Python 速成 · 工科版Interactive tutorial

Python for engineers · 迁移速成

从 MATLAB、R、VB
平滑切换到 Python

你已经会编程——缺的只是 Python 的“方言”。这份教程跳过“什么是变量”, 用对照表、可运行代码和随堂小测,把旧语言里的直觉迁移过来。

MATLAB R Visual Basic 工科 / 统计背景 无需安装环境

12 章 · 约 4 小时 · 代码可在浏览器内运行 · 进度自动保存

01 对照学
只讲不一样的地方

跳过循环、变量这些你已经懂的概念,直接看 MATLAB / R / VB 与 Python 的映射。

02 直接跑
浏览器就是解释器

示例右侧点“运行”即可执行,不用装 Python。首次运行需联网加载运行时。

03 马上测
用小测校准直觉

每题即时反馈;每章可标记完成,进度保存在浏览器本地,下次接着学。

关于运行环境:页面使用 Pyodide 在浏览器内运行 CPython 与 NumPy。首次点击“运行”会从 CDN 下载运行时(约 10–20 MB,通常 5–15 秒);Matplotlib / pandas 示例首次运行会再加载对应包。离线时正文、代码与解析仍可正常阅读。

Chapter 01 · Mindset

先把脑子切换到 Python

Python 本身不难,难的是旧习惯。先把六个最容易绊倒 MATLAB / R / VB 用户的地方建立成直觉, 后面的语法会顺很多。

1.1 索引从 0 开始,末尾用负数

MATLAB 和 R 的索引从 1 开始;Python 从 0 开始。VB 默认也是 0 起始,所以 VB 用户可能反而更适应。 最后一个元素可以用 -1 取,倒数第二个是 -2。

a = [10, 20, 30, 40]
#       0   1   2   3

print(a[0])     # 10
print(a[2])     # 30
print(a[-1])    # 40(倒数第一个)
print(a[1:3])   # [20, 30](左闭右开)
操作MATLABRPython
第一个元素a(1)a[1]a[0]
最后一个元素a(end)a[length(a)]a[-1]
第 2 到第 4 个a(2:4)a[2:4]a[1:4]
倒数第 2 个a(end-1)a[length(a)-1]a[-2]
高频坑 · 右端不包含

Python 的切片 a[start:stop] 包含 start,不包含 stop。所以 a[1:3] 只有两个元素。想取第 2 到第 4 个,要写 a[1:4]。

1.2 缩进是语法,不是装饰

Python 用缩进表示代码块,不需要 end、花括号或 Next。 统一用 4 个空格,不要混用 Tab。行尾的冒号 : 不能漏。

if x > 0
    disp('positive')
else
    disp('not positive')
end
if x > 0:
    print("positive")
else:
    print("not positive")

1.3 变量是标签,不是盒子

你不需要写 Dim x As Double,也不用 x <- 1。直接赋值即可, 变量的类型由它当前指向的值决定,而且可以随时改变。

x = 42            # int
print(type(x))

x = "forty-two"   # 同一个名字,现在指向 str
print(type(x))

y = None          # 类似 null / NULL / NA 的“空值”
print(y, type(y))

但别误会:Python 是强类型的。字符串和数字不会自动相加, "3" + 4 会直接抛 TypeError,而不是悄悄变成 "34"。

1.4 list 不是矩阵,这是最大的坑

MATLAB 的默认数据对象就是数值矩阵,所以 a * 2 是对每个元素乘 2。 Python 的 list 是通用容器,* 表示重复:

a = [1, 2, 3]
print(a * 2)      # [1, 2, 3, 1, 2, 3] —— 重复,不是每个元素乘 2

import numpy as np
b = np.array([1, 2, 3])
print(b * 2)      # [2 4 6] —— 这才是逐元素运算
迁移直觉

做数值计算、矩阵运算、信号处理时,先 np.array(...) 转成 NumPy 数组。日常的“装几个东西”用 list,表格数据用 pandas DataFrame。

1.5 生态:标准库 + 第三方包

标准库随 Python 一起安装,用 import 即可;第三方包用 pip install 安装。 这相当于 MATLAB 的 Toolbox、R 的 install.packages()、VB 的 NuGet 包。

任务MATLAB / R / VBPython
数值数组MATLAB 内置矩阵 / R vectornumpy
表格数据MATLAB table / R data.frame、dplyrpandas
绘图MATLAB plot / ggplot2matplotlib、seaborn
统计与优化Statistics Toolbox / R statsscipy、statsmodels
机器学习Statistics & ML Toolbox / caretscikit-learn
符号计算Symbolic Math Toolbox / Ryacassympy

1.6 命名与风格:一开始就写“像 Python”的代码

  • 变量和函数用 snake_case(如 read_sensor),类名用 CapWords(如 Sensor)。
  • 常量用 UPPER_CASE,注释用 #,字符串用双引号或单引号都行,项目内统一即可。
  • 句末不需要分号;一行写一条语句,可读性优先。
  • 布尔值和空值是 True、False、None,首字母大写。
主题旧习惯Python 直觉
索引a(1) / x[1]a[0]
代码块end / 花括号缩进 + 冒号
类型先声明变量类型值有类型,变量只是标签
数值默认就是矩阵list 是容器;数值用 NumPy
逻辑&& || !and or not
语句结尾分号 / 换行不需要分号
随堂小测

在 Python 中执行 2 ^ 3,结果是什么?

随堂小测

已知 a = [10, 20, 30],a[-1] 的值是?

学完这一章了吗?

Chapter 02 · Basics

基础语法:迁移要点与语法全貌

变量、数字、字符串、输入输出。前四节聚焦你从 MATLAB、R、VB 带来的差异; 2.5 起用精简篇幅补齐 Python 基础语法的全貌——缩进、赋值、运算符、字符串方法和语句清单, 确保没有知识盲区。

2.1 三种运行方式

  • 脚本:把代码写进 hello.py,在终端运行 python hello.py。适合可重复执行的工程任务。
  • REPL:终端输入 python,出现 >>> 后逐行执行。适合试探语法、验证一个小想法。
  • Notebook:Jupyter / VS Code 的交互窗口。适合数据分析、绘图和边看结果边改代码。
$ python hello.py
Hello, Python!

