Python API 接⼝开发⽤法介绍

API （ Application Programming Interface ）是应⽤程序接⼝的简称

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# 定义一个API接口
@app.route("/")
def index():
    return "<a href='/list'><img src='/static/py11.png'></a>"
 # 定义一个API接口
@app.route("/addSubmit", methods=["POST"])
def addSubmit():
    tid = request.form.get("tid")
    tname = request.form.get("tname")
    tcontent=request.form.get("tcontent")
    leixing=MovieType(tid,tname,tcontent)
    result=mtdal.insert(leixing)
    if result>0:
        return "插入成功 <a href='/list'>刷新</a>"
    else:
        return "插入失败 <a href='/list'>刷新</a>"

Pandas

Pandas 是 Python 语⾔的⼀个扩展程序库，⽤于数据分析。
Pandas 名字衍⽣⾃术语 “panel data” （⾯板数据）
Pandas 可以从各种⽂件格式⽐如 CSV 、 JSON 、 Excel

python 终端输⼊安装： 

1
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple pandas

Pandas 数据结构 DataFrame

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
data = {"Site":["Google", "Runoob", "Wiki"], "Age":[10, 12, 13],"sss":[22,33,44]}
df = pd.DataFrame(data)
print(df.loc[1]) #一行
print(df.loc[[0,1]]) #多行
print(df["Age"]) #一列
print(df[["Age","Site"]]) #多列
print(df["Age"][1]) # 一个值
print(df[(df.Age>11) & (df.sss>35)]) #带条件筛选
print(df[(df.Age>11) & (df.sss>35)]["Age"])
print(df[(df.Age.astype(int)>11) & (df.sss>35)]) #如果需要转换数据类型

#修改值-查出来后，右侧给左侧赋值即可，不存在的列即为添加
df["Age"]=100
df["Age"][1]=99
 #添加列
df["tid"]=2
df["Score"]=[90,40,99]
df.insert(1,"Sex",["男","女","男"])
 # 1代表列 0代表行
df.drop(1,axis=0,inplace=True)
df.drop([0,1],axis=0,inplace=True)
df.drop("Age",axis=1,inplace=True)
df.drop(df[df.Age>10].index,axis=0,inplace=True)

Pandas 处理 CSV ⽂件

1
2
3
4
df = pd.read_csv("/root/shell/douban.csv") 
df = df[["id","title","rate"]] 
df.to_csv("/root/python/db.csv",index=False) 
df.to_csv("/root/python/db.csv",mode="a", header=False, index=False) #追加

Pandas 处理 JSON

1
2
3
4
5
6
import pandas as pd 
d2 = [ 
{"class": "Year 1", "student number": 20, "room": "Yellow"}, 
{"class": "Year 2", "student number": 25, "room": "Blue"} ] 
df = pd.DataFrame(d2) 
print(df)

douban.txt 的文件处理

1
2
3
4
5
6
7
8
9
10
11
12
#内嵌的方法 
import pandas as pd 
import json 
dict1=None 
with open("douban.txt",mode="r",encoding="UTF-8") as f: 
	dict1 = json.loads(
	f.read()) #可以从文件读取过来 
	f.close() 
df = pd.DataFrame(dict1["subjects"]) 
df=df[["id","rate"]] #改变顺序和列数 
print(df) 
df.to_csv("doubanout1.csv",index=False)

Pandas 处理 excel ⽂件

sheet_name 指定了读取 excel ⾥⾯的哪⼀个 sheet
usecols 指定了读取哪些列
nrows 指定了总共读取多少⾏
header 指定了列名在第⼏⾏，并且只读取这⼀⾏往下的数据
index_col 指定了 index 在第⼏列
engine=”openpyxl” 指定了使⽤什么引擎来读取 excel ⽂件

安装命令：

1
2
3
4
import pandas as pd 
df = pd.read_excel("student.xlsx",sheet_name="Sheet1",header=1) 
print(df) 
df.to_excel("student1.xlsx",sheet_name="xs",index=False)

爬虫（requests）

安装

1
2
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple requests 
pip3 install urllib3==1.26.15

爬取一条数据
数据包的 headers ⾥⾯有我们需要的所有数据
数据包的 response ⾥⾯有我们要传递的 json 数据

1
2
3
4
5
6
headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36"} 
url="https://movie.douban.com/j/chart/top_list" 
params={"type":"25","interval_id":"100:90","action":"","start":"0","limit":"1"} 
ck={"Cookie":'自己浏览器的'} 
response=requests.get(url=url,headers=headers,params=params,cookies=ck) 
print(response.json())

