总有人私信问我Python 应该从哪开始学我的回答永远是同一句——先把数据类型玩明白。这句话不是说语法不重要而是因为在 Python 里无论你写变量、做判断、调函数、处理文件还是后面接触 pandas、numpy 做数据分析本质上都在跟不同的数据类型打交道。前两天一个读者拿了段爬虫代码问我为什么报错我一看是字符串和列表混着拼接连最基本的type()都没看。这种问题几乎每个零基础的人都会踩一遍。所以这篇教程我想把 Python 数据类型这条主线彻底讲透从int、float、str、bool、None这几个基本类型到list、tuple、dict、set四个容器类型再到类型转换的边界情况和常见坑最后延伸到 pandas 这类数据分析库里的dtype概念。不管你是完全零基础的小白还是已经写了点代码但老在类型上翻车的人这篇都值得慢慢看。1. 先搞清楚Python 数据类型到底是什么1.1 变量是标签不是“盒子”很多零基础的人对变量有个错误印象变量名是一个盒子赋值就是把值放进去。这个模型在 Python 里会让你产生大量误解。更准确的理解是变量名是便利贴数据对象才是真正存在于内存里的东西赋值就是在对象上贴一张名字标签。举个例子a [1, 2, 3] b a a.append(4) print(b) # [1, 2, 3, 4]如果变量是“盒子”那b a应该是把a里的[1, 2, 3]复制一份给b结果b不应该跟着变。但实际结果b变了因为a和b两个名字贴在了同一个列表对象上。这个区别是后面学习深浅拷贝、列表陷阱的前提。带着“标签”模型去看 Python 类型很多现象就自然了。比如a 1; b a; a 2最后b仍然是1因为整数是不可变对象给a重新贴2的标签不会影响b指向的整数对象1。1.2 Python 有哪些内置数据类型Python 官方文档把所有内置类型分成很多类但对零基础来说先记住这张表就够用类型名称是否可变典型场景int整数不可变计数、编号、索引float浮点数不可变价格、身高、测量值str字符串不可变文本、日志、路径bool布尔值不可变条件判断、开关状态NoneType空值不可变表示“什么都没有”list列表可变有序的一组数据tuple元组不可变固定结构的数据dict字典可变键值对映射关系set集合可变去重、集合运算你不需要一次全背下来但要有“家族感”数字家族、文本家族、容器家族。后面学函数、类、文件操作都是这几大家族在来回组合。想确认一个对象到底是什么类型最简单的方式就是type()print(type(1)) # class int print(type(hello)) # class str print(type([1, 2])) # class list用type()打印类型是我调试代码最常用的动作。一旦报错出现TypeError第一步永远是看看出错的那个变量到底是什么类型而不是盯着错误信息发呆。1.3 动态类型不等于“不用管类型”Python 是动态类型语言意思是变量本身没有固定的类型同一个变量今天指整数明天指字符串语法上完全允许x 1 x hello x [1, 2]这种写法能运行但不代表你可以忽略类型。动态类型解决的是“写起来灵活”的问题代价是“运行到某一行才暴露类型错误”。比如age input(请输入年龄: ) print(age 1)这段代码一运行就报错因为input()返回的是字符串字符串不能和整数相加。所以真正的项目里动态类型反而要求你有更强的“类型意识”。我见过太多新手把变量名全叫data、tmp写了几十行都不知道里面是什么类型调试起来非常痛苦。建议从第一天起养成看到变量就多想一步“它现在是什么类型”的习惯。后面我会详细讲type()和isinstance()怎么配合使用。2. 基本类型逐个拆解int、float、str、bool、None2.1 整数和浮点数精度问题提前说Python 3 里的int没有位数上限可以很大print(10 ** 100) # 一个 101 位的数字这在写算法题、处理大数时很省心。float是实数的近似表示遵循 IEEE 754 双精度标准所以它有一个经典问题0.1 0.2不等于0.3。print(0.1 0.2) # 0.30000000000000004原因很简单二进制无法精确表示 0.1 和 0.2就像十进制无法精确表示 1/3 一样。这种误差在科学计算里通常可以接受但在金额计算里不能忍。处理金钱最好用decimal.Decimal或者先把单位转成“分”再用整数计算。数值运算中有几个容易记混的符号print(7 // 2) # 3整除向下取整 print(7 % 2) # 1取余数 print(7 ** 2) # 49幂运算 print(-7 // 2) # -4注意负数整除也是向下取整如果你要写一个“判断奇数还是偶数”的功能记得用% 2。如果要做整数除法并保留结果用//得到整数用/得到浮点数。很多人第一次看到7 / 2 3.5而7 // 2 3会困惑其实这就是 Python 刻意区分“精确除法”和“整除”的设计比很多语言里int / int int的规则更符合直觉。2.2 字符串引号、切片和格式化字符串是字符的序列用单引号、双引号、三引号括起来都行。单双引号没有本质区别主要为了让字符串内部能包含另一种引号。三引号适合多行文本、文档字符串。s1 hello s2 Im a teacher s3 第一行 第二行提到路径时要小心反斜杠转义。