Python数据分析实战（1）数据分析概述

爱被打了一巴掌 2022-11-30 05:40 363阅读 0赞

### 文章目录 ###

*  一、入门数据分析
 *   *  1.大数据时代的基本面
     *  2.数据分析师职业前景
     *  3.成为数据分析师之路
 *  二、Python的安装与环境配置
 *   *  1.Python版本
     *  2.不同系统安装Python
     *  3.环境变量配置
     *  4.安装pip
     *  5.集成开发环境选择
 *  三、Anaconda的介绍与安装
 *   *  1.Anaconda是什么
     *  2.下载和安装Anaconda
     *  3.conda工具的介绍和包管理
 *  四、Jupyter Notebook
 *   *  1.Jupyter Notebook基本介绍
     *  2.Jupyter Notebook的使用
     *  3.Jupyter中使用Python
     *  4.数据交互案例
     *   *  加载csv数据，处理数据，保存到MongoDB数据库
         *  使用Jupyter处理商铺数据

# 一、入门数据分析 #

## 1.大数据时代的基本面 ##

大数据产业发展现状：  
现在数据已经呈现出了**爆炸式**的增长，每一分钟可能就会有：

*  13000+个iPhone应用下载
 *  Twitter上发布98000+新微博
 *  发出1.68亿+条Email
 *  淘宝双十一10680+个新订单
 *  12306出票1840+张

在大数据时代，出现了三大变革：

*  从随机样本到全量数据
 *  从精确性到混杂性
 *  从因果关系到相关关系

举一个典型的例子：  
男士到超市买尿布会顺带买一些啤酒，通过大数据分析出的结果促使超市在尿布的货架附近放一些啤酒，从而增大销量，买尿布与买啤酒之间没有因果关系，但是存在着某种相关关系。

国内大数据应用状况如下（来自CSDN）：  
![国内大数据使用状况][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center]

可以看到，大数据的应用已经具有一定规模，但是还有很大的发展空间。

人才方面的需求主要包括：

*  数据分析师
    
     *  统计分析
     *  预测分析
     *  流程优化
 *  大数据工程师
    
     *  平台开发
     *  应用开发
     *  技术支撑
 *  数据架构师
    
     *  业务理解
     *  应用部署
     *  架构设计

之所以要学习数据分析，是因为数据正变得越来越常见和廉价，分析可以为数据提供稀缺且附带**额外价值**的服务。

## 2.数据分析师职业前景 ##

数据分析师需要解决的问题：

*  预估需求、分配产能  
    在大数据时代，更需要解读数据的能力。  
    Q：烤箱的产能有限，该选择生产哪些种类的面包?  
    A：列出最受欢迎的几种面包，优先生产**明星商品**。  
    关键是找出明星商品，这需要统计出面包的总营业额，再算出每种面包占总营业额的相对比例，优先生产能囊括七成营业额的产品组合。这会用到统计的次数分配表和直方图，此种分析法也称为ABC分析法，如下：  
    ![生产哪种面包][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 1]
 *  评估行销方案成效  
    统计并不是分析数据就好了，从分析的结果推测该如何影响顾客的行为，并且将之拟定为具体的**商业计划**，并据此行动才是关键。  
    Q：想在网上销售面包，哪一种广告比较有效?  
    A：写出两种文案，分别广告一段时间看看成效如何。  
    要比较广告成效，最好的方法是用统计的**随机对照实验**，让两种广告随机出现，一段时间后，观察哪种广告的效果比较好，再大范围运用效果比较好的广告。
 *  产品品管  
    发现结果以及形成结果的原因之间的关系非常重要。  
    Q：怎么从面包判断面包师傅有没有偷工减料?  
    A：抽查几个面包，秤秤看重量差距有没有过大。  
    你需要先知道面包的平均重量，再对面包进行抽样，看看面包的重量是否呈现常态分布的钟形曲线？若是偏离曲线，就可能暗示面包品管有问题。如下：  
    ![判断面包质量][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 2]

一名好的数据分析师是一个好的产品规划者和行业的**领跑者**；  
在IT企业，优秀的数据分析师很有希望成为公司的高层。

数据分析师的工作流程如下：  
![数据工程师工作流程][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 3]

数据分析师的三大任务：

*  分析历史
 *  预测未来
 *  优化选择

数据分析师要求的8项技能：

*  统计学
    
     *  统计检验、P值、分布、估计
 *  基本工具
    
     *  Python
     *  SQL
 *  多变量微积分和线性代数
 *  数据整理
 *  数据可视化
 *  软件工程
 *  机器学习
 *  数据科学家的思维
    
