🏠 总目录📚 本教程 00 · 怎么用这份教程 →
📑 本页目录(点开跳转)

00 · 怎么用这份教程

PYTHON / 00 · 选读指南

遇到问题,先查语言规则还是运行环境?

按眼前的症状选一站。先跟一个例子,再决定要不要沿整条路线读。

读完能选对入口、记下一个可验证的结果,并知道下次从哪儿接着做。

实验记录怎么读

本页原有耗时、内存、报错和环境值保留为原文记录;本轮内容审校未逐项复跑这些实验。版本、硬件、数据和测量方法都会影响结果,示例中的倍数也不是保证。需要复现时先核对依赖版本,再在同一输入下比较。

⏱ 36 分钟 | ⭐ 这不是 Python 入门 —— 是「你已经会写了,但它还是会咬你」的那十个地方

🎯 一句话

这套讲 Python 自己的运行规则:对象如何共享、生成器何时消耗、报错与环境怎样排查。 它面向已经会写变量、循环和函数的读者,不是从零教 Python 语法。程序慢或结果错可能有多种原因,这里帮助你检查语言与运行环境这一层。


时间是阅读估算,不含安装与练习。可以只看一道自测题,再按结果选章节;不要求一次读完。

🧩 一、先按问题找入口

你的问题 可以先去哪里 本次小目标
改了一个变量,另一个也变了 01 · 名字、对象和绑定 区分重新绑定与修改对象
第二次遍历没结果 02 · 生成器 观察数据是否已被消费
运行报错,不知道看哪行 07 · 异常与调试 从 traceback 找到出错位置
换台电脑就不能跑 08 · 环境与依赖 确认解释器和依赖来自哪里
想提速,但不知道改哪 05 · 怎么量 先得到可比较的基线

如果还没运行过任何 Python 程序,可先看 ML 首课的运行准备。那一页提供运行入口,但不能代替完整的语法入门课。

🚦 二、三道自测题:先判断这套适不适合你

不用查资料,先在心里回答,再跑一遍。有一题不确定,就从它指向的章节开始;答题不是入门资格考试。

# 三道自测题:先猜,再跑
import threading, time

# ① 可变默认参数
def f(x, seen=[]):
    seen.append(x)
    return seen
print("①", f(1), f(2), f(3))

# ② 生成器只能走一次
g = (i * i for i in range(5))
print("②", sum(g), "然后再来一次:", sum(g))

# ③ 纯 Python 的 CPU 活,多线程比串行快吗
def burn(n=2_000_000):
    s = 0.0
    for i in range(n):
        s += i * i
    return s

t0 = time.perf_counter(); [burn() for _ in range(4)]
serial = time.perf_counter() - t0

t0 = time.perf_counter()
ts = [threading.Thread(target=burn) for _ in range(4)]
[t.start() for t in ts]; [t.join() for t in ts]
threaded = time.perf_counter() - t0
print("③ 串行 %.2f s | 4 线程 %.2f s" % (serial, threaded))

本机(8 核 Windows / CPython 3.13)实际输出:

输出项 原文记录的结果 怎么理解
① 三次都是 [1, 2, 3] 同一个列表在打印前被追加了三次
② 30,然后是 0 生成器第一次求和后已消耗完
③ 串行 0.80 s;4 线程 0.81 s 一次机器相关的记录,不是你的预期秒数
题 大多数人的直觉 实际 讲在哪
① [1] [2] [3] 三次都是 [1, 2, 3],因为默认值只在定义函数那一刻造了一次 01 章
② 两次都是 30 第二次是 0,⚠️ 而且不报错 02 章
③ 4 线程快 3~4 倍 该次耗时接近,没有呈现 4 倍加速 04 章

⚠️ 三题的共同点:都不报错。这正是这一层最贵的地方 —— 报错的 bug 会被你修掉,不报错的会一直待在那里。

🗺️ 三、章节地图(11 章)

章 ⏱ 它回答的问题与短入口
00 怎么用这份教程 36 你在读的这一章
⭐ 01 名字、对象和绑定 56 a = b 到底复制了什么?为什么改一个另一个跟着变? 先分清名字和对象
02 生成器与惰性求值 74 yield 是「返回」还是「暂停」?为什么生成器只能走一次? 看两个名字怎样共用读取位置
03 装饰器与上下文管理器 138 @tool / @app.post / with open(...) 是怎么做到的? 先看进入和退出两个方法
⭐ 04 GIL:为什么多线程救不了你 94 线程、进程、async 三个该选哪个?判据是什么? 先区分等待和计算
⭐ 05 怎么量:计时、剖析、内存 90 全站在教怎么提速,怎么知道快没快? 先核对两次做的工作
06 类型标注是给工具看的 54 标注运行时不检查,那 FastAPI 和 @tool 是怎么用上它的? 先看普通标注的运行结果
07 异常、traceback 和调试 74 traceback 怎么读?except Exception: pass 到底吞掉了什么? 先找到自己代码的出错位置
08 环境、依赖和 import 118 换台电脑就不能运行时,解释器、依赖和搜索路径怎样查? 先核对解释器和依赖
09 容器、哈希与顺序 112 反复查找成员时,容器怎样影响成本? 对照常用容器的查找成本
10 编码、路径和文件 40 open() 不写 encoding 时,用的是谁的编码? 先分清文件编码和终端编码

