1. 项目概述从基础到实战的数字处理工具箱数字处理是编程中最基础也最容易被轻视的环节。很多朋友学Python觉得int、float、complex这些类型看一眼就会内置的abs()、round()函数也简单于是匆匆掠过直奔爬虫、数据分析或者Web框架。但真到了实际项目中一个精度问题、一个类型转换错误或者一个看似简单的数学运算就可能让你调试半天甚至导致线上事故。我自己就踩过不少坑比如用浮点数做金额累计导致的分钱误差或者处理科学计算时对复数运算理解不透彻写出的代码效率低下还容易出错。这个“自学Python 45 数字处理函数三”系列就是想把这块“硬骨头”啃透。它不是简单地罗列API而是想带大家建立一个完整的数字处理心智模型。前两篇我们可能讨论了整数、浮点数的底层表示、精度陷阱以及math、decimal这些基础模块。今天这篇我们深入到两个更专业但也极其强大的领域复数运算和高精度有理数计算并会引入工业级标准库NumPy看看在批量数据处理场景下如何优雅且高效地解决数字问题。无论你是做科学计算、信号处理、金融建模还是游戏开发、图形学只要涉及稍微复杂一点的数学这些知识都是绕不开的。我会结合具体的应用场景比如用复数表示二维平面上的旋转用fractions模块精确计算概率或分数运算再用NumPy向量化操作处理成千上万的数据点。你会发现掌握了这些工具很多复杂的算法实现起来会清晰、简洁得多。2. 核心需求解析为什么需要这些“高级”数字处理工具在开始具体学习之前我们必须先搞清楚一个问题有了int、float和math模块为什么还需要complex、fractions和NumPy它们各自解决了什么痛点理解了这些你才能知道在什么场景下该用什么工具而不是盲目地堆砌技术栈。2.1 复数运算超越实数域的数学模型复数形式为a bj其中j是虚数单位。对很多初学者来说它似乎只存在于数学课本里。但在工程和科学领域复数是描述旋转、振荡、相位等现象的天然语言。核心需求1二维几何与物理模拟。在平面坐标系中一个点(x, y)可以完美地用复数x yj表示。那么将这个点绕原点旋转θ角度在复数域里就是一个简单的乘法运算(x yj) * (cosθ j*sinθ)。这比用三角函数和矩阵运算要直观和简洁得多。在游戏开发中处理精灵旋转在机器人学中计算关节角度这个思想非常有用。核心需求2信号处理与电路分析。交流电的电压、电流常用复数表示相量法其中实部代表幅值虚部代表相位。傅里叶变换这个将信号从时域转换到频域的核心工具其基础就是复数运算。如果你未来想涉足音频处理、图像滤波或通信领域复数是必备知识。痛点解决Python内置了复数类型complex和cmath模块使得在代码中直接进行复数运算像实数一样方便无需自己封装数据结构和管理运算规则。2.2 Fractions模块追求绝对精确的有理数世界浮点数float采用二进制近似表示对于1/3、0.1这类数在二进制下是无限循环的因此存在著名的精度问题。decimal模块通过十进制浮点数解决了金融计算中的“分钱误差”但它依然是浮点只是基数从2换成了10。核心需求需要绝对精确的分数运算。比如计算概率1/6、处理分数单位如英制单位的换算、进行符号计算或需要保持分数形式直到最后一步的场景。fractions.Fraction类直接存储分子和分母两个整数所有运算都是精确的有理数运算结果永远以最简分数形式保存。痛点解决彻底杜绝了因浮点精度导致的累积误差。当你需要比较1/3 1/3 1/3是否等于1时使用Fraction会得到精确的True而使用float可能会因为微小的舍入误差得到False。2.3 NumPy模块高性能批量数值计算的基石当数据量从几个、几十个变成成千上万、甚至百万级时使用Python原生的list和循环进行数值计算速度会慢得无法接受。这就是NumPy的用武之地。核心需求大规模数组的高效运算。NumPy的核心是ndarrayN维数组对象。它在内存中连续存储同一类型的数据并且底层由高效的C语言库实现运算。它提供了向量化操作即对整个数组进行运算而无需显式编写循环这带来了两个巨大优势代码极其简洁运行速度极快比纯Python循环快数十到数百倍。痛点解决解决了Python在科学计算和数据分析领域的性能瓶颈。无论是处理一张图片的像素矩阵、一个数据集的所有特征列还是进行复杂的线性代数运算求逆、特征值等NumPy都是事实上的标准工具。它也是Pandas、SciPy、Scikit-learn等几乎所有数据科学库的底层依赖。理解了这些核心需求我们就知道学习这些模块不是为了炫技而是为了在遇到特定问题时手里有更趁手、更专业的工具。3. 复数运算详解从概念到实战应用Python对复数的支持是“一等公民”级别的。直接使用字面量34j或complex(3, 4)即可创建复数。3.1 基础操作与cmath模块复数的基础算术运算,-,*,/,**和比较运算,!与实数无异。但需要注意复数无法直接比较大小,,,因为复数在数学上没有定义全序关系。# 创建与基础运算 z1 2 3j z2 complex(1, -1) # 1 - 1j print(z1 z2) # (32j) print(z1 * z2) # (51j) print(z1 ** 2) # (-512j) # 比较相等 print(z1 23j) # True # print(z1 z2) # 这会抛出 TypeError: not supported between instances of complex and complex对于复数的数学函数如求模绝对值、辐角相位、平方根、三角函数、指数对数等我们需要使用专门的cmath模块而不是math模块。