有不少人在第二份Python作业上栽跟头。第一份还停留在print(Hello World)第二份突然就变成了请编写一个程序完成数据抓取、清洗、可视化并输出报告跨度大到让人怀疑是不是拿错了题目。我最近正好带一个新人完成了一份典型的python作业二把整个过程从头到尾走了一遍从拆解需求、配置环境到写爬虫、用pandas处理数据、用matplotlib画图、最后导出Excel中间踩了不少坑也积累了一些可以直接照搬的经验。这篇文章就把完整流程和避坑点整理出来给正在跟作业死磕的人一个参考。1. 先别急着写代码作业需求拆解与总体设计1.1 把模糊题目翻译成可执行的技术清单python作业二这个类型的作业最坑的地方在于题目通常只有一两句话比如抓取数据并进行分析给出可视化结果。听起来很简单但真正动手时你会发现抓什么数据用什么库分析图表要什么风格输出成什么格式全都没说。我的习惯是先花半小时把题目拆成一张技术清单列清楚每个环节对应哪个Python库、哪几个函数、预期输出是什么。比如这次作业我拆成了五块数据获取用requestsBeautifulSoup抓取网页表格数据数据处理用pandas的DataFrame做清洗、类型转换、切片数值计算用numpy完成统计指标计算简单建模引入sklearn做一个最小可行的线性回归给作业加亮点可视化与输出用matplotlib画图用pandas直接写入Excel。这张清单的价值在于它把我要写一个程序变成了我要依次完成五个小任务。每个小任务都有明确的三方库支撑查资料时目标也清晰很多。我见过不少人卡在作业上的原因不是不会写代码而是不知道代码该干什么所以拆需求这步千万别省。1.2 环境选型VSCode配置与依赖安装的避坑要点作业二有大量的第三方库依赖环境配不好的话后面全白搭。我用的是VSCode Python 3.8属于比较稳妥的组合。VSCode配置Python开发环境时注意三个点解释器路径要选对、终端要能直接激活虚拟环境、调试配置别乱动。依赖安装方面命令就是pip install但有几个坑是新手必踩的。一个是在系统Python和虚拟环境之间装混了解决办法是先创建虚拟环境再装依赖python -m venv venv source venv/bin/activate # Windows下是 venv\Scripts\activate pip install numpy pandas matplotlib scikit-learn openpyxl requests beautifulsoup4另一个是sklearn这个库的包名其实是scikit-learn直接pip install sklearn虽然也能装但官方推荐装scikit-learn后面做模型时更规范。openpyxl是pandas写Excel的底层引擎不装的话to_excel会直接报错。如果你要问我python的库在哪个目录下虚拟环境建好后可以用pip show命令查看具体路径也可以直接在VSCode右下角看到解释器路径这个比手动翻目录快得多。2. 数据获取与结构化处理作业的地基工程2.1 爬虫落地先想清楚数据从哪里来再写请求作业要求里如果有抓取数据这几个字很多人第一反应就是写爬虫爬网页。但我的建议是先想清楚数据从哪里来再决定用不用爬虫。如果作业允许优先找那些提供结构化数据的接口比如公开的API返回JSON直接requests.get拿到后转成DataFrame比解析HTML省事十倍。这次作业里我们选了某个公开数据页面的表格作为数据源。示例代码如下import requests from bs4 import BeautifulSoup url https://example.com/data-table resp requests.get(url, timeout10) soup BeautifulSoup(resp.text, html.parser) rows [] for tr in soup.select(table tr): cells [td.get_text(stripTrue) for td in tr.find_all(td)] if cells: rows.append(cells) print(rows[:5])注意一个关键点requests拿到的resp.text是网页的HTML字符串解析工作交给BeautifulSoup。这里最容易踩的坑是编码问题有的网站返回的不是UTF-8中文直接乱码解决方法是手动指定resp.encoding比如resp.encoding gbk。还有一个坑是有些网站有访问频率限制我在作业里就故意在两次请求之间加time.sleep(1)这是礼貌也是防止被封的常规操作。如果数据源是Excel、CSV文件那就更简单了。作业二里我建议写一个统一的数据加载函数支持CSV和Excel两种格式这样无论老师给什么格式的数据都能一键读取。不要一上来就想着爬那些反爬很强的网站作业而已把数据拿到手才是目的。2.2 从原始数据到DataFrame数组切片与数据构建数据拿到之后第二步是把它变成DataFrame。这一步看着简单但直接影响后续所有分析。构建DataFrame有三种常见方式从字典、从列表、从文件直接读。import pandas as pd # 从文件读取 df pd.read_csv(data.csv) # 手动构建 df pd.DataFrame({ 日期: [2025-01-01, 2025-01-02, 2025-01-03], 销量: [120, 135, 142], })接下来是python数组切片这个高频技能点。