Python 基础库

Python 专区：按库深入学习

本页保留标准库与第三方库的基础总览。常用第三方库已经拆分为独立图文教程：

教程	学习重点
NumPy	数组、axis、广播、视图与数值计算
pandas	DataFrame、索引、分组与连接
Matplotlib	图型、坐标、子图与导出
Requests	HTTP 请求、JSON、超时与异常
Selenium	浏览器定位、交互与显式等待
OpenCV	图像读写与处理

建议先学 NumPy，再学 pandas 与 Matplotlib；需要接口集成时学 Requests，需要网页交互测试时再学 Selenium。后两者用途不同，不必为同一个任务同时上全部工具。

一、什么是 Python 库？

Python 库提供已经实现好的功能，例如操作文件、读取数据、统计数值和绘制图表。使用库时，通过导入模块调用其中的函数、类和常量。

模块、包和库的区别

名称	含义	示例
模块	可导入的代码单元，常见形式是一个 .py 文件	math、json
包	组织模块的结构，可以包含子模块和子包	collections、numpy
库	一组可复用功能的统称，不是严格的文件组织单位	Python 标准库、pandas

标准库与第三方库

• 标准库：随常规 Python 安装提供，通常无需额外安装，例如 pathlib、csv、datetime。
• 第三方库：通常需要额外安装，例如 NumPy、pandas、Matplotlib。
• 内置功能：不需要导入，例如 print()、len()、sum()、list 和 dict，它们不等同于需要导入的库。

学习这些库有什么用？

• 自动整理项目文件和实验记录。
• 读取 CSV、JSON，处理传感器与项目数据。
• 计算统计量并保存分析结果。
• 记录运行日志，定位程序问题。
• 把一次性代码变成可重复运行的命令行工具。

说明： 本教程以常用标准库为主，最后介绍三个数据分析基础库。示例适用于 Python 3.10 及更新版本；阅读前应掌握变量、条件、循环、函数、列表、字典和基本异常处理。

二、准备环境与导入模块

2.1 检查 Python

在终端执行：

python --version

如果环境中使用 python3，将本文命令中的 python 对应替换。Windows 也可能使用 py，应确认运行的是预期解释器。

创建一个独立的 python-libs-practice 文件夹，用编辑器保存 .py 文件，避免在重要项目目录里试验覆盖文件。

2.2 常见导入方式

import math
from pathlib import Path
import statistics as stats

print(math.sqrt(25))
print(Path.cwd())
print(stats.mean([2, 4, 6]))

• import math：导入模块，通过 math.函数名 调用。
• from pathlib import Path：从模块导入特定对象。
• as stats：为导入对象设置别名。

初学时避免 from 模块 import *，否则不容易判断名称来自哪里。

注意： 不要把自己的文件命名为 json.py、csv.py、random.py 等同名模块，否则可能导入自己的文件，遮蔽真正的库。

2.3 安装第三方库

建议在项目目录创建虚拟环境：

python -m venv .venv

按终端选择一种激活方式：

# Linux / macOS 的 Bash 或 Zsh
source .venv/bin/activate

# Windows PowerShell
.venv\Scripts\Activate.ps1

激活后安装本教程后半部分需要的库：

python -m pip install numpy pandas matplotlib

标准库无需用 pip 安装。用 python -m pip 可以明确把安装操作交给当前 Python；在编辑器中也要选择同一虚拟环境的解释器。

如果不激活环境，也可直接运行其中的解释器，例如 Windows 的 .venv\Scripts\python.exe 或 Linux / macOS 的 .venv/bin/python。

三、math：常用数学运算

math 提供平方根、三角函数、对数和常量等功能，主要用于单个数值运算。

import math

print(math.sqrt(25))       # 5.0
print(math.ceil(2.3))      # 3，向上取整
print(math.floor(2.8))     # 2，向下取整
print(math.pi)            # 圆周率
print(math.sin(math.pi / 2))
print(math.log10(1000))    # 3.0
print(math.isclose(0.1 + 0.2, 0.3))  # True