正文 10 章合计 850 分钟 ≈ 14.2 小时;含本章 886 分钟 ≈ 14.8 小时。以上是按各章现有标注相加的阅读估算,另有按需查阅的附录。

已经拿到报错时,可以去附录 A 按报错原文查。程序没报错却给出意外结果时,改用症状表选章。

章与章的依赖(不想全读时看这个):

想读 卡在这里时,可以先补哪一节
02 / 04 / 09 遇到共用读取位置、线程共享数据或可变对象作键时,先回顾 01 的对象和绑定。
03 读包装函数时,先看 01 的作用域。读生成器写的上下文管理器时,先看 02 的暂停与恢复。
06 普通标注可直接读 06。看到 @tool 读的是包装层的签名时,先看 03 的签名对照。
05 的计时结果异常 怀疑第二次少处理了数据时,回顾 02 的一次性消费。

📋 四、三条读法路线

按当前问题选一条路线。每条路线先给一个可以单独完成的任务。后面的整章顺序留作需要时参考。

路线 A |「线上崩了,我要能查」(约 288 分钟,分几次读)

第一站 · 从报错留下一条线索

07 异常与 traceback → 10 编码、路径和文件 → 01 名字与绑定 → 08 环境与 import

定位现场后,按证据分支。文件解码和路径去 10,共享状态去 01,换环境才出现的问题去 08。

路线 B |「脚本太慢,我要它快起来」(约 370 分钟,分几次读)

第一站 · 核对两次做的是同一份工作

⭐ 05 怎么量 → 04 GIL 与并发选择 → 02 生成器 → 09 容器与哈希

有基线后按瓶颈选下一站。等待和计算怎样重叠看 04,一次性读取和峰值内存看 02,反复查找成员看 09。

路线 C |「把一次性脚本变成别人能用的东西」(约 384 分钟,分几次读)

第一站 · 把当前的运行环境写下来

08 环境与依赖 → 06 类型标注 → 03 装饰器与上下文管理器 → 07 异常

运行入口能复现后,去 06 写清接口,再用 03 处理包装与资源清理,最后用 07 留下别人能追查的异常信息。

🧯 五、四条分工线:什么归这里,什么不归

⭐ 越界就是重复内容,所以这几条写死在这里:

话题 归谁 为什么这么分
名字绑到对象(a = b、可变默认参数、copy / deepcopy、id()) ⭐ 本板块 01 这是语言层面的对象模型
缓冲区被共享(view / stride / .copy()) NumPy 那一层 同样叫「共享」,但共享的是内存缓冲区不是名字,机制完全不同
谁负责释放(所有权 / RAII) C++ 那一层 Python 会自动回收对象,但文件、锁和连接等资源仍需及时释放;本套 03 讲 with
计时 / 剖析方法论(timeit 取 min、预热、cProfile 怎么读) ⭐ 本板块 05 用测量结果判断优化是否真的有效

还有三处是站内已经讲透的,本板块只链过去不重做:

话题 已经讲在哪 本板块的边界
async / 事件循环 ⭐ AI全栈 03 · 后端骨架 第三节,带实跑对照 04 章 只讲「三种并发怎么选」和「线程什么时候有用」,不重讲 async 语法
结构化日志 AI全栈 15 · 可观测性 07 章只讲异常机制与本地调试,不做日志体系
pytest / 测不确定的系统 AI全栈 15b · 怎么测不确定的系统 本板块不设测试章;07 只讲 assert 的语义坑

🛠️ 六、明确不讲什么

免得你翻半天找不到:

不讲 理由
语法入门(if / for / 函数怎么定义) 这里假定你能读写这些基本语句;自测题用于选路,不用于证明你已经具备语法基础
Web 框架用法(FastAPI 路由、Pydantic 模型) AI全栈 整个板块在讲
pandas / NumPy 的 API 那是库不是语言,属于另外的板块
面向对象设计(继承体系、设计模式) 写 AI / 数据代码时它不是主要的咬人来源;真正咬人的是「类属性被所有实例共享」这种,讲在 01 章
asyncio 完整体系(任务、取消、超时组) 归 AI全栈 03,04 章只做选择判据

📐 七、关于本板块里的数字

下表记录本页三道自测所用的原始环境。其他示例的版本、数据和测量方法以各节说明为准。

项 值
系统 / CPU Windows 11 / 8 逻辑核
Python CPython 3.13.14(64 位)
multiprocessing 默认启动方式 spawn
sys._is_gil_enabled() True(未开 free-threaded 构建)
locale.getpreferredencoding(False) ⚠️ cp936
sys.stdout.encoding ⚠️ gbk