很多人在作业里需要取出特定行列这时候必须分清iloc和loc。# 按位置切片 first_five df.iloc[:5] # 前5行 target_col df.iloc[:, 2] # 第3列 # 按标签切片 date_col df[日期] # 取一列 some_rows df.loc[1:3] # 标签1到3iloc按照整数位置切loc按照索引标签切这俩搞混了是作业里最常见的低级错误。实操中我的习惯是取列优先用df[列名]取行优先用df.iloc这样逻辑最清晰。DataFrame构建完成后一定要打印info()和head()看一眼print(df.info()) print(df.head())这两行输出的价值极大能直接告诉你数据量、列名、是否有空值、每列的数据类型。很多人的作业写到后面突然报错就是因为根本没看数据类型就开始计算。2.3 类型转换与缺失值处理作业里最容易被扣分的地方作业评分老师最看重什么不是代码能不能跑而是数据是否被正确处理。类型转换是第一个高频扣分点。比如日期列默认是字符串你直接画图时横坐标会乱需要先转成datetime类型df[日期] pd.to_datetime(df[日期])数值列如果混入了中文逗号、百分号这类字符直接做sum或mean会报错这时候要做的是先把非数字字符去掉df[销量] df[销量].astype(str).str.replace(,, ).astype(float)注意上面的写法先用astype(str)保证是字符串才能用str.replace最后再转成float。这一步也是python类型转换知识点的标准应用场景。缺失值处理决定了你的数据是否可信。常用的两个操作是dropna()删掉含空值的行和fillna()用指定值填充。我一般建议用fillna因为删行会导致样本量减少影响后续建模。填充时可以用列的均值df[销量] df[销量].fillna(df[销量].mean())这里解释一下为什么用均值填充如果销量数据随机缺失均值填充能在不改变样本量的前提下保持整体分布相对稳定。当然如果数据有明显趋势用前后填充methodffill会更合理。作业里只要能说清楚你的填充理由这分就保住了。3. 分析建模与代码结构让第二份作业明显升级3.1 用numpy计算核心指标用sklearn追加一个亮点作业如果只停留在读取数据并打印那和第一份作业没本质差别。我建议至少加入一个numpy的统计计算和一个sklearn的小模型瞬间拉开档次。numpy部分计算均值和标准差不需要自己写循环import numpy as np sales df[销量].values mean_sales np.mean(sales) std_sales np.std(sales) print(f销量均值: {mean_sales:.2f}, 标准差: {std_sales:.2f})这里有个细节df[销量]返回的是Seriesnp.mean可以直接处理它但如果你要参与矩阵运算最好转成values数组。numpy是我们做数值计算的地基pandas的很多底层计算就是调它完成的所以numpy学好了对理解pandas有直接帮助。sklearn部分我做了一个最简单的线性回归用日期序号预测销量。这个模型虽然简单但能把作业从数据处理提升到数据分析层级from sklearn.linear_model import LinearRegression df[序号] range(len(df)) X df[[序号]].values y df[销量].values model LinearRegression() model.fit(X, y) df[预测销量] model.predict(X) print(f斜率: {model.coef_[0]:.2f}, 截距: {model.intercept_:.2f})为什么用线性回归因为作业要求时间序列数据预测时线性关系是最容易解释的斜率代表每天销量平均变化多少。老师问起来你能说清楚业务含义这就是加分项。对比sklearn全家桶里的决策树、KNN线性回归的代码量最小、可解释性最强作为作业亮点性价比最高。3.2 函数定义与面向对象别再把代码全塞在一个单元格里第二份作业和第一份的最大区别是开始考察代码组织能力。如果一百行代码全挤在一个脚本里连你自己回头看都费劲更别提老师评分了。我从一开始就要求自己把代码拆成函数。定义函数的基本结构是def load_data(filepath: str) - pd.DataFrame: 加载数据并返回DataFrame return pd.read_csv(filepath) def clean_data(df: pd.DataFrame) - pd.DataFrame: 数据清洗类型转换、缺失值填充 ... return df注意我做了两件事一是给参数加了类型注解- pd.DataFrame二是写了函数注释。这两个习惯能让你在回头调试时代码逻辑一目了然。如果作业再进阶可以试试把函数包进类里这就是面向对象的设计模式class SalesAnalyzer: def __init__(self, filepath: str): self.df pd.read_csv(filepath) def clean(self): ... def analyze(self): ... analyzer SalesAnalyzer(data.csv) analyzer.clean() analyzer.analyze()把数据和处理逻辑放在一个类里好处是复用时不需要把参数传来传去代码也更有可扩展性。