👇 连享会 · 推文导航 | www.lianxh.cn
距离开课还有5天，近期的不同专题一起报名可优惠
🍓 连享会 · 2026 AI 实证研究 嘉宾：司继春（上海对外经贸大学） 时间：2026 年 6 月 27-28 日 咨询：王老师 18903405450（微信）
连享会：2026暑期班 · 线上 时间：7月21-31日 嘉宾：连玉君（初级班） || 茅家铭（高级班） || 范馨月（论文班） 咨询：王老师 18903405450（微信）
温馨提示: 文中链接在微信中无法生效。请点击底部 「阅读原文」 。或直接长按/扫描如下二维码，直达原文：
作者： 连玉君 (中山大学) 邮箱： arlionn@163.com
0. 引言 在 AI 辅助编程的今天，虽然 Python 编程的入门门槛大幅降低，但很多初学者在借助 AI 编写代码时，往往忽视了语言的底层逻辑和语法规则。长此以往，这会导致编写代码的能力无法提升，调试和修改代码的效率低下，甚至会形成对 AI 的过度依赖，无法真正掌握编程技能。
对于 Python 初学者而言，常常会看到「 Python 是一门 面向对象 的 编程语言 」这样的介绍。但“ 面向对象 ”究竟意味着什么，尤其是其中的“ 对象 ”概念，许多人却往往感到困惑。对于像 Stata 用户这样的转型者而言，当他们初次见到如下 Python 代码时，往往会陷入困惑：
import statsmodels.api as sm import pandas as pd # 加载示例数据 mtcars_df = sm.datasets.get_rdataset( 'mtcars' , 'datasets' ).data # 线性回归 X = mtcars_df[[ 'wt' ]] X = sm.add_constant(X) y = mtcars_df[ 'mpg' ] model = sm.OLS(y, X).fit() model.summary() 在 mtcars_df = sm.datasets.get_rdataset('mtcars', 'datasets').data 这条语句中，呈现出 sm.A.B().C 的语法结构。初学者难免产生如下疑问：
这里面哪些是函数 (function)？哪些是方法 (method)？哪些又是对象的属性呢？ 类似让人费解的语句还有 model = sm.OLS(y, X).fit() 。
本文的目的就是解答这些疑问，深入理解 Python 的面向对象编程 (OOP) 概念。通过对类 (class)、对象 (object)、封装 (encapsulation)、继承 (inheritance) 和多态 (polymorphism) 等核心概念的讲解，你将能够更好地理解 Python 代码的逻辑和结构关系，从而提升编写 Python 代码的能力。
1. 面向对象编程 (OOP) 的核心概念 面向对象编程 (OOP) 是一种编程范式，它将现实世界中的事物抽象为「对象」，通过「类」来定义对象的属性和行为。
OOP 的核心概念包括类 (Class)、对象 (Object)、封装 (Encapsulation)、继承 (Inheritance) 和多态 (Polymorphism)。下面我们将逐一介绍这些概念。
1.1 类 (Class) 类是对象的蓝图或模板，它定义了对象的属性和方法，可将其视为一种自定义的数据类型。以 Person 类为例：
class Person : def __init__ (self, name, age) : self.name = name self.age = age def introduce (self) : print( f"我叫 {self.name} ，今年 {self.age} 岁。" ) 在这个例子中， Person 是一个类，它利用两个函数定义了一个人的基本属性和行为。其中，
__init__() 是一个特殊的函数，也被称为构造函数，用于初始化对象的属性。本例中， __init__() 定义了 Person 类的两个属性，即 name 和 age 。
introduce() 函数则用于定义 Person 类 方法 。本例中，其功能是按照特定格式打印出对象的 name 和 age 信息。 这里要着重说明一下 self 这个参数。在 Python 的类中， self 是一个约定俗成的参数名，它代表类的实例对象本身。当你调用类的方法时，Python 会自动将调用该方法的对象作为第一个参数传递给 self 。借助 self ，方法能够访问和修改对象的属性。例如，在 __init__() 方法里， self.name = name 这一操作把传入的 name 参数值赋给了对象的 name 属性；在 introduce() 方法中， self.name 和 self.age 用于获取对象的 name 和 age 属性值。
1.2 对象 (Object) 对象是类的实例。通过类能够创建多个不同的对象，每个对象都有自己独立的属性值。例如：
p1 = Person( "张三" , 20 ) p2 = Person( "李四" , 25 ) print(p1.name) # 输出: 张三 print(p2.name) # 输出: 李四 p1.introduce() # 输出: 我叫 张三，今年 20 岁。 p2.introduce() # 输出: 我叫 李四，今年 25 岁。 本例中， p1 和 p2 是 Person 类的两个不同对象。 p1.name 的值是 "张三"， p2.name 的值是 "李四"，即不同对象的属性值可以不同。
