Python 基礎與應用

網站愿景和使命

• 網站的開發，是為宣傳Python的應用，對很多的教程進行整理、匯編而成。

• 所有的案例代碼，都是在 Jupyter 測試運行后發布的，保證代碼能夠正確無誤地執行。

• 教程的內容參考與使用了大量已有的網站、圖書中的內容，在維護過程中，會對內容進行修改與加工，盡量避免版權問題。

Python簡介

Python 是由 Guido van Rossum 在八十年代末和九十年代初，在荷蘭國家數學和計算機科學研究所設計出來的。 Python 本身也是由諸多其他語言發展而來的,這包括 ABC、Modula-3、C、C++、Algol-68、SmallTalk、Unix shell 和其他的腳本語言等等。 像 Perl 語言一樣，Python 源代碼同樣遵循 GPL(GNU General Public License)協議。 現在 Python 是由一個核心開發團隊在維護，Guido van Rossum 仍然占據著至關重要的作用，指導其進展。

Python 特點

• 易于學習：Python有相對較少的關鍵字，結構簡單，和一個明確定義的語法，學習起來更加簡單。

• 易于閱讀：Python代碼定義的更清晰。

• 易于維護：Python的成功在于它的源代碼是相當容易維護的。

• 一個廣泛的標準庫：Python的最大的優勢之一是豐富的庫，跨平臺的，在UNIX，Windows和Macintosh兼容很好。

• 互動模式：互動模式的支持，您可以從終端輸入執行代碼并獲得結果的語言，互動的測試和調試代碼片斷。

• 可移植：基于其開放源代碼的特性，Python已經被移植（也就是使其工作）到許多平臺。

• 可擴展：如果你需要一段運行很快的關鍵代碼，或者是想要編寫一些不愿開放的算法，你可以使用C或C++完成那部分程序，然后從你的Python程序中調用。

• 數據庫：Python提供所有主要的商業數據庫的接口。

• GUI編程：Python支持GUI可以創建和移植到許多系統調用。

• 可嵌入: 你可以將Python嵌入到C/C++程序，讓你的程序的用戶獲得"腳本化"的能

目錄

• Ⅰ Python基礎
  • 1. Python入門
    • 1.1. Python基礎
    • 1.2. Python中的數值類型
    • 1.3. Python 字符串
    • 1.4. 原始字符串和Unicode
    • 1.5. 變量
    • 1.6. 語句
    • 1.7. 獲取用戶輸入
    • 1.8. 函數
    • 1.9. 程序剖析
    • 1.10. 模塊
  • 2. 流程控制
    • 2.1. 控制流程
    • 2.2. 比較操作符
    • 2.3. 賦值技巧
    • 2.4. 布爾操作符
    • 2.5. 控制流的元素
    • 2.6. 控制流語句
    • 2.7. 更復雜的條件
    • 2.8. while 循環
    • 2.9. for循環和 range()函數
    • 2.10. while循環與if循環
    • 2.11. 導入模塊
    • 2.12. 三劍客
    • 2.13. 用 sys.exit() 退出程序
  • 3. Python函數使用
    • 3.1. 函數
    • 3.2. 函數返回值和 return 語句
    • 3.3. 關鍵字參數和 print()
    • 3.4. 變量作用域
    • 3.5. global 語句
    • 3.6. 異常處理
    • 3.7. —個小程序：猜數字
  • 4. Python中的列表
    • 4.1. 列表
    • 4.2. 使用列表
    • 4.3. 通用的序列操作
    • 4.4. 增強的賦值操作
    • 4.5. 列表方法
    • 4.6. 字符串和元組
    • 4.7. 引用
  • 5. 字典
    • 5.1. 字典和結構化數據
    • 5.2. 創建和使用字典
    • 5.3. 使用數據結構對真實世界建模
    • 5.4. 實踐項目
    • 5.5. Python字典遍歷的幾種方法
  • 6. Python中的字符串
    • 6.1. 字符串操作
    • 6.2. 有用的字符串方法
    • 6.3. 格式化字符串
    • 6.4. 格式字符串進階
  • 7. 異常處理
• Ⅱ Python 進階
  • 1. 函數與抽象
    • 1.1. 調用函數的智慧
    • 1.2. 自定義函數
    • 1.3. 參數魔法
    • 1.4. 收集與使用參數
    • 1.5. 作用域
    • 1.6. 遞歸
