9 Python 语言入门

Python是一门简单易学、功能强大的解释型编程语言，在数据科学和人工智能领域有着广泛应用。本章从基础概念讲起，介绍最佳实践，并展示Python在数据科学和AI领域的应用。

9.1 Python 基础概念

9.1.1 变量和数据类型

# 基本数据类型
a = 10              # 整数
b = 3.14            # 浮点数
c = "Hello, Python!"  # 字符串
d = True            # 布尔值

# 输出变量信息
print(f"a = {a}, 类型: {type(a).__name__}")
print(f"b = {b}, 类型: {type(b).__name__}")
print(f"c = {c}, 类型: {type(c).__name__}")
print(f"d = {d}, 类型: {type(d).__name__}")

a = 10, 类型: int
b = 3.14, 类型: float
c = Hello, Python!, 类型: str
d = True, 类型: bool

9.1.2 控制结构

9.1.2.1 条件语句

num = 5

if num > 0:
    print(f"{num} 是正数")
elif num < 0:
    print(f"{num} 是负数")
else:
    print(f"{num} 是零")

5 是正数

9.1.2.2 循环语句

# for循环遍历列表
fruits = ["苹果", "香蕉", "橘子"]
for fruit in fruits:
    print(f"我喜欢吃 {fruit}")

# while循环计算累加和
total = 0
i = 1
while i <= 5:
    total += i
    i += 1
print(f"1到5的和为: {total}")

我喜欢吃 苹果
我喜欢吃 香蕉
我喜欢吃 橘子
1到5的和为: 15

9.1.3 函数与模块

9.1.3.1 自定义函数

def add_numbers(x, y):
    """计算两个数的和"""
    return x + y

sum_result = add_numbers(3, 7)
print(f"3和7的和为: {sum_result}")

3和7的和为: 10

9.1.3.2 导入模块

import math

sqrt_val = math.sqrt(16)
print(f"16的平方根为: {sqrt_val}")

16的平方根为: 4.0

9.1.4 数据结构

9.1.4.1 列表（List）

numbers = [1, 2, 3, 4, 5]
numbers.append(6)
print(f"列表内容: {numbers}")

列表内容: [1, 2, 3, 4, 5, 6]

9.1.4.2 字典（Dictionary）

person = {"name": "张三", "age": 25}
person["gender"] = "男"
print(f"字典内容: {person}")

字典内容: {'name': '张三', 'age': 25, 'gender': '男'}

9.1.4.3 元组（Tuple）

tup = (1, "hello", 3.14)
print(f"元组第二个元素: {tup[1]}")

元组第二个元素: hello

9.1.4.4 集合（Set）

s = {1, 2, 3, 3, 5}
s.add(4)
print(f"集合内容: {s}")  # 重复元素自动去重

集合内容: {1, 2, 3, 4, 5}

9.1.5 NumPy 数组

import numpy as np

# 创建NumPy数组
arr = np.array([1, 2, 3, 4])
print(f"数组: {arr}")

# 矩阵运算
matrix = np.array([[1, 2], [3, 4]])
print(f"矩阵:\n{matrix}")

# 矩阵运算
arr2 = np.array([5, 6, 7, 8])
print(f"数组相加: {arr + arr2}")
print(f"数组乘2: {arr * 2}")

数组: [1 2 3 4]
矩阵:
[[1 2]
 [3 4]]
数组相加: [ 6  8 10 12]
数组乘2: [2 4 6 8]

9.1.6 DataFrame

import pandas as pd

# 创建DataFrame
data = {
    "Name": ["Alice", "Bob", "Charlie"],
    "Age": [25, 30, 35],
    "City": ["New York", "San Francisco", "Los Angeles"]
}
df = pd.DataFrame(data)
print(df)

# 访问数据
print(f"\n年龄列:\n{df['Age']}")
print(f"\n第二行:\n{df.iloc[1]}")

      Name  Age           City
0    Alice   25       New York
1      Bob   30  San Francisco
2  Charlie   35    Los Angeles

年龄列:
0    25
1    30
2    35
Name: Age, dtype: int64

第二行:
Name              Bob
Age                30
City    San Francisco
Name: 1, dtype: object

9.1.7 PyTorch 张量

import torch

tensor = torch.tensor([[1, 2], [3, 4]])
print(f"张量:\n{tensor}")

张量:
tensor([[1, 2],
        [3, 4]])

为什么张量可以进行高效的数值运算？

底层库优化：PyTorch使用ATen+cuDNN，TensorFlow使用XLA
GPU并行加速：支持在GPU上进行并行计算
自动求导：基于计算图自动计算梯度
高效的内存管理：避免不必要的数据拷贝
矢量化计算：支持广播机制，无需手动扩展维度
分布式计算支持：支持多GPU和多节点训练

9.2 Python 编码最佳实践

9.2.1 遵循PEP8规范

使用4个空格缩进
变量和函数命名清晰、具有描述性
每行代码限制在79字符以内

9.2.2 添加适当的注释

对关键逻辑添加注释，方便理解代码意图。

9.2.3 异常处理

try:
    result = 10 / 0
except ZeroDivisionError as e:
    print(f"错误：除数不能为零！{e}")

错误：除数不能为零！division by zero

9.3 Python 在数据科学领域的应用

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

9.3.1 NumPy数组操作

array = np.array([1, 2, 3, 4, 5])
array_squared = array ** 2
print(f"原始数组: {array}")
print(f"平方后: {array_squared}")

原始数组: [1 2 3 4 5]
平方后: [ 1  4  9 16 25]

9.3.2 Pandas数据处理

data = {
    "Name": ["Alice", "Bob", "Charlie", "David"],
    "Age": [25, 30, 35, 40],
    "Score": [85, 90, 95, 80]
}
df = pd.DataFrame(data)
print(f"数据框:\n{df}")

average_age = df["Age"].mean()
print(f"\n平均年龄: {average_age}")

数据框:
      Name  Age  Score
0    Alice   25     85
1      Bob   30     90
2  Charlie   35     95
3    David   40     80

平均年龄: 32.5

9.3.3 Matplotlib数据可视化

plt.figure(figsize=(8, 4))
plt.bar(df["Name"], df["Score"], color='skyblue')
plt.xlabel("姓名")
plt.ylabel("分数")
plt.title("学生分数柱状图")
plt.show()

9.4 Python 在人工智能领域的应用

9.4.1 逻辑回归分类器示例

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 加载数据
iris = load_iris()
X, y = iris.data, iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42
)

# 训练模型
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)

# 预测与评估
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy:.2%}")

模型准确率: 100.00%

Note

鸢尾花数据集包含3个类别，每个样本有4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）。

9.5 总结

本章介绍了：

Python基础语法：变量、数据类型、控制结构、函数
数据结构：列表、字典、元组、集合、NumPy数组、DataFrame
编码最佳实践：PEP8规范、注释、异常处理
数据科学应用：NumPy、Pandas、Matplotlib
人工智能应用：使用scikit-learn构建机器学习模型

建议读者在Jupyter Notebook或IDE中运行这些代码，观察输出效果和图形展示，加深理解。