Python编程入门与环境搭建

# Python 编程入门与环境搭建 ## 1. 前期准备 ### 1.1 代码示例获取 可以从 [这里](http://www.deitel.com) 下载包含示例的 `examples.zip` 文件。点击“Download Examples”链接将文件保存到本地计算机，大多数浏览器会将文件保存到用户账户的“Downloads”文件夹。下载完成后，将其中的 `examples` 文件夹提取到用户账户的“Documents”文件夹： - Windows：`C:\Users\YourAccount\Documents\examples` - macOS 或 Linux：`~/Documents/examples` 大多数操作系统都有内置的提取工具，也可以使用 7 - Zip（[www.7 - zip.org](www.7 - zip.org)）或 WinZip（[www.winzip.com](www.winzip.com)）等归档工具。 ### 1.2 示例文件夹结构 会执行三种类型的示例： - 单个代码片段：在 IPython 交互式环境中执行。 - 完整应用程序：即脚本。 - Jupyter Notebooks：基于浏览器的交互式环境，可编写和执行代码，并将代码与文本、图像和视频混合。 `examples` 文件夹每个章节都有一个子文件夹，命名为 `ch##`，其中 `##` 是 01 到 16 的两位数章节编号，例如 `ch01`。除第 13、15 和 16 章外，每个章节的文件夹包含以下内容： | 文件夹 | 内容 | | ---- | ---- | | `snippets_ipynb` | 包含该章节的 Jupyter Notebook 文件 | | `snippets_py` | 包含 Python 源代码文件，每个代码片段之间用空行分隔，可复制粘贴到 IPython 或新创建的 Jupyter Notebook 中 | | 脚本文件及其支持文件 | 完整的应用程序脚本和相关支持文件 | 第 13 章包含一个应用程序，第 15 和 16 章会分别说明在 `ch15` 和 `ch16` 文件夹中所需文件的位置。 ### 1.3 安装 Anaconda 使用易于安装的 Anaconda Python 发行版，它包含了处理示例所需的几乎所有内容： - IPython 解释器 - 大多数使用的 Python 和数据科学库 - 本地 Jupyter Notebooks 服务器，可加载和执行笔记本 - 各种其他软件包，如 Spyder 集成开发环境（IDE），但只使用 IPython 和 Jupyter Notebooks 从 [https://www.anaconda.com/download/](https://www.anaconda.com/download/) 下载适用于 Windows、macOS 或 Linux 的 Python 3.x Anaconda 安装程序。下载完成后，运行安装程序并按照屏幕上的说明进行操作。为确保 Anaconda 正常运行，安装后不要移动其文件。 ### 1.4 更新 Anaconda 接下来，确保 Anaconda 是最新的。根据不同操作系统打开命令行窗口： - macOS：从“Applications”文件夹的“Utilities”子文件夹中打开“Terminal”。 - Windows：从开始菜单中打开“Anaconda Prompt”。更新 Anaconda 或安装新包时，右键单击“Anaconda Prompt”，选择“More > Run as administrator”以管理员身份运行。如果在开始菜单中找不到“Anaconda Prompt”，可在屏幕底部的搜索框中搜索。 - Linux：打开系统的“Terminal”或 shell（因 Linux 发行版而异）。 在命令行窗口中执行以下命令将 Anaconda 安装的包更新到最新版本： ```bash conda update conda conda update --all ``` ### 1.5 包管理器 上述使用的 `conda` 命令调用了 `conda` 包管理器，这是两个关键的 Python 包管理器之一，另一个是 `pip`。包包含安装给定 Python 库或工具所需的文件。通常使用 `conda` 安装额外的包，除非这些包无法通过 `conda` 获得，此时使用 `pip`。有些人更喜欢只使用 `pip`，因为它目前支持更多的包。如果使用 `conda` 安装包时遇到问题，可以尝试使用 `pip`。 ### 1.6 安装 Prospector 静态代码分析工具 可以使用 Prospector 分析工具来检查 Python 代码中的常见错误并帮助改进代码。在命令行窗口中运行以下命令安装 Prospector 及其使用的 Python 库： ```bash pip install prospector ``` ### 1.7 安装 jupyter - matplotlib 使用名为 Matplotlib 的可视化库实现了几个动画，要在 Jupyter Notebooks 中使用它们，必须安装 `ipympl` 工具。