     *  数据驱动
     *  问题解决

数据分析师要求的三大能力：

*  统计学基础和分析工具应用
 *  计算机编码能力
 *  特定应用领域或行业的知识

典型的数据分析师的成长历程：  
![数据分析师成长历程][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 4]

## 3.成为数据分析师之路 ##

成为数据分析师的自我修养：

*  敏感
 *  探究
 *  细致
 *  务实

数据分析师需要具备的技能如下：

*  熟悉Excel数据处理
 *  数据敏感度较强
 *  熟悉公司业务和行业知识
 *  掌握数据分析方法
    
     *  **基本分析方法**
        
         *  对比分析法
         *  分组分析法
         *  交叉分析法
         *  结构分析法
         *  漏斗图分析法
         *  综合评价分析法
         *  因素分析法
         *  矩阵关联分析
     *  **高级分析方法**
        
         *  相关分析法
         *  回归分析法
         *  聚类分析法
         *  判别分析法
         *  主成分分析法
         *  因子分析法
         *  对应分析法
         *  时间序列

在不同行业数据分析从业人员的工作内容和职责：

*  从事数据分析的工作
    
     *  学做日报
     *  日销、库存类的表
     *  产品销售预测
     *  库存计算和预警
     *  流量分析相关表
     *  复盘
 *  数据分析挖掘工作人员
    
     *  给产品优化提供数据支持
     *  验证产品改进效果
     *  为高层提供邮件和报表
 *  互联网+分析
    
     *  KPI指标监控
     *  各种周期性报表
     *  针对某一业务问题做分析报告
     *  针对业务进行线下建模和分析

数据分析很重要的学科基础是数学，但是数学不好也没有关系，可以用**Python**来帮助学习：  
Python不仅是一门编程语言，而且是数据挖掘机器学习等技术的基础，方便建立自动化的工作流；  
Python入门不难，它对数学要求并不是太高，重要的是需要知道如何用语言表达一个算法逻辑；  
Python有很多封装好的工具库和命令，需要做的是用哪些数学方法解决一个问题，并构建出来。

要想快速入门Python数据分析，就要使用好Python相关的工具包：  
（1）Python最大的特点是拥有一个巨大而活跃的**科学计算**社区，采用python进行科学计算的趋势也越来越明显。  
（2）由于Python有不断改良的库，使其成为数据处理任务的一大代替方案，结合其在通用编程方面的强大实力，完全可以只是用Python这一种语言去构建以数据为中心的应用程序，其中：

*  常用数据分析库
    
     *  Numpy
     *  Scipy
     *  Pandas
     *  matplotlib
 *  常用高级数据分析库
    
     *  nltk
     *  igraph
     *  scikit-learn

（3）作为一个科学计算平台，Python的能够轻松集成C、C++以及Fortran代码。

数据分析的准备工作：

*  了解数据
 *  数据清洗与初步分析
 *  绘图与可视化
 *  数据聚合与分组处理
 *  数据挖掘

数据分析与数据挖掘的常用算法：

*  线性回归
 *  时间序列分析
 *  分类算法
 *  聚类算法
 *  降维算法

学习和从事数据分析工作的方法为：

*  勤思考
 *  多动手
 *  多总结

# 二、Python的安装与环境配置 #

## 1.Python版本 ##

Python分为3.X和2.X两个大版本。  
Python的3.0版本，常被称为Python 3000，或简称Py3k。相对于Python的早期版本，这是一个较大的升级。  
为了不带入过多的累赘，Python 3.X在设计的时候没有考虑向下相容，许多针对早期Python版本设计的程式都无法在Python 3.X上正常执行。  
大多数第三方库都正在努力地相容Python 3.X版本。

## 2.不同系统安装Python ##

（1）Unix & Linux系统

*  访问[http://www.python.org/download/][http_www.python.org_download]
 *  选择适用于Unix/Linux的源码压缩包
 *  下载及解压压缩包
 *  如果你需要自定义一些选项，修改Modules/Setup
 *  执行`./configure`脚本
 *  `make`
 *  `make install`

