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。
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。
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
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。
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
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 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..."
... )
{# 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)
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
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)
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。
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
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
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)
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)
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。
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")
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%
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
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])
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+。
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。
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)。
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。
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)。