第四章 Python进阶：函数定义与调用、模块与包、文件读写、异常处理、列表推导式

好，咱们进入Python进阶环节。说实话，基础语法就像认识字，而这一章的内容，才是真正开始「写文章」。函数、模块、文件操作、异常处理——这些是每个金融数据工程师吃饭的家伙。我当年刚入行时，就是靠把这些东西啃透，才从「能跑代码」变成了「能写工程」。

4.1 函数定义与调用：把代码装进盒子里

函数是什么？说白了，就是把一段逻辑打包，起个名字，随用随调。你想想看，如果每次计算夏普比率都要重写一遍公式，那得多崩溃？

def 函数名(参数1, 参数2=默认值):
    """文档字符串：说明函数做什么"""
    # 函数体
    return 返回值

我个人习惯，写函数一定加文档字符串。为什么？因为三个月后你自己都忘了这函数是干嘛的。我在项目中遇到过，同事写了个 calc()，没有注释，我看了半天才发现是在算年化波动率——嗯，从那以后我规定团队所有函数必须写 docstring。

4.1.1 参数传递：值传递 vs 引用传递

这里有个坑，我必须要讲。Python的参数传递，其实既不是值传递也不是引用传递，而是「对象引用传递」。什么意思？

def modify_list(lst):
    lst.append(4)  # 会修改原列表
    lst = [1, 2, 3]  # 不会修改原列表

my_list = [0]
modify_list(my_list)
print(my_list)  # 输出 [0, 4]

看到了吗？append 操作修改了原对象，但重新赋值只是让局部变量指向了新对象。我曾经因为这个bug，让一个回测系统跑出了错误结果，排查了整整一个下午。

def add_stock(stock, portfolio=[]):  # 危险！
    portfolio.append(stock)
    return portfolio

# 正确做法：
def add_stock(stock, portfolio=None):
    if portfolio is None:
        portfolio = []
    portfolio.append(stock)
    return portfolio

4.1.2 匿名函数：lambda表达式

有些函数只用一次，没必要专门定义。这时候lambda就派上用场了。比如对股票代码排序：

stocks = ['600001', '000001', '300001']
stocks.sort(key=lambda x: x[0])  # 按首位数字排序

lambda说白了就是「一次性函数」。我建议只在逻辑简单时用，超过一行逻辑还是老老实实写def吧。

4.2 模块与包：组织你的代码

一个项目写下来，几百行代码是常事。全塞在一个文件里？那叫「屎山」。模块和包就是用来分门别类的。

我给你们画个图，看看金融数据项目常见的包结构：

实际项目中，我习惯在 __init__.py 里做两件事：一是定义 __all__ 控制导出，二是做懒加载。比如：

# data_fetch/__init__.py
__all__ = ['stock_api', 'bond_api']

def get_stock_data(code):
    from .stock_api import get_data  # 懒加载
    return get_data(code)

4.3 文件读写：和硬盘打交道

金融数据工程师，天天和文件打交道。CSV、JSON、Excel——都是家常便饭。Python的文件操作，核心就三句话：打开、读写、关闭。

4.3.1 上下文管理器：with语句

我见过太多新手忘记关文件了。用 with 语句，自动帮你关，省心又安全。

# 读CSV文件
with open('stock_data.csv', 'r', encoding='utf-8') as f:
    for line in f:
        print(line.strip())

# 写JSON文件
import json
data = {'code': '000001', 'price': 12.5}
with open('stock_info.json', 'w') as f:
    json.dump(data, f, ensure_ascii=False, indent=2)

我个人习惯，所有文件操作都用 with。为什么？因为有一次生产环境出了异常，程序崩溃了，没来得及关文件，导致文件锁死，后续任务全部失败——嗯，从那以后我强制团队用 with。

4.3.2 常用文件格式处理

4.4 异常处理：让程序更健壮

代码总会出错。网络断了、文件没了、数据格式不对——异常处理就是给程序穿上防弹衣。

4.4.1 try-except 结构

try:
    price = get_stock_price('000001')
    print(f"当前价格：{price}")
except ConnectionError:
    print("网络连接失败，稍后重试")
except ValueError as e:
    print(f"数据格式错误：{e}")
except Exception as e:
    print(f"未知错误：{e}")
    # 记录日志
    log_error(e)
else:
    print("获取成功！")
finally:
    print("无论成功失败，都会执行")

我曾经在写量化回测时，没有处理除零异常，结果一个股票停牌导致波动率为0，回测直接崩溃——嗯，从那以后我养成了「能捕获的异常一定要捕获」的习惯。

4.4.2 自定义异常

当内置异常不够用时，可以自己定义。比如金融数据特有的「数据缺失异常」：

class DataMissingError(Exception):
    """数据缺失异常"""
    def __init__(self, stock_code, date):
        self.stock_code = stock_code
        self.date = date
        super().__init__(f"{date} 缺失 {stock_code} 的数据")

# 使用
if data is None:
    raise DataMissingError('000001', '2024-01-01')

4.5 列表推导式：Pythonic的写法

列表推导式，说白了就是「用一行代码搞定循环」。它让代码更简洁，更易读——前提是你得习惯这种写法。

4.5.1 基础用法

# 传统写法
prices = []
for stock in stocks:
    if stock['price'] > 10:
        prices.append(stock['price'])

# 列表推导式
prices = [stock['price'] for stock in stocks if stock['price'] > 10]

我个人习惯，简单的逻辑用推导式，复杂的逻辑还是老老实实写循环。为什么？因为可读性更重要。你想想看，一行代码写50个字符，别人看不懂，那还不如拆成三行。

4.5.2 进阶用法

# 假设 prices 是字典，key为股票代码，value为价格列表
daily_returns = {
    code: [(prices[i]-prices[i-1])/prices[i-1] 
           for i in range(1, len(prices))]
    for code, prices in stock_data.items()
}

好了，这一章的内容就到这里。函数、模块、文件、异常、推导式——这些是金融数据工程师的日常工具。多写、多用、多踩坑，慢慢就熟练了。记住我的一句话：好的代码不是一次写成的，而是不断重构出来的。

公众号:蓝海资料掘金营，微信deep3321