爬取所有数据

1
2
3
4
5
6
7
8
9
import requests
import pandas as pd
url1="https://movie.douban.com/j/chart/top_list"
params1={"type":20,"interval_id":"100:90","action":"","start":0,"limit":400}
header1={"user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/137.0.0.0 Safari/537.36 Edg/137.0.0.0"}
res=requests.get(url=url1,params=params1,headers=header1)
content=res.json()
df=pd.DataFrame(content)
print(df)

pandas 分析处理数据

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
content=response.json()
df=pd.DataFrame(content)
df=df[["id","title","release_date","score"]]
df["tid"]=1
df.to_csv("/root/python/movie.csv",mode="a",header=False,index=False)

# 去掉重复数据 去掉后面的
df=pd.read_csv("/root/python/movie.csv")
df=df.drop_duplicates(subset=['id','title','release_date','score'])
df.to_csv("/root/python/movie1.csv",index=False)

# 修改mysqlcsv.sh 导入到mysql数据库
os.system("cp /root/python/movie1.csv /usr/local/mysql/data/movie1.csv")
 
os.system("/root/shell/mysqlcsv.sh Movie /usr/local/mysql/data/movie1.csv")

练习

1.安装 postman ，测试添加电影类型接⼝是否正确 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
# 2.创建以⽇期时间为名字的⽇志⽂件，格式如 20230303102030.log 
import datetime
import os

current_time = datetime.datetime.now()
filename = current_time.strftime("%Y%m%d%H%M%S.log")
os.system(f"touch /root/python/{filename}")

# 3.列表 [["Google",10],["Runoob",12],["Wiki",13]], 转成 DataFrame 数据打印 
import pandas as pd

data=[["Google",10],["Runoob",12],["Wiki",13]]
df=pd.DataFrame(data)
print(df)

# 4.将 [{"a": 1, "b": 2},{"a": 5, "b": 10, "c": 20}] 转成 DataFrame 数据，提取第 2 ⾏ a 那⼀列的数据 
import pandas as pd

data=[{"a": 1, "b": 2},{"a": 5, "b": 10, "c": 20}]
df=pd.DataFrame(data)
print(df.loc[1,"a"])

# 5.将 data = {"chinese": [89,97,68,56,88,77],"math": [99,67,100,78,89,66],"english": [73,57,89,90,82,55]} 转成 DataFrame 数据 , 提取三科分数都及格的数据 
import pandas as pd
data = {"chinese": [89,97,68,56,88,77],
        "math": [99,67,100,78,89,66],
        "english": [73,57,89,90,82,55]
}
df=pd.DataFrame(data)
print(df[(df.chinese>60) & (df.math>60) & (df.english>60)])

# 6.使⽤ pandas 处理 douban.txt ，提取列 id,title,rate, 并且提取 rate ⼤于 7.5 的⾏导出 douban1.csv
import pandas as pd
import json
dict1=None
with open("/root/python/douban.txt", mode="r", encoding="UTF-8") as f:
    dict1 = json.loads(f.read())

df=pd.DataFrame(dict1["subjects"])
df=df[df.rate.astype(float)>7.5][["id","title","rate"]]
df.to_csv("/root/python/douban1.csv",index=False)

# 7.把 order.xlsx 使⽤ mobox 传⼊到 /root/python 中，根据⽂档做如下操作 
# 把⽂档数据（从列名开始）转换为 dataframe 输出 
import pandas as pd
df=pd.read_excel("/root/python/order.xlsx",sheet_name="Sheet1",header=1)
print(df)
# 在产品后⾯增加⼀列采购⼈，内容为 ["坤坤","杰杰","坤坤","丽丽","丽丽","坤坤"] 
df.insert(2,"采购人",["坤坤","杰杰","坤坤","丽丽","丽丽","坤坤"])

# 查看⾦额⼤于 100 的坤坤的订单列表 
print(df[(df.金额>100) & (df.采购人=="坤坤")])

# 查看⾦额⼤于 100 的坤坤的订单列表的产品及⾦额列 
df=df[(df.金额>100) & (df.采购人=="坤坤")][["产品","金额"]]
print(df)

# 把上⼀步的结果另存为 order_kunkun.xlsx ，表单名称为坤坤，不显⽰索引，如下： 
# 产品 ⾦额 
# 投影仪 2000 
# 打印机 298
df.to_excel("/root/python/order_kunkun.xlsx",sheet_name="坤坤",index=False)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
# 爬取⾄少五种电影类型（动画、科幻、恐怖）的电影追加到 csv ⽂件中
# 每次更换类型进行爬取需要修改params1的"type":20中的数字（豆瓣网的），以及df["tid"]=6的数字（自己网站对应类型的编号）
import requests
import pandas as pd
import os
url1="https://movie.douban.com/j/chart/top_list"
params1={"type":20,"interval_id":"100:90","action":"","start":0,"limit":400}
header1={"user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/137.0.0.0 Safari/537.36 Edg/137.0.0.0"}
res=requests.get(url=url1,params=params1,headers=header1)
content=res.json()
df=pd.DataFrame(content)
df=df[["id","title","release_date","score"]]
df["tid"]=6
# df.to_csv("/root/python/getdouban.csv",index=False)  # 第一次执行,覆盖写
df.to_csv("/root/python/getdouban.csv",index=False,mode="a",header=False)  #添加数据

