1.7 开发工具与辅助功能入门

写代码只是工作的一部分，让代码正确运行、便于调试、可复现环境，才是完整的开发流程。Python 生态提供了丰富的辅助工具，从自动格式化到代码检查，从交互调试到环境管理，每一类工具都解决一个具体的工程痛点。本章将这些工具按用途分组介绍，重点是掌握每个工具的核心命令和适用场景。初学者常常因为环境问题而卡住，理解这些工具能帮你跳出困境。

1.7.1 代码格式化工具

上一章详细讲了 PEP 8，但手动遵守每一条规则既繁琐又容易遗漏。代码格式化工具能自动把代码调整为符合规范的样子，让开发者把精力放在逻辑上。Python 社区目前最流行的两款格式化工具是 black 和 autopep8，它们的理念截然不同。

black 的安装与使用

black 的安装通过 pip 完成，命令是 pip install black。安装完成后，直接对单个文件运行 black filename.py，black 会原地修改文件，把缩进、空格、引号、换行等全部调整为统一风格。如果你想先预览改动而不实际修改，可以加 --diff 参数，black 会输出差异而不写文件。

black 的设计哲学是不妥协。它几乎没有可配置项，开发者要么接受它的风格，要么不用。这种看似霸道的设计反而带来了好处：团队内部不再为风格争论，所有代码格式一致，代码评审时只关注逻辑。black 的口号是 The Uncompromising Code Formatter，翻译过来就是不妥协的代码格式化工具。

bash

pip install black
black my_script.py
black --diff my_script.py   # 预览改动
black src/                  # 格式化整个目录

python

# 格式化前
def calculate_area(length,width):
    return length*width

# black 格式化后
def calculate_area(length, width):
    return length * width

autopep8 的使用

autopep8 是另一款格式化工具，安装命令是 pip install autopep8。与 black 不同，autopep8 严格遵循 PEP 8，提供大量可配置参数，开发者可以选择性地应用某些规则。它的 --aggressive 参数控制修改力度，0 表示只做最基础的修改，1 和 2 逐渐加强。

autopep8 的灵活性是优点也是缺点。灵活性让团队可以定制风格，但定制过多又会让风格不统一。新项目通常推荐直接用 black，避免无谓的配置争论；老项目迁移时，autopep8 的渐进式修改更安全。

bash

pip install autopep8
autopep8 --in-place my_script.py        # 原地修改
autopep8 --aggressive my_script.py      # 加强修改力度
autopep8 --diff my_script.py            # 查看改动

1.7.2 代码检查工具

格式化工具解决的是风格问题，代码检查工具解决的是更深层的问题，例如未使用的变量、未导入的模块、潜在的 bug、过长的函数。检查工具不会自动修改代码，它只报告问题，开发者根据报告决定是否修改。Python 社区主流的检查工具是 flake8 和 pylint。

flake8 的安装与使用

flake8 是 pycodestyle、pyflakes 和 McCabe 三款工具的集合。pycodestyle 检查 PEP 8 风格，pyflakes 检查逻辑错误，McCabe 检查代码复杂度。安装命令是 pip install flake8，使用方法是 flake8 filename.py。flake8 会输出每个问题的行号、列号和问题代码，例如 E501 表示行过长，F401 表示导入了但未使用。

flake8 的输出格式紧凑，运行速度快，适合在编辑器中实时集成。大多数 Python IDE 都支持 flake8 插件，写代码时实时标红问题行。

bash

pip install flake8
flake8 my_script.py
flake8 --max-line-length=100 src/   # 自定义行宽上限

text

my_script.py:3:1: E302 expected 2 blank lines, found 1
my_script.py:5:80: E501 line too long (95 > 79 characters)
my_script.py:8:1: F401 'os' imported but unused