$ python
Python 3.12.0
>>> 2 ** 10
1024

2.2 变量、类型与 f-string

Python 的核心标量类型有 int、float、str、bool 和 NoneType。 整数没有固定位宽,不会像 C / VB 的 Integer 那样溢出。

hello.py ⌘/Ctrl + Enter

注意 / 永远返回浮点数,即使能整除;要得到整数商用 //。 Python 的 // 对负数是向下取整(-7 // 2 == -4),这一点和 C 的截断除法不同。

运算MATLABRVBPython
幂^^^**
整除idivide / floor%/%\//
取余mod%%Mod%
逻辑与&&&&Andand
逻辑或||||Oror
逻辑非~!Notnot
不等于~=!=<>!=

2.3 字符串与格式化

f-string 是 Python 最常用的格式化方式,相当于 MATLAB 的 sprintf、R 的 sprintf、 VB 的 Format,但变量直接嵌在字符串里,读起来更接近模板。

strings.py ⌘/Ctrl + Enter
任务MATLABRPython
保留 1 位小数sprintf('%.1f', x)sprintf("%.1f", x)f"{x:.1f}"
补零sprintf('%03d', n)sprintf("%03d", n)f"{n:03d}"
拼接[a b]paste0(a, b)f"{a}{b}"
长度strlength(s)nchar(s)len(s)

字符串也可以用单引号 '...';三引号 """...""" 可以写多行文本或函数文档。 字符串不可变,任何“修改”都会产生新字符串,例如 name.replace("P", "J")。

2.4 输入与输出

print() 可以一次输出多个值,默认用空格分隔;input() 返回的永远是字符串, 需要数字时自己转换。下面的代码适合在本地脚本里运行,浏览器示例不建议使用 input():

name = input("你的名字:")
age = int(input("你的年龄:"))

print(f"{name},明年你 {age + 1} 岁。")
print("A", "B", "C", sep=" | ")
print("处理中", end="...")
print("完成")
工程习惯

数字可以用下划线分组提高可读性,例如 1_000_000;注释用 #。不要把多条语句挤在一行用分号分隔——Python 允许,但可读性差。

2.5 代码结构:缩进、注释与续行

前四节讲的是“和旧语言不一样的地方”,从这里开始补齐 Python 的基础语法全貌。 先记住最根本的一条:缩进不是排版,而是语法。MATLAB 用 end、 R 用花括号、VB 用 End If 划分代码块,Python 用冒号加缩进。

语言代码块如何标记
MATLABif ... end、for ... end
R{ ... }
Visual BasicIf ... End If、For ... Next
Python行尾冒号 : + 下一行缩进(推荐 4 个空格)
  • 缩进:同一代码块必须使用相同缩进;不要混用 Tab 和空格,编辑器统一设成 4 个空格最省事。
  • 注释:# 到行尾都是注释;"""文档字符串""" 写在模块、函数或类开头,用 help() 可以查看。
  • 语句:一条语句一行,行尾不需要分号;; 可以分隔多条语句,但不推荐。
  • 续行:长表达式优先在圆括号、方括号、花括号内换行;反斜杠 \ 也能续行,但容易出错。
  • 大小写:Python 区分大小写,Value、value、VALUE 是三个不同的名字。
  • 编码:源文件默认 UTF-8,中文可以直接写在字符串和注释里;空行和空格不影响执行。
# 缩进就是语法:同一代码块必须对齐
total = 0
for value in [1, 2, 3]:
    total += value          # 属于循环体
    if total > 3:
        print("超过 3")     # 属于 if 代码块

# 括号内可以自然换行,不需要反斜杠
result = (
    1 + 2
    + 3
    + 4
)
print(result)               # 10

2.6 变量、赋值与真假值

Python 的变量是“名字到对象”的绑定,不需要声明类型,重新赋值时类型也可以改变。 这一点和 VB 的 Dim ... As ...、MATLAB 的数值矩阵默认类型都不一样。

  • 命名规则:以字母或下划线开头,后面可接字母、数字、下划线;不能使用关键字(如 if、for、class)。
  • 命名约定:普通变量和函数用 snake_case,常量用 UPPER_CASE,类名用 PascalCase。
  • 多重赋值:x, y = 1, 2;交换两个变量写 x, y = y, x;链式赋值写 a = b = 0。
  • 增强赋值:+=、-=、*=、/=、//=、%=、**=。
  • 删除绑定:del name 只删除名字,对象由垃圾回收管理,通常不需要手动释放。
  • 比较:== 比较值,is 比较是否为同一个对象;判空写 if x is None。
  • 真值规则:False、None、数值 0、空字符串、空列表/元组/字典/集合都视为假,其余视为真;bool() 可显式转换。
assignment.py ⌘/Ctrl + Enter

注意 bool([0]) 是 True:列表里有元素 0,但列表本身非空。 判断容器是否为空,直接写 if items: 即可。

2.7 数字类型与运算符全表

  • int:任意精度整数,不会溢出;float:IEEE 754 双精度;complex:如 2 + 3j;bool 是 int 的子类(True == 1)。
  • 字面量:0b1010(二进制)、0o17(八进制)、0xFF(十六进制)、1_000_000、1.5e-3。
  • 类型转换:int() 向零截断小数,float() 解析数字字符串,str() 转成文本,bool() 按真值规则转换;round() 采用“银行家舍入”(round(2.5) == 2),需要商业舍入时用 decimal.Decimal。
  • 浮点比较:0.1 + 0.2 != 0.3,判断近似相等用 math.isclose(a, b)。
  • 优先级:不必背,拿不准就加括号;括号永远最优先。
类别运算符说明
算术+ - * / // % **/ 浮点除,// 整除,** 幂
比较== != < <= > >=可以链式写:0 < x < 10
逻辑and or not短路求值,返回的是操作数本身
位运算& | ^ ~ << >>整数按位操作,^ 是异或,不是幂
成员in / not in判断子串、元素或字典键是否存在
身份is / is not是否同一个对象;判空用 is None
条件表达式a if cond else b行内的 if/else,类似 VB 的 IIf
numbers.py ⌘/Ctrl + Enter

2.8 字符串方法、转义与格式说明

2.3 已经讲了索引、切片和基础 f-string。这里补上转义、原始字符串、常用方法和完整的格式说明符。 Python 的 str 是不可变的,所有“修改”都会返回新字符串。

  • 转义:\n 换行、\t 制表、\\ 反斜杠、\" 引号、\u4e2d Unicode 字符。
  • 原始字符串:r"C:\temp\new" 不处理转义,适合 Windows 路径和正则表达式。
  • 多行字符串:三引号 """...""" 可以跨行,也常用作文档字符串。
  • 拼接与重复:"py" + "thon"、"ab" * 3;相邻字面量会自动拼接,如 "py" "thon"。
  • 文本与字节:"中文".encode("utf-8") 得到 bytes,用 .decode("utf-8") 还原;文件、网络和哈希都按字节处理。
方法作用示例
strip()去掉两端空白(或指定字符)" hi ".strip()
split(sep)按分隔符切分成列表"a,b".split(",")
join(iterable)用当前字符串连接序列"-".join(["a", "b"])
replace(old, new)替换子串"a.py".replace(".py", "")
find(sub)返回下标,找不到返回 −1"python".find("th")
startswith / endswith判断前缀或后缀"data.csv".endswith(".csv")
count(sub)统计子串出现次数"banana".count("a")
lower / upper转小写 / 大写"Py".lower()
zfill(n)左侧补零到指定宽度"7".zfill(3)
strings_more.py ⌘/Ctrl + Enter
pi = 3.1415926
print(f"{pi:.2f}")        # 3.14          保留 2 位小数
print(f"{1234567:,}")     # 1,234,567     千分位
print(f"{42:08.2f}")      # 00042.00      总宽 8,补零
print(f"{255:#x}")        # 0xff          十六进制
print(f"{0.8734:.1%}")    # 87.3%         百分比
print(f"{'py':^7}|")      #   py   |      居中,总宽 7
print(f"{pi=}")           # pi=3.1415926  调试写法(3.8+)

