(秦路)七周成为数据分析师（第七周）——Python

小灰灰 2022-10-11 12:14 723阅读 0赞

### 文章目录 ###

*   *  1.Python基础
     *  2.Pandas
     *   *  2.1 series
         *   *  生成
             *  用索引读取相应的行
         *  2.2 DataFrame
         *   *  生成
             *  查看形状
             *  查看属性和信息
             *  查看数据类型
             *  查看某列有多少种元素
             *  查看某一列各元素出现的次数
             *  查看某列各元素的长度
             *  用索引读取相应的行和列
             *  查看索引范围
             *  按条件查找
             *  用query按条件查找
             *  用iloc和loc查找行
             *  提取某列的特定行
             *  将所有列倒序排列
             *  交换两列位置
             *  更换全部列位置
             *  删除行
             *  删除行
             *  将两列合并成一列
             *  将数据按行的逆序输出
         *  2.3 读取csv文件
         *   *  读取csv文件
             *  读取时设置显示行列的参数：pd.set\_option()
             *  修改类型
             *  query筛选
             *  转置
             *  按某个字段排序
             *  排名
             *  查看某个列的唯一值
             *  查看重复的行
             *  查看为空的有几行：
             *  随机添加一列值
             *  添加一行数据
             *  设置value2列保留两位小数
             *  将小数转换为百分数
             *  将时间戳转换为datetime类型
             *  拆分
             *  删除首尾的字符
             *  提取每列缺失值的具体行数
             *  提取某列不是字符串的行
             *  提取列包含字符串('--')的行
             *  提取列以'25k'开头的行
             *  提取value列中不在value1列出现的数字
             *  提取value列和value1列出现频率最高的数字
             *  提取value列中可以整除10的数字位置
             *  统计某个列的各个值的数量
             *  统计各列的数量
             *  统计各列的最大值
             *  返回某个轴上的累计和
             *  查看各列的描述性统计数据
             *  将值转换为离散值，划分区间
             *  分组group
         *  2.3 两表联合
         *   *  merge，最常用
             *  concat
             *  join按索引连接
         *  2.4 文本处理
         *   *  文本分隔split
             *  对某个字段进行统计
             *  读取成str格式再对文本进行处理
             *  空值的处理
         *  2.6 apply函数
         *   *  agg
         *  2.7 透视表pivot\_table
         *  2.8 数据库
         *   *  pymysql
             *  pandas读取数据库
     *  3 python练习
     *  3.数据可视化
     *  4.数据分析案例
     *  5.数据分析平台

anaconda:  
esc + m 转换为markdown格式  
tab：补全  
shift+tab：查看函数

## 1.Python基础 ##

简单函数  
`list=[i**2 for i in range(1,101) if i%2=0]`

`dict={"a":1,"b":2}`  
`[v**2 for v in dict.values()]`

def func(x):
    	return x*x
    [func(i) for i in range(1,11)]

list(map(func,[1,2,3,4,5]))

匿名函数：  
lambda x:x\*x

list(map(lambda x:x*x,[1,2,3,4,5]))

![在这里插入图片描述][20210630160456570.png]  
统计数字出现几次。另一种用第三方库的方式：  
![在这里插入图片描述][20210630160732367.png]

## 2.Pandas ##

series相当于数组，dataframe相当于excel表格

### 2.1 series ###

#### 生成 ####

s1=pd.Series([1,2,3,4])
    s2=pd.Series([1,2,3,4],index=['a','b','c','d']) #可修改索引

![在这里插入图片描述][20210630173101936.png]  
![在这里插入图片描述][20210630173111906.png]

#### 用索引读取相应的行 ####

![在这里插入图片描述][20210630173128835.png]  
![在这里插入图片描述][20210630173220568.png]

### 2.2 DataFrame ###

#### 生成 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70]

#### 查看形状 ####

`df.shape`  
`df.shape[0] or len(df)`

#### 查看属性和信息 ####

![在这里插入图片描述][20210630173257805.png]

#### 查看数据类型 ####

df.dtypes

#### 查看某列有多少种元素 ####

#方法一：
    len(df['name'].unique())