说明：

• 三角函数通常使用弧度，角度可用 math.radians() 转换。
• math.sqrt(-1) 不适用于实数运算，会产生 ValueError；复数运算可后续了解 cmath。
• 浮点数可能存在表示误差，近似比较可以使用 math.isclose()，并按任务选择容差。
• abs()、round()、sum() 是内置函数，不需要导入 math。

四、random：随机选择与简单模拟

import random

rng = random.Random(42)

print(rng.randint(1, 6))
print(rng.choice(["Python", "C", "Java"]))
print(rng.sample(["A", "B", "C", "D"], 2))

items = [1, 2, 3, 4]
rng.shuffle(items)
print(items)

方法	用途
random()	生成大于等于 0、小于 1 的浮点数
randint(a, b)	生成包含两端点的随机整数
choice(items)	随机选择一个元素
sample(items, k)	不放回地抽取 k 个位置对应的元素
shuffle(items)	原地打乱可变序列，返回 None

固定种子便于在相同条件下重复实验。不要将每种方法在不同 Python 版本中的具体输出都视为稳定约定。

random 用于模拟和抽样，不用于生成安全令牌；安全随机需求应使用 secrets。

五、statistics：基础统计

import statistics

values = [18, 20, 20, 22]

print(statistics.mean(values))     # 20
print(statistics.median(values))   # 20.0
print(statistics.pstdev(values))   # 总体标准差
print(statistics.stdev(values))    # 样本标准差

• mean()：平均值。
• median()：中位数。
• pstdev()：将数据视为总体时的标准差。
• stdev()：估计样本标准差，要求至少两个数据。

调用前应检查数据是否为空、是否包含无效值。统计量选择与样本含义有关，不能只因函数可运行就认为结果适用。

六、pathlib：文件与目录路径

6.1 创建与组合路径

from pathlib import Path

print(Path.cwd())

folder = Path("practice-data")
folder.mkdir(parents=True, exist_ok=True)

file_path = folder / "notes.txt"
print(file_path.name)      # notes.txt
print(file_path.stem)      # notes
print(file_path.suffix)    # .txt
print(file_path.parent)    # practice-data

/ 在这里用于组合路径，不是数值除法。创建 Path 对象不代表文件已经存在。

6.2 读写文本

from pathlib import Path

folder = Path("practice-data")
folder.mkdir(parents=True, exist_ok=True)
file_path = folder / "notes.txt"

file_path.write_text("今天学习 pathlib。\n", encoding="utf-8")
content = file_path.read_text(encoding="utf-8")
print(content)

write_text() 会覆盖已有同名文件。需要追加时可用 open(..., "a")，文件较大时也应考虑逐行读取。

6.3 检查与查找文件

from pathlib import Path

folder = Path("practice-data")

print(folder.exists())
print(folder.is_dir())

for file_path in sorted(folder.glob("*.txt")):
    if file_path.is_file():
        print(file_path.name)

glob("*.txt") 查找当前层级的匹配项，rglob("*.txt") 递归查找。

相对路径从程序运行时的当前工作目录开始，不一定从脚本所在目录开始。需要相对脚本定位时，可在普通 .py 脚本中使用 Path(__file__).resolve().parent；交互窗口和部分笔记本环境没有 __file__。

七、文件读写与 with

open() 是内置函数，常与基础库配合使用。with 会在代码块结束时关闭文件。

from pathlib import Path

file_path = Path("reading-example.txt")

with file_path.open("w", encoding="utf-8") as file:
    file.write("Python\n")
    file.write("Markdown\n")

with file_path.open("a", encoding="utf-8") as file:
    file.write("Git\n")

with file_path.open("r", encoding="utf-8") as file:
    for line in file:
        print(line.rstrip("\n"))

模式	含义
r	读取，文件不存在时报错
w	写入，覆盖已有内容；不存在时创建
a	追加，不存在时创建
x	新建写入，文件已存在时报错
rb / wb	二进制读取 / 写入，不使用文本编码参数

