在 Python 编程中，函数是代码复用与逻辑封装的核心载体。多数场景下，我们需要函数返回单一结果（如计算两数之和返回一个数值），但实际开发中，常遇到 “一次调用需获取多个关联结果” 的需求 —— 例如计算矩形的 “面积与周长”、分析数据集的 “总和与均值”、查询用户信息时返回 “姓名、年龄与订单数量”。此时，Python 支持的 “函数 return 多个数据” 功能便成为高效解决方案。本文将从基础原理出发，通过丰富实例讲解其用法，结合实战场景说明应用技巧，帮助开发者灵活应对多结果返回需求。
在未掌握多数据返回前，若需函数输出多个结果，往往需借助 “全局变量”“列表临时存储” 或 “多次函数调用”，这些方式存在明显缺陷：
全局变量：易造成变量污染，破坏函数封装性；
列表临时存储：需手动解析列表元素含义，可读性差；
多次调用：重复执行函数逻辑（如重复遍历数据集计算总和与均值），降低效率。
而 Python 的多数据返回功能，可直接通过一个函数调用获取多个关联结果，兼具 “效率、可读性、封装性” 三大优势，适用于以下核心场景：
多结果计算：如几何图形的 “面积与周长”、两数的 “和、差、积、商”；
业务信息查询：返回用户的 “基础信息（姓名 / 年龄）+ 业务数据（订单数 / 消费额）”；
状态与结果同步：返回 “操作是否成功（布尔值）+ 结果数据 / 错误信息”。
Python 并不支持真正意义上的 “多值返回”，其底层逻辑是：将多个数据封装成一个 “容器对象”（如元组、列表、字典），函数实际返回的是这个容器，再通过 “解包” 操作提取其中的多个数据。
其中，元组（tuple）是默认的封装类型—— 当函数 return 后紧跟多个数据时，Python 会自动将其打包为元组；若需明确指定容器类型，也可手动封装为列表、字典或自定义对象。
理解这一本质，能帮助我们避免 “多值返回” 的认知误区，更灵活地选择封装方式。
根据返回容器的不同，Python 函数多数据返回可分为 “元组返回（默认）”“列表返回”“字典返回”“对象返回” 四类，各自适用于不同场景，以下结合实例详细说明。
当函数 return 多个数据且未指定容器时，Python 会自动将其打包为元组。调用函数时，可通过 “变量解包” 直接获取单个数据，无需手动解析元组。
def calculate_rectangle(length, width):
"""计算矩形的面积与周长，返回两个结果"""
area = length * width # 面积 = 长 × 宽
perimeter = 2 * (length + width) # 周长 = 2×(长+宽)
return area, perimeter # 自动打包为元组 (area, perimeter)
# 调用函数：解包元组，将两个结果分别赋值给变量
rect_area, rect_perimeter = calculate_rectangle(5, 3)
# 输出结果
print(f"矩形面积：{rect_area}") # 输出：矩形面积：15
print(f"矩形周长：{rect_perimeter}") # 输出：矩形周长：16
函数返回时无需写括号（return (area, perimeter) 与 return area, perimeter 效果一致），Python 默认打包为元组；
解包时，变量数量需与返回数据数量一致（若多写变量会报错，少写则获取部分数据，需用 _ 忽略无关值，如 rect_area, _ = calculate_rectangle(5, 3) 仅获取面积）；
适用场景：返回数据关联紧密、数量固定且无需明确标识（如 “面积与周长”“和与差”）。
若返回的多个数据需要后续修改（如添加、删除元素），可手动将数据封装为列表返回。列表与元组的核心区别是 “可变性”，因此列表更适合 “需二次处理结果” 的场景。
def analyze_list(num_list):
"""分析数字列表，返回最大值、最小值、元素个数（列表形式）"""
if not num_list: # 处理空列表场景
return [None, None, 0]
max_val = max(num_list)
min_val = min(num_list)
count = len(num_list)
return [max_val, min_val, count] # 手动封装为列表
# 调用函数并获取结果
result = analyze_list([12, 5, 23, 8, 3])
print("原始结果：", result) # 输出：原始结果：[23, 5, 5]
# 对返回的列表进行二次修改（如添加平均值）
avg_val = sum(result[:2]) / 2 # 计算最大最小值的平均值
result.append(avg_val)
print("添加平均值后的结果：", result) # 输出：添加平均值后的结果：[23, 5, 5, 14.0]
列表返回需手动用 [] 封装数据，后续可通过列表方法（append/insert/pop）修改结果；
适用场景：返回数据需二次加工（如添加额外计算结果）、数据数量可能动态变化。