pylint 的使用

pylint 比 flake8 更严格，检查范围更广，包括命名规范、文档完整性、代码重复度等。pylint 的特点是会给代码打分，满分 10 分，扣分项写在报告里。这种打分机制让 pylint 在团队代码质量追踪中很有用，可以设置 CI 门槛，分数低于 8 分则拒绝合并。

pylint 的严格也带来一个副作用：误报较多。初学者看到 pylint 报告一堆问题会很沮丧，很多是风格偏好，可以关闭。建议在项目根目录放一个 .pylintrc 配置文件，关闭不关心的规则。

bash

pip install pylint
pylint my_script.py
pylint src/                # 检查整个目录

flake8 与 pylint 的选择

新项目可以从 flake8 起步，速度快、误报少。项目规模扩大后引入 pylint 做深度检查。两者可以并存，flake8 在编辑器中实时运行，pylint 在代码提交前运行一次。

1.7.3 交互式调试工具 pdb

程序出错时，最直接的排查方式是在出错的位置停下来，检查当时的变量值。pdb 是 Python 内置的交互式调试器，能让程序在指定位置暂停，然后逐行执行、查看变量、修改变量。掌握 pdb 能让你脱离 print 调试，更系统地定位 bug。

启动 pdb

启动 pdb 的传统方式是在代码中插入 import pdb; pdb.set_trace()。程序运行到这一行时会暂停，进入 pdb 交互界面，光标处显示 (Pdb) 提示符。Python 3.7 之后，内置了 breakpoint() 函数，它会自动调用当前配置的调试器，默认就是 pdb。breakpoint() 是更推荐的写法，更短且更通用。

python

def calculate_amount(price, quantity):
    total = price * quantity
    breakpoint()       # 程序在此暂停
    adjusted = total * 0.9
    return adjusted

calculate_amount(70, 10)

常用 pdb 命令

进入 pdb 后，你可以用单字母命令控制程序执行。常用的四个命令是 n、s、c、p。n 是 next 的缩写，执行当前行，遇到函数调用不进入。s 是 step 的缩写，执行当前行，遇到函数调用会进入函数内部。c 是 continue 的缩写，继续执行直到下一个断点。p 是 print 的缩写，打印变量值。

text

(Pdb) n            # 执行下一行，不进入函数
(Pdb) s            # 执行下一行，进入函数
(Pdb) c            # 继续执行到下一个断点
(Pdb) p price      # 打印变量 price 的值
70
(Pdb) p total      # 打印变量 total 的值
700
(Pdb) q            # 退出调试

print 调试与 pdb 调试的取舍

print 调试适合简单问题，几行代码就能定位。复杂问题涉及多个函数调用、变量层层传递，print 会把代码弄得满是调试语句，且每次修改都要重新运行。pdb 在断点处停下后，可以自由查看任何变量，无需修改源码，更适合复杂场景。

1.7.4 计时工具 time 模块

性能问题在数据分析中很常见。一个处理上万条数据的脚本，是 3 秒还是 30 秒，直接影响工作流。time 模块提供了基本的时间获取和计时功能，是性能分析的入门工具。

time.time() 与 time.sleep()

time.time() 返回当前时间的时间戳，是从 1970 年 1 月 1 日 0 点到现在的秒数，称为 Unix 时间戳。两次调用 time.time() 的差值就是中间代码的执行时间。time.sleep(n) 让程序暂停 n 秒，常用于模拟耗时操作或控制请求频率。

python

import time

start = time.time()

# 模拟耗时操作
total = 0
for i in range(1000000):
    total += i

end = time.time()
print(f"耗时: {end - start:.3f} 秒")

# 暂停 2 秒
time.sleep(2)
print("2 秒后")

对于更精确的计时，推荐使用 time.perf_counter()，它的精度比 time.time() 高，不受系统时间调整的影响。

python

import time

start = time.perf_counter()
# 待计时的代码
time.sleep(0.5)
end = time.perf_counter()
print(f"精确耗时: {end - start:.6f} 秒")

