Python速通

Python 实用速成教程（科研导向，完整版）

面向已经掌握其他编程语言的程序员，帮助快速掌握 Python 的科研常用技能。强调实用性、完整性和清晰表达，避免炫技写法。

---

1. 环境准备

推荐方式：使用虚拟环境管理依赖。

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate   # Linux / Mac
venv\Scripts\activate      # Windows

# 安装科学计算常用包
pip install numpy scipy pandas matplotlib jupyter

启动 Jupyter Notebook：

jupyter notebook

---

2. 基本语法

2.1 变量与数据类型

x = 10           # 整数
pi = 3.14        # 浮点数
name = "Alan"    # 字符串
flag = True      # 布尔值

2.2 条件语句

if x > 0:
    print("正数")
elif x == 0:
    print("零")
else:
    print("负数")

2.3 循环

for i in range(5):
    print(i)

count = 0
while count < 3:
    print("循环", count)
    count += 1

---

3. 常用数据结构

3.1 列表

nums = [1, 2, 3]
nums.append(4)
print(nums[0])

3.2 字典

person = {"name": "Alan", "age": 25}
print(person["name"])

# 安全访问
print(person.get("gender", "未知"))

3.3 集合

s = {1, 2, 3}
s.add(2)
print(s)

---

4. 函数与模块

def greet(name):
    return f"Hello, {name}"

print(greet("Alan"))

导入模块：

import math
print(math.sqrt(16))

---

5. 文件与数据读写

5.1 文本文件

with open("data.txt", "r") as f:
    for line in f:
        print(line.strip())

5.2 CSV 文件

import csv

with open("data.csv", newline="") as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)

5.3 JSON 文件

import json

with open("config.json") as f:
    data = json.load(f)
print(data["param"])

---

6. NumPy 基础

6.1 创建数组

import numpy as np

arr = np.array([1, 2, 3, 4])
print(arr)

6.2 数值运算

print(arr + 10)
print(arr.mean())
print(arr.max())

6.3 矩阵运算

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

print(A + B)
print(A @ B)  # 矩阵乘法

---

7. pandas 数据分析

import pandas as pd

# 读取 CSV 文件
df = pd.read_csv("data.csv")

# 查看前几行
print(df.head())

# 基本统计
print(df.describe())

# 筛选数据
print(df[df["value"] > 10])

# 分组统计
print(df.groupby("group")["value"].mean())

---

8. Matplotlib 绘图

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.plot(x, y, label="sin(x)")
plt.xlabel("x")
plt.ylabel("sin(x)")
plt.title("正弦函数")
plt.legend()
plt.show()

---

9. SciPy 常用功能

9.1 优化

from scipy.optimize import minimize

res = minimize(lambda x: (x-3)**2, x0=0)
print(res.x)

9.2 统计检验

from scipy import stats

t, p = stats.ttest_ind([1,2,3], [1.1,2.1,3.1])
print("t=", t, "p=", p)

---

10. 并行与性能

10.1 多进程

from multiprocessing import Pool

def square(x):
    return x*x

with Pool(4) as p:
    results = p.map(square, range(10))
print(results)

10.2 向量化替代循环

# 慢：for 循环
out = [np.sin(v) for v in arr]

# 快：向量化
out = np.sin(arr)

---

11. 实用技巧与常见陷阱

• 使用 f"..." 进行格式化输出。
• 文件操作时总用 with open，避免忘记关闭。
• 默认参数不要用可变对象：

def f(x, lst=None):
    if lst is None:
        lst = []
    lst.append(x)
    return lst

• 浮点数比较时使用 math.isclose()。

---

12. 实践案例：科研数据分析流程

步骤：读取 → 清洗 → 分析 → 可视化 → 保存结果

import pandas as pd
import matplotlib.pyplot as plt

# 1. 读取数据
df = pd.read_csv("experiment.csv")

# 2. 数据清洗
df = df.dropna()  # 去掉缺失值

# 3. 基本统计
print(df.describe())

# 4. 分组统计
summary = df.groupby("group")["value"].mean()
print(summary)

# 5. 可视化
summary.plot(kind="bar")
plt.xlabel("Group")
plt.ylabel("Mean Value")
plt.title("实验结果对比")
plt.show()

# 6. 保存结果
summary.to_csv("summary.csv")

---

13. 推荐资源

• Python 官方教程
• NumPy 用户指南
• pandas 文档
• Matplotlib 教程
• 书籍：《Python for Data Analysis》

---

总结

• Python 语法简单，重点是熟悉科学计算库。
• 科研最常用的工具链：NumPy + pandas + Matplotlib + SciPy。
• 建议从实际任务出发，边做边学。

---