⭐ 复查时先固定输入、环境和测量范围。秒数、倍数和峰值内存都可能随条件变化,比较结果要连同条件一起记录。 最后两行本身就是 10 章 的正题:本仓库有过一次站点从 156 张图掉到 75 张的事故,根因就是那两行。

🔗 这一章连到哪里

相关的地方 为什么
AI全栈 03 · 后端骨架 它讲 async 在 Web 服务里解什么、以及别阻塞事件循环。⭐ 它在第 111 行把 CPU 密集的活指向了「线程池或独立进程」,04 章 补上「什么时候该选哪个」的判据
机器学习与深度学习基础 附录B-代码速查 它的「⚡ 提速」一节给了三招却没给测量手段,05 章 补的就是那半边
智能体工程教程 18 · 挑战项目A-手搓Agent框架 那道题要你「读函数的类型注解和 docstring 自动生成 schema」,它依赖的闭包 / wraps / signature 在 03 章
强化学习基础 08 · DQN 那一行 deepcopy(net) 的正确性完全依赖 01 章:写成 = net 会让 target 网络静默失效
数据这一关 04 · 脏数据的十种形态 它讲「这批 CSV 是不是坏的」,10 章 讲「我的进程默认按什么编码读写」,两个视角合起来才完整
模型上线之后 17 · 版本回溯与可复现 它假定「环境能重建」这件事已经成立,08 章 讲怎么重建
代码题拆解 00 · 怎么刷代码题 ⭐ 想拿这一套的知识练手:那 25 道题全是可直接运行的 Python,而它们踩的坑正是这里讲的那些 —— 多重赋值的求值顺序(01 章)、dict 保序而 set 不保序(09 章)

参考:Python 官方 threading 文档说明了 GIL 对纯 Python 计算的限制,以及 free-threaded 构建这一例外。

✅ 检查点

  1. 程序慢时应先建立什么基线?换台机器不能跑时去哪里查?
  2. 三道自测题分别考的是哪三章?它们有什么共同点?
  3. 第 ① 题为什么三次都返回 [1, 2, 3]?
  4. 第 ③ 题在本机的实测结果是什么?和大多数人的直觉差在哪?
  5. 三条读法路线分别是什么场景?路线 B 为什么建议先测量?
  6. 「名字绑到对象」和「缓冲区被共享」为什么要分给两个不同的板块?
  7. 本板块明确不讲哪五类东西?async 的完整体系归哪里?
  8. 为什么章里的绝对秒数不用去对?
👀 答案
  1. 先在相同输入、环境与测量方式下记录耗时,再比较修改前后。环境问题先查 08 · 环境与依赖。

  2. ① 可变默认参数 → 01 章;② 生成器只能走一次 → 02 章;③ 启用 GIL 时纯 Python 的 CPU 计算不易靠线程加速 → 04 章。共同点是三个都不报错 —— 报错的 bug 会被修掉,不报错的会一直留着。

  3. 默认值 [] 在定义函数那一刻只创建一次,之后每次调用共用同一个列表,所以 f(1) f(2) f(3) 三次拿到的都是同一个已经被追加过三次的列表:[1, 2, 3]。
  4. 原文记录串行 0.80 s、4 线程 0.81 s,二者接近但不相等。这个纯 Python 计算例子在启用 GIL 的 CPython 下不能靠线程并行执行 Python 字节码;free-threaded 构建及释放 GIL 的扩展需要另看条件。
  5. A =「线上崩了要能查」(07→10→01→08)、B =「脚本太慢」(05→04→02→09)、C =「把脚本变成别人能用的东西」(08→06→03→07)。B 建议先去 05 确认每次做了同样的工作,再建立基线,用测量定位瓶颈和验证变化。
  6. 因为共享的东西不是一回事:a = b 共享的是同一个对象(名字层面),NumPy 的 view 共享的是同一块内存缓冲区(stride / 偏移层面),机制和急救手段都不同,混在一起讲会让两边都说不清。
  7. 语法入门、Web 框架用法、pandas / NumPy 的 API、面向对象设计、asyncio 完整体系。async 归 AI全栈 03,本板块 04 章只做「三种并发怎么选」的判据。
  8. 原文结果来自特定输入和环境。复查时先固定工作量和计量范围,再记录自己的结果。即使是倍数和峰值,也会受版本、机器和负载影响。

本节回顾

⚡ 走神救援

中断前留一句「现象 → 查到哪一步 → 下次只做什么」,再保存当时的小节链接。例如「第二次运行更快 → 处理项数变成 0 → 回等量工作对照,每次重建迭代器后再量」。没有留下笔记时,回到三条读法路线,挑一条的第一站即可。

下一节 👉 01-名字、对象和绑定.md

打卡记录保存在你的浏览器里,首页能看到总进度