常用格式说明符的格式是 {值:填充对齐宽度.精度类型}; 对齐用 <、>、^,类型用 f(浮点)、d(整数)、 x(十六进制)、b(二进制)、%(百分比)、e(科学计数法)。

2.9 语句全景:还有哪些语法

下面这张表把 Python 的常用语句一次列全。基础语法部分只要求“知道有这回事”, 具体用法会在后续章节展开,学完后可以回来对照。

语句 / 关键字作用详见
赋值、解包、del绑定名字、交换变量、删除绑定2.6
if / elif / else条件分支第 4 章
for / while / break / continue循环;循环的 else 在未 break 时执行第 4 章
def / return / lambda定义函数、返回值、匿名函数第 5 章
class / self定义类与实例方法第 7 章
import / from ... import / as导入模块、指定别名第 6 章
try / except / else / finally异常捕获与清理第 8 章
raise / assert主动抛出异常、断言检查第 8 章
with上下文管理器,自动释放文件等资源第 8 章
match / case结构化模式匹配(Python 3.10+)进阶
pass / global / nonlocal空语句、声明使用全局或外层变量第 5 章
推导式、生成器表达式从可迭代对象快速构造容器第 4 章
装饰器 @、async / await包装函数、异步编程进阶

最后给一个最小但完整的程序骨架,把导入、常量、函数、主函数和 __main__ 保护串起来。 现在看不懂细节没关系,学完第 6、7 章再回来看就会很自然。

import math

GRAVITY = 9.81

def fall_time(height):
    """自由落体时间:t = sqrt(2h / g)。"""
    return math.sqrt(2 * height / GRAVITY)

def main():
    for h in (1.0, 5.0, 20.0):
        print(f"{h:5.1f} m -> {fall_time(h):.3f} s")

if __name__ == "__main__":
    main()
随堂小测

下面哪个值在 if 条件中会被判定为真?

随堂小测

7 // 2 的结果是?

随堂小测

执行 print("3" + 3) 会发生什么?

学完这一章了吗?

Chapter 03 · Containers

容器:list、tuple、dict、set

大多数 Python 程序都在和这四种容器打交道。它们可以互相嵌套,替代 MATLAB 的 cell、struct, R 的 list、data.frame,以及 VB 的 Collection、Dictionary。

3.1 list:有序、可变、什么都能装

list 用方括号创建,可以装不同类型的数据。索引、切片、负索引和字符串一致。 常用操作有 append、extend、insert、remove、pop、sort。

lists.py ⌘/Ctrl + Enter
引用语义

b = a 只是给同一个列表起了第二个名字。b.append(...) 会同时改变 a。需要独立副本时用 a.copy()、list(a) 或切片 a[:]。

其他常用写法:

a = [3, 1, 2]

a.append(4)          # 末尾追加一个元素
a.extend([5, 6])     # 末尾追加多个元素
a.insert(0, 0)       # 在下标 0 插入
a.remove(1)          # 删除第一个值为 1 的元素
last = a.pop()       # 弹出并返回最后一个元素
a.sort()             # 原地排序
a.reverse()          # 原地反转

print(a)
print(2 in a, a.index(2))

3.2 tuple:不可变的“记录”

tuple 用圆括号创建,创建后不能修改。它适合表示固定结构的数据,比如坐标、尺寸、 函数返回的多个值。tuple 可以作为 dict 的键(list 不行)。

point = (3.0, 4.0)
x, y = point                 # 解包
print(x, y)

# point[0] = 5               # TypeError: tuple 不可变

single = (42,)               # 只有一个元素时,逗号不能省
print(type(single))          # <class 'tuple'>

3.3 dict:键值映射

dict 相当于 MATLAB 的 struct、R 的命名 list、VB 的 Dictionary。 它用键而不是位置来查找值,适合存“带名字的字段”。Python 3.7+ 会保留插入顺序。

dicts.py ⌘/Ctrl + Enter

student["gpa"] 在键不存在时会抛 KeyError;student.get("gpa") 会返回 None。 用 del student["age"] 或 student.pop("age") 删除键。

3.4 set:去重与集合运算

set 是无序、不重复的集合。常用于去重、判断成员、求交集 / 并集 / 差集。 注意空集合必须写成 set(),{} 是空字典。

values = [1, 1, 2, 3, 3, 3]
unique = set(values)
print(unique)                 # {1, 2, 3}

a = {1, 2, 3, 4}
b = {3, 4, 5}
print(a & b)                  # 交集 {3, 4}
print(a | b)                  # 并集 {1, 2, 3, 4, 5}
print(a - b)                  # 差集 {1, 2}
print(3 in a)                 # True

3.5 怎么选容器?

需求选择例子
有序、可修改的序列list[1, 2, 3]
固定记录、多返回值tuple(x, y)
按键查找dict{"name": "Ada"}
去重、集合运算set{1, 2, 3}
数值数组 / 矩阵numpy.ndarraynp.array([1, 2, 3])
表格数据pandas.DataFramepd.DataFrame(...)
MATLAB / R / VBPython
MATLAB cell arraylist
MATLAB structdict 或 dataclass
R named listdict
R data.framepandas.DataFrame
VB Collection / Dictionarylist / dict
随堂小测

已知 a = [10, 20, 30, 40, 50],a[1:4] 的结果是?

随堂小测

下面代码输出什么?
a = [1, 2]
b = a
b.append(3)
print(a)

学完这一章了吗?