  • 2. 面向對象
    • 2.1. Python3 面向對象
    • 2.2. 類
    • 2.3. 面向對象的概念
    • 2.4. 超類、接口與基類
    • 2.5. 類和元類的簡單運用
    • 2.6. 構造函數
    • 2.7. 元素訪問
    • 2.8. 屬性
    • 2.9. 面向對象設計小結
  • 3. 模塊
    • 3.1. 模塊?
    • 3.2. 探索模塊?與包
    • 3.3. 數據結構模塊
    • 3.4. 其他有趣的標準模塊
  • 4. 函數式編程
    • 4.1. 什么是函數式編程
    • 4.2. 迭代器
    • 4.3. 生成器?
    • 4.4. 使用迭代器相關模塊
    • 4.5. 八皇后問題?
  • 5. 調試
    • 5.1. 調試
    • 5.2. 反向跟蹤異常
    • 5.3. 斷言
    • 5.4. 日志
  • 6. 高級特性
    • 6.1. 容易忽略的不可變類型
    • 6.2. 列表推導式,生成器與迭代器
    • 6.3. 神奇的__call__與返回函數
    • 6.4. 函數式編程
    • 6.5. 談談python的動態屬性
    • 6.6. 使用__slots__真的能省很多內存
    • 6.7. 閉包和裝飾器
    • 6.8. 你真的了解類,對象,實例,方法嗎
    • 6.9. 無聊的@property
    • 6.10. 拓展基本數據類型(dict)
• Ⅲ Python常用類庫
  • 1. 正則表達式
    • 1.1. 模式匹配與正則表達式
    • 1.2. 用正則表達式查找文本模式
    • 1.3. 用正則表達式匹配更多模式
    • 1.4. 正則表達式字符詳解
    • 1.5. 正則表達式方法詳解
    • 1.6. 使用正則表達式切分字符串
    • 1.7. 項目：電話號碼和 E-mail 地址提取程序
  • 2. 文件讀寫
    • 2.1. 文件與文件路徑
    • 2.2. 文件讀寫過程
    • 2.3. Python 序列化
    • 2.4. 迭代文件內容
    • 2.5. 項目：生成隨機的測驗試卷文件
  • 3. 文件操作
    • 3.1. 組織文件
    • 3.2. 遍歷目錄樹
    • 3.3. 用 zipfile 模塊壓縮文件
    • 3.4. 項目：將帶有美國風格日期的文件改名為歐洲風格日期
    • 3.5. 項目：將一個文件夾備份到一個 ZIP 文件
    • 3.6. 實踐項目
    • 3.7. 使用 python-libarchive-c 模塊
  • 4. CSV與JSON
    • 4.1. csv 模塊
    • 4.2. 項目：從 CSV 文件中刪除表頭
    • 4.3. JSON 和 API
    • 4.4. json 模塊
    • 4.5. 項目：取得當前的天氣數據
    • 4.6. 實踐項目
  • 5. 日期與時間
    • 5.1. 保持時間、計劃任務和啟動程序
    • 5.2. 數字四舍五入
    • 5.3. 項目：超級秒表
    • 5.4. datetime 模塊
    • 5.5. 回顧 Python 的時間函數
    • 5.6. 多線程
    • 5.7. Python3 多線程（二）
    • 5.8. 開始學習Python線程
    • 5.9. 線程模塊
    • 5.10. 使用 threading 模塊創建線程
    • 5.11. 線程同步
    • 5.12. 線程優先級隊列（ Queue）
    • 5.13. 從Python啟動其他程序
    • 5.14. 項目：簡單的倒計時程序
  • 6. 文本文件
    • 6.1. Python中的Docutils模塊介紹
    • 6.2. Python之markdown模塊
    • 6.3. Python標準庫difflib——比較序列
• Ⅳ Python日常工具
  • 1. 用 Python 處理電子表格
    • 1.1. 電子表格的介紹
    • 1.2. 使用 OpenpyXL 讀取 XLSX 電子表格
    • 1.3. Python寫入電子表格
    • 1.4. 處理電子表格的樣式
    • 1.5. 案例：根據XLSX生成HTML
    • 1.6. 案例：使用電子表格生成章節結構
    • 1.7. 案例：生成統計表
    • 1.8. 使用電子表格作為配置文件（DSL）
    • 1.9. 格式化文本轉換
  • 2. DOCX 文檔解析與處理
