企业官网建设流程全解析

做的好的个人网站知乎,学校网站建设情况说明,自己网站建设问题,商城网站模板图一、常用 Python 库及代码案例1. requests - 网络请求库用途#xff1a;发送 HTTP 请求#xff0c;爬取网页数据、调用 API 接口等#xff0c;比 Python 内置的 urllib 更简洁易用。python运行import requests# 案例1#xff1a;发送GET请求获取网页内容 def get_web_conte…一、常用 Python 库及代码案例1. requests - 网络请求库用途发送 HTTP 请求爬取网页数据、调用 API 接口等比 Python 内置的 urllib 更简洁易用。python运行import requests # 案例1发送GET请求获取网页内容 def get_web_content(): # 目标URL url https://httpbin.org/get # 发送GET请求 response requests.get(url) # 检查请求是否成功状态码200表示成功 if response.status_code 200: print(响应状态码, response.status_code) print(响应内容JSON格式) print(response.json()) # 解析JSON响应 else: print(f请求失败状态码{response.status_code}) # 案例2发送POST请求带参数 def post_data(): url https://httpbin.org/post # 要发送的表单数据 data { username: test_user, password: 123456 } # 发送POST请求 response requests.post(url, datadata) if response.status_code 200: print(POST请求响应) print(response.json()) # 执行函数 if __name__ __main__: get_web_content() print(- * 50) post_data()关键解释requests.get()/requests.post()分别发送 GET/POST 请求response.status_code获取响应状态码判断请求是否成功response.json()将 JSON 格式的响应内容解析为 Python 字典。前置条件需要先安装pip install requests。2. pandas - 数据处理库用途处理结构化数据如 Excel、CSV数据清洗、筛选、分析等是数据科学的核心库。python运行import pandas as pd # 案例1读取CSV文件这里用模拟数据演示 def process_csv_data(): # 模拟CSV数据实际可替换为 pd.read_csv(你的文件路径.csv) data { 姓名: [张三, 李四, 王五], 年龄: [25, 30, 28], 城市: [北京, 上海, 广州] } # 创建DataFramepandas的核心数据结构 df pd.DataFrame(data) # 1. 查看数据基本信息 print(数据预览) print(df.head()) # 查看前n行默认5行 # 2. 数据筛选筛选年龄大于28的行 df_filtered df[df[年龄] 28] print(\n年龄大于28的数据) print(df_filtered) # 3. 数据统计计算年龄的平均值 avg_age df[年龄].mean() print(f\n平均年龄{avg_age}) # 4. 保存数据到新CSV df.to_csv(output.csv, indexFalse, encodingutf-8) print(\n数据已保存到output.csv) if __name__ __main__: process_csv_data()关键解释pd.DataFrame()将字典 / 列表转换为表格型数据结构布尔索引df[df[年龄] 28]快速筛选符合条件的数据df.to_csv()将处理后的数据保存为 CSV 文件indexFalse不保存行索引。前置条件安装pip install pandas如需读写 Excel还需安装pip install openpyxl。3. matplotlib - 数据可视化库用途绘制折线图、柱状图、散点图等直观展示数据规律。python运行import matplotlib.pyplot as plt import numpy as np # 设置中文显示解决中文乱码问题 plt.rcParams[font.sans-serif] [SimHei] # 黑体 plt.rcParams[axes.unicode_minus] False # 解决负号显示问题 # 案例绘制折线图柱状图 def plot_data(): # 生成模拟数据 x np.arange(1, 6) # x轴数据1-5 y1 [2, 5, 3, 6, 4] # 折线图数据 y2 [1, 4, 2, 5, 3] # 柱状图数据 # 创建画布 plt.figure(figsize(8, 5)) # 绘制折线图 plt.plot(x, y1, label折线图, colorred, linewidth2, markero) # 绘制柱状图 plt.bar(x, y2, label柱状图, colorskyblue, alpha0.7) # 添加图表元素 plt.title(Matplotlib示例图) # 标题 plt.xlabel(X轴) # X轴标签 plt.ylabel(Y轴) # Y轴标签 plt.legend() # 显示图例 plt.grid(True, alpha0.3) # 显示网格 # 保存图片显示图片 plt.savefig(plot.png, dpi300) plt.show() if __name__ __main__: plot_data()关键解释plt.rcParams配置图表样式如中文显示plt.plot()/plt.bar()分别绘制折线图 / 柱状图plt.savefig()保存图片dpi300提高图片清晰度plt.show()弹出窗口显示图表。前置条件安装pip install matplotlib numpy。4. os sys - 系统操作库内置库无需安装用途os 处理文件 / 目录sys 处理 Python 解释器相关操作是自动化脚本的常用库。python运行import os import sys # 案例遍历指定目录、获取系统信息 def system_operation(): # 1. 获取当前工作目录 current_dir os.getcwd() print(f当前工作目录{current_dir}) # 2. 遍历指定目录下的所有文件这里遍历当前目录 print(\n当前目录下的文件/目录) for file_name in os.listdir(current_dir): # 拼接完整路径 file_path os.path.join(current_dir, file_name) # 判断是文件还是目录 if os.path.isfile(file_path): print(f文件{file_name}) elif os.path.isdir(file_path): print(f目录{file_name}) # 3. 获取Python版本信息 print(f\nPython版本{sys.version}) # 4. 获取命令行参数演示 print(f命令行参数{sys.argv}) if __name__ __main__: system_operation()关键解释os.getcwd()获取当前工作目录os.path.join()拼接路径避免不同系统路径分隔符问题sys.version获取 Python 版本sys.argv获取运行脚本时的命令行参数。二、进阶库可选如果你的需求偏向特定领域还可以关注这些库NumPy数值计算库处理数组 / 矩阵是 pandas/matplotlib 的底层依赖BeautifulSoup4解析 HTML/XML配合 requests 做网页爬虫TensorFlow/PyTorch深度学习库用于 AI 模型开发PyQt5GUI 开发库制作桌面应用程序。总结基础必备requests网络、pandas数据处理、matplotlib可视化、内置的os/sys系统操作是 Python 入门最常用的库使用原则先明确需求场景再选择对应库优先使用官方文档和可运行的极简案例上手安装技巧通过pip install 库名安装国内可加镜像源如-i https://pypi.tuna.tsinghua.edu.cn/simple提速。