1.7.5 环境管理工具 conda

conda 是 Anaconda 和 Miniconda 提供的包与环境管理器，在数据科学和科学计算领域很流行。它的核心能力是创建隔离的 Python 环境，让不同项目使用不同的 Python 版本和依赖包，互不干扰。这一点对开发者尤其重要，因为不同项目常常要求不同的库版本。

conda 的基本命令

conda 的环境管理围绕几条命令展开。conda create -n envname python=3.11 创建一个名为 envname 的新环境，指定 Python 版本为 3.11。conda activate envname 激活该环境，激活后命令行提示符会显示当前环境名。conda deactivate 退出当前环境。conda env list 列出所有已创建的环境。conda remove -n envname --all 删除整个环境。

bash

conda create -n ml python=3.11
conda activate ml
conda deactivate
conda env list
conda remove -n ml --all

环境内安装包用 conda install package，查看已安装的包用 conda list。conda 安装包时会自动处理依赖，包括非 Python 的 C 库，这是 conda 相对 pip 的一大优势。

bash

conda install numpy pandas matplotlib
conda list

环境隔离的价值

设想你同时在做两个项目，一个用旧版 TensorFlow 训练图像分类模型，另一个用新版 PyTorch 做数据分析。两个项目对 NumPy 版本的要求冲突，共用一个环境会导致其中一个跑不起来。conda 环境把每个项目的依赖隔离开，互不影响，这是工程实践的基本要求。

1.7.6 pip 与 conda 的区别与协同

pip 和 conda 都能安装 Python 包，初学者常常混淆它们的角色。理解两者的区别，能避免环境混乱和依赖冲突。

pip 是 Python 官方的包管理器，只安装 Python 包，依赖 PyPI（Python Package Index）仓库。conda 是 Anaconda 公司的包管理器，安装范围包括 Python 包和非 Python 依赖，例如 C 库、CUDA 驱动、R 语言包，依赖 Anaconda 仓库或 conda-forge 社区仓库。生物信息学中常见的 samtools、bcftools 等工具，pip 装不了，conda 可以。

两者可以混用，但顺序很重要。原则是先用 conda，再用 pip。conda 安装的包会写入环境的元数据，pip 在 conda 环境中安装的包则不一定。如果先 pip 安装再 conda 安装，conda 可能会卸载或覆盖 pip 装的包，导致环境损坏。

bash

# 推荐：先 conda 再 pip
conda install numpy pandas
pip install some-pypi-only-package

混用顺序

不要在 conda 环境中随意切换 pip 和 conda。如果发现依赖混乱，最稳妥的办法是删除环境重建，而不是逐个卸载。

1.7.7 requirements.txt 文件的生成与安装

当项目需要在另一台机器上运行时，最关键的是复现依赖环境。requirements.txt 是 pip 的依赖清单文件，列出了项目所需的所有 Python 包及版本。这个文件是 Python 项目协作的标准产物，类似于实验的器材清单。

生成 requirements.txt 最简单的方式是 pip freeze > requirements.txt，它把当前环境所有已安装的包及其精确版本写入文件。在另一台机器上，运行 pip install -r requirements.txt 即可按清单安装。

bash

pip freeze > requirements.txt
pip install -r requirements.txt

pip freeze 的缺点是会把当前环境的所有包都写进去，包括无关的包。更精细的做法是使用 pip-tools 或手动维护一个精简的 requirements.txt，只列出直接依赖。大型项目通常区分 requirements.txt 和 requirements-dev.txt，前者是运行依赖，后者是开发工具依赖。

text

# requirements.txt 示例
numpy==1.24.3
pandas==2.0.3
matplotlib==3.7.2
scikit-learn==1.3.0

1.7.8 environment.yml 文件的导出与导入

conda 环境可以用 environment.yml 文件完整记录，包括 Python 版本、所有 conda 包和 pip 包。这个文件是 conda 版的 requirements.txt，但信息更全，能复现整个环境。

