从零开始学习 Python!2《进阶知识》 Python进阶之路
ztj100 2025-04-11 09:51 62 浏览 0 评论
欢迎来到Python学习的进阶篇章! 如果你说已经掌握了基础语法,那么这篇就是你开启高手之路的大门。我们将一起探讨面向对象编程、异常处理、文件操作以及正则表达式这些“黑科技”,让你的代码更优雅、更强大!
第一部分:面向对象编程——Python中的“英雄与团队”
1 面向对象:从“砖头”到“大楼”
在之前的学习中,我们用函数和变量搭建了“砖块”,但要盖一座“摩天大楼”,我们需要更好的建筑方式!这就是面向对象编程(OOP)。
**类(Class)**是Python中的“蓝图”,用来定义物体的属性和行为。比如:
class Dog: # 定义一个狗的类
def __init__(self, name, age): # 初始化方法,相当于出生时的配置
self.name = name # 狗的名字
self.age = age # 狗的年龄
def bark(self): # 表现汪星人叫的方法
print(f"汪汪!我是{name},今年{age}岁了!")
my_dog = Dog("小黑", 3) # 创建一个“狗”对象,名字叫小黑,3岁
# 让小黑叫一声
my_dog.bark()
输出:
汪汪!我是小黑,今年3岁了!
2 继承与多态:英雄的不同职业
英雄联盟里有坦克、ADC、法师等多种角色,但他们都属于“英雄”这个大类。这其实就是继承的精髓!
class Animal: # 动物基类
def __init__(self, name):
self.name = name
def eat(self):
print(f"{self.name}在吃东西!")
class Dog(Animal): # 继承自Animal,相当于“子英雄”
def bark(self):
print(f"汪汪,我叫{self.name}")
class Cat(Animal): # 同样继承自Animal
def meow(self):
print(f"喵喵,我叫{self.name}")
dog = Dog("小黑")
cat = Cat("小白")
# 调用基类的方法
dog.eat() # 输出:小黑在吃东西!
cat.eat() # 输出:小白在吃东西!
# 每个子类还可以有自己的独特技能
dog.bark()
cat.meow()
输出:
小黑在吃东西!
小白在吃东西!喵喵~
汪汪,我叫小黑
喵喵,我叫小白
3 多态:英雄的不同表现
多态就像Different Hero,不同英雄对同一指令的反应不一样!
def make_sound(animal):
animal.sound() # 假设所有动物都有“发出声音”这个方法
class Dog:
def sound(self):
print("汪汪!")
class Cat:
def sound(self):
print("喵喵!")
dog = Dog()
cat = Cat()
make_sound(dog) # 调用狗的发声
make_sound(cat) # 调用猫的发声
# 输出:
汪汪!
喵喵!
第二部分:异常处理——让代码优雅地“跳舞”
在编程界,错误是常客。但我们要学会优雅地应对,不让你的程序“死机”。
1 基本的try-except结构:
try:
# 可能会出错的代码块
result = 10 / 0 # 这里会导致ZeroDivisionError
except ZeroDivisionError:
print("不能除以零哦!")
输出:
不能除以零哦!
2 多重异常处理:
有时候,不同的错误需要用不同的方式处理。
try:
num = int(input("请输入一个整数:"))
except ValueError: # 捕捉输入非整数的错误
print("这不是个整数!重新来过~")
except IndexError:
print("索引错误了哦!")
else:
print(f"你输入的是:{num}")
finally:
print("不管有没有错,我都会被调用!")
# 用户输入非数字时的输出:
这不是个整数!重新来过~
3 自定义异常:
有时候,原生的异常可能不能满足需求,这时候可以“发明”自己的错误。
class MyCustomError(Exception):
pass
try:
raise MyCustomError("这是一个自定义错误!") # 抛出自己定义的错误
except MyCustomError as e:
print(e) # 输出:这是一个自定义错误!
第三部分:文件操作——与电脑“对话”
1 基础的读写操作:
# 写入文件
with open("test.txt", mode="w") as file:
file.write("你好,Python!")
# 读取文件
with open("test.txt", "r") as file:
content = file.read()
print(content) # 输出:你好,Python!
2 更高级的操作:
- 追加写入:a 模式可以防止覆盖原有内容。
- 读取多行:可以用 .readlines()。
# 追加内容
with open("test.txt", "a") as file:
file.write("\n我今天学到了OOP!")
# 读取并打印每一行
with open("test.txt", "r") as file:
lines = file.readlines()
for line in lines:
print(line.strip()) # 去除换行符
# 输出:
你好,Python!
我今天学到了OOP!
第四部分:正则表达式——字符串的“侦探”
1 简单介绍:
正则表达式(Regex)是用于匹配特定模式的字符串工具。虽然看起来有点复杂,但学会了超级好用!
2 基本语法:
- .:匹配任意一个字符。
- *:重复零次或多次。
- \d:匹配数字。
- \w:匹配字母、数字和下划线。
示例:提取邮箱
import re
text = "我的邮箱是:test@example.com"
pattern = r"\b\w+@\w+\.\w{2,}\b" # 匹配类似word@domain扩展名的格式
match = re.search(pattern, text)
if match:
print("找到邮箱:", match.group()) # 输出:找到邮箱:test@example.com
3 更多功能:
- 替换:re.sub()
- 分割:re.split()
# 替换所有数字为*
new_text = re.sub(r"\d", "*", "我的电话号码是123456789")
print(new_text) # 输出:我的电话号码是*********
# 分割字符串
pattern_split = r" "
strings = "hello world, how are you"
split_result = re.split(pattern_split, strings)
print(split_result) # 输出:['hello', 'world,', 'how', 'are', 'you']
通过本文的学习,希望各位开发者可以在代码世界中更加得心应手!无论是处理文件、优雅地应对错误还是用正则表达式进行复杂匹配,这些技巧都能让你的编程之旅更顺畅。加油吧,未来的Coder们!
如果你有任何疑问或者想了解更多有趣的知识,随时可以在评论区留言哦~我会尽力为大家解答!
相关推荐
- 其实TensorFlow真的很水无非就这30篇熬夜练
-
好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...
- 交叉验证和超参数调整:如何优化你的机器学习模型
-
准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...
- 机器学习交叉验证全指南:原理、类型与实战技巧
-
机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...
- 深度学习中的类别激活热图可视化
-
作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...
- 超强,必会的机器学习评估指标
-
大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...
- 机器学习入门教程-第六课:监督学习与非监督学习
-
1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...
- Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置
-
你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...
- 神经网络与传统统计方法的简单对比
-
传统的统计方法如...
- 自回归滞后模型进行多变量时间序列预测
-
下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...
- 苹果AI策略:慢哲学——科技行业的“长期主义”试金石
-
苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...
- 时间序列预测全攻略,6大模型代码实操
-
如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- idea eval reset (50)
- vue dispatch (70)
- update canceled (42)
- order by asc (53)
- spring gateway (67)
- 简单代码编程 贪吃蛇 (40)
- transforms.resize (33)
- redisson trylock (35)
- 卸载node (35)
- np.reshape (33)
- torch.arange (34)
- npm 源 (35)
- vue3 deep (35)
- win10 ssh (35)
- vue foreach (34)
- idea设置编码为utf8 (35)
- vue 数组添加元素 (34)
- std find (34)
- tablefield注解用途 (35)
- python str转json (34)
- java websocket客户端 (34)
- tensor.view (34)
- java jackson (34)
- vmware17pro最新密钥 (34)
- mysql单表最大数据量 (35)