企业官网建设流程全解析

先把结论放在前面：这次“Python第三次作业”并不是一次普通的课后练习，它更像是一个课程难度跳变的信号。前两次作业可能还停留在“定义变量、写个循环、调用函数”的层面，到了第三次，老师多半会引入文件读写、数据处理、面向对象或者一个稍微完整的业务场景。这篇文章我就拿一个典型的第三次作业题目——学生成绩分析系统——做完整复盘，从需求拆解到手写代码，再到各种报错的排查过程，一篇讲透。

题外话说一句，网上搜Python相关内容时，会看到大量环境配置的帖子，什么Python安装、VSCode环境配置、pycharm配置Python环境等等。说实话，这些帖子之所以永远有流量，就是因为很多同学卡在了第一步。请不要跳过环境准备直接抄代码，否则你的第三次作业会变成第四次环境配置作业。我下面会按一个比较合理的流程来讲，你跟着走就行。

1. 需求分析与整体设计思路

1.1 拿到题目后我先做了什么

我拿到的题目描述是：编写一个Python程序，读取一份CSV格式的学生成绩文件（包含姓名、学号、三门课程成绩），完成三类功能——数据统计（总分、平均分、最高最低分）、等级评定（优、良、中、及格、不及格）、结果可视化（各分数段人数分布图）。

说实话，这种题目本身并不复杂，但很多人一上来就打开编辑器狂写代码，写到一半发现逻辑乱了。我的习惯是先在纸上把流程画一遍，把数据格式理清楚，再动手。这次作业我给自己定的目标是：代码模块化，单个函数只做一件事，不把所有逻辑堆在main里。

需求拆解下来，核心就三个模块：

• 数据读取模块：处理CSV解析，兼容字段缺失或格式错误。
• 统计评级模块：对成绩做聚合计算和等级映射。
• 可视化模块：用Matplotlib绘制分布图。

还有一个隐性需求，就是代码要能在不同的电脑上运行。这意味着文件路径不能写死，最好用相对路径或命令行参数传入。

1.2 方案选型：为什么要这样设计

成绩分析这个需求，用Pandas当然可以三行搞定，但我刻意要求自己只用Python标准库。原因有两个：第一，作业的隐藏考点往往是对基础语法和文件IO的掌握程度，用第三方库有可能被扣分；第二，老师不会在每台电脑上都装Pandas，标准库方案的可移植性最好。

数据可视化部分我选了Matplotlib，因为它是Python生态里最普及的绘图库，网上教程多，遇到问题好搜。如果用Plotly或Seaborn，图是更漂亮了，但老师跑你代码时可能没装这些库，到时候ImportError一片红，体验很糟糕。

所以最终的技术选型是：csv + collections + matplotlib + argparse。前两个是标准库，后两个需要pip安装但普及度极高。

1.3 数据格式设计与边界情况

在设计读取模块之前，要先确定CSV文件的格式。我用的样例数据长这样：

学号,姓名,Python,数据结构,数据库 2023001,张伟,88,92,76 2023002,李娜,55,69,83 2023003,王强,91,98,89

这种格式的好处是表头明确，字段用英文逗号分隔，兼容最常见的CSV导出方式。但真实场景里，成绩单可能是用Excel另存的，偶尔会出现有空行、BOM头、或者成绩字段是空字符串的情况。读取模块必须把这些问题都接住。

边界情况列表：

• 文件里存在空行，跳过即可。
• 成绩字段可能为空字符串或非数字字符。
• 学号可能是带前导零的字符串，不能直接当整数读。
• 表头可能带UTF-8 BOM（最常见于Windows下Excel导出的文件）。

这些问题单独看都不是大事，但组合起来就很容易让新手崩溃。我见过太多人卡在“明明文件里有数据，但程序读出来是空的”这种问题，十有八九是BOM在作怪。

1.4 项目目录结构规划

一个小作业而已，不需要搞特别复杂的包结构，但至少要有个清晰的布局：

student_analysis/ ├── data/ │ └── scores.csv ├── output/ │ └── (生成的结果图片存放位置) ├── analysis.py ├── README.md └── requirements.txt

analysis.py是主程序文件，data里放输入数据，output目录用来放生成的图片。之所以把输入输出分开，是为了避免把程序和数据混在一起，这也是从实际工程项目里带出来的习惯。这个结构不复杂，但老师拿到手就能看懂，印象分会好很多。