因为math模块的函数只处理实数传入复数会报错。import cmath import math z 3 4j # 求模绝对值和辐角相位弧度 modulus abs(z) # 5.0 也可以用 cmath.polar(z)[0] phase cmath.phase(z) # 0.9272952180016122 弧度 约53.13度 print(f模{modulus}, 辐角{phase}) # 极坐标与直角坐标转换 r, theta cmath.polar(z) # (5.0, 0.9272952180016122) z_from_polar cmath.rect(r, theta) # (34j) 从极坐标转回 # 其他函数 print(cmath.sqrt(z)) # 平方根 (21j) print(cmath.exp(z)) # 指数函数 print(cmath.sin(z)) # 正弦函数注意cmath模块的函数返回值通常是复数。例如cmath.sqrt(-1)会返回1j而math.sqrt(-1)则会报错。3.2 实战应用复数表示二维旋转这是复数一个非常优雅的应用。假设我们有一个代表点的复数p x yj要将其绕原点逆时针旋转角度θ。根据欧拉公式e^(jθ) cosθ j*sinθ旋转操作就是乘以这个单位复数p_rotated p * (cosθ j*sinθ) p * cmath.exp(1j * θ)import cmath import math def rotate_point(point_complex, angle_degrees): 将复数表示的点绕原点旋转指定角度度 angle_radians math.radians(angle_degrees) # 计算旋转因子 rotation_factor cmath.exp(1j * angle_radians) # 等同于 complex(math.cos(angle_radians), math.sin(angle_radians)) # 执行旋转 return point_complex * rotation_factor # 初始点 (1, 0) p 1 0j # 旋转90度 p_rotated rotate_point(p, 90) print(f旋转后的点 {p_rotated}) # 输出应非常接近 (01j)即(0, 1) print(f坐标 ({p_rotated.real:.2f}, {p_rotated.imag:.2f}))这个例子清晰地展示了复数如何将二维旋转这个几何操作转化为一个简单的乘法运算。在需要频繁进行旋转、缩放、平移合称仿射变换的图形程序中用复数或专门的数学库如numpy来处理会比直接操作x, y坐标更高效、更不易出错。3.3 实操心得与避坑指南字面量中的j创建复数时虚部单位必须用j或J且不能单独存在必须紧跟一个数字除了1。1j正确j或i会报错除非你定义了名为j或i的变量。.real和.imag属性它们是只读的用于获取实部和虚部类型是float。共轭复数使用z.conjugate()方法获取。这在某些运算中很有用例如求模的平方abs(z)**2等于z * z.conjugate()。与numpy的兼容性NumPy完全支持复数数组并且提供了更强大的向量化复数运算功能。在处理大量复数数据时应优先使用NumPy。4. Fractions模块精确的有理数计算艺术fractions.Fraction类为我们提供了一个精确表示有理数的途径。它通过存储分子和分母两个整数来工作所有运算都会自动进行约分。4.1 创建Fraction对象与基本运算有多种方式创建分数from fractions import Fraction from decimal import Decimal # 1. 通过两个整数分子分母 f1 Fraction(3, 4) # 3/4 print(f1) # 输出: 3/4 # 2. 通过一个字符串 f2 Fraction(0.625) # 5/8 f3 Fraction(22/7) # 22/7 print(f2, f3) # 3. 通过一个浮点数注意这可能引入浮点误差 f4 Fraction(0.1) # 由于0.1的浮点表示不精确结果可能不是预期的1/10 print(f4) # 输出可能是 3602879701896397/36028797018963968 # 正确做法是先转字符串 f4_correct Fraction(0.1) # 1/10 print(f4_correct) # 4. 通过Decimal对象精确 f5 Fraction(Decimal(0.1)) # 1/10 print(f5)重要提示直接从float创建Fraction是一个常见的坑。因为Fraction构造函数接收的是float在内存中的精确二进制表示而这个表示可能不是你想要的十进制小数。最佳实践是始终使用字符串或整数对来构造分数以确保精度。