欢迎来到啾啾的博客🐱。
记录学习点滴。分享工作思考和实用技巧，偶尔也分享一些杂谈💬。
有很多很多不足的地方，欢迎评论交流，感谢您的阅读和评论😄。

1 引言

速成之后巩固一下。

2 类型处理

和Java静态类型不同，Python是动态类型的。
动态类型不用声明，但在使用时往往不知道类型，所以Python 3.5版本之后引入了一个非常重要的特性：

• 类型提示 (Type Hinting)
  它的作用，就是在代码中“提示”一个变量、函数参数或返回值应该是什么类型。

**传统的Python方式 (纯动态类型):**
name = "World"
process_id = 123**现代的Python方式:**
name: str = "World"
process_id: int = 123

和Java不同，Python的类型提示在默认情况下是 不强制 的。也就是说，即便你给一个标记为 str 的变量赋予一个整数，Python解释器本身在运行时 不会报错。
它的真正威力在于 开发阶段。现代的IDE和一些叫做“静态类型检查器”（如Mypy）的工具，会读取这些提示，像Java的编译器一样，在代码运行前就给你指出潜在的类型错误。

除了这个，Python还有一个Pydantic库，可以用于处理复杂情况下的数据类型，让代码变得更具可读性，且能抛出清晰的错误。

from pydantic import BaseModel
from typing import List, Dict# 1. 我们用类型提示来“定义”我们期望的数据结构
class Message(BaseModel):role: strcontent: strclass Choice(BaseModel):index: intmessage: Messagefinish_reason: strclass APIResponse(BaseModel):id: strmodel: strchoices: List[Choice] # 这里明确指出choices是一个包含Choice对象的列表usage: Dict[str, int]def get_from_api():api_response = {"id": "chatcmpl-123","object": "chat.completion","created": 1677652288,"model": "gpt-4","choices": [{"index": 0,"message": {"role": "assistant","content": "你好！有什么可以帮助你的吗？"},"finish_reason": "stop"}],"usage": {"prompt_tokens": 9,"completion_tokens": 12,"total_tokens": 21}}return api_response# 2. 我们用这个定义好的结构来“解析”原始数据
raw_data = get_from_api() # 假设这里拿到了上面的字典数据
response_model = APIResponse.model_validate(raw_data)# 3. 输入 response_model. 就会看到 id, model, choices...类型是安全的
content = response_model.choices[0].message.content 

3 高效操作AI开发常见数据结构

在 AI 开发中，列表（list）和字典（dict）非常常见。我们来了解一下 Python 是如何利用其独有特性 —— 推导式（Comprehensions）高效操作它们的。

3.1 list推导式

假设我们有一个需求：给定一个数字列表，我们想要创建一个新的列表，只包含其中所有偶数的平方。

• 传统的写法：

# 这是用传统循环方式实现的Python代码
numbers = [1, 2, 3, 4, 5, 6]
squares_of_evens = [] # 1. 初始化一个空列表
for number in numbers: # 2. 遍历原列表if number % 2 == 0: # 3. 判断条件squares_of_evens.append(number * number) # 4. 添加处理后的结果# 最终结果: [4, 16, 36]

• 列表推导式

numbers = [1, 2, 3, 4, 5, 6]
squares_of_evens = [number * number for number in numbers if number % 2 == 0]# 最终结果: [4, 16, 36]

列表推导式的基本结构是：[<要执行的表达式> for <元素> in <可迭代对象> if <筛选条件>]
这个特性在数据处理中极为常用，比如清洗文本数据、筛选特定样本、转换数据格式等等。它不仅代码更短，通常执行效率也比手动 for 循环加 .append() 的方式要高。

• 例子
  假设您从一个文本文件中读取了很多用户的评论，存放在一个列表 reviews 中。现在，您需要进行数据预处理。

reviews = ["这个产品太棒了！","不好用。","强烈推荐，物超所值！","有点小贵","物流很快"
]result = [review for review in reviews if len(review) > 5]

3.2 dict推导式

假设我们有一个列表，里面是产品名称。我们还有一个需求，要创建一个字典，其中 键（key） 是产品名称，值（value） 是这个产品名称的字符长度。

products = ["Laptop", "Mouse", "Keyboard"]# 期待字典为
{'Laptop': 6, 'Mouse': 5, 'Keyboard': 8}

使用字典推导式，可以这么写：

product_lengths = {product: len(product) for product in products}

结构{<键表达式>: <值表达式> for <元素> in <可迭代对象>}

使用推导式可以快速地转换list为dict，可以将后续查询的时间复杂度由O(n)变为O(1)。