导出环境用 conda env export > environment.yml，导入环境用 conda env create -f environment.yml。导出的 yml 文件包含频道、依赖、pip 子项，可以在任何安装了 conda 的机器上重建环境。

bash

conda env export > environment.yml
conda env create -f environment.yml

environment.yml 文件的结构如下，channels 指定包来源，dependencies 列出 conda 包，pip 子项列出 PyPI 上的包。

yaml

name: ml
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.11
  - numpy=1.24.3
  - pandas=2.0.3
  - pip:
    - scikit-learn==1.3.0
    - matplotlib==3.7.2

跨平台复现的注意

conda env export 会包含平台特定的包版本，从 Windows 导出的 yml 在 Linux 上可能装不上。跨平台分享时，建议用 conda env export --from-history，只导出手动安装的包，让目标平台自动解析依赖版本。

1.7.9 使用 jupyter notebook 生成配置文件

Jupyter Notebook 是数据科学领域常用的交互式环境，开发者用它分析数据、可视化指标趋势非常方便。默认配置在大多数场景下够用，但有时需要修改默认目录、监听端口、密码等。Jupyter 提供了 jupyter notebook --generate-config 命令生成配置文件。

bash

jupyter notebook --generate-config

运行后会在用户目录下生成 ~/.jupyter/jupyter_notebook_config.py，文件内容是大量被注释的配置项。取消注释并修改对应行即可生效。常见配置包括修改默认启动目录、禁用浏览器自动打开、修改监听端口。

python

# jupyter_notebook_config.py 节选

# 修改默认启动目录
c.NotebookApp.notebook_dir = 'D:/data_analysis'

# 禁用启动时自动打开浏览器
c.NotebookApp.open_browser = False

# 修改监听端口
c.NotebookApp.port = 8888

# 允许远程访问
c.NotebookApp.allow_remote_access = True

修改配置后重启 Jupyter Notebook 即可生效。配置文件是纯 Python 代码，所有配置项都以 c. 开头，可以写条件判断和函数调用，灵活性很高。

1.7.10 Jupyter Notebook 的魔术命令

Jupyter Notebook 提供了一系列魔术命令（magic commands），以 % 或 %% 开头，提供便捷功能。% 开头是行魔术，作用于单行；%% 开头是单元格魔术，作用于整个单元格。掌握几个常用魔术命令能显著提升工作效率。

%timeit 计时

%timeit 自动多次执行一行代码，输出平均耗时和标准差，适合精确测量小代码片段的性能。它会自动选择执行次数，结果比手动 time.time() 更可靠。

python

import numpy as np

# 测量列表推导的性能
%timeit sum([x**2 for x in range(1000)])

# 测量 numpy 向量化的性能
arr = np.arange(1000)
%timeit np.sum(arr**2)

%matplotlib inline 内联绘图

%matplotlib inline 让 matplotlib 绘制的图形直接显示在 Notebook 单元格输出中，而不是弹出新窗口。这条命令在数据分析中几乎必用，是 Jupyter 数据可视化的基础。新版 Jupyter 默认已经启用，但显式写一遍仍是好习惯。

python

%matplotlib inline
import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.show()

%run 运行脚本

%run 在 Notebook 中运行一个外部 Python 脚本，脚本中定义的变量和函数会导入当前 Notebook。这个命令适合把分析逻辑放在独立脚本中，用 Notebook 做交互探索。

python

%run preprocessing.py
# 现在可以使用 preprocessing.py 中定义的函数
clean_data = clean_raw_data(raw_data)

%%time 单元格计时

%%time 是单元格魔术，测量整个单元格的执行时间，只执行一次。与 %timeit 的区别在于 %%time 适合耗时较长的代码，%timeit 适合快速代码的精确测量。

python

%%time
import pandas as pd

df = pd.read_csv("large_dataset.csv")
df.groupby("category").mean()