文本读写建议明确编码。遇到 UnicodeDecodeError 时检查源文件的实际编码，不要直接忽略错误以免丢失内容。

八、json：结构化数据读写

JSON 常用于配置、接口数据和分析结果。Python 字典与 JSON 文本是不同类型。

8.1 对象与字符串转换

import json

data = {"name": "弧光", "members": 5, "active": True}

text = json.dumps(data, ensure_ascii=False, indent=2)
print(text)

restored = json.loads(text)
print(restored["name"])

• dumps()：Python 对象转 JSON 字符串。
• loads()：JSON 字符串转 Python 对象。
• ensure_ascii=False：输出中文字符，而非默认 ASCII 转义形式。
• indent=2：格式化缩进，方便阅读。

8.2 写入与读取文件

import json
from pathlib import Path

file_path = Path("config-example.json")
data = {"project": "ArcLab", "languages": ["Python", "C"]}

with file_path.open("w", encoding="utf-8") as file:
    json.dump(data, file, ensure_ascii=False, indent=2)

with file_path.open("r", encoding="utf-8") as file:
    loaded = json.load(file)

print(loaded["languages"])

dump() / load() 处理文件对象；带 s 的 dumps() / loads() 处理字符串。

JSON 属性名和字符串使用双引号，标准 JSON 不支持注释。集合、日期对象等不能直接按默认方式序列化，需要先转换；不合法文本可能引发 json.JSONDecodeError。

九、csv：表格数据读写

CSV 适合保存规则的二维数据，例如采集记录和实验结果。字段中可能含逗号或换行，不应简单用 split(",") 代替 CSV 解析。

9.1 写入表格

import csv

rows = [
    {"name": "sensor_a", "value": 20.5},
    {"name": "sensor_b", "value": 22.0},
]

with open("measurements.csv", "w", encoding="utf-8", newline="") as file:
    writer = csv.DictWriter(file, fieldnames=["name", "value"])
    writer.writeheader()
    writer.writerows(rows)

9.2 读取表格

先运行上一段生成文件，再读取：

import csv

with open("measurements.csv", "r", encoding="utf-8", newline="") as file:
    reader = csv.DictReader(file)
    for row in reader:
        value = float(row["value"])
        print(row["name"], value)

说明：

• newline="" 让 csv 模块处理换行，减少跨平台换行问题。
• DictReader 用表头作为键，读取的普通字段默认是字符串。
• 数值转换需要检查空值和格式，float("") 会报错。
• 表头、编码和分隔符应与输入文件一致；部分带 BOM 的 UTF-8 文件可使用 utf-8-sig 读取。

十、datetime 与 time：时间记录和计时

10.1 日期计算与格式化

from datetime import datetime, timedelta, timezone

started = datetime(2026, 11, 5, 9, 30)
deadline = started + timedelta(days=7)

print(started.strftime("%Y-%m-%d %H:%M"))
print(deadline.strftime("%Y-%m-%d"))

parsed = datetime.strptime("2026-11-05", "%Y-%m-%d")
print(parsed.date())

now_utc = datetime.now(timezone.utc)
print(now_utc.isoformat())

strftime() 把时间对象格式化为字符串，strptime() 按指定格式解析字符串。常见标记为 %Y 年、%m 月、%d 日、%H 时、%M 分、%S 秒。

上例的 started 没有时区，now_utc 有 UTC 时区。记录跨机器时间时应明确时区，不要直接混合无时区和有时区对象进行比较。

10.2 测量运行耗时

import time

start = time.perf_counter()
total = sum(range(100_000))
elapsed = time.perf_counter() - start

print(total)
print(f"耗时：{elapsed:.6f} 秒")

测量时间间隔适合用 perf_counter()，记录现实日期时间适合用 datetime。一次简单计时不等于严谨的性能比较。

十一、collections：计数与分组

11.1 Counter 计数

from collections import Counter

levels = ["INFO", "ERROR", "INFO", "WARNING", "ERROR"]
counts = Counter(levels)

print(counts["INFO"])        # 2
print(counts["DEBUG"])       # 0
print(counts.most_common(2))

