CHAPTER 02

变量、数据类型与运算

Python 存储和操作数据的基础。AI 中的每一个输入、权重、预测结果，都是某种数据类型的值。

变量：给数据贴标签

变量就是给数据起个名字，方便后续使用。可以把变量想象成一个盒子，你往盒子里放了某个值，之后用盒子的名字就能取出这个值。

核心概念

变量赋值（Assignment）

用 = 符号将右边的值存入左边的变量名。注意：Python 的 = 不是"等于"，而是"赋值"——把右边的值放进左边的盒子里。

PYTHON · 变量基础

# 变量赋值：把右边的值存入左边的变量
model_name = "GPT-4o"      # 字符串
learning_rate = 0.001      # 浮点数（AI 训练的关键参数）
batch_size = 32            # 整数
is_training = True         # 布尔值

# 可以把变量的值赋给另一个变量
lr = learning_rate          # lr 现在也是 0.001

# 变量可以重新赋值（值可以变）
learning_rate = 0.0001     # 现在变成 0.0001 了

# 同时赋值多个变量
x, y, z = 1, 2, 3

print(model_name)       # GPT-4o
print(learning_rate)    # 0.0001
print(x, y, z)          # 1 2 3

💡

命名规范：snake_case

Python 变量名习惯用小写字母加下划线，如 learning_rate、batch_size。这叫 snake_case（蛇形命名法）。避免用 lr 这类缩写（除非在 AI 领域是公认约定，如 lr 表示 learning rate）。

基本数据类型

Python 有 4 种基本数据类型。type() 函数可以查看任何值的类型。

① int —— 整数

没有小数点的数字。在 AI 中常用于：样本数量、训练轮次（epoch）、批次大小（batch size）、层数等。

PYTHON · int 整数

epochs = 100         # 训练 100 轮
num_samples = 50000  # 5 万个训练样本
layers = 12          # 神经网络 12 层

print(type(epochs))   # <class 'int'>
print(epochs ** 2)    # 10000（** 是幂运算）

# 整数支持任意大小（Python 的优势）
big_num = 10 ** 100   # 谷歌 = 10^100，Python 能算

② float —— 浮点数（小数）

带小数点的数字。在 AI 中最常用：学习率、损失值（loss）、准确率、模型权重等，几乎所有 AI 的计算结果都是 float。

PYTHON · float 浮点数

learning_rate = 0.001    # 学习率
loss = 2.345             # 损失值
accuracy = 0.9876       # 准确率 98.76%

# 科学计数法（AI 中常见的极小值）
weight = 1.5e-4          # 等于 0.00015
epsilon = 1e-8           # 极小值，防止除以零

print(type(loss))        # <class 'float'>
print(round(accuracy, 2)) # 0.99（保留2位小数）

# 注意浮点数精度问题（计算机通病）
print(0.1 + 0.2)          # 0.30000000000000004（不是精确的 0.3！）

⚠️

浮点数精度陷阱

计算机用二进制存储小数，某些十进制小数（如 0.1）无法精确表示，会有微小误差。在 AI 中通常不影响结果，但做精确比较时要用 abs(a - b) < 1e-9 而不是 a == b。

③ str —— 字符串（文本）

文本类型，用单引号或双引号包裹。在 AI 中用于：提示词（Prompt）、模型名称、文本数据、API 响应等。大语言模型的输入输出全是字符串。

PYTHON · str 字符串

# 创建字符串
prompt = "请用中文回答以下问题"
model = 'claude-sonnet-4-6'  # 单双引号都行

# 多行字符串（用三引号）
system_prompt = """
你是一个专业的 AI 助手。
请用简洁清晰的语言回答问题。
"""

# f-string：最常用的字符串格式化方式
user_input = "什么是机器学习"
full_prompt = f"用户问题：{user_input}\n请简单回答："

# 字符串拼接
text = "Hello" + " " + "World"   # Hello World

# 字符串长度
print(len(prompt))       # 10（字符数）

# 字符串方法
print(prompt.upper())    # 全大写（英文）
print(model.split('-'))  # ['claude', 'sonnet', '4', '6']
print("hello".replace("hello", "hi"))  # hi