在之前打开的“Terminal”、“Anaconda Command Prompt”或 shell 中，一次执行以下命令： ```bash conda install -c conda - forge ipympl conda install nodejs jupyter labextension install @jupyter - widgets/jupyterlab - manager jupyter labextension install jupyter - matplotlib ``` ### 1.8 安装其他包 Anaconda 自带约 300 个流行的 Python 和数据科学包，如 NumPy、Matplotlib、pandas、Regex、BeautifulSoup、requests、Bokeh、SciPy、SciKit - Learn、Seaborn、Spacy、sqlite、statsmodels 等。在学习过程中需要安装的额外包数量较少，必要时会提供安装说明。发现新包时，其文档会说明如何安装。 ### 1.9 获取 Twitter 开发者账户 如果打算使用相关的 Twitter 数据挖掘示例，需要申请 Twitter 开发者账户。Twitter 现在要求注册才能访问其 API。在 [https://developer.twitter.com/en/apply - for - access](https://developer.twitter.com/en/apply - for - access) 填写并提交申请。Twitter 会审核每个申请，个人开发者账户通常会立即批准，公司账户申请可能需要几天到几周时间，且不保证批准。 ### 1.10 网络连接要求 在学习过程中，需要网络连接来安装各种额外的 Python 库。在某些情况下，需要注册基于云的服务账户，大多数是使用其免费层。有些服务需要信用卡来验证身份，少数服务不是免费的，但可以利用供应商提供的货币信用额度免费试用。注意：一些基于云的服务在设置后会产生费用，完成相关案例研究后，务必及时删除分配的资源。 ### 1.11 程序输出的细微差异 执行示例时，可能会注意到显示的结果与自己的结果之间存在一些差异： - 由于不同操作系统对浮点数（如 - 123.45、7.5 或 0.0236937）的计算方式不同，输出可能会有细微变化，尤其是小数点右侧的数字。 - 显示在单独窗口中的输出，会裁剪窗口以去除边框。 ### 1.12 获取问题解答 可以通过在线论坛与其他 Python 程序员交流并获得问题解答。流行的 Python 和通用编程论坛包括： - [python - forum.io](python - forum.io) - [StackOverflow.com](StackOverflow.com) - [https://www.dreamincode.net/forums/forum/29 - python/](https://www.dreamincode.net/forums/forum/29 - python/) 许多供应商为其工具和库提供论坛，大多数使用的库在 github.com 上管理和维护。一些库维护者通过给定库的 GitHub 页面上的“Issues”标签提供支持。如果在网上找不到问题的答案，可以访问 [http://www.deitel.com](http://www.deitel.com)。 ## 2. 计算机与 Python 简介 ### 2.1 目标 - 了解计算领域的最新发展。 - 回顾面向对象编程的基础知识。 - 理解 Python 的优势。 - 介绍关键的 Python 和数据科学库。 - 试驾 IPython 解释器的交互式模式以执行 Python 代码。 - 执行一个动画条形图的 Python 脚本。 - 创建并试驾基于浏览器的 Jupyter Notebook 以执行 Python 代码。 - 了解“大数据”有多大以及它增长的速度。 - 阅读一个关于流行移动导航应用的大数据案例研究。 - 介绍人工智能——计算机科学与数据科学的交叉领域。 ### 2.2 面向对象编程基础回顾 随着对新的、更强大软件的需求不断飙升，快速、正确且经济地构建软件非常重要。对象，更准确地说是对象所属的类，本质上是可重用的软件组件。几乎任何名词都可以用属性（如名称、颜色和大小）和行为（如计算、移动和通信）合理地表示为软件对象。软件开发团队可以使用模块化、面向对象的设计和实现方法，比早期流行的“结构化编程”技术更高效。面向对象的程序通常更易于理解、修正和修改。 #### 2.2.1 汽车作为对象 以汽车为例，要驾驶汽车并通过踩油门使其加速，首先需要有人设计汽车。汽车通常始于工程图纸，类似于描述房屋设计的蓝图，这些图纸包括油门踏板的设计。油门踏板向驾驶员隐藏了使汽车加速的复杂机制，就像刹车踏板“隐藏”了使汽车减速的机制，方向盘“隐藏”了使汽车转向的机制。这使得几乎没有发动机、制动和转向机制知识的人也能轻松驾驶汽车。 在驾驶汽车之前，必须根据工程图纸制造出实际的汽车。一辆完成的汽车有一个实际的油门踏板，但这还不够，汽车不会自行加速，驾驶员必须踩下踏板才能使汽车加速。 #### 2.2.2 方法和类 在程序中执行任务需要方法，方法包含执行其任务的程序语句，它向用户隐藏这些语句，就像汽车的油门踏板向驾驶员隐藏使汽车加速的机制一样。在 Python 中，一个名为类的程序单元包含执行该类任务的一组方法。例如，代表银行账户的类可能包含一个向账户存款的方法、一个从账户取款的方法和一个查询账户余额的方法。类在概念上类似于汽车的工程图纸，它包含油门踏板、方向盘等的设计。 #### 2.2.3 实例化 就像在驾驶汽车之前必须根据工程图纸制造汽车一样，在程序能够执行类的方法定义的任务之前，必须创建该类的对象。这个过程称为实例化，对象被称为其类的实例。 #### 2.2.4 重用 汽车的工程图纸可以多次重用以制造多辆汽车，同样，类也可以多次重用以创建多个对象。在构建新类和程序时重用现有类可以节省时间和精力，也有助于构建更可靠和有效的系统，因为现有类和组件通常经过了广泛的测试、调试和性能调优。就像可互换零件的概念对工业革命至关重要一样，可重用类对由对象技术推动的软件革命至关重要。在 Python 中，通常使用积木式方法创建程序，尽可能使用现有的高质量组件，这种软件重用是面向对象编程的一个关键优势。 #### 2.2.5 消息和方法调用 驾驶汽车时，踩下油门踏板向汽车发送执行任务的消息，即加速。同样，向对象发送消息，每个消息都作为方法调用实现，告诉对象的方法执行其任务。例如，程序可能调用银行账户对象的存款方法来增加账户余额。 #### 2.2.6 属性和实例变量 汽车除了具有完成任务的能力外，还具有属性，如颜色、车门数量、油箱中的汽油量、当前速度和总行驶里程（即里程表读数）。这些属性在工程图纸中作为设计的一部分表示，就像能力一样。驾驶实际汽车时，这些属性会随车携带，每辆汽车都维护自己的属性。例如，每辆汽车都知道自己油箱中的汽油量，但不知道其他汽车油箱中的汽油量。 对象在程序中使用时也具有属性，这些属性作为对象类的一部分指定。例如，银行账户对象有一个表示账户中金额的余额属性，每个银行账户对象知道自己代表的账户余额，但不知道银行中其他账户的余额。属性由类的实例变量指定，类（及其对象）的属性和方法密切相关，因此类将它们的属性和方法封装在一起。 #### 2.2.7 继承 可以通过继承方便地创建新的对象类，新类（称为子类）从现有类（称为超类）的特征开始，可能会添加或修改一些特征。 ### 2.3 后续展望 现在已经为学习 Python 编程做好了准备，希望在学习过程中能够享受其中的乐趣，深入探索 Python 编程的世界，利用所学知识解决各种实际问题。 ## 3. Python 的魅力与实践操作 ### 3.1 Python 的优势 Python 是世界上最广泛使用的计算机编程语言之一，根据 Popularity of Programming Languages (PYPL) Index，它还是世界上最受欢迎的编程语言。Python 具有诸多优势，它能让开发者使用现有的高质量组件，采用积木式方法创建程序，避免重复造轮子，实现软件重用，这是面向对象编程的关键优势。而且面向对象的 Python 程序通常更易于理解、修正和修改，能帮助软件开发团队更高效地工作。 ### 3.2 关键库介绍 #### 3.2.1 Python 标准库 Python 标准库为开发者提供了丰富的功能支持，是 Python 编程的重要基础。它涵盖了各种常用的模块和工具，能帮助开发者快速实现许多基本功能，提高开发效率。 #### 3.2.2 数据科学库 在数据科学领域，Python 拥有众多强大的库，如 NumPy、Matplotlib、pandas、Regex、BeautifulSoup、requests、Bokeh、SciPy、SciKit - Learn、Seaborn、Spacy、sqlite、statsmodels 等。这些库为数据处理、分析、可视化等任务提供了有力的支持，使得 Python 在数据科学领域得到了广泛应用。 ### 3.3 实践操作 #### 3.3.1 IPython 交互式模式试驾 IPython 解释器的交互式模式就像一个强大的计算器，可以立即执行 Python 指令并看到结果。以下是一个简单的示例： ```python # 在 IPython 中执行简单的数学运算 result = 2 + 3 print(result) ``` 操作步骤如下： 1. 打开之前安装好的 Anaconda Prompt（Windows）或 Terminal（macOS、Linux）。 2. 输入 `ipython` 并回车，进入 IPython 交互式环境。 3. 在 IPython 环境中输入上述代码并回车，即可看到计算结果。 #### 3.3.2 执行 Python 脚本 可以执行一个动画条形图的 Python 脚本，在这个过程中能看到“大数定律”的实际应用。以下是执行脚本的步骤： 1. 确保已经从指定链接下载并解压了示例文件到相应的文件夹。 2. 打开命令行窗口（根据不同操作系统选择合适的方式，如前面更新 Anaconda 时介绍的方法）。 3. 使用 `cd` 命令切换到包含脚本的文件夹，例如： ```bash cd C:\Users\YourAccount\Documents\examples\ch01 ``` 4. 