#### 查看某一列各元素出现的次数 ####

`df['name'].value_counts()`

#### 查看某列各元素的长度 ####

# 方法一：
    df['name'].str.len()
    # 方法二：
    df['name'].map(lambda x: len(x))

#### 用索引读取相应的行和列 ####

![在这里插入图片描述][20210630173326469.png]

#### 查看索引范围 ####

![在这里插入图片描述][2021063017342062.png]

#### 按条件查找 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 1]

#### 用query按条件查找 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 2]

#### 用iloc和loc查找行 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 3]

#### 提取某列的特定行 ####

# 方法一：
    df.iloc[[1,10,15], 0]
    
    # 方法二：
    df['createTime'][[1,10,15]]
    
    # 方法三：
    df['createTime'].take([1,10,15])

#### 将所有列倒序排列 ####

#方法一：
    df.iloc[:, ::-1]
     
    #方法二
    df.iloc[:, [-1,-2,-3,-4]]

#### 交换两列位置 ####

temp = df['name']
    df.drop(labels=['name'], axis=1, inplace=True)
    df.insert(1, 'name', temp)
    df

#### 更换全部列位置 ####

order = df.columns[[0, 3, 1, 2]] # 或者order = ['xx', 'xx',...] 具体列名
    df = df[order]

#### 删除行 ####

# 法一：
    del df['id']
    # 法二：
    df['id'] = range(1,11)
    df.drop('id',axis=1, inplace=True) #columns=['xxx']

#### 删除行 ####

index = df[df['grammer'] == 'css'].index[0]
    df.drop(labels=[index], inplace=True)

#### 将两列合并成一列 ####

df['new_col'] = df['sex'] + df['age'].map(str) # score为int类型，需转换为字符串类型；

#### 将数据按行的逆序输出 ####

df.iloc[::-1, :]
    # [::-1]表示步长为-1, 从后往前倒序输出

### 2.3 读取csv文件 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 4]

csv需为utf-8格式，否则无法解析。  
![在这里插入图片描述][202106302019144.png]  
gbk格式，需设置编码格式。  
df.head()前五条  
df.tail()最后五条

#### 读取csv文件 ####

tsv = pd.read_csv('chipotle.tsv', sep = '\t')
    tsv.head()

#### 读取时设置显示行列的参数：pd.set\_option() ####

# 显示列
    pd.set_option('display.max_columns', None)
    pd.set_option('display.max_columns', 5) #最多显示5列

# 显示行
    pd.set_option('display.max_rows', None)
    pd.set_option('display.max_rows', 10)#最多显示10行

显示小数位数
    pd.set_option('display.float_format',lambda x: '%.2f'%x) #两位

# 显示宽度
    pd.set_option('display.width', 100)

# 设置小数点后的位数
    pd.set_option('precision', 1)

# 是否换行显示
    pd.set_option('expand_frame_repr', False)
    # True就是可以换行显示。设置成False的时候不允许换行

#### 修改类型 ####

![在这里插入图片描述][20210702150817792.png]

#### query筛选 ####

![在这里插入图片描述][20210702150914706.png]

#### 转置 ####

![在这里插入图片描述][2021070215100484.png]

#### 按某个字段排序 ####

![在这里插入图片描述][20210702151556486.png]

![在这里插入图片描述][20210702151024288.png]  
![在这里插入图片描述][20210702151056773.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 5]

按索引排序  
![在这里插入图片描述][20210702151125605.png]

#### 排名 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 6]  
按avg排名，method指按如果有相同的值按最小进行排名。

#### 查看某个列的唯一值 ####

![在这里插入图片描述][2021070215163784.png]

#### 查看重复的行 ####

![在这里插入图片描述][20210702152018805.png]  
显示重复的行：  
![在这里插入图片描述][2021070216163662.png]  
查看某几列是否重复  
`position.duplicated(subset = ['city','education'])`

#### 查看为空的有几行： ####

![在这里插入图片描述][2021070216175698.png]

#### 随机添加一列值 ####

import random
    df['value'] = [random.randint(1,100) for i in range(len(df))]
    df.head()

