返回首页

Roadmap
更新于 2026年11月14日 全文 1133 字未阅读

第 4.3 节 模块:组织和复用代码#

预计学习时长: 30 分钟

本节目标:

  • 知道模块就是一个 .py 文件,能用 import 导入;
  • 分清 import 模块 和 from 模块 import 函数 两种写法;
  • 知道 if __name__ == "__main__": 是干什么的;
  • 能把一个大文件拆成几个职责清晰的模块。

模块是什么#

模块就是一个 .py 文件。你写的第一个 hello.py 其实已经是一个模块了。把常用函数放进一个专门的文件,其他程序就能用 import 把它拿过来用。

好处很直接:

  • 不用复制粘贴——改一处,所有调用方同步更新;
  • 文件名就是名字空间——score_utils.calculate_average 和 model_utils.calculate_average 互不干扰;
  • 一个文件只干一件事,找代码容易,测试也容易。

Case 34:拆分成绩计算程序——将函数封装到独立模块#

任务: 把前面写过的成绩计算函数拆到一个独立文件 score_utils.py。

新建 score_utils.py:

"""成绩相关的工具函数。"""


def to_letter_grade(score):
    """把百分制分数转成 A/B/C/D 等级。"""
    if score >= 90:
        return "A"
    elif score >= 80:
        return "B"
    elif score >= 60:
        return "C"
    return "D"


def calculate_average(scores):
    """计算一组成绩的平均分,空列表返回 0。"""
    if not scores:
        return 0
    return sum(scores) / len(scores)


def count_passed(scores, threshold=60):
    """统计达到及格线的人数。"""
    return sum(1 for score in scores if score >= threshold)


if __name__ == "__main__":
    # 只有直接运行本文件时,这段代码才会执行
    demo = [92, 78, 55, 61]
    print("平均分:", calculate_average(demo))
    print("及格人数:", count_passed(demo))

关键点

  • 文件顶部的 """...""" 是模块文档字符串,说明这个文件是干什么的;
  • 函数上面的三引号字符串是函数文档字符串,可以用 help(calculate_average) 查看;
  • if __name__ == "__main__": 是本节最重要的一行。它的意思是:「只有当我直接运行这个文件时才执行下面的代码」。
    • 直接运行 python score_utils.py → __name__ 是 "__main__",下面的代码会跑;
    • 别人 import score_utils → __name__ 是 "score_utils",下面的代码不会跑。

为什么要写 if __name__ == "__main__": 因为模块文件里的顶层代码在导入时就会执行。如果把演示代码裸写在文件里,别人一 import 就顺带把你的演示跑了一遍——既浪费又可能报错。 这个写法让模块既能当「工具库」,也能当「独立脚本」,两种用法互不干扰。

Case 35:调用数据处理工具——使用 import 导入自定义模块#

任务: 在 main.py 里导入并使用 score_utils 模块。

新建 main.py:

import score_utils


students = [
    {"name": "小明", "score": 92},
    {"name": "小红", "score": 78},
    {"name": "小刚", "score": 55},
]

scores = [student["score"] for student in students]

print("平均分:", score_utils.calculate_average(scores))
print("及格人数:", score_utils.count_passed(scores))

for student in students:
    grade = score_utils.to_letter_grade(student["score"])
    print(f"{student['name']}: {student['score']} -> {grade}")

输出:

平均分: 75.0
及格人数: 2
小明: 92 -> A
小红: 78 -> C
小刚: 55 -> D

关键点

  • import score_utils 之后,要用 score_utils.calculate_average(...) 调用——模块名 + 点 + 函数名;
  • 另一种写法是 from score_utils import calculate_average,之后直接 calculate_average(...)。更短,但容易搞不清某个函数来自哪个模块;
  • 推荐用 import 模块名 + 点号调用。它能让读代码的人一眼看出这个函数是谁提供的。项目大了以后,这个差别很值钱;
  • main.py 和 score_utils.py 必须放在同一个文件夹里,python main.py 才能找到它。

模块名用小写、下划线分隔 文件名 score_utils.py,导入时也写 import score_utils。不要用 Python 关键字当模块名(比如 class.py),会导致导入失败。