分数支持所有常规算术运算结果依然是分数f_a Fraction(1, 3) # 1/3 f_b Fraction(1, 6) # 1/6 print(f_a f_b) # 1/2 print(f_a - f_b) # 1/6 print(f_a * f_b) # 1/18 print(f_a / f_b) # 2/1 (即2) print(f_a ** 2) # 1/94.2 实战应用解决概率计算与单位换算场景一精确概率计算在模拟掷骰子、抽卡等场景时概率通常是分数。使用浮点数计算多次独立事件的联合概率时精度误差会累积。from fractions import Fraction # 计算连续掷三次骰子都得到6点的概率 prob_single Fraction(1, 6) prob_three_sixes prob_single ** 3 print(f精确概率{prob_three_sixes}) # 输出: 1/216 print(f浮点近似{float(prob_three_sixes):.6f}) # 输出: 0.004630 # 比较使用浮点数 float_prob 1/6 float_result float_prob ** 3 print(f浮点计算结果{float_result:.15f}) # 输出: 0.004629629629630 # 看起来没问题但如果进行更复杂的运算或比较微小的误差可能被放大。场景二分数单位换算在处理英制单位如英尺、英寸或某些设计稿尺寸时分数表示非常普遍。# 假设一个木板长度是 5又3/8英寸需要转换成以1/16英寸为单位的数值 length Fraction(5*8 3, 8) # 5又3/8 43/8 base_unit Fraction(1, 16) # 计算包含多少个1/16英寸 num_units length / base_unit print(f木板长度是 {num_units} 个1/16英寸) # 输出: 86/1即86个1/16英寸 print(f或者说是 {int(num_units)} 个1/16英寸) # 输出: 86 # 这种计算全程精确没有舍入误差。4.3 实操心得与避坑指南性能考量Fraction的运算比float和int慢因为涉及最大公约数GCD计算和约分。在不需要绝对精度、且对性能要求极高的数值计算密集型循环中需谨慎使用。与float的互操作Fraction可以与float混合运算但结果会变成float从而失去精度。如果希望保持精度应确保所有操作数都是Fraction。f Fraction(1, 3) result f 0.1 # 结果是 float 类型 print(result, type(result)) # 0.43333333333333335 class float分母为0创建Fraction时分母为0会引发ZeroDivisionError。limit_denominator()方法这是一个非常有用的方法。它返回一个分母不超过给定最大值的、最接近原分数的近似分数。常用于将一个可能很复杂的分数比如从浮点数转换来的简化为一个“好看”的近似分数。from math import pi # 用分数近似圆周率 pi_frac Fraction(pi).limit_denominator(1000) # 寻找分母1000的最佳近似 print(pi_frac) # 输出: 355/113 这是一个非常著名的圆周率近似分数5. NumPy模块入门向量化计算的力量NumPy是一个庞大的库这里我们聚焦于其最核心的数值处理能力特别是与标量数字处理函数的对比和升级。5.1 创建数组与基础运算首先需要安装NumPypip install numpy。import numpy as np # 创建数组 arr1 np.array([1, 2, 3, 4, 5]) # 从列表创建一维数组 arr2 np.array([[1, 2, 3], [4, 5, 6]]) # 二维数组 arr3 np.arange(10) # 类似 range(10)生成 [0, 1, 2, ..., 9] arr4 np.linspace(0, 1, 5) # 从0到1等间隔生成5个数 [0., 0.25, 0.5, 0.75, 1.] print(farr1: {arr1}) print(farr2 形状: {arr2.shape}) # 输出: (2, 3) print(farr3: {arr3}) print(farr4: {arr4})NumPy的魔力在于向量化运算运算符和函数会自动应用到数组的每一个元素上无需循环。# 向量化算术运算 arr np.array([1, 2, 3, 4]) print(arr 10) # [11 12 13 14] (广播机制标量10被广播到整个数组) print(arr * 2) # [2 4 6 8] print(arr ** 2) # [1 4 9 16] print(np.sqrt(arr)) # [1. 