Python进阶:函数、类、NumPy、Pandas一网打尽

# 第2章/python

# 基本函数

def count_tokens(text: str) -> int:

    """粗略估算文本的 Token 数（中文约每1.5字一个Token）"""

    chinese_chars = sum(1 for c in text if '\u4e00' <= c <= '\u9fff')

    english_words = len(text.split()) - chinese_chars // 2

    return int(chinese_chars / 1.5 + english_words)

# 带默认参数的函数

def build_prompt(question: str,

                 system: str = "你是AI助手",

                 temperature: float = 0.7) -> dict:

    """构建 API 请求消息体"""

    return {

        "messages": [

            {"role": "system", "content": system},

            {"role": "user", "content": question}

        ],

        "temperature": temperature

    }

# 调用

result = build_prompt("什么是大模型？")

result = build_prompt("什么是大模型？", temperature=0.2)  # 指定参数

# *args 和 **kwargs（在框架源码中常见）

def flexible_function(*args, **kwargs):

    print(f"位置参数: {args}")

    print(f"关键字参数: {kwargs}")

flexible_function(1, 2, 3, name="AI", version=4)

# 位置参数: (1, 2, 3)

# 关键字参数: {'name': 'AI', 'version': 4}

# 第2章/python

class ChatBot:

    """一个简单的聊天机器人类"""

    def __init__(self, model_name: str, api_key: str):

        """初始化方法，创建对象时自动调用"""

        self.model_name = model_name

        self.api_key = api_key

        self.history = []  # 对话历史

    def chat(self, user_message: str) -> str:

        """发送消息并获取回复"""

        self.history.append({"role": "user", "content": user_message})

        # 实际项目中这里调用 API

        reply = f"[{self.model_name}] 收到你的消息：{user_message}"

        self.history.append({"role": "assistant", "content": reply})

        return reply

    def get_history(self) -> list:

        """获取对话历史"""

        return self.history.copy()

    def clear_history(self):

        """清空对话历史"""

        self.history.clear()

    def __repr__(self):

        return f"ChatBot(model={self.model_name}, history_len={len(self.history)})"

# 使用

bot = ChatBot("deepseek-chat", "sk-xxx")

print(bot.chat("你好"))          # [deepseek-chat] 收到你的消息：你好

print(bot.chat("什么是AI？"))    # [deepseek-chat] 收到你的消息：什么是AI？

print(bot)                       # ChatBot(model=deepseek-chat, history_len=4)

# 第2章/python

# src/utils.py - 工具模块

def count_tokens(text: str) -> int:

    """估算 Token 数"""

    return len(text) // 2  # 简化估算

def load_config(path: str) -> dict:

    """加载配置文件"""

    import json

    with open(path, 'r', encoding='utf-8') as f:

        return json.load(f)

# main.py - 主程序（导入并使用模块）

from src.utils import count_tokens, load_config

config = load_config("config/settings.json")

tokens = count_tokens("这是一段测试文本")

# 第2章/python

import numpy as np

# 创建数组

a = np.array([1, 2, 3, 4, 5])           # 一维数组

b = np.array([[1, 2, 3], [4, 5, 6]])     # 二维数组（矩阵）

zeros = np.zeros((3, 4))                  # 3x4 的全零矩阵

ones = np.ones((2, 3))                    # 2x3 的全一矩阵

rand = np.random.randn(3, 3)             # 3x3 的随机矩阵

# 数组属性

print(b.shape)    # (2, 3) - 形状

print(b.dtype)    # int64 - 数据类型

print(b.ndim)     # 2 - 维度数

# 数组运算（逐元素运算，不需要写循环！）

x = np.array([1, 2, 3])

y = np.array([4, 5, 6])

print(x + y)      # [5 7 9]

print(x * y)      # [4 10 18]

print(x ** 2)     # [1 4 9]

print(np.dot(x, y))  # 32（点积/内积）

# 矩阵运算（AI 中最核心的运算）

A = np.array([[1, 2], [3, 4]])

B = np.array([[5, 6], [7, 8]])

print(A @ B)      # 矩阵乘法

# [[19 22]

#  [43 50]]

# 广播机制（Broadcasting）—— NumPy 的强大之处

matrix = np.array([[1, 2, 3], [4, 5, 6]])  # (2, 3)

vector = np.array([10, 20, 30])             # (3,)

print(matrix + vector)  # vector 自动扩展到每一行

# [[11 22 33]

#  [14 25 36]]

# 第2章/python

import pandas as pd

# 创建 DataFrame（最核心的数据结构）

data = {

    "模型": ["GPT-4o", "Claude 3.5", "DeepSeek-V3", "Qwen-Max"],

    "厂商": ["OpenAI", "Anthropic", "DeepSeek", "阿里"],

    "评分": [95, 93, 91, 89],

    "开源": [False, False, True, False],

    "价格_每百万Token": [2.5, 3.0, 0.27, 0.8]

}

df = pd.DataFrame(data)

# 基本查看

print(df.head())           # 前5行

print(df.describe())       # 统计摘要

print(df.info())           # 列信息

# 筛选与过滤

top_models = df[df["评分"] >= 93]                     # 评分>=93的模型

cheap_models = df[df["价格_每百万Token"] < 1.0]       # 便宜的模型

open_source = df[df["开源"] == True]                   # 开源模型

# 排序

df_sorted = df.sort_values("评分", ascending=False)

# 新增列

df["性价比"] = df["评分"] / df["价格_每百万Token"]

# 读写文件

df.to_csv("model_comparison.csv", index=False, encoding="utf-8-sig")

df_loaded = pd.read_csv("model_comparison.csv")

# 第2章/python

import requests

import json

# GET 请求

response = requests.get("https://api.github.com/users/octocat")

print(response.status_code)  # 200

print(response.json())       # 解析 JSON 响应

# POST 请求（API 调用的标准方式）

url = "https://api.deepseek.com/chat/completions"

headers = {

    "Content-Type": "application/json",

    "Authorization": "Bearer your-api-key"

}

payload = {

    "model": "deepseek-chat",

    "messages": [

        {"role": "user", "content": "你好"}

    ]

}

response = requests.post(url, headers=headers, json=payload)

result = response.json()

print(result["choices"][0]["message"]["content"])

# 第2章/bash

# 安装

pip install jupyter notebook

# 或安装更现代的 JupyterLab

pip install jupyterlab

# 启动

jupyter notebook    # 经典版

jupyter lab         # 现代版（推荐）

# 第2章/python

# 计时（优化性能时必用）

%time result = heavy_computation()       # 单次计时

%timeit result = heavy_computation()     # 多次计时取平均

# 查看变量信息

%whos                                     # 列出所有变量

# 运行外部脚本

%run my_script.py

# 在 Notebook 中安装包

!pip install transformers

# 内联显示 Matplotlib 图表

%matplotlib inline