适合统计类别、标签和日志级别。Counter("ERROR") 统计的是字符，Counter(["ERROR"]) 统计的是完整字符串元素。

11.2 defaultdict 分组

from collections import defaultdict

groups = defaultdict(list)
records = [("A", 20), ("B", 25), ("A", 22)]

for name, value in records:
    groups[name].append(value)

print(dict(groups))  # {'A': [20, 22], 'B': [25]}

defaultdict(list) 在用下标访问缺失键时创建一个新列表，减少重复的初始化代码。

十二、re：正则表达式

re 可以按模式查找、提取或替换文本。

import re

text = "sensor_a=20.5, sensor_b=22.0"
values = re.findall(r"\d+(?:\.\d+)?", text)
print(values)  # ['20.5', '22.0']

filename = "  notes   day1  "
normalized = re.sub(r"\s+", "_", filename.strip())
print(normalized)  # notes_day1

print(re.fullmatch(r"[A-Za-z_][A-Za-z0-9_]*", "sensor_a") is not None)

写法	常见含义
\d	数字字符
\s	空白字符
.	通常匹配除换行外的任意字符
+	前一项出现一次或多次
*	前一项出现零次或多次
?	前一项出现零次或一次
[A-Z]	一个大写英文字母
\.	字面点号

r"..." 是原始字符串写法，便于表达反斜杠。search() 查找任意位置的匹配，fullmatch() 检查整个字符串，findall() 返回所有匹配。

上例的数值模式仅用于演示正数与小数，不完整支持负数、科学计数法或全部数值格式。简单分隔和固定文本判断优先使用 split()、in 等字符串功能。

十三、os、sys 与 subprocess：运行环境和外部程序

13.1 查看解释器与读取环境变量

import os
import sys

print(sys.version)
print(sys.executable)
print(os.environ.get("PROJECT_MODE", "practice"))

sys.executable 可用于确认当前解释器，os.environ.get() 读取环境变量并提供默认值。文件路径操作可以优先使用 pathlib。

13.2 调用外部程序

import subprocess
import sys

result = subprocess.run(
    [sys.executable, "-c", "print(2 + 3)"],
    capture_output=True,
    text=True,
    encoding="utf-8",
    check=True,
    timeout=5,
)

print(result.stdout.strip())  # 5

• 参数列表中的每个元素分别表示一个命令参数。
• capture_output=True 捕获标准输出和标准错误。
• check=True 在返回码非零时抛出 CalledProcessError。
• timeout 限制等待时间，超时抛出 TimeoutExpired。

不需要 Shell 功能时保留默认 shell=False。文件路径含空格时也作为一个列表元素传入，不要手工拼接成 Shell 命令。

十四、logging：记录运行过程

import logging

logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s %(levelname)s %(message)s",
)
logger = logging.getLogger(__name__)

logger.debug("检查输入细节")
logger.info("开始处理数据")
logger.warning("发现一条空记录")
logger.error("输入文件格式不正确")

常用级别从低到高为 DEBUG、INFO、WARNING、ERROR、CRITICAL。上例设置为 INFO，因此不会显示 debug 信息。

默认日志输出到标准错误流；如果希望写入文件，可在独立脚本的配置中指定 filename="run.log"、encoding="utf-8"。

print() 适合展示直接结果，日志适合记录进度、问题和排查信息。Notebook 或已配置日志的程序中，basicConfig() 可能不会改变现有设置，不要因此直接认为日志失效。

十五、argparse：为程序添加命令行参数

将下面代码保存为 greet.py：

import argparse

parser = argparse.ArgumentParser(description="输出问候信息")
parser.add_argument("name", help="需要问候的名字")
parser.add_argument("--repeat", type=int, default=1, help="重复次数")
args = parser.parse_args()

if args.repeat < 1:
    parser.error("--repeat 必须大于等于 1")

for _ in range(args.repeat):
    print(f"Hello, {args.name}!")

