Python 应用在机器学习、科学计算等关键领域广泛存在，这些应用常通过集成 C 等底层语言编写的原生代码来提升性能或实现互操作。然而，原生代码中的缺陷（即 native code bugs）通常隐蔽且难以察觉，给整个 Python 应用的质量带来了额外挑战。尽管已有相关研究，但学术界和工业界对这些缺陷的系统性理解仍然不足。本文首次针对 Python 应用中的原生代码缺陷进行了深入的大规模实证研究。作者从 GitHub 上真实的开源 Python 项目中人工筛选并分析了 216 个原生代码缺陷，结合自动化工具与人工分析，系统梳理了这些缺陷的常见症状（如崩溃、内存错误）、引入位置（如绑定层、扩展模块）、外在表现特征、根本原因（如内存管理错误、类型转换问题、引用计数问题）以及修复模式。研究获得了一系列新颖的发现，例如这些缺陷往往集中在特定类型的 API 边界处，且某些根因在不同项目中反复出现。作者还总结了有效的修复策略和代码审查中值得关注的信号，为 Python 生态中的开发者、代码审查者以及安全人员提供了第一份系统的证据基础，有助于改进工具检测、测试方法和编程实践，从而降低原生代码引入的安全与稳定性风险。