当Python遇上数学建模，你学废了嘛？

**

个人主页

**

文章目录

• • 个人主页
  • 一、基础语法
  • • 1. 标识符
    • 2. 保留字符
    • 3. 行和缩进
    • 4.注释
    • 5. print 输出
    • 6. 代码组
  • 二、基本数据类型
  • • (一)、变量赋值
    • • 1.1 无需类型声明
      • 1.2 多种赋值方式
    • （二）、标准数据类型
    • • 2.1 数字（Numbers）
      • • 2.1.1 不可变类型
        • 2.1.2 支持类型
        • 2.1.3 删除对象引用
      • 2.2 字符串（String）
      • • 2.2.1 组成与索引
        • 2.2.2 切片操作
        • 2.2.3 运算符
    • （三）、数据类型的转换
    • • 3.1隐式类型转换——自动完成
      • 3.2显式类型转换——使用类型函数来转换
    • （四）、复合数据类型
    • • 4.1列表
      • 4.2 元组
      • 4.3集合（set）
      • 4.4字典（dict）
  • 三、运算符
  • • 1. 算术运算符
    • • 1.1 基本运算
      • 1.2 特殊运算
    • 2. 比较运算符
    • 3. 赋值运算符
    • • 3.1 基本赋值
      • 3.2 复合赋值
    • 4. 逻辑运算符
    • 5. 位运算符
    • 6. 成员运算符
    • 7. 身份运算符
    • 8. 运算符优先级
  • 四、判断与循环
  • • 1.判断
    • • if 语句
      • if – else 语句
      • if – elif – else 语句
    • 2. 循环语句
    • • for 循环
      • while 循环
      • 循环控制语句
  • 五、函数
  • • （一）、函数基础
    • • 1. 定义函数
      • 2. 调用函数
    • （二）、函数参数
    • • 1. 默认参数
      • 2. 可变参数
    • （三）、匿名函数
    • （四）、函数作为对象
  • 六、文件操作
  • • （一）、文件操作基础
    • • 1. 打开文件
      • 2. 读取文件
      • 3. 写入文件
    • （二）、上下文管理器
    • (三)、二进制文件操作
  • 七、模块导入与应用
  • • 1.Numpy：数值计算的基石
    • • 1.1 安装 Numpy
      • 1.2 导入 Numpy
    • 2.Pandas：数据处理的利器
    • • 2.1安装 Pandas
      • 2.2 导入 Pandas
    • 3.Matplotlib：数据可视化大师
    • • 3.1 安装 Matplotlib
      • 3.2 导入 Matplotlib
    • 4. 多模块协同使用
    • • 案例：分析学生成绩数据
      • 3.2 导入 Matplotlib
    • 4. 多模块协同使用
    • • 案例：分析学生成绩数据

本文只针对python在数学建模比赛中的应用，不是很全面哦~

一、基础语法

1. 标识符

由字母、数字、下划线组成，不能以数字开头，且区分大小写。单下划线开头的（_foo），表明是不能直接访问的类属性；双下划线开头的（__foo），代表类的私有成员；双下划线开头和结尾的（__foo__），用于特殊方法标识。

2. 保留字符

像and、if等关键词，不能用作标识符。

3. 行和缩进

Python 利用缩进来表示代码块，同一代码块内，缩进的空格数必须保持一致。建议使用单个制表符、两个或四个空格，严禁混用。

a=1
if a==1:
print(a)
print("ture")
print("a是等于1的")
print("go")