当返回数据较多或需要明确区分每个结果的含义时，使用字典返回是最佳选择 —— 字典的 “键（key）” 可直接标识数据语义，避免 “通过索引猜含义” 的问题，尤其适合团队协作场景。
def get_student_grade(student_id):
"""根据学生ID，返回成绩详情（字典形式，含科目分数、总分、等级）"""
# 模拟从数据库获取数据（实际开发中替换为真实查询逻辑）
grades = {
"math": 92,
"english": 88,
"python": 95
}
total = sum(grades.values()) # 计算总分
avg = total / len(grades) # 计算平均分
# 判定等级
if avg >= 90:
level = "A"
elif avg >= 80:
level = "B"
else:
level = "C"
# 返回字典：键明确标识数据含义
return {
"student_id": student_id,
"subject_grades": grades,
"total_score": total,
"average_score": round(avg, 1), # 保留1位小数
"grade_level": level
}
# 调用函数，通过字典键获取指定结果
student_result = get_student_grade("2025001")
print(f"学生{student_result['student_id']}总分：{student_result['total_score']}")
print(f"平均分：{student_result['average_score']}，等级：{student_result['grade_level']}")
print(f"Python成绩：{student_result['subject_grades']['python']}")
# 输出结果：
# 学生2025001总分：275
# 平均分：91.7，等级：A
# Python成绩：95
字典的键需具备语义化（如 total_score“grade_level”），避免使用无意义的键（如 key1“key2”）；
调用时通过 字典名['键名'] 提取数据，无需记忆索引位置，可读性极强；
适用场景：返回数据较多（3 个以上）、需明确区分数据含义、团队协作或接口开发（需给调用方清晰的数据说明）。
当返回数据包含 “属性” 与 “方法”（如用户信息不仅有基本字段，还需验证手机号格式）时，可定义一个类，让函数返回该类的对象 —— 这是面向对象编程中处理复杂结构化数据的标准方式。
class User:
"""用户类：封装用户属性与方法"""
def __init__(self, name, age, phone, order_count):
self.name = name # 姓名
self.age = age # 年龄
self.phone = phone # 手机号
self.order_count = order_count # 订单数量
def is_adult(self):
"""判断是否为成年人"""
return self.age >= 18
def format_phone(self):
"""格式化手机号（如138****1234）"""
if len(self.phone) == 11:
return f"{self.phone[:3]}****{self.phone[7:]}"
return "手机号格式错误"
def get_user_info(user_id):
"""根据用户ID，返回User对象（含属性与方法）"""
# 模拟数据库查询结果
user_data = {
"name": "张三",
"age": 25,
"phone": "13812345678",
"order_count": 12
}
# 返回User对象，封装所有属性与方法
return User(
name=user_data["name"],
age=user_data["age"],
phone=user_data["phone"],
order_count=user_data["order_count"]
)
# 调用函数获取User对象，访问属性与调用方法
user = get_user_info("U20250815")
print(f"用户名：{user.name}，订单数：{user.order_count}")
print(f"是否成年：{user.is_adult()}")
print(f"格式化手机号：{user.format_phone()}")
# 输出结果：
# 用户名：张三，订单数：12
# 是否成年：True
# 格式化手机号：138****5678
自定义对象将 “数据（属性）” 与 “逻辑（方法）” 封装在一起，适合处理复杂业务（如用户信息验证、订单数据计算）；
适用场景：返回数据需关联业务逻辑（如验证、格式化、计算）、数据结构复杂且需复用（如在多个函数中传递同一类数据）。
import statistics
def get_data_stats(data):
"""计算数据集的核心统计指标：总和、均值、中位数、标准差"""
if not data:
