python语言常见面试题：什么是Python中的模块和包？如何导入和使用它们？

最新推荐文章于 2026-06-23 21:06:11 发布

原创

最新推荐文章于 2026-06-23 21:06:11 发布 · 504 阅读

标签

#python #开发语言

收录于

在Python中，模块（Module）和包（Package）是组织代码的重要工具。模块是一个包含Python代码的文件，而包是一个包含多个模块的目录。通过模块和包，我们可以将相关的代码组织在一起，并在需要时导入使用，这有助于代码的复用和管理。

模块（Module）

模块是一个包含Python代码的文件，其扩展名通常是.py。模块可以定义函数、类和变量，并可以被其他模块导入使用。

导入模块

要导入一个模块，我们使用import语句。例如，假设我们有一个名为math_module.py的模块，它包含了一些数学相关的函数。我们可以这样导入并使用它：

python复制代码

	`# math_module.py`

	`def add(x, y):`
	`return x + y`

	`def multiply(x, y):`
	`return x * y`

python复制代码

# main.py

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

广寒舞雪

关注关注

6
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

Python 常见的 170 道面试题全解析：2022 版

qq_38759383的博客

07-18

2万+

Python 常见的 170 道面试题全解析：2022 版

参与评论您还未登录，请先登录后发表或查看评论

Python 常见170道面试题解析

Wow! You can really code!

01-03

6655

Python 常见180道面试题解析文章目录基础语言特性编码规范数据类型字符串列表字典综合操作类题目高级特性正则表达式其他内容算法和数据结构爬虫相关网络编程并发Git 面试题 基础 1.列出 5 个常用 Python 标准库？ os：提供了不少与操作系统相关联的函数 sys：通常用于命令行参数 re：正则匹配 math：数学运算 datetime：处理日期时间 2.python 内建数据类型有...

python模块与python包详解

2301_79431343的博客

01-21

1202

模块英文名为module，其实就是一个python文件，以.py结尾我们可以把模块理解成是一个工具包，里面有各种各样的工具，我们可以直接拿来使用某些模块可能名字非常长，给它取一个别名能缩短长度又或者是sl(10)注意事项：1.当导入模块时，如果有同名功能，后面的会覆盖掉前一个python包可以看作一个文件夹，里面包含了很多模块从逻辑上来看，包仍然是模块init是一个特殊的文件，只有有它在，这些模块就是一个包。

Python基础常见面试题总结

热门推荐

Magician的博客

03-08

3万+

以下是总结的一些常见的Python基础面试题，帮助大家回顾基础知识，了解面试套路。会一直保持更新状态。 PS：加粗为需要注意的点。基础知识题 1、深拷贝和浅拷贝的区别是什么？深拷贝是将对象本身复制给另一个对象。这意味着如果对对象的副本进行更改时不会影响原对象。浅拷贝是将对象的引用复制给另一个对象。因此，如果我们在副本中进行更改，则会影响原对象。 **2、能否解释一下 *args 和 kwar...

52道常见Python面试题，你来试一试？

weixin_44558127的博客

02-24

1616

最近有很多人找小编询问python求职面试的一些情况，python岗位众多，面试官的个性也千人千面，其实是没有固定的套路的。还是一句老话，要成功拿下一个重要的面试，靠的是“台上三分钟，台下几年功”。小编虽然没有套路，但是有干货呀，最近整理近一年出现概率比较高的面试题，供大家参考。最近开始整理python的资料，博主建立了一个群938587844，希望给大家提供一个交流的平台。 Q.1...

Python图片压缩方法全解：从入门到进阶

得塔云的博客

06-19

707

本文总结了Python中六种主流的图片压缩方法：1）Pillow作为通用首选，支持质量调整、尺寸缩放和格式转换；2）TinyPNG API提供最高压缩率但有限额；3）WebP格式在保持画质下体积最小；4）PyVips适合大图处理，内存占用低；5）OpenCV针对视频帧和实时流优化；6）K-means聚类实现算法级色彩压缩。文章通过对比表格和决策树，建议根据场景需求选择工具，日常使用Pillow即可满足大多数需求，并附赠了一个可直接使用的批量压缩脚本。