#### 添加一行数据 ####

# 方法一：字典
    df2 = pd.DataFrame({
        
        'createTime':['2020-03-16 10:48:36'],
        'education':['硕士'],
        'salary':['20k-40k'],
        'value':[43.0]
    })
    df = df.append(df2, ignore_index=True)
    df.tail()
    # 方法二：loc
    df.loc[len(df)] = ['2020-03-16 11:20:41', '硕士', '25k-45k', 29.0]
    df.tail()

#### 设置value2列保留两位小数 ####

# 随机生成一列0.01到1之间的浮点数
    df['value2'] = [random.uniform(0.01, 1) for i in range(len(df))] # 注:uniform产生1到100之间的随机浮点数,区间可以不是整数
    # 方法一：round()函数
    df['value2'].round(2)
     # 方法二：map + lambda
    df['value2'].map(lambda x : ('%.2f') % x)
    # 方法三：map + lambda + format
    df['value2'] = df['value2'].map(lambda x : format(x, '.2f'))
    df.head()

#### 将小数转换为百分数 ####

#由于value2上一步转换为小数时，会自动将浮点类型变为object类型，
    df['value2'] = df['value2'].astype('float')
    # 方法一：style + 格式化处理
    df.style.format({
        'value2' : '{0:.2%}'.format})
    # 方法二：自定义函数+格式化处理
    df['value2'] = df['value2'].map(lambda x : format(x, '.2%'))
    df.head()

#### 将时间戳转换为datetime类型 ####

# 采用Timestamp.to_pydatetime()函数将给定的时间戳转换为本地python datetime对象; strftime()用来格式化datetime 对象
    # 将createTime（第一列）列时间转换为月-日:
    for i in range(len(df)):
        df.iloc[i,0] = df.iloc[i,0].to_pydatetime().strftime("%m-%d")

#### 拆分 ####

`df['salary'].str.split('-')`

#### 删除首尾的字符 ####

`df['salary'].str.strip()`

#### 提取每列缺失值的具体行数 ####

![在这里插入图片描述][20210710214422981.png]

#### 提取某列不是字符串的行 ####

![在这里插入图片描述][20210710214532760.png]

#### 提取列包含字符串(’–’)的行 ####

# 方法一：isin()
    df[df['salary'].isin(['--'])]
    # 方法二：contains()
    df[df["salary"].str.contains("--")]

#### 提取列以’25k’开头的行 ####

# 方法一：match函数
    df[df['salary'].str.match('25k')]
    
    # 方法二：startswith函数
    df[df['salary'].str.startswith('25k')]

#### 提取value列中不在value1列出现的数字 ####

`df['value'][~df['value'].isin(df['value1'])] #~取反`

#### 提取value列和value1列出现频率最高的数字 ####

# 先将两列使用append()按行合并，再用计数函数：
    temp = df['value'].append(df['value1'])
    temp.value_counts(ascending=False)#不加index，返回的是一个Series
    temp.value_counts(ascending=False).index[:5] #返回一个数组

#### 提取value列中可以整除10的数字位置 ####

#方法一：
    df[df['value'] % 10 == 0].index
    #方法二：np.argwhere
    np.argwhere(np.array(df['value'] % 10 == 0))

#### 统计某个列的各个值的数量 ####

![在这里插入图片描述][20210702151717986.png]

#### 统计各列的数量 ####

![在这里插入图片描述][20210702152123290.png]

#### 统计各列的最大值 ####

![在这里插入图片描述][20210702152212432.png]

#### 返回某个轴上的累计和 ####

默认axis=0,列的累加和  
`df.avg.cumsum(axis=None, skipna=True, *args, **kwargs)`  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 7]

#### 查看各列的描述性统计数据 ####

`df.describe(percentiles=None, include=None, exclude=None) -> ~FrameOrSeries`  
![在这里插入图片描述][2021070215183661.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 8]

#### 将值转换为离散值，划分区间 ####

等分  
![在这里插入图片描述][20210702152956457.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 9]  
![在这里插入图片描述][20210702153114682.png]  
分位数划分  
![在这里插入图片描述][20210702153226299.png]