# 检查子串是否存在
print("claude" in model)   # True

④ bool —— 布尔值（真/假）

只有两个值：True（真）和 False（假）。在 AI 中用于：控制训练状态（是否训练中）、条件判断、模型输出的分类结果（是/否）。

PYTHON · bool 布尔值

is_training = True
use_gpu = False
early_stop = True

# 比较运算返回布尔值
print(5 > 3)           # True
print(0.001 == 0.01)  # False
print(10 != 20)         # True（不等于）

# 逻辑运算
print(True and False)  # False（两个都要 True）
print(True or False)   # True（一个 True 就行）
print(not True)         # False（取反）

# 在 AI 中：检查是否使用 GPU 训练
import torch
gpu_available = torch.cuda.is_available()  # True 或 False
print(f"GPU 可用：{gpu_available}")

类型转换

在 AI 数据处理中，经常需要在类型之间转换，比如把读取的字符串数字转为真正的数字类型。

PYTHON · 类型转换

# int() - 转为整数
print(int("42"))      # 42（字符串 → 整数）
print(int(3.9))      # 3（浮点数 → 整数，直接截断，不四舍五入）
print(int(True))     # 1（True = 1，False = 0）

# float() - 转为浮点数
print(float("3.14")) # 3.14
print(float(5))      # 5.0

# str() - 转为字符串
print(str(100))      # "100"
print(str(0.001))    # "0.001"

# bool() - 转为布尔值
# 规则：0、空字符串""、None 是 False，其他是 True
print(bool(0))       # False
print(bool(1))       # True
print(bool(""))      # False（空字符串）
print(bool("hello")) # True

# 实际应用：读取 CSV 文件时，数字可能被读成字符串
raw_value = "0.95"              # 从文件读出来的是字符串
accuracy = float(raw_value)     # 必须转为 float 才能计算
print(accuracy * 100, "%")      # 95.0 %

运算符

数学运算符

运算符	含义	示例	结果
`+`	加法	`5 + 3`	8
`-`	减法	`5 - 3`	2
`*`	乘法	`5 * 3`	15
`/`	除法（结果是 float）	`7 / 2`	3.5
`//`	整除（向下取整）	`7 // 2`	3
`%`	取余（模运算）	`7 % 2`	1
`**`	幂运算	`2 ** 10`	1024

PYTHON · AI 场景中的运算

# 计算模型准确率
correct = 892
total = 1000
accuracy = correct / total  # 0.892

# 梯度下降：更新参数
weight = 0.5
gradient = 0.1
lr = 0.01
weight = weight - lr * gradient  # 0.499

# 计算 step 数：1000个样本，batch_size=32
n_samples = 1000
batch_size = 32
steps_per_epoch = n_samples // batch_size   # 31 步（整除）
remainder = n_samples % batch_size          # 8 个剩余样本

# 模运算常见用途：每隔 N 步打印日志
for step in range(100):
    if step % 10 == 0:  # 每 10 步
        print(f"Step {step}")

# 复合赋值（常用简写）
loss = 2.0
loss -= 0.1   # 等于 loss = loss - 0.1 → 1.9
loss *= 0.9   # 等于 loss = loss * 0.9 → 1.71

🤖

AI 中最常用的运算

在 AI 训练中，你会反复看到 weight = weight - lr * gradient（梯度下降更新参数）和 loss / n_samples（计算平均损失）。这两个操作是神经网络学习的核心，背后就是这些基本运算。

None —— 空值

None 是 Python 中表示"什么都没有"的特殊值，相当于其他语言的 null。在 AI 中常用于初始化变量（"还没有值"）或函数没有返回值时的默认结果。

PYTHON · None 的使用

# 初始化（还没有模型）
model = None
best_loss = None

# 检查是否为 None
if model is None:
    print("模型还未加载")

# 函数没有 return 时默认返回 None
def train_one_step():
    print("训练中...")
    # 没有 return

result = train_one_step()  # 训练中...
print(result)               # None

←

Python 入门与环境搭建

数据结构

→