1.41421356 1.73205081 2. ] (使用NumPy的数学函数) # 数组间的运算需形状兼容 arr_a np.array([1, 2, 3]) arr_b np.array([4, 5, 6]) print(arr_a arr_b) # [5 7 9] (逐元素相加) print(arr_a * arr_b) # [4 10 18] (逐元素相乘不是矩阵乘法)5.2 通用函数对标math/cmath的全面升级NumPy提供了一整套称为通用函数ufunc的例程它们对数组进行快速的逐元素运算。这相当于将math和cmath模块的函数“向量化”了。# 三角函数 angles np.array([0, np.pi/2, np.pi]) print(np.sin(angles)) # [0.0000000e00 1.0000000e00 1.2246468e-16] (近似[0,1,0]) # 指数对数 arr np.array([1, 2, 3]) print(np.exp(arr)) # [ 2.71828183 7.3890561 20.08553692] print(np.log(arr)) # [0. 0.69314718 1.09861229] # 取整函数 arr_float np.array([1.2, 2.7, -1.5, -2.8]) print(np.floor(arr_float)) # 向下取整 [ 1. 2. -2. -3.] print(np.ceil(arr_float)) # 向上取整 [ 2. 3. -1. -2.] print(np.round(arr_float)) # 四舍五入 [ 1. 3. -2. -3.] print(np.trunc(arr_float)) # 截断取整 [ 1. 2. -1. -2.] # 复数数组运算 complex_arr np.array([12j, 34j, 56j]) print(np.abs(complex_arr)) # 求模 [2.23606798 5. 7.81024968] print(np.angle(complex_arr)) # 求辐角 [1.10714872 0.92729522 0.87605805] print(complex_arr.real) # 实部数组 [1. 3. 5.] print(complex_arr.imag) # 虚部数组 [2. 4. 6.]5.3 实战应用批量数据处理与性能对比让我们看一个简单的例子计算一个列表中每个元素的正弦值并对比纯Python循环与NumPy向量化操作的代码简洁性和性能。import numpy as np import math import time # 生成一个大的数据列表 data_size 1000000 data_list [i * 0.001 for i in range(data_size)] # 100万个浮点数 # 方法1使用纯Python循环 math.sin start_time time.time() result_list [] for x in data_list: result_list.append(math.sin(x)) py_time time.time() - start_time print(f纯Python循环耗时: {py_time:.4f} 秒) # 方法2使用NumPy向量化操作 data_array np.array(data_list) # 将列表转换为NumPy数组 start_time time.time() result_array np.sin(data_array) # 一次调用作用于整个数组 np_time time.time() - start_time print(fNumPy向量化耗时: {np_time:.4f} 秒) print(fNumPy比纯Python快 {py_time/np_time:.2f} 倍) # 验证结果一致性在浮点数精度允许范围内 print(f结果前5个值是否接近: {np.allclose(result_list[:5], result_array[:5])})在我的电脑上运行NumPy版本通常比纯Python循环快50倍以上。这种性能提升对于数据处理、机器学习等应用是决定性的。代码也更简洁从整个循环缩减为一行np.sin(data_array)。5.4 实操心得与避坑指南数组创建与类型使用np.array()时NumPy会尝试为所有元素推断一个统一的数据类型dtype如int64、float64、complex128。确保数据类型符合预期混合类型可能导致向上转型如整数和浮点数混合会变成浮点数组。广播机制这是NumPy最强大也最容易出错的概念之一。它允许不同形状的数组进行算术运算。规则是从尾部维度开始对齐维度大小为1或缺失的维度可以被扩展。理解广播是写出高效NumPy代码的关键。a np.array([[1,2,3], [4,5,6]]) # shape (2,3) b np.array([10, 20, 30]) # shape (3,) # b被广播为 shape (1,3) - (2,3)然后与a相加 print(a b) # [[11 22 33], [14 25 36]]视图与副本NumPy的切片操作返回的是原始数组的视图view而不是副本。这意味着修改切片会影响原数组如果需要一个独立的副本必须显式调用.copy()方法。