#### 分组group ####

![在这里插入图片描述][20210702153659945.png]只分组显示属性，加入具体列之后就可以计算其统计数据  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 10]  
可以加入列名，指定某个字段查看：  
![在这里插入图片描述][20210702155857682.png]  
用loc查看某个字段的所有值，是以dataframe形式呈现  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 11]  
将某些字段设置为索引  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 12]  
将列变为索引并排序  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 13]  
![在这里插入图片描述][2021070216042920.png]  
可以多个分组标签：  
![在这里插入图片描述][20210702154037607.png]  
![在这里插入图片描述][20210702154145803.png]  
k是分类标签，v是其他数据  
![在这里插入图片描述][20210702154333134.png]

### 2.3 两表联合 ###

#### merge，最常用 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 14]

![在这里插入图片描述][20210702154700482.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 15]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 16]  
![在这里插入图片描述][20210702154827995.png]

#### concat ####

沿着特定轴将两表连接起来  
![在这里插入图片描述][20210702155036814.png]

#### join按索引连接 ####

列名不能重复,重复会出错  
![在这里插入图片描述][20210702155424150.png]  
重复时需给出后缀是什么，merge会自动给出  
![在这里插入图片描述][20210702155706108.png]

### 2.4 文本处理 ###

#### 文本分隔split ####

![在这里插入图片描述][20210702160759723.png]

#### 对某个字段进行统计 ####

因为格式shidataframe，所以对其中的文本进行出席需要调用str。  
![在这里插入图片描述][20210702160826410.png]  
查找某个字段在哪个位置  
![在这里插入图片描述][20210702160943527.png]

#### 读取成str格式再对文本进行处理 ####

![在这里插入图片描述][20210702161055530.png]  
![在这里插入图片描述][20210702161108823.png]  
![在这里插入图片描述][20210702161141833.png]  
![在这里插入图片描述][20210702161154564.png]

#### 空值的处理 ####

将满足条件的值转化为空值：  
![在这里插入图片描述][20210702161415360.png]  
将空值填充为1：  
![在这里插入图片描述][20210702161454644.png]  
将空值为0的行删除：  
![在这里插入图片描述][2021070216153490.png]  
![在这里插入图片描述][20210702161715599.png]

### 2.6 apply函数 ###

在series上调用函数  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 17]  
使用匿名函数对值进行处理  
![在这里插入图片描述][20210702162024853.png]  
调用函数：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 18]  
计算每个城市平均工资的前五名  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 19]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 20]

#### agg ####

![在这里插入图片描述][20210702162844510.png]

![在这里插入图片描述][20210702162821430.png]

### 2.7 透视表pivot\_table ###

创建一个电子表格式数据透视表  
![在这里插入图片描述][20210702163135251.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 21]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 22]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 23]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 24]

### 2.8 数据库 ###

#### pymysql ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 25]  
![在这里插入图片描述][20210702163552950.png]  
读取data里每行的数据  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 26]

#### pandas读取数据库 ####

读取到的是dataframe格式，要结合sqlalchemyku读取  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 27]  
定义函数读取：  
![在这里插入图片描述][20210702163902526.png]  
读取部分数据存储  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 28]  
存入数据库  
![在这里插入图片描述][20210702171222857.png]  
if\_exists:如果数据表已经存在，fail（默认）表示写入失败，append表示插入  
index:表示要不要把索引插入

写入后没有格式，不满足数据库存储形式，最好是先在数据库中把字段和列名写入，然后再用代码把数据写入数据库。  
`del result['city']`  
如果pandas 操作的要插入的数据少，可以直接插入，数据库会给没有的值赋空，如果超出则会报错。

## 3 python练习 ##

## 3.数据可视化 ##

## 4.数据分析案例 ##

## 5.数据分析平台 ##

参考链接：[【秦路】七周成为数据分析师《第七周：Python》][Python]