4.注释

单行注释以#开头；多行注释使用三个单引号’''或三个双引号"“”。

5. print 输出

默认情况下，print 会换行输出。在变量末尾加上逗号（, ），可实现不换行输出。

x="a"
y="b"
# 换行输出
print x
print y

print '———'
# 不换行输出
print x,
print y,

# 不换行输出
print x,y

在同一行书写多个语句时，使用分号（;）进行分隔。

6. 代码组

缩进相同的一组语句构成代码组。if、while等复合语句，首行以关键字开头，以冒号结束，后续的代码组构成子句。

二、基本数据类型

(一)、变量赋值

1.1 无需类型声明

Python 中的变量赋值不需要类型声明。

每个变量在内存中创建，都包括变量的标识，名称和数据这些信息。

每个变量在使用前都必须赋值，变量赋值以后该变量才会被创建。

等号 = 用来给变量赋值。

等号**=** 运算符左边是一个变量名，等号**=** 运算符右边是存储在变量中的值。例如：

counter = 100 # 赋值整型变量
miles = 1000.0 # 浮点型
name = "John" # 字符串

print counter
print miles
print name

1.2 多种赋值方式

• 单个变量赋值：通过等号，直接将值赋予变量。如miles = 1000.0，将浮点型数据1000.0赋给变量miles。

• 多个变量赋相同值：使用a = b = c = 1的形式，系统会创建一个值为1的整型对象，让a、b、c三个变量同时指向这一内存空间。

• 多个变量赋不同值：采用a, b, c = 1, 2, "john"的方式，可分别将不同类型的值，对应地赋给多个变量。

（二）、标准数据类型

2.1 数字（Numbers）

2.1.1 不可变类型

数字数据类型用于存储数值。值得注意的是，当数字变量的值发生改变时，系统会为其分配新的对象。例如，当var1 = 1，若后续修改var1的值，系统将重新分配内存空间。

2.1.2 支持类型

• int（有符号整型）：主要用于表示整数，如10、-786等，涵盖了正整数、负整数和零。

• long（长整型，仅 Python 2.X）：在 Python 2.2 及之后的版本中，当int数据发生溢出时，会自动转换为long类型。在表示长整型数据时，可使用大写L或小写l，为避免与数字1混淆，建议使用大写L，如51924361L。

• float（浮点型）：用于表示带有小数部分的数值，如0.0、15.20等。

• complex（复数）：由实部和虚部组成，书写形式为a + bj，或者通过complex(a,b)函数创建，如3.14j。

2.1.3 删除对象引用

可使用del语句删除数字对象的引用。例如，del var1可删除变量var1的引用；del var_a, var_b则可同时删除多个变量的引用。

2.2 字符串（String）

2.2.1 组成与索引

字符串由数字、字母、下划线等字符组成。在字符串中，索引从左至右默认从0开始，从右至左默认从-1开始。例如，对于字符串’abcdef’，字符’a’的索引为0，字符’f’的索引为-1。

2.2.2 切片操作

借助[头下标:尾下标]的方式，可对字符串进行切片操作，从而截取子字符串。需要注意的是，截取的结果包含头下标对应的字符，但不包含尾下标对应的字符。如对’abcdef’执行[1:5]切片操作，将得到’bcde’。(包头不包尾)

2.2.3 运算符

字符串类型支持多种运算符：

• 连接运算符（+）：将两个字符串连接成一个新的字符串，如’Hello,’ + 'World!‘结果为’Hello,World!’。
• 重复运算符（*）：将字符串重复指定次数，如’Hi’ * 3结果为’HiHiHi’。

（三）、数据类型的转换

a=100
print (type(a))
b=100.9
print (type(b))
c=True
print (type(c))

type()打印数据类型的函数

3.1隐式类型转换——自动完成

#隐式转换
ab=a+b
print(type(ab))

<class 'float'>

3.2显式类型转换——使用类型函数来转换

#强制转换
ab=a+int(b)
print(type(ab))
ab=int(a+b)
print(type(ab))