1.3 封装 (Encapsulation) 封装是面向对象编程的一个重要特性，它指的是将数据 ( 属性 ) 和操作数据的 方法 捆绑在一起，并且对外部隐藏对象的内部实现细节。
封装的作用主要体现在以下几个方面：
数据保护 ：防止外部代码直接访问和修改对象的属性，从而避免数据被意外修改或破坏。 简化接口 ：只向外部暴露必要的方法，隐藏内部实现细节，使代码更易于维护和扩展。 在 Python 中，可以通过 访问控制 来实现封装。虽然 Python 没有像其他语言那样严格的访问修饰符 (如
private 、 protected )，但可以通过约定来表示属性或方法的访问级别：
例如：
class BankAccount : def __init__ (self, balance) : self.__balance = balance def deposit (self, amount) : self.__balance += amount def withdraw (self, amount) : if amount <= self.__balance: self.__balance -= amount else : print( "余额不足" ) def get_balance (self) : return self.__balance account = BankAccount( 1000 ) account.deposit( 500 ) account.withdraw( 200 ) print(account.get_balance()) # 输出: 1300 本例中， __balance 是一个私有属性，外部不能直接访问，只能通过 deposit 、 withdraw 和 get_balance 等方法来操作。这样就保证了账户余额的安全性，外部代码无法随意修改余额。
1.4 继承 (Inheritance) 继承是指一个类可以继承另一个类的属性和方法。被继承的类称为父类 (基类)，继承的类称为子类 (派生类)。子类可以扩展父类的功能，也可以重写父类的方法。这样可以实现代码的复用和扩展。
例如：
class Student (Person) : def __init__ (self, name, age, student_id) : super().__init__(name, age) self.student_id = student_id def study (self) : print( f" {self.name} 正在学习。" ) s = Student( "王五" , 18 , "001" ) s.introduce() # 输出: 我叫 王五，今年 18 岁。 s.study() # 输出: 王五 正在学习。 本例中，
Student 类继承了 Person 类的属性和方法，并添加了自己的属性 student_id 和方法 study 。 super().__init__(name, age) 则调用了父类的构造函数，对 name 和 age 属性进行初始化。 1.5 多态 (Polymorphism) 多态是指不同的对象可以对同一个操作做出不同的响应。下面通过几个例子来帮助你理解多态的概念和应用。
1.5.1 简单数据类型示例 a = 5 b = "apple" print(a * 3 ) # 输出: 15 print(b * 3 ) # 输出: appleappleapple 本例中， * 运算符对于整数 a 和字符串 b 有不同的行为。对于整数， * 表示乘法运算；对于字符串， * 表示重复字符串。由此可见，所谓「多态」，指的是同一个运算符在不同的数据类型上有不同的操作，它可以「看碟下菜」。
1.5.2 类的方法重写示例 为了更深入地理解多态，我们可以通过类的继承和方法重写来实现。下面是一个关于形状 (Shape) 的例子，展示了如何使用多态来计算不同形状的面积。
class Shape : def area (self) : pass class Rectangle (Shape) : def __init__ (self, length, width) : self.length = length self.width = width def area (self) : return self.length * self.width class Circle (Shape) : def __init__ (self, radius) : self.radius = radius def area (self) : return 3.14 * self.radius * self.radius shapes = [Rectangle( 4 , 5 ), Circle( 3 )]
for shape in shapes: print(shape.area()) 本例中， Rectangle 和 Circle 类都继承自 Shape 类，并且重写了 area 方法。当我们遍历 shapes 列表并调用每个对象的 area 方法时，不同的对象会根据自己的实现方式计算并返回面积：
对于 Rectangle 对象，调用 area() 方法会返回长方形的面积，即 (