2. 核心模块详解与关键代码实现

2.1 数据读取模块：不能只写个open就完事

数据读取是整个作业的地基。如果数据读进来就是错的，后面所有统计都是在算垃圾。我的实现思路是：用csv模块的DictReader读取每一行，然后对每一行做清洗和校验。

我先贴第一版代码，然后逐行解释：

# -*- coding: utf-8 -*- import csv import sys def load_scores(file_path): """读取成绩CSV文件，返回包含学号、姓名、各科成绩的字典列表""" records = [] with open(file_path, 'r', encoding='utf-8-sig') as f: # utf-8-sig 会自动去掉BOM头，这个很关键 reader = csv.DictReader(f) for row in reader: if not any(row.values()): # 整行为空则跳过 continue record = { 'student_id': row['学号'].strip(), 'name': row['姓名'].strip(), 'scores': {} } for subject in ['Python', '数据结构', '数据库']: raw = row.get(subject, '').strip() if raw == '': print(f"警告: 学生 {record['name']} 的 {subject} 成绩为空，已设为0", file=sys.stderr) record['scores'][subject] = 0.0 else: try: record['scores'][subject] = float(raw) except ValueError: print(f"警告: 学生 {record['name']} 的 {subject} 成绩格式错误: {raw}，已设为0", file=sys.stderr) record['scores'][subject] = 0.0 records.append(record) return records

这里有几个值得说的点。

第一，open时用了encoding='utf-8-sig'而不是'utf-8'。这个细节能省掉一大半编码相关的报错。Windows下的Excel导出的CSV经常带BOM头，如果用utf-8读取，第一列的表头会变成"\ufeff学号"，字段匹配直接失败。

第二，异常处理不是简单地把异常抛出去，而是打印警告并将异常数据置为0。这样程序不会因为一行脏数据就整体崩溃，同时使用者在终端能看到哪个学生对哪门课出了问题。这里用了sys.stderr输出警告，避免和正常输出混在一起，是一个专业的小习惯。

第三，subject的列表是显式写出来的。虽然课程名也可以从表头动态获取，但显式写死的优点是：如果表头里有额外的列（比如“备注”），不会被误当成成绩参与计算。如果后续课程成绩列有增删，只需修改这个列表即可。

第四，float(raw)这一步做了类型转换。成绩在CSV里本质是字符串，如果不转换，后面做加法运算时会发生字符串拼接，“88”+“92”会得到“8892”，这是新手第二次常见的逻辑错误（第一次是变量命名错误）。

2.2 统计评级模块：为每一门课和总分算清账

数据读进来了，接下来就是统计和评级。这个模块我拆成了三个子功能：总分与平均分计算、最高最低分查找、等级评定。先看代码：

def calculate_statistics(records): """计算每个学生的总分和平均分，以及各科目的最高最低分""" subjects = ['Python', '数据结构', '数据库'] subject_scores = {subject: [] for subject in subjects} for student in records: student['total'] = sum(student['scores'].values()) student['average'] = student['total'] / len(subjects) for subject in subjects: subject_scores[subject].append(student['scores'][subject]) stats = {} for subject in subjects: stats[subject] = { 'max': max(subject_scores[subject]), 'min': min(subject_scores[subject]), 'avg': sum(subject_scores[subject]) / len(subject_scores[subject]) } return stats def assign_grade(score): """根据分数返回等级，使用标准的五级制""" if score >= 90: return '优' elif score >= 80: return '良' elif score >= 70: return '中' elif score >= 60: return '及格' else: return '不及格'

calculate_statistics这个函数用了subject_scores这个字典，先把每个科目的分数收集到一个列表里，再统一求max、min、avg。这样比逐个学生遍历时反复找最大值要清晰得多，虽然多占了一点内存，但对于一个班级的数据量来说完全不是问题。

grade函数用了一个常见的五级划分：90分以上为优，80到89为良，70到79为中，60到69为及格，60以下不及格。这里要注意的是边界条件，Python的if elif是顺序判断的，所以 >=90 要写在最前面，否则 >=80 会把90也吞掉。这个逻辑顺序错了，结果是灾难性的，而且很难一眼看出来，因为大部分学生的成绩集中在中段，边缘分数不容易被注意到。