Chapter 04 · Control flow

控制流:遍历,而不是数数

Python 的 for 循环更像“对集合里的每个元素做点什么”,而不是 MATLAB 的“从 1 数到 n”。 理解这一点,循环会自然很多。

4.1 if / elif / else

条件不需要括号,但冒号和缩进必须有。elif 是 else if 的缩写。 Python 允许链式比较,例如 0 < x < 100,这在 MATLAB / R / VB 里通常写不出来。

score = 86

if score >= 90:
    grade = "A"
elif score >= 80:
    grade = "B"
else:
    grade = "C"

print(grade)                              # B
status = "pass" if score >= 60 else "fail"  # 条件表达式
print(status)

Python 有“真值”概念:0、0.0、""、[]、{}、 None、False 在条件里都视为假,其余大多视为真。所以判断列表是否为空可以直接写 if items:,不必写 if len(items) > 0:。

loops.py ⌘/Ctrl + Enter
MATLAB 对照 · range 的右端

MATLAB 的 for i = 1:5 包含 5,对应 Python 的 for i in range(1, 6)。range(1, 5) 只到 4。刚开始可以记成“range 的终点要 +1”。

4.2 while、break、continue

不知道要循环多少次时用 while;条件在每轮开始前检查。 break 立即退出整个循环,continue 跳过本轮剩余语句。

n = 0
while n < 5:
    n += 1
    if n == 3:
        continue          # 跳过 3
    if n == 5:
        break             # 提前结束
    print(n, end=" ")     # 1 2 4
print()
fizzbuzz.py ⌘/Ctrl + Enter

4.3 列表推导式:把“循环 + 追加”压成一行

列表推导式是 Python 最有辨识度的语法之一,相当于 MATLAB 的 arrayfun、 R 的 sapply 的常见用法,但更紧凑。格式是 [表达式 for 变量 in 可迭代对象 if 条件]。

comprehensions.py ⌘/Ctrl + Enter

推导式适合简单变换和筛选。逻辑一复杂就拆回普通循环——可读性比“少写几行”重要。

任务MATLABRVBPython
从 1 到 nfor i = 1:nfor (i in 1:n)For i = 1 To nfor i in range(1, n + 1)
遍历元素for x = afor (x in a)For Each x In afor x in a
带下标for i = 1:numel(a)seq_along(a)手动维护计数器for i, x in enumerate(a)
映射arrayfun(@f, a)sapply(a, f)循环 + 新数组[f(x) for x in a]
不要边遍历边改列表

在 for x in a: 里删除 a 的元素会跳过元素,结果不可预测。需要过滤时用新列表:a = [x for x in a if keep(x)];需要遍历副本时写 for x in a[:]。

随堂小测

list(range(3)) 的结果是?

随堂小测

[x * x for x in range(4) if x % 2 == 0] 的结果是?

学完这一章了吗?

Chapter 05 · Functions

函数:输入、输出、可复用

Python 用 def 定义函数,不需要单独的 .m 文件,也没有 End。函数可以返回多个值、 接受默认参数和关键字参数,这些特性会让工程代码更清晰。

5.1 def、return 与文档字符串

函数体靠缩进界定。第一个字符串语句会自动成为文档字符串(docstring), 相当于 MATLAB 函数开头的注释块;用 help(f) 或编辑器提示都能看到。

functions.py ⌘/Ctrl + Enter

height_m=1.75 是默认参数:调用时省略就用默认值。 调用时写 bmi(height_m=1.68, weight_kg=55) 叫关键字参数,顺序可以打乱, 在参数很多时尤其有用。

5.2 默认参数与可变对象:一个必须知道的坑

默认参数只在函数定义时求值一次。如果默认值是列表、字典这类可变对象, 它会在多次调用之间共享,导致结果累积。

default_args.py ⌘/Ctrl + Enter

5.3 *args 与 **kwargs

不确定参数个数时,*args 收集位置参数为 tuple,**kwargs 收集关键字参数为 dict。 工程代码里常见于日志、配置和包装函数;日常业务不必滥用。

def summarize(label, *values, unit=""):
    print(label, values, unit)

summarize("scores", 90, 85, 92, unit="分")
# scores (90, 85, 92) 分

def build_config(**options):
    return options

print(build_config(debug=True, workers=4))

5.4 作用域与 Lambda

函数内部赋值的变量默认是局部变量,函数外看不到。需要把结果传出去就 return, 尽量少用 global。Lambda 是单表达式匿名函数,常用于 sorted 的 key:

pairs = [("b", 2), ("a", 3), ("c", 1)]
print(sorted(pairs, key=lambda p: p[1]))   # 按第二个元素排序

factor = 2
scale = lambda x: x * factor               # 能读外部变量
print(scale(5))                            # 10

# 等价于
def scale(x):
    return x * factor

5.5 类型标注:给工程代码加“说明书”

Python 3.5+ 支持类型标注,但它不会在运行时强制检查,主要给编辑器和同事看, 也可以配合 mypy / pyright 做静态检查。大型工程里非常值得写。

def scale(values: list[float], factor: float = 1.0) -> list[float]:
    return [v * factor for v in values]

print(scale([1.0, 2.0], 3))
任务MATLABRVBPython
定义函数function y = f(x) ... endf <- function(x) {}Function F(x As Double) As Doubledef f(x):
返回多个值[a, b] = f(x)list(a = ..., b = ...)ByRef 参数 / 自定义类型return a, b
默认参数nargin 判断function(x, y = 1)Optional y As Double = 1def f(x, y=1):
匿名函数@(x) x.^2function(x) x^2Function(x) x ^ 2lambda x: x ** 2
写函数的建议

一个函数只做一件事;名字用动词开头,如 load_data、clean_signal;参数多时用关键字;需要共享状态时优先 return,而不是改全局变量。

随堂小测

下面代码输出什么?
def f(a, b=2):
    return a * b
print(f(3))

随堂小测

下面代码输出什么?
def greet(name, greeting="Hello"):
    return f"{greeting}, {name}"
print(greet(greeting="Hi", name="Ada"))

学完这一章了吗?

Chapter 06 · Modules

模块、包与工程化习惯

单文件脚本能解决一次性的问题,但工程代码需要拆分模块、固定依赖、区分“被导入”和“被运行”。 这一章把 MATLAB 的 path、R 的包和 VB 的引用对应到 Python 的世界。

6.1 import:把别人的代码拿过来用

Python 的标准库非常全:数学、随机数、日期、路径、JSON、CSV、统计都有。 第三方包则通过 pip 安装后再 import。常见写法有三种:

import math
print(math.sqrt(16))              # 4.0

from datetime import date
print(date.today())               # 2026-11-14(取决于本机日期)

import numpy as np
print(np.array([1, 2, 3]))        # 约定俗成的别名

from collections import Counter
print(Counter("hello"))
不要 from module import *

from math import * 会把大量名字倒进当前命名空间,容易覆盖你自己的变量。用 import math 或只导入需要的名字。

下面这段代码把工程里最常用的几个标准库串起来:

stdlib_tour.py ⌘/Ctrl + Enter

6.2 依赖管理:venv + pip

不要直接把包装进系统 Python。每个项目建一个虚拟环境,依赖隔离,换机器也能复现。 MATLAB 的 path / Toolbox、R 的 library 路径、VB 的项目引用,在 Python 里对应的就是 “虚拟环境 + requirements.txt”。