和 分别表示长方形的长和宽)。 对于 Circle 对象，调用 area() 方法会返回圆的面积，即 ( 表示圆的半径)。 1.5.3 Python 支持多态的原因 Python 能够支持多态，主要得益于其动态类型的特性。在 Python 中，变量在声明时不需要预先指定数据类型，变量的类型是在运行时动态确定的。这意味着,一个变量可以在不同的时刻引用不同类型的对象。
当调用一个函数或方法时，Python 不会关心对象的具体类型，只要对象实现了所需的方法或属性，就可以正常调用。这种特性使得 Python 代码更加灵活，能够轻松实现多态。例如，在上面的 shapes 列表中，虽然 Rectangle 和 Circle 对象的类型不同，但都实现了 area 方法，因此可以统一调用 area 方法来计算面积。
2. OOP 在具体包和函数中的应用 在实际的 Python 编程中，面向对象编程的概念广泛应用于各种包和函数中。下面以 pandas 和 matplotlib 这两个常用的包为例进行说明。
2.1 在 pandas 中的应用 pandas 是一个用于数据处理和分析的强大包，其中大量使用了类和对象的概念。例如， DataFrame 是 pandas 中最常用的一个类，用于表示二维表格数据。
import pandas as pd # 创建一个 DataFrame 对象 data = { 'Name' : [ '张三' , '李四' , '王五' ], 'Age' : [ 20 , 25 , 18 ] } df = pd.DataFrame(data)
df.head() # 查看数据集行数 df.describe() # 查看数据的统计信息 本例中， pd.DataFrame 是一个类， df 是 DataFrame 类的一个具体对象。我们可以调用 df 对象的各种方法来对数据进行操作和分析，如 head() 和 describe() ，写作 df.head() 和 df.describe() 。
2.2 在 matplotlib 中的应用 matplotlib 是一个用于数据可视化的包，也广泛应用了面向对象编程的思想。例如，我们可以使用 Figure 和 Axes 类来创建和定制图形。
import matplotlib.pyplot as plt # 创建一个 Figure 对象和一个 Axes 对象 fig, ax = plt.subplots() # 绘制数据 x = [ 1 , 2 , 3 , 4 , 5 ] y = [ 2 , 4 , 6 , 8 , 10 ] ax.plot(x, y) # 设置图形属性 ax.set_title( '简单折线图' ) ax.set_xlabel( 'X 轴' ) ax.set_ylabel( 'Y 轴' ) # 显示图形 plt.show() 本例中， fig 是 Figure 类的对象， ax 是 Axes 类的对象。我们可以通过调用 ax 对象的方法，如 plot() 、 set_title() 、 set_xlabel() 和 set_ylabel() 来绘制和定制图形。
3. 理解复杂语句所需的基础概念 3.1 包 (Package) 和模块 (Module) 在 Python 中，包和模块是组织代码的基本结构。模块是一个包含 Python 代码的 .py 文件，而包则是一个包含多个模块的 目录 ，用于组织和管理相关模块。每个包必须包含一个特殊的 __init__.py 文件，来声明该目录为一个包。
举个例子， statsmodels 就是一个包，它提供了许多用于统计建模的功能。当我们执行 import statsmodels.api as sm 时，实际上是从 statsmodels 包中导入了 api 模块，并将其重命名为 sm 以便后续使用。
再看一例。 pandas 是一个包，其目录结构如下：
pandas/ # 根包 __init__.py # 包的初始化文件 core/ # 子包 __init__.py frame.py # 模块（定义 DataFrame 类） series.py # 模块（定义 Series 类） io/ # 子包 __init__.py excel.py # 模块（处理 Excel 文件） 3.2 函数 (Function) 和方法 (Method) 函数是一段完成特定任务的独立代码块，可以直接调用。而方法是与对象关联的函数，必须通过对象来调用。例如，
在 sm.datasets.get_rdataset 中， get_rdataset 是一个函数，它属于 statsmodels 包中 datasets 模块。 在 model = sm.OLS(y, X).fit() 中， fit() 是
sm.OLS(y, X) 创建的对象的方法。 3.3 类中的属性 (Attribute) 和方法 (Method) 属性是类或对象的 数据成员 ，而方法是类或对象的 函数成员 。
在 mtcars_df = sm.datasets.get_rdataset('mtcars', 'datasets').data 中， .data 就是 get_rdataset 函数返回对象的一个属性，用于获取数据。
4. 解析复杂语句 现在我们来详细解析引言中提到的复杂语句：
import statsmodels.api as sm mtcars_df = sm.datasets.get_rdataset( 'mtcars' , 'datasets' ).data 4.1 import 语句解析 先看 import 语句：
