【Python】学习笔记总结（第二阶段（7-9）——汇总篇）

Myth丶恋晨 2023-03-03 13:28 87阅读 0赞

### 文章目录 ###

*  七、Python简单爬虫
 *   *  1.重要知识与技能
     *  2.使用re表达式抓取网页文件
     *  3.使用requests抓取网页
     *  4.使用re正则表达式提取数据
     *  5.使用xPath工具提取数据
     *  6.使用BeautifulSoup工具
 *  八、Python经典算法
 *   *  0.Python画图
     *  1.回归-线性回归
     *  2.分类-k最近邻
     *  3.聚类
     *   *  3.1.Kmeans(k均值聚类算法)
         *  3.2.DBSCAN(基于密度的聚类算法)
         *  3.3.层次聚类算法
     *  4.降维
     *   *  4.1.PCA算法
         *  4.2.FA算法
     *  5.学习（神经网络）
     *   *  5.1.BP神经网络
     *  6.推荐算法
     *  7.时间序列（视频学习）
 *  九、数据库与Python交互
 *   *  1.连接MYSQL数据库
     *   *  1.1.创建表
         *  1.2.插入数据
         *  1.3.查询数据
         *  1.4.更新数据
         *  1.5.删除数据
         *  1.6.执行事务
         *  1.7.读取数据库表数据并写入excel
         *  1.8.读取excel数据并写入数据库表
     *  2.Python人机交互（Tkinter图形界面开发）
     *   *  2.1.创建root窗口
         *  2.2.控件布局
         *  2.3.实现commend
         *  2.4.简单测试案例

# 七、Python简单爬虫 #

## 1.重要知识与技能 ##

重要知识与技能:

1.  使用HTML与CSS制作网页文件
2.  使用re正则表达式抓取网页文件
3.  使用requests获取网站内容
4.  使用re正则表达式提取数据
5.  使用xPath工具提取数据
6.  使用BeautifulSoup工具

## 2.使用re表达式抓取网页文件 ##

import re
    myFile = open('Index.html','r',encoding='UTF-8')
    myContent = myFile.read()
    myFile.close()
    #myPatten = "<li>(.*)</li>"
    myPatten2 = "([a-zA-Z0-9_\.-]+@[a-zA-Z0-9_-]+(?:\.[a-zA-Z0-9_-]+)+)"
    mylist =  re.findall(myPatten2,myContent)
    print(mylist)

## 3.使用requests抓取网页 ##

import requests
    myURL = 'https://www.3dmgame.com'
    myContent = requests.get(myURL).content.decode('UTF-8')

## 4.使用re正则表达式提取数据 ##

def Get3DMNews_WithRE():
        ''' 得到3DM网站的新闻内容 :return: 获取的新闻内容 '''
        import requests
        import re
        myURL = 'https://www.3dmgame.com'
        myContent = requests.get(myURL).content.decode('UTF-8')
        myPartten = '<a href="(.*)" target="_blank" >(.*)</a>\n <span>(.*)</span>'
        myList = re.findall(myPartten,myContent)
        for item in myList :
            myNews = { }
            myNews['title'] = item[0]
            myNews['herf'] = item[1]
            myNews['time'] = item[2]
            print(myNews)
            pass
        pass

## 5.使用xPath工具提取数据 ##

def Get3DMNews_WithXPATH():
        ''' 得到3DM网站的新闻内容 :return: 获取的新闻内容 '''
        import requests
        from lxml import html
        myURL = 'https://www.3dmgame.com'
        myContent = requests.get(myURL).content.decode('UTF-8')
        etree = html.etree
        eTreeHtml = etree.HTML(myContent)
        myList = eTreeHtml.xpath("//li")
        for item in myList :
            myNews = { }
            myNews['title'] = item.xpath('./a')[0].text
            myNews['herf'] = item.xpath('./a/@href')[0]
            myNews['time'] = item.xpath('./span')[0].text
            print(myNews)
            pass
        pass

## 6.使用BeautifulSoup工具 ##

def Get3DMNews_WithBeautifulSoup():
        ''' 得到3DM网站的新闻内容 :return: 获取的新闻内容 '''
        import requests
        from bs4 import BeautifulSoup
        myURL = 'https://www.3dmgame.com'
        myContent = requests.get(myURL).content.decode('UTF-8')
        bsHtml = BeautifulSoup(myContent,'html5lib')
        myList = bsHtml.find_all('div')[10].find_all('div')[8].find_all('div')[91].find_all('li')
        for item in myList :
            myNews = { }
            myNews['title'] = item.find('a').get_text()
            myNews['herf'] = item.find('a').get('href')
            myNews['time'] = item.find('span').get_text()
            print(myNews)
            pass
        pass

