Python 基础与应用

网站愿景和使命

• 网站的开发，是为宣传Python的应用，对很多的教程进行整理、汇编而成。

• 所有的案例代码，都是在 Jupyter 测试运行后发布的，保证代码能够正确无误地执行。

• 教程的内容参考与使用了大量已有的网站、图书中的内容，在维护过程中，会对内容进行修改与加工，尽量避免版权问题。

Python简介

Python 是由 Guido van Rossum 在八十年代末和九十年代初，在荷兰国家数学和计算机科学研究所设计出来的。 Python 本身也是由诸多其他语言发展而来的,这包括 ABC、Modula-3、C、C++、Algol-68、SmallTalk、Unix shell 和其他的脚本语言等等。 像 Perl 语言一样，Python 源代码同样遵循 GPL(GNU General Public License)协议。 现在 Python 是由一个核心开发团队在维护，Guido van Rossum 仍然占据着至关重要的作用，指导其进展。

Python 特点

• 易于学习：Python有相对较少的关键字，结构简单，和一个明确定义的语法，学习起来更加简单。

• 易于阅读：Python代码定义的更清晰。

• 易于维护：Python的成功在于它的源代码是相当容易维护的。

• 一个广泛的标准库：Python的最大的优势之一是丰富的库，跨平台的，在UNIX，Windows和Macintosh兼容很好。

• 互动模式：互动模式的支持，您可以从终端输入执行代码并获得结果的语言，互动的测试和调试代码片断。

• 可移植：基于其开放源代码的特性，Python已经被移植（也就是使其工作）到许多平台。

• 可扩展：如果你需要一段运行很快的关键代码，或者是想要编写一些不愿开放的算法，你可以使用C或C++完成那部分程序，然后从你的Python程序中调用。

• 数据库：Python提供所有主要的商业数据库的接口。

• GUI编程：Python支持GUI可以创建和移植到许多系统调用。

• 可嵌入: 你可以将Python嵌入到C/C++程序，让你的程序的用户获得"脚本化"的能

目录

• Ⅰ Python基础
  • 1. Python入门
    • 1.1. Python基础
    • 1.2. Python中的数值类型
    • 1.3. Python 字符串
    • 1.4. 原始字符串和Unicode
    • 1.5. 变量
    • 1.6. 语句
    • 1.7. 获取用户输入
    • 1.8. 函数
    • 1.9. 程序剖析
    • 1.10. 模块
  • 2. 流程控制
    • 2.1. 控制流程
    • 2.2. 比较操作符
    • 2.3. 赋值技巧
    • 2.4. 布尔操作符
    • 2.5. 控制流的元素
    • 2.6. 控制流语句
    • 2.7. 更复杂的条件
    • 2.8. while 循环
    • 2.9. for循环和 range()函数
    • 2.10. while循环与if循环
    • 2.11. 导入模块
    • 2.12. 三剑客
    • 2.13. 用 sys.exit() 退出程序
  • 3. Python函数使用
    • 3.1. 函数
    • 3.2. 函数返回值和 return 语句
    • 3.3. 关键字参数和 print()
    • 3.4. 变量作用域
    • 3.5. global 语句
    • 3.6. 异常处理
    • 3.7. —个小程序：猜数字
  • 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. 增强的赋值操作
    • 4.5. 列表方法
    • 4.6. 字符串和元组
    • 4.7. 引用
  • 5. 字典
    • 5.1. 字典和结构化数据
    • 5.2. 创建和使用字典
    • 5.3. 使用数据结构对真实世界建模
    • 5.4. 实践项目
    • 5.5. Python字典遍历的几种方法
  • 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. 格式字符串进阶
  • 7. 异常处理
• Ⅱ Python 进阶
  • 1. 函数与抽象
    • 1.1. 调用函数的智慧
    • 1.2. 自定义函数
    • 1.3. 参数魔法
    • 1.4. 收集与使用参数
    • 1.5. 作用域
    • 1.6. 递归
  • 2. 面向对象