这一部分对应python定义函数和python结构化数据两个学习重点是作业二最值得投入时间练习的地方。3.3 逻辑设计的三个层次能跑、能看、能说作业交上去老师会怎么评估我把评分逻辑总结为三个层次能跑、能看、能说。能跑程序无报错输出完整。能看代码有注释、有函数拆分、有清晰的输出信息。能说你写的每一步都有原因比如为什么填充空值、为什么选线性回归、为什么用这种切片方式。这三层里大多数人都卡在能说上。一个实用的方法是给关键步骤加print输出让程序运行时把中间过程展示出来。比如清洗完打印数据清洗完成共处理X行画完图打印图表已保存为sales.png。这既方便你自己排查也能让看到你代码的人立刻理解每步在做什么。我特别反感那种代码能跑但一句注释都没有的作业。第二份作业如果注释和函数写得规范哪怕结果不够好看分数也不会低。反过来结果漂亮但代码乱成一团老师想给分都找不到依据。4. 可视化与结果导出最后的呈现决定第一印象4.1 matplotlib画图横坐标太密集的经典解法作业里画图最经典的问题就是python画图横坐标太密集。当你的数据有几十上百个点直接plt.plot后横坐标刻度挤成一团黑乎乎一片根本没法看。这个问题的根因是matplotlib默认每一周数据都绘制一个刻度标签。解决方法有两个方向。方向一旋转刻度并自动调节密度import matplotlib.pyplot as plt plt.figure(figsize(12, 6)) plt.plot(df[日期], df[销量], markero, linestyle-) plt.xticks(rotation45) plt.gca().locator_params(axisx, nbins10) plt.tight_layout() plt.show()locator_params(nbins10)的意思是说横坐标最多显示约10个刻度。这句代码是解决横坐标密集问题最直接的方法。方向二手动指定要显示的刻度位置和标签step len(df) // 10 ticks df[日期].iloc[::step] plt.xticks(ticksticks, rotation45)这里解释一下step的计算逻辑我们期望在横轴上显示10个刻度所以用总长度除以10算出步长再用iloc[::step]每隔这么多行取一个日期。这样即使有一百个数据点图上也只会出现10个清晰可读的日期彻底解决密集问题。另一个常见问题是中文字体显示为方块。在Windows里一般设置plt.rcParams[font.sans-serif] [SimHei]就能解决Mac里则是[Arial Unicode MS]。如果设置后还是乱码大概率是用的虚拟环境没有对应字体这时候需要去系统字体目录确认。这个坑虽然不是技术难点但卡住的时间一点不比报错少。4.2 数据写入Excel一行代码背后的引擎依赖作业的最终交付形式我通常会选择图表 Excel文件。用pandas写Excel非常简单df.to_excel(result.xlsx, indexFalse, sheet_name销量分析)如果报错绝大多数原因是你没装openpyxl这个引擎。在写代码之前先检查依赖pip list | grep openpyxl这里有个值得注意的细节indexFalse决定了输出表格不包含行索引这个参数非常关键不设置的话Excel里会多出一列莫名其妙的数字。如果你还想把多个分析结果写到同一个Excel的不同工作表可以用ExcelWriterwith pd.ExcelWriter(result.xlsx, engineopenpyxl) as writer: df.to_excel(writer, sheet_name原始数据, indexFalse) summary.to_excel(writer, sheet_name统计指标, indexFalse)做这一步时我踩过一个坑同一个文件被Excel打开时to_excel会报PermissionError权限错误。原因是Windows系统下Excel进程占用了文件句柄。解决办法很简单先关掉Excel再重新运行脚本。这种小问题在作业验收时特别容易遇到提前知道能省很多时间。5. 常见报错与问题排查实录5.1 作业实战中最常见的报错速查表写代码不报错是不可能的关键是要学会看报错信息。我整理了这次作业中被问得最多的几类报错直接做成速查表报错信息出现原因排查思路ModuleNotFoundError: No module named sklearn库没装检查虚拟环境是否激活pip install scikit-learnKeyError: 销量列名拼写错误或DataFrame里没有这一列先打印df.columns确认准确列名ValueError: could not convert string to float字符串里有非数字字符如逗号、百分号用str.replace清理字符后再astype(float)PermissionError: [Errno 13]Excel文件被占用关闭正在打开的Excel文件后重跑TypeError: str object does not support item assignment尝试修改字符串确认对象类型转成可变类型或重新赋值Failed to find font中文字体缺失设置plt.rcParams[font.sans-serif]并确认系统字体存在报错排查的核心思路是看见什么查什么。