# 八、Python经典算法 #

## 0.Python画图 ##

[Python画图][Python]

## 1.回归-线性回归 ##

[回归-课程回顾][-]  
**目的**：找一条线，尽可能地拟合数据点，生成线性回归模型，并进行预测  
**解决什么样的问题**：要完成的任务是预测一个连续值的话，那这个任务就是回归。是离散值的话就是分类  
**拟合（Fitting）**：就是说这个曲线能不能很好的描述某些样本，并且有比较好的泛化能力。  
**过拟合（Overfitting）**：就是太过贴近于训练数据的特征了，在训练集上表现非常优秀，近乎完美的预测/区分了所有的数据，但是在新的测试集上却表现平平，不具泛化性，拿到新样本后没有办法去准确的判断。  
**欠拟合（UnderFitting）**：测试样本的特性没有学到，或者是模型过于简单无法拟合或区分样本。  
[过拟合和欠拟合的形象解释][Link 1]

import matplotlib.pyplot as plt
    import numpy as np
    t = np.arange(1,10,1)
    y = 0.9 * t + np.sin(t)
    # plt.plot(t,y,"o")
    # plt.show()
    model = np.polyfit(t,y,deg = 3)#生成三阶模型
    t2 = np.arange(-2,12,0.5)
    y2predict = np.polyval(model,t2)
    plt.plot(t,y,"o",t2,y2predict,"x")
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70]

## 2.分类-k最近邻 ##

[分类-课程回顾][- 1]  
**目的**：根据已知样本进行分类学习，生成模型，并对测试样本进行预测  
**解决什么样的问题**：了解单个样本信息特征以及其标签值，根据其生成模型，并对测试样本进行预测

#分类算法
    #k最近邻：近朱者赤近墨者黑原理
    import os
    import pandas as pd
    from sklearn import  neighbors
    thisFilePath = os.path.abspath('.')
    os.chdir(thisFilePath)
    # print(os.getcwd())
    df = pd.read_csv('ScoreData.csv')
    # print(df.head())
    
    train_x = df.iloc[0:8,2:4]
    # print(train_x.head())
    train_y= df.iloc[0:8,4]
    # print(train_y.head())
    
    model = neighbors.KNeighborsClassifier()
    model.fit(train_x,train_y)
    test_x = df.iloc[8:11,2:4]
    test_y= df.iloc[8:11,4].values
    
    test_p = model.predict(test_x)
    print(test_p)
    print(test_y)
    
    print(model.score(test_x, test_y))

## 3.聚类 ##

[聚类-课程回顾][- 2]  
**目的**：根据已知样本进行分类学习，生成模型，并对测试样本进行预测  
**解决什么样的问题**：不了解单个样本信息特征以及其标签值，根据其生成模型，并对测试样本进行预测

### 3.1.Kmeans(k均值聚类算法) ###

(k-means clustering algorithm)  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 1]

import numpy as np
    train_x2 = np.array(train_x[['yuwen','shuxue']])
    print(train_x2)
    from sklearn.cluster import KMeans
    model2 = KMeans(n_clusters=3)
    model2 = model2.fit(train_x2)
    clusterResult = pd.DataFrame(model2.labels_,index=train_x.index,columns=['clusterResult'])
    print(clusterResult.head())

### 3.2.DBSCAN(基于密度的聚类算法) ###

[(Density-Based Spatial Clustering of Applications with Noise)][Density-Based Spatial Clustering of Applications with Noise]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 2]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 3]

### 3.3.层次聚类算法 ###

[一篇][Link 2]  
[二篇][Link 3]  
[三篇][Link 4]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 4]

## 4.降维 ##

[降维-课程回顾][- 3]  
**目的**：某种映射方法，将原高维空间中的数据点映射到低维度的空间中  
**解决什么样的问题**：通过映射将数据降维后进行分类，案例征友考量，案例文科指数，理科指数(可以使用因子分析得到与原数据相关系数)

### 4.1.PCA算法 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 5]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 6]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 7]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 8]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 9]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 10]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 11]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 12]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 13]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 14]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 15]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 16]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 17]