    • 2.1. DOCX 文檔格式介紹
    • 2.2. 使用python-docx 讀取文檔
    • 2.3. 使用python-docx 創建文檔
    • 2.4. 實例：在文檔內替換文字
    • 2.5. 實例：讀取電子表格數據寫入 DOCX 文檔
    • 2.6. 實例：為章節添加編號
    • 2.7. 處理文檔的樣式
    • 2.8. 實例：合并 DOCX 文件
    • 2.9. 使用python-docx-template修改word文檔
    • 2.10. 實例：Windows 下將 DOCX 文檔轉換為PDF格式
  • 3. 用Python進行圖像處理
    • 3.1. 數字圖像處理的基本概念
    • 3.2. 使用 Pillow 打開圖像文件
    • 3.3. 使用 Pillow 處理圖像
    • 3.4. 圖像元數據以及Exif信息
    • 3.5. 實例：查詢EXIF信息，獲取地理位置
    • 3.6. 實例：統一圖片格式
    • 3.7. 使用OpenCV對圖像進行處理
    • 3.8. 實例：對 DOCX 中的圖片進行批量處理
    • 3.9. 圖片文字識別（OCR）
    • 3.10. 實例： 使用Pillow生成驗證碼
  • 4. 使用Python處理PDF文檔
    • 4.1. PDF文檔
    • 4.2. 讀取PDF
    • 4.3. PyPDF4的頁面處理
    • 4.4. 合并PDF
    • 4.5. 添加頁碼和水印
    • 4.6. 使用pdfminer3k模塊
    • 4.7. 使用reportlab模塊
    • 4.8. 實例：讀取PDF內中文內容
  • 5. Web信息解析與處理
    • 5.1. web 的概念
    • 5.2. HTML介紹
    • 5.3. CSS
    • 5.4. 網頁信息獲取與解析
    • 5.5. Web頁面解析
    • 5.6. 簡單的爬蟲
    • 5.7. selemium模塊使用
  • 6. Web信息生成與發布
    • 6.1. 網站內容發布
    • 6.2. Python模板引擎
    • 6.3. Jinja2模板引擎的用法
    • 6.4. 實例：用HTML作為排版工具
    • 6.5. Python之markdown模塊
    • 6.6. 使用Sphinx發布網頁
    • 6.7. 使用Pelican發布網頁
  • 7. 自動化Email處理
    • 7.1. E-mail 與電子郵件協議
    • 7.2. 接收郵件
    • 7.3. 發送郵件
    • 7.4. 郵件推送給多用戶
    • 7.5. 發送HTML格式郵件
    • 7.6. 附件的使用
    • 7.7. 實例：將附件中內容添加到郵件正文
    • 7.8. 實例：定時發送Email
  • 8. 雜項
    • 8.1. Faker假數據生成器
• Ⅴ 專題
  • 1. Pillow圖像處理
    • 1.1. 操作圖像
    • 1.2. 用 Pillow 操作圖像
    • 1.3. 項目：添加徽標
    • 1.4. 在圖像上繪畫
    • 1.5. 實踐項目
  • 2. OpenCV處理
    • 2.1. 開始使用 OpenCV
  • 3. 數據庫自動化報表處理：使用SQLite
    • 3.1. 數據庫
    • 3.2. SQLite數據庫
    • 3.3. 使用 Peewee 模塊進行數據庫的CRUD
    • 3.4. 實例：報表自動化生成
    • 3.5. 實例：將數據庫信息導入到電子表格
    • 3.6. 使用數據庫改進 Email 發送功能
    • 3.7. 使用 Peewee 擴展 SQLite 的使用
  • 4. Python和Web
    • 4.1. 網頁抓取
    • 4.2. 使用 CGI 創建動態網頁
    • 4.3. 使用 Web 框架
    • 4.4. Web 服務：更高級的抓取
    • 4.5. 小結
  • 5. Web信息處理
    • 5.1. 從Web抓取信息
    • 5.2. 用 requests 模塊從Web下載文件
    • 5.3. 將下載的文件保存到硬盤
    • 5.4. HTML 基礎知識
    • 5.5. 用 BeautifulSoup 模塊解析 HTML
    • 5.6. 用 selenium 模塊控制瀏覽器
  • 6. Web模板引擎
    • 6.1. Jinja2模板
  • 7. XML 處理
