当代码有了心跳：聊聊Python里那个让你不再焦虑的进度条神器 tqdm [特殊字符]️

等待不可怕，可怕的是你不知道还要等多久。—— 鲁迅（没说过，但很有道理对不对？在算力爆炸的时代，进度可视化反而成了稀缺品。tqdm用极简的API解决了这个高频痛点。在深夜跑模型在服务器上迁移数据在笔记本里预处理百万行数据看到那个跳跃的小绿条时，请记住——那不是冰冷的百分比，是代码世界对你温柔的回应。（好了不煽情了，快去给你的循环加个条吧！记得彩色版更提神哦 😉）彩蛋：据说用tqdm的程序员deb

betabyte

1451人浏览 · 2025-06-11 16:22:19

betabyte · 2025-06-11 16:22:19 发布

文章目录

你知道为什么程序员盯着进度条看的时候特别虔诚吗？
因为那是我们离“玄学调试”最近的神迹时刻！（认真脸）

做数据处理时盯着光标闪了半小时，爬虫运行时怀疑网线被老鼠啃了，模型训练时反复检查插头是否松动——这些场景熟不熟悉？别慌！今天要唠的 tqdm 库，就是专治这类“代码运行时焦虑症”的良药💊。它用一行代码给你的循环加上动态进度条，让等待从折磨变成… 呃，至少是能看动画片的享受？

一、初见：一行代码拯救世界

想象一下，你有个遍历十万条数据的循环：

data = range(100000)
for item in data:
    # 假装这里在做复杂的计算
    time.sleep(0.001)

运行后你的屏幕：一片死寂 ❌
CPU在咆哮，风扇在哀嚎，而你盯着空荡荡的终端开始怀疑人生。

现在！祭出tqdm大法：

from tqdm import tqdm

for item in tqdm(data, desc="暴躁处理数据中"):
    time.sleep(0.001)

再看终端⬇️：

暴躁处理数据中: 76%|███████▋  | 76000/100000 [00:12<00:03, 6352.34it/s]

哇哦！！！ 突然就有了掌控感有没有？时间预估、完成比例、处理速度一目了然。更妙的是——它居然还能自适应调整更新频率，完全不用担心进度条拖慢你的代码！（亲测百万级数据依旧流畅）

二、进阶：你的进度条不可能这么可爱

你以为tqdm只是个朴素进度条？太小看它了！

▋ 场景1：给迭代器套上“皮肤”

# 手动控制进度更新
with tqdm(total=100) as pbar:
    for i in range(10):
        time.sleep(0.2)
        pbar.update(10)  # 每次前进10%

关键点：适合非循环场景（比如逐块读取文件）✅

▋ 场景2：嵌套进度条·禁止套娃？不存在的！

outer = tqdm(range(5), desc="外层")
for i in outer:
    inner = tqdm(range(100), desc=f"内层{i}", leave=False)  # leave=False内层结束自动消失!
    for j in inner:
        time.sleep(0.01)
    outer.set_postfix({"状态": "完成一轮"})  # 实时添加状态信息

输出效果⬇️：

外层: 60%|██████    | 3/5 [00:15<00:10,  5.12s/it, 状态=完成一轮]
内层3:  45%|████▌     | 45/100 [00:00<00:00, 449.80it/s]

灵魂功能：leave=False 避免嵌套进度条变叠罗汉灾难 👏

▋ 场景3：Jupyter里玩出花

在Notebook中直接召唤魔法：

from tqdm.notebook import tqdm

for i in tqdm(range(100), colour='#FF69B4'):  # 粉色进度条！少女心爆发
    time.sleep(0.02)

酷炫加成：

彩色进度条 (colour='green')
动态描述 (set_description("正在加热咖啡..."))
甚至支持LaTeX公式！（但劝你别作死，真的）

三、实战：当tqdm遇见Pandas 🐼

数据处理党看这里！apply函数进度条 才是终极浪漫：

import pandas as pd
from tqdm import tqdm

tqdm.pandas()  # 激活Pandas魔法！

df = pd.DataFrame({'values': np.random.rand(10000)})

# 原本冰冷的.apply()现在有了温度！
df['squared'] = df['values'].progress_apply(lambda x: x**2)

输出效果⬇️：

100%|██████████| 10000/10000 [00:00<00:00, 132457.21it/s]

（看到这个速度是不是露出了老父亲般的微笑？）

四、为什么我们都爱这个小绿条？

心理按摩功效MAX
人类对不确定性的恐惧是刻在DNA里的！进度条把模糊的等待转化为确定性的增长——光是看着它动就能缓解50%的焦虑（玄学但有效）
性能？不存在的拖累！
tqdm的刷新机制极其智能。短循环几乎零开销，长循环自动降频更新。实测百万次迭代增加耗时<2%！
（除非你在循环里写print…那神仙也救不了）
该死的兼容性
终端？Jupyter？VS Code？Python脚本？甚至命令行工具！通吃！连Linux管道都支持：
$ ls -1 | tqdm --unit=file | wc -l
开源社区的浪漫彩蛋
源码里藏着一句注释：
# delay for dynamic miniters to catch up (avoid 100% before 100%)
连“进度条提前跑到100%”这种细节都考虑到…泪目了家人们😭

五、高级玩法：给进度条加点“特技”

自定义格式轰炸
```
bar_format = '{l_bar}{bar:50}{r_bar} | {n_fmt}/{total_fmt} [{elapsed}<{remaining}]'
tqdm(..., bar_format=bar_format)
```
输出样例：
Processing: |████████████████████ | 70/100 [00:01<00:00]

配合多进程起飞

from concurrent.futures import ProcessPoolExecutor

with ProcessPoolExecutor() as pool:
    results = list(tqdm(
        pool.map(heavy_task, data), 
        total=len(data)
    ))

每个worker完成时自动推进进度 ✅

日志文件双输出

import logging
from tqdm.contrib.logging import logging_redirect_tqdm

with logging_redirect_tqdm():
    for i in tqdm(range(10)):
        logging.info(f"正在处理第{i}项")  # 日志和进度条和谐共存！