Python语言学习
本教程基于Python 3.12版本官方文档，面向专业Python开发者。
重点贡 献在于为官方文档配上经过人工校验的示例代码，为学习者提供一个全面、系统的Python学习指南。
基于Windows11，使用VSCode/Cursor作为Python开发工具
推荐安装扩展：
| 扩展名称 | 功能描述 |
|---|---|
| Python | 提供Python语言基础支持，包括语法高亮、代码补全和格式化 |
| Pylance | 高性能Python语言服务器，提供类型检查和智能提示 |
| Python Debugger | 支持Python代码的断点调试、变量监控和单步执行 |
| Error Lens | 直接在代码行内展示错误和警告信息，无需悬停鼠标 |
| Office Viewer | 在VSCode中直接预览Word、Excel等Office文档 |
| WSL | Windows Subsystem for Linux集成，实现Windows与Linux混合开发 |
| Live Server | 提供本地开发服务器，支持实时预览和自动刷新网页 |
| Remote - SSH | 通过SSH连接远程服务器，在本地编辑远程文件 |
| SQLite | 提供SQLite数据库的可视化界面，支持数据浏览和查询 |
| Docker | 管理Docker容器，支持创建、运行和调试容器化应用 |
| CMake Tools | 提供CMake项目支持，简化C/C++跨平台构建配置 |
Python 国内用户多读作“派桑”。是由 Guido van Rossum 在 1989 年圣诞节期间,为了打发无聊的圣诞节而编写的一个编程语言。现在,全世界差不多有 600 多种编程语言,但流行的编程语言也就那么 20 多种。Python 是最流行的编程语言之一。
Python 语言的设计哲学是“优雅”、“明确”、“简单”。Python 开发者的哲学是“用一种方法,最好是只有一种方法来做一件事”。为了实现这一哲学,Python 语言致力于让自然语言的语法结构更加清晰明确。Python 语言的这一特点,使得学习 Python 语言非常容易,甚至对于没有编程经验的初学者也能很快上手开发程序。
Python 语言的发展历史可以分为三个时期:
- Python 1.x: 1994 年发布,这是 Python 语言的早期版本,它包括整数、浮点数、复数、字符串、列表、元组、字典等基本数据类型,以及 if、while、for 等控制语句,但没有函数、模块、类等高级语法。
- Python 2.x: 2000 年发布,这是 Python 语言的中期版本,它在 1.x 的基础上增加了函数、模块、类等高级语法,但是保留了 1.x 版本的许多不合理的语法,所以 Python 2.x 版本有“坑人”的嫌疑。
- Python 3.x: 2008 年发布,这是 Python 语言的最新版本,它在 2.x 的基础上修复了许多已知的问题,并且还简化了语法,使得 Python 语言更加优雅。目前提到Python，默认指的是Python 3。
Python 语言的应用领域非常广泛,主要有以下几个方面:
- 网络爬虫: Python 语言可以模拟浏览器,并且可以使用正则表达式等工具来提取网页中的信息。
- 数据分析: Python 语言可以使用 NumPy、SciPy、Pandas、Matplotlib 等工具来进行数据分析。
- 人工智能: Python 语言可以使用 TensorFlow、PyTorch 等工具来进行人工智能开发。
- Web 开发: Python 语言可以使用 Django、Flask 等框架来进行 Web 开发。
在生活中,人们使用汉语、英语、法语、德语、日语等不同的语言跟不同国家的人进行交流。在使用计算机时，人们不能直接使用英语等人类的语言和计算机交流，而是使用编程语言(Programming Language)将人们的想法编写成程序，再通过执行程序控制计算机去解决各种问题。我们将这个编程语言与计算机之间的“翻译员”称为编程环境，简称“环境”。
我们可能会需要多个环境（例如：python3.9）去复现别人论文的代码，另一方面我们又需要一个最新的python 环境去开发新的代码。 这就导致了一个问题，如何管理这些依赖，如何保证不同的模块库之间的兼容性，如何保证不同的模块库之间的可复用性。
常见的部分主流方案如下：
| 特性 | venv | uv | conda | docker |
|---|---|---|---|---|
| 支持不同大版本Python环境 | ❌ 仅限创建环境时的Python版本 | ⚠️ 依赖系统已安装的Python版本 | ✅ 可在同一系统上创建不同Python版本环境 | ✅ 可创建任意版本Python的容器 |
| 管理外部依赖（如cuda） | ❌ 只能管理Python包 | ❌ 专注于Python包管理 | ✅ 可管理cuda等非Python依赖 | ✅ 完全控制所有系统和应用依赖 |
| 跨平台支持 | ⚠️ 环境不可直接迁移到不同操作系统 | ⚠️ 配置可跨平台但环境需重建 | ✅ 可使用相同配置文件在不同系统创建环境 | ✅ 容器可在任何支持Docker的平台运行 |
| 适用场景 | 简单的Python项目开发 | 需要快速安装依赖的项目 | 数据科学和深度学习项目 | 需 要完全一致环境的生产部署 |
| 体积和资源消耗 | 轻量级 | 轻量级 | 中等 | 较大 |
这里我建议先使用传统的单环境开发，后续需要迁移环境时，再使用conda或者docker。
推荐阅读