[20210630160456570.png]: /images/20221005/73c0d590314c473f99f5f270b757793a.png
[20210630160732367.png]: /images/20221005/7f2723ac8bc4413f91f0cdf3ae9db724.png
[20210630173101936.png]: /images/20221005/390c3a8c9b0f4057a1e55f92e2b450ce.png
[20210630173111906.png]: /images/20221005/e0ea33cb7a384b7c94340dea43c2919a.png
[20210630173128835.png]: /images/20221005/9e3084bf336f417d8b581c016ec96d4f.png
[20210630173220568.png]: /images/20221005/1a8cb7d0f5ad496891d1818d5f750be0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70]: /images/20221005/f376e3c2c8924df5b23c43535bf59ce1.png
[20210630173257805.png]: /images/20221005/b12f335fcb084dae9a185a0431df659a.png
[20210630173326469.png]: /images/20221005/0fd9ef6cdecd4cedb9e8bf1c5cd7edae.png
[2021063017342062.png]: /images/20221005/94e0784f30ab41babea28165603dcb52.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 1]: /images/20221005/b3500213eecb4f78a204851596785390.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 2]: /images/20221005/f38d98f79e9144aabc1f89b741848119.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 3]: /images/20221005/60a3fd2838fa47caa0fdba01f64e91fc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 4]: /images/20221005/87aaaebae86440ebb7711896bb1a2d5c.png
[202106302019144.png]: /images/20221005/af00bc6cab644b5d8b7c98db12c1e797.png
[20210702150817792.png]: /images/20221005/f86ece8ccc954dfda1f3af4b2c0fad55.png
[20210702150914706.png]: /images/20221005/dc61a523b8b64305944c4f3ebc4e1f8f.png
[2021070215100484.png]: /images/20221005/6252a10d65f647489858d06565bd339c.png
[20210702151556486.png]: /images/20221005/0951bd3ed2e54232b7cac1897d204d9f.png
[20210702151024288.png]: /images/20221005/17157fb5ebb640279c220c10b5cbd6b2.png
[20210702151056773.png]: /images/20221005/25d25f0655974ac58ff9a7c6f0350141.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 5]: /images/20221005/bba5fc1a57c342429808ab8d341cf30d.png
[20210702151125605.png]: /images/20221005/1fa6b29ac5ff4591854daf0c7fefe8b5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 6]: /images/20221005/2742a82632e242ec998a208274190190.png
[2021070215163784.png]: /images/20221005/6f61b4c01e8c4ce79af051ba37de5c46.png
[20210702152018805.png]: /images/20221005/6862821b5b6a49d3b50a3dc20da89d7f.png
[2021070216163662.png]: /images/20221005/62e5b2e866304156a824c6e7ecd68a12.png
[2021070216175698.png]: /images/20221005/400bddef820f4ec590df0a26e4b1b452.png
[20210710214422981.png]: /images/20221005/d67c31a57f594bf7bcae23abb3ad0296.png
[20210710214532760.png]: /images/20221005/de96771e71894905a44f09177fbc5384.png
[20210702151717986.png]: /images/20221005/2d7c037619444f4588f632c9de53ca48.png
[20210702152123290.png]: /images/20221005/a56823ba1804467a8c7c35fe80494a2f.png
[20210702152212432.png]: /images/20221005/90c8df7abd8b48bfb8dfb56c7a018cfd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 7]: /images/20221005/aff99adc41c84233bf9270195bc883a5.png
[2021070215183661.png]: /images/20221005/91d3f627801c4aed80753a06e13d15f6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 8]: /images/20221005/4de54a43811c495e9ad6936f9a8c0969.png
[20210702152956457.png]: /images/20221005/e63867710d1c4f19ad4795f3210c1559.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 9]: /images/20221005/b408b90da0114d679309a69dd4b76dc4.png
[20210702153114682.png]: /images/20221005/5a8a3038851e4801acc5da4f9b8d1c14.png
[20210702153226299.png]: /images/20221005/e71c125079f74f148e790c3e4ef70e9c.png
[20210702153659945.png]: /images/20221005/adf4425af3874126a951ba19bcf7803e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 10]: /images/20221005/081379db706e4e8e9bbf27a6d6f62d35.png
[20210702155857682.png]: /images/20221005/e63242fb15e047cc9eef5ba08760604f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 11]: /images/20221005/3665e33b6f2a4188b709f71e29f3ba2e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 12]: /images/20221005/600b3799924b4477acd6143ee4db6067.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 13]: /images/20221005/54e60debfda047e6b45eb06e8949a62a.png