我的建议是，写这种分段判断时，从高到低逐级判断，并且每级用大于等于作为条件，这样最直观。如果你喜欢用区间写法（比如 80 <= score < 90），也可以，但可读性不如链式比较。

2.3 结果输出模块：控制台输出和文件导出

计算完统计结果以后，需要把结果展示出来。一般老师要求的是在控制台输出即可，但我选择多做一个输出到文件的步骤，这样可以同时满足控制台查看和提交报告的需求。

def print_report(records, stats): """在控制台输出详细成绩单和统计信息""" line_sep = '-' * 55 print("\n学生成绩单") print(line_sep) print(f"{'学号':<12}{'姓名':<10}{'Python':<8}{'数据结构':<10}{'数据库':<8}{'总分':<6}{'平均分':<6}") print(line_sep) for student in records: s = student['scores'] print(f"{student['student_id']:<12}{student['name']:<10}{s['Python']:<8.1f}{s['数据结构']:<10.1f}{s['数据库']:<8.1f}{student['total']:<8.1f}{student['average']:<6.1f}") print(line_sep) print("\n各科目统计信息") for subject, values in stats.items(): print(f"{subject}: 最高 {values['max']:.1f}, 最低 {values['min']:.1f}, 平均 {values['avg']:.1f}")

这里用了格式化字符串的宽度控制（:<12、:<10等），目的是让输出对齐，看起来整洁。中文在控制台里宽度不好控制，因为全角字符占两个ASCII宽度，但Python默认按字符数计算宽度，所以中文对齐会稍微乱一点。实际效果中，学号列用左对齐12个字符宽是够用的，如果发现不对齐，可以把宽度调大，或者用中文字符串的格式化技巧——不过对于作业来说，看得过去就行，别在这上面花太多时间。

另外我建议把报告同时输出到文件，做法是在函数外面把标准输出重定向一下，或者更简单地，用print函数同时输出到多个地方：

import sys class Tee: """同时输出到控制台和文件的工具类""" def __init__(self, *files): self.files = files def write(self, obj): for f in self.files: f.write(obj) f.flush() def flush(self): for f in self.files: f.flush()

然后在主程序中这样用：

with open('output/report.txt', 'w', encoding='utf-8') as f: tee = Tee(sys.stdout, f) old_stdout = sys.stdout sys.stdout = tee print_report(records, stats) sys.stdout = old_stdout

这种做法在某些在线评测系统里可能不适用，但作为一次作业，把结果保存到文件里，老师复查起来也方便。这个Tee类是我从写日志工具的时候借鉴过来的思路，代码量不大但很实用。

2.4 可视化模块：用matplotlib画两张能看的图

Matplotlib的默认样式说实话不太好看，但胜在稳定和通用。我在这次作业里画了两张图：一张是所有学生总分的条形图，另一张是各分数段的人数分布饼图。

import matplotlib.pyplot as plt def plot_total_scores(records): """绘制总分条形图""" names = [s['name'] for s in records] totals = [s['total'] for s in records] plt.figure(figsize=(10, 6)) plt.bar(names, totals, color='skyblue') plt.xlabel('学生姓名') plt.ylabel('总分') plt.title('学生总分分布条形图') plt.xticks(rotation=45) plt.tight_layout() plt.savefig('output/total_scores.png', dpi=150) plt.close() def plot_grade_distribution(records): """绘制各分数段等级分布饼图""" from collections import Counter grades = [assign_grade(s['average']) for s in records] grade_counter = Counter(grades) labels = list(grade_counter.keys()) sizes = list(grade_counter.values()) plt.figure(figsize=(8, 8)) plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140) plt.title('学生平均分等级分布') plt.savefig('output/grade_distribution.png', dpi=150) plt.close()

这里有几个关键细节：

第一，plt.close()是很多新手会忽略的。如果不关闭当前图像对象，在脚本连续创建多张图时，内存会被逐渐占满，或者图上出现一些意料之外的残留元素。

第二，plt.xticks(rotation=45)在姓名较长时很有用，否则姓名会重叠在一起。

第三，savefig时设置dpi=150可以保证图片清晰，放在作业报告里打印出来也不模糊。

第四，饼图用了Counter来统计各等级人数，这是collections模块里一个非常好用的工具类，写这个代码前先查一下文档，比手写循环要简洁得多。当然，如果你不敢在作业里用第三方库以外的工具（其实Counter是标准库），也可以手写一个字典统计循环。