Case 36:构建简单机器学习工具箱——组合多个模块完成数据处理#

任务: 把「清洗」「统计」「转换」三类逻辑拆成三个模块,组合成一个迷你工具箱。

data_cleaner.py:

"""数据清洗工具。"""


def clean_scores(raw_scores):
    """去掉空值和越界值,返回合法的浮点数列表。"""
    valid = []
    for item in raw_scores:
        if item is None:
            continue
        if 0 <= item <= 100:
            valid.append(float(item))
    return valid


def remove_duplicates(items):
    """保持原有顺序地去重。"""
    seen = set()
    result = []
    for item in items:
        if item not in seen:
            seen.add(item)
            result.append(item)
    return result

feature_tools.py:

"""特征工程小工具。"""


def normalize(values):
    """把一组数值标准化到 0 到 1。"""
    if not values:
        return []
    minimum = min(values)
    maximum = max(values)
    span = maximum - minimum
    if span == 0:
        return [0.0 for _ in values]
    return [(value - minimum) / span for value in values]


def to_letter_grade(score):
    """百分制分数转等级。"""
    if score >= 90:
        return "A"
    elif score >= 80:
        return "B"
    elif score >= 60:
        return "C"
    return "D"

main.py:

import data_cleaner
import feature_tools


raw = [92, None, 78, -5, 88, 150, 61, 88]

clean = data_cleaner.clean_scores(raw)
unique = data_cleaner.remove_duplicates(clean)
normalized = feature_tools.normalize(unique)

print("清洗后:", clean)
print("去重后:", unique)
print("标准化:", [round(v, 3) for v in normalized])
print("等级分布:", [feature_tools.to_letter_grade(s) for s in unique])

输出:

清洗后: [92.0, 78.0, 88.0, 61.0, 88.0]
去重后: [92.0, 78.0, 88.0, 61.0]
标准化: [1.0, 0.548, 0.871, 0.0]
等级分布: ['A', 'C', 'B', 'C']

关键点

  • 三个模块各司其职:data_cleaner 管清洗,feature_tools 管特征转换,main.py 只管编排;
  • main.py 里几乎没有任何具体算法,全是「调用谁、传给谁」。这就是清晰的职责边界;
  • 每个模块都能独立测试。想知道 normalize 对不对,只要单独测它,不用跑整个流程;
  • 这套「一个模块一个主题」的结构,正是后面 NumPy、Pandas、scikit-learn 这些库的组织方式。

Python 标准库的模块化思路 你用的 random、math、json、csv 全都是模块,用法一模一样:import random 然后 random.randint(1, 10)。 下一章我们会把数据「写进文件再读出来」,用到的 csv 模块也是同样的套路。

本节小结#

写法含义
import 模块导入整个模块,用 模块.函数() 调用
import 模块 as 别名起个短别名,np.array() 就是这么来的
from 模块 import 函数只导入某个函数
if __name__ == "__main__":只有直接运行本文件时才执行

三条核心规矩:模块就是一个 .py 文件、导入的两种写法别混用、演示代码要放在 __main__ 保护里。

随堂练习#

  1. 把 Case 34 的 score_utils.py 再加一个函数 format_report(scores),返回一段多行报告字符串;
  2. 新建 string_utils.py,实现一个 reverse(text) 函数返回反转后的字符串,然后在 main.py 里导入使用;
  3. 把 Case 36 的三个模块改成一个 toolbox.py,然后在 main.py 里用 import toolbox 调用——对比一下两种组织方式。
点击查看参考答案
# string_utils.py
def reverse(text):
    """返回反转后的字符串。"""
    return text[::-1]


# main.py
import string_utils

print(string_utils.reverse("python"))

练习 3 的关键差别只有一个:toolbox.normalize(...) 比 feature_tools.normalize(...) 短,但模块名不再传达「这是特征工具」的信息。模块数量少的时候无所谓,模块多起来差别就很大了。

下一章预告 到现在为止,数据都是写在代码里的。程序一关就没了,程序之间也传不了数据。下一章我们学会把数据写进文件、再读出来,并且处理那些让人崩溃的报错。

阅读 --