在终端运行：

python greet.py ArcLab --repeat 2
python greet.py --help

name 是位置参数，--repeat 是可选参数。type=int 负责整数转换，取值范围仍需要程序检查。--help 会显示自动生成的用法说明。

十六、shutil 与 tempfile：复制和临时文件

from pathlib import Path
import shutil
import tempfile

with tempfile.TemporaryDirectory() as temp_dir:
    folder = Path(temp_dir)
    source = folder / "source.txt"
    target = folder / "backup.txt"

    source.write_text("backup example\n", encoding="utf-8")
    shutil.copy2(source, target)
    print(target.read_text(encoding="utf-8"))

copy2() 复制内容并尝试保留文件元数据，具体保留情况取决于系统。临时目录在 with 结束后自动清理，不应当作永久存储位置。

目录操作还包括 copytree() 和 rmtree()，其中 rmtree() 会递归删除目录；初学练习不需要用它清理重要项目。

十七、NumPy：数组与批量数值计算

本节开始使用第三方库，需要先完成安装。

import numpy as np

values = np.array([20.0, 21.5, 19.5, 22.0])

print(values.shape)        # (4,)
print(values.dtype)
print(values + 1)          # 每个元素加 1
print(values.mean())       # 20.75
print(values[values > 20]) # 条件筛选

matrix = np.array([[1, 2], [3, 4]])
print(matrix.shape)        # (2, 2)
print(matrix.sum(axis=0))  # [4 6]，沿行方向汇总，得到每列的和
print(matrix.sum(axis=1))  # [3 7]，沿列方向汇总，得到每行的和

数组有形状和数据类型，适合规则的数值数据。Python 列表的 + 常表示拼接，NumPy 数组的 + 通常表示逐元素相加。

数组的 * 是逐元素乘法，矩阵乘法通常使用 @。不同形状能否运算取决于广播规则；切片可能与原数组共享数据，需要独立副本时使用 .copy()。

十八、pandas：表格数据处理

import pandas as pd

df = pd.DataFrame({
    "sensor": ["A", "A", "B", "B"],
    "value": [20.0, None, 22.0, 24.0],
})

print(df.head())
print(df["value"].isna())

clean = df.dropna(subset=["value"])
selected = clean.loc[clean["value"] >= 22, ["sensor", "value"]]
summary = clean.groupby("sensor", as_index=False)["value"].mean()

print(selected)
print(summary)
summary.to_csv("sensor-summary.csv", index=False, encoding="utf-8")

• DataFrame 表示二维表格，Series 常用于表示单列数据。
• dropna() 按指定条件移除缺失记录。
• .loc 按标签或条件选取行列。
• groupby() 按类别分组，随后计算统计量。
• to_csv(..., index=False) 保存时不额外写入行索引。

读取现有 CSV 可以使用 pd.read_csv("文件路径")。删除缺失值只是一种示例策略，实际项目应先判断缺失原因，记录清洗规则和被排除的数据量。

十九、Matplotlib：绘制与保存图表

import matplotlib.pyplot as plt

times = [0, 1, 2, 3]
temperatures = [20.0, 21.5, 19.5, 22.0]

fig, ax = plt.subplots()
ax.plot(times, temperatures, marker="o", label="Sensor A")
ax.set_xlabel("Time (s)")
ax.set_ylabel("Temperature (deg C)")
ax.set_title("Temperature readings")
ax.grid(True, alpha=0.3)
ax.legend()
fig.tight_layout()
fig.savefig("temperature.png", dpi=150)
plt.close(fig)

fig 表示整张图，ax 表示绘图区。上例直接保存文件，不要求有图形窗口；在交互环境中需要显示时可在关闭前调用 plt.show()。

图表应标注名称和单位。示例用英文标签避免默认字体缺少中文；需要中文时应配置已安装的中文字体。保存同名图片会覆盖原文件。

二十、一个综合示例

下面编写一个仅使用标准库的程序：读取传感器 CSV，检查输入，按传感器分组统计，并保存 JSON 结果。

20.1 准备目录和输入

sensor-demo/
├── analyze.py
└── data/
    └── readings.csv

创建 data/readings.csv，内容如下：

sensor,value
A,20
A,22
B,24
B,26

20.2 编写程序

将下面代码保存为 analyze.py：

import argparse
import csv
import json
import logging
import math
from collections import defaultdict
from datetime import datetime, timezone
from pathlib import Path
from statistics import mean


