为 AI 学习 Python：你实际需要的最小 Python

Python 是人工智能的语言。如果您花时间阅读有关机器学习的内容，您就会在教程、GitHub 存储库、研究论文和课程中随处看到 Python 代码。最终，您会想要阅读它、运行它，甚至可能修改它。

好消息：您不需要成为 Python 专家。您需要该语言的一个重点子集。本指南准确地教您这一点——理解和使用 AI 代码所需的最低限度的 Python——并提供来自真实 ML 工作流程的示例。

---

设置 Python

首先，安装 Python。

推荐方式：安装Miniconda，一个轻量级的Python发行管理器。它使管理包和环境变得简单。

安装后，打开终端并输入：

python --version

如果您看到 Python 3.x.x，则表示您已准备就绪。您可以在以下位置编写和运行 Python：

• Jupyter Notebook — AI 实验的标准工具（基于浏览器，交互式）
• VS Code — 具有出色 Python 支持的免费编辑器
• Google Colab — 免费，基于浏览器，无需安装

对于人工智能学习，请从 Google Colab 开始。它是免费的，在浏览器中运行，并且具有 GPU 访问权限。

---

1. 变量和数据类型

在 Python 中，您将值存储在变量中。不需要类型声明。

name = "neural network"       # string (text)
layers = 4                    # integer (whole number)
accuracy = 0.94               # float (decimal)
is_trained = True             # boolean (True/False)

为什么这对人工智能很重要：模型超参数、准确度分数和配置值存储为变量。您会不断看到类似 learning_rate = 0.001 或 epochs = 50 的内容。

---

2. 列表

列表是项目的有序集合。您可以在一个变量中存储多个值。

scores = [0.82, 0.87, 0.91, 0.95]
labels = ["cat", "dog", "bird"]

# Access by index (starts at 0)
print(labels[0])    # "cat"
print(labels[-1])   # "bird" (last item)

# Add an item
labels.append("fish")

# Number of items
print(len(scores))  # 4

为什么这对人工智能很重要：训练历史、标签列表、数据批次——全部存储在列表中（或 NumPy 数组，其工作原理类似）。

---

3. 字典

字典存储键值对。将它们想象成贴有标签的盒子。

model_config = {
    "learning_rate": 0.001,
    "batch_size": 32,
    "epochs": 10,
    "optimizer": "adam"
}

# Access a value
print(model_config["learning_rate"])    # 0.001

# Update a value
model_config["epochs"] = 20

为什么这对人工智能很重要：模型配置、训练参数和结果几乎总是以字典的形式表示。当你在 AI 代码中看到 config = {...} 时，这就是正在发生的事情。

---

4. 循环

循环可让您对集合中的每个项目重复执行某个操作。

# for loop — iterate over a list
fruits = ["apple", "banana", "cherry"]
for fruit in fruits:
    print(fruit)

# range — loop a specific number of times
for i in range(5):
    print(i)    # prints 0, 1, 2, 3, 4

为什么这对人工智能很重要：训练循环迭代多个时期的数据。数据预处理循环清理数据集中的每一行。您几乎会在每个训练脚本中看到 for epoch in range(epochs):。

---

5. 函数

函数是可重用的代码块。您定义它们一次并调用它们多次。

def calculate_accuracy(correct, total):
    return correct / total

result = calculate_accuracy(85, 100)
print(result)    # 0.85

函数可以有参数的默认值：

def train_model(data, epochs=10, learning_rate=0.001):
    print(f"Training for {epochs} epochs at lr={learning_rate}")

train_model(data)                          # uses defaults
train_model(data, epochs=20)               # override one
train_model(data, epochs=20, learning_rate=0.01)   # override both

为什么这对人工智能很重要：每个机器学习库都是由函数组成的。 model.fit()、model.predict()、train_test_split() — 这些都是函数调用。了解函数如何工作（包括默认参数）可以解锁您阅读库文档的能力。

---

6. 条件句

accuracy = 0.92

if accuracy > 0.90:
    print("Model is performing well")
elif accuracy > 0.75:
    print("Model is acceptable")
else:
    print("Model needs improvement")