先读报错第一行找到具体哪个文件哪一行再看冒号后面的错误类型。很多时候问题就藏在报错语句的最后一行不要一报错就复制整个报错去搜索引擎先自己花两分钟读一遍很多问题能直接看出来。5.2 性能问题与连接现有系统作业之外的现实扩展作业二如果涉及大量数据处理还有一个隐藏考点是性能。我在这次作业里模拟过一个场景用rapidocr做OCR识别时CPU占用接近100%。rapidocr这类OCR库默认开启多线程或者使用较重的模型在CPU上跑会很吃力。如果你的作业或者后续项目遇到这种问题有两个处理方向一是降低图片分辨率直接减少计算量二是用paddleocr的轻量模型或者改用GPU推理。作业场景下大多数时候是数据太大导致的可以先检查DataFrame的行数和列数必要时用sample()抽样分析。还有一个从热搜词里被反复提起的需求python如何连接公司系统实现自动拉表。这个其实就是作业二扩展成实际项目的一个方向。合规的做法是用Python连接数据库查询数据而不是去逆向某个封闭系统。比如连接Oracle数据库import pandas as pd import cx_Oracle conn cx_Oracle.connect(user/passwordhost:port/service_name) sql SELECT * FROM sales_table df pd.read_sql(sql, conn) conn.close()这段代码涉及的核心流程是先通过pip install cx_Oracle安装驱动再配置连接字符串最后用read_sql把查询结果直接变成DataFrame。这个技能在作业二之后的实际工作中非常有用因为它能把重复性的取数工作自动化而且逻辑和你前面学的pandas完全衔接。但要注意连接数据库涉及账号密码千万不要硬编码在脚本里建议用环境变量或配置文件管理这是我的实际体会也是从作业阶段就该养成的习惯。5.3 一个必须强调的底线别把自己的作业写成攻击脚本操作安全上多说一句。有些人看到作业里涉及到大量抓取请求时会想能不能写一个更高效率的并发请求脚本甚至有些人会去搜攻击类的关键词比如DDOS脚本之类的东西。这里我的态度非常明确作业场景下完全没必要也绝对不应该把技能用在攻击方向。爬虫的正道是设置合理的请求间隔、遵守目标网站的规则、只获取允许公开的数据。写攻击脚本既触碰红线也对你自己的技术成长没有任何正面价值。网络安全的正确学习方式是对开源软件和CTF平台做训练在授权范围内研究防御而不是在公共目标上练手。第二份作业的主题应该是学会用数据完成任务而不是证明自己能让一个服务器崩溃。6. 作业收官之后的三个进阶方向6.1 把作业脚本改造成可配置的小工具作业交完之后这份代码其实还有很大的利用空间。我做完python作业二之后做的一件事是把脚本里固定的文件路径改成命令行参数让它能接收任意输入文件import sys filepath sys.argv[1] output_name sys.argv[2] df load_data(filepath) ... df.to_excel(output_name, indexFalse)这样做的意义在于你的代码从这一个作业变成了一个能处理同类任务的工具。下次再拿到类似的数据分析任务不用重新写一遍直接在命令行跑python analyze.py data.csv result.xlsx命令行接收参数是python基础语法里的一个核心能力作业二阶段能主动加上这个功能说明你已经开始有工程思维了。起点虽然小但它衔接的是自动化脚本和数据分析的实际工作流。6.2 作业二和后续学习路线的衔接作业二的定位是承上启下。承上它巩固了Python基础语法里的数据类型、列表、字典、循环、条件判断启下它引出了数据分析三件套numpy、pandas、matplotlib和机器学习sklearn。如果你在这个阶段能把函数和类用熟练后面学爬虫框架、Web开发或者量化交易策略代码都会顺很多。我自己给新人的建议是花在作业上的时间不要只追求跑通应该在一个点上做深一点点。比如可视化部分除了折线图再画一张柱状图对比不同月份销量这就是扩展再比如分析部分除了线性回归试一下随机森林这就是探索。作业二的专业度往往就体现在这些额外的一点点上。如果要找配套练习经典的python编程100题是巩固基础的好材料很多题都能用函数和类重新实现一遍。题库的价值不在于量而在于同一道题你能用几种思路写能用一个循环解决的能不能改成列表推导式能不能封装成函数这比刷一百道不重样的题有用得多。6.3 最后给你一个可以直接套用的作业完成节奏根据我这次完成python作业二的实际体会一个比较稳妥的节奏是四步走第一天做需求拆解和环境搭建第二天完成数据获取和清洗第三天做分析、画图和导出第四天留白。第四天不是用来摸鱼的是用来回头审视代码、补注释、检查边界情况的。拿这次作业来说到最后一天我才发现自己漏了一个重要场景原始数据文件如果缺失会直接崩溃。于是我加了一段判断import os if not os.path.exists(data.csv): print(数据文件不存在请检查路径) raise SystemExit(1)这段代码只有三行但它说明你在动手之前已经想过程序可能遇到的异常情况。这种边界思维是作业二能拿高分的隐性优势也是从学生代码到工程代码的分水岭。第二份作业本质上并不是考察你掌握了多少语法而是在考察你有没有建立起拿到任务-拆解-执行-交付的完整链路。把这条链路走通后面学什么都快。 
