Python酷库之旅-第三方库Pandas(055)

见贤思齐

目录一、用法精讲206、pandas.Series.reset_index方法206-1、语法206-2、参数206-3、功能206-4、返回值206-5、说明206-6、用法206-6-1、数据准备206-6-2、代码示例206-6-3、结果输出207、pandas.Series.sample方法207-1、语法207-2、参数207-3、功能207-4、返回值207-5、说明207-6、用法207-6-1、数据准备207-6-2、代码示例207-6-3、结果输出208、pandas.Series.set_axis方法208-1、语法208-2、参数208-3、功能208-4、返回值208-5、说明208-6、用法208-6-1、数据准备208-6-2、代码示例208-6-3、结果输出209、pandas.Series.take方法209-1、语法209-2、参数209-3、功能209-4、返回值209-5、说明209-6、用法209-6-1、数据准备209-6-2、代码示例209-6-3、结果输出210、pandas.Series.tail方法210-1、语法210-2、参数210-3、功能210-4、返回值210-5、说明210-6、用法210-6-1、数据准备210-6-2、代码示例210-6-3、结果输出二、推荐阅读1、Python筑基之旅2、Python函数之旅3、Python算法之旅4、Python魔法之旅5、博客个人主页一、用法精讲206、pandas.Series.reset_index方法206-1、语法#206、pandas.Series.reset_index方法pandas.Series.reset_index(level=None,*,drop=False,name=_NoDefault.no_default,inplace=False,allow_duplicates=False)GenerateanewDataFrameorSerieswiththeindexreset.Thisisusefulwhentheindexneedstobetreatedasacolumn,orwhentheindexismeaninglessandneedstoberesettothedefaultbeforeanotheroperation.Parameters:levelint,str,tuple,orlist,defaultoptionalForaSerieswithaMultiIndex,onlyremovethespecifiedlevelsfromtheindex.Removesalllevelsbydefault.dropbool,defaultFalseJustresettheindex,withoutinsertingitasacolumninthenewDataFrame.nameobject,optionalThenametouseforthecolumncontainingtheoriginalSeriesvalues.Usesself.namebydefault.ThisargumentisignoredwhendropisTrue.inplacebool,defaultFalseModifytheSeriesinplace(donotcreateanewobject).allow_duplicatesbool,defaultFalseAllowduplicatecolumnlabelstobecreated.Newinversion1.5.0.Returns:SeriesorDataFrameorNoneWhendropisFalse(thedefault),aDataFrameisreturned.ThenewlycreatedcolumnswillcomefirstintheDataFrame,followedbytheoriginalSeriesvalues.WhendropisTrue,aSeriesisreturned.Ineithercase,ifinplace=True,novalueisreturned.206-2、参数206-2-1、level(可选，默认值为None)：用于指定要重置的索引级别，如果索引是多级索引(MultiIndex)，可以通过此参数指定要重置的级别，可以是单个级别名称或级别名称的列表。如果为None，则重置所有级别。206-2-2、drop(可选，默认值为False)：如果为False，则会将当前索引作为列插入到Series中；如果为True，则不会插入索引列。206-2-3、name(可选)：用于设置新列的名称(如果drop=False)，如果没有指定名称，默认会使用索引名称。206-2-4、inplace(可选，默认值为False)：如果为True，则在原地修改Series对象，而不是返回新的对象。206-2-5、allow_duplicates(可选，默认值为False)：该参数控制是否允许新列中出现重复值，如果为False且新列名已存在，会引发错误。206-3、功能        用于重置Series的索引，使其回到默认的整数索引；同时，可以选择将现有的索引变为数据列的一部分。206-4、返回值        返回一个新的Series对象(如果inplace=False)，其索引被重置为默认的整数索引，如果drop=False，则原索引被添加为新列。206-5、说明        使用场景：206-5-1、数据清理和准备：在数据分析的过程中，数据的索引可能会变得不一致或者不再有用，使用reset_index可以将索引重置为默认的整数索引，使数据更整齐、便于操作。例如，当索引是某些数据处理步骤的副产品时，可以使用reset_index来消除不需要的索引。