### 4.2.FA算法 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 18]

## 5.学习（神经网络） ##

[学习-课程回顾][- 4]  
**目的**：某种映射方法，将原高维空间中的数据点映射到低维度的空间中  
**解决什么样的问题**：案例图像识别

### 5.1.BP神经网络 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 19]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 20]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 21]

## 6.推荐算法 ##

[推荐-课程回顾][- 5]  
**目的**：利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西  
**解决什么样的问题**：案例推荐  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 22]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 23]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 24]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 25]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 26]

## 7.时间序列（视频学习） ##

[时间序列-课程回顾][- 6]  
**目的**：根据已有的历史数据对未来进行预测  
**解决什么样的问题**：案例股票  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 27]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 28]  
ADF检验  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 29]  
差分  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 30]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 31]  
ADF检验  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 32]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 33]  
反差分  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 34]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 35]

> 引用自 https://www.runoob.com/python3/python3-mysql.html

# 九、数据库与Python交互 #

## 1.连接MYSQL数据库 ##

### 1.1.创建表 ###

import pymysql
    # 打开数据库连接
    db = pymysql.connect("数据库IP地址","用户名","密码","数据库" )
     
    # 使用 cursor() 方法创建一个游标对象 cursor
    cursor = db.cursor()
     
    # 使用 execute() 方法执行 SQL，如果表存在则删除
    cursor.execute("DROP TABLE IF EXISTS EMPLOYEE")
     
    # 使用预处理语句创建表
    sql = """CREATE TABLE EMPLOYEE ( FIRST_NAME CHAR(20) NOT NULL, LAST_NAME CHAR(20), AGE INT, SEX CHAR(1), INCOME FLOAT )"""
     
    cursor.execute(sql)
     
    # 关闭数据库连接
    db.close()

### 1.2.插入数据 ###

import pymysql
     
    # 打开数据库连接
    db = pymysql.connect("数据库IP地址","用户名","密码","数据库" )
     
    # 使用cursor()方法获取操作游标 
    cursor = db.cursor()
     
    # SQL 插入语句
    sql = """INSERT INTO EMPLOYEE(FIRST_NAME, LAST_NAME, AGE, SEX, INCOME) VALUES ('Mac', 'Mohan', 20, 'M', 2000)"""
    # SQL 插入语句2
    sql2 = "INSERT INTO EMPLOYEE(FIRST_NAME, \
           LAST_NAME, AGE, SEX, INCOME) \
           VALUES ('%s', '%s',  %s,  '%s',  %s)" % \
           ('Mac', 'Mohan', 20, 'M', 2000)
    try:
       # 执行sql语句
       cursor.execute(sql)
       # 提交到数据库执行
       db.commit()
    except:
       # 如果发生错误则回滚
       db.rollback()
     
    # 关闭数据库连接
    db.close()

### 1.3.查询数据 ###

import pymysql
     
    # 打开数据库连接
    db = pymysql.connect("数据库IP地址","用户名","密码","数据库" )
     
    # 使用cursor()方法获取操作游标 
    cursor = db.cursor()
     
    # SQL 查询语句
    sql = "SELECT * FROM EMPLOYEE \
           WHERE INCOME > %s" % (1000)
    try:
       # 执行SQL语句
       cursor.execute(sql)
       # 获取所有记录列表
       results = cursor.fetchall()
       for row in results:
          fname = row[0]
          lname = row[1]
          age = row[2]
          sex = row[3]
          income = row[4]
           # 打印结果
          print ("fname=%s,lname=%s,age=%s,sex=%s,income=%s" % \
                 (fname, lname, age, sex, income ))
    except:
       print ("Error: unable to fetch data")
     
    # 关闭数据库连接
    db.close()

### 1.4.更新数据 ###

import pymysql
     
    # 打开数据库连接
    db = pymysql.connect("数据库IP地址","用户名","密码","数据库" )
     
    # 使用cursor()方法获取操作游标 
    cursor = db.cursor()
     
    # SQL 更新语句
    sql = "UPDATE EMPLOYEE SET AGE = AGE + 1 WHERE SEX = '%c'" % ('M')
    try:
       # 执行SQL语句
       cursor.execute(sql)
       # 提交到数据库执行
       db.commit()
    except:
       # 发生错误时回滚
       db.rollback()
     
