Python学到第四周（上），我终于从“抄教程”切换到“自己动手写个小工具”的状态。这个过程最大的感触不是语法变难了，而是问题突然变得具体：文件编码不对、日期格式不认识、画出来的图横坐标挤成一团……每个问题都能让你在搜索引擎里泡半天。如果你也处于“基础语法都会，但一看项目就懵”的阶段，这周的学习记录应该能给你一点参考。我会把本周前半程踩过的坑、封装代码的思路、以及几个能直接抄作业的解决办法都写出来。
1. 学习路线与准备阶段
1.1 为什么第四周才开始转实战
很多入门教程会把语法、流程控制、函数、面向对象一路讲下去，结果学到后面才发现自己只会做课后题。我给自己定的节奏是：前三周老老实实过完基础语法和常用数据结构，第四周开始必须用真实场景把知识串起来。真实的场景不一定要多复杂，哪怕只是把自己电脑里的某个CSV文件读出来、做点简单统计，也比单纯刷题能暴露更多问题。
第四周（上）我给自己定的任务很具体：输入一个本地气温记录文件，输出一周的最高温、最低温和平均温，并且画一张折线图。这个任务会自然牵扯出三块内容：文件读写、数据清洗（类型转换）、数据可视化。它既不要求你懂复杂的面向对象，也不会因为太简单而让人失去兴趣，正好卡在“跳一跳够得着”的位置上。
1.2 环境和工具再检查
开始写代码前，我重新整理了一遍环境。我用的是VS Code，Python是3.10版本。这里有个容易被新手忽略的点：VS Code里装好Python插件后，右下角会显示当前解释器路径。如果你在终端里敲python能运行，但VS Code里却报错，八成是解释器没选对。设置方法很简单：按Ctrl+Shift+P，输入Python: Select Interpreter，选你安装的那个版本就行。
另外，我强烈建议从第四周开始使用虚拟环境。别觉得它麻烦，实际上一行命令就能创建：
python -m venv .venvWindows下激活方式是.venv\Scripts\activate，macOS或者Linux下是source .venv/bin/activate。激活后终端前面会出现(.venv)，之后就只在当前项目里装包，不会把系统环境搅乱。
装包时我直接用了国内镜像源，不然某些依赖包下载速度会让人怀疑人生。以清华源为例：
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple实测下来速度快很多，而且不太会遇到超时中断。如果你只想临时换源，用上面这种方式就够了；想一劳永逸，可以用pip config set global.index-url设置全局索引地址。
提示：第四周开始，尽量不要再把所有代码塞在一个脚本里。哪怕只是拆成“数据处理”和“画图”两个函数，后面改起来都会舒服很多。
2. 核心知识点：文件处理与类型转换
2.1 文件读写的基础姿势
我准备的气温数据文件是weather.csv，格式是：
date,temp 2025-01-01,3.5 2025-01-02,4.1 2025-01-03,-1.2 ...第一版代码我直接用了open加readlines，结果读出来全是字符串，还要自己处理结尾换行。后来发现Python标准库里的csv模块更省心：
import csv with open("weather.csv", encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: print(row)这里必须要提一下with的作用。with open(...) as f会自动管理文件的关闭。如果不用with，你得记得写f.close()，万一中间抛异常，文件句柄就可能一直占着。在这个小例子里可能看不出差别，但程序一旦跑起来，文件打开多了会出各种奇怪问题。
encoding="utf-8"也很关键。Windows上很多编辑器默认存成gbk，如果你直接读，会看到UnicodeDecodeError，或者满屏乱码。我建议所有读写文本文件的代码都显式写上编码，别偷懒。
2.2 字符串转数字和日期解析的细节
CSV读进来的数据全是字符串，这就到了热词里常说的“类型转换”环节。temp列要变成浮点数才能计算，date列要变成日期对象才能排序或者按星期分组。
直接float("3.5")没有问题，但如果你文件里有空行或者表头带空格，就会抛ValueError。我在真实数据里遇到过一行数据是2025-01-04,，逗号后面什么都没有，float("")直接报错。解决办法是加一个判断：
def safe_float(value): try: return float(value) except ValueError: return None日期解析用datetime.strptime，它需要你告诉Python日期的格式。比如：
from datetime import datetime date_str = "2025-01-01" date_obj = datetime.strptime(date_str, "%Y-%m-%d")这里%Y是四位的年份，%m是两位的月份，%d是两位的日期，顺序要和字符串里的顺序完全一致。如果你数据里写的是2025/01/01，那格式就得是%Y/%m/%d。这类细节特别容易让人血压升高，但踩过一次之后，你遇到任何格式的日期都会有感觉。
2.3 写一个小工具把乱数据变成干净表格
既然要处理真实数据，我顺手写了一个清洗逻辑：读取每一行，过滤掉坏数据，把日期和温度都转成正确的类型，最后存入一个新的列表。这有点像把一堆散乱的积木先分好类，后面统计和画图才只用关心有用的部分。