206-5-2、合并数据：在合并或连接数据时，通常需要统一索引格式，如果两个数据集的索引不同，可以使用reset_index将它们重置为相同的格式，然后进行合并操作。206-5-3、数据转换：在某些情况下，索引本身也可能包含有价值的信息，通过将索引重置为默认整数索引并将原索引添加为列，可以方便地访问和分析原索引中的数据。206-5-4、数据透视表：在创建数据透视表后，索引可能是多级索引，使用reset_index可以将多级索引展开为列，便于进一步的分析和操作。206-5-5、结果展示：在展示分析结果时，默认的整数索引可能比复杂的索引更易于理解，使用reset_index可以使数据更容易解释和展示给最终用户。206-6、用法206-6-1、数据准备无206-6-2、代码示例#206、pandas.Series.reset_index方法#206-1、数据清理importpandasaspd#销售数据sales=pd.Series([150,200,100],index=['prod_1','prod_2','prod_3'])print("原始销售数据:")print(sales)#重置索引sales_clean=sales.reset_index(drop=True)print("\n重置索引后的销售数据:")print(sales_clean)#206-2、合并数据importpandasaspd#销售数据sales=pd.Series([150,200,100],index=['prod_1','prod_2','prod_3'])#商品描述数据products=pd.DataFrame({'product_id':['prod_1','prod_2','prod_3'],'description':['Product1','Product2','Product3']})#重置销售数据的索引sales_reset=sales.reset_index()sales_reset.columns=['product_id','sales']#合并数据merged_data=pd.merge(sales_reset,products,on='product_id')print("\n合并后的数据:")print(merged_data)#206-3、数据转换importpandasaspd#时间序列数据date_range=pd.date_range(start='2024-01-01',periods=3,freq='D')sales=pd.Series([150,200,100],index=date_range)print("原始时间序列数据:")print(sales)#重置索引sales_reset=sales.reset_index()sales_reset.columns=['date','sales']print("\n重置索引后的时间序列数据:")print(sales_reset)#206-4、数据透视表importpandasaspd#创建数据透视表data={'Category':['A','A','B','B'],'Sub-Category':['X','Y','X','Y'],'Sales':[100,200,150,300]}df=pd.DataFrame(data)pivot_table=df.pivot_table(values='Sales',index=['Category','Sub-Category'])print("原始数据透视表:")print(pivot_table)#重置索引pivot_table_reset=pivot_table.reset_index()print("\n重置索引后的数据透视表:")print(pivot_table_reset)#206-5、结果展示importpandasaspd#分析结果数据data={'Metric':['Accuracy','Precision','Recall'],'Value':[0.95,0.92,0.88]}results=pd.Series(data['Value'],index=data['Metric'])print("原始分析结果数据:")print(results)#重置索引results_reset=results.reset_index()results_reset.columns=['Metric','Value']print("\n重置索引后的分析结果数据:")print(results_reset)206-6-3、结果输出#206、pandas.Series.reset_index方法#206-1、数据清理#原始销售数据:#prod_1150#prod_2200#prod_3100#dtype:int64##重置索引后的销售数据:#0150#1200#2100#dtype:int64#206-2、合并数据#合并后的数据:#product_idsalesdescription#0prod_1150Product1#1prod_2200Product2#2prod_3100Product3#206-3、数据转换#原始时间序列数据:#2024-01-01150#2024-01-02200#2024-01-03100#Freq,dtype:int64##重置索引后的时间序列数据:#datesales#02024-01-01150#12024-01-02200#22024-01-03100#206-4、数据透视表#原始数据透视表:#Sales#CategorySub-Category#AX100.0#Y200.0#BX150.0#Y300.0##重置索引后的数据透视表:#CategorySub-CategorySales#0AX100.0#1AY200.0#2BX150.0#3BY300.0#206-5、结果展示#原始分析结果数据:#Accuracy0.95#Precision0.92#Recall0.88#dtype:float64##重置索引后的分析结果数据:#MetricValue#0Accuracy0.95#1Precision0.92#2Recall0.88207、pandas.Series.sample方法207-1、语法#207、pandas.Series.sample方法pandas.Series.sample(n=None,frac=None,replace=False,weights=None,random_state=None,axis=None,ignore_index=False)Returnarandomsampleofitemsfromanaxisofobject.Youcanuserandom_stateforreproducibility.Parameters:nint,optionalNumberofitemsfromaxistoreturn.Cannotbeusedwithfrac.Default=1iffrac=None.fracfloat,optionalFractionofaxisitemstoreturn.Cannotbeusedwithn.replacebool,defaultFalseAllowordisallowsamplingofthesamerowmorethanonce.weightsstrorndarray-like,optionalDefault‘None’resultsinequalprobabilityweighting.IfpassedaSeries,willalignwithtargetobjectonindex.Indexvaluesinweightsnotfoundinsampledobjectwillbeignoredandindexvaluesinsampledobjectnotinweightswillbeassignedweightsofzero.IfcalledonaDataFrame,willacceptthenameofacolumnwhenaxis=0.UnlessweightsareaSeries,weightsmustbesamelengthasaxisbeingsampled.Ifweightsdonotsumto1,theywillbenormalizedtosumto1.Missingvaluesintheweightscolumnwillbetreatedaszero.Infinitevaluesnotallowed.random_stateint,array-like,BitGenerator,np.random.RandomState,np.random.Generator,optionalIfint,array-like,orBitGenerator,seedforrandomnumbergenerator.Ifnp.random.RandomStateornp.random.Generator,useasgiven.Changedinversion1.4.0:np.random.Generatorobjectsnowacceptedaxis{0or‘index’,1or‘columns’,None},defaultNoneAxistosample.Acceptsaxisnumberorname.Defaultisstataxisforgivendatatype.ForSeriesthisparameterisunusedanddefaultstoNone.ignore_indexbool,defaultFalseIfTrue,theresultingindexwillbelabeled0,1,…,n-1.Newinversion1.3.0.Returns:SeriesorDataFrameAnewobjectofsametypeascallercontainingnitemsrandomlysampledfromthecallerobject.207-2、参数207-2-1、n(可选，默认值为None)：整数，表示要抽取的样本数量，n和frac参数不能同时指定。207-2-2、frac(可选，默认值为None)：浮点数，表示要抽取的样本比例。例如，frac=0.5表示抽取50%的样本，n和frac参数不能同时指定。207-2-3、replace(可选，默认值为False)：布尔值，是否在抽样时进行替换。如果replace=True，则允许重复抽取相同的样本。207-2-4、weights(可选，默认值为None)：字符串或类数组，表示样本的权重。如果是字符串，则表示Series对象中的列名；如果是array-like，则应与Series的长度相同，权重影响抽样时每个样本被选中的概率。207-2-5、random_state(可选，默认值为None)：整数，表示随机数生成器的种子，用于保证结果的可重复性。207-2-6、axis(可选，默认值为None)：整数，对于Series对象，唯一有效值为0。207-2-7、ignore_index(可选，默认值为False)：布尔值，是否忽略原始索引，返回的样本会重新生成索引。207-3、功能        用于从一个Series对象中随机抽取指定数量或者比例的样本，该方法非常适合数据分析过程中需要进行随机抽样的场景，例如对大数据集进行抽样以进行快速分析。207-4、返回值        返回一个Series对象，其中包含从原始Series中抽取的样本。207-5、说明    使用场景：207-5-1、数据探索和预处理：在处理大规模数据集时，直接操作整个数据集可能会非常耗时，通过抽取一个小样本，可以快速进行数据探索、可视化和预处理。