（2）Window系统

*  访问[http://www.python.org/download/][http_www.python.org_download]
 *  在下载列表中选择Window平台安装包  
    由于官网下载很缓慢，因此我已经将Python各版本的安装包下载整理好了，可以直接点击加QQ群 [![Python极客部落][Python]963624318][Python_Python_963624318] 在群文件夹**Python相关安装包**中下载即可。
 *  下载后，双击下载包，进入Python安装向导，安装非常简单，只需要使用默认的设置一直点击**下一步**直到安装完成即可。

（3）Mac系统  
自带python 2.7，可以执行`brew install python`安装新版本。

## 3.环境变量配置 ##

Windows系统需要配置环境变量。

如果在安装Python时没有选择添加环境变量，则需要手动添加，需要将安装Python的路径`XXX\PythonXXX`和`XXX\PythonXXX\Scripts`添加到环境变量，有两种方式：

*  命令行添加  
    CMD中分别执行`path=%path%;XXX\PythonXXX`和`path=%path%;XXX\PythonXXX\Scripts`即可。
 *  在系统设置中添加  
    右键计算机 → 属性 → 高级系统设置 → 系统属性 → 环境变量 → 双击path → 添加`XXX\PythonXXX`和`XXX\PythonXXX\Scripts`安装路径，如下：  
    ![设置环境变量][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 5]

最后依次点击确认退出即可。

## 4.安装pip ##

pip是Python中的包安装和管理工具，在安装Python时可以选择安装pip，在Python 2 >=2.7.9或Python 3 >=3.4中自带。

如果没有安装pip，可以通过命令安装：

*  Linux或者Mac  
    `pip install -U pip`
 *  Windows（cmd输入）  
    `python -m pip install -U pip`

## 5.集成开发环境选择 ##

Python有很多编辑器，包括PyCharm等，这里选择PyCharm：  
PyCharm是由JetBrains打造的一款Python IDE，支Mac OS、Windows、Linux系统。  
包含**调试**、语法高亮、Project管理、**代码跳转**、**智能提示**、自动完成、单元测试、版本控制等功能。

可以在[https://www.jetbrains.com/pycharm/download/][https_www.jetbrains.com_pycharm_download]选择合适的版本进行下载安装即可。

# 三、Anaconda的介绍与安装 #

## 1.Anaconda是什么 ##

Anaconda是一个可用于**科学计算**的Python发行版，支持Linux、Mac、Windows系统，内置了常用的科学计算库。  
它解决了官方Python的两大痛点：  
（1）提供了包管理功能，Windows平台安装第三方包经常失败的场景得以解决；  
（2）提供环境管理的功能，功能类似virtualenv，解决了多版本Python并存、切换的问题 。

## 2.下载和安装Anaconda ##

直接在官网[https://www.anaconda.com/products/individual][https_www.anaconda.com_products_individual]下载安装包，选择下载**Python3.8**的安装包**个人版**即可，但是官网下载速度较慢，因此我已经将Python3.8对应的Anaconda安装包下载整理好了，可以直接点击加QQ群 [![Python极客部落][Python]963624318][Python_Python_963624318] 在群文件夹**Python相关安装包**中下载即可。

下载完成后直接安装，需要注意，在点击过程中会出现添加环境变量的提示，需要勾选，如下：  
![安装Anaconda 选择环境变量][Anaconda]

最后依次点击下一步、安装完成后，点击Win键（Windows系统下）可以看到最近添加或应用列表A下如图：  
![启动栏 最近添加][20200823212246562.png_pic_center]  
![启动栏 A][A]

此时可点击**Anaconda Navigator**，如下所示：  
![Anaconda Navigator][]

可以看到环境为Python 3.8.3，Anaconda创建的基础环境名为base，也是默认环境，也可以看到默认安装的库。

再打开Anaconda命令行工具**Anaconda Powershell Prompt**，输入`python -V`，也打印`Python 3.8.3`。

还可以通过命令创建新的conda环境，如`conda create --name py27 python=2.7`执行后即创建了一个名为py27的Python版本为2.7的conda环境。

激活环境执行命令`conda activate py27`，停用使用命令`conda deactivate`。

可以在命令行中执行`conda list`查看已经安装的库，如下：

# packages in environment at E:\Anaconda3:
    #
    # Name                    Version                   Build  Channel
    _ipyw_jlab_nb_ext_conf    0.1.0                    py38_0
    alabaster                 0.7.12                     py_0
    anaconda                  2020.07                  py38_0
    anaconda-client           1.7.2                    py38_0
    anaconda-navigator        1.9.12                   py38_0
    ...
    zlib                      1.2.11               h62dcd97_4
    zope                      1.0                      py38_1
    zope.event                4.4                      py38_0
    zope.interface            4.7.1            py38he774522_0
    zstd                      1.4.5                ha9fde0e_0

