中的孩子學習編程，這是一個爭論不休的話題。

但是有些編程教學並不需要太多數學知識。計算機是一種強大的工具，而編程是一種利用和引導這種力量的方式。比如，有些老師希望在 歷史 課上使用計算機可視化數據，他們可不想與數學打交道。

我支持並鼓勵大家通過編程來教授數學。但是，編程在教育中的作用不應僅限於數學。

雖然沒有數學基礎的人也可以學習編程，但是如果他們能夠掌握數學基礎的話，就可以成為更好的程序員。Leslie Lamport 曾發表過一篇關於並發教學的文章（http://lamport.azurewebsites.net/pubs/pubs.html#teaching-concurrency），建議大家都看看。

5. 如何正確學習數據科學中的 python

作者 | skura

來源 | AI開發者

大多數有抱負的數據科學家是通過學習為開發人員開設的編程課程開始認識 python 的，他們也開始解決類似 leetcode 網站上的 python 編程難題。他們認為在開始使用 python 分析數據之前，必須熟悉編程概念。

資深數據分析師 Manu Jeevan 認為，這是一個巨大的錯誤，因為數據科學家使用 python 來對數據進行檢索、清洗、可視化和構建模型，而不是開發軟體應用程序。實際上，為了完成這些任務，你必須將大部分時間集中在學習 python 中的模塊和庫上。他認為，學習數據科學的正確姿勢應該如下文，AI 開發者進行了編譯整理。

請按照下面這個步驟來學習數據科學的 python。

配置編程環境

Jupyter Notebook 是開發和展示數據科學項目的強大編程環境。

在電腦上安裝 Jupyter Notebook 最簡單的方法是通過 Anaconda 進行安裝。Anaconda 是數據科學中使用最廣泛的 python 工具，它預裝了所有最流行的庫。

你可以瀏覽標題為「A Beginner』s Guide to Installing Jupyter Notebook Using Anaconda Distribution」的博客文章（https://medium.com/better-programming/beginners-quick-guide-for-handling-issues-launching-jupyter-notebook-for-python-using-anaconda-8be3d57a209b），了解如何安裝 Anaconda。安裝 Anaconda 時，請選擇最新的 python 3 版本。

安裝完 Anaconda 後，請閱讀 Code Academy 的這篇文章（https://www.codecademy.com/articles/how-to-use-jupyter-notebooks），了解如何使用 Jupyter Notebook。

只學習 python 的基礎知識

Code Academy 有一門關於 python 的優秀課程，大約需要 20 個小時才能完成。你不必升級到 pro 版本，因為你的目標只是熟悉 python 編程語言的基礎知識。課程地址：https://www.codecademy.com/learn/learn-python-3

NumPy 和 Pandas，學習的絕佳資源

在處理計算量大的演算法和大量數據時，python 速度較慢。你可能會問，既然如此那為什麼 python 是數據科學最流行的編程語言？

答案是，在 python 中，很容易以 C 或 Fortran 擴展的形式將數字處理任務轉移到底層。這正是 NumPy 和 Pandas 所做的事情。

首先，你應該學會 NumPy。它是用 python 進行科學計算的最基本的模塊。NumPy 支持高度優化的多維數組，這是大多數機器學習演算法最基本的數據結構。

接下來，你應該學習 Pandas。數據科學家花費大部分時間清洗數據，這也被稱為數據整。

Pandas 是操作數據最流行的 python 庫。Pandas 是 NumPy 的延伸。Pandas 的底層代碼廣泛使用 NumPy 庫。Pandas 的主要數據結構稱為數據幀。

Pandas 的創造者 Wes McKinney 寫了一本很棒的書，叫做《Python for Data Analysis》（https://www.amazon.com/Python-Data-Analysis-Wrangling-IPython-ebook/dp/B075X4LT6K）。在書中的第 4、5、7、8 和 10 章可以學習 Pandas 和 NumPy。這些章節涵蓋了最常用的 NumPy 和 Pandas 特性來處理數據。

學習使用 Matplotlib 可視化數據

Matplotlib 是用於創建基本可視化圖形的基本 python 包。你必須學習如何使用 Matplotlib 創建一些最常見的圖表，如折線圖、條形圖、散點圖、柱狀圖和方框圖。

另一個建立在 Matplotlib 之上並與 Pandas 緊密結合的好的繪圖庫是 Seaborn。在這個階段，我建議你快速學習如何在 Matplotlib 中創建基本圖表，而不是專注於 Seaborn。