207-5-2、模型训练和测试：在机器学习模型的开发过程中，通常需要将数据集分为训练集和测试集，使用sample方法可以随机抽取数据集的一部分作为训练集或测试集，确保模型评估的公平性。207-5-3、数据平衡：当处理不平衡数据集时，可以通过有放回抽样(replace=True)来平衡数据。例如，在分类问题中，某些类别的数据可能明显少于其他类别，可以通过重复抽样少数类别的数据来平衡数据集。207-5-4、数据验证和A/B测试：在业务分析中，常常需要进行数据验证和A/B测试，通过抽样的方法可以构建对照组和实验组，进行实验设计和效果评估。207-5-5、大数据处理：在处理大数据集时，通过抽样可以减少计算量，加快数据处理速度。例如，计算统计特征、训练模型等。207-5-6、数据可视化：为了确保可视化的效果和计算效率，可以对数据进行抽样，尤其是当数据量非常大时。207-5-7、测试和调试：在编写和测试数据处理代码时，使用小样本可以快速验证代码逻辑和功能，避免在整个数据集上测试时的高时间成本。207-6、用法207-6-1、数据准备无207-6-2、代码示例#207、pandas.Series.sample方法#207-1、数据探索和预处理importpandasaspd#创建一个大型Serieslarge_series=pd.Series(range(10000))#从Series中抽取10%的样本进行快速探索sample=large_series.sample(frac=0.1)#打印样本数据print(sample.head())#207-2、模型训练和测试importpandasaspdfromsklearn.model_selectionimporttrain_test_split#创建一个DataFramedata=pd.DataFrame({'feature':range(1000),'target':[0]*500+[1]*500})#抽取80%的数据作为训练集，20%的数据作为测试集train_sample=data.sample(frac=0.8,random_state=42)test_sample=data.drop(train_sample.index)#打印训练集和测试集大小print("训练集大小:",train_sample.shape)print("测试集大小:",test_sample.shape)#207-3、数据平衡importpandasaspd#创建不平衡数据集majority_class_data=pd.DataFrame({'feature':range(900),'target':0})minority_class_data=pd.DataFrame({'feature':range(100),'target':1})#对少数类别进行有放回抽样，使其数量与多数类别相同minority_class_sample=minority_class_data.sample(n=len(majority_class_data),replace=True,random_state=42)balanced_data=pd.concat([majority_class_data,minority_class_sample])#打印平衡后的数据集类别分布print(balanced_data['target'].value_counts())#207-4、数据验证和A/B测试importpandasaspd#创建用户数据users=pd.DataFrame({'user_id':range(1000)})#抽取一部分用户进行A/B测试control_group=users.sample(frac=0.5,random_state=42)experiment_group=users.drop(control_group.index)#打印对照组和实验组大小print("对照组大小:",control_group.shape)print("实验组大小:",experiment_group.shape)#207-5、大数据处理importpandasaspd#创建一个大型DataFramelarge_data=pd.DataFrame({'feature1':range(100000),'feature2':range(100000,200000)})#从数据集中抽取1%的样本进行特征工程feature_sample=large_data.sample(frac=0.01,random_state=42)#打印样本数据大小print("样本数据大小:",feature_sample.shape)#207-6、数据可视化importpandasaspdimportmatplotlib.pyplotasplt#创建一个DataFramedata=pd.DataFrame({'x':range(10000),'y':range(10000,20000)})#抽取5%的数据用于绘制散点图scatter_sample=data.sample(frac=0.05,random_state=42)#绘制散点图plt.scatter(scatter_sample['x'],scatter_sample['y'])plt.xlabel('XAxis')plt.ylabel('YAxis')plt.title('ScatterPlotSample')plt.show()#207-7、测试和调试importpandasaspd#创建一个DataFramedata=pd.DataFrame({'feature':range(1000),'target':[0]*500+[1]*500})#抽取100个样本用于测试代码逻辑test_sample=data.sample