LLM系列：1.Python入门：2.数值型对象运算与科学计算实战

1. Python数值型对象基础：从创建到实战

第一次接触Python做数据分析时，我被各种数值类型绕晕了——明明都是数字，为什么要有int、float、complex之分？后来处理LLM的embedding数据时才明白，这就像做菜要分食材，数值类型就是数据处理的"原材料"。让我们用实际场景拆解这三种基础类型。

1.1 整数型(int)：计数与索引的基石

整数在LLM预处理中最常见的用途就是计数和索引。比如统计文本词频时，每个词出现的次数必须用整数记录。我常用两种创建方式：

# 直接赋值创建 word_count = 15 print(type(word_count)) # 输出: <class 'int'> # 通过int()转换 temperature = 38.5 discrete_temp = int(temperature) # 输出: 38 (直接截断小数)

这里有个新手容易踩的坑：int()是截断不是四舍五入。上周处理温度数据时就因为这个导致统计偏差，应该先用round()再转int：

correct_temp = int(round(38.7)) # 正确做法 → 39

1.2 浮点型(float)：科学计算的标配

处理神经网络的权重参数时，浮点数才是主角。创建浮点数有三大实用技巧：

# 常规写法 learning_rate = 0.001 # 科学计数法（处理极大/极小值特别方便） avogadro = 6.022e23 # 阿伏伽德罗常数 electron_mass = 9.109e-31 # 电子质量 # 强制转换 batch_size = 32 float_batch = float(batch_size) # 32.0

特别注意：金融计算要慎用float！曾经有个同事用float存金额，0.1+0.2居然得到0.30000000000000004，后来改用Decimal模块才解决。

1.3 复数(complex)：信号处理的秘密武器

虽然NLP中较少使用，但在语音信号处理时复数大显身手。创建复数时注意虚部用j：

# 创建频域信号 signal = 3 + 4j print(signal.real) # 实部 → 3.0 print(signal.imag) # 虚部 → 4.0 # 极坐标转换 import cmath polar = cmath.phase(signal) # 相位角 → 0.9272952180016122

2. 数值运算核心操作：从基础到进阶

刚开始写数据处理代码时，我总被各种运算符搞混，直到把它们分成三个等级来理解：

2.1 新手必会的算术运算符

这组运算符就像计算器上的基本功能：

a, b = 7, 3 print(a + b) # 加法 → 10 print(a - b) # 减法 → 4 print(a * b) # 乘法 → 21 print(a / b) # 真除法 → 2.333... print(a // b) # 整除法 → 2 print(a % b) # 取余 → 1 (周期计算常用) print(a ** b) # 幂运算 → 343

实际案例：用%实现循环队列索引时特别方便：

index = (current_index + offset) % queue_length

2.2 数据处理三剑客：abs/max/min

数据清洗时这三个函数使用频率超高：

# 特征归一化前先取绝对值 features = [-1.2, 2.5, -0.8] abs_features = [abs(x) for x in features] # [1.2, 2.5, 0.8] # 找极值 max_value = max(3, 7, 2) # 7 min_value = min([1.5, 2.0, 0.8]) # 0.8 (也支持迭代器)

2.3 舍入控制round的陷阱

round()函数有个反直觉的特性——银行家舍入法（四舍六入五成双）：

print(round(3.5)) # 4 print(round(4.5)) # 4 (!) print(round(2.675, 2)) # 2.67 (!)

金融场景建议用decimal模块，科学计算可以这样处理：

def safe_round(x, digits=0): return int(x * 10**digits + 0.5) / 10**digits

3. math模块的科学计算实战

当内置函数不够用时，math模块就是我们的瑞士军刀。先看个典型导入方式：

import math from math import sqrt # 推荐单独导入常用函数

3.1 指数与对数运算

LLM的损失函数计算离不开这些：

# 自然指数 math.exp(2) # e^2 ≈ 7.389 # 各种对数 math.log(100, 10) # log10(100) = 2.0 math.log2(1024) # 10.0 math.log1p(1e-5) # 处理微小值更精确

3.2 取整与开方

数据分箱(binning)时的必备技能：

# 两种取整方式 math.ceil(3.2) # 向上 → 4 math.floor(3.8) # 向下 → 3 # 平方根比较 math.sqrt(9) # 3.0 9 ** 0.5 # 等价写法

3.3 三角函数与距离计算

处理词向量相似度时会用到：

angle = math.radians(60) # 角度转弧度 math.cos(angle) # 0.5000000000000001 # 欧氏距离 def euclidean_distance(v1, v2): return math.sqrt(sum((x-y)**2 for x,y in zip(v1,v2)))

4. 复合运算符与性能优化

处理大规模数据时，这些技巧能提升10倍性能：

4.1 复合运算符的妙用

不仅简化代码，还能减少临时对象创建：

# 传统写法 count = count + 1 # 优化写法 count += 1 # 同样适用于列表追加等操作

4.2 数值运算的性能陷阱

比较三种计算方式的效率差异：

# 最慢：循环累加 result = 0 for i in range(1000000): result += i**2 # 中等：列表推导 sum([i**2 for i in range(1000000)]) # 最快：生成器表达式 sum(i**2 for i in range(1000000))

4.3 类型转换的性能对比

批量处理时类型转换也有讲究：

import numpy as np # Python原生转换 %timeit [float(x) for x in range(1000)] # 约50μs # NumPy向量化 %timeit np.arange(1000, dtype=float) # 约1μs

5. 综合实战：从数据预处理到特征工程

结合Kaggle竞赛案例，看数值运算的完整流程：

5.1 数据标准化处理

使用基本运算实现Z-score标准化：

def z_score_normalize(data): mean = sum(data) / len(data) std_dev = math.sqrt(sum((x-mean)**2 for x in data) / len(data)) return [(x-mean)/std_dev for x in data]

5.2 特征缩放技巧

将数值特征压缩到[0,1]区间：

def min_max_scale(data): min_val = min(data) max_val = max(data) return [(x-min_val)/(max_val-min_val) for x in data]

5.3 分箱离散化处理

将连续年龄转换为年龄段：

age = [23, 45, 67, 12, 35] # 使用math.floor实现 bins = [math.floor(x/10)*10 for x in age] # [20, 40, 60, 10, 30]

6. 调试技巧与常见错误

这些年我踩过的坑总结：

6.1 浮点数精度问题

# 错误比较方式 if 0.1 + 0.2 == 0.3: # False! pass # 正确做法 from math import isclose isclose(0.1 + 0.2, 0.3) # True

6.2 类型混用错误

# 类型不匹配 try: result = "Score: " + 95 # TypeError! except TypeError: result = f"Score: {95}"

6.3 大整数运算优化

Python的int不限长度，但超大数运算很慢：

# 普通计算 %timeit 2**10000 # 约50μs # 使用位移优化 %timeit 1 << 10000 # 约0.3μs