⚡ 实用 · ⚙️ 系统 · 📚 可复用

Python 代码示例 · 从入门到实战

提供真实、可运行、可复用的 Python 代码示例,覆盖 Web 开发、数据分析、自动化运维、人工智能等领域,帮助程序员高效学习与开发。

开始学习

关于本项目

Python 是一种高级、解释型、通用型编程语言,以其简洁的语法、强大的标准库和活跃的社区生态广受开发者青睐。作为一门“胶水语言”,Python 可轻松集成 C/C++、Java、.NET 等多种技术栈,广泛应用于 Web 开发、科学计算、人工智能、自动化脚本、网络爬虫、教育科研等多个领域。

本页面致力于提供一套结构清晰、逻辑严谨、注释精炼的 Python 代码示例,既适合零基础学习者快速上手,也便于有经验开发者查阅常用模式与最佳实践。所有代码均经 Python 3.8+ 环境验证,兼容主流平台(Windows/macOS/Linux),并严格遵循 PEP 8 编码规范。

与传统教程不同,我们摒弃冗长的理论堆砌,聚焦于“可运行、可理解、可复用”的核心目标。每个示例均以问题驱动,辅以关键注解与扩展思考,引导读者在动手实践中掌握 Python 代码示例 的设计思路与调试技巧。

为什么选择本页面?

适用人群

  • 零基础编程学习者(建议按顺序学习基础部分)
  • 其他语言转 Python 的开发者(可直接跳转至目标领域)
  • 需快速构建原型的工程师(参考 Web 与自动化章节)
  • 数据分析师与科研人员(重点查看数据处理与可视化示例)
  • 人工智能初学者(结合 AI 章节与配套数据集)

基础语法示例

数据类型与变量操作

Python 支持动态类型,变量无需声明即可使用。常见内置类型包括整型、浮点型、字符串、布尔型、列表、元组、字典、集合等。

name = "Python"
version = 3.11
is_active = True
numbers = [1, 2, 3, 4, 5]
person = {"name": "Alice", "age": 25}
unique_ids = {101, 102, 103}
print(f"变量 name 类型:{type(name).__name__}")  # str
print(f"列表长度:{len(numbers)}")  # 5
print(f"字典键:{list(person.keys())}")  # ['name', 'age']

注意:使用 print(f"{...}") 可格式化输出,避免字符串拼接带来的类型错误。

循环与条件控制

Python 使用缩进表示代码块,推荐使用 4 个空格。常用循环结构包括 for 和 while。

# 遍历列表并过滤偶数
evens = []
for i in range(10):
    if i % 2 == 0:
        evens.append(i)
print(evens)  # [0, 2, 4, 6, 8]
# 列表推导式(更简洁)
odds = [x for x in range(1, 10) if x % 2 == 1]
print(odds)  # [1, 3, 5, 7, 9]
# 使用 enumerate 获取索引与值
for idx, val in enumerate(['a', 'b', 'c']):
    print(f"索引 {idx} → 值:{val}")
# 索引 0 → 值:a
# 索引 1 → 值:b
# 索引 2 → 值:c

函数定义与参数传递

支持位置参数、关键字参数、默认参数、可变参数(*args、**kwargs)。

def greet(name, greeting="你好"):
    """向指定人打招呼"""
    return f"{greeting}, {name}!"
print(greet("小明"))  # 你好, 小明!
print(greet("小红", greeting="Hello"))  # Hello, 小红!
def sum_all(*args):
    """计算任意数量参数的和"""
    return sum(args)
print(sum_all(1, 2, 3, 4))  # 10
def build_profile(**kwargs):
    """构建用户信息字典"""
    return kwargs
user = build_profile(name="张三", age=30, city="成都")
print(user)  # {'name': '张三', 'age': 30, 'city': '成都'}