3. 完整的代码整合与运行流程

3.1 主程序结构：argparse参数解析

把上面几个模块整合到一起，需要一个主入口。我用了argparse来接收命令行参数，这样程序可以灵活指定输入文件和输出目录：

import argparse def main(): parser = argparse.ArgumentParser(description='学生成绩分析系统') parser.add_argument('--input', default='data/scores.csv', help='输入CSV文件路径') parser.add_argument('--output', default='output', help='输出目录') args = parser.parse_args() records = load_scores(args.input) if not records: print("错误: 没有读取到任何有效的成绩数据") sys.exit(1) stats = calculate_statistics(records) print_report(records, stats) import os os.makedirs(args.output, exist_ok=True) plot_total_scores(records) plot_grade_distribution(records) print(f"图表已生成，保存在 {args.output} 目录") if __name__ == '__main__': main()

argparse看起来多写了几行代码，但好处是程序不再依赖硬编码的文件路径。测试的时候可以跑一个测试文件，正式提交的时候再跑完整数据文件，非常省事。这种设计思路，放到真实项目里就是“配置与代码分离”的雏形，哪怕是一个作业，也能体现工程意识。

3.2 运行过程实录

我用下面这个命令运行：

python analysis.py --input data/scores.csv --output output

程序输出如下：

学生成绩单 ------------------------------------------------------- 学号 姓名 Python 数据结构 数据库 总分 平均分 ------------------------------------------------------- 2023001 张伟 88.0 92.0 76.0 256.0 85.3 2023002 李娜 55.0 69.0 83.0 207.0 69.0 2023003 王强 91.0 98.0 89.0 278.0 92.7 ------------------------------------------------------- 各科目统计信息 Python: 最高 91.0, 最低 55.0, 平均 78.0 数据结构: 最高 98.0, 最低 69.0, 平均 86.3 数据库: 最高 89.0, 最低 76.0, 平均 82.7 图表已生成，保存在 output 目录

运行一看，逻辑是对的。然后我检查output目录，两张PNG图片已经生成。我把图片插入到实验报告里，整个作业就算完整了。

这里顺手提一个建议：在生成图片时，尽量把图片命名得有意义，比如total_scores.png和grade_distribution.png，而不是figure1.png、figure2.png。虽然这只是一个细节，但老师批改几十份作业的时候，文件名清晰会给人很专业的印象。

3.3 测试用例设计：不能只跑一份数据就交

我把作业功能写完之后，没有急着提交，而是额外构造了几组测试数据来验证边界情况。这些测试数据包括：

• 只有一个学生的极端情况，确保程序不会因为max/min空列表而崩溃。
• 所有学生成绩相同的情况，杜绝除零错误。
• 包含空成绩和非法成绩的记录，验证异常处理是否生效。
• 学生总数为偶数和奇数的两种情况，保证平均分计算正确。

用一个测试文件来跑：

python analysis.py --input data/test_empty_scores.csv --output output

输出里出现了警告信息，但程序没有崩溃。比如：

警告: 学生 赵六 的 数据库 成绩为空，已设为0 警告: 学生 钱七 的 Python 成绩格式错误: abc，已设为0

这就说明异常处理在正常工作。如果考试的时候老师故意往里塞几行脏数据，我的程序也能扛住。

还要记得测试在没有matplotlib的机器上运行时的情况。这次作业中我用try...except包了一层导入操作，并给出提示信息：

try: import matplotlib.pyplot as plt except ImportError: print("错误: 缺少matplotlib库，请先运行 pip install matplotlib", file=sys.stderr) sys.exit(1)

这种“前置依赖检查”虽然简单，但在换电脑运行代码时能救命。如果是评分老师在你的电脑环境里运行，少了这个检查，会直接看到一串丑陋的Traceback；加了这个检查，至少能看到一句明确的指引。

4. 问题排查技巧与踩坑记录

4.1 中文乱码与编码问题

我在第一次运行时，用utf-8编码读取文件，结果表头的“学号”字段变成了“\ufeff学号”，导致后面所有字段匹配都失败。当时我花了二十分钟排查，最后发现是Excel导出CSV时自动加上了BOM头。