## 3.conda工具的介绍和包管理 ##

conda是Anaconda下用于**包管理**和**环境管理**的工具，功能上类似pip和virtualenv的组合，conda的环境管理与virtualenv是基本上是类似的操作。  
安装成功后conda会默认加入到环境变量中，因此可直接在命令行窗口运行conda命令。

常见的conda命令和含义如下：

<table> 
 <thead> 
  <tr> 
   <th>命令含义</th> 
   <th>conda命令</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>conda –h</td> 
   <td>查看帮助</td> 
  </tr> 
  <tr> 
   <td>基于python3.6版本创建名为python36的环境</td> 
   <td>conda create --name python36 python=3.6</td> 
  </tr> 
  <tr> 
   <td>激活此环境</td> 
   <td>activate python36（Windows）、source activate python36（linux/mac）</td> 
  </tr> 
  <tr> 
   <td>查看python版本</td> 
   <td>python -V</td> 
  </tr> 
  <tr> 
   <td>退出当前环境</td> 
   <td>deactivate python36</td> 
  </tr> 
  <tr> 
   <td>删除环境</td> 
   <td>conda remove -n py27 --all</td> 
  </tr> 
  <tr> 
   <td>查看所有安装的环境</td> 
   <td>conda info -e</td> 
  </tr> 
 </tbody> 
</table>

conda的包管理常见命令如下：

<table> 
 <thead> 
  <tr> 
   <th>包管理命令意义</th> 
   <th>包管理命令</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>安装matplotlib</td> 
   <td>conda install matplotlib</td> 
  </tr> 
  <tr> 
   <td>查看已安装的包</td> 
   <td>conda list</td> 
  </tr> 
  <tr> 
   <td>包更新</td> 
   <td>conda update matplotlib</td> 
  </tr> 
  <tr> 
   <td>删除包</td> 
   <td>conda remove matplotlib</td> 
  </tr> 
 </tbody> 
</table>

在conda中，`anything is a package一切皆是包`，conda本身可以看作是一个包，python环境可以看作是一个包，anaconda也可以看作是一个包，因此除了普通的第三方包支持更新之外，这3个包也支持如下命令：

<table> 
 <thead> 
  <tr> 
   <th>操作</th> 
   <th>命令</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>更新conda本身</td> 
   <td>conda update conda</td> 
  </tr> 
  <tr> 
   <td>更新anaconda应用</td> 
   <td>conda update anaconda</td> 
  </tr> 
  <tr> 
   <td>更新python，假设当前python环境是3.8.1，而最新版本是3.8.2，那么就会升级到3.8.2</td> 
   <td>conda update python</td> 
  </tr> 
 </tbody> 
</table>

# 四、Jupyter Notebook #

## 1.Jupyter Notebook基本介绍 ##

Jupyter Notebook（此前被称为IPython notebook）是一个交互式笔记本，支持运行40多种编程语言。

在开始使用notebook之前，需要先安装该库：  
（1）在命令行中执行`pip install jupyter`来安装；  
（2）安装Anaconda后自带Jupyter Notebook。

在命令行中执行`jupyter notebook`，就会在当前目录下启动Jupyter服务并使用默认浏览器打开页面，还可以复制链接到其他浏览器中打开，如下：  
![jupyter 界面][jupyter]

可以看到，notebook界面由以下部分组成：  
（1）notebook名称；  
（2）主工具栏，提供了保存、导出、重载notebook，以及重启内核等选项；  
（3）notebook主要区域，包含了notebook的内容编辑区。

## 2.Jupyter Notebook的使用 ##

在Jupyter页面下方的主要区域，由被称为单元格的部分组成。每个notebook由多个单元格构成，而每个单元格又可以有不同的用途。  
上图中看到的是一个代码单元格（code cell），以`[ ]`开头，在这种类型的单元格中，可以输入任意代码并执行。  
例如，输入`1 + 2`并按下`Shift + Enter`，单元格中的代码就会被计算，光标也会被移动到一个新的单元格中。

如果想新建一个notebook，只需要点击**New**，选择希望启动的notebook类型即可。

简单使用示意如下：  
![python da jupyter simple][]

