coding-python

用途

此技能可帮助 AI 使用核心功能和库生成、调试和优化 Python 3.12+ 代码，重点关注数据处理、异步操作和 Web 服务的实用实现。

适用场景

当任务涉及数据分析（例如使用 pandas/numpy）、构建 RESTful API（例如使用 FastAPI）、异步处理（例如 async/await）、数据验证（例如使用 pydantic）或环境管理（例如使用 venv/uv）时，请使用此技能。当代码需要类型提示以便维护，或需要 dataclasses 来定义简单结构体时，也请使用此技能，尤其适用于需要快速迭代的项目。

核心功能

• Python 3.12 功能：使用 async/await 实现非阻塞 I/O；使用 @dataclass 装饰器定义 dataclass；通过 from typing import List 强制使用类型提示（例如 def func(x: int) -> str:）。
• 标准库：使用 asyncio 管理事件循环（例如 asyncio.run(main())）；使用 venv 创建隔离环境（例如 python -m venv myenv）。
• uv 工具：作为 venv 的替代方案；使用 pip install uv 安装，然后通过 uv venv myenv 创建环境，并使用 source myenv/bin/activate 激活。
• 库：使用 FastAPI 构建异步 Web 应用（例如使用 @app.get("/") 定义路由）；使用 pandas 处理数据帧（例如 df = pd.DataFrame(data)）；使用 numpy 处理数组（例如 np.array([1, 2, 3])）；使用 pydantic 定义模型（例如 from pydantic import BaseModel; class Item(BaseModel): name: str）。

使用模式

为完成任务，请按以下方式组织代码：首先导入所需模块（例如 import asyncio, fastapi）；对 I/O 密集型操作使用异步函数（例如 async def fetch_data(): await asyncio.sleep(1)）；将脚本放入虚拟环境中，以隔离依赖项。对于项目，先使用 python -m venv .venv 初始化，再通过 pip install fastapi pandas numpy pydantic 安装依赖项。生成代码时，请确保包含类型提示（例如 def add(a: float, b: float) -> float: return a + b）。对于异步模式，请显式运行事件循环：asyncio.run(main())。务必通过在 shebang 或 requirements.txt 中指定版本，确保与 Python 3.12+ 兼容。

常用命令/API

• CLI 命令：使用 python -m venv env_name --prompt env_name 创建 venv（在 Windows 上使用 --copies 标志）；在 Unix 上使用 source env_name/bin/activate 激活，在 Windows 上使用 env_name\Scripts\activate 激活；使用 uv run script.py --watch 运行脚本并启用自动重载。安装软件包：pip install fastapi[all] 或 uv add fastapi。
• API 端点/方法：在 FastAPI 中定义端点，例如：from fastapi import FastAPI; app = FastAPI(); @app.get("/items/{item_id}") async def read_item(item_id: int): return {"item_id": item_id}。对于 pandas，使用 df.groupby('column').mean()；对于 numpy，使用 np.dot(array1, array2)；对于 pydantic，使用 item = Item(name="example") 验证数据。
• 配置格式：FastAPI 配置使用 JSON（例如在 settings.py 中使用 {"debug": true}）；密钥使用环境变量（例如 os.environ.get('API_KEY')）；依赖项使用 requirements.txt（例如 fastapi>=0.95.0\npandas==2.0.0）。

集成说明

通过设置 Python 项目来集成此技能：首先创建 venv，并使用 pip install -r requirements.txt 安装库。对于外部服务，使用环境变量进行身份验证（例如设置 export API_KEY=your_key，并在代码中通过 os.getenv('API_KEY') 访问）。与其他工具结合使用时，请按需导入（例如，执行异步数据库查询时使用 async with database.connect() as conn:）。确保兼容性：需要 Python 3.12+，因此请在 pyproject.toml 中使用 [tool.poetry.dependencies] python = "^3.12" 指定版本。测试时，使用 pytest 和 pytest --asyncio-mode=auto 处理异步测试。

错误处理

始终使用 try-except 块封装可能失败的代码：try: result = await fetch_data() except asyncio.TimeoutError as e: print(f"Timeout: {e}")。处理特定的库错误，例如 pandas 在列缺失时抛出的 KeyError（例如，try: df['nonexistent'] except KeyError: df['nonexistent'] = 0）。对于 pydantic，捕获 ValidationError（例如，from pydantic import ValidationError; try: item = Item(name=123) except ValidationError as e: log_error(e)）。使用 FastAPI 的异常处理器：@app.exception_handler(RequestValidationError) async def validation_exception_handler(request, exc): return JSONResponse(status_code=400, content={"detail": exc.errors()})。使用 import logging; logging.error("Message") 记录错误，并确保异步代码通过 try-finally 优雅地关闭。

使用示例

1. 构建 FastAPI 端点：如需创建用于检索数据的简单异步 API，请使用：from fastapi import FastAPI; import asyncio; app = FastAPI(); async def get_data(): await asyncio.sleep(1); return {"data": "fetched"}; @app.get("/") async def root(): return await get_data()。使用 uvicorn main:app --reload --port 8000 运行。
2. 使用 Pandas 和 Numpy 进行数据分析：如需处理数据集，请导入库并进行计算：import pandas as pd; import numpy as np; df = pd.DataFrame({'A': [1, 2]}); result = np.mean(df['A']); print(result) # Outputs mean value。在脚本中使用：保存为 analyze.py，然后通过 python analyze.py 运行。

图关系

• 相关项：coding 集群（例如，与 "coding-general" 共享标签，可用于更广泛的脚本编写；通过 FastAPI 与 "web-dev" 相连，用于构建 API；通过 pandas/numpy 与 "data-science" 相连，用于分析工作流）。