    • 2.1. Python3 面向对象
    • 2.2. 类
    • 2.3. 面向对象的概念
    • 2.4. 超类、接口与基类
    • 2.5. 类和元类的简单运用
    • 2.6. 构造函数
    • 2.7. 元素访问
    • 2.8. 属性
    • 2.9. 面向对象设计小结
  • 3. 模块
    • 3.1. 模块‌
    • 3.2. 探索模块‌与包
    • 3.3. 数据结构模块
    • 3.4. 其他有趣的标准模块
  • 4. 函数式编程
    • 4.1. 什么是函数式编程
    • 4.2. 迭代器
    • 4.3. 生成器‌
    • 4.4. 使用迭代器相关模块
    • 4.5. 八皇后问题‌
  • 5. 调试
    • 5.1. 调试
    • 5.2. 反向跟踪异常
    • 5.3. 断言
    • 5.4. 日志
  • 6. 高级特性
    • 6.1. 容易忽略的不可变类型
    • 6.2. 列表推导式,生成器与迭代器
    • 6.3. 神奇的__call__与返回函数
    • 6.4. 函数式编程
    • 6.5. 谈谈python的动态属性
    • 6.6. 使用__slots__真的能省很多内存
    • 6.7. 闭包和装饰器
    • 6.8. 你真的了解类,对象,实例,方法吗
    • 6.9. 无聊的@property
    • 6.10. 拓展基本数据类型(dict)
• Ⅲ Python常用类库
  • 1. 正则表达式
    • 1.1. 模式匹配与正则表达式
    • 1.2. 用正则表达式查找文本模式
    • 1.3. 用正则表达式匹配更多模式
    • 1.4. 正则表达式字符详解
    • 1.5. 正则表达式方法详解
    • 1.6. 使用正则表达式切分字符串
    • 1.7. 项目：电话号码和 E-mail 地址提取程序
  • 2. 文件读写
    • 2.1. 文件与文件路径
    • 2.2. 文件读写过程
    • 2.3. Python 序列化
    • 2.4. 迭代文件内容
    • 2.5. 项目：生成随机的测验试卷文件
  • 3. 文件操作
    • 3.1. 组织文件
    • 3.2. 遍历目录树
    • 3.3. 用 zipfile 模块压缩文件
    • 3.4. 项目：将带有美国风格日期的文件改名为欧洲风格日期
    • 3.5. 项目：将一个文件夹备份到一个 ZIP 文件
    • 3.6. 实践项目
    • 3.7. 使用 python-libarchive-c 模块
  • 4. CSV与JSON
    • 4.1. csv 模块
    • 4.2. 项目：从 CSV 文件中删除表头
    • 4.3. JSON 和 API
    • 4.4. json 模块
    • 4.5. 项目：取得当前的天气数据
    • 4.6. 实践项目
  • 5. 日期与时间
    • 5.1. 保持时间、计划任务和启动程序
    • 5.2. 数字四舍五入
    • 5.3. 项目：超级秒表
    • 5.4. datetime 模块
    • 5.5. 回顾 Python 的时间函数
    • 5.6. 多线程
    • 5.7. Python3 多线程（二）
    • 5.8. 开始学习Python线程
    • 5.9. 线程模块
    • 5.10. 使用 threading 模块创建线程
    • 5.11. 线程同步
    • 5.12. 线程优先级队列（ Queue）
    • 5.13. 从Python启动其他程序
    • 5.14. 项目：简单的倒计时程序
  • 6. 文本文件
    • 6.1. Python中的Docutils模块介绍
    • 6.2. Python之markdown模块
    • 6.3. Python标准库difflib——比较序列
• Ⅳ Python日常工具
  • 1. 用 Python 处理电子表格
    • 1.1. 电子表格的介绍
    • 1.2. 使用 OpenpyXL 读取 XLSX 电子表格
    • 1.3. Python写入电子表格
    • 1.4. 处理电子表格的样式
    • 1.5. 案例：根据XLSX生成HTML
    • 1.6. 案例：使用电子表格生成章节结构
    • 1.7. 案例：生成统计表
    • 1.8. 使用电子表格作为配置文件（DSL）
    • 1.9. 格式化文本转换
  • 2. DOCX 文档解析与处理