    • 7.1. 使用 lxml 模塊處理XML
• Ⅵ 圖像處理：使用scikit-image
  • 1. skimage數字圖像處理基礎
    • 1.1. scikit-image數字圖像處理：環境安裝與配置
    • 1.2. 圖像的讀取、顯示與保存
    • 1.3. 圖像像素的訪問與裁剪
    • 1.4. 圖像數據類型及顏色空間轉換
    • 1.5. 圖像的繪制
    • 1.6. python數字圖像處理（6）：圖像的批量處理
    • 1.7. python數字圖像處理（7）：圖像的形變與縮放
  • 2. skimage數字圖像處理中級
    • 2.1. 對比度與亮度調整
    • 2.2. 直方圖與均衡化
    • 2.3. Python數字圖像處理：圖像簡單濾波
    • 2.4. 圖像自動閾值分割
    • 2.5. python數字圖像處理（12）：基本圖形的繪制
    • 2.6. Python數字圖像處理：基本形態學濾波
  • 3. skimage數字圖像處理高級
    • 3.1. 高級濾波
    • 3.2. 霍夫線變換
    • 3.3. python數字圖像處理（16）：霍夫圓和橢圓變換
    • 3.4. python數字圖像處理（17）：邊緣與輪廓
    • 3.5. python數字圖像處理（18）：高級形態學處理
    • 3.6. python數字圖像處理（19）：骨架提取與分水嶺算法
• Ⅶ 科學計算
  • 1. NumPy數值計算
    • 1.1. NumPy-快速處理數據
    • 1.2. ufunc運算
    • 1.3. 矩陣運算
    • 1.4. 文件存取
  • 2. SciPy科學類庫
    • 2.1. SciPy-數值計算庫
    • 2.2. 函數最小值
    • 2.3. 非線性方程組求解
    • 2.4. B-Spline樣條曲線
    • 2.5. 數值積分
    • 2.6. 解常微分方程組
    • 2.7. 濾波器設計
  • 3. SymPy符號運算
    • 3.1. SymPy-符號運算好幫手
    • 3.2. 球體體積
  • 4. Matplotlib繪圖
    • 4.1. Matplotlib-繪制精美的圖表
    • 4.2. 繪制多軸圖
    • 4.3. 配置文件
    • 4.4. Artist對象
  • 5. Pandas 第一部分
    • 5.1. Pandas教程簡介
    • 5.2. Pandas快速入門
    • 5.3. Pandas 序列（Series）
    • 5.4. Pandas數據幀（DataFrame）
    • 5.5. Pandas基本功能
    • 5.6. Pandas描述性統計
    • 5.7. Pandas函數應用
    • 5.8. Pandas重建索引
    • 5.9. Pandas迭代
  • 6. Pandas 第二部分
    • 6.1. Pandas排序
    • 6.2. Pandas字符串和文本數據
    • 6.3. Pandas選項和自定義
    • 6.4. Pandas索引和選擇數據
    • 6.5. Pandas統計函數
    • 6.6. Pandas窗口函數
    • 6.7. Pandas聚合
    • 6.8. Pandas缺失數據
    • 6.9. Pandas分組（GroupBy）
    • 6.10. Pandas合并/連接
    • 6.11. Pandas級聯
  • 7. Pandas 第三部分
    • 7.1. Pandas日期功能
    • 7.2. Pandas時間差（Timedelta）
    • 7.3. Pandas分類數據
    • 7.4. Pandas可視化
    • 7.5. Pandas IO工具
    • 7.6. Pandas稀疏數據
    • 7.7. Pandas注意事項＆竅門
    • 7.8. Pandas與SQL比較
• Ⅷ 自然語言與知識圖譜
  • 1. 結巴分詞
    • 1.1. jieba介紹
    • 1.2. jieba結巴分詞–關鍵詞抽?。ê诵脑~抽?。?/a>
    • 1.3. jieba詞性標注
    • 1.4. jieba添加自定義詞典
    • 1.5. 并行分詞
  • 2. NLTK庫
    • 2.1. 使用 NLTK 分析單詞和句子
    • 2.2. NLTK 與停止詞
    • 2.3. NLTK 詞干提取
    • 2.4. NLTK 詞性標注
    • 2.5. NLTK 樸素貝葉斯分類器