import csv from datetime import datetime def load_data(filename): records = [] with open(filename, encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: temp = safe_float(row["temp"]) if temp is None: continue try: date_obj = datetime.strptime(row["date"], "%Y-%m-%d") except ValueError: continue records.append({"date": date_obj, "temp": temp}) return records这里把“脏数据”和“好数据”分开的思路很关键，会让你之后的统计代码不被异常打断。很多刚接触Python的朋友一看到try...except就觉得是高级用法，其实它就是用一种更优雅的方式处理“可能会出错”的情况。你完全可以先跑一遍代码，等真的抛异常了，再去补对应的except，慢慢就会形成条件反射。
3. 实战小项目：用Python统计并可视化一周气温
3.1 项目需求拆解
数据加载好了，下一步就是统计。我给自己的要求是：输出这一周的最高温度、最低温度、平均温度，并画一张折线图展示每天的温度变化。
这个需求拆开来看就三件事：一轮循环找最大值和最小值，一个累加算平均值，最后调用matplotlib画图。表面看很简单，但真正写起来会发现“最大值对应哪一天”才是真正的需求。如果只输出一个数字，图里没法对应，那就没意义。
所以我最后决定统计结果做成一个列表，每个元素包含日期、温度、是否最高、是否最低。这样既能画图，也能在图上把最高点和最低点标出来。
max_temp = max(records, key=lambda x: x["temp"]) min_temp = min(records, key=lambda x: x["temp"]) avg_temp = sum(x["temp"] for x in records) / len(records)这里key参数用来指定比较的字段，lambda表达式返回每个记录的温度，max和min就会按温度求值。如果你直接max(records)，它比较的是日期对象还是温度？大概率会报错，因为Python不知道该怎么比较两个字典。这个坑在初学者里非常普遍。
3.2 数据清洗与统计逻辑
统计单独写成一个函数，把“从数据到结果”的逻辑和“读取文件”的逻辑分开。这样做的好处是，之后你不想读CSV，改成从接口拿数据，统计函数一个字都不用改。
def analyze(records): if not records: return None max_record = max(records, key=lambda x: x["temp"]) min_record = min(records, key=lambda x: x["temp"]) avg_temp = sum(x["temp"] for x in records) / len(records) return { "max": max_record, "min": min_record, "avg": avg_temp, "days": len(records), }我自己一开始把统计逻辑全写在主流程里，结果画图时又要重新取温度列表，代码越写越长。后来拆成几个小函数，主流程变成三行：
records = load_data("weather.csv") stats = analyze(records) plot_temperature(records, stats)这就是典型的“函数封装”思维。第四周上不需要学得多高深，先把“一个函数只做一件事”形成习惯，后面接触面向对象会轻松很多。
3.3 matplotlib画图时横坐标太密集的三种解法
画图这块，我严重怀疑每个初学者都会遇到“横坐标太密集”这个问题。数据量一旦超过10个点，matplotlib默认会把每个日期都显示出来，文字叠在一起，根本看不清。
我的第一版代码长这样：
import matplotlib.pyplot as plt dates = [x["date"] for x in records] temps = [x["temp"] for x in records] plt.plot(dates, temps) plt.show()出来的图坐标轴上一堆年月日，像一条毛毛虫。后来我查资料才知道，matplotlib不会自动帮你减少刻度，它只会傻乎乎地把所有刻度标签都画出来。于是我开始尝试三种办法，效果都很直接。
第一种是旋转刻度文字。把日期标签旋转45度，错位之后至少能看清大部分：
plt.xticks(rotation=45)第二种是“隔几个显示一个”。如果你有30天数据，每5天显示一个标签就够了。用plt.xticks配合切片：
ticks = dates[::5] plt.xticks(ticks, [d.strftime("%m-%d") for d in ticks], rotation=45)第三种是直接让画布变得更宽，用plt.figure(figsize=(12, 5))。把图片横向拉长，标签之间自然就有空间了。实际项目中我一般组合使用：画布调宽、标签切片、旋转45度，三者一起上。
| 方法 | 适用场景 | 代码要点 |
|---|---|---|
| 旋转标签 | 数据量小于15个时 | plt.xticks(rotation=45) |