我寫了一個關於如何使用 Matplotlib 開發基本圖的教程，該教程由四個部分組成。

第一部分：Matplotlib 繪制基本圖（http://nbviewer.ipython.org/gist/manujeevanprakash/138c66c44533391a5af1） 第二部分：如何控制圖形的樣式和顏色，如標記、線條粗細、線條圖案和使用顏色映射（https://nbviewer.jupyter.org/gist/manujeevanprakash/7dc56e7906ee83e0bbe6） 第三部分：注釋、控制軸范圍、縱橫比和坐標系（https://nbviewer.jupyter.org/gist/manujeevanprakash/7cdf7d659cd69d0c22b2） 第四部分：處理復雜圖形（https://nbviewer.jupyter.org/gist/manujeevanprakash/7d8a9860f8e43f6237cc）

你可以通過這些教程來掌握 Matplotlib 的基本知識。

簡而言之，你不必花太多時間學習 Matplotlib，因為現在公司已經開始採用 Tableau 和 Qlik 等工具來創建互動式可視化。

如何使用 SQL 和 python

數據有組織地駐留在資料庫中。因此，你需要知道如何使用 SQL 檢索數據，並使用 python 在 Jupyter Notebook 中執行分析。

數據科學家使用 SQL 和 Pandas 來操縱數據。有一些數據操作任務使用 SQL 就可以很容易地執行，並且有一些任務可以使用 Pandas 高效地完成。我個人喜歡使用 SQL 來檢索數據並在 Pandas 中進行操作。

如今，公司使用 Mode Analytics 和 Databricks 等分析平台來輕松地使用 python 和 SQL。

所以，你應該知道如何一起有效地使用 SQL 和 python。要了解這一點，你可以在計算機上安裝 SQLite 資料庫，並在其中存儲一個 CSV 文件，然後使用 python 和 SQL 對其進行分析。

這里有一篇精彩的博客文章，向你展示了如何做到這一點：Programming with Databases in Python using SQLite（https://medium.com/analytics-vidhya/programming-with-databases-in-python-using-sqlite-4cecbef51ab9）。

在瀏覽上述博客文章之前，你應該了解 SQL 的基礎知識。Mode Analytics 上有一個很好的關於 SQL 的教程：Introction to SQL（https://medium.com/analytics-vidhya/programming-with-databases-in-python-using-sqlite-4cecbef51ab9）。通過他們的基本 SQL 部分，了解 SQL 的基本知識，每個數據科學家都應該知道如何使用 SQL 有效地檢索數據。

學習和 python 相關的基本統計學知識

多數有抱負的數據科學家在不學習統計學的基礎知識的情況下，就直接跳到機器學習知識的學習中。

不要犯這個錯誤，因為統計學是數據科學的支柱。而且，很多數據科學家學習統計學只是學習理論概念，而不是學習實踐概念。

我的意思是，通過實踐概念，你應該知道什麼樣的問題可以用統計學來解決，了解使用統計數據可以解決哪些挑戰。

以下是你應該了解的一些基本統計概念：

抽樣、頻率分布、平均值、中位數、模式、變異性度量、概率基礎、顯著性檢驗、標准差、z 評分、置信區間和假設檢驗（包括 A/B 檢驗）

要學習這些知識，有一本很好的書可以看看：《Practical Statistics for Data Scientists: 50 Essential Concepts》（https://www.amazon.com/Practical-Statistics-Data-Scientists-Essential/dp/9352135652）。不幸的是，本書中的代碼示例是用 R 編寫的，但是很多人包括我自己在內使用的是 Python。

我建議你閱讀本書的前四章。閱讀本書的前 4 章，了解我前面提到的基本統計概念，你可以忽略代碼示例，只了解這些概念。本書的其餘章節主要集中在機器學習上。我將在下一部分討論如何學習機器學習。

大多數人建議使用 Think Stats （https://www.amazon.com/Think-Stats-Allen-B-Downey/dp/1449307116）來學習 python 的統計知識，但這本書的作者教授了自己的自定義函數，而不是使用標準的 python 庫來進行統計知識講解。因此，我不推薦這本書。

接下來，你的目標是實現在 Python 中學習的基本概念。StatsModels 是一個流行的 python 庫，用於在 python 中構建統計模型。StatsModels 網站提供了關於如何使用 Python 實現統計概念的優秀教程。