    # 关闭数据库连接
    db.close()

### 1.5.删除数据 ###

import pymysql
     
    # 打开数据库连接
    db = pymysql.connect("数据库IP地址","用户名","密码","数据库" )
     
    # 使用cursor()方法获取操作游标 
    cursor = db.cursor()
     
    # SQL 删除语句
    sql = "DELETE FROM EMPLOYEE WHERE AGE > %s" % (20)
    try:
       # 执行SQL语句
       cursor.execute(sql)
       # 提交修改
       db.commit()
    except:
       # 发生错误时回滚
       db.rollback()
     
    # 关闭连接
    db.close()

### 1.6.执行事务 ###

# SQL删除记录语句
    sql = "DELETE FROM EMPLOYEE WHERE AGE > %s" % (20)
    try:
       # 执行SQL语句
       cursor.execute(sql)
       # 向数据库提交
       db.commit()
    except:
       # 发生错误时回滚
       db.rollback()

### 1.7.读取数据库表数据并写入excel ###

import pymysql,xlwt
    
    def export_excel(table_name):
    	conn = pymysql.connect("数据库IP地址","用户名","密码","数据库" )
        cur = conn.cursor()
    
        sql = 'select * from %s;' %table_name
    
        #读取数据
        cur.execute(sql)
        fileds = [filed[0] for filed in cur.description]
        #所有数据
        all_date = cur.fetchall() 
        for result in all_date:
            print(result)
    
        #写excel
    
        book = xlwt.Workbook() #创建一个book
    
        sheet = book.add_sheet('result') #创建一个sheet表
    
        for col,filed in enumerate(fileds):
            sheet.write(0,col,filed)
    
        #从第一行开始写
        row = 1
        for data in all_date:
            for col,filed in enumerate(data):
                sheet.write(row,col,filed)
            row += 1
    
        book.save('%s.xls' %table_name)
    	pass
        export_excel('stocks')

### 1.8.读取excel数据并写入数据库表 ###

import pymysql
    import xlrd
    conn = pymysql.connect("数据库IP地址","用户名","密码","数据库" )
    cursor = conn .cursor()
    
    #读取excel数据写入数据库
    book = xlrd.open_workbook("students.xls")
    sheet = book.sheet_by_name('Sheet1')
    query = 'insert into student_tbl (name, sex, minzu, danwei_zhiwu, phone_number, home_number) values (%s, %s, %s, %s, %s, %s)'
    for r in range(1, sheet.nrows):
          name = sheet.cell(r,0).value
          sex = sheet.cell(r,1).value
          minzu = sheet.cell(r,2).value
          danwei_zhiwu = sheet.cell(r,3).value
          phone_number = sheet.cell(r,4).value
          home_number = sheet.cell(r,5).value
          values = (name, sex, minzu, danwei_zhiwu, phone_number, home_number)
          # 执行sql语句
          # 往SQL添加一条数据
          cursor.execute(query , values) 
    print(values)
    cursor.close()
    db.commit()
    db.close()

## 2.Python人机交互（Tkinter图形界面开发） ##

### 2.1.创建root窗口 ###

#导入Tkinter包全部内容
    from tkinter import *
    #Tkinter根窗口实例化
    root = Tk()
    #设置窗口标题
    root.title("my_Title")

### 2.2.控件布局 ###

#设置label控件
    label1 = Label(root,text = 'Number:')
    label1.grid(row = 0, column = 0)
    #设置text控件
    text1 = Text(root,width = 30 , height = 1)
    text1.grid(row = 1, column = 0)

### 2.3.实现commend ###

#设置调用函数
    def myCalculate():
        a = int(text1.get("1.0",END))#从头开始取到结尾
        sum = a * 3
        text2.delete('1.0',END)
        text2.insert(INSERT,sum)
        pass
    #设置Button
    button = Button(root,text="click sum",command = myCalculate)
    button.grid(row = 4, column = 0)

### 2.4.简单测试案例 ###

#导入Tkinter包全部内容
    from tkinter import *
    #Tkinter根窗口实例化
    root = Tk()
    #设置窗口标题
    root.title("my_Title")
    #设置label控件
    label1 = Label(root,text = 'Number:')
    label1.grid(row = 0, column = 0)
    #设置text控件
    text1 = Text(root,width = 30 , height = 1)
    text1.grid(row = 1, column = 0)
    #设置label控件
    label2 = Label(root,text = 'Sum:')
    label2.grid(row = 2, column = 0)
    #设置text控件
    text2 = Text(root,width = 30 , height = 1)
    text2.grid(row = 3, column = 0)
    #设置调用函数
    def myCalculate():
        a = int(text1.get("1.0",END))#从头开始取到结尾
        sum = a * 3
        text2.delete('1.0',END)
        text2.insert(INSERT,sum)
        pass
    #设置Button
    button = Button(root,text="click sum",command = myCalculate)
    button.grid(row = 4, column = 0)
    
    mainloop()