为什么这对人工智能很重要：条件逻辑出现在数据验证、早期停止标准和推理过程中的决策中。

---

7. 导入库

Python 的真正力量来自于它的库。您可以将它们导入到文件的顶部。

import numpy as np           # numerical computing
import pandas as pd          # data manipulation
import matplotlib.pyplot as plt   # plotting

as np 部分创建一个别名 - 您键入 np.array() 而不是 numpy.array()。这是标准约定。

为什么这对人工智能很重要：每个人工智能工作流程都从导入开始。上述三个——NumPy、Pandas 和 Matplotlib——几乎出现在每个数据科学笔记本中。

---

8.NumPy 基础知识

NumPy 是 Python 数值计算的基础。它的核心对象是数组。

import numpy as np

# Create arrays
a = np.array([1, 2, 3, 4, 5])
b = np.array([10, 20, 30, 40, 50])

# Operations apply element-wise
print(a + b)         # [11, 22, 33, 44, 55]
print(a * 2)         # [2, 4, 6, 8, 10]
print(np.mean(a))    # 3.0

# 2D arrays (matrices)
matrix = np.array([[1, 2], [3, 4], [5, 6]])
print(matrix.shape)  # (3, 2) — 3 rows, 2 columns

为什么这对人工智能很重要：神经网络权重、图像像素数据、词嵌入——全部存储为 NumPy 数组。当您看到 X_train.shape == (1000, 28, 28) 时，这是一个包含 1,000 个图像的 NumPy 数组，每个图像为 28×28 像素。

---

9. Pandas 基础知识

Pandas 用于处理表格数据——Python 中的电子表格。

import pandas as pd

# Load a CSV file
df = pd.read_csv("data.csv")

# Explore the data
print(df.head())         # first 5 rows
print(df.shape)          # (rows, columns)
print(df.columns)        # column names
print(df.describe())     # statistics

# Select a column
ages = df["age"]

# Filter rows
adults = df[df["age"] >= 18]

# Check for missing values
print(df.isnull().sum())

为什么这对人工智能很重要：现实世界的数据集以 CSV 文件形式出现。 Pandas 是您在训练模型之前加载、探索、清理和准备数据的方式。

---

10. 一个完整的迷你示例

下面是一个完整的 Python 脚本，它加载数据、分割数据、训练一个简单的模型并对其进行评估：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 1. Load data
df = pd.read_csv("customers.csv")

# 2. Separate features and target
X = df[["age", "income", "years_customer"]]
y = df["will_churn"]

# 3. Split into training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 4. Train a model
model = LogisticRegression()
model.fit(X_train, y_train)

# 5. Evaluate
predictions = model.predict(X_test)
accuracy = accuracy_score(y_test, predictions)
print(f"Accuracy: {accuracy:.2%}")

**逐行阅读本文。**有了上面的概念，你就可以理解它的每一行了。这就是目标——不是从头开始编写机器学习代码，而是能够阅读、理解和修改它。

---

你还不需要什么

要实用 AI 代码，您不需要立即学习：

• 面向对象编程（类、继承）
• 装饰器和高级 Python 功能
• 并发和异步代码
• 编写Python包和模块

随着您深入了解，这些内容会变得很有价值，但它们并不是使用 AI 工具和教程的先决条件。

---

在哪里练习

• Google Colab — 可访问 GPU 的免费笔记本
• Kaggle Learn — 免费的 Python 和 ML 微课程
• Exercism Python track — 在指导下进行实践练习

最好的学习方法是运行代码、破坏它、修复它并进行实验。选择您感兴趣的主题的 Kaggle 数据集，然后开始使用 Pandas 进行探索。

---

对于 AI 来说，Python 的流畅度并不是要记住语法。它是关于识别模式——了解循环是什么样子、函数调用做什么、导入带来什么。有了本指南中的概念，您就有了阅读 AI 教程、遵循代码示例并开始自己实验的基础。

想要了解人工智能基础知识的结构化路径吗？ AI Educademy 提供免费课程，带您从人工智能的基础知识到构建和训练您自己的模型 - 无需任何经验。