    • 2.1. DOCX 文档格式介绍
    • 2.2. 使用python-docx 读取文档
    • 2.3. 使用python-docx 创建文档
    • 2.4. 实例：在文档内替换文字
    • 2.5. 实例：读取电子表格数据写入 DOCX 文档
    • 2.6. 实例：为章节添加编号
    • 2.7. 处理文档的样式
    • 2.8. 实例：合并 DOCX 文件
    • 2.9. 使用python-docx-template修改word文档
    • 2.10. 实例：Windows 下将 DOCX 文档转换为PDF格式
  • 3. 用Python进行图像处理
    • 3.1. 数字图像处理的基本概念
    • 3.2. 使用 Pillow 打开图像文件
    • 3.3. 使用 Pillow 处理图像
    • 3.4. 图像元数据以及Exif信息
    • 3.5. 实例：查询EXIF信息，获取地理位置
    • 3.6. 实例：统一图片格式
    • 3.7. 使用OpenCV对图像进行处理
    • 3.8. 实例：对 DOCX 中的图片进行批量处理
    • 3.9. 图片文字识别（OCR）
    • 3.10. 实例： 使用Pillow生成验证码
  • 4. 使用Python处理PDF文档
    • 4.1. PDF文档
    • 4.2. 读取PDF
    • 4.3. PyPDF4的页面处理
    • 4.4. 合并PDF
    • 4.5. 添加页码和水印
    • 4.6. 使用pdfminer3k模块
    • 4.7. 使用reportlab模块
    • 4.8. 实例：读取PDF内中文内容
  • 5. Web信息解析与处理
    • 5.1. web 的概念
    • 5.2. HTML介绍
    • 5.3. CSS
    • 5.4. 网页信息获取与解析
    • 5.5. Web页面解析
    • 5.6. 简单的爬虫
    • 5.7. selemium模块使用
  • 6. Web信息生成与发布
    • 6.1. 网站内容发布
    • 6.2. Python模板引擎
    • 6.3. Jinja2模板引擎的用法
    • 6.4. 实例：用HTML作为排版工具
    • 6.5. Python之markdown模块
    • 6.6. 使用Sphinx发布网页
    • 6.7. 使用Pelican发布网页
  • 7. 自动化Email处理
    • 7.1. E-mail 与电子邮件协议
    • 7.2. 接收邮件
    • 7.3. 发送邮件
    • 7.4. 邮件推送给多用户
    • 7.5. 发送HTML格式邮件
    • 7.6. 附件的使用
    • 7.7. 实例：将附件中内容添加到邮件正文
    • 7.8. 实例：定时发送Email
  • 8. 杂项
    • 8.1. Faker假数据生成器
• Ⅴ 专题
  • 1. Pillow图像处理
    • 1.1. 操作图像
    • 1.2. 用 Pillow 操作图像
    • 1.3. 项目：添加徽标
    • 1.4. 在图像上绘画
    • 1.5. 实践项目
  • 2. OpenCV处理
    • 2.1. 开始使用 OpenCV
  • 3. 数据库自动化报表处理：使用SQLite
    • 3.1. 数据库
    • 3.2. SQLite数据库
    • 3.3. 使用 Peewee 模块进行数据库的CRUD
    • 3.4. 实例：报表自动化生成
    • 3.5. 实例：将数据库信息导入到电子表格
    • 3.6. 使用数据库改进 Email 发送功能
    • 3.7. 使用 Peewee 扩展 SQLite 的使用
  • 4. Python和Web
    • 4.1. 网页抓取
    • 4.2. 使用 CGI 创建动态网页
    • 4.3. 使用 Web 框架
    • 4.4. Web 服务：更高级的抓取
    • 4.5. 小结
  • 5. Web信息处理
    • 5.1. 从Web抓取信息
    • 5.2. 用 requests 模块从Web下载文件
    • 5.3. 将下载的文件保存到硬盘
    • 5.4. HTML 基础知识
    • 5.5. 用 BeautifulSoup 模块解析 HTML
    • 5.6. 用 selenium 模块控制浏览器
  • 6. Web模板引擎
    • 6.1. Jinja2模板