<class 'int'>
<class 'int'>

就是在想要转换的变量前面加一个身份

（四）、复合数据类型

4.1列表

4.2 元组

4.3集合（set）

4.4字典（dict）

三、运算符

1. 算术运算符

算术运算符主要用于执行基本的数学运算，涵盖加、减、乘、除等操作，既支持数值类型的运算，部分运算符还能作用于特定的序列类型。

1.1 基本运算

1.2 特殊运算

2. 比较运算符

比较运算符用于对两个值进行大小或相等关系的比较，其运算结果为布尔类型（True或False），在条件判断语句中应用广泛。

3. 赋值运算符

赋值运算符用于将数据值赋给变量，除了基本的赋值运算符=，还包括多种复合赋值运算符，以简化常见的运算操作。

3.1 基本赋值

3.2 复合赋值

4. 逻辑运算符

逻辑运算符用于组合多个条件语句，从而构建复杂的逻辑表达式，运算结果同样为布尔类型。

5. 位运算符

位运算符以二进制形式对数字进行操作，通过对二进制位的运算实现特定功能，在计算机底层操作、数据加密等领域应用频繁。

6. 成员运算符

成员运算符用于判断一个值是否属于某个序列，返回布尔类型的结果，在遍历和筛选数据时十分实用。

7. 身份运算符

身份运算符用于判断两个对象是否引用自同一个对象，即是否在内存中占据相同的位置，同样返回布尔类型结果。

8. 运算符优先级

当一个表达式中包含多个运算符时，Python 会依据既定的优先级规则来确定运算顺序。通常，乘除运算的优先级高于加减运算。合理使用括号可以改变运算的优先级，使表达式的逻辑更加清晰。

举例说明：

result = 3 + 5 * 2 # 先执行乘法，再执行加法，结果为13
result = (3 + 5) * 2 # 先执行括号内的加法，再执行乘法，结果为16

四、判断与循环

1.判断

if 语句

if语句是 Python 中最基本的条件判断结构，其作用是当指定条件为True时，执行相应的代码块。语法如下：

if condition:
# 条件为 True 时执行的代码块
pass

在上述代码中，condition是一个表达式，它的结果要么是True，要么是False。pass是占位符，当你暂时不想编写具体代码时，可以使用它。举个例子：

age = 18
if age >= 18:
print("你已成年")

if – else 语句

if – else语句用于在条件为True和False时，分别执行不同的代码块。语法如下：

if condition:
# 条件为 True 时执行的代码块
pass
else:
# 条件为 False 时执行的代码块
pass

沿用上面的例子，我们添加else分支：

age = 16
if age >= 18:
print("你已成年")
else:
print("你未成年")

if – elif – else 语句

if – elif – else语句用于多个条件的判断，会按顺序依次检查每个条件，一旦某个条件为True，就会执行对应的代码块，后续的条件将不再检查。语法如下：

if condition1:
# condition1 为 True 时执行的代码块
pass
elif condition2:
# condition2 为 True 时执行的代码块
pass
else:
# 所有条件都为 False 时执行的代码块
pass

假设我们要根据学生的成绩给出评级：

score = 85
if score >= 90:
print("A")
elif score >= 80:
print("B")
elif score >= 70:
print("C")
else:
print("D")

2. 循环语句

for 循环

for循环用于遍历可迭代对象，如列表、元组、字符串等。语法如下：

for item in iterable:
# 针对每个 item 执行的代码块
pass

遍历列表示例：

fruits = ["苹果", "香蕉", "橙子"]
for fruit in fruits:
print(fruit)

range()函数常与for循环搭配使用，生成一系列整数。例如，打印 0 到 4 的数字：

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

while 循环

while循环会在指定条件为True时，重复执行代码块。语法如下：

while condition:
# 条件为 True 时执行的代码块
pass

比如，实现一个简单的倒计时：

count = 5
while count > 0:
print(count)
count -= 1

循环控制语句

break：用于立即终止循环，跳出整个循环体。例如，在遍历列表时，找到特定元素后终止循环：

nums = [1, 2, 3, 4, 5]
for num in nums:
if num == 3:
break
print(num)

continue：用于跳过当前循环的剩余代码，直接开始下一次循环。如，打印列表中的奇数：

nums = [1, 2, 3, 4, 5]
for num in nums:
if num % 2 == 0:
continue
print(num)

五、函数

（一）、函数基础

1. 定义函数

在 Python 中，使用def关键字定义函数，具体语法结构为def 函数名(参数列表): 函数体。下面以一个简单的加法函数为例：

def add(a, b):
return a + b

在这段代码里，add是函数名，它是函数的唯一标识，通过函数名可调用函数。a和b是参数，作为函数的输入数据，在函数被调用时，会接收外部传入的值。return语句用来返回函数的计算结果，将函数的处理结果反馈给调用者。

2. 调用函数

定义好函数后，就可以在代码的其他位置调用它。调用函数的方式是使用函数名，并在括号内传入相应参数。

result = add(3, 5)
print(result)

上述代码通过add(3, 5)的形式，将 3 和 5 作为参数传入add函数。程序会执行函数内部的代码，即计算a + b，然后返回计算结果，赋值给result变量，最后通过print函数输出结果。