# 1. 在项目目录创建虚拟环境
python -m venv .venv

# 2. 激活(macOS / Linux)
source .venv/bin/activate

# Windows PowerShell
# .venv\Scripts\Activate.ps1

# 3. 安装依赖
pip install numpy pandas matplotlib

# 4. 导出依赖清单
pip freeze > requirements.txt

# 5. 在另一台机器复现
pip install -r requirements.txt

如果你已经在用 Anaconda,可以继续用 conda 管理环境;近几年 uv 也因为速度快而流行。 关键不是工具,而是一个项目一个环境,并记录依赖版本。

6.3 项目结构与 __main__

当脚本被直接运行,__name__ 的值是 "__main__"; 当它被别的文件 import,__name__ 是模块名。因此可以用下面这个惯用法, 让模块既可以被复用,又不会在 import 时自动执行测试代码。

def clean(values):
    return [v for v in values if v is not None]

def main():
    data = [1, 2, None, 4]
    print(clean(data))

if __name__ == "__main__":
    main()
project/
├── .venv/                  # 虚拟环境(不要提交到 git)
├── requirements.txt
├── README.md
├── src/
│   └── analysis.py
└── tests/
    └── test_analysis.py
场景推荐形态
探索数据、画图、临时验证Jupyter Notebook
可复用的清洗 / 计算逻辑.py 模块 + 函数
定时任务、批处理、自动化.py 脚本 + argparse
团队共享、长期维护包结构 + README + 依赖清单 + 测试
旧语言Python 对应
MATLAB addpath / Toolboxpip install + import
R install.packages() / library()pip install / import
VB 项目引用 / NuGetpip + 虚拟环境
MATLAB 当前文件夹脚本所在目录、包路径、PYTHONPATH
两个常见陷阱

① 文件不要和标准库重名,例如 random.py、json.py,否则 import 的可能是你自己的文件。② pip 包名和 import 名不一定相同:pip install scikit-learn 后是 import sklearn,opencv-python 后是 import cv2。

随堂小测

用 pip install scikit-learn 安装后,代码里应该怎么导入?

随堂小测

if __name__ == "__main__": 的作用是?

学完这一章了吗?

Chapter 07 · Objects

类与对象:够用就好

工程代码里,大部分问题用函数加 dict 就能解决。当一组数据需要绑定自己的行为、 并且要维护状态时,类才真正有价值。这一章只讲最常用的部分。

7.1 class、__init__ 与 self

__init__ 是构造方法,创建对象时自动调用;self 指向当前实例, 相当于 VB 的 Me、MATLAB 的 obj、R6 的 self。 方法第一个参数必须是 self(名字是约定,但别改)。

sensor.py ⌘/Ctrl + Enter

__repr__ 决定对象在交互环境和 print 里的显示方式,调试时非常有用。 类似地,__len__、__getitem__ 可以让对象支持 len() 和索引。

7.2 dataclass:数据类的捷径

如果类的主要作用是“装数据”,用 @dataclass 可以自动生成 __init__、__repr__ 和相等比较,代码短很多。

from dataclasses import dataclass, field

@dataclass
class Point:
    x: float
    y: float
    tags: list = field(default_factory=list)

p = Point(1.0, 2.0)
p.tags.append("sensor")
print(p)          # Point(x=1.0, y=2.0, tags=['sensor'])
可变默认值同样要小心

dataclass 里不要写 tags: list = [],所有实例会共享同一个列表。用 field(default_factory=list)。

7.3 继承与组合

继承用 class Child(Parent):,子类可以复用或覆盖父类方法。但在工程代码里, 组合往往比继承更简单:一个类持有另一个对象,而不是变成它的子类。 除非确实存在“是一种”的关系,否则优先组合。

class Sensor:
    def __init__(self, name):
        self.name = name

class TemperatureSensor(Sensor):
    def __init__(self, name, unit="C"):
        super().__init__(name)       # 调用父类构造方法
        self.unit = unit

    def __repr__(self):
        return f"TemperatureSensor({self.name!r}, unit={self.unit!r})"

print(TemperatureSensor("T-01"))
旧语言Python
VB Class / Meclass / self
MATLAB classdef / objclass / self
R6 / S3 / S4 对象class + 特殊方法(__repr__ 等)
构造函数__init__
ToString / Display__repr__ / __str__
不要为了 OOP 而 OOP

数据处理脚本优先写成小函数;需要把“数据 + 行为”绑定时再用类。一个只有属性没有方法的类,通常用 dataclass 或 dict 更合适。

随堂小测

方法定义里的 self 指向什么?

随堂小测

__init__ 方法什么时候执行?

学完这一章了吗?

Chapter 08 · Files & errors

文件、异常与调试

真实工程离不开读写文件和处理错误。Python 的 with 语句、明确的异常类型和 traceback, 会让“出错”变成可以定位、可以恢复的事情。

8.1 用 pathlib 和 with 读写文件

pathlib.Path 跨平台处理路径,比手拼字符串可靠;with open(...) 会在代码块结束时自动关闭文件,即使中途抛异常也一样。文本文件建议始终显式写 encoding="utf-8"。

files.py ⌘/Ctrl + Enter

常见模式:"r" 读、"w" 覆盖写、"a" 追加、"rb" 读二进制。 处理 CSV 可以用标准库 csv,但数据分析里通常直接用 pandas 的 read_csv / to_csv。

浏览器中的文件系统

本页的 Python 运行在浏览器的虚拟文件系统中。上面的文件读写可以正常工作,但刷新页面后文件会消失,也不能直接访问你电脑上的 C:\data\file.csv。真实项目请在本地运行 Python。

8.2 try / except / else / finally

Python 用异常表示错误。捕获时尽量写具体类型(如 ValueError、 FileNotFoundError),不要用一个裸 except: 吞掉所有问题。 else 在无异常时执行,finally 无论如何都执行。

exceptions.py ⌘/Ctrl + Enter
def set_speed(value):
    if value < 0:
        raise ValueError(f"速度不能为负:{value}")
    return value

try:
    set_speed(-5)
except ValueError as error:
    print("捕获到:", error)

# 也可以自定义异常
class SensorError(Exception):
    pass

8.3 读 traceback:从最后一行开始

Python 的报错信息看起来很长,但最有用的是最后一行:异常类型和消息; 然后往上看最近的“你的代码”所在行。库内部的调用栈通常可以暂时忽略。

Traceback (most recent call last):
  File "example.py", line 4, in <module>
    print(10 / n)
          ~~^~~
ZeroDivisionError: division by zero
  • 先用 print / f-string 检查中间值,确认数据形状和类型符合预期。
  • assert 适合写“这里必须成立”的检查,失败时立即暴露:assert len(x) > 0。
  • breakpoint() 在本地脚本里进入 pdb,可以逐行执行、查看变量;Notebook 里通常用单元格逐步运行。
  • logging 比 print 更适合长期运行的程序,可以分级、写文件、带时间戳。
旧语言Python
MATLAB try / catch / endtry / except / finally
R tryCatch()try / except
VB Try / Catch / Finallytry / except / else / finally
MATLAB error() / R stop()raise ValueError(...)
随堂小测

无论 try 块是否抛出异常,finally 块会怎样?