  • 7. XML 处理
    • 7.1. 使用 lxml 模块处理XML
• Ⅵ 图像处理：使用scikit-image
  • 1. skimage数字图像处理基础
    • 1.1. scikit-image数字图像处理：环境安装与配置
    • 1.2. 图像的读取、显示与保存
    • 1.3. 图像像素的访问与裁剪
    • 1.4. 图像数据类型及颜色空间转换
    • 1.5. 图像的绘制
    • 1.6. python数字图像处理（6）：图像的批量处理
    • 1.7. python数字图像处理（7）：图像的形变与缩放
  • 2. skimage数字图像处理中级
    • 2.1. 对比度与亮度调整
    • 2.2. 直方图与均衡化
    • 2.3. Python数字图像处理：图像简单滤波
    • 2.4. 图像自动阈值分割
    • 2.5. python数字图像处理（12）：基本图形的绘制
    • 2.6. Python数字图像处理：基本形态学滤波
  • 3. skimage数字图像处理高级
    • 3.1. 高级滤波
    • 3.2. 霍夫线变换
    • 3.3. python数字图像处理（16）：霍夫圆和椭圆变换
    • 3.4. python数字图像处理（17）：边缘与轮廓
    • 3.5. python数字图像处理（18）：高级形态学处理
    • 3.6. python数字图像处理（19）：骨架提取与分水岭算法
• Ⅶ 科学计算
  • 1. NumPy数值计算
    • 1.1. NumPy-快速处理数据
    • 1.2. ufunc运算
    • 1.3. 矩阵运算
    • 1.4. 文件存取
  • 2. SciPy科学类库
    • 2.1. SciPy-数值计算库
    • 2.2. 函数最小值
    • 2.3. 非线性方程组求解
    • 2.4. B-Spline样条曲线
    • 2.5. 数值积分
    • 2.6. 解常微分方程组
    • 2.7. 滤波器设计
  • 3. SymPy符号运算
    • 3.1. SymPy-符号运算好帮手
    • 3.2. 球体体积
  • 4. Matplotlib绘图
    • 4.1. Matplotlib-绘制精美的图表
    • 4.2. 绘制多轴图
    • 4.3. 配置文件
    • 4.4. Artist对象
  • 5. Pandas 第一部分
    • 5.1. Pandas教程简介
    • 5.2. Pandas快速入门
    • 5.3. Pandas 序列（Series）
    • 5.4. Pandas数据帧（DataFrame）
    • 5.5. Pandas基本功能
    • 5.6. Pandas描述性统计
    • 5.7. Pandas函数应用
    • 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字符串和文本数据
    • 6.3. Pandas选项和自定义
    • 6.4. Pandas索引和选择数据
    • 6.5. Pandas统计函数
    • 6.6. Pandas窗口函数
    • 6.7. Pandas聚合
    • 6.8. Pandas缺失数据
    • 6.9. Pandas分组（GroupBy）
    • 6.10. Pandas合并/连接
    • 6.11. Pandas级联
  • 7. Pandas 第三部分
    • 7.1. Pandas日期功能
    • 7.2. Pandas时间差（Timedelta）
    • 7.3. Pandas分类数据
    • 7.4. Pandas可视化
    • 7.5. Pandas IO工具
    • 7.6. Pandas稀疏数据
    • 7.7. Pandas注意事项＆窍门
    • 7.8. Pandas与SQL比较
• Ⅷ 自然语言与知识图谱
  • 1. 结巴分词
    • 1.1. jieba介绍
    • 1.2. jieba结巴分词–关键词抽取（核心词抽取）
    • 1.3. jieba词性标注
    • 1.4. jieba添加自定义词典
    • 1.5. 并行分词
  • 2. NLTK库
    • 2.1. 使用 NLTK 分析单词和句子
    • 2.2. NLTK 与停止词
    • 2.3. NLTK 词干提取
    • 2.4. NLTK 词性标注
    • 2.5. NLTK 朴素贝叶斯分类器