[2021070216042920.png]: /images/20221005/f4b451628c6646bcb88730e111387b2b.png
[20210702154037607.png]: /images/20221005/9d82f1e5c14d4755985c49187601ebc9.png
[20210702154145803.png]: /images/20221005/4c3d31b519014606b52b507df7ddefde.png
[20210702154333134.png]: /images/20221005/b5f949ddb3b64682a01077899ebf0173.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 14]: /images/20221005/08b405a8943340bb8f3cd3e36406da76.png
[20210702154700482.png]: /images/20221005/80cae08411144d73ae7f7b1dbffee241.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 15]: /images/20221005/8faa32e341c94a5484b816813fb1bde5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 16]: /images/20221005/8fc13601dc18443b83b27e56d8c7ed88.png
[20210702154827995.png]: /images/20221005/3374d793402644d481f2b8b2ebdf5005.png
[20210702155036814.png]: /images/20221005/a869e423726e47dc9c32cc9f89c885e1.png
[20210702155424150.png]: /images/20221005/9cbd385eaac543b8a1ffaac4de675148.png
[20210702155706108.png]: /images/20221005/1915ed35b176481a8cde3353931cc984.png
[20210702160759723.png]: /images/20221005/4eaf3e720e1849f2a2cf0f03c8e14583.png
[20210702160826410.png]: /images/20221005/551e3631e2944122927f35dda7ec2de6.png
[20210702160943527.png]: /images/20221005/e8fa13c7d55d42acb6fcec40564e6fbb.png
[20210702161055530.png]: /images/20221005/50a760092f9248618a4b01079ef49396.png
[20210702161108823.png]: /images/20221005/acea67f5ab0f421780d2c71537e5d843.png
[20210702161141833.png]: /images/20221005/5376eecc4473491fa86debd17f3942e7.png
[20210702161154564.png]: /images/20221005/ab5cbd9172cd4b659d6c6dd6ab36f4e7.png
[20210702161415360.png]: /images/20221005/4d2d399ff19945ceb134ef464b86ff39.png
[20210702161454644.png]: /images/20221005/c821c844e49e47e7bbbcb711a7f8a6cf.png
[2021070216153490.png]: /images/20221005/394cd589546f4818a7c07986f0b54a90.png
[20210702161715599.png]: /images/20221005/23626445cfbb47c09604d6fb4ef44571.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 17]: /images/20221005/5dc496eceaeb4e2693869e1336c151de.png
[20210702162024853.png]: /images/20221005/62037f4c2b2840469fe0991602f1c089.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 18]: /images/20221005/2cf3020b5dcf4e58b15d32a6aaef3a2f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 19]: /images/20221005/7ab41aa44b54411db03645271da23e75.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 20]: /images/20221005/1e4d9feff7364dacbf6788c7d50ed814.png
[20210702162844510.png]: /images/20221005/0cae92677c434a8889f82b7dc5d8debb.png
[20210702162821430.png]: /images/20221005/f3bc1fbc6e5d4a4e8818bb316035a111.png
[20210702163135251.png]: /images/20221005/70a2a2f14e6b4aa1b36e852125d9e260.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 21]: /images/20221005/32da46dbc15440069622fe29efdae529.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 22]: /images/20221005/d21a4c6e86d04f15956654d0488d52c0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 23]: /images/20221005/dd204e3e717543e69ee17014891f061c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 24]: /images/20221005/30920986868b4f20a12b9d1019a11a9b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 25]: /images/20221005/15de431c89fc46dca4fb72f3376a8cdb.png
[20210702163552950.png]: /images/20221005/910307d89623493fb91966d158516f35.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 26]: /images/20221005/f29a099a5846471dac35af4ed9d8f065.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 27]: /images/20221005/824c66c0608645149db74e58c7098b8f.png
[20210702163902526.png]: /images/20221005/2affab3e461647cd9a5e8fbc992bcc56.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 28]: /images/20221005/72ff4962ae5042f4a9dfb5feea3cb1c4.png
[20210702171222857.png]: /images/20221005/786bc27916ff44a8a005db7c07c01d2e.png
[Python]: https://www.bilibili.com/video/BV1UE411c7uH