长河君 · 2026/10/2 14:54:38 · 阅读 1.2k Python作业二从数据抓取到可视化的完整实战流程
有不少人在第二份Python作业上栽跟头。第一份还停留在print(Hello World)第二份突然就变成了请编写一个程序完成数据抓取、清洗、可视化并输出报告跨度大到让人怀疑是不是拿错了题目。我最近正好带一个新人完成了一份典型的python作业二把整个过程从头到尾走了一遍从拆解需求、配置环境到写爬虫、用pandas处理数据、用matplotlib画图、最后导出Excel中间踩了不少坑也积累了一些可以直接照搬的经验。这篇文章就把完整流程和避坑点整理出来给正在跟作业死磕的人一个参考。1. 先别急着写代码作业需求拆解与总体设计1.1 把模糊题目翻译成可执行的技术清单python作业二这个类型的作业最坑的地方在于题目通常只有一两句话比如抓取数据并进行分析给出可视化结果。听起来很简单但真正动手时你会发现抓什么数据用什么库分析图表要什么风格输出成什么格式全都没说。我的习惯是先花半小时把题目拆成一张技术清单列清楚每个环节对应哪个Python库、哪几个函数、预期输出是什么。比如这次作业我拆成了五块数据获取用requestsBeautifulSoup抓取网页表格数据数据处理用pandas的DataFrame做清洗、类型转换、切片数值计算用numpy完成统计指标计算简单建模引入sklearn做一个最小可行的线性回归给作业加亮点可视化与输出用matplotlib画图用pandas直接写入Excel。这张清单的价值在于它把我要写一个程序变成了我要依次完成五个小任务。每个小任务都有明确的三方库支撑查资料时目标也清晰很多。我见过不少人卡在作业上的原因不是不会写代码而是不知道代码该干什么所以拆需求这步千万别省。1.2 环境选型VSCode配置与依赖安装的避坑要点作业二有大量的第三方库依赖环境配不好的话后面全白搭。我用的是VSCode Python 3.8属于比较稳妥的组合。VSCode配置Python开发环境时注意三个点解释器路径要选对、终端要能直接激活虚拟环境、调试配置别乱动。依赖安装方面命令就是pip install但有几个坑是新手必踩的。一个是在系统Python和虚拟环境之间装混了解决办法是先创建虚拟环境再装依赖python -m venv venv source venv/bin/activate # Windows下是 venv\Scripts\activate pip install numpy pandas matplotlib scikit-learn openpyxl requests beautifulsoup4另一个是sklearn这个库的包名其实是scikit-learn直接pip install sklearn虽然也能装但官方推荐装scikit-learn后面做模型时更规范。openpyxl是pandas写Excel的底层引擎不装的话to_excel会直接报错。如果你要问我python的库在哪个目录下虚拟环境建好后可以用pip show命令查看具体路径也可以直接在VSCode右下角看到解释器路径这个比手动翻目录快得多。2. 数据获取与结构化处理作业的地基工程2.1 爬虫落地先想清楚数据从哪里来再写请求作业要求里如果有抓取数据这几个字很多人第一反应就是写爬虫爬网页。但我的建议是先想清楚数据从哪里来再决定用不用爬虫。如果作业允许优先找那些提供结构化数据的接口比如公开的API返回JSON直接requests.get拿到后转成DataFrame比解析HTML省事十倍。这次作业里我们选了某个公开数据页面的表格作为数据源。示例代码如下import requests from bs4 import BeautifulSoup url https://example.com/data-table resp requests.get(url, timeout10) soup BeautifulSoup(resp.text, html.parser) rows [] for tr in soup.select(table tr): cells [td.get_text(stripTrue) for td in tr.find_all(td)] if cells: rows.append(cells) print(rows[:5])注意一个关键点requests拿到的resp.text是网页的HTML字符串解析工作交给BeautifulSoup。这里最容易踩的坑是编码问题有的网站返回的不是UTF-8中文直接乱码解决方法是手动指定resp.encoding比如resp.encoding gbk。还有一个坑是有些网站有访问频率限制我在作业里就故意在两次请求之间加time.sleep(1)这是礼貌也是防止被封的常规操作。如果数据源是Excel、CSV文件那就更简单了。作业二里我建议写一个统一的数据加载函数支持CSV和Excel两种格式这样无论老师给什么格式的数据都能一键读取。不要一上来就想着爬那些反爬很强的网站作业而已把数据拿到手才是目的。2.2 从原始数据到DataFrame数组切片与数据构建数据拿到之后第二步是把它变成DataFrame。这一步看着简单但直接影响后续所有分析。构建DataFrame有三种常见方式从字典、从列表、从文件直接读。import pandas as pd # 从文件读取 df pd.read_csv(data.csv) # 手动构建 df pd.DataFrame({ 日期: [2025-01-01, 2025-01-02, 2025-01-03], 销量: [120, 135, 142], })接下来是python数组切片这个高频技能点。