# 把csv⾥⾯重复的数据去掉，导⼊到 mysql 数据库的 Movie 表中
import pandas as pd
import os
df=pd.read_csv("/root/python/getdouban.csv")
df=df.drop_duplicates(subset=["id","title","release_date","score"])
df.to_csv("/root/python/getdouban.csv",index=False)
os.system("cp /root/python/getdouban.csv /usr/local/mysql/data/getdouban.csv")
os.system("/root/python/mysqlcsv.sh Movie /usr/local/mysql/data/getdouban.csv")

# mysqlcsv.sh内容：

#设置mysql连接参数
dbhost="127.0.0.1"  #主机名
dbprot=3306  #端口
dbuser="root"  #用户名
dbpass="root123456"  #密码
db="test"  #表空间
#导入数据
sql3="""LOAD DATA INFILE '$2' INTO TABLE $1
CHARACTER SET utf8
FIELDS TERMINATED BY ','
LINES TERMINATED BY '\n'
IGNORE 1 LINES"""
mysql -h$dbhost -P$dbprot -u$dbuser -p$dbpass $db -e  "$sql3"
echo "导入完成"

其他Python库

1. NumPy (Numerical Python)

  • 核心功能：提供多维数组对象（ndarray）、高效的数学函数、线性代数运算和随机数生成。
  • 应用场景：科学计算、数据分析、机器学习（如 TensorFlow 依赖 NumPy 数组）。
  • 优势：底层用 C 实现，运算速度极快，是众多科学库的基础。示例：
1
2
3
import numpy as np
a = np.array([1, 2, 3])  # 创建一维数组
print(a.mean())  # 计算平均值

2. Matplotlib

  • 核心功能：2D 绘图库，支持线图、散点图、柱状图、饼图等多种可视化类型。
  • 应用场景：数据可视化、论文图表、交互式绘图。
  • 搭配工具：常与pandas（数据处理）和seaborn（高级可视化）结合使用。
  • 示例：
1
2
3
4
5
import matplotlib.pyplot as plt
x = [1, 2, 3]
y = [4, 5, 6]
plt.plot(x, y)  # 绘制线图
plt.show()

3. unittest

  • 核心功能：Python 内置的单元测试框架，支持测试用例、测试套件、断言等。
  • 应用场景：软件开发中的测试驱动开发（TDD）、代码质量保障。
  • 对比工具：类似pytest，但unittest更适合初学者和小型项目。
  • 示例：
1
2
3
4
5
6
7
8
9
10
11
import unittest

def add(a, b):
	return a + b

class TestAdd(unittest.TestCase):
	def test_add(self):
		self.assertEqual(add(1, 2), 3)

if __name__ == '__main__':
	unittest.main()

4. Setuptools

  • 核心功能：Python 包开发工具，用于打包、分发和安装 Python 项目。
  • 关键文件：setup.py（定义包元信息）、requirements.txt（依赖列表）。
  • 应用场景：发布开源库到 PyPI（Python Package Index）或内部使用。
  • 示例：
1
2
3
4
5
6
7
# setup.py
from setuptools import setup, find_package
	setup(
		name='mypackage',
		version='1.0.0',
		packages=find_packages(),
	)

5. Jupyter Notebook

  • 核心功能：交互式计算环境，支持代码、Markdown 文本、公式和可视化混排。
  • 应用场景：数据分析、机器学习实验、学术论文写作（如 Jupyter Lab）。
  • 优势：实时运行代码，便于分享和演示，支持多种编程语言（通过内核）。
  • 启动命令：
1
2
jupyter notebook  # 启动传统界面
jupyter lab     # 启动更现代化的Jupyter Lab

总结

库名 主要用途 典型场景
NumPy 高性能数组计算 科学计算、AI 框架基础
Matplotlib 数据可视化 论文图表、交互式绘图
unittest 单元测试 代码质量保障
Setuptools 包打包与分发 发布 Python 库到 PyPI
Jupyter 交互式计算与文档 数据分析、学术研究