执行脚本，假设脚本名为 `bar_chart_animation.py`，则输入： ```bash python bar_chart_animation.py ``` #### 3.3.3 创建并试驾 Jupyter Notebook Jupyter Notebook 是一个基于浏览器的交互式环境，非常适合编写和执行 Python 代码，还能将代码与文本、图像和视频混合。创建和使用 Jupyter Notebook 的步骤如下： 1. 打开命令行窗口，输入 `jupyter notebook` 并回车。 2. 浏览器会自动打开 Jupyter Notebook 的界面，在界面中点击“New”按钮，选择“Python 3”创建一个新的 Notebook。 3. 在 Notebook 的单元格中输入 Python 代码，例如： ```python # 在 Jupyter Notebook 中输出 Hello, World! print("Hello, World!") ``` 4. 按下 `Shift + Enter` 组合键执行单元格中的代码，即可看到输出结果。 ### 3.4 云计算与物联网 #### 3.4.1 云计算 云计算为现代应用程序的开发和运行提供了强大的支持，使得应用程序可以通过互联网在全球数十亿台计算机之间进行通信。开发者可以利用云计算的资源，无需在本地部署大量的硬件设备，就能实现大规模的数据处理和存储。 #### 3.4.2 物联网 物联网将各种设备连接到互联网，实现设备之间的互联互通和数据交换。在未来的应用开发中，物联网技术将发挥越来越重要的作用，为人们的生活和工作带来更多的便利。 ### 3.5 大数据的奥秘 #### 3.5.1 大数据的规模 大数据的规模非常庞大，并且还在以极快的速度增长。它包含了来自各种渠道的海量数据，如社交媒体、传感器、移动设备等。 #### 3.5.2 大数据分析 大数据分析是从海量数据中提取有价值信息的过程。通过使用各种数据分析工具和技术，如 Python 中的数据科学库，可以发现数据中的模式、趋势和关联，为决策提供支持。 #### 3.5.3 大数据的应用案例 以 Waze 移动导航应用为例，它利用大数据和多种当前技术，为用户提供动态的驾驶路线，帮助用户快速、安全地到达目的地。在这个过程中，涉及到数据的收集、处理、分析和可视化等多个环节，Python 在其中发挥了重要作用。 ### 3.6 人工智能——计算机科学与数据科学的交叉领域 人工智能是计算机科学与数据科学的重要交叉领域，它涉及到机器学习、深度学习、自然语言处理等多个方面。Python 凭借其丰富的库和简洁的语法，成为了人工智能开发的首选语言。例如，使用 SciKit - Learn 库可以实现简单的机器学习算法，使用 TensorFlow 或 PyTorch 可以进行深度学习模型的开发。 ### 3.7 总结与建议 现在已经对 Python 编程有了初步的了解，并且完成了一些基本的实践操作。在后续的学习过程中，建议多动手实践，尝试使用不同的库和工具解决实际问题。遇到问题时，可以通过在线论坛与其他 Python 程序员交流，获取帮助。同时，要注意代码的规范性和可读性，养成良好的编程习惯。希望在 Python 编程的学习中不断进步，取得更好的成果。 下面是一个简单的 mermaid 流程图，展示了从安装环境到运行 Python 脚本的主要步骤： ```mermaid graph LR A[安装 Anaconda] --> B[更新 Anaconda] B --> C[安装必要的包] C --> D[下载并解压示例文件] D --> E[执行 IPython 交互式代码] D --> F[执行 Python 脚本] D --> G[创建并使用 Jupyter Notebook] ``` 同时，为了方便回顾，这里列出了一些关键操作和对应的命令： | 操作 | 命令 | | ---- | ---- | | 更新 Anaconda | `conda update conda` <br> `conda update --all` | | 安装 Prospector | `pip install prospector` | | 安装 jupyter - matplotlib 相关 | `conda install -c conda - forge ipympl` <br> `conda install nodejs` <br> `jupyter labextension install @jupyter - widgets/jupyterlab - manager` <br> `jupyter labextension install jupyter - matplotlib` | | 执行 Python 脚本 | `python script_name.py` | | 启动 Jupyter Notebook | `jupyter notebook` | 通过以上的学习和实践，相信你已经对 Python 编程有了更深入的认识，现在可以继续深入探索 Python 的世界，开启更多有趣的编程之旅！