提示:使用 **kwargs 可轻松实现配置项动态绑定,常用于框架初始化。

文件读写操作

推荐使用 with 语句确保文件正确关闭。

# 写入文本文件
data = ["第一行\n", "第二行\n", "第三行\n"]
with open("output.txt", "w", encoding="utf-8") as f:
    f.writelines(data)
# 读取并逐行处理
with open("output.txt", "r", encoding="utf-8") as f:
    for line in f:
        print(line.strip())  # 去除换行符后输出
# JSON 文件读写
import json
config = {"host": "localhost", "port": 8080}
with open("config.json", "w", encoding="utf-8") as f:
    json.dump(config, f, indent=2, ensure_ascii=False)
with open("config.json", "r", encoding="utf-8") as f:
    loaded = json.load(f)
    print(loaded["port"])  # 8080

Web 开发示例

Flask 快速入门:构建 REST API

Flask 是轻量级 Web 框架,适合构建小型服务或微服务。

from flask import Flask, jsonify, request
app = Flask(__name__)
# 模拟数据
USERS = [
    {"id": 1, "name": "Alice", "email": "alice@example.com"},
    {"id": 2, "name": "Bob", "email": "bob@example.com"}
]
@app.route("/api/users", methods=["GET"])
def get_users():
    return jsonify(USERS)
@app.route("/api/users", methods=["POST"])
def add_user():
    data = request.get_json()
    new_user = {
        "id": len(USERS) + 1,
        "name": data.get("name"),
        "email": data.get("email")
    }
    USERS.append(new_user)
    return jsonify(new_user), 201
if __name__ == "__main__":
    app.run(debug=True)

运行后访问 http://localhost:5000/api/users 可获取用户列表。POST 请求携带 JSON 数据可添加新用户。

Django 模型与数据库操作

Django 提供 ORM 映射,简化数据库操作。

# models.py
from django.db import models
class Article(models.Model):
    title = models.CharField(max_length=200)
    content = models.TextField()
    pub_date = models.DateTimeField(auto_now_add=True)
    def __str__(self):
        return self.title
# 视图中使用
from .models import Article
def article_list(request):
    articles = Article.objects.all().order_by('-pub_date')
    return render(request, 'articles/list.html', {'articles': articles})
# 创建新文章(Shell 示例)
>>> from myapp.models import Article
>>> Article.objects.create(
...     title="Django 入门",
...     content="Django 是 Python 最流行的 Web 框架之一..."
... )

模板引擎 Jinja2 基础用法

{# templates/index.html #}
{{ title }}


{{ title }}

    {% for item in items %}
  • {{ item.name }} - {{ item.price }} 元
  • {% endfor %}

当前时间:{{ now.strftime("%Y-%m-%d %H:%M") }}

Python 渲染代码:

from jinja2 import Environment, FileSystemLoader
env = Environment(loader=FileSystemLoader("templates"))
template = env.get_template("index.html")
html = template.render(
    title="商品列表",
    items=[{"name": "键盘", "price": 299}, {"name": "鼠标", "price": 129}],
    now=datetime.now()
)
print(html)

中间件与请求处理流程

Flask 中间件通过装饰器实现,Django 通过中间件类配置。

# Flask: 日志中间件
from functools import wraps
from flask import request, g
import time
def log_request(f):
    @wraps(f)
    def decorated_function(*args, **kwargs):
        start = time.time()
        g.start_time = start
        return f(*args, **kwargs)
    return decorated_function
@app.after_request
def after_request(response):
    diff = time.time() - g.get("start_time", time.time())
    print(f"[{request.path}] 耗时:{diff:.3f}s")
    return response

数据分析示例

Pandas 数据读取与清洗

import pandas as pd
# 读取 CSV
df = pd.read_csv("sales.csv", encoding="utf-8")
# 查看前5行
print(df.head())
# 检查缺失值
print(df.isnull().sum())
# 删除含缺失值的行
df_clean = df.dropna()
# 填充缺失值(数值列用均值)
df["amount"] = df["amount"].fillna(df["amount"].mean())
# 新增列:销售额 = 单价 × 数量
df["sales"] = df["price"] * df["quantity"]
# 分组统计:按产品分类汇总销售额
grouped = df.groupby("product")["sales"].sum().reset_index()
print(grouped)