Windows 路径写成普通字符串会出问题path C:\Users\new # \n 变成了换行 raw_path rC:\Users\new # 原始字符串推荐索引和切片是字符串最常用的操作。正索引从 0 开始负索引从 -1 从右往左数s python print(s[0]) # p print(s[-1]) # n print(s[0:2]) # py左闭右开取不到索引 2 print(s[::-1]) # nohtyp倒序字符串是不可变的所以s[0] P会报错。想改字符串只能靠切片、替换等方法生成新字符串。常用方法里我几乎天天用split、join、strip、replacetext hello,world print(text.strip()) # 去掉首尾空格 print(text.split(,)) # [hello, world] print(-.join([a, b, c])) # a-b-c print(text.replace(world, Python))格式化字符串一定要用 f-string直观、高效、可读性好name 张三 score 90.5 print(f{name} 的分数是 {score:.1f}) # 张三 的分数是 90.5字符串还有一个底层概念叫编码。计算机存的是字节你看到的中文和英文都要编码成字节。Python 里str是 Unicode 字符bytes是字节序列转换靠encode和decodes 中文 b s.encode(utf-8) print(b) # b\xe4\xb8\xad\xe6\x96\x87 print(b.decode(utf-8)) # 中文如果编码和解码用的不是同一个字符集就会出现乱码。日常处理文件时最稳妥的方式就是统一用 UTF-8。2.3 布尔值、None 和真假判断bool只有两个值True和False。它们通常来自比较表达式和逻辑运算也常被用来表示开关状态is_adult age 18 is_ok (score 60) and (attendance 0.8)有个反直觉的事实bool是int的子类。True 1为真False 0为真。正因为这个继承关系用type(x) int判断整数会漏掉布尔值后面讲isinstance时会专门说。Python 里每个对象都有“真假值”这叫真值测试。以下值一律被视为假0、0.0、、[]、()、{}、set()、None。其余都是真。这意味着你可以直接写if user_list: print(列表非空) else: print(列表为空)而不是写if len(user_list) ! 0。这是 Python 风格里很常见的一招变量是否存在内容一眼可见。None代表“空”是NoneType的唯一对象。函数没有return时默认返回None。判断变量是否为None要用is None不要用 Noneresult some_function() if result is None: print(函数没返回结果)is比较的是对象身份比较的是值。对于None这种单例对象is None是规范写法。2.4 类型转换的正确姿势Python 提供了几个内置函数做类型转换int(x)、float(x)、str(x)、bool(x)、list(x)、tuple(x)、dict(x)、set(x)。这是初学者必须练熟的一组操作。比较典型的用法print(int(12)) # 12 print(int(12, 16)) # 18按十六进制解析 print(float(3.14)) # 3.14 print(str(123)) # 123 print(bool()) # False print(list(abc)) # [a, b, c]注意int(3.14)会报错因为字符串里的小数点不是整数格式。必须先转成float再转成inttext 3.14 value float(text) print(int(value)) # 3转换失败会抛异常常见两种ValueError表示内容格式不对比如int(abc)TypeError表示类型本身不对比如int(None)。写代码时如果转换的数据来自用户输入、文件读取、接口返回一定要加异常处理否则程序会直接崩掉。后面我会给一个安全的转换函数模板。3. 容器类型list、tuple、dict、set 的区别与选择3.1 列表最常用的可变序列列表用方括号[]创建可以装任意类型的对象并且自身可变。它是 Python 里最百搭的容器。nums [1, 2, 3] nums.append(4) # 尾部追加 nums.extend([5, 6]) # 一次追加多个 nums.insert(0, 0) # 指定位置插入 print(nums) # [0, 1, 2, 3, 4, 5, 6] nums.pop() # 移除并返回最后一个元素 nums.remove(1) # 按值移除第一个匹配项列表支持切片和字符串的规则一致。列表元素也可以是列表形成嵌套结构比如矩阵、二维表格matrix [[1, 2], [3, 4]] print(matrix[1][0]) # 3列表推导式是一行生成列表的利器squares [x ** 2 for x in range(6)] even [x for x in range(20) if x % 2 0]这个语法一开始有点晕但用多了就回不去了。它的本质是“从某个序列里取元素做处理再放进新列表”。