随堂小测

读取文本文件时,下面哪种写法最推荐?

学完这一章了吗?

Chapter 09 · NumPy

NumPy:把矩阵直觉搬到 Python

NumPy 是 Python 科学计算的底座。它提供同构的 n 维数组、逐元素运算、广播和线性代数, 也是 pandas、Matplotlib、scikit-learn 的共同基础。

9.1 创建数组与查看形状

np.array 从 list 创建数组;np.arange 类似 range 但返回数组; np.linspace 按点数等分区间;zeros、ones 用于预分配。

numpy_core.py ⌘/Ctrl + Enter

shape 是各维度长度,dtype 是元素类型。NumPy 数组要求元素同构, 这也是它比 list 快得多的原因:连续内存 + 向量化运算。

9.2 索引、切片与视图

二维数组用逗号分隔维度:m[行, 列]。切片仍然是左闭右开。 与 list 不同,NumPy 的基本切片返回视图,修改视图会改到原数组; 需要独立副本时用 .copy()。

numpy_views.py ⌘/Ctrl + Enter

9.3 聚合、轴与线性代数

axis=0 表示“沿着行方向压扁”,结果是每列一个值; axis=1 表示“沿着列方向压扁”,结果是每行一个值。 这是从 MATLAB 迁移时最容易混淆的参数之一。

import numpy as np

A = np.array([[3.0, 1.0],
              [1.0, 2.0]])
b = np.array([9.0, 8.0])

x = np.linalg.solve(A, b)     # 解线性方程组,优于先求逆
print(x)                      # [2. 3.]
print(np.linalg.norm(x))

print(np.linalg.eigvals(A))   # 特征值
print(A.T)                    # 转置

做数值计算时尽量向量化,不要在 Python 循环里逐个 append。 需要动态长度时先用 list 收集,最后一次性 np.array(list); 已知长度时用 np.empty 预分配。

MATLABNumPy
a(1)a[0]
a(end)a[-1]
a(2:5)a[1:5]
size(a)a.shape
numel(a)a.size
a'a.T(复数用 a.conj().T)
a .* ba * b
a * ba @ b
a .^ 2a ** 2
sum(a)a.sum()
sum(a, 1)a.sum(axis=1)
find(a > 0)np.where(a > 0)[0]
zeros(3, 4)np.zeros((3, 4))
linspace(0, 1, 5)np.linspace(0, 1, 5)
reshape(a, 3, 4)a.reshape(3, 4)
[a b] / catnp.hstack / np.concatenate
最难改的三个习惯

① 0 基索引;② * 是逐元素乘,矩阵乘用 @;③ 一维数组没有“行/列向量”的区分,需要显式 reshape(-1, 1) 或 reshape(1, -1) 来控制广播方向。

随堂小测

np.array([1, 2, 3]) * np.array([4, 5, 6]) 的结果是?

随堂小测

m = np.zeros((2, 3)),m.shape 是?

学完这一章了吗?

Chapter 10 · Matplotlib

Matplotlib:把结果画出来

Matplotlib 是 Python 的“基础绘图仪”。学会面向对象的 fig / ax 写法, 你就能控制多子图、坐标轴、图例和导出,而不是停留在 plt.plot 的快捷方式里。

10.1 推荐写法:fig + ax

plt.subplots() 返回一个 Figure(画布)和一个 Axes(坐标轴)。 之后所有绘图操作都作用在 ax 上。相比 plt.plot() 的全局状态写法, 这种写法在多个子图和函数封装里更可靠。

plot_sine.py 首次运行需加载 Matplotlib
Matplotlib 生成的图表
由 Matplotlib 在浏览器内生成

注意这里没有调用 plt.show()。在脚本里 show() 会打开窗口并阻塞; 在 Notebook 里会内联显示;在本页中,运行时环境会自动捕获当前 Figure 并显示成图片。

10.2 常用设置与多子图

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 100)
rng = np.random.default_rng(0)

fig, axes = plt.subplots(1, 2, figsize=(9, 3.2))

axes[0].plot(x, np.sin(x), color="#1f5f8b", linewidth=2)
axes[0].set_title("line")
axes[0].set_xlabel("x")

axes[1].hist(rng.normal(size=500), bins=20, color="#e7b02b")
axes[1].set_title("histogram")

fig.tight_layout()
fig.savefig("result.png", dpi=200, bbox_inches="tight")
任务代码
折线ax.plot(x, y, label="y")
散点ax.scatter(x, y, s=20, alpha=0.7)
柱状图ax.bar(categories, values)
直方图ax.hist(values, bins=30)
误差棒ax.errorbar(x, y, yerr=err, fmt="o-")
二维图像ax.imshow(matrix, cmap="viridis")
坐标范围ax.set_xlim(0, 10) / ax.set_ylim(-1, 1)
保存fig.savefig("plot.png", dpi=200)
中文字体

本页的 Matplotlib 运行在浏览器里,没有中文字体,所以示例标签用英文避免出现方框。本地运行时可以设置 plt.rcParams["font.sans-serif"] = ["PingFang SC", "Microsoft YaHei", "SimHei"] 和 plt.rcParams["axes.unicode_minus"] = False。

MATLAB / R 对照

plot(x, y) 对应 ax.plot(x, y);hold on 对应在同一个 ax 上继续 plot;subplot(1,2,1) 对应 fig, axes = plt.subplots(1, 2);ggplot2 的分面可以对应 subplots 或 seaborn 的 FacetGrid。

随堂小测

使用面向对象 API 时,下面哪一行创建画布和坐标轴?

学完这一章了吗?