解决方案就是上面提到的encoding='utf-8-sig'。如果你是在Linux或者macOS下用命令行预览CSV文件，可以用file命令查看编码：

file -i scores.csv

输出如果是charset=utf-8，一般没问题；如果是charset=utf-8-bom，就要留个心眼。

个人建议是转换数据文件而不是改代码。你可以在文本编辑器里把CSV另存为UTF-8 without BOM格式，或者用Python一次性把有BOM的文件去BOM：

with open('scores.csv', 'r', encoding='utf-8-sig') as f: content = f.read() with open('scores_clean.csv', 'w', encoding='utf-8') as f: f.write(content)

但是自己写的代码要能复用，所以还是用utf-8-sig最稳妥。这样不管你拿到什么来历的CSV，程序都能兼容。

4.2 matplotlib中文显示为方块的解决方式

第二个坑是matplotlib在默认设置下不支持中文。画图时，坐标轴、标题里的中文全部变成一个个小方框。这个问题在Windows和Linux上都很常见。

解决办法是手动指定字体：

plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'WenQuanYi Zen Hei', 'Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False

第一行设置字体族，SimHei是Windows下常见的中文字体，WenQuanYi是Linux下的，Arial Unicode MS是macOS下的。这样程序在不同系统上运行时能够尽量自动找到可用的中文字体。

第二行axes.unicode_minus要设为False，否则坐标轴上的负号会显示成另一个异常的方块。虽然本次作业的数据里没有负数，但这一行是通用配置，我建议保留。

需要说明的是，字体名在不同的系统上可能不同，这行代码不能保证一定有效。最稳妥的办法是在部署环境里手动把系统缺少的字体装上。作为作业场景，这一行配置已经能解决绝大多数情况了。

4.3 列表是引用的坑

还有一个很隐蔽的问题，是Python里的列表引用。我在排查一个诡异bug时，发现两条学生记录的成绩被改成了完全相同。后来定位到原因：我初始化student字典时，用了同一个scores字典对象：

scores = {} for row in ...: student = {'scores': scores}

这导致所有学生共用同一个scores字典，改了一个人，所有人的成绩都跟着变。正确做法是每个学生都创建一个新的字典对象：

student = {'scores': {}}

这个坑对于新手来说极难排查，因为数据少的时候看起来一切正常，数据一多就乱套。这也是我为什么一直强调模块化设计和单元测试，一个小问题如果早期没发现，后面定位成本会成倍增加。

我现在写代码时，凡是包含可变对象（list、dict、set）的地方，都会特别注意深浅拷贝问题。你可以把这一条记在笔记本上。

4.4 常见问题速查表

为了方便后续排查，我整理了一张常见问题表，你可以直接收藏：

这张表不一定覆盖你遇到的所有问题，但能覆盖80%以上的常见情况。遇到问题时，先不要慌着改代码，先看看报错的位置和你预期的是不是同一个地方。Python的Traceback现在是越来越友好的，它会明确告诉你哪个文件、哪一行、什么类型的错误。把报错信息完整贴到搜索引擎里，往往就能找到答案。

4.5 调试技巧：print大法其实最高效

很多新手遇到bug的第一反应是用IDE的断点调试，但在我看来，对于这种几百行的小作业，print大法反而最高效。原因很简单：作业代码的数据量很小，输出中间过程不会造成信息过载，而且print输出的位置和值能立刻告诉你逻辑走到哪一步了。

我写这个作业时，在读取模块的循环里临时加了一行print(record)，结果发现第二行的学号被读成了float类型，原来是CSV里学号列被Excel自动转成了科学计数法。本来想直接修数据文件，但后来想了一下，还是选择在代码里把学号强制转为字符串并去掉小数点——这样更健壮：

record['student_id'] = str(row['学号']).strip().split('.')[0]

如果学号是2023001.0这种浮点字符串，split('.')[0]能去掉小数部分。但因为我们在load_scores里已经用DictReader读取，如果CSV里学号已经从源头变成了2023001.0，这个处理就能救回来。

调试完成后，记得把临时的print注释掉，否则提交时输出里会多出一堆调试信息。我个人的习惯是，调试代码用print，调试完改成logging或直接删除，避免在最终交付里出现冗余输出。

5. 优化方向与进阶思路

5.1 用函数式编程思想重构

如果第三次作业做完了，学有余力的话，我强烈建议你用函数式编程的方式把代码重构一遍。Python不是纯函数式语言，但它的高阶函数、lambda表达式、map/filter/reduce都能让代码更简洁。