列表的一个经典坑是在循环中删除元素。因为删除会改变索引导致跳过一个元素arr [1, 2, 3, 4, 5] for x in arr: if x % 2 0: arr.remove(x) print(arr) # 可能会得到 [1, 3, 5]但不是所有情况都如你预期如果一定要在循环里删建议倒序遍历或者更简单地构建一个新列表arr [1, 2, 3, 4, 5] new_arr [x for x in arr if x % 2 ! 0]3.2 元组我就是要一个“不能改的列表”元组用圆括号()创建和列表最大的区别是不可变。有点像把一组数据“锁死”保证别人不会中途改掉。point (10, 20) year_month (2024, 7)有一个特别容易看走眼的地方创建只有一个元素的元组时必须加逗号t1 (1) # 这是整数 1不是元组 t2 (1,) # 这才是只有一个元素的元组 print(type(t1)) # class int print(type(t2)) # class tuple元组常配合解包使用a, b (1, 2) print(a, b) # 1 2解包的本质是把元组里的元素按位置赋值给变量这个能力在写循环、函数返回值时非常香。比如for index, item in enumerate(items)就是解包(index, item)。元组不可变但如果你往元组里塞了一个列表列表本身还是能变的t ([1, 2], 3) t[0].append(99) print(t) # ([1, 2, 99], 3)这是因为元组锁住的是“元素的引用”不是引用指向的对象。理解这一点你就不会对“元组不可变”产生误判。3.3 字典键值对的查找神器字典用花括号{}创建存放的是键值对。它的核心优势是查找速度极快尤其在数据量大的时候。列表查找要挨个比字典查找直接算位置复杂度差异非常明显。user { name: 小明, age: 18, city: Shanghai } print(user[name]) # 小明 print(user.get(age)) # 18 print(user.get(score, 0)) # 0键不存在时返回默认值用user[score]如果键不存在会抛KeyError用get则不会。所以从外部数据构建的字典读取时优先用get。字典的键必须是不可变类型。str、int、tuple都可以作为键list、dict、set不行因为它们可以变会导致哈希值不稳定。这是 Python 的一个硬性约束犯错时会看到TypeError: unhashable type: list。遍历字典有三种姿势for key in user: print(key) # 默认遍历键 for value in user.values(): print(value) # 遍历值 for key, value in user.items(): print(key, value) # 同时遍历键和值Python 3.7 以后字典保留了插入顺序所以“字典是乱序”的旧印象可以改一改了。它只是不能像列表那样按下标取元素而是按关键字取。3.4 集合去重、交集、并集集合用花括号{}创建但要注意{}创建的是空字典空集合必须用set()s {1, 2, 3} empty set()集合的核心特性是元素不重复、无序。最常见的需求就是去重words [apple, banana, apple] unique_words set(words) print(unique_words) # {apple, banana}集合运算很直观a {1, 2, 3} b {2, 3, 4} print(a b) # {2, 3}交集 print(a | b) # {1, 2, 3, 4}并集 print(a - b) # {1}差集 print(a ^ b) # {1, 4}对称差集集合元素也必须是可哈希的所以列表不能放进去。如果你想用列表的列表去重只能转成元组再进集合。需要注意set没有顺序直接list(set(words))去重后顺序可能变。需要保持原顺序时用dict.fromkeyswords [apple, banana, apple, cherry] result list(dict.fromkeys(words)) print(result) # [apple, banana, cherry]原理也很简单字典的键不重复且从 Python 3.7 起保持插入顺序。这个技巧在需要“去重且保持原序”时很实用。3.5 四个容器怎么互相转换容器转换是写代码时绕不开的操作。四个容器之间大部分都能互转print(list((1, 2, 3))) # 元组转列表 print(tuple([1, 2, 3])) # 列表转元组 print(set([1, 2, 2, 3])) # 列表转集合顺带去重 print(list({a: 1, b: 2})) # 字典转列表得到键的列表 print(dict([(a, 1), (b, 2)])) # 两元素列表转字典还有一种常用场景把两个列表凑成字典keys [name, age] values [张三, 18] info dict(zip(keys, values)) print(info) # {name: 张三, age: 18}zip把两个序列按位置一对一对“拉链”起来配上dict()就是现成的字典。写爬虫、处理表格时这种写法经常遇到。