可以看到，notebook可以修改之前的单元格，对其重新计算，这样就可以更新整个文档了。如果你不想重新运行整个脚本，只想用不同的参数测试某个程式的话，这个特性显得尤其强大。  
不过，也可以重新计算整个notebook，只要点击`Cell -> Run all`即可。

再测试标题和其他代码如下：  
![python da jupyter for head][]

可以看到，在顶部添加了一个notebook的标题，还可以执行for循环等语句。

## 3.Jupyter中使用Python ##

Jupyter测试Python变量和数据类型如下：  
![python da jupyter variable data type][]

测试Python函数如下：  
![python da jupyter function][]

测试Python模块如下：  
![python da jupyter module package][]

可以看到，在执行出错时，也会抛出异常。

测试数据读写如下：  
![python da jupyter data io][]

数据读写很重要，因为进行数据分析时必须先**读取数据**，进行数据处理后也要进行**保存**。

## 4.数据交互案例 ##

### 加载csv数据，处理数据，保存到MongoDB数据库 ###

有csv文件shopproducts.csv和userratings.csv，分别是商品数据和用户评分数据，如下：  
![shopproducts][]  
![userratings][]

> 如需获取数据、代码等相关文件进行测试学习，可以直接点击加QQ群 [![Python极客部落][Python]963624318][Python_Python_963624318] 在群文件夹**Python数据分析实战**中下载即可。

现在需要通过Python将其读取出来，并将指定的字段保存到MongoDB中，需要在Anaconda中执行命令`conda install pymongo`安装pymongo。

Python代码如下：

import pymongo
    
    
    class Product:
        def __init__(self,productId:int ,name, imageUrl, categories, tags):
            self.productId = productId
            self.name = name
            self.imageUrl = imageUrl
            self.categories = categories
            self.tags = tags
    
        def __str__(self) -> str:
            return self.productId +'^' + self.name +'^' + self.imageUrl +'^' + self.categories +'^' + self.tags
    
    
    class Rating:
        def __init__(self, userId:int, productId:int, score:float, timestamp:int):
            self.userId = userId
            self.productId = productId
            self.score = score
            self.timestamp = timestamp
    
        def __str__(self) -> str:
            return self.userId +'^' + self.productId +'^' + self.score +'^' + self.timestamp
    
    
    if __name__ == '__main__':
        myclient = pymongo.MongoClient("mongodb://127.0.0.1:27017/")
        mydb = myclient["goods-users"]
        # val attr = item.split("\\^")
        # // 转换成Product
        # Product(attr(0).toInt, attr(1).trim, attr(4).trim, attr(5).trim, attr(6).trim)
    
        shopproducts = mydb['shopproducts']
        with open('shopproducts.csv', 'r',encoding='UTF-8') as f:
            item = f.readline()
            while item:
                attr = item.split('^')
                product = Product(int(attr[0]), attr[1].strip(), attr[4].strip(), attr[5].strip(), attr[6].strip())
                shopproducts.insert_one(product.__dict__)
                # print(product)
                # print(json.dumps(obj=product.__dict__,ensure_ascii=False))
                item = f.readline()
    
        # val attr = item.split(",")
        # Rating(attr(0).toInt, attr(1).toInt, attr(2).toDouble, attr(3).toInt)
        userratings = mydb['userratings']
        with open('userratings.csv', 'r',encoding='UTF-8') as f:
            item = f.readline()
            while item:
                attr = item.split(',')
                rating = Rating(int(attr[0]), int(attr[1].strip()), float(attr[2].strip()), int(attr[3].strip()))
                userratings.insert_one(rating.__dict__)
                # print(rating)
                item = f.readline()

在启动MongoDB服务后，运行Python代码，运行完成后，再通过**Robo 3T**查看数据库如下：  
![robo 3T][]

显然，保存数据成功。

### 使用Jupyter处理商铺数据 ###

待处理的数据是商铺数据，如下：  
![shop data][]

包括名称、评论数、价格、地址、评分列表等，其中评论数、价格和评分均不规则、需要进行数据清洗。

Jupyter中处理如下：  
![python da jupyter shop data][]

