为什么选择Python?
Python 的流行可归因于以下几个因素:
- 可读性:Python干净简洁的语法使得代码的读写变得容易,这对于编程新手来说尤其有利。
- 多功能性:Python 可用于各个领域,从 Web 开发到数据分析、科学计算、自动化和机器学习。
- 广泛的库:Python 附带丰富的标准库和庞大的第三方库生态系统,为几乎任何任务提供工具。
- 社区支持:Python 社区活跃且热情,提供大量用于学习和解决问题的资源、教程和论坛。
- 就业机会:鉴于Python在现代工业中的广泛应用,熟练掌握Python受到雇主的高度重视。
入门:安装 Python
要开始 Python 之旅,需要设置开发环境:
- 下载Python:访问Python官方网站(https://www.python.org/)并下载适合您操作系统的最新Python版本。
- 安装:运行安装程序并选择将 Python 添加到系统路径的选项。这确保可以从终端运行 Python 命令。
- 验证:打开终端(或命令提示符)并输入python --version以确认安装成功。
Python 基础知识
你好世界!你的第一个 Python 程序
在 Python 中,一个简单的“Hello, World!” 计划作为完美的起点。创建一个名为的新文件hello.py并添加以下行:
print(“你好,世界!”)
打开终端,导航到包含该文件的目录,然后输入以下命令来执行它:
python hellopy
变量和数据类型
变量允许您存储数据以供以后使用。与其他语言不同,Python 根据分配的值动态确定变量类型:
name= “John”
age = 25
is_student = True
Python 支持各种数据类型,包括整数、浮点数、字符串、布尔值等。
运算符和表达
Python 支持多种运算符来对变量和值执行操作:
- 算术运算符:+, -, *,/
- 比较运算符:==, !=, <, >, <=,>=
- 逻辑运算符:and, or,not
x = 10
y = 5
sum = x + y
is_equal = x == y
logical_result = x > y and is_student
控制流:if、else 和循环
控制流结构允许您做出决策并重复操作。
age = 18
if age >= 18:
print("You're an adult.")
else:
print("You're a minor.")
for和while循环:
for i in range(5):
print(i)
while x > 0:
print(x)
x -= 1
数据结构
Python 提供了多种数据结构来有效地存储和操作数据。
列表:列表保存有序的项目集合,这些项目可以是不同的类型:
fruits = ["apple", "banana", "cherry"]
可以通过索引访问元素、添加项目、删除项目以及执行各种操作。
元组:元组与列表类似,但不可变(创建后无法修改):
coordinates = (10, 20)
字典:字典将数据存储为键值对:
person = {"name": "Alice", "age": 30, "is_student": False}
可以使用键访问值并对字典执行操作。
集合:集合包含独特的元素:
colors = {"red", "green", "blue"}
集合对于删除重复项和执行集合操作很有用。
函数与模块
定义和调用函数
函数允许您将代码分组为可重用的块。以下是定义和调用简单函数的方法:
def greet(name):
print(f"Hello, {name}!")
greet("Alice"))
函数参数和返回值
函数可以接受参数和返回值:
def add ( x, y ):
return x + y
result = add( 5 , 3 )
print (result) # 输出:8
模块化编程:创建和导入模块
模块化编程促进代码组织。可以创建自己的模块并将其导入其他程序:
创建一个名为my_module.pyy co 的文件
def multiply(a, b):
return a * b
在另一个文件中:
import my_module
result = my_module.multiply( 4 , 6 )
print (result) # 输出:24
面向对象编程(OOP)
OOP 概念简介
面向对象编程 (OOP) 专注于创建可重用、有组织且易于理解的代码。关键概念包括类、对象、继承和封装。
类和对象
类是创建具有共享属性和行为的对象的蓝图:
class Dog:
def __init__(self, name):
self.name = name
def bark(self):
print(f"{self.name} is barking!")
my_dog = Dog("Buddy")
my_dog.bark() # Output: Buddy is barking!
继承与多态
继承允许一个类(子类)继承另一个类(超类)的属性和行为:
class Cat ( Dog ):
def purr ( self ):
print ( f" {self.name} is purring!" )
my_cat = Cat( "Whiskers" )
my_cat.bark() # 输出:Whiskers 正在吠叫!
my_cat.purr() # 输出:胡须发出呼噜声!
文件处理和 I/O 操作
读取和写入文本文件
Python 允许您轻松读取和写入文本文件:
with open("myfile.txt", "w") as file:
file.write("Hello, Python!")
with open("myfile.txt", "r") as file:
content = file.read()
print(content) # Output: Hello, Python!
使用二进制文件
可以使用类似的技术读取和写入二进制文件(例如图像)。
Python 库和框架
标准库概述
Python 的标准库提供了用于各种任务的模块,例如字符串操作、文件处理等。
第三方库介绍
第三方库扩展了 Python 的功能。使用以下命令安装它们pip:
pip install pandas
常用框架
NumPy、pandas 和 Matplotlib 等框架广泛用于数据分析和可视化。
使用 Flask 进行 Web 开发
Web 框架简介
Flask 等 Web 框架简化了 Web 开发。
设置 Flask 应用程序
创建一个基本的 Flask 应用程序:
from Flask import Flask
app = Flask(__name__)
@app.route( "/" )
def hello ():
return "Hello, Flask!"
数据处理
使用 pandas 进行数据操作
pandas 是一个强大的数据操作和分析库:
import pandas as pd
data = {
'Name' : [ 'Alice' , 'Bob' , 'Charlie' ],
'Age' : [ 25 , 30 , 28 ]
}
df = pd.DataFrame(data)
print (df)
使用 Matplotlib 进行数据可视化
Matplotlib 允许创建各种类型的可视化:
import matplotlib.pyplot as plt
x = [ 1 , 2 , 3 , 4 , 5 ]
y = [ 10 , 24 , 36 , 40 , 52 ]
plt.plot(x, y)
plt.xlabel( 'X 轴' )
plt.ylabel( 'Y 轴' )
plt.title( '简单线图' )
plt.show()
基础数据分析
结合pandas和Matplotlib,可以进行基本的数据分析:
import pandas as pd
import matplotlib.pyplot as plt
data = {
'年份' : [ 2018 , 2019 , 2020 , 2021 ],
'收入' : [ 50000 , 62000 , 75000 , 90000 ]
}
df = pd.DataFrame(data)
df .plot(x= '年份' , y= '收入' , kind= 'bar' )
plt.xlabel( '年份' )
plt.ylabel( '收入' )
plt.title( '多年来的收入增长' )
plt.show()
基本自动化和脚本编写
创建并运行 Python 脚本
Python 非常适合自动化重复性任务。创建一个简单的脚本来重命名文件:
from flask import Flask
app = Flask(__name__)
@app.route("/")
def hello():
return "Hello, Flask!"
使用 Python 自动化任务
使用类似的库schedule来自动执行任务:
import Schedule
import time
def job ():
print ( "任务已执行!" )
Schedule.every( 5 ).seconds.do(job)
while True :
Schedule.run_pending()
time.sleep( 1 )
机器学习入门
机器学习概念概述
机器学习涉及训练模型来进行预测:
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
# 加载数据集并拆分为特征和目标
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size= 0.2 )
# 创建并训练线性回归模型
model = LinearRegression ()
model.fit(X_train, y_train)
# 进行预测
预测 = model.predict(X_test)