或者，你也可以觀看 Ga?l Varoquaux 的視頻。他向你展示了如何使用 Pandas 和統計模型進行推理和探索性統計。

使用 Scikit-Learn 進行機器學習

Scikit-Learn 是 Python 中最流行的機器學習庫之一。你的目標是學習如何使用 Scikit Learn 實現一些最常見的機器學習演算法。

你應該像下面這樣做。

首先，觀看 Andrew Ng 在 Coursera 上的機器學習課程（https://www.coursera.org/learn/machine-learning）的第 1、2、 3、6,、7 和第 8 周視頻。我跳過了關於神經網路的部分，因為作為初學者，你必須關注最通用的機器學習技術。

完成後，閱讀「Hands-On Machine Learning with Scikit-Learn and TensorFlow」一書（https://www.amazon.com/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1491962291）。你只需瀏覽這本書的第一部分（大約 300 頁），它是最實用的機器學習書籍之一。

通過完成本書中的編碼練習，你將學習如何使用 python 實現你在 Andrew Ng 課程中學習到的理論概念。

結論

最後一步是做一個涵蓋上述所有步驟的數據科學項目。你可以找到你喜歡的數據集，然後提出有趣的業務問題，再通過分析來回答這些問題。但是，請不要選擇像泰坦尼克號這樣的通用數據集。你可以閱讀「19 places to find free data sets for your data science project」來查找合適的數據集（https://www.dataquest.io/blog/free-datasets-for-projects/）。

另一種方法是將數據科學應用到你感興趣的領域。例如，如果你想預測股票市場價格，那麼你可以從 Yahoo Finance （https://www.scrapehero.com/scrape-yahoo-finance-stock-market-data/）中獲取實時數據，並將其存儲在 SQL 資料庫中，然後使用機器學習來預測股票價格。

如果你希望從其它行業轉行到數據科學，我建議你完成一個利用你的領域專業知識的項目。關於這些，我在以前的博客文章"A Step-by-Step Guide to Transitioning your Career to Data Science – Part 1"（https://www.kdnuggets.com/2019/05/guide-transitioning-career-data-science-part-1.html） 和"A Step-by-Step Guide to Transitioning your Career to Data Science – Part 2"（https://www.kdnuggets.com/2019/06/guide-transitioning-career-data-science-part-2.html）中有提到過。

6. 少兒編程是什麼，怎麼學

少兒編程教育是通過編程游戲啟蒙、可視化圖形編程等課程，培養學生的計算思維和創新解難能力的課程。

少兒編程學習年齡段：

4-6歲：少兒編程小游戲

這一階段不必刻意學習，可以玩一些不含字母的編程小游戲，比如用指令控制一個角色到達終點，繞過障礙物，用循環來完成重復任務等等。

7-9歲：可視化少兒編程學習

這一階段孩子的邏輯思維開始更快地發展，家長可以為孩子安排系統的編程學習計劃，但還是要以興趣為主，讓孩子喜歡上編程。7-9歲的孩子可以用可視化的編程工具來完成稍微復雜一些的任務，比如Scratch少兒編程、App Inventor等。

10+歲：代碼編程語言學習

10+歲的孩子可以開始學習一門真正的編程語言，比如Python，初步學習演算法、數據結構、面向對象編程，嘗試編寫軟體。也可以接觸一些硬體編程，比如用Arino做個小機器人等等。

(6)科學家怎麼學編程擴展閱讀：

目前，全球已有20多個國家將編程納入中小學基礎課，我國出台的《新一代人工智慧發展規劃》也提出在中小學階段逐步推廣編程教育。可見，編程學習低齡化，正成為教育的新趨勢。作為互聯網原住民，電子產品深入影響著這些少兒的日常生活，學編程未必是拔苗助長。在分析、設計、優化的編程實踐中，孩子的邏輯思維、創新能力將得到鍛煉。

不可否認，時下的少兒編程行業有待規范，但這並非編程本身的錯，關鍵在於如何讓它更好地與少兒對接。多一些圖形化編程、趣味化教學的探索，多一些由易到難的課程設置，必將有更多孩子進入編程的大門。

