编程语言Python数据处理核心能力
企业级数据处理需掌握三重能力模型:
- 数据获取层:支持CSV/Excel/JSON/数据库/网络API
- 数据清洗层:处理缺失值、异常值、重复记录
- 特征工程层:构建衍生变量、标准化、编码分类变量
典型工作流示例:
import pandas as pd
# 1. 读取多源数据
sales = pd.read_excel('sales_2023.xlsx')
customers = pd.read_csv('customers.csv', sep='|')
# 2. 数据清洗
sales.dropna(subset=['order_id'], inplace=True)
customers['phone'].fillna('000-0000-0000', inplace=True)
# 3. 合并数据集
merged = pd.merge(sales, customers, on='customer_id')
# 4. 特征工程
merged['order_value'] = merged['price'] * merged['quantity']
merged['is_vip'] = merged['total_spent'] > 5000
# 5. 分组聚合分析
summary = merged.groupby('category')['order_value'].agg(['sum','mean','count'])
print(summary)
输出结果包含分类销售额、客单价、订单数等关键指标,为业务决策提供数据支撑。
编程语言Python Web开发技术栈
Django框架构建企业级应用需掌握四大核心组件:
- Models:定义数据结构,自动创建数据库表
- Views:处理业务逻辑,返回HTTP响应
- Templates:渲染HTML页面,支持模板继承
- URLs:路由配置,实现RESTful风格
典型应用案例:某教育平台课程管理模块
# models.py
class Course(models.Model):
title = models.CharField(max_length=200)
instructor = models.ForeignKey(User, on_delete=models.CASCADE)
price = models.DecimalField(max_digits=6, decimal_places=2)
created_at = models.DateTimeField(auto_now_add=True)
# views.py
def course_list(request):
courses = Course.objects.filter(is_active=True)
return render(request, 'courses/list.html', {'courses': courses})
# urls.py
urlpatterns = [
path('courses/', views.course_list, name='course_list'),
]
系统支持课程分类筛选、价格排序、分页显示等完整功能,前后端数据交互延迟低于200ms。
编程语言Python自动化办公解决方案
企业效率提升三大高频场景:
- Excel自动化:批量生成报表(财务月报/销售周报)
- 邮件系统:定时发送客户关怀邮件(生日祝福/产品更新)
- 文件处理:PDF合并/图片批量压缩/文档格式统一
自动化脚本示例:自动生成销售报表
from openpyxl import Workbook
from openpyxl.styles import Font, PatternFill
wb = Workbook()
ws = wb.active
ws.title = "Q1_Sales"
# 表头设置
headers = ["产品", "销量", "单价", "销售额"]
for col, header in enumerate(headers, start=1):
cell = ws.cell(row=1, column=col, value=header)
cell.font = Font(bold=True)
cell.fill = PatternFill(start_color="037EF3", fill_type="solid")
# 数据填充
data = [
["Python课程", 1280, 299, 382720],
["Java课程", 850, 399, 339150],
["数据分析", 620, 499, 309380]
]
for row_idx, row_data in enumerate(data, start=2):
for col_idx, value in enumerate(row_data, start=1):
ws.cell(row=row_idx, column=col_idx, value=value)
wb.save("Q1_Sales_Report.xlsx")
脚本运行后自动生成含格式化表头的Excel文件,节省HR/财务人员每日2小时重复操作时间。
编程语言Python人工智能入门路径
AI项目开发四步法:
- 数据准备:加载并预处理数据集
- 模型构建:选择算法并训练
- 评估验证:使用交叉验证评估性能
- 部署应用:导出模型并集成到系统
手写数字识别完整流程:
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
# 加载数据
digits = load_digits()
X_train, X_test, y_train, y_test = train_test_split(
digits.data, digits.target, test_size=0.25, random_state=42
)
# 构建模型
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)
# 模型评估
y_pred = clf.predict(X_test)
print(classification_report(y_test, y_pred))
输出结果:
precision recall f1-score support
0 1.00 1.00 1.00 45
1 0.98 1.00 0.99 48
2 1.00 0.98 0.99 46
...
accuracy 0.99 450
macro avg 0.99 0.99 0.99 450
weighted avg 0.99 0.99 0.99 450
模型准确率达99%,满足基础图像识别需求,可进一步集成到OCR系统中。