arr np.arange(10) view arr[3:7] # 这是一个视图 view[0] 999 # 修改视图 print(arr) # 原数组也被修改了 [0 1 2 999 4 5 6 7 8 9] copy arr[3:7].copy() # 创建副本 copy[0] 0 print(arr) # 原数组不受影响内存布局np.array()默认按行优先C风格存储。对于非常大的数组了解内存布局和考虑使用np.ascontiguousarray()等函数可以优化缓存利用率提升性能。6. 综合案例构建一个简易的复数信号处理器让我们把复数、分数和NumPy的知识结合起来模拟一个简单的场景生成一个由多个不同频率、相位和幅度的正弦波叠加而成的信号并用复数形式进行处理。import numpy as np import matplotlib.pyplot as plt # 用于绘图需安装 matplotlib # 1. 参数设置使用Fraction确保频率比为精确有理数避免累积相位误差 from fractions import Fraction # 假设我们有三个频率成分其频率比为 1: 3/2 : 2即基频、纯五度、八度 freq_ratios [Fraction(1), Fraction(3, 2), Fraction(2)] base_freq 100 # 基频 100 Hz amplitudes [1.0, 0.5, 0.3] # 幅度 phases [0, np.pi/4, np.pi/2] # 初始相位弧度 # 2. 生成时间序列 sampling_rate 1000 # 采样率 1000 Hz duration 0.1 # 信号时长 0.1秒 t np.linspace(0, duration, int(sampling_rate * duration), endpointFalse) # 时间点数组 # 3. 使用复数生成信号欧拉公式cos(ωtφ) Re[ e^(j*(ωtφ)) ] signal np.zeros_like(t, dtypenp.complex128) # 创建复数数组 for freq_ratio, amp, phase in zip(freq_ratios, amplitudes, phases): angular_freq 2 * np.pi * base_freq * float(freq_ratio) # 角频率 ω # 生成复数指数信号分量 component amp * np.exp(1j * (angular_freq * t phase)) signal component # 此时 signal 是复数其实部就是我们想要的合成信号 real_signal signal.real # 4. 快速傅里叶变换 (FFT) 分析频率成分使用NumPy的FFT # FFT是处理复数数组的典型操作 n len(real_signal) fft_result np.fft.fft(real_signal) / n # 进行FFT并归一化 freqs np.fft.fftfreq(n, d1/sampling_rate) # 对应的频率轴 # 取频谱的前一半对称 half_n n // 2 fft_magnitude np.abs(fft_result[:half_n]) * 2 # 幅度谱 fft_freqs freqs[:half_n] # 5. 找出幅度最大的三个频率点应接近我们设置的100, 150, 200 Hz peak_indices np.argsort(fft_magnitude)[-3:] # 幅度最大的三个索引 detected_freqs fft_freqs[peak_indices] detected_mags fft_magnitude[peak_indices] print(检测到的主要频率成分Hz及幅度) for f, m in zip(detected_freqs, detected_mags): print(f 频率{f:.1f} Hz, 幅度{m:.3f}) # 6. 可视化可选需要matplotlib fig, axes plt.subplots(2, 1, figsize(10, 6)) # 时域图 axes[0].plot(t, real_signal) axes[0].set_xlabel(时间 (秒)) axes[0].set_ylabel(幅度) axes[0].set_title(合成信号时域) axes[0].grid(True) # 频域图幅度谱 axes[1].stem(fft_freqs, fft_magnitude, linefmtb-, markerfmt , basefmt ) axes[1].set_xlabel(频率 (Hz)) axes[1].set_ylabel(幅度) axes[1].set_title(信号频谱频域) axes[1].set_xlim(0, 300) axes[1].grid(True) plt.tight_layout() plt.show()这个案例融合了多个知识点Fraction用于精确表示频率比避免在后续计算中引入不必要的浮点误差。