3.6 可变与不可变90% 新手掉过的坑可变对象和不可变对象的行为差异是 Python 教程讲得最多、新手掉坑也最多的地方。我总结几个典型场景。第一个是函数默认参数用可变对象def add_item(item, items[]): items.append(item) return items print(add_item(1)) # [1] print(add_item(2)) # [1, 2]第二次调用时默认列表已经变了这个问题的根源在于默认参数[]在函数定义时只创建一次后续所有调用共享同一个列表。正确写法是默认参数用None函数内部再创建新列表。第二个是局部修改外部容器def clean(nums): nums.clear() data [1, 2, 3] clean(data) print(data) # []列表是可变对象作为参数传入函数后函数内部的原地修改会影响到外部变量。如果你不想影响外部就传副本clean(data.copy())。第三个是深浅拷贝。list.copy()和切片copy()都是浅拷贝只复制外层列表内层嵌套的列表仍然共享origin [[1, 2], [3, 4]] shallow origin.copy() shallow[0][0] 99 print(origin) # [[99, 2], [3, 4]]要彻底独立用copy.deepcopyimport copy deep copy.deepcopy(origin) deep[0][0] 0 print(origin) # [[99, 2], [3, 4]]遇到包含嵌套容器的数据先想清楚“我是要共享还是要独立副本”。这是列表、字典操作里最实用的一课。4. 类型判断和类型转换的实战细节4.1 type() 和 isinstance() 怎么选判断类型有两个常用函数type()和isinstance()。很多人随手用type(x) int但这里有个坑。print(type(1) int) # True print(type(True) int) # False print(isinstance(True, int)) # True因为bool是int的子类type(True)返回的是bool不等于int但isinstance会考虑继承关系所以True被认为是整数的一种。绝大多数情况下判断类型应该用isinstance尤其是你不想把布尔值排除在整数之外的时候。isinstance还支持元组类型from numbers import Integral, Real print(isinstance(3, (int, float))) # True print(isinstance(True, (int, float))) # True如果你写的是通用函数只关心对象是不是“数”可以用numbers模块里的抽象类型而不是死磕int和float。这样代码对 numpy 数值类型也能兼容不会被原生类型限制死。4.2 隐藏在 、is、in 和布尔运算里的类型规则前面说过比较值is比较内存地址。新手最容易踩的坑是“小整数缓存”Python 为了性能会缓存-5到256之间的整数导致某些情况下a is b为真a 256 b 256 print(a is b) # True但这是实现细节 c 257 d 257 print(c is d) # False每次创建新对象不要依赖这种缓存行为。判断数字相等用只有判断None、单例对象时才用is。这个原则在大多数语言里都适用。in运算符也有类型差异。x in list是线性扫描x in set或x in dict是哈希查找后者的查找速度几乎不受容器大小影响。所以当你在一个大列表里反复判断成员关系应该先转成集合big_list list(range(100000)) big_set set(big_list) print(99999 in big_set) # 快很多and和or的返回值也容易让人迷惑。它们返回的并不一定是布尔值而是决定整个表达式结果的最后一个对象print(0 or default) # default print(hi and bye) # bye这个特性有时候很有用比如设置默认值name user_name or 匿名。4.3 强制转换的边界和异常处理类型转换不只是书上那几行int(12)实战中大量数据来自网络、文件、用户输入什么鬼格式都有。我建议封装一个“安全转换函数”def safe_int(value, defaultNone): try: return int(value) except (ValueError, TypeError): return defaultValueError覆盖“字符串内容不是数字”的情况TypeError覆盖“对象根本没有转换成整数的接口”的情况。用这个函数你就不用到处写 try except代码干净得多。浮点数还有一个特殊值无穷大和 NaN。float(inf)表示正无穷float(nan)表示不是一个数。NaN 有一点非常反直觉它不等于它自己import math nan_value float(nan) print(nan_value nan_value) # False print(math.isnan(nan_value)) # True因此判断一个值是否为 NaN要用math.isnan不要用。在数据分析中NaN 经常出现在缺失值里这个坑也是高频。