| 间隔显示刻度 | 数据量较大，或不想显示所有日期 | ticks = dates[::5] |
| 加宽画布 | 希望保留更多刻度细节 | plt.figure(figsize=(12, 5)) |
3.4 用函数封装代码结构
画图函数我保留了两个参数，一个数据、一个统计结果，这样以后换数据文件还能复用。
def plot_temperature(records, stats): dates = [x["date"] for x in records] temps = [x["temp"] for x in records] plt.figure(figsize=(10, 5)) plt.plot(dates, temps, marker="o", label="temperature") plt.scatter(stats["max"]["date"], stats["max"]["temp"], color="red", label="max") plt.scatter(stats["min"]["date"], stats["min"]["temp"], color="blue", label="min") plt.axhline(stats["avg"], color="gray", linestyle="--", label="avg") plt.legend() plt.xticks(rotation=45) plt.tight_layout() plt.show()这里的axhline用来画一条水平参考线，我用来标记平均温度，非常直观。tight_layout()会自动调整子图参数，让标签不超出画布边界。每次画完图我都习惯加这一句，能省去很多手动调布局的时间。
这样一个完整的小项目就算落地了。我运行完程序后，终端里能看到最高温、最低温和平均值，弹窗里能看到带最高点、最低点和平均参考线的折线图。虽然代码总共可能不到一百行，但它完整覆盖了“读取—清洗—统计—展示”这个数据处理的闭环。
4. 常见问题与排查技巧实录
4.1 中文乱码不是玄学
我最早打开CSV文件时，终端里直接冒出各种乱码。排查下来发现，文件本身是UTF-8编码，但我的Windows终端默认用GBK解码。解决方式要看“谁在乱码”：如果是print输出到终端乱码，先试chcp 65001切换代码页；如果是读取文件乱码，就把open里的encoding参数改成utf-8或gbk，以实际文件编码为准。
还有一个很容易忽略的是Python脚本文件本身的编码。如果你的脚本里写了中文注释，而文件保存成了GBK，Python 3运行时会默认按UTF-8读取，也可能报语法错误。解决办法是在VS Code右下角把文件编码改成UTF-8，再重新保存。
4.2 找不到python命令，怎么办
很多Windows用户装完Python之后，在终端输python，弹出来的却是微软商店的页面，或者提示python was not found。这个问题十有八九是安装时没有勾选Add Python to PATH。不用急着重装，最简单的办法是用py命令启动Python：
py --versionpy是Windows自带的Python启动器，如果你电脑里装了多个Python版本，它还能帮你选择版本。如果你还是希望python命令能用，那就去“设置”里搜索“环境变量”，把Python的安装目录和Scripts目录加进Path。这一步做完之后，新开的终端窗口才会生效。
4.3 安装matplotlib失败或特别慢
刚开始装matplotlib时，我遇到的是“超时”和“找不到匹配版本”的报错。后来发现主要原因是网络源的问题。换成国内镜像之后，问题基本消失。这里要注意，不同的包可能依赖底层库，比如matplotlib在Windows上需要numpy等一堆依赖，如果你只用默认源，下载这些依赖会非常痛苦。用-i参数加上合适的镜像地址，一条命令全部搞定。
如果你在某个项目里需要反复装依赖，也可以把镜像地址写进requirements.txt旁边的一个配置文件里，但这些都是后话。入门阶段记住“装包慢就换源”这一个技巧就够了。
4.4 协程和多进程是怎么回事
第四周（上）我还没有正式进入协程和多进程的学习，但写循环处理数据时，隐约感觉到如果数据量再大一点，单线程跑起来会很慢。于是提前了解了一下概念：协程适合处理“等待型”任务，比如网络请求；多进程适合处理CPU密集型的计算任务。它们并不是用来解决“我这段代码会不会更快”的万能工具，更多时候正确的数据结构、合理算法反而更关键。
我目前的态度是：先把常规代码写对，等真正遇到性能瓶颈，再回头针对性地引入这些并发工具。很多初学者一上来就想用协程炫技，结果连标准库的回调机制都没搞明白，最后Debug到怀疑人生。四周的学习进度里，先把基础打牢永远是第一优先级。
注意：如果某个任务用单线程明明几秒钟就能跑完，就别急着上多进程。进程之间通信带来的麻烦，可能比节省的那点时间贵得多。
5. 学习节奏与心态调整
第四周（上）最大的收获，不是学会了几个函数，而是终于明白“照着教程能跑通”和“自己写出来”是两码事。每次遇到报错，别急着去复制答案，先自己读一遍报错信息，猜一猜它在说什么。Python的报错已经非常友好了，大部分时候它会告诉你发生在哪一行，甚至给出对应建议。
我现在的习惯是：哪怕代码写错了，也先自己写一个“错误版本”，再根据报错慢慢改成正确版本。这个过程比直接看十篇教程都管用。第四周（上）的时间其实很紧，能完成一个从读到画的小闭环已经很不错了。后半周我打算在这个项目上继续扩展，比如把统计结果输出成一份文本报告，或者增加“按周筛选”的功能，让这个小小工具的实用性再上一个台阶。
