好程序员Python培训分享Python编程中常见的异常处理

　　好程序员Python培训分享Python编程中常见的异常处理，今天将对python编程中经常会遇到的一些报错与异常的进行总结与分析，虽然不会面面俱到，但是可以提供一种面对这样的问题时的思考方法，会对python的编程能力的提高有所帮助。

　　初学python经常会遇到的一些错误：

　　下面错误类型的先后顺序基本上是按照从0到有一定基础的过程会遇到的一些报错问题：

　　NameError：在刚开始接触编程的朋友，容易犯这个错误，没有声明定义对应引用的变量，即，你来了一个无中生有。找到对应的变量，声明即可。

　　SyntaxError：这个出错，都是语法类型的错误，例如多个半括号，少个半括号，for循环时，末尾忘记英文冒号等等。出现这个错误，说明你对python的语法很不熟悉，多练习就是。

　　IndentationError：缩进不正确，python语法不熟练的明显表现，采用tab键进行缩进比较比较方便，例外科普一个小技巧，在jupyter中如果要对一堆代码进行批量缩进时，选中这堆代码，按tab来进行缩进，按shift+tab代码整体前进。

　　ImportError：开始出现这个错误，说明你有了一丢丢基础，开始要调包了。但是还不是很熟练python中第三方包的使用方法。这里具体说一下每一种方法的差异，就拿最常见的pandas来举例

　　import pandas as pd

　　导入pandas包，记为 pd。后续需要调用pandas库底下的子函数API时，这样操作：pd.read_csv 此时我们调用pandas下的一个文件读取函数read_csv，它支持许多格式的文件的读取，例如，csv,tsv,txt等等，具体需要去探究。

　　还有一种是：

　　from pandas import *

　　这个是导入pandas一级下属的所有API接口，相当于把pandas的一堆工具散乱的扔给你，一是占空间，二是用起来你得记住对应的函数才行，而第一种可以采用tab补全的方法，知道API接口大概拼写即可。

　　还有一种：

　　from pandas import read_csv, concat

　　这个就比较简洁，只把自己需要的拿出来即可，在调用特别大的包的时候，这种方法比较好，例如sklearn，很少有见 import sklearn as sl 吧，就像一直负重前行。在知道自己具体要用哪几个API的情况下，这种最优。

　　TypeError：这个类型的错误慢慢开始由于一些有些复杂的原因引起。例如：

　　TypeError : argument of type 'int' is not iterable 此处是因为int不可迭代。

　　TypeError: cannot unpack non-iterable int object 此处是循环的变量中的元素不是一个可以。这一类型的错误需要你对python有一些掌握，例如dict的key是不可重复的等等，需要在错误中累积这一类的知识。

　　MoudleNotFoundError：就是你导入的包当前是木有的，这里顺便说一下各种下载包的方式，首先就是在编译器里，此操作不论是在Windows下还是公司的Linux下都可以这样：!pip install module_name 感叹号为英文的

　　但是如果是阿里云，腾讯云，百度的ai-stduio这种云服务器的话，需要做一定的改变：!pip install --user module_name 这个是一个小tip。个人有一种预感，以后云服务器会越来越普及，至少是在大数据算法爱好者中，Windows的，数据量稍微大一点，动不动就跑的死机，云服务器则不存在这个问题，而且现在慢慢开始有了限时免费的云服务器，再往以后可能就会像流量这样便宜。

　　ValueError：这个通常是在对一个数据容器进行拆解的时候，拆出来的元素个数与赋值的变量个数不匹配，例如：

　　a,b,c = ['1','1','1','1'] 里面四个元素，外面配三个变量，肯定报错

　　ValueError: too many values to unpack (expected 3)

　　当然还有其他的原因造成ValueError，例如：

　　ValueError: The truth value of a Series is ambiguous

　　ZeroDivisionError：这个就是你在做除法时，除数为0所致，python2与python3的除法有所不同，有时候容易犯这个错误。python2的只是取整数部分，不四舍五入，例如:

　　a=0.6

　　1/a 在python2中是会报错的。其他情况下报这个错，就需要检查一下你的对应变量的精度设置了，并且在循环指定条件逐步对某一初始为0的变量进行迭代累加的时候，也容易出现这个错误，例如，在机器学习算法或者推荐算法的召回率，准确率时，计算hit，数据质量较差时就容易出现这个问题。

　　IndexError：索引出错了，超出范围。

　　IndexError: list index out of range

　　KeyError：出现KeyError，基本说明你开始会用python了，因为字典dict是python中应用最为广泛的数据存储容器，学会字典的各种操作很重要。

　　FileNotFoundError：可能是在你开始采用python进行一些数据分析预测，或者推荐算法，或者nlp或者cv什么的时候，文件的路径或者文件格式，文件名出错导致文件找不到。

　　AttributeError：说通俗一些，就是某个数据结构或者类型没有某种操作，你却非要用这种操作，那就要报错了，例如：

　　AttributeError: 'tuple' object has no attribute 'remove'出现这样的错误的时候，说明对python各种东西学习的有些多，混淆了一些操作。例如list的元素添加是append，你非要用update来给list添加，而update是set或者dict的，如下：

　　AttributeError: 'list' object has no attribute 'update'

　　MemoryError：开始遇到这个错误的时候，说明你的python基础基本掌握，就是在你在处理一个比较大的数据集的时候，你的程序太low，例如，各种循环，嵌套循环，电脑被你玩蒙圈了，内存不足。这个说明一点，要开始学习python的数据结构与算法了，正式开始难点了。一些像小顶堆，大顶堆，二叉树，动态规划，链表，队列的家伙开始出现在你的视野里，并且开始看不懂一些诡异的很巧妙的小算法。

所以这就验证了一个说法，python入门容易，但请看清楚了，仅仅是入门容易，你不能一直站在门口吧，往里面走一点，你就要费点劲。因此，需要进一步去巩固基础的东西，这些日常的报错异常只是在反馈你的bug，自己的学习过程也是一个机器学习的train与test的过程，学到东西开始用习题拟合，如果习题都是你做过的，抱歉，过拟合了，当上test的时候，你的正确率就大幅下降，你就需要修正你的训练集了；如果你是个懒家伙，习题没做几个，就直接上test，欠拟合了，结果还是不好。所以就是在这样的不断迭代优化的过程中，我们学习的知识模型的泛化能力越来越好。