（二）、函数参数

1. 默认参数

在定义函数时，可以为参数设置默认值。当调用函数时不传入该参数，函数会使用默认值。这在很多场景下都能简化函数调用，提高代码的灵活性。

def greet(name, message="Hello"):
print(f"{message}, {name}!")

greet("Alice")
greet("Bob", "Hi")

在上述代码中，message参数有默认值"Hello"。第一个调用greet(“Alice”)时，由于没有传入message参数，函数会使用默认的问候语"Hello"；第二个调用greet(“Bob”, “Hi”)时，传入了新的问候语"Hi"，函数会使用传入的值。

2. 可变参数

有时候，我们不确定会传入多少个参数，这时可以使用可变参数。可变参数有两种形式：*args和**kwargs。

*args用来收集多个位置参数，这些参数会被封装成一个元组。如下示例：

def print_args(*args):
for arg in args:
print(arg)

print_args(1, 2, 3)

**kwargs用来收集多个关键字参数，这些参数会被封装成一个字典，键为参数名，值为参数值。

def print_kwargs(**kwargs):
for key, value in kwargs.items():
print(f"{key}: {value}")

print_kwargs(name="Alice", age=25)

在实际开发中，这两种可变参数形式能让函数适应不同数量和类型的参数输入，增强函数的通用性。

（三）、匿名函数

Python 中的匿名函数，也叫lambda函数，通常用于定义简单的、一次性的函数。lambda 函数没有函数名，使用lambda关键字定义，后面跟着参数，冒号后面是返回值的表达式。

square = lambda x: x ** 2
print(square(4))

lambda 函数适用于一些简单的、不需要重复使用的函数场景。比如在sorted、map、filter等函数中作为参数。下面以sorted函数为例：

students = [
{"name": "Alice", "age": 20},
{"name": "Bob", "age": 18}
]
sorted_students = sorted(students, key=lambda item: item["age"])
print(sorted_students)

上述代码通过lambda item: item["age"]定义了排序的依据，让sorted函数按学生年龄对列表进行排序。

（四）、函数作为对象

在 Python 中，函数是一等公民，可以像其他数据类型一样进行传递、赋值和作为参数。这意味着函数可以被赋值给变量，作为参数传递给其他函数，甚至作为其他函数的返回值。

def operate(a, b, func):
return func(a, b)

def multiply(a, b):
return a * b

result = operate(3, 4, multiply)
print(result)

在operate函数中，func参数接收一个函数对象。通过这种方式，operate函数可以根据传入的不同函数，实现不同的运算逻辑，这为 Python 的函数式编程奠定了基础，使代码具备更高的灵活性和抽象性。

六、文件操作

（一）、文件操作基础

1. 打开文件

在 Python 里，借助open()函数打开文件。其最基本的语法是open(文件名name, 打开模式mode)，打开模式决定了对文件的操作权限。

file = open('example.txt', 'r')

上述代码以只读模式（r）打开名为example.txt的文件。r表示只能读取文件内容，不能修改文件。其他常用的打开模式还有w（写入模式，会覆盖原有内容）、a（追加模式，在文件末尾添加内容）。

2. 读取文件

文件打开后，就可以读取文件内容。read()方法用于读取整个文件，readline()方法每次读取一行。

file = open('example.txt', 'r')
content = file.read()
print(content)

file.seek(0) # 将文件指针移到文件开头
line = file.readline()
print(line)
file.close()

seek(0)方法把文件指针移到文件开头，以便再次读取文件。使用完文件后，务必调用close()方法关闭文件，防止资源泄露。

3. 写入文件

若要写入文件，可使用write()方法。下面以写入模式打开文件，并写入内容：

file = open('example.txt', 'w')
file.write('这是新写入的内容')
file.close()

若使用追加模式a，新内容会添加到文件末尾，而不会覆盖原有内容。

（二）、上下文管理器

频繁地打开和关闭文件不仅繁琐，还容易引发错误。Python 的with语句能有效解决这一问题。

with open('example.txt', 'r') as file:
content = file.read()
print(content)

