Quant應該學習哪些 Python 知識？
答主更多應該算一個trader而不是quant（雖然對quant的一些知識也略懂），下面的答案可能更多是從一個交易員的角度來回答
想在市場上賺錢，必須同時具備兩樣能力：
研究：做出正確的能夠獲利的決策，也就是尋找Alpha的能力
交易：基於研究的結果和交易訊號，執行相應的下單風控等操作，也就是將Alpha落實到你賬戶盈利上的能力
研究方面
龍哥的答案已經覆蓋了常用的庫，這裡就從研究的整體方向上來介紹下：
獲取資料：可以選擇使用TuShare、通聯、萬得等資料工具下載資料，並將原始的資料格式轉化為你自己想用的資料格式（可以用Python指令碼實現），以儲存到資料庫中
儲存資料：幾乎絕大部分常用的資料庫都提供了Python介面，SQLSQL/HDF5等等多種，最常用的應該是MySql和MongoDB，有興趣學Q的也可以直接去用KDB+，資料庫具體會應用的方向包括儲存資料、讀取資料、資料補全機制、資料變頻（TICK變K線等）
資料回測：將資料讀取到記憶體中後（以numpy陣列或者pandas序列的形式），進行策略的回測，並對回測結果進行研究（matplotlib繪圖），或者對引數進行優化（scipy等）
建模相關：對資料進行一些統計學檢驗（statsmodel）以及機器學習建模（scikit-learn）
整合開發環境：在有針對性的IDE中實現以上步驟會更加簡便快捷（ipython/spyder）
交易方面
這部分是答主的主場了，主要分為兩塊：
1. 執行交易：對於絕大部分量化策略，都在一定程度上需要自動/半自動的下單功能。
CTA策略突破入場（秒級延時）
期權做市實時掛撤單（毫秒級延時）
股指期貨高頻（微秒級延時）
分級基金套利（批量自動下單，延時沒有以上幾種重要）
Alpha套利（籃子交易，一般要使用vwap等演算法）
2. 策略風控：同樣一般需要自動或者半自動的風控功能.
期權組合的希臘值風險實時監控對衝
分級基金套利的beta淨敞口、行業暴露等實時監控對衝
Alpha套利策略的因子監控
具體需要掌握的知識：
1. 模擬實盤交易的策略回測：將策略重新編寫為可以基於資料回放（逐TICK/逐K線）的模式進行回測的程式，模擬實際交易情況，杜絕未來函式的可能性，實盤交易中使用完全相同的程式進行交易，保證實盤和回測的一致性。這塊通常需要專門的框架或者程式，比如通聯的優礦、掘金、vn.py框架中的vn.strategy等。
2. 實盤交易介面：將想要下的單子通過交易介面傳送到經紀商櫃檯，目前可以實盤直接使用的應該包括掘金（期貨）、vn.py中的vn.lts（證券、期權）和vn.ctp（期貨）。如果要使用其他的櫃檯需要自己封裝，如恆生、金證等。
3. 其他語言拓展：作為最有名的膠水語言之一，Python的拓展功能不用絕對是浪費。針對計算瓶頸可以使用cython拓展，針對API可以用boost.python和swig進行封裝，呼叫matlab直接執行其中提供的特定演算法，使用COM介面呼叫Excel自動生成每日交易記錄和報表......
4. GUI程式的開發：相當數量的量化交易依舊需要交易員進行實時監控，除了在cmd中不斷print一些資料外，更合理的方案是開發自己需要的GUI介面，重點推薦PyQt，比在C++中用Qt開發要來的快捷很多，底層執行的也是C++的程式碼，速度完全不用擔心。一些有特別需求的人也可以考慮開發在瀏覽器中顯示的介面，比如經常想用手機遠端監控。
個人的Python知識體系：
研究方面
1. 期權目前國內的歷史資料較少，所以整體上用萬得的API就足以滿足需求，做CTA策略研究會從MC匯出csv格式的資料再讀取到Python中，目前在研究通聯的介面，原因無他：方便和價效比。
2. 資料儲存主要用MongoDB，主要原因同樣是方便，既可以用來存歷史的行情資料（Tick，K線），也可以存交易系統的日誌，甚至用來儲存交易系統引數設定等等，存取資料如同使用Python字典一樣方便（MySql試過用不慣）。
3. 資料回測，比較粗的回測一般就直接在Spyder裡隨手寫測試指令碼：讀取原始資料，用矩陣的形式計算一些變數（技術指標、希臘值），然後用迴圈逐行跑回測，結果出來後用matplotlib繪圖很方便。比較精細的回測會基於vn.py中模擬實盤交易的回測框架，在速度上會慢些，但是可以基本杜絕未來函式。
4. 建模相關：這塊不是本人的主攻領域，偶爾有需求拿SciPy邊看文件邊寫。
5. 整合開發環境：互動式開發寫策略回測一般用Spyder，開發大型程式的時候用WingIDE（朋友友情支援的正版，不得不說非常給力），智慧提示、自動完成可以大幅提高開發效率。
6. 交易介面：就是答主自己開發的vn.py框架了，期貨方面是CTP介面，股票和期權方面是華寶的LTS介面，熟知大部分底層開發細節（為了封裝介面，沒辦法）。然後針對不同的交易型別、交易策略，針對性的開發一些Python函式和演算法，在其中實現特殊的簡化下單功能（這些上層功能沒放到框架中）。
7. Python語言拓展：必須掌握的是cython，提升python計算效能的神器；另外為了封裝API用的boost.python，和swig比起來的主要好處是封裝完全使用C++語言，同時答主也沒有在java/perl中呼叫封裝模組的需求。
8. GUI開發：PyQt，功能強大，文件也比較全；高效能的實時繪圖：pyqtgraph，一些風控分析的圖表可以用matplotlib（嵌入到PyQt中），生成的圖表質量更高。
最後關於Python在量化交易領域的地位：
答主認為就像Javascript現在在web領域的地位一樣，Python現在可以幾乎覆蓋整個量化交易業務鏈：從研究到寫交易程式，一氣呵成（可以叫做全棧Quant？）。其他的語言總會有這樣那樣的短板：
C++/C#/Java：適合寫交易程式，不適合用來做策略開發
Matlab/R：適合做策略開發，但是在交易執行方面存在不少問題：速度、不穩定等等
Python：速度不如C++，策略開發不如Matlab，但其作為膠水語言，使用這樣那樣的小技巧後，在兩個方面都能滿足需求
最後也是很多人喜歡問的：Python確實不適合開發超高頻/超低延時（追求的效能提升在微秒級）的交易策略，不過：
1. 在當前時間點，這個需求已經不那麼迫切了；
2. 很多資金容量大能賺大錢（不一定是超高的回報率）的策略對延時的要求並沒有那麼高
so it's all up to you