第2章：Python基础回顾——数据类型、控制流、函数定义、面向对象编程要点

说实话，很多教程一上来就教你怎么用 Dash 画图，结果读者连列表推导式和生成器都分不清。我个人觉得，把基础再过一遍，反而能省下后面调试的功夫。我在带团队时经常说：“基础不牢，地动山摇。” 咱们就从 Python 的四个核心模块开始：数据类型、控制流、函数、面向对象。这些在 Dash 开发里天天都会碰到。

2.1 核心数据类型

Python 的数据类型其实就两大类：不可变和可变。嗯，这两个概念在 Dash 里特别重要——你想想看，回调用到的数据如果被意外修改了，排查起来非常痛苦。

我记得有一次处理火山图数据，不小心用了一个可变对象当回调函数的默认参数。结果每次点击更新按钮，图表都叠加了上一次的数据，页面卡得不行。后来排查了半小时才发现是默认参数共享引用的问题。

2.1.1 字符串操作

字符串是你在 Dash 里打交道最多的类型之一——组件 id、标签文本、文件名，样样离不开它。我最常用的是 f-string，可读性很好：

gene = "TP53"
logFC = 2.3
adj_pval = 0.001

summary = f"基因：{gene}，logFC：{logFC:.2f}，校正P值：{adj_pval:.2e}"
print(summary)
# 输出：基因：TP53，logFC：2.30，校正P值：1.00e-03

2.1.2 列表与字典推导式

推导式是 Python 的“语法糖”，一旦用上就回不去了。我写差异表达筛选代码时经常这么用：

# 传统写法
significant_genes = []
for gene, pval in gene_pvalue_pairs:
    if pval < 0.05:
        significant_genes.append(gene)

# 推导式写法（更 Pythonic）
significant_genes = [gene for gene, pval in gene_pvalue_pairs if pval < 0.05]

2.2 控制流

控制流说白了就是“指挥 Python 按什么顺序干活”。在 Dash 应用里，你用控制流来决定：用户点了按钮后该更新哪个图？数据缺失时弹什么提示？

2.2.1 条件判断

def classify_gene(logFC, pvalue):
    if pvalue > 0.05:
        return "不显著"
    elif logFC > 0:
        return "上调"
    else:
        return "下调"

print(classify_gene(1.5, 0.01))  # 输出：上调

我个人习惯：条件分支超过三个时，我会改用字典映射或 match-case（Python 3.10+），代码会更清爽。

2.2.2 循环遍历

遍历 DataFrame 的行、遍历文件列表、遍历用户上传的多组数据——循环无处不在。

# 遍历字典
genes = {"TP53": 0.001, "EGFR": 0.03, "KRAS": 0.5}
for gene, pval in genes.items():
    if pval < 0.05:
        print(f"{gene} 显著差异表达")

2.3 函数定义

函数就是“把你常用的操作打包起来，随时调用”。在 Dash 里，回调函数、数据处理函数都是你写的自定义函数。

2.3.1 基础函数结构

def calculate_volcano_data(df, pvalue_cutoff=0.05, logFC_cutoff=1.0):
    """
    从DataFrame中提取火山图所需数据。
    
    Args:
        df: 包含pvalue和logFC列的DataFrame
        pvalue_cutoff: 显著性阈值
        logFC_cutoff: 差异倍数阈值
    
    Returns:
        包含颜色分类的DataFrame
    """
    import numpy as np
    df['category'] = '不显著'
    up_mask = (df['pvalue'] < pvalue_cutoff) & (df['logFC'] > logFC_cutoff)
    down_mask = (df['pvalue'] < pvalue_cutoff) & (df['logFC'] < -logFC_cutoff)
    df.loc[up_mask, 'category'] = '上调'
    df.loc[down_mask, 'category'] = '下调'
    return df

2.3.2 匿名函数 lambda

在 Dash 的 DataTable 或回调里，lambda 经常用来做简单的数据变换：

# 在回调中对列表元素进行平方
squared = list(map(lambda x: x**2, [1, 2, 3, 4, 5]))
print(squared)  # [1, 4, 9, 16, 25]

2.4 面向对象编程要点

面向对象（OOP）在 Dash 里可能不是必须的，但当你开始写自定义组件或复杂的回调管理器时，它就是必备技能了。

2.4.1 类与实例

类就像“基因的模板”，实例就是“具体的某个基因”。

class Gene:
    """基因对象，封装基本属性"""
    species = "Homo sapiens"  # 类属性

    def __init__(self, symbol, pvalue, logFC):
        self.symbol = symbol
        self.pvalue = pvalue
        self.logFC = logFC

    def is_significant(self, cutoff=0.05):
        return self.pvalue < cutoff

    def regulation_direction(self):
        if not self.is_significant():
            return "不显著"
        return "上调" if self.logFC > 0 else "下调"

# 使用
tp53 = Gene("TP53", 0.001, 2.5)
print(tp53.regulation_direction())  # 输出：上调

2.4.2 封装、继承、多态

这三个概念你基本了解一下就够了。在 Dash 开发里，你会经常遇到：

• 封装：把你的数据处理逻辑藏进类的方法里，外部只管调用接口
• 继承：Dash 的组件类都是继承自 Component，你可以继承它们做二次开发
• 多态：不同的类实现同名方法，调用时根据对象类型自动选择执行哪个

# 简单的继承示例
class SignificantGene(Gene):
    """显著差异表达基因（继承自Gene）"""
    def __init__(self, symbol, pvalue, logFC, rank):
        super().__init__(symbol, pvalue, logFC)
        self.rank = rank

    def info(self):
        return f"Rank {self.rank}: {self.symbol} (logFC={self.logFC:.2f})"

top_gene = SignificantGene("TP53", 0.001, 2.5, 1)
print(top_gene.info())  # 输出：Rank 1: TP53 (logFC=2.50)

2.5 本章知识体系

下面这张图帮你把本章的知识点串起来。箭头表示前后依赖关系——面向对象是函数的升级版，函数操作数据类型，控制流则贯穿始终。