[Python]: https://blog.csdn.net/w576233728/article/details/86538060
[-]: https://www.bilibili.com/video/BV12p4y1X7JS?p=59
[Link 1]: https://blog.csdn.net/xuaho0907/article/details/88649141
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70]: /images/20230208/c6fd2cd02c0742c899df57531c40c6c3.png
[- 1]: https://www.bilibili.com/video/BV12p4y1X7JS?p=60
[- 2]: https://www.bilibili.com/video/BV12p4y1X7JS?p=61
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 1]: /images/20230208/ed0c8667e9774a1f928c89e2763e3718.png
[Density-Based Spatial Clustering of Applications with Noise]: https://zhuanlan.zhihu.com/p/23504573
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 2]: /images/20230208/939222a7457645ebafbb94b97177245b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 3]: /images/20230208/e6051e86b44f4a6fb8d18aad3b1c3702.png
[Link 2]: https://zhuanlan.zhihu.com/p/22452157
[Link 3]: https://zhuanlan.zhihu.com/p/22458092
[Link 4]: https://zhuanlan.zhihu.com/p/22498257
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 4]: /images/20230208/ab1c664a972b485e8273efba1fed8780.png
[- 3]: https://www.bilibili.com/video/BV12p4y1X7JS?p=62
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 5]: /images/20230208/8b59d3cab6f54a0ca5eb4fafed76cc16.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 6]: /images/20230208/d7964075af314e1fb642e341f3680265.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 7]: /images/20230208/f2b6e6b1fd2a439aa76432196f13ff28.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 8]: /images/20230208/af8dc980e24342bb91271e71abafe034.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 9]: /images/20230208/9df65c08ad9949e89350e287a2c1b6fe.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 10]: /images/20230208/1cf14c8e4e61449997ff82ba103e0411.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 11]: /images/20230208/4574dc542b1d4223a94230553b437fb0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 12]: /images/20230208/64a186b6cfcf4800b296dee4705267ba.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 13]: /images/20230208/e7c319b3a3e849beacdb3b5066161515.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 14]: /images/20230208/a547ce40819a4a4ebdcd83c82cf65691.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 15]: /images/20230208/c2f5c93964ad438d817adcc8719ae2f9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 16]: /images/20230208/27cdf25ae9e249008ad4ad78378c5416.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 17]: /images/20230208/caa64af3ff664b0c9abe3ff8455d3173.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 18]: /images/20230208/90565a7e8d7f42a897c6045707abaf8c.png
[- 4]: https://www.bilibili.com/video/BV12p4y1X7JS?p=63
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 19]: /images/20230208/88a04a44f79f46ac90ea739826a0c595.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 20]: /images/20230208/93870232490548de8aff13b7dff3d94e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 21]: /images/20230208/09881d2537f34f0c86684cf5504a8b65.png
[- 5]: https://www.bilibili.com/video/BV12p4y1X7JS?p=64
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 22]: /images/20230208/13684c6d8f1c40bcbac067902144da7a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 23]: /images/20230208/ea9bb2e3835e405fb2f44a69adb73ddd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 24]: /images/20230208/84e8aa38c042437ab7f128c356dc7764.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 25]: /images/20230208/213f47d645a745248e8067e8dc575e7b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 26]: /images/20230208/94347605295b4e0699e11a6a8080b864.png
[- 6]: https://www.bilibili.com/video/BV12p4y1X7JS?p=65
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 27]: /images/20230208/8b3fe25f1040463ab2e68e76ce86d6b1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 28]: /images/20230208/b6ec9949dd3548ee803413da5f4202b8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 29]: /images/20230208/72af90f500534e78bc9762e6042f989f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 30]: /images/20230208/4f59a49cd96d48e9b74d677c5772bb32.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 31]: /images/20230208/2668deea884c47f8b3a216fb6c194c4c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 32]: /images/20230208/a9598f1480c442738b997d886146028b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 33]: /images/20230208/575a8d98fda545f693e916d1baeaef69.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 34]: /images/20230208/92693b69bc354d678acc8b25804116f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 35]: /images/20230208/ee29784ee99d4ff1a4a6a68ad9d51961.png