很多人在作业里需要取出特定行列这时候必须分清iloc和loc。# 按位置切片 first_five df.iloc[:5] # 前5行 target_col df.iloc[:, 2] # 第3列 # 按标签切片 date_col df[日期] # 取一列 some_rows df.loc[1:3] # 标签1到3iloc按照整数位置切loc按照索引标签切这俩搞混了是作业里最常见的低级错误。实操中我的习惯是取列优先用df[列名]取行优先用df.iloc这样逻辑最清晰。DataFrame构建完成后一定要打印info()和head()看一眼print(df.info()) print(df.head())这两行输出的价值极大能直接告诉你数据量、列名、是否有空值、每列的数据类型。很多人的作业写到后面突然报错就是因为根本没看数据类型就开始计算。2.3 类型转换与缺失值处理作业里最容易被扣分的地方作业评分老师最看重什么不是代码能不能跑而是数据是否被正确处理。类型转换是第一个高频扣分点。比如日期列默认是字符串你直接画图时横坐标会乱需要先转成datetime类型df[日期] pd.to_datetime(df[日期])数值列如果混入了中文逗号、百分号这类字符直接做sum或mean会报错这时候要做的是先把非数字字符去掉df[销量] df[销量].astype(str).str.replace(,, ).astype(float)注意上面的写法先用astype(str)保证是字符串才能用str.replace最后再转成float。这一步也是python类型转换知识点的标准应用场景。缺失值处理决定了你的数据是否可信。常用的两个操作是dropna()删掉含空值的行和fillna()用指定值填充。我一般建议用fillna因为删行会导致样本量减少影响后续建模。填充时可以用列的均值df[销量] df[销量].fillna(df[销量].mean())这里解释一下为什么用均值填充如果销量数据随机缺失均值填充能在不改变样本量的前提下保持整体分布相对稳定。当然如果数据有明显趋势用前后填充methodffill会更合理。作业里只要能说清楚你的填充理由这分就保住了。3. 分析建模与代码结构让第二份作业明显升级3.1 用numpy计算核心指标用sklearn追加一个亮点作业如果只停留在读取数据并打印那和第一份作业没本质差别。我建议至少加入一个numpy的统计计算和一个sklearn的小模型瞬间拉开档次。numpy部分计算均值和标准差不需要自己写循环import numpy as np sales df[销量].values mean_sales np.mean(sales) std_sales np.std(sales) print(f销量均值: {mean_sales:.2f}, 标准差: {std_sales:.2f})这里有个细节df[销量]返回的是Seriesnp.mean可以直接处理它但如果你要参与矩阵运算最好转成values数组。numpy是我们做数值计算的地基pandas的很多底层计算就是调它完成的所以numpy学好了对理解pandas有直接帮助。sklearn部分我做了一个最简单的线性回归用日期序号预测销量。这个模型虽然简单但能把作业从数据处理提升到数据分析层级from sklearn.linear_model import LinearRegression df[序号] range(len(df)) X df[[序号]].values y df[销量].values model LinearRegression() model.fit(X, y) df[预测销量] model.predict(X) print(f斜率: {model.coef_[0]:.2f}, 截距: {model.intercept_:.2f})为什么用线性回归因为作业要求时间序列数据预测时线性关系是最容易解释的斜率代表每天销量平均变化多少。老师问起来你能说清楚业务含义这就是加分项。对比sklearn全家桶里的决策树、KNN线性回归的代码量最小、可解释性最强作为作业亮点性价比最高。3.2 函数定义与面向对象别再把代码全塞在一个单元格里第二份作业和第一份的最大区别是开始考察代码组织能力。如果一百行代码全挤在一个脚本里连你自己回头看都费劲更别提老师评分了。我从一开始就要求自己把代码拆成函数。定义函数的基本结构是def load_data(filepath: str) - pd.DataFrame: 加载数据并返回DataFrame return pd.read_csv(filepath) def clean_data(df: pd.DataFrame) - pd.DataFrame: 数据清洗类型转换、缺失值填充 ... return df注意我做了两件事一是给参数加了类型注解- pd.DataFrame二是写了函数注释。这两个习惯能让你在回头调试时代码逻辑一目了然。如果作业再进阶可以试试把函数包进类里这就是面向对象的设计模式class SalesAnalyzer: def __init__(self, filepath: str): self.df pd.read_csv(filepath) def clean(self): ... def analyze(self): ... analyzer SalesAnalyzer(data.csv) analyzer.clean() analyzer.analyze()把数据和处理逻辑放在一个类里好处是复用时不需要把参数传来传去代码也更有可扩展性。