return None, None, None, None # 空数据返回None
total = sum(data)
mean = statistics.mean(data)
median = statistics.median(data)
std_dev = statistics.stdev(data) if len(data) > 1 else 0 # 标准差需至少2个数据
return total, mean, median, std_dev
# 测试：分析月度销售额数据
sales_data = [52000, 68000, 75000, 63000, 81000]
total_sales, avg_sales, median_sales, std_sales = get_data_stats(sales_data)
print(f"月度总销售额：{total_sales:,}元")
print(f"月均销售额：{avg_sales:,.1f}元")
print(f"销售额中位数：{median_sales:,}元")
print(f"销售额标准差：{std_sales:,.1f}元") # 反映数据波动程度
def user_login(username, password):
"""用户登录验证：返回（登录状态，提示信息，用户数据）"""
# 模拟用户数据库（实际为数据库查询）
valid_users = {
"admin": {"password": "123456", "role": "管理员", "login_count": 156},
"user123": {"password": "abc789", "role": "普通用户", "login_count": 23}
}
# 验证逻辑
if username not in valid_users:
return False, "用户名不存在", None
if valid_users[username]["password"] != password:
return False, "密码错误", None
# 登录成功：更新登录次数（模拟数据库更新）
valid_users[username]["login_count"] += 1
user_data = valid_users[username]
return True, "登录成功", user_data
# 调用函数并处理结果
login_status, msg, user = user_login("admin", "123456")
if login_status:
print(f"{msg}！用户角色：{user['role']}，累计登录次数：{user['login_count']}")
else:
print(f"登录失败：{msg}")
函数返回的多数据需通过 “解包” 获取，若变量数量与返回数据数量不匹配，会触发 ValueError：
# 错误示例：返回2个数据，却用3个变量接收
area, perimeter, extra = calculate_rectangle(5, 3) # 报错：too many values to unpack (expected 3)
# 正确处理：用`_`忽略无关数据（仅获取面积）
area, _ = calculate_rectangle(5, 3)
数据量≤2 个且关联紧密：用元组（简洁高效）；
数据量≥3 个或需明确含义：用字典（可读性优先）；
数据需关联业务逻辑：用自定义对象（结构化封装）；
避免用列表返回 “固定含义数据”（列表无语义标识，易混淆）。
函数返回多数据时，需提前考虑异常情况（如空输入、计算错误），避免返回 “不完整数据”：
def divide_and_remainder(a, b):
"""计算两数的商与余数，处理除数为0的异常"""
if b == 0:
return None, None, "除数不能为0" # 返回None+错误信息
quotient = a // b
remainder = a % b
return quotient, remainder, "计算成功"
# 调用时判断异常
q, r, msg = divide_and_remainder(10, 0)
if q is None:
print(f"错误：{msg}")
else:
print(f"商：{q}，余数：{r}")
Python 函数 return 多个数据，本质是 “容器封装 + 解包” 的语法糖，却极大提升了代码效率与可读性。从简单的元组返回，到复杂的对象返回，不同方式适用于不同场景 —— 核心原则是 “兼顾效率与可读性，贴合业务需求”。
在实际开发中，灵活运用多数据返回函数，可避免冗余代码（如多次函数调用）、减少变量污染（如替代全局变量），让代码更简洁、逻辑更清晰。无论是数据处理、业务逻辑，还是接口开发，多数据返回都是 Python 开发者必备的核心技巧之一。掌握其用法与最佳实践，能显著提升编程效率，应对更复杂的开发场景。
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
在Power BI实操中，函数是实现数据清洗、建模计算、可视化呈现的核心工具——无论是简单的数据筛选、异常值处理，还是复杂的度量 ...