(n=100,random_state=42)#打印样本数据print(test_sample.head())207-6-3、结果输出#207、pandas.Series.sample方法#207-1、数据探索和预处理#类似于下列这种：#73417341#29882988#73467346#208208#30743074#dtype:int64#207-2、模型训练和测试#训练集大小800,2)#测试集大小200,2)#207-3、数据平衡#target#0900#1900#Name:count,dtype:int64#207-4、数据验证和A/B测试#对照组大小500,1)#实验组大小500,1)#207-5、大数据处理#样本数据大小1000,2)#207-6、数据可视化#见图1#207-7、测试和调试#featuretarget#5215211#7377371#7407401#6606601#4114110图1：208、pandas.Series.set_axis方法208-1、语法#208、pandas.Series.set_axis方法pandas.Series.set_axis(labels,*,axis=0,copy=None)Assigndesiredindextogivenaxis.Indexesforrowlabelscanbechangedbyassigningalist-likeorIndex.Parameters:labelslist-like,IndexThevaluesforthenewindex.axis{0or‘index’},default0Theaxistoupdate.Thevalue0identifiestherows.ForSeriesthisparameterisunusedanddefaultsto0.copybool,defaultTrueWhethertomakeacopyoftheunderlyingdata.NoteThecopykeywordwillchangebehaviorinpandas3.0.Copy-on-Writewillbeenabledbydefault,whichmeansthatallmethodswithacopykeywordwillusealazycopymechanismtodeferthecopyandignorethecopykeyword.Thecopykeywordwillberemovedinafutureversionofpandas.Youcanalreadygetthefuturebehaviorandimprovementsthroughenablingcopyonwritepd.options.mode.copy_on_write=TrueReturns:SeriesAnobjectoftypeSeries.208-2、参数208-2-1、labels(必须)：指定的新标签，可以是列表或其他类似数组的对象，其长度必须与指定轴的长度一致。208-2-2、axis(可选，默认值为0)：指定要修改标签的轴。对于Series，只有一个轴，即0或"index"；对于DataFrame，可以是0或"index"以及1或"columns"。208-2-3、copy(可选，默认值为None)：是否复制底层数据，如果为True，则会复制数据；如果为False，则不会复制数据；默认情况下，会根据情况自动决定是否复制数据。208-3、功能        用于设置Series的索引或DataFrame的索引和列标签，该方法可以在不修改原对象的情况下返回一个新的对象，也可以直接修改原对象。208-4、返回值        返回一个带有新标签的对象(Series或DataFrame)，如果inplace=True则修改原对象并返回None。208-5、说明    无208-6、用法208-6-1、数据准备无208-6-2、代码示例#208、pandas.Series.set_axis方法#208-1、重命名索引或列标签importpandasaspd#创建一个DataFramedf=pd.DataFrame({'A':[1,2,3],'B':[4,5,6]},index=['a','b','c'])#重命名列标签df=df.set_axis(['Col1','Col2'],axis=1)print(df,end='\n\n')#208-2、数据合并后的调整importpandasaspd#创建两个DataFramedf1=pd.DataFrame({'A':[1,2,3]},index=['a','b','c'])df2=pd.DataFrame({'B':[4,5,6]},index=['a','b','c'])#合并DataFramedf_combined=pd.concat([df1,df2],axis=1)#设置新列标签df_combined=df_combined.set_axis(['Col1','Col2'],axis=1)print(df_combined,end='\n\n')#208-3、统一标签格式importpandasaspd#创建一个DataFramedf=pd.DataFrame({'a':[1,2,3],'b':[4,5,6]},index=['one','two','three'])print(df)#统一列标签为大写df=df.set_axis(['A','B'],axis=1)print(df,end='\n\n')#208-4、临时修改标签进行特定操作importpandasaspd#创建一个Seriess=pd.Series([1,2,3],index=['a','b','c'])#临时修改索引标签new_s=s.set_axis(['x','y','z'],axis=0