Python作业实战：文件操作与函数封装技巧

1. Python第四次作业解析与实战指南

作为从教多年的Python讲师，我发现学生在完成第四次作业时普遍会遇到几个关键瓶颈。这次作业通常标志着从基础语法向实际应用的过渡阶段，下面我将从典型作业结构出发，带你系统掌握核心要点。

1.1 作业常见内容构成

根据国内主流高校Python课程设置，第四次作业通常包含以下模块：

• 文件操作（占比约35%）：包括txt/csv文件读写、异常处理等
• 函数封装（占比25%）：要求将重复逻辑封装为可复用函数
• 数据结构应用（占比20%）：列表推导式、字典统计等
• 第三方库初探（占比15%）：如requests网络请求或pandas基础操作
• 算法基础（占比5%）：简单排序或查找算法实现

关键提示：作业批改时我们最关注代码的鲁棒性（如异常处理）和可读性（函数注释、变量命名），这往往比单纯实现功能更重要。

1.2 典型问题场景还原

以某高校实际作业题为例：

python复制"""
作业要求：
1. 下载天气数据CSV文件（包含日期、温度、湿度三列）
2. 计算每周平均温度并输出排行榜
3. 找出湿度连续3天>80%的时段
4. 将结果保存为JSON文件
"""

2. 核心实现技术拆解

2.1 文件操作最佳实践

处理CSV文件时建议使用csv模块而非pandas（除非作业明确要求）：

python复制import csv
from collections import defaultdict

weekly_temp = defaultdict(list)
with open('weather.csv') as f:
    reader = csv.DictReader(f)
    for row in reader:
        week_num = datetime.strptime(row['日期'], '%Y-%m-%d').isocalendar()[1]
        weekly_temp[week_num].append(float(row['温度']))

避坑指南：文件路径建议使用pathlib构建跨平台兼容路径：

python复制from pathlib import Path
file_path = Path(__file__).parent / 'data/weather.csv'

2.2 函数封装技巧

温度统计函数应该包含类型提示和docstring：

python复制def get_weekly_ranking(temp_data: dict) -> list:
    """计算每周平均温度并排序
    
    Args:
        temp_data: {周号: [温度列表]}格式的字典
        
    Returns:
        按平均温度降序排列的(周号, 平均温度)元组列表
    """
    return sorted(
        [(week, sum(temps)/len(temps)) 
         for week, temps in temp_data.items()],
        key=lambda x: x[1],
        reverse=True
    )

2.3 连续时段检测算法

使用滑动窗口算法检测湿度连续超标：

python复制def find_high_humidity_periods(humidity_data: list, threshold=80, min_days=3):
    periods = []
    start_idx = None
    
    for i, hum in enumerate(humidity_data):
        if hum > threshold:
            if start_idx is None:
                start_idx = i
        else:
            if start_idx is not None and (i - start_idx) >= min_days:
                periods.append((start_idx, i-1))
            start_idx = None
            
    return periods

3. 高级技巧与性能优化

3.1 内存高效处理大文件

当数据量较大时（>100MB），建议使用生成器逐行处理：

python复制def csv_reader(file_path):
    with open(file_path) as f:
        reader = csv.DictReader(f)
        for row in reader:
            yield {
                'date': row['日期'],
                'temp': float(row['温度']),
                'humidity': float(row['湿度'])
            }

3.2 使用缓存加速重复计算

对耗时操作添加functools缓存：

python复制from functools import lru_cache

@lru_cache(maxsize=32)
def get_week_number(date_str):
    return datetime.strptime(date_str, '%Y-%m-%d').isocalendar()[1]

4. 常见错误排查手册

5. 作业扩展建议

想拿高分的同学可以尝试：

1. 添加argparse支持命令行参数
2. 使用logging模块记录运行日志
3. 用unittest编写测试用例
4. 使用matplotlib绘制温度趋势图
5. 将代码打包为可安装模块

我特别建议在函数中添加类型提示（如def func(param: str) -> int），这不仅能帮助理解代码，还能用mypy进行静态检查。实际教学中，添加了类型提示的作业平均得分会高出15%-20%。

最后分享一个调试技巧：在VS Code中可以使用Python Interactive窗口，配合# %%分隔符将代码分块执行，这对调试数据处理流程特别有效。例如：

python复制# %%
import pandas as pd
df = pd.read_csv('weather.csv')
df.describe()

# %%
df[df['湿度']>80].plot()