4.4 格式化、文件读写和 JSON 里的类型问题数字格式化很简单f-string 里:.2f保留两位小数:,添加千分位price 1234567.891 print(f{price:,.2f}) # 1,234,567.89文件读写时会遇到类型问题。open()读出来的文本永远是字符串想当数字处理就得先转换with open(data.txt, encodingutf-8) as f: lines f.readlines() nums [int(line.strip()) for line in lines]写入时反过来数值要str()转成字符串才能写。很多新手在这两类代码里卡住因为没意识到“文件是字节和文本的边界不是类型自动转换器”。JSON 是前后端、爬虫、接口对接最常见的格式。json.dumps只能序列化基础类型如果你的字典键是整数序列化时会被强制转成字符串import json data {1: a, 2: b} print(json.dumps(data)) # {1: a, 2: b}如果对象里有set、datetime、自定义类直接dumps会报TypeError: Object of type set is not JSON serializable。解决办法是先转换成列表、字符串等基础类型或者写一个自定义的默认转换函数。处理 JSON 数据时我建议每次都打印一下type()和len()先确认拿回来的是列表还是字典再动手遍历。5. 扩展到 pandas、Redis 和 JavaScript 的类型体系5.1 pandas 的 dtype数据分析必懂学 Python 数据分析和数据科学绕不开 pandas。pandas 里的Series和DataFrame也有“类型”的概念但不叫type叫dtype。常见的有int64、float64、object、bool、datetime64、category等。你可以用dtypes查看每个列的类型import pandas as pd df pd.DataFrame({ age: [20, 25, 30], score: [80.5, 90.2, 88.0] }) print(df.dtypes) # age object # score object看到object就要警惕这一列其实存的是 Python 对象通常是字符串。想让列能算平均值、做排序就得转换类型df[age] pd.to_numeric(df[age]) df[score] df[score].astype(float) print(df.dtypes) # age int64 # score float64pd.to_numeric和astype是两种常用方式。astype适合明确转换pd.to_numeric更适合处理混合格式还可以加errorscoerce把转不过去的值变成NaN。为什么 pandas 这么在意数据类型因为int64的列在内存和运算速度上比object列好太多大数据量下差距会非常明显。做数据分析的第一课就是先看dtypes再决定要不要转。5.2 不同语言里的数据类型对比很多人搜过“redis 数据类型”“javascript 判断数据类型”“java 数据类型”其实学习 Python 类型后再看其他语言会有种“熟悉的陌生感”。Redis 的string、hash、list、set、zset和 Python 的字符串、字典、列表、集合概念上有相似但底层完全不同。比如 Redis 的list是链表支持头尾操作Python 的list是动态数组按下标访问更快。Redis 的set是无序集合和 Python 的set行为上很像但它们本质是不同软件里的数据结构谈不上完全等价。JavaScript 的类型判断体系是最容易闹笑话的typeof []返回object所以判断数组要用Array.isArray([])或者Object.prototype.toString.call([])。Java 是静态强类型声明变量必须写类型比如int a 1编译期就锁死了。Python 用动态类型加类型注解介于两者之间既灵活又可以通过工具做检查。这些对比能帮你建立一个更通用的认知数据类型的本质是“对象能支持哪些操作”不同语言用不同规则描述同一件事。理解了 Python 的可变不可变、容器类型、哈希规则学习任何一门新语言的数据结构都会快很多。5.3 零基础到底要不要一上来就学 pandas我的建议很直接不要急着上 pandas。先花一两周把 Python 原生数据类型、条件分支、循环、函数搞熟练再碰 pandas。原因很简单pandas 里的dtype、索引、缺失值处理、apply函数全是建立在 Python 基础类型之上的。如果连str和int的区别都不清楚看到一个object类型的列只会更懵。正确的路线是原生的int/float/str/bool用熟以后学list/dict然后学函数和文件读写最后再进入 pandas。到那时你会发现 pandas 的很多操作其实就是“把原生类型搬进表格结构”。很多人学到 pandas 转换类型时半天转不过弯不是因为 pandas 难而是前面原生类型的底子没打牢。数据结构的基本功值得你在开头多花点时间。6. 常见坑、练习清单和类型注解6.1 我见过的十大典型错误根据我带过学员的经验我把最常见的十个和数据类型相关的错误列成速查表。建议你把它存下来写代码前扫一眼。