1.7.11 使用 help() 函数获取在线文档

Python 内置的 help() 函数是最直接的文档查询方式，不需要联网，不需要切换窗口。在交互式环境或 Notebook 中，输入 help(对象) 即可显示该对象的文档字符串、方法列表、参数说明。

查询函数和类型

help(print) 显示 print 函数的用法，包括参数 sep、end、file 的含义。help(str) 显示字符串类型的全部方法及说明。查询时建议针对具体问题查具体对象，例如想知道列表怎么排序，就 help(list.sort)。

python

help(print)
help(str)
help(list.sort)

help() 的输出基于对象的 __doc__ 属性，因此自定义函数只要写了 docstring，help() 也能显示。这进一步说明 docstring 的重要性。

python

def calculate_area(length, width):
    """
    计算矩形面积。

    Args:
        length (float): 长度，单位 m。
        width (float): 宽度，单位 m。

    Returns:
        float: 面积，单位 m²。
    """
    return length * width

help(calculate_area)

1.7.12 使用 dir() 函数查看对象属性与方法

dir() 函数返回对象的所有属性和方法名列表，是一个快速探索未知对象的工具。当你拿到一个新库，不知道某个对象有哪些方法时，先 dir() 一遍能快速建立全局印象。

查看 str 与 list 的方法

dir(str) 返回字符串类型的所有方法名，包括 upper、lower、split、join 等常用方法，也包括以双下划线开头结尾的特殊方法（dunder methods），例如 __len__、__add__。dir([]) 等价于 dir(list)，返回列表的方法名。

python

print(dir(str))
print(dir([]))

输出会包含很多以双下划线开头的名字，这些是 Python 的特殊方法，通常不需要直接调用。初学者可以重点关注不带下划线的方法名，这些是日常使用的公开接口。

text

['__add__', '__class__', '__contains__', ..., 'capitalize', 'casefold',
 'center', 'count', 'encode', 'endswith', 'expandtabs', 'find',
 'format', 'format_map', 'index', 'isalnum', 'isalpha', 'isascii',
 'isdecimal', 'isdigit', 'isidentifier', 'islower', 'isnumeric',
 'isprintable', 'isspace', 'istitle', 'isupper', 'join', 'ljust',
 'lower', 'lstrip', 'maketrans', 'partition', 'removeprefix',
 'removesuffix', 'replace', 'rfind', 'rindex', 'rjust', 'rpartition',
 'rsplit', 'rstrip', 'split', 'splitlines', 'startswith', 'strip',
 'swapcase', 'title', 'translate', 'upper', 'zfill']

dir() 与 help() 配合使用是探索式编程的利器。先用 dir() 看到对象有哪些方法，再用 help() 查具体方法的用法，可以脱离网络文档独立学习。这种自给自足的查询能力，是 Python 学习中需要尽早建立的习惯。

练习题

第1题概念理解

解释 pip freeze > requirements.txt 和 pip install -r requirements.txt 这两条命令各自的作用，以及它们如何配合实现环境复现。再说明 pip freeze 的一个主要缺点。

参考答案

pip freeze > requirements.txt 把当前环境所有已安装的包及其精确版本写入 requirements.txt 文件。pip install -r requirements.txt 读取该文件，按清单安装指定版本的包。两者配合实现环境复现：在一台机器上导出依赖清单，到另一台机器上按清单安装，得到相同版本的依赖。

pip freeze 的主要缺点是会把当前环境的所有包都写进去，包括与项目无关的包。如果虚拟环境里装了很多临时试验用的库，它们也会被记录到 requirements.txt 中，导致清单臃肿。更精细的做法是用 pip-tools 或手动维护只列出直接依赖的精简清单。

第2题代码编写

使用 time 模块编写一段代码，对比用 for 循环累加和用 sum() 函数累加 1 到 1000000 的耗时差异。用 time.perf_counter() 计时，结果保留 6 位小数。