复数运算利用欧拉公式和np.exp用复数指数函数高效地生成正弦波分量。这是信号处理中的标准做法。NumPy向量化所有对时间序列t和信号数组signal的操作都是向量化的没有显式循环代码简洁且性能极高。NumPy高级函数使用了np.fft.fft进行傅里叶变换这是信号分析的核心工具它直接处理复数数组并返回复数结果。通过这个例子你可以看到当面对一个真实的、稍复杂的计算任务时将这些数字处理工具组合使用能够写出既高效又清晰的代码。7. 常见问题与排查技巧实录在实际使用这些模块时你肯定会遇到一些报错或意想不到的行为。这里我总结了一些典型问题和解决方法。7.1 复数运算相关问题TypeError: not supported between instances of complex and complex原因试图对两个复数使用大小比较运算符,,,。这在数学上是无定义的。解决如果你需要比较通常是比较它们的模绝对值abs(z)或者分别比较实部和虚部。z1 34j z2 15j # 比较模长 if abs(z1) abs(z2): print(z1的模更大) # 比较实部 if z1.real z2.real: print(z1的实部更大)问题使用math模块函数处理复数报错TypeError: cant convert complex to float原因math.sqrt(),math.sin()等函数只接受实数参数。解决一律换用cmath模块中的对应函数如cmath.sqrt(),cmath.sin()。7.2 Fractions模块相关问题Fraction(0.1)得到的不是1/10原因如前所述浮点数0.1在二进制中不能精确表示。解决始终使用字符串或Decimal对象来初始化。from fractions import Fraction from decimal import Decimal f_good1 Fraction(0.1) # 最佳 f_good2 Fraction(Decimal(0.1)) # 次佳 f_good3 Fraction(1, 10) # 最明确问题分数运算结果的分母非常大不直观原因经过多次运算后分子分母可能变得很大且没有约分虽然Fraction会自动约分但有时结果本身就很复杂。解决使用.limit_denominator(max_denominator)方法寻找一个分母不超过指定值的、最接近的近似分数。这在需要将结果以“简单分数”形式呈现时非常有用。f Fraction(3.141592653589793) # 从圆周率浮点数创建 print(f) # 可能是一个很复杂的分数 approx_f f.limit_denominator(1000) print(approx_f) # 输出: 355/1137.3 NumPy模块相关问题ValueError: operands could not be broadcast together with shapes...原因这是NumPy中最常见的错误之一意味着你试图进行运算的两个数组形状不满足广播规则。排查打印出两个数组的.shape属性。从最右边的维度开始检查每个维度必须相等或者其中一个为1或者其中一个不存在维度为1的扩展。使用np.newaxis或reshape来调整数组形状以满足广播要求。a np.array([1,2,3]) # shape (3,) b np.array([[1],[2],[3]]) # shape (3,1) # a 和 b 可以广播吗 # a: (3,) - 可以看作 (1,3) # b: (3,1) # 对齐 (1,3) 和 (3,1) - 结果形状 (3,3) print(a b) # 这是一个 (3,3) 的矩阵问题修改数组切片时原数组也被意外修改原因NumPy切片返回的是视图view共享数据缓冲区。解决如果需要独立的副本在切片后显式调用.copy()方法。arr np.arange(10) slice_view arr[3:7] slice_copy arr[3:7].copy() # 创建副本 slice_view[0] 99 # 会影响arr slice_copy[0] 0 # 不会影响arr问题使用np.array创建数组时所有元素都变成了浮点数/复数原因NumPy数组要求所有元素类型一致dtype。如果列表中混合了整数和浮点数NumPy会向上转型为浮点型。如果包含复数则会转型为复数型。解决创建时指定dtype参数或者确保输入数据类型一致。可以使用.astype()方法进行后续类型转换。arr_mixed np.array([1, 2.0, 3]) # dtype 会是 float64 arr_int np.array([1, 2, 3], dtypenp.int32) # 强制指定为int32 arr_float np.array([1, 2, 3], dtypefloat) # 强制指定为浮点掌握这些排查技巧能让你在使用这些强大工具时更加得心应手快速定位并解决问题。数字处理是程序的基石把这些基础打牢上层建筑才会稳固。从精确的Fraction到高效的NumPy每一种工具都是为了解决特定场景下的问题而生的。理解它们的原理和适用边界在合适的场合选用合适的工具是一个优秀程序员的基本素养。