可以看到，最后得到了经过清洗后的规则数据。

完整Python代码如下：

# 数据读取
    f = open('商铺数据.csv', 'r', encoding='utf8')
    for i in f.readlines()[1:15]:
        print(i.split(','))
    
    
    # 创建comment、price、commentlist清洗函数
    def fcomment(s):
        '''comment清洗函数：用空格分段，选取结果list的第一个为点评数，并且转化为整型'''
        if '条' in s:
            return int(s.split(' ')[0])
        else:
            return '缺失数据'
    
    
    def fprice(s):
        '''price清洗函数：用￥分段，选取结果list的最后一个为人均价格，并且转化为浮点型'''
        if '￥' in s:
            return float(s.split('￥')[-1])
        else:
            return '缺失数据'
    
    
    def fcommentl(s):
        '''commentlist清洗函数：用空格分段，分别清洗出质量、环境及服务数据，并转化为浮点型'''
        if ' ' in s:
            quality = float(s.split(' ')[0][2:])
            environment = float(s.split(' ')[1][2:])
            service = float(s.split(' ')[2][2:-1])
            return [quality, environment, service]
        else:
            return '缺失数据'
    
    
    # 数据处理清洗
    datalist = []  # 创建空列表
    
    f.seek(0)
    n = 0  # 创建计数变量
    for i in f.readlines():
        data = i.split(',')
        # print(data)
        classify = data[0]  # 提取分类
        name = data[1]  # 提取店铺名称
        comment_count = fcomment(data[2])  # 提取评论数量
        star = data[3]  # 提取星级
        price = fprice(data[4])  # 提取人均
        address = data[5]  # 提取地址
        quality = fcommentl(data[6])[0]  # 提取质量评分
        env = fcommentl(data[6])[1]  # 提取环境评分
        service = fcommentl(data[6])[2]  # 提取服务评分
        if '缺失数据' not in [comment_count, price, quality]:  # 用于判断是否有数据缺失
            n += 1
            data_re = [['classify', classify],
                       ['name', name],
                       ['comment_count', comment_count],
                       ['star', star],
                       ['price', price],
                       ['address', address],
                       ['quality', quality],
                       ['environment', env],
                       ['service', service]]
            datalist.append(dict(data_re))  # 字典生成，并存入列表datalist
            print('成功加载%i条数据' % n)
        else:
            continue
    
    print(datalist)
    print('总共加载%i条数据' % n)
    
    f.close()

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center]: /images/20221124/79c885ddd9e54d88bc43d98da093c0e8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221124/5266b8dd59544c45ae22dba58d9477d6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221124/bfbcad89f8be46f28c5ffa4c47009176.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221124/9c93507b7b7a44e8a35eb7857c3df9dd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221124/1a521767fb5d4a9e8c50b7f087739d9e.png
[http_www.python.org_download]: http://www.python.org/download/
[Python]: 
[Python_Python_963624318]: /images/20221124/fb8f07ef0a6e42779c6d3ded5af63a28.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NVRkVFQ1I_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221124/bd1f49fca8974370945354df57bc47c6.png
[https_www.jetbrains.com_pycharm_download]: https://www.jetbrains.com/pycharm/download/
[https_www.anaconda.com_products_individual]: https://www.anaconda.com/products/individual
[Anaconda]: /images/20221124/d9344fcb0cdb40d9bea9d8d52411f1ed.png
[20200823212246562.png_pic_center]: /images/20221124/47d536c1b5954c5f9626ac43ec7d6295.png
[A]: /images/20221124/7b447f905408425688c744f8ce1919f7.png
[Anaconda Navigator]: /images/20221124/c156a4682ad84303a065100ed04bdf7a.png
[jupyter]: /images/20221124/7b197abf0e514e89858e7949c94829f8.png
[python da jupyter simple]: /images/20221124/3f6866fbba5f44efa09df854d1e1428c.png
[python da jupyter for head]: /images/20221124/ea1b3f36a2504c41b020fd78251aeef3.png
[python da jupyter variable data type]: /images/20221124/7058cb42ad704f9791727e5975225910.png
[python da jupyter function]: /images/20221124/a005e96a37244b8e8fc7b83619ef5e5e.png
[python da jupyter module package]: /images/20221124/6296c0615ac042d8923d080db0aee33f.png
[python da jupyter data io]: /images/20221124/10f2637eac3b49c5800226bf1f5190af.png
[shopproducts]: /images/20221124/2e973e008ac24f91bd25373afad7df7f.png
[userratings]: /images/20221124/b842aa6ded7d4358b48c159adb41d5a3.png
[robo 3T]: /images/20221124/c68f65c016c24fca93eb3d87323c542a.png
[shop data]: /images/20221124/ea08ac73676d433089f5a9f9d319ed4d.png
[python da jupyter shop data]: /images/20221124/7af5409de4954813932548a5904ee6ef.png