Chapter 11 · Pandas

Pandas:像 R 一样处理表格

如果你用过 R 的 data.frame 或 MATLAB 的 table,pandas 的 DataFrame 会很亲切。 它把“筛选、分组、汇总、排序、读写 CSV”变成几行链式调用。

11.1 DataFrame:带列名的二维表

DataFrame 可以看成“多个共享索引的 Series”。创建方式很多:从 dict、list of dicts、 CSV、Excel、数据库查询结果都可以。下面从 dict 构造一个小表,并做最常见的分组汇总。

pandas_intro.py 首次运行需加载 pandas

11.2 查看数据

df.head()          # 前 5 行
df.tail(3)         # 后 3 行
df.shape           # (行数, 列数)
df.columns         # 列名
df.dtypes          # 每列类型
df.info()          # 类型、非空数量、内存
df.describe()      # 数值列统计摘要
df["score"].mean()
df["team"].value_counts()

在脚本里这些表达式不会自动打印,需要 print(df.head()); 在 Notebook 里最后一行会直接显示成表格。

11.3 选择、筛选与新增列

df["score"]                       # 取一列,得到 Series
df[["team", "score"]]             # 取多列,得到 DataFrame
df.loc[0, "score"]                # 按标签取单元格
df.iloc[0, 1]                     # 按位置取单元格(第 0 行第 1 列)

mask = df["score"] > 85
print(df[mask])                   # 布尔筛选
print(df.loc[mask, ["team", "score"]])

print(df.query("score > 85 and hours < 13"))

df["passed"] = df["score"] >= 90  # 新增列
df["per_hour"] = df["score"] / df["hours"]
避免链式赋值

不要写 df[df["score"] > 85]["passed"] = True,这可能会修改副本并触发警告。用 df.loc[df["score"] > 85, "passed"] = True 一次定位到行列。

11.4 分组、排序与缺失值

# 分组汇总
summary = df.groupby("team").agg({
    "score": ["mean", "max"],
    "hours": "sum",
})
print(summary)

# 排序与排名
print(df.sort_values(["score", "hours"], ascending=[False, True]))
df["rank"] = df["score"].rank(ascending=False)

# 缺失值
print(df.isna().sum())
df = df.dropna(subset=["score"])
df["hours"] = df["hours"].fillna(df["hours"].mean())

# 读写 CSV
# df = pd.read_csv("data.csv", encoding="utf-8")
# df.to_csv("result.csv", index=False)

在浏览器示例里不能直接读取本地路径的文件;真实项目中用 read_csv 即可。 如果数据在网页里,通常先由用户上传,再用 io.StringIO 包装文本传给 pandas。

R / MATLABpandas
R data.frame / MATLAB tableDataFrame
df$score / df[["score"]]df["score"] / df[["score"]]
df[df$x > 0, ]df[df["x"] > 0]
aggregate / group_by |> summarisedf.groupby(...).agg(...)
arrange()df.sort_values()
mutate()df["new"] = ... / df.assign(...)
read.csv() / writetablepd.read_csv() / df.to_csv()
is.na()df.isna()
factorastype("category")
%>% 管道方法链 df.query(...).groupby(...).mean()
从 R 迁移的建议

不要试图在 pandas 里复刻每一个 dplyr 动词。先掌握 筛选 → 分组 → 聚合 → 排序 四件事,已经能覆盖大部分工程数据分析。绘图可以继续用 Matplotlib,或考虑 seaborn / plotnine(更接近 ggplot2)。

随堂小测

df.groupby("team")["score"].mean() 得到什么?

随堂小测

要筛选 score 大于 90 的所有行,正确写法是?

学完这一章了吗?

Chapter 12 · Reference & practice

迁移速查表与综合练习

最后把三套旧语言的高频写法压成速查表,准备八个可以直接运行的小案例, 再用五个综合练习检验自己。建议收藏这一页,遇到“这个在 Python 里怎么写”时回来查。

12.1 MATLAB → Python 速查

任务MATLABPython
第一个元素a(1)a[0]
最后一个a(end)a[-1]
切片a(2:5)a[1:5]
逐元素乘a .* ba * b(NumPy)
矩阵乘a * ba @ b
幂a .^ 2a ** 2
长度 / 尺寸length(a) / size(a)len(a) / a.shape
转置a'a.T
拼接[a b]np.hstack([a, b])
求和sum(a)a.sum() / np.sum(a)
按维度求和sum(a, 2)a.sum(axis=1)
查找非零find(a > 0)np.where(a > 0)[0]
空值NaN / isnannp.nan / np.isnan
绘图plot(x, y)ax.plot(x, y)
函数function y = f(x) ... enddef f(x): return y
字符串格式化sprintf("%d", x)f"{x}"
逻辑运算&& || ~and or not
循环for i = 1:nfor i in range(1, n + 1)

12.2 R → Python 速查

任务RPython
赋值x <- 1x = 1
索引x[1]x[0]
数据框data.framepandas.DataFrame
列df$coldf["col"]
筛选行df[df$x > 0, ]df[df["x"] > 0]
分组汇总aggregate / dplyrgroupby(...).agg(...)
排序order() / arrange()sort_values()
新增列mutate()df["new"] = ...
缺失值NA / is.na()None / np.nan / pd.NA
因子factor()astype("category")
安装包install.packages()pip install
绘图ggplot2Matplotlib / seaborn / plotnine
管道%>% / |>方法链 .
函数function(x) { ... }def f(x): ...

12.3 Visual Basic → Python 速查

任务Visual BasicPython
变量声明Dim x As Integer = 1x = 1
条件If ... Then ... End Ifif ...: + 缩进
循环For i = 1 To 5for i in range(1, 6):
遍历集合For Each x In itemsfor x in items:
函数Function F(x As Double) As Doubledef f(x: float) -> float:
逻辑运算And / Or / Notand / or / not
字符串拼接a & bf"{a}{b}" / a + b
空值NothingNone
布尔值True / FalseTrue / False
注释' comment# comment
语句结尾换行(可加 _ 续行)换行(括号内可自然续行)
类 / 当前实例Class / Meclass / self

12.4 十个最容易踩的坑

  • 01 · ^ 不是幂Python 的 ^ 是按位异或,幂用 **。
  • 02 · range 右开range(1, 5) 只到 4;1 到 5 要写 range(1, 6)。
  • 03 · 0 基索引第一个元素是 a[0],切片终点也不包含。
  • 04 · / 与 /// 总是浮点,// 才是整除。
  • 05 · = 不是复制列表赋值共享引用,用 .copy()。
  • 06 · 可变默认参数默认值不要写 [] 或 {},用 None。
  • 07 · == 与 is== 比较值,is 比较身份;判空用 is None。
  • 08 · 字符串 + 数字不会隐式转换,用 f-string 或 str()。
  • 09 · 中英文标点代码里的逗号、冒号、括号必须是英文半角,中文标点会 SyntaxError。
  • 10 · NumPy 的 *逐元素乘用 *,矩阵乘用 @,别和 MATLAB 混淆。

12.5 八个可运行小案例

下面八个案例由浅入深,覆盖字符串、容器、循环、函数、NumPy、pandas 和 Matplotlib。 每个案例都能直接点“运行”看结果,末尾的“改一改”建议可以用来练手。 学习新语言最有效的方式,就是把案例改成自己的数据再跑一遍。

