好程序员Python 培训分享 Python 编程中常见的异常处理，今天将对 python 编程中经常会遇到的一些报错与异常的进行总结与分析，虽然不会面面俱到，但是可以提供一种面对这样的问题时的思考方法，会对 python 的编程能力的提高有所帮助。
初学python 经常会遇到的一些错误：
下面错误类型的先后顺序基本上是按照从0 到有一定基础的过程会遇到的一些报错问题：
NameError ：在刚开始接触编程的朋友，容易犯这个错误，没有声明定义对应引用的变量，即，你来了一个无中生有。找到对应的变量，声明即可。
SyntaxError ：这个出错，都是语法类型的错误，例如多个半括号，少个半括号， for 循环时，末尾忘记英文冒号等等。出现这个错误，说明你对 python 的语法很不熟悉，多练习就是。
IndentationError ：缩进不正确， python 语法不熟练的明显表现，采用 tab 键进行缩进比较比较方便，例外科普一个小技巧，在 jupyter 中如果要对一堆代码进行批量缩进时，选中这堆代码，按 tab 来进行缩进，按 shift+tab 代码整体前进。
ImportError ：开始出现这个错误，说明你有了一丢丢基础，开始要调包了。但是还不是很熟练 python 中第三方包的使用方法。这里具体说一下每一种方法的差异，就拿最常见的 pandas 来举例
import pandas as pd
导入pandas 包，记为 pd 。后续需要调用 pandas 库底下的子函数 API 时，这样操作： pd.read_csv 此时我们调用 pandas 下的一个文件读取函数 read_csv ，它支持许多格式的文件的读取，例如， csv,tsv,txt 等等，具体需要去探究。
还有一种是：
from pandas import *
这个是导入pandas 一级下属的所有 API 接口，相当于把 pandas 的一堆工具散乱的扔给你，一是占空间，二是用起来你得记住对应的函数才行，而第一种可以采用 tab 补全的方法，知道 API 接口大概拼写即可。
还有一种：
from pandas import read_csv, concat
这个就比较简洁，只把自己需要的拿出来即可，在调用特别大的包的时候，这种方法比较好，例如sklearn ，很少有见 import sklearn as sl 吧，就像一直负重前行。在知道自己具体要用哪几个 API 的情况下，这种最优。
TypeError ：这个类型的错误慢慢开始由于一些有些复杂的原因引起。例如：
TypeError : argument of type 'int' is not iterable 此处是因为 int 不可迭代。
TypeError: cannot unpack non-iterable int object 此处是循环的变量中的元素不是一个可以。这一类型的错误需要你对 python 有一些掌握，例如 dict 的 key 是不可重复的等等，需要在错误中累积这一类的知识。
MoudleNotFoundError ：就是你导入的包当前是木有的，这里顺便说一下各种下载包的方式，首先就是在编译器里，此操作不论是在 Windows 下还是公司的 Linux 下都可以这样： !pip install module_name 感叹号为英文的
但是如果是阿里云，腾讯云，百度的ai-stduio 这种云服务器的话，需要做一定的改变： !pip install --user module_name 这个是一个小 tip 。个人有一种预感，以后云服务器会越来越普及，至少是在大数据算法爱好者中， Windows 的，数据量稍微大一点，动不动就跑的死机，云服务器则不存在这个问题，而且现在慢慢开始有了限时免费的云服务器，再往以后可能就会像流量这样便宜。
ValueError ：这个通常是在对一个数据容器进行拆解的时候，拆出来的元素个数与赋值的变量个数不匹配，例如：
a,b,c = ['1','1','1','1'] 里面四个元素，外面配三个变量，肯定报错
ValueError: too many values to unpack (expected 3)
当然还有其他的原因造成ValueError ，例如：
ValueError: The truth value of a Series is ambiguous
ZeroDivisionError ：这个就是你在做除法时，除数为 0 所致， python2 与 python3 的除法有所不同，有时候容易犯这个错误。 python2 的只是取整数部分，不四舍五入，例如 :
a=0.6
1/a 在 python2 中是会报错的。其他情况下报这个错，就需要检查一下你的对应变量的精度设置了，并且在循环指定条件逐步对某一初始为 0 的变量进行迭代累加的时候，也容易出现这个错误，例如，在机器学习算法或者推荐算法的召回率，准确率时，计算 hit ，数据质量较差时就容易出现这个问题。
IndexError ：索引出错了，超出范围。
IndexError: list index out of range
KeyError ：出现 KeyError ，基本说明你开始会用 python 了，因为字典 dict 是 python 中应用最为广泛的数据存储容器，学会字典的各种操作很重要。
FileNotFoundError ：可能是在你开始采用 python 进行一些数据分析预测，或者推荐算法，或者 nlp 或者 cv 什么的时候，文件的路径或者文件格式，文件名出错导致文件找不到。
AttributeError ：说通俗一些，就是某个数据结构或者类型没有某种操作，你却非要用这种操作，那就要报错了，例如：
AttributeError: 'tuple' object has no attribute 'remove' 出现这样的错误的时候，说明对 python 各种东西学习的有些多，混淆了一些操作。例如 list 的元素添加是 append ，你非要用 update 来给 list 添加，而 update 是 set 或者 dict 的，如下：
AttributeError: 'list' object has no attribute 'update'
MemoryError ：开始遇到这个错误的时候，说明你的 python 基础基本掌握，就是在你在处理一个比较大的数据集的时候，你的程序太 low ，例如，各种循环，嵌套循环，电脑被你玩蒙圈了，内存不足。这个说明一点，要开始学习 python 的数据结构与算法了，正式开始难点了。一些像小顶堆，大顶堆，二叉树，动态规划，链表，队列的家伙开始出现在你的视野里，并且开始看不懂一些诡异的很巧妙的小算法。
所以这就验证了一个说法，python 入门容易，但请看清楚了，仅仅是入门容易，你不能一直站在门口吧，往里面走一点，你就要费点劲。因此，需要进一步去巩固基础的东西，这些日常的报错异常只是在反馈你的 bug ，自己的学习过程也是一个机器学习的 train 与 test 的过程，学到东西开始用习题拟合，如果习题都是你做过的，抱歉，过拟合了，当上 test 的时候，你的正确率就大幅下降，你就需要修正你的训练集了；如果你是个懒家伙，习题没做几个，就直接上 test ，欠拟合了，结果还是不好。所以就是在这样的不断迭代优化的过程中，我们学习的知识模型的泛化能力越来越好。