数据可视化:Matplotlib 基础

import matplotlib.pyplot as plt
# 绘制折线图
months = ["1月", "2月", "3月", "4月", "5月"]
sales = [120, 150, 130, 180, 200]
plt.figure(figsize=(8, 4))
plt.plot(months, sales, marker='o', color='#037ef3', linewidth=2)
plt.title("2024年前5个月销售额趋势")
plt.xlabel("月份")
plt.ylabel("销售额(万元)")
plt.grid(True, linestyle="--", alpha=0.6)
plt.tight_layout()
plt.savefig("sales_trend.png", dpi=150)
plt.show()

结果:生成清晰的折线趋势图,支持中文显示需配置字体路径。

NumPy 数组操作

import numpy as np
# 创建数组
arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.arange(0, 10, 2)  # [0 2 4 6 8]
# 广播运算
result = arr1 * arr2[:len(arr1)]  # [0 4 12 24 40]
# 矩阵乘法
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
C = np.dot(A, B)  # [[19 22] [43 50]]
# 统计函数
print(np.mean(arr1))  # 3.0
print(np.std(arr1))   # 1.4142

时间序列处理:移动平均计算

import pandas as pd
# 创建时间序列
dates = pd.date_range("2024-01-01", periods=7, freq="D")
values = [10, 12, 9, 15, 11, 14, 13]
ts = pd.Series(values, index=dates)
# 计算3日移动平均
moving_avg = ts.rolling(window=3).mean()
print(moving_avg)
# 输出:
# 2024-01-01    NaN
# 2024-01-02    NaN
# 2024-01-03    10.333333
# 2024-01-04    12.000000
# 2024-01-05    11.666667
# 2024-01-06    13.333333
# 2024-01-07    12.666667
# dtype: float64

自动化运维示例

文件批量重命名

import os
from pathlib import Path
def batch_rename(folder_path, prefix="file", start=1):
    """批量重命名文件,格式:prefix_序号.扩展名"""
    folder = Path(folder_path)
    for idx, file in enumerate(folder.iterdir(), start=start):
        if file.is_file():
            new_name = f"{prefix}_{idx:03d}{file.suffix}"
            file.rename(file.with_name(new_name))
            print(f"{file.name} → {new_name}")
# 使用示例
batch_rename("./images", prefix="photo", start=1)

定时任务:每日备份数据库

import schedule
import time
import subprocess
from datetime import datetime
def backup_db():
    timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
    filename = f"backup_{timestamp}.sql"
    cmd = f"mysqldump -u root -p123456 mydb > backups/{filename}"
    result = subprocess.run(cmd, shell=True)
    if result.returncode == 0:
        print(f"备份成功:{filename}")
    else:
        print("备份失败!")
# 每天 2:00 执行
schedule.every().day.at("02:00").do(backup_db)
# 持续运行(实际部署建议用 systemd 或 cron)
while True:
    schedule.run_pending()
    time.sleep(60)

网络请求:模拟登录并抓取页面

import requests
from bs4 import BeautifulSoup
# 创建会话
session = requests.Session()
# 登录请求(示例)
login_url = "https://example.com/login"
payload = {"username": "user", "password": "pass"}
session.post(login_url, data=payload)
# 抓取需登录页面
resp = session.get("https://example.com/dashboard")
soup = BeautifulSoup(resp.text, "html.parser")
profile = soup.select_one(".user-profile")
print(profile.get_text(strip=True))

提示:实际项目需处理验证码、Token 或使用 Selenium 模拟浏览器。

系统监控:CPU 与内存使用率

import psutil
from datetime import datetime
def monitor_system():
    while True:
        cpu = psutil.cpu_percent(interval=1)
        mem = psutil.virtual_memory()
        disk = psutil.disk_usage("/")
        print(f"[{datetime.now().strftime('%H:%M:%S')}] "
              f"CPU: {cpu}% | "
              f"内存: {mem.percent}% | "
              f"磁盘: {disk.percent}%")
        if cpu > 90 or mem.percent > 90:
            print("⚠️ 警告:资源使用率过高!")
# 运行监控(实际部署应后台运行)
try:
    monitor_system()
except KeyboardInterrupt:
    print("\n监控已停止")