7. 北大青鳥java培訓：編程到底難不難學

編程在很多人看來都是很有深度的，很多人都擔心編程難不難，自己能不能學好。
其實小編在學習之前也認為所謂的軟體工程師、網路工程都適合科學家是一個級別的，想要當上並不容易嗎，需要高學歷、高智商。
但是自學完編程之後，就發現其實並沒有那麼難。
電腦編程難不難學?筆者就此問題訪問了北大青鳥嘉薈學校的專家導師，了解了電腦編程學習的真實一面。
IT就業說難，也就難在軟體開發，而不是軟體編程。
打個比方，造汽車一定很難，但是開汽車就不那麼難了，開汽車不用精通汽車的內部構造和工作原理，直接掌握駕駛技巧，能把汽車開起來就行了。
大家都知道中學數學課本里也有很多的復雜公式，我們會覺得像「天書」嗎?專家說，學習軟體編程所要的邏輯思維能力，決不會比理解中學的數理化科目更高。
即使偶爾會碰到一些數學知識，也不會超出初中生學習的范圍。
至於英語，掌握幾百個常用單詞，對高中生來說，應該不會太難吧。
而且，在軟體編程中使用英語，不用讀、不用聽、不用寫，看懂就行。
更何況電腦上原本就有翻譯工具，滑鼠一點，一目瞭然，很多「半路出家」的人群，不但能順利適應，而且還有獨特的優勢，如學會計的學員在編寫財會軟體時「駕輕就熟」;做銷售的學員製作市場軟體時「猶如神助」，以我們的經驗，學習軟體編程，文理不論，也沒有什麼技術難關。
編程到底難不難學?北大青鳥嘉薈學校http://www.kmbdqn.cn/表示，編程並不是很難學，只要你想學，帶有激情的去學習，任何語言都可以繪制出編程的一片藍圖。

8. 想學習編程學哪個比較好呢

學習軟體編程主要學習的課程有，c，c++,java程序設計,python程序,html網頁編寫,css層疊樣式,javascript腳本,jquery庫。這些都是主要學習課程，課根據自己的學習自行選擇。下面是部分學習知識點，希望能幫你。

1.確保堆棧上至少有 n 個額外空位。如果不能把堆棧擴展到相應的尺寸，函數返回假。 失敗的原因包括將把棧擴展到比固定最大尺寸還大 （至少是幾千個元素）或分配內存失敗。 這個函數永遠不會縮小堆棧；
void lua_close (lu a_State *L);
2.銷毀指定 Lua 狀態機中的所有對象（如果有垃圾收集相關的元方法的話，會調用它們），並且釋放狀態機中使用的所有動態內存。 在一些平台上，你可以不必調用這個函數， 因為當宿主程序結束的時候，所有的資源就自然被釋放掉了。 另一方面，長期運行的程序，比如一個後台程序或是一個網站伺服器， 會創建出多個 Lua 狀態機。那麼就應該在不需要時趕緊關閉它們。
lu a_compare
比較兩個 Lua 值。 當索引 index1 處的值通過 op 和索引 index2 處的值做比較後條件滿足，函數返回 1 。 這個函數遵循 Lua 對應的操作規則（即有可能觸發元方法）。 反之，函數返回 0。 當任何一個索引無效時，函數也會返回 0 。
3.連接棧頂的 n 個值， 然後將這些值出棧，並把結果放在棧頂。如果 n 為 1 ，結果就是那個值放在棧上（即，函數什麼都不做）； 如果 n 為 0 ，結果是一個空串。 連接依照 Lua 中通常語義完成（）。
lua_
從索引 fromidx 處復制一個值到一個有效索引 toidx 處，覆蓋那裡的原有值。 不會影響其它位置的值。
l ua_createtable
4.創建一張新的空表壓棧。 參數 narr 建議了這張表作為序列使用時會有多少個元素；參數 nrec 建議了這張表可能擁有多少序列之外的元素。 Lua 會使用這些建議來預分配這張新表。 如果你知道這張表用途的更多信息，預分配可以提高性能。 否則，你可以使用函數
lua_mp
把函數導出成二進制代碼塊 。 函數接收棧頂的 Lu a 函數做參數， 然後生成它的二進制代碼塊。 若被導出的東西被再次載入， 載入的結果就相當於原來的函數。 當它在產生代碼塊的時候， lua_mp 通過調用函數 writer （r ） 來寫入數據，後面的 data 參數會被傳入 writer 。
5.如果 strip 為真， 二進制代碼塊將不包含該函數的調試信息。
最後一次由 writer 的返回值將作為這個函數的返回值返回； 0 表示沒有錯誤。
該函數不會把 Lua 函數彈出堆棧。

希望能幫到你，謝謝！