这一部分对应python定义函数和python结构化数据两个学习重点是作业二最值得投入时间练习的地方。3.3 逻辑设计的三个层次能跑、能看、能说作业交上去老师会怎么评估我把评分逻辑总结为三个层次能跑、能看、能说。能跑程序无报错输出完整。能看代码有注释、有函数拆分、有清晰的输出信息。能说你写的每一步都有原因比如为什么填充空值、为什么选线性回归、为什么用这种切片方式。这三层里大多数人都卡在能说上。一个实用的方法是给关键步骤加print输出让程序运行时把中间过程展示出来。比如清洗完打印数据清洗完成共处理X行画完图打印图表已保存为sales.png。这既方便你自己排查也能让看到你代码的人立刻理解每步在做什么。我特别反感那种代码能跑但一句注释都没有的作业。第二份作业如果注释和函数写得规范哪怕结果不够好看分数也不会低。反过来结果漂亮但代码乱成一团老师想给分都找不到依据。4. 可视化与结果导出最后的呈现决定第一印象4.1 matplotlib画图横坐标太密集的经典解法作业里画图最经典的问题就是python画图横坐标太密集。当你的数据有几十上百个点直接plt.plot后横坐标刻度挤成一团黑乎乎一片根本没法看。这个问题的根因是matplotlib默认每一周数据都绘制一个刻度标签。解决方法有两个方向。方向一旋转刻度并自动调节密度import matplotlib.pyplot as plt plt.figure(figsize(12, 6)) plt.plot(df[日期], df[销量], markero, linestyle-) plt.xticks(rotation45) plt.gca().locator_params(axisx, nbins10) plt.tight_layout() plt.show()locator_params(nbins10)的意思是说横坐标最多显示约10个刻度。这句代码是解决横坐标密集问题最直接的方法。方向二手动指定要显示的刻度位置和标签step len(df) // 10 ticks df[日期].iloc[::step] plt.xticks(ticksticks, rotation45)这里解释一下step的计算逻辑我们期望在横轴上显示10个刻度所以用总长度除以10算出步长再用iloc[::step]每隔这么多行取一个日期。这样即使有一百个数据点图上也只会出现10个清晰可读的日期彻底解决密集问题。另一个常见问题是中文字体显示为方块。在Windows里一般设置plt.rcParams[font.sans-serif] [SimHei]就能解决Mac里则是[Arial Unicode MS]。如果设置后还是乱码大概率是用的虚拟环境没有对应字体这时候需要去系统字体目录确认。这个坑虽然不是技术难点但卡住的时间一点不比报错少。4.2 数据写入Excel一行代码背后的引擎依赖作业的最终交付形式我通常会选择图表 Excel文件。用pandas写Excel非常简单df.to_excel(result.xlsx, indexFalse, sheet_name销量分析)如果报错绝大多数原因是你没装openpyxl这个引擎。在写代码之前先检查依赖pip list | grep openpyxl这里有个值得注意的细节indexFalse决定了输出表格不包含行索引这个参数非常关键不设置的话Excel里会多出一列莫名其妙的数字。如果你还想把多个分析结果写到同一个Excel的不同工作表可以用ExcelWriterwith pd.ExcelWriter(result.xlsx, engineopenpyxl) as writer: df.to_excel(writer, sheet_name原始数据, indexFalse) summary.to_excel(writer, sheet_name统计指标, indexFalse)做这一步时我踩过一个坑同一个文件被Excel打开时to_excel会报PermissionError权限错误。原因是Windows系统下Excel进程占用了文件句柄。解决办法很简单先关掉Excel再重新运行脚本。这种小问题在作业验收时特别容易遇到提前知道能省很多时间。5. 常见报错与问题排查实录5.1 作业实战中最常见的报错速查表写代码不报错是不可能的关键是要学会看报错信息。我整理了这次作业中被问得最多的几类报错直接做成速查表报错信息出现原因排查思路ModuleNotFoundError: No module named sklearn库没装检查虚拟环境是否激活pip install scikit-learnKeyError: 销量列名拼写错误或DataFrame里没有这一列先打印df.columns确认准确列名ValueError: could not convert string to float字符串里有非数字字符如逗号、百分号用str.replace清理字符后再astype(float)PermissionError: [Errno 13]Excel文件被占用关闭正在打开的Excel文件后重跑TypeError: str object does not support item assignment尝试修改字符串确认对象类型转成可变类型或重新赋值Failed to find font中文字体缺失设置plt.rcParams[font.sans-serif]并确认系统字体存在报错排查的核心思路是看见什么查什么。