人工智能与机器学习示例

Scikit-learn:鸢尾花分类

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 加载数据
iris = datasets.load_iris()
X, y = iris.data, iris.target
# 划分训练/测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)
# 训练模型
clf = RandomForestClassifier(n_estimators=50, random_state=42)
clf.fit(X_train, y_train)
# 预测与评估
y_pred = clf.predict(X_test)
print(f"准确率:{accuracy_score(y_test, y_pred):.2%}")  # 通常 >95%

PyTorch:简单线性回归

import torch
import torch.nn as nn
import torch.optim as optim
# 构造数据:y = 3x + 2 + 噪声
X = torch.linspace(0, 10, 100).unsqueeze(1)
y = 3 * X + 2 + torch.randn(100, 1) * 0.5
# 定义模型
class LinearModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(1, 1)
    def forward(self, x):
        return self.linear(x)
model = LinearModel()
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 训练
for epoch in range(200):
    optimizer.zero_grad()
    outputs = model(X)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()
    if epoch % 50 == 0:
        print(f"Epoch {epoch}, Loss: {loss.item():.4f}")
# 输出参数
w, b = model.linear.weight.item(), model.linear.bias.item()
print(f"拟合结果:y = {w:.4f}x + {b:.4f}")  # 接近 y = 3x + 2

NLP 示例:关键词提取(TF-IDF)

from sklearn.feature_extraction.text import TfidfVectorizer
documents = [
    "Python 是一种广泛使用的高级编程语言",
    "数据分析离不开 Python 和 Pandas 库",
    "机器学习项目常使用 Scikit-learn",
    "Web 开发可选择 Flask 或 Django 框架"
]
vectorizer = TfidfVectorizer(max_features=10, stop_words=["是", "和", "的", "一种"])
tfidf_matrix = vectorizer.fit_transform(documents)
feature_names = vectorizer.get_feature_names_out()
print("特征词:", feature_names)
# ['Python' '数据分析' 'Pandas' '机器学习' 'Scikit' 'learn' 'Web' '开发' 'Flask' 'Django']
# 查看第一篇文档的 TF-IDF 权重
print(tfidf_matrix[0].toarray()[0])

常见问题解答

Q1:Python 2 和 Python 3 有何区别?

Python 2 已于 2020 年停止支持。主要差异包括:print 从语句变为函数;整数除法行为改变(/ 返回浮点数);Unicode 字符串默认支持;range 返回迭代器而非列表。强烈建议新项目使用 Python 3.8+。

Q2:如何解决 ImportError: No module named 'xxx'?

常见原因:① 未安装该库 → 使用 pip install xxx;② 虚拟环境未激活 → 检查 which python;③ 模块名拼写错误;④ 当前路径不在 sys.path 中。可运行 pip list 验证已安装库。

Q3:Python 中的 GIL 是什么?如何绕过它?

GIL(全局解释器锁)是 CPython 解释器的特性,确保同一时刻只有一个线程执行 Python 字节码。这限制了多线程的 CPU 并行能力。绕过方法:① 使用多进程(multiprocessing);② 使用 C 扩展释放 GIL;③ 改用无 GIL 的解释器(如 PyPy、Jython);④ 对 I/O 密集型任务,多线程仍有效(因 I/O 等待时释放 GIL)。

Q4:如何高效学习 Python?

建议路径:
① 基础语法(变量、控制流、函数、模块)→
② 标准库常用模块(os、sys、datetime、json)→
③ 面向对象编程(类与继承)→
④ 项目实践(爬虫/数据分析/Web)→
⑤ 深入源码与设计模式。
每天写代码,坚持 3 个月即可入门。

Q5:Python 代码如何加速?

优化策略:
• 优先优化算法复杂度;
• 使用内置函数(如 sum()、max());
• 列表推导式替代循环;
• 使用 NumPy/Pandas 处理数值计算;
• Cython 编译关键函数;
• PyPy 解释器加速;
• 并行计算(多进程/异步)。