使用with语句时，文件会在代码块执行完毕后自动关闭，即便代码块中发生异常，也能确保文件正确关闭，极大地简化了代码，提高了代码的安全性。

(三)、二进制文件操作

除了文本文件，Python 也能处理二进制文件，如图片、音频、视频等。以读取和写入图片文件为例：

with open('image.jpg', 'rb') as input_file:
with open('new_image.jpg', 'wb') as output_file:
data = input_file.read()
output_file.write(data)

rb表示以二进制只读模式打开文件，wb表示以二进制写入模式打开文件。在处理二进制文件时，务必使用二进制模式，防止数据损坏。

七、模块导入与应用

1.Numpy：数值计算的基石

Numpy 是 Python 科学计算的基础库，它提供了高性能的多维数组对象，以及用于处理这些数组的工具。无论是简单的数学运算，还是复杂的机器学习算法，Numpy 都是不可或缺的工具。

1.1 安装 Numpy

如果你使用的是 Anaconda，那么可以在终端中使用如下命令进行安装：

conda install numpy

若你没有安装 Anaconda，也可以使用 pip 进行安装：

pip install numpy

1.2 导入 Numpy

在 Python 脚本或交互式环境中，通常使用如下方式导入 Numpy：

import numpy as np

这种导入方式，让np成为numpy的别名，后续使用 Numpy 功能时，调用np即可，极大提高代码的简洁性。比如创建一个一维数组：

arr = np.array([1, 2, 3, 4, 5])
print(arr)

2.Pandas：数据处理的利器

Pandas 是专门用于数据处理和分析的库，它提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。

2.1安装 Pandas

使用 Anaconda 安装 Pandas，在终端输入：

conda install pandas

使用 pip 安装的命令如下：

pip install pandas

2.2 导入 Pandas

在 Python 代码中，常用如下方式导入 Pandas：

import pandas as pd

以读取 CSV 文件为例，展示 Pandas 的基本用法：

data = pd.read_csv('example.csv')
print(data.head())

3.Matplotlib：数据可视化大师

Matplotlib 是 Python 中最常用的数据可视化库，它能帮助我们将数据以各种图表的形式呈现出来，让数据更加直观易懂。

3.1 安装 Matplotlib

通过 Anaconda 安装：

conda install matplotlib

使用 pip 安装：

pip install matplotlib

3.2 导入 Matplotlib

在 Python 脚本中，通常这样导入 Matplotlib 的pyplot模块：

import matplotlib.pyplot as plt

下面通过一个简单的示例，绘制一条折线图：

import numpy as np
import matplotlib.pyplot as plt

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

4. 多模块协同使用

在实际的数据分析项目中，这三个模块通常会协同工作。下面通过一个综合案例，展示它们如何配合完成一个简单的数据分析任务。

案例：分析学生成绩数据

假设有一份学生成绩的 CSV 文件，包含学生姓名、各科成绩等信息。我们将使用 Pandas 读取数据，Numpy 进行数据计算，Matplotlib 绘制成绩分布图表。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('scores.csv')

# 计算平均成绩
data['Average'] = np.mean(data[['Math', 'Science', 'English']], axis = 1)

# 绘制平均成绩分布直方图
plt.hist(data['Average'], bins = 10, edgecolor = 'black')
plt.xlabel('Average Score')
plt.ylabel('Number of Students')
plt.title('Distribution of Average Scores')
plt.show()

使用 pip 安装：

```python
pip install matplotlib

3.2 导入 Matplotlib

在 Python 脚本中，通常这样导入 Matplotlib 的pyplot模块：

import matplotlib.pyplot as plt

下面通过一个简单的示例，绘制一条折线图：

import numpy as np
import matplotlib.pyplot as plt

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

4. 多模块协同使用

在实际的数据分析项目中，这三个模块通常会协同工作。下面通过一个综合案例，展示它们如何配合完成一个简单的数据分析任务。

案例：分析学生成绩数据

假设有一份学生成绩的 CSV 文件，包含学生姓名、各科成绩等信息。我们将使用 Pandas 读取数据，Numpy 进行数据计算，Matplotlib 绘制成绩分布图表。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('scores.csv')

# 计算平均成绩
data['Average'] = np.mean(data[['Math', 'Science', 'English']], axis = 1)

# 绘制平均成绩分布直方图
plt.hist(data['Average'], bins = 10, edgecolor = 'black')
plt.xlabel('Average Score')
plt.ylabel('Number of Students')
plt.title('Distribution of Average Scores')
plt.show()