先读报错第一行找到具体哪个文件哪一行再看冒号后面的错误类型。很多时候问题就藏在报错语句的最后一行不要一报错就复制整个报错去搜索引擎先自己花两分钟读一遍很多问题能直接看出来。5.2 性能问题与连接现有系统作业之外的现实扩展作业二如果涉及大量数据处理还有一个隐藏考点是性能。我在这次作业里模拟过一个场景用rapidocr做OCR识别时CPU占用接近100%。rapidocr这类OCR库默认开启多线程或者使用较重的模型在CPU上跑会很吃力。如果你的作业或者后续项目遇到这种问题有两个处理方向一是降低图片分辨率直接减少计算量二是用paddleocr的轻量模型或者改用GPU推理。作业场景下大多数时候是数据太大导致的可以先检查DataFrame的行数和列数必要时用sample()抽样分析。还有一个从热搜词里被反复提起的需求python如何连接公司系统实现自动拉表。这个其实就是作业二扩展成实际项目的一个方向。合规的做法是用Python连接数据库查询数据而不是去逆向某个封闭系统。比如连接Oracle数据库import pandas as pd import cx_Oracle conn cx_Oracle.connect(user/passwordhost:port/service_name) sql SELECT * FROM sales_table df pd.read_sql(sql, conn) conn.close()这段代码涉及的核心流程是先通过pip install cx_Oracle安装驱动再配置连接字符串最后用read_sql把查询结果直接变成DataFrame。这个技能在作业二之后的实际工作中非常有用因为它能把重复性的取数工作自动化而且逻辑和你前面学的pandas完全衔接。但要注意连接数据库涉及账号密码千万不要硬编码在脚本里建议用环境变量或配置文件管理这是我的实际体会也是从作业阶段就该养成的习惯。5.3 一个必须强调的底线别把自己的作业写成攻击脚本操作安全上多说一句。有些人看到作业里涉及到大量抓取请求时会想能不能写一个更高效率的并发请求脚本甚至有些人会去搜攻击类的关键词比如DDOS脚本之类的东西。这里我的态度非常明确作业场景下完全没必要也绝对不应该把技能用在攻击方向。爬虫的正道是设置合理的请求间隔、遵守目标网站的规则、只获取允许公开的数据。写攻击脚本既触碰红线也对你自己的技术成长没有任何正面价值。网络安全的正确学习方式是对开源软件和CTF平台做训练在授权范围内研究防御而不是在公共目标上练手。第二份作业的主题应该是学会用数据完成任务而不是证明自己能让一个服务器崩溃。6. 作业收官之后的三个进阶方向6.1 把作业脚本改造成可配置的小工具作业交完之后这份代码其实还有很大的利用空间。我做完python作业二之后做的一件事是把脚本里固定的文件路径改成命令行参数让它能接收任意输入文件import sys filepath sys.argv[1] output_name sys.argv[2] df load_data(filepath) ... df.to_excel(output_name, indexFalse)这样做的意义在于你的代码从这一个作业变成了一个能处理同类任务的工具。下次再拿到类似的数据分析任务不用重新写一遍直接在命令行跑python analyze.py data.csv result.xlsx命令行接收参数是python基础语法里的一个核心能力作业二阶段能主动加上这个功能说明你已经开始有工程思维了。起点虽然小但它衔接的是自动化脚本和数据分析的实际工作流。6.2 作业二和后续学习路线的衔接作业二的定位是承上启下。承上它巩固了Python基础语法里的数据类型、列表、字典、循环、条件判断启下它引出了数据分析三件套numpy、pandas、matplotlib和机器学习sklearn。如果你在这个阶段能把函数和类用熟练后面学爬虫框架、Web开发或者量化交易策略代码都会顺很多。我自己给新人的建议是花在作业上的时间不要只追求跑通应该在一个点上做深一点点。比如可视化部分除了折线图再画一张柱状图对比不同月份销量这就是扩展再比如分析部分除了线性回归试一下随机森林这就是探索。作业二的专业度往往就体现在这些额外的一点点上。如果要找配套练习经典的python编程100题是巩固基础的好材料很多题都能用函数和类重新实现一遍。题库的价值不在于量而在于同一道题你能用几种思路写能用一个循环解决的能不能改成列表推导式能不能封装成函数这比刷一百道不重样的题有用得多。6.3 最后给你一个可以直接套用的作业完成节奏根据我这次完成python作业二的实际体会一个比较稳妥的节奏是四步走第一天做需求拆解和环境搭建第二天完成数据获取和清洗第三天做分析、画图和导出第四天留白。第四天不是用来摸鱼的是用来回头审视代码、补注释、检查边界情况的。拿这次作业来说到最后一天我才发现自己漏了一个重要场景原始数据文件如果缺失会直接崩溃。于是我加了一段判断import os if not os.path.exists(data.csv): print(数据文件不存在请检查路径) raise SystemExit(1)这段代码只有三行但它说明你在动手之前已经想过程序可能遇到的异常情况。这种边界思维是作业二能拿高分的隐性优势也是从学生代码到工程代码的分水岭。第二份作业本质上并不是考察你掌握了多少语法而是在考察你有没有建立起拿到任务-拆解-执行-交付的完整链路。把这条链路走通后面学什么都快。