2026-02-13在互联网运营、产品迭代、用户增长等工作中，“留存率”是衡量产品核心价值、用户粘性的核心指标——而次日留存率，作为留存率体 ...
2026-02-13对CDA（Certified Data Analyst）数据分析师而言，指标是贯穿工作全流程的核心载体，更是连接原始数据与业务洞察的关键桥梁。CDA ...
2026-02-13在机器学习建模实操中，“特征选择”是提升模型性能、简化模型复杂度、解读数据逻辑的核心步骤——而随机森林（Random Forest） ...
2026-02-12在MySQL数据查询实操中，按日期分组统计是高频需求——比如统计每日用户登录量、每日订单量、每日销售额，需要按日期分组展示， ...
2026-02-12对CDA（Certified Data Analyst）数据分析师而言，描述性统计是贯穿实操全流程的核心基础，更是从“原始数据”到“初步洞察”的 ...
2026-02-12备考CDA的小伙伴，专属宠粉福利来啦！ 不用拼运气抽奖，不用复杂操作，只要转发CDA真题海报到朋友圈集赞，就能免费抱走实用好礼 ...
2026-02-11在数据科学、机器学习实操中，Anaconda是必备工具——它集成了Python解释器、conda包管理器，能快速搭建独立的虚拟环境，便捷安 ...
2026-02-11在Tableau数据可视化实操中，多表连接是高频操作——无论是将“产品表”与“销量表”连接分析产品销量，还是将“用户表”与“消 ...
2026-02-11在CDA（Certified Data Analyst）数据分析师的实操体系中，统计基本概念是不可或缺的核心根基，更是连接原始数据与业务洞察的关 ...
2026-02-11在数字经济飞速发展的今天，数据已成为核心生产要素，渗透到企业运营、民生服务、科技研发等各个领域。从个人手机里的浏览记录、 ...
2026-02-10在数据分析、实验研究中，我们经常会遇到小样本配对数据的差异检验场景——比如同一组受试者用药前后的指标对比、配对分组的两组 ...
2026-02-10在结构化数据分析领域，透视分析（Pivot Analysis）是CDA（Certified Data Analyst）数据分析师最常用、最高效的核心实操方法之 ...
2026-02-10在SQL数据库实操中，字段类型的合理设置是保证数据运算、统计准确性的基础。日常开发或数据分析时，我们常会遇到这样的问题：数 ...
2026-02-09在日常办公数据分析中，Excel数据透视表是最常用的高效工具之一——它能快速对海量数据进行分类汇总、分组统计，将杂乱无章的数 ...
2026-02-09表结构数据作为结构化数据的核心载体，其“获取-加工-使用”全流程，是CDA（Certified Data Analyst）数据分析师开展专业工作的 ...
2026-02-09在互联网产品运营、用户增长的实战场景中，很多从业者都会陷入一个误区：盲目投入资源做推广、拉新，却忽视了“拉新后的用户激活 ...
2026-02-06在机器学习建模过程中，特征选择是决定模型性能的关键环节——面对动辄几十、上百个特征的数据（如用户画像的几十项维度、企业经 ...
2026-02-06在CDA（Certified Data Analyst）数据分析师的日常实操中，表格结构数据是贯穿全流程的核心载体，而对表格数据类型的精准识别、 ...
2026-02-06在日常办公数据分析中，我们经常会面对杂乱无章的批量数据——比如员工月度绩效、产品销售数据、客户消费金额、月度运营指标等。 ...
2026-02-05
京公网安备 11010802034615号
经营许可证编号：京B2-20210330