def load_values(file_path):
    groups = defaultdict(list)
    with file_path.open("r", encoding="utf-8-sig", newline="") as file:
        reader = csv.DictReader(file)
        if reader.fieldnames != ["sensor", "value"]:
            raise ValueError("表头必须依次为 sensor,value")

        for record_no, row in enumerate(reader, start=1):
            # CSV 记录可能跨行，这里记录数据记录序号，不称为文件行号。
            sensor = (row.get("sensor") or "").strip()
            if None in row or not sensor:
                raise ValueError(f"第 {record_no} 条记录的列数或名称有误")
            try:
                value = float(row["value"])
            except (TypeError, ValueError) as exc:
                raise ValueError(f"第 {record_no} 条记录不是有效数值") from exc
            if not math.isfinite(value):
                raise ValueError(f"第 {record_no} 条记录不是有限数值")
            groups[sensor].append(value)

    if not groups:
        raise ValueError("输入没有数据记录")
    return groups


def main():
    parser = argparse.ArgumentParser(description="按传感器统计 CSV 数据")
    parser.add_argument("input", type=Path, help="输入 CSV 路径")
    parser.add_argument("--output", type=Path, default=Path("output/summary.json"))
    args = parser.parse_args()

    logging.basicConfig(level=logging.INFO, format="%(levelname)s %(message)s")
    try:
        if args.input.resolve() == args.output.resolve():
            raise ValueError("输出路径不能与输入路径相同")
        groups = load_values(args.input)
        summary = {
            "generated_at": datetime.now(timezone.utc).isoformat(),
            "sensors": {
                sensor: {
                    "count": len(values),
                    "mean": mean(values),
                    "min": min(values),
                    "max": max(values),
                }
                for sensor, values in sorted(groups.items())
            },
        }
        args.output.parent.mkdir(parents=True, exist_ok=True)
        args.output.write_text(
            json.dumps(summary, ensure_ascii=False, indent=2, allow_nan=False) + "\n",
            encoding="utf-8",
        )
    except (OSError, ValueError, csv.Error) as exc:
        parser.exit(1, f"处理失败：{exc}\n")

    logging.info("已完成 %d 个传感器的统计，结果：%s", len(groups), args.output)


if __name__ == "__main__":
    main()

20.3 运行与检查

在 sensor-demo 目录打开终端：

python analyze.py data/readings.csv --output output/summary.json
python analyze.py --help

打开结果文件，应看到 A、B 各有 2 条记录，平均值分别为 21.0、25.0。生成时间按 UTC 记录，每次运行不同。

上例采用“遇到无效数据立即停止”的规则，输出同名文件会覆盖。实际项目也可以设计为跳过无效记录，但必须明确记录跳过数量和原因。该示例将数据保存在内存中，适合小型练习，不适合直接处理超大文件。

二十一、常见问题排查

问题	可能原因	解决方法
ModuleNotFoundError	第三方库未安装，或装到了其他解释器	检查 sys.executable，用该解释器执行 -m pip
导入出现循环引用或找不到函数	自己的文件与库同名	检查 json.py 等命名，改名并重启解释器
FileNotFoundError	路径不对或工作目录不同	打印 Path.cwd()，检查文件实际位置
PermissionError	目录无写入权限、文件被占用等	检查目标目录与文件占用情况
UnicodeDecodeError	文件编码与读取编码不一致	确认来源编码，再设置 encoding
JSONDecodeError	JSON 格式不正确	检查双引号、逗号、括号及错误位置
CSV 数值转换失败	字段为空、带非数值内容或列不对	检查表头和原始记录，明确转换规则
KeyError	字典键或表头与预期不一致	检查实际字段名、大小写和 BOM
正则结果不符合预期	转义、匹配范围或分组理解有误	用最小文本测试，优先使用原始字符串
日志没有 INFO 信息	日志级别或已有配置影响输出	检查级别和处理器，独立脚本中验证
NumPy 运算形状不匹配	数组形状不符合广播或矩阵运算要求	查看 .shape，明确运算维度
图中中文显示成方框	当前字体不包含中文字形	选择并配置已安装的中文字体