案例 1 · 成绩统计与等级

把列表、函数、字典计数和 f-string 串起来:遍历分数、累加总分、用字典统计各等级人数。 对应 MATLAB 里“先写循环再 tabulate”、R 里 table() 的常见流程。

case_01_scores.py ⌘/Ctrl + Enter

改一改:把 scores 换成你自己的成绩,或把分数线改成 85 / 75 / 60,观察等级分布的变化。

案例 2 · 用筛法找质数

埃拉托斯特尼筛法:先假设所有数都是质数,再从 2 开始把每个质数的倍数划掉。 重点是布尔列表、range 的步长和列表推导式,这三个都是 Python 的高频工具。

case_02_primes.py ⌘/Ctrl + Enter

改一改:把 limit 改成 200,先猜一猜质数个数,再运行验证。

案例 3 · 二分查找

在已排序的列表里查目标值,每次把搜索范围缩小一半。 函数同时返回下标和比较次数,方便观察 O(log n) 的效果;注意 Python 的 // 才是整除。

case_03_search.py ⌘/Ctrl + Enter

改一改:在 data 里插入 40(保持有序),再查找一次;然后把列表长度翻倍,观察比较次数的增长。

案例 4 · 词频 Top N

collections.Counter 是统计频次的利器,相当于 R 的 table()。 配合 most_common(),几行代码就能完成“分词 + 计数 + 排序”。

case_04_words.py ⌘/Ctrl + Enter

改一改:换成一段英文句子,用 text.lower().split() 统一大小写后再统计;把 most_common() 改成 most_common(3)。

案例 5 · 蒙特卡洛估算 π

在一个边长为 1 的正方形里随机撒点,落在四分之一圆内的比例约为 π/4。 这是“循环 + 随机数”的经典组合,也展示了为什么数值计算最终要向量化。

case_05_pi.py ⌘/Ctrl + Enter

改一改:把 n 改成 1_000_000,看误差是否变小;然后把 for 循环换成 NumPy 的 rng.random(n) 与布尔索引,体验向量化的速度。

案例 6 · NumPy 最小二乘拟合

工科最常用的数据处理之一:给一组带噪声的测量值拟合直线。 np.linalg.lstsq 负责求解,@ 是矩阵乘法,R² 用来衡量拟合好坏。

case_06_fit.py ⌘/Ctrl + Enter

改一改:把噪声的 scale 从 0.8 改成 2.0,观察拟合系数和 R² 如何变化;再试试把直线换成二次多项式 y = a x² + b x + c。

案例 7 · pandas 缺失值与分组

真实数据几乎都有缺失值。这个案例先统计缺失数量,再用均值填充,最后按组汇总。 对应 R 里的 is.na()、mean(na.rm = TRUE) 和 aggregate()。

case_07_missing.py 首次运行需加载 pandas

改一改:把 mean() 换成 median(),比较两种填充方式对分组均值的影响;再试试 dropna() 直接删除缺失行。

案例 8 · Matplotlib 阻尼振荡

用 NumPy 生成时间序列,用 Matplotlib 画曲线和包络线。 这是“函数采样 + 绘图”的最小完整流程,和 MATLAB 的 plot(t, y) 几乎一一对应。

case_08_plot.py 首次运行需加载 Matplotlib
Matplotlib 生成的图表
由 Matplotlib 在浏览器内生成

改一改:把衰减系数 0.25 改成 0.1,观察振荡衰减变慢;再把 cos(t) 换成 sin(2 * t),比较频率变化。

12.6 五个综合练习

先自己写,再展开参考答案。每个练习都可以直接在本页的运行框里试(把代码粘进去)。

01温度换算表

用循环打印从 −40°C 到 100°C、每隔 20°C 的摄氏度与华氏度对照表,保留 1 位小数,并对齐列。

for c in range(-40, 101, 20):
    f = c * 9 / 5 + 32
    print(f"{c:>4}°C = {f:>6.1f}°F")
02不用 NumPy 的统计函数

写一个 describe(values),返回均值、中位数和样本标准差(用标准库 statistics)。

from statistics import mean, median, stdev

def describe(values):
    return {
        "mean": mean(values),
        "median": median(values),
        "stdev": stdev(values),
    }

print(describe([2, 4, 4, 4, 5, 5, 7, 9]))
03词频 Top 3

统计一句话中每个单词出现的次数,输出出现最多的 3 个。提示:collections.Counter。

from collections import Counter

text = "data science is fun data science is useful"
counts = Counter(text.split())
print(counts.most_common(3))
04NumPy 标准化

生成 100×3 的正态随机矩阵,对每一列做 z-score 标准化,并验证每列均值约为 0、标准差约为 1。

import numpy as np

rng = np.random.default_rng(0)
m = rng.normal(loc=10, scale=2, size=(100, 3))

z = (m - m.mean(axis=0)) / m.std(axis=0)

print(np.round(z.mean(axis=0), 10))
print(np.round(z.std(axis=0), 10))
05Pandas 分组通过率

给每个 team 计算 score >= 90 的比例,并按通过率从高到低排序。

import pandas as pd

df = pd.DataFrame({
    "team":  ["A", "A", "B", "B", "C"],
    "score": [88, 92, 79, 95, 85],
})

df["passed"] = df["score"] >= 90
result = (
    df.groupby("team")["passed"]
      .mean()
      .sort_values(ascending=False)
)
print(result)

12.7 结课自检

  • 我能解释 list 和 NumPy ndarray 的区别,并知道什么时候用哪个。
  • 我写循环时会自然想到 range 的右开区间和 0 基索引。
  • 我知道函数默认参数不能直接写可变对象。
  • 我能用 NumPy 做向量化运算,而不是写双重循环。
  • 我能用 pandas 做筛选、分组、聚合和排序。
  • 我知道怎么创建虚拟环境、安装依赖,并记录 requirements.txt。
  • 我遇到 traceback 会从最后一行开始读,而不是从头慌。
巩固 重写一个旧项目 挑一个你写过的 MATLAB / R / VB 小脚本,用 Python 重写。迁移一次胜过读十篇教程。
工程化 加上测试与规范 下一步学 pytest、ruff、类型检查和 logging,让代码从“能跑”变成“可维护”。
方向 选一个应用领域 数据分析(pandas / seaborn)、科学计算(SciPy)、机器学习(scikit-learn)或自动化(requests / Playwright)。
下一步资源

官方教程 docs.python.org/3/tutorial; NumPy 快速入门 numpy.org; pandas 十分钟 pandas.pydata.org。 遇到问题先读报错最后一行,再查官方文档——这比复制粘贴更快。

全部章节结束,恭喜!