import statsmodels.api as sm 这条语句的作用是导入 statsmodels 包下的 api 模块，并将其重命名 (简写) 为 sm ，方便后续调用。
这里的 .api 是 statsmodels 包为用户提供的统一接口模块，整合了常用的统计建模功能。详情参见 statsmodels 官方文档。 通过 sm ，可以直接访问 statsmodels 中的主要类和函数，无需分别导入多个子模块。 有关 import 语句的更多信息，可以参考 Python 官方文档：import 语句，以及 Python：import 使用详解。
4.2 数据集加载解析 再看数据集加载的语句：
mtcars_df = sm.datasets.get_rdataset( 'mtcars' , 'datasets' ).data mtcars.head() 这行代码很长，为了便于理解，我们把这行代码拆解为以下几步，以便更好的理解 模块 、 函数 和 属性 这几个概念的区别：
# 第一步：获取 datasets 子模块 datasets_module = sm.datasets # 第二步：调用 get_rdataset 函数获取数据集对象 mtcars_object = datasets_module.get_rdataset( 'mtcars' , 'datasets' ) # 获取数据集对象：'object = 模块.函数()' 格式 # 本例中：'object = 模块.子模块.函数(参数1, 参数2)' 格式 # 函数和参数说明： # 'get_rdataset' 是 datasets 子模块中的一个函数，用于获取 R 数据集。 # 'mtcars' 是数据集的名称 # 'datasets' 是数据集所在的包名 # 第三步：通过 data 属性获取实际的数据 (Data Frame) mtcars_df = mtcars_object.data # 第四步：查看数据集的前几行 mtcars_df.head()
datasets_module 和 rdataset ，使得每一步的操作更加清晰易懂。然而，在实际编程中，我们通常会将这些步骤合并为一行代码，以提高代码的简洁性和可读性：采用 A.B().C 的形式来反映模块、函数和属性之间的关系和工作流程。
下面是对代码的补充说明：
sm 是 statsmodels.api 模块的别名。 datasets 是 sm 下的一个子模块，专门用于访问内置或外部数据集。 get_rdataset('mtcars', 'datasets') 是 datasets 子模块中的一个函数，用于从 R 的数据集仓库中的 datasets 包中获取名为 'mtcars' 的数据集。这个函数会返回一个包含数据集及其元信息 (meta information) 的 对象 ，即 mtcars_object 。 .data 是对象 mtcars_object 的一个属性，用于提取实际的数据内容 (通常为一个数据框，即 pandas.DataFrame )。 因此，最终得到的
mtcars_df 变量就是一个 pandas.DataFrame 对象，包含了 'mtcars' 数据集的实际数据。 mtcars_df.head() 是数据框 mtcars_df 的方法，用于查看数据集的前几行数据。 需要注意的是，在上述语句中， datasets 这个关键词出现了两次，两者含义不同，不要混淆：
第一次是指 sm 下的 datasets 子模块； 第二次是作为参数传递给 get_rdataset() 函数，它是 R 语言中的一个扩展包的名称，而 mtcars 则是 datasets 包中的一个数据集。 4.3 模型拟合解析 接下来，我们来解析模型拟合的语句：
X = mtcars_df[[ 'wt' ]] X = sm.add_constant(X) y = mtcars_df[ 'mpg' ] model = sm.OLS(y, X).fit() model.summary() 这段代码的作用是使用 statsmodels 包中的普通最小二乘回归 (OLS) 方法来拟合一个线性回归模型。我们同样可以将其拆解为几个步骤，以便更好地理解：
# 第一步：选择自变量和因变量 X = mtcars_df[[ 'wt' ]]
# 选择自变量 'wt' (重量) y = mtcars_df[ 'mpg' ] # 选择因变量 'mpg' (每加仑英里数) # 第二步：添加常数项 X = sm.add_constant(X) # 添加常数项 (截距) # 第三步：创建 OLS 模型对象 model = sm.OLS(y, X) # 创建 OLS 模型对象，传入因变量 y 和自变量 X # 第四步：拟合模型 model = model.fit() # 拟合模型，计算模型参数 # 第五步：查看模型摘要 model.summary() # 输出模型的统计摘要 在上述代码中，我们可以看到以下几个重要的概念：
X 和 y 分别是自变量和因变量的数据框 (DataFrame)，它们从 mtcars_df 中提取。 sm.add_constant(X) 是 statsmodels 包中的一个函数，用于在自变量 X 中添加一个常数项 (截距)，使得线性回归模型能够包含截距项。 sm.OLS(y, X) 是 statsmodels 包中的一个类，用于创建一个普通最小二乘回归模型的对象。这里传入的参数 y 是因变量， X 是自变量。 .fit() 是 sm.OLS(y, X) 创建的对象的方法，用于拟合模型，即根据输入的数据计算模型的参数。