二十二、练习

请在独立练习目录完成，保留输入数据、程序、输出和简短说明。

22.1 标准库基础

• 用 math 计算半径为 3 的圆面积，并近似比较计算结果。
• 用固定种子的 random.Random 模拟投骰子 100 次，再用 Counter 统计点数。
• 用 pathlib 查找目录中的 .md 文件，输出名称与大小。
• 用 json 保存一份学习计划，再读取并输出任务名称。
• 写入含表头的 CSV，读取后将数值字段转换为数字并求平均。
• 用 datetime 计算某一天之后第 7 天的日期。
• 用 re 从样例日志中提取符合约定格式的编号。
• 用 logging 区分运行进度与错误信息。

22.2 综合示例扩展

1. 跑通传感器统计程序，核对每组数量、平均值、最小值和最大值。
2. 加入一条 C 传感器记录，重新运行并检查输出。
3. 分别尝试空文件、只有表头、空传感器名称、无效数值和 NaN，观察错误信息。
4. 给程序添加一个可选阈值参数，统计每组超过阈值的记录数量。
5. 将输入格式、运行命令、处理规则和预期输出写成 README。

22.3 第三方库练习（选做）

• 用 NumPy 计算一组数据的均值，并筛选大于均值的数据。
• 用 pandas 读取同一份传感器 CSV，按传感器统计均值，与标准库结果比较。
• 用 Matplotlib 绘制采样值曲线，标注横轴、纵轴及单位，保存 PNG。
• 记录所用 Python 和第三方库版本，让另一名同学复现结果。

二十三、常用功能速查表

需求	常用模块或库	示例
开平方	math	math.sqrt(25)
随机选择	random	rng.choice(items)
平均数	statistics	statistics.mean(values)
组合路径	pathlib	Path("data") / "input.csv"
读取文本	pathlib	path.read_text(encoding="utf-8")
递归找文件	pathlib	folder.rglob("*.md")
JSON 字符串编码 / 解码	json	json.dumps(data) / json.loads(text)
CSV 字典读取 / 写入	csv	csv.DictReader(file) / csv.DictWriter(file, fieldnames=...)
格式化时间	datetime	dt.strftime("%Y-%m-%d")
日期偏移	datetime	dt + timedelta(days=7)
测量耗时	time	两次 time.perf_counter() 作差
分类计数	collections	Counter(items)
按键分组	collections	defaultdict(list)
模式查找	re	re.findall(pattern, text)
查看解释器路径	sys	sys.executable
读取环境变量	os	os.environ.get("PROJECT_MODE")
运行外部命令	subprocess	subprocess.run(args, check=True)
输出运行日志	logging	logger.info("处理完成")
命令行参数	argparse	parser.add_argument("input")
复制文件	shutil	shutil.copy2(source, target)
自动清理临时目录	tempfile	tempfile.TemporaryDirectory()
数值数组	NumPy	np.array(values)
表格读取	pandas	pd.read_csv(path)
创建绘图区	Matplotlib	fig, ax = plt.subplots()

速查表示例中的 path、rng、logger、parser 等对象需要先按正文创建，不能脱离上下文直接运行。

二十四、相关学习资料

• Python 官方中文标准库目录：按实际任务查阅模块，不必逐页通读。
• pathlib 文档：文件与目录路径。
• json 文档、csv 文档：结构化数据读写。
• collections 文档：计数与分组等容器工具。
• datetime 文档、re 文档：时间和文本处理。
• logging 入门、argparse 教程：日志与命令行程序。
• NumPy 官方入门：英文，介绍数组、形状和基础运算。
• pandas 官方入门：英文，介绍表格读写、筛选、统计和绘图。
• Matplotlib 官方入门：英文，介绍图形对象与绘图方法。

阅读官方文档时注意版本选择，应优先查看与自己安装版本对应的页面。