参考答案

python

import time

# 用 for 循环累加
start1 = time.perf_counter()
total1 = 0
for i in range(1, 1000001):
    total1 += i
end1 = time.perf_counter()
print(f"for 循环结果：{total1}，耗时 {end1 - start1:.6f} 秒")

# 用 sum 函数累加
start2 = time.perf_counter()
total2 = sum(range(1, 1000001))
end2 = time.perf_counter()
print(f"sum 函数结果：{total2}，耗时 {end2 - start2:.6f} 秒")

time.perf_counter() 返回高精度时间戳，两次调用的差值就是中间代码的耗时，比 time.time() 精度更高，不受系统时间调整影响。通常 sum() 配合 range() 比 for 循环快，因为 sum() 是内置函数，底层用 C 实现，省去了循环解释执行的开销。

第3题进阶练习

下面这段代码的输出不符合预期，请说明如何用 breakpoint() 进入 pdb 调试器定位问题，并列出调试时常用的 pdb 命令。

python

def calculate_average(values):
    total = sum(values)
    average = total / len(values)
    return average

data = [10, 20, 30]
result = calculate_average(data)
print(f"平均值：{result}")

假设运行时发现 result 是错误的值，想检查 total 和 average 的中间结果。

参考答案

在怀疑有问题的位置插入 breakpoint()，程序运行到这一行会暂停并进入 pdb：

python

def calculate_average(values):
    total = sum(values)
    breakpoint()  # 程序在此暂停
    average = total / len(values)
    return average

进入 pdb 后常用的命令有：n 执行下一行，不进入函数内部。s 执行下一行，遇到函数调用会进入函数内部。c 继续执行到下一个断点。p 变量名 打印变量的值，例如 p total 查看 total 的值。l 查看当前代码周围的几行。q 退出调试器。

调试时先 p total 检查总和是否正确，再 n 执行到下一行，p average 检查平均值计算。通过逐行执行和查看变量，能精确定位逻辑错误出在哪一步。

第4题项目实践

命令行任务管理器项目完成后，需要让别人也能运行。请思考这个项目应该如何管理依赖：用 pip 还是 conda，requirements.txt 应包含什么，新用户拿到代码后的安装步骤是什么。

参考答案

对于命令行任务管理器这类纯 Python 项目，用 pip 加 venv 管理依赖即可，无需引入 conda 增加复杂度。在项目根目录维护一个 requirements.txt，列出直接依赖及版本号。

新用户的安装步骤：

bash

# 1. 克隆或下载项目代码
# 2. 进入项目目录
cd task_manager

# 3. 创建虚拟环境
python -m venv .venv

# 4. 激活虚拟环境
# Windows
.venv\Scripts\activate
# macOS/Linux
source .venv/bin/activate

# 5. 安装依赖
pip install -r requirements.txt

# 6. 运行程序
python main.py

锁定版本号（如 requests==2.31.0）能避免因依赖更新导致的兼容性问题。项目开发完成后，用 pip freeze > requirements.txt 导出精确版本，确保其他用户复现的环境与自己一致。

常见错误

错误 1 · conda 与 pip 混用顺序错误导致环境损坏

原因:在 conda 环境中先用 pip 安装包，再用 conda 安装包，conda 可能会卸载或覆盖 pip 装的包，导致依赖关系混乱，环境不可用。

解决:遵循"先 conda 再 pip"的原则，conda 安装底层依赖和非 Python 包，再用 pip 安装 PyPI 上的 Python 包。若环境已经混乱，最稳妥的做法是 conda env remove -n 环境名 删除重建，而非逐个卸载。

错误 2 · breakpoint() 进入调试器后无反应或报错

原因:Python 版本低于 3.7 不支持内置 breakpoint() 函数，或环境变量 PYTHONBREAKPOINT 被设置为空字符串导致调试器不启动。