model.summary() 是 model 对象的方法，用于输出模型的统计摘要，包括系数、标准误差、t 值、p 值等信息。 最终结果为：
OLS Regression Results ================================================================= Dep. Variable: mpg R-squared: 0.753 Model: OLS Adj. R-squared: 0.745 Method: Least Squares F-statistic: 91.38 Date: Sun, 29 Jun 2025 Prob (F-statistic): 1.29e-10 Time: 11 : 08 : 52 Log-Likelihood: -80.015 No. Observations: 32 AIC: 164.0 Df Residuals: 30 BIC: 167.0 Df Model: 1 Covariance Type: nonrobust ================================================================= coef std err t P>|t| [ 0.025 0.975 ] ----------------------------------------------------------------- const 37.2851 1.878 19.858 0.000 33.450 41.120 wt -5.3445 0.559 -9.559 0.000 -6.486 -4.203 ================================================================= Omnibus: 2.988 Durbin-Watson: 1.252 Prob(Omnibus): 0.225 Jarque-Bera (JB): 2.399 Skew: 0.668 Prob(JB): 0.301 Kurtosis: 2.877 Cond. No. 12.7 ================================================================= Notes: [ 1 ] Standard Errors assume that the covariance matrix of the errors is correctly specified.
5. 总结 本文通过对 Python 面向对象编程 (OOP) 的核心概念进行详细讲解，帮助初学者理解了类、对象、封装、继承和多态等重要概念。同时，通过对
statsmodels 包中复杂语句的解析，深入探讨了包、模块、函数、方法和属性之间的关系。
你可能会感觉本文写得很啰嗦，但如果能耐心阅读并理解这些内容，将会对你在 Python 编程中遇到的各种复杂语句有更深刻的理解。特别是对于那些从其他编程语言转型过来的用户，掌握这些概念将有助于你更快地适应 Python 的编程风格和习惯。
6. 参考资料 Python 100 Days - 18.面向对象编程入门 Python 从入门到深入, 13. 面向对象编程
7. 相关推文 Note：产生如下推文列表的 Stata 命令为： lianxh python- 学习建议 常用包盘点 用户最爱 书籍推荐, nocat md 安装最新版 lianxh 命令： ssc install lianxh, replace
李俊奇, 2025, Python-EconML包：快速上手动态双重机器学习, 连享会 No.1577. 王卓, 2023, 知乎热议：经济学入门必读书籍推荐, 连享会 No.1242. 连享会, 2021, 司继春：Python学习建议和资源, 连享会 No.563. 连小白, 2025, Python常用包盘点：经济与金融领域的必备工具包, 连享会 No.1568. 连玉君, 2020, Stata程序：是否有类似-Python-中的-zip()-函数, 连享会 No.347. 连玉君, 2024, 从基础到 AI 助手：Python 用户最爱的 VScode 插件清单, 连享会 No.1489. 郭李鹏, 2020, Stata交互：Python-与-Stata-对比, 连享会 No.303. 高瑜, 2025, 书籍推荐：用Python实现可复现的数据科学, 连享会 No.1551. 连享会微信小店上线啦！ Note：扫一扫进入“连享会微信小店”，你想学的课程在这里······
New！ Stata 搜索神器： lianxh 和 songbl GIF 动图介绍 搜： 推文、数据分享、期刊论文、重现代码 …… 👉 安装： . ssc install lianxh . ssc install songbl 👉 使用： . lianxh DID 倍分法 . songbl all
🍏 关于我们 直通车： 👉【 百度一下： 连享会 】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。 