以本次作业为例，对每个学生计算总分这件事，可以用一行代码完成：

students_with_total = [ {**student, 'total': sum(student['scores'].values())} for student in records ]

这种字典解包（**student）的写法，在Python 3.5之后的版本中都可以用，它会把原来的字典内容复制一份，再加上新的total键。代码看起来简洁，也更难出错的，因为你没有修改原字典，而是生成了一个新字典。

不过，我要提醒一句：如果老师要求的是“掌握循环和基本逻辑”，那还是老老实实写for循环。用函数式写法虽然炫技，但老师可能会怀疑你是不是抄的——代码风格和前面作业差距太大了。

5.2 从命令行工具到Web应用

第三个作业做完以后，你可能会发现命令行程序用起来不够直观。这个时候可以试着把它升级成一个简单的Web应用，用Flask或FastAPI写一个API，前端用一个最简单的HTML页面，上传CSV文件后展示统计结果和图表。

升级的思路大致是：

• Flask接收文件上传。
• 后端调用已有的analysis模块处理数据。
• 前端用ECharts或者Chart.js画图，替代Matplotlib。

这样做的意义不只是好看，而是帮助你理解数据流在前后端之间如何传递。也是对Python生态的一次拓展。当然，这个升级已经是第四个作业的体量了，如果时间充裕再搞，不建议在期末周拼命折腾自己。

5.3 将作业升级成可交付的小工具

如果只是交作业，上面那些代码已经够了。但如果想让这份作业真正能拿得出手，我建议考虑以下几点：

第一，写一个README文件，说明项目是什么、怎么安装依赖、怎么运行、输出在哪里。这个习惯从现在开始养成，后面做毕业设计或者工作后写技术文档都会受益。

第二，把requirements.txt写好，即使只有一个matplotlib：

matplotlib>=3.5.0

第三，考虑用pyinstaller打包成exe。这样即使对方电脑没装Python环境也能运行，不过这涉及打包过程中的各种小坑，比如路径配置、图标更换、是否加壳等，我在另一篇实战文章里详细写过，这里不展开了。简单提醒一句：打包exe时，在命令行加一句--onefile可以生成单个可执行文件，但首次启动会慢，因为要解压临时文件。对于作业提交而言，如果你选了pyinstaller，最后记得在目标机器上测试一遍，否则打包出来一个跑不起来的exe反而更尴尬。

5.4 数据量变大时的性能思考

这次作业的数据量大概几十人，性能完全不是问题。但如果你好奇“如果有一万名学生的成绩，这个程序还能跑吗”，我可以告诉你答案：能，但有几处可以优化。

• 存储方式：对于大规模数据，建议用SQLite或Pandas DataFrame，而不是在内存里存一堆字典。
• 计算方式：统计数据可以一边读取一边更新最大值最小值，不需要先把所有分数收集到列表里再聚合。
• 图表绘制：matplotlib画一万个柱子的条形图会非常拥挤，这时可以考虑分组聚合或者只显示Top20。

这个思考方向，哪怕你只是写进作业的“改进与展望”部分，老师都会觉得你有自己的想法，分数会有明显的区分度。

6. 写在最后：一些实在的经验

这次第三次作业，我前后大概花了三个晚上，第一晚写代码，第二晚查bug，第三晚整理文档和测试。最花时间的反而是那些看起来不起眼的小问题：BOM、中文字体、引用共享、工作目录不对。这也符合实际开发的常态——大部分时间不是在写新功能，而是在解决环境、兼容性和边界情况。

我个人最大的体会是：做作业和做项目的分界线，不在于代码行数的多少，而在于你有没有把“异常情况”和“交付体验”当成一回事。如果你写的程序换个目录就跑不了，换台电脑就报错，数据里多一个空行就崩溃，那它就只是一个能运行的脚本；如果你愿意多做一点，处理边界情况、给出友好提示、写好说明文档，那它就具备了一个小工具的雏形。

希望这篇复盘能给你的第三次作业一些启发。如果你在做作业过程中遇到了别的报错，而我已经在上面记录了解决方案，那就直接照着改；如果不在表里，把报错信息原样贴到搜索引擎，大概率都能找到答案。编程这件事，入门阶段靠的是勇气和耐心，遇到问题别急着删代码重写，先拆解它，再解决它。