Unity PICO4 学习记录8： WebRTC

m0_63485455的博客

06-22

387

这一篇和PICO本身没什么关系，只是记录一下开发过程我们要做一个“从超声设备采集影像数据，一对多地传给XR眼镜终端以及其他可能的设备”应用。发送端是Jetson，由同事负责；接收端XR眼镜端由我负责。同事说视频采集卡例程里给了两种通信协议：RSTP和WebRTC.一开始我尝试用HoloLens2，因为老师和医生们似乎更喜欢OST而不是VST；但是UWP ARM64 媒体栈对 RTSP 支持弱、MixedReality-WebRTC 停更，所以 HL2 不适合当主验证平台。

AI Infra 硬件体系与编程模型：18. CUDA编程基础：使用 PyTorch CUDA Extension 实现自定义算子

basketball616的博客

06-17

497

本文详细介绍了PyTorch CUDA扩展的开发方法与架构。主要内容包括：开发动机：解决原生算子不足、Python实现性能差、需要算子融合和硬件特性定制等问题三层架构： CUDA核函数层：纯GPU计算逻辑 C++封装层：连接PyTorch与CUDA，处理张量转换 Python层：提供用户接口核心依赖：ATen张量库作为基础，通过torch/extension.h头文件提供统一接口关键技术：使用pybind11实现Python-C++绑定支持即时编译(JI

Odoo 19开发教程之视图控件开发

智能化技术分享

06-22

281

本文详细介绍了Odoo 19中自定义视图控件的开发方法，通过一个销售订单列表视图的弹窗控件案例，展示了完整的实现流程。该控件由四部分组成：基于OWL框架的JavaScript组件（包含弹窗和主控件）、XML模板文件（定义界面元素）、Python模型（提供计算字段）和视图XML定义（嵌入控件）。开发要点包括使用usePopover钩子实现弹窗交互、OWL组件与模板的绑定方式、计算字段的高效实现，以及控件在视图中的注册与调用。该方案可灵活扩展，为Odoo视图提供丰富的交互功能。

为什么Python不用var或let声明变量？

这家伙很懒，什么都没有留下

06-18

346

语言声明关键字作用域规则需要类型吗？Python无（赋值即声明）函数级作用域否（注解可选）JavaScriptvarletconstletconst是块级，var是函数级否Java类型在前块级是C类型在前块级是Govar:=块级是Rustletlet mut块级是C++类型在前/auto块级是没有任何声明关键字。为什么Python不用var或let？设计哲学：赋值即声明，简洁明了，减少冗余语法历史因素：Python从一开始就这么设计，没有历史包袱避免复杂。

PyCharm调试技术与最佳实践指南

weixin_51955414的博客

06-23

398

《PyCharm调试技术与最佳实践指南》摘要本文系统介绍了PyCharm调试功能的使用方法，包含以下核心内容：调试基础：解释了调试概念、重要性和不同类型（断点/条件断点/日志/远程调试）界面详解：展示了调试工具栏功能和窗口布局，包括代码编辑器、变量面板和控制台等组件断点管理：详细说明基本断点、条件断点、临时断点、日志断点的设置方法及分组管理技巧调试操作：讲解Step Over（F8）、Step Into（F7）、Step Out（Shift+F8）等关键调试命令变量处理.

神经网络 | ⑤ MNIST 手写数字识别的 FCNN 推理实现

最新发布

鷾

06-23

164

本文实现了一个基于MNIST手写数字数据集的三层全连接神经网络(FCNN)推理系统。该系统通过加载预训练权重参数，能够对28×28像素的手写数字图像进行分类识别。网络结构包含784个输入神经元、两个隐藏层(50和100个神经元)和10个输出神经元，使用Sigmoid和Softmax作为激活函数。文章详细介绍了数据集特征、网络设计思路以及前向传播的计算流程，最终实现了93.52%的测试准确率。该实现为深度学习入门项目，展示了神经网络的基本推理过程。

计算机二级Python备考资料

m0_67097444的博客

06-17

260

操作：append()、extend()、insert()、remove()、pop()、sort()、reverse()基本数据类型：int(整数)、float(浮点数)、str(字符串)、bool(布尔值)操作：keys()、values()、items()、get()、update()序列操作：len()、max()、min()、sum()、sorted()操作：add()、remove()、并集(|)、交集(&)、差集(-)打开模式：r(读)、w(写)、a(追加)、r+(读写)、b(二进制)

第5篇_Python文件操作与异常处理：程序与外界交互的桥梁

Lenyiin

06-22

527

学到这里，你的 Python 代码已经能在自由运转了——变量、函数、类、对象，全都在 RAM 里运行，程序结束就消失。但真实世界的程序，不能只活在内存里。这就需要掌握和——这是 Python 程序与外界交互的两座桥梁。本篇我们就来系统学习这两个主题。