解决:确认 Python 版本为 3.7 及以上，命令行执行 python --version 查看。旧版本用 import pdb; pdb.set_trace() 替代。检查 PYTHONBREAKPOINT 环境变量是否被设置，用 echo $PYTHONBREAKPOINT（macOS/Linux）或 echo %PYTHONBREAKPOINT%（Windows）查看，设为空字符串会禁用调试器。

错误 3 · jupyter 命令找不到或 notebook 启动失败

原因:Jupyter Notebook 未安装，或安装在了未激活的虚拟环境中，当前命令行找不到 jupyter 命令。

解决:先激活目标虚拟环境，再执行 pip install notebook 或 pip install jupyterlab 安装。安装后用 pip show notebook 确认安装位置，确保它与当前 python 命令对应同一环境。如果仍找不到命令，用 python -m notebook 启动替代 jupyter notebook。

错误 4 · flake8 或 black 安装后命令找不到

原因:工具安装在虚拟环境中，但当前命令行未激活该环境，或 Scripts 目录（Windows）/ bin 目录（macOS/Linux）不在 PATH 中。

解决:先激活虚拟环境再执行命令。也可以用 python -m black 文件名、python -m flake8 文件名 的方式调用，显式指定使用当前 Python 对应的工具，避免 PATH 顺序问题。全局安装工具时用 pip install --user black flake8，安装到用户目录便于多项目共用。

1.7 开发工具与辅助功能入门 ​

1.7.1 代码格式化工具 ​

black 的安装与使用 ​

autopep8 的使用 ​

1.7.2 代码检查工具 ​

flake8 的安装与使用 ​

pylint 的使用 ​

1.7.3 交互式调试工具 pdb ​

启动 pdb ​

常用 pdb 命令 ​

1.7.4 计时工具 time 模块 ​

time.time() 与 time.sleep() ​

1.7.5 环境管理工具 conda ​

conda 的基本命令 ​

1.7.6 pip 与 conda 的区别与协同 ​

1.7.7 requirements.txt 文件的生成与安装 ​

1.7.8 environment.yml 文件的导出与导入 ​

1.7.9 使用 jupyter notebook 生成配置文件 ​

1.7.10 Jupyter Notebook 的魔术命令 ​

%timeit 计时 ​

%matplotlib inline 内联绘图 ​

%run 运行脚本 ​

%%time 单元格计时 ​

1.7.11 使用 help() 函数获取在线文档 ​

查询函数和类型 ​

1.7.12 使用 dir() 函数查看对象属性与方法 ​

查看 str 与 list 的方法 ​

练习题 ​

第1题 概念理解 ​

第2题 代码编写 ​

第3题 进阶练习 ​

第4题 项目实践 ​

常见错误 ​

1.7 开发工具与辅助功能入门

1.7.1 代码格式化工具

black 的安装与使用

autopep8 的使用

1.7.2 代码检查工具

flake8 的安装与使用

pylint 的使用

1.7.3 交互式调试工具 pdb

启动 pdb

常用 pdb 命令

1.7.4 计时工具 time 模块

time.time() 与 time.sleep()

1.7.5 环境管理工具 conda

conda 的基本命令

1.7.6 pip 与 conda 的区别与协同

1.7.7 requirements.txt 文件的生成与安装

1.7.8 environment.yml 文件的导出与导入

1.7.9 使用 jupyter notebook 生成配置文件

1.7.10 Jupyter Notebook 的魔术命令

%timeit 计时

%matplotlib inline 内联绘图

%run 运行脚本

%%time 单元格计时

1.7.11 使用 help() 函数获取在线文档

查询函数和类型

1.7.12 使用 dir() 函数查看对象属性与方法

查看 str 与 list 的方法

练习题

第1题概念理解

第2题代码编写

第3题进阶练习

第4题项目实践

常见错误