错误写法会看到什么正确思路用 list 做 dict 的键TypeError: unhashable type: list改用 tuple 作为键修改字符串中的字符TypeError: str object does not support item assignment字符串不可变用切片/替换生成新字符串字符串和整数直接拼接TypeError: can only concatenate str (not int) to str先str(数字)或改用 f-string用 None判断大多数情况能跑但语义不对用is None集合去重后顺序变了结果无规律用list(dict.fromkeys(...))保序循环时删除列表元素元素被跳过结果诡异构建新列表或倒序循环函数默认参数写[]多次调用数据累积默认参数用None函数内再创建用 float 算金额出现0.30000000000000004一类的误差用 Decimal 或整数分用type(x) int判断整数对True判断失败用isinstance(x, int)复制嵌套列表后改内容原列表也跟着变用copy.deepcopy这些坑不是靠背记住的而是靠踩过之后形成条件反射。看到TypeError的时候第一反应不是“哪里语法错了”而是“哪个变量的类型和我以为的不一样”。6.2 建议的练习路线和小任务数据类型是“看十遍不如写一遍”的内容。下面几个小任务是我给零基础学员设计的练习路线难度逐步上升每个任务都会用到不同数据类型。第一个任务写一个 BMI 计算器。输入身高和体重计算 BMI 并打印结果。这个任务会让你练input()返回字符串、float()转换、f-string 格式化输出把str/float串一遍。height float(input(请输入身高(米): )) weight float(input(请输入体重(千克): )) bmi weight / height ** 2 print(f你的 BMI 是 {bmi:.2f})第二个任务输入一段英文文本统计每个单词出现的次数。这是str、list、dict的组合练习也是词频统计的雏形。text the quick brown fox jumps over the lazy dog the words text.split() counts {} for word in words: counts[word] counts.get(word, 0) 1 print(counts)第三个任务把一个列表里的重复元素去掉同时保持原顺序。用dict.fromkeys实现体会字典键不重复、保持插入顺序的特性。items [apple, banana, apple, cherry, banana] unique list(dict.fromkeys(items)) print(unique) # [apple, banana, cherry]第四个任务定义两个集合输出交集、并集、差集。这个任务不仅练set也练 Python 运算符的直观风格。a {python, java, c} b {python, javascript, go} print(a b) # {python} print(a | b) # {python, java, c, javascript, go}每个任务做完都建议在关键位置加一行print(type(x))观察同一段流程里变量类型是怎么变化的。我自己学的时候就是这样在“类型”旁反复打标记后来才有了一眼看出类型问题的能力。6.3 从类型注解开始让自己的代码更稳Python 是动态类型但你不是必须把所有类型信息都丢掉。从 3.5 开始Python 支持类型注解写函数时能标出参数类型和返回值类型from typing import Dict, List def count_words(words: List[str]) - Dict[str, int]: result: Dict[str, int] {} for word in words: result[word] result.get(word, 0) 1 return result这里的List[str]表示“字符串组成的列表”Dict[str, int]表示“字符串到整数字典”。运行时 Python 不会强制执行但mypy、VSCode 的 Pylance 会在静态分析阶段帮你抓出类型错误。这等于把动态类型的灵活和静态类型的检查结合了起来是现在主流 Python 工程的标准做法。类型注解对零基础最大的价值不是“学一门新语法”而是逼你想清楚每个变量“到底是什么”。当你写def process(data: List[str])时你就不会随手传入一个str。当函数报错时IDE 会直接提醒类型不匹配。这个习惯越早养成后面写 pandas、写机器学习代码就越稳。还有个小经验在 VSCode 里打开 Python 文件时把鼠标悬停在变量上它会直接显示推断出来的类型。写一行代码看一眼类型提示这比任何教程都管用。最后分享一个我自己的习惯每段代码写完我都会随手打印一下关键变量的type()尤其在调试 JSON、处理文件读取数据的时候。类型这种东西你踩过的坑越多就会越有感觉。零基础阶段别急着追求“看懂高级代码”先把int、str、list、dict这几个老朋友搞清楚后面学 pandas、写自动化脚本、处理数据都会顺很多。祝你在数据类型这条路上少踩坑早点体会到“类型对了代码自然就稳了”的乐趣。