如何使用鳄鱼线做股票交易（下）：量化代码实现与避坑指南

weixin_73631017的博客

06-17

487

本文介绍了如何用Python实现鳄鱼线量化交易策略，重点解析了趋势判断、入场逻辑和常见陷阱。文章首先阐述了鳄鱼线的三大核心交易规则：通过三条均线的排列识别趋势方向，用价差扩散判断趋势强度，并设置多条件过滤无效信号。特别强调了均线平移(shift)的正确用法，指出错误的平移会导致未来函数问题，使回测结果失真。随后提供了完整的Python代码实现，包括SMMA计算、信号生成、回测框架和可视化功能。最后建议读者通过实践掌握时序数据处理、多条件组合等量化技能，并指出鳄鱼线的核心价值在于趋势过滤而非涨跌预测。全文突出

自定义ESP32-S3开发板适配ESP-WHO框架

91创客学堂

06-23

422

本文介绍了ESP-WHO边缘机器视觉框架在ESP32-S3芯片上的部署与移植方案。主要内容包括：1. ESP-WHO框架概述及示例编译流程，支持人脸识别、物体检测等功能；2. 第三方ESP32-S3开发板与官方ESP32-S3-EYE的硬件差异分析；3. 详细移植步骤：修改LCD引脚配置（SPI模式改为0、背光GPIO调整）、OV3660摄像头驱动适配、关键menuconfig配置（PSRAM设置、模型存储位置等）；4. 最小化应用代码示例及常见问题解决方法。

基于卷积神经网络的图像分类系统

wyh293的博客

06-18

307

随着人工智能技术的快速发展，图像分类作为计算机视觉领域的核心任务之一，在智能安防、医疗影像诊断、工业质检、自动驾驶等场景中展现出巨大应用价值。传统机器学习方法依赖人工特征提取，泛化能力弱、鲁棒性差；而深度学习，尤其是卷积神经网络（CNN），凭借其强大的局部感知、权值共享与层次化特征学习能力，已成为图像分类任务的事实标准。本文围绕构建一个高精度、可部署、易扩展的端到端图像分类系统展开研究，基于PyTorch框架设计并实现了一套完整的CNN图像分类系统，涵盖数据预处理、模型构建（ResNet-...

AI掘金头条新闻系统 (Toutiao News)-获取浏览历史列表

2402_84971234的博客

06-17

274

本文描述了实现用户新闻浏览历史功能的三个核心模块：1) 定义历史记录数据模型HistoryNewsItemResponse和分页响应模型HistoryListResponse；2) 通过CRUD操作实现分页查询历史记录，包含联表查询新闻详情并按浏览时间倒序排列；3) 提供API路由接口，支持分页参数验证并返回格式化响应。整个实现采用Pydantic进行数据验证和序列化，支持字段别名映射，确保接口返回包含历史ID、浏览时间等信息的新闻列表，同时附带分页元数据（总数、是否有更多数据）。

004 Pandas 相比传统数据分析方法的优势

未来已来，AI时代，学AI编程，做AI量化，就来大鹏AI教育。

06-17

190

借助 DataFrame 和 Series 这样的数据结构，我们可以更方便地完成筛选、排序、统计和分组这些操作，不需要大量手写循环。面对缺失值、重复数据、数据合并、数据转换这些常见问题，Pandas 都提供了现成的方法，可以大大减少数据预处理的复杂度。只要数据和时间有关，比如销售额变化、访问量变化、股票价格变化，Pandas 都能很好地按时间进行整理、统计和分析。但是 Pandas 提供了很多专门的方法，可以帮助我们完成数据清洗、数据转换、数据合并和数据整理。

Spring Boot 4.0 对 AOT（提前编译）和 GraalVM 原生镜像的支持有哪些强制性变化或核心增强？如何针对原生镜像环境进行代码适配？

java1234的博客

06-17

362

Spring Boot 4.0 增强了对AOT（提前编译）和GraalVM原生镜像的支持，显著提升了应用启动速度和资源利用率。文章介绍了AOT编译的核心优化（启动性能提升、功能扩展和元数据生成）以及GraalVM原生镜像的改进（简化构建、性能优化和兼容性增强）。同时提供了代码适配指南，包括避免反射、配置GraalVM构建选项、资源管理和JNI适配等最佳实践，并附有示例代码和Maven配置说明，帮助开发者构建高性能、低资源消耗的原生应用。