)print(new_s)#进行操作后，恢复原始标签print(s)208-6-3、结果输出#208、pandas.Series.set_axis方法#208-1、重命名索引或列标签#Col1Col2#a14#b25#c36#208-2、数据合并后的调整#Col1Col2#a14#b25#c36#208-3、统一标签格式#ab#one14#two25#three36#AB#one14#two25#three36#208-4、临时修改标签进行特定操作#x1#y2#z3#dtype:int64#a1#b2#c3#dtype:int64209、pandas.Series.take方法209-1、语法#209、pandas.Series.take方法pandas.Series.take(indices,axis=0,**kwargs)Returntheelementsinthegivenpositionalindicesalonganaxis.Thismeansthatwearenotindexingaccordingtoactualvaluesintheindexattributeoftheobject.Weareindexingaccordingtotheactualpositionoftheelementintheobject.Parameters:indicesarray-likeAnarrayofintsindicatingwhichpositionstotake.axis{0or‘index’,1or‘columns’,None},default0Theaxisonwhichtoselectelements.0meansthatweareselectingrows,1meansthatweareselectingcolumns.ForSeriesthisparameterisunusedanddefaultsto0.**kwargsForcompatibilitywithnumpy.take().Hasnoeffectontheoutput.Returns:sametypeascallerAnarray-likecontainingtheelementstakenfromtheobject.209-2、参数209-2-1、indices(必须)：一个位置索引数组，指定要从系列中提取的元素的索引，可以是整数数组或列表，表示需要提取的元素的位置。209-2-2、axis(可选，默认值为0)：指定沿哪个轴进行选择，对于Series，只有一个轴0(索引)。209-2-3、**kwargs(可选)：其他关键字参数，用于功能扩展。209-3、功能        用于从Series中根据位置索引提取元素，类似于NumPy数组的take方法。209-4、返回值        返回一个新的Series对象，其中包含从原系列中根据提供的索引提取的数据。209-5、说明        使用场景：209-5-1、性能优化：当你需要从Series中频繁地提取特定位置的元素时，take方法比通过标签或其他方式更高效，因为它直接使用底层的NumPy函数。209-5-2、位置索引：在某些情况下，你可能只知道要提取元素的位置，而不是标签。例如，从预处理后的数据中按位置抽取样本数据。209-5-3、数据重排序：take可以用于对数据重新排序。例如，你有一个Series，希望根据特定顺序重新排列其元素。209-5-4、随机抽样：在数据分析和机器学习中，经常需要对数据进行随机抽样，你可以生成随机位置索引，并使用take方法从Series中抽取对应的样本。209-5-5、数据子集选择：当你只需要从Series中提取特定位置的一部分数据进行进一步处理时，take方法可以提供简洁且高效的解决方案。209-6、用法209-6-1、数据准备无209-6-2、代码示例#209、pandas.Series.take方法#209-1、性能优化importpandasaspds=pd.Series(range(10000))#通过位置索引提取前10个元素subset=s.take(range(10))print(subset,end='\n\n')#209-2、位置索引importpandasaspds=pd.Series([100,200,300,400,500])#只知道位置索引，不知道标签subset=s.take([1,3])print(subset,end='\n\n')#209-3、数据重排序importpandasaspds=pd.Series([1,2,3,4,5],index=['a','b','c','d','e'])#根据新顺序提取数据reordered_s=s.take([4,2,0,3,1])print(reordered_s,end='\n\n')#209-4、随机抽样importpandasaspdimportnumpyasnps=pd.Series(range(100))#生成随机索引random_indices=np.random.choice(s.index,size=10,replace=False)random_sample=s.take(random_indices)print(random_sample,end='\n\n')#209-5、数据子集选择importpandasaspds=pd.Series([10,20,30,40,50])#提取特定位置的子集subset=s.take([0,2,4])print(subset)209-6-3、结果输出#209、pandas.Series.take方法#209-1、性能优化#00#11#22#33#44#55#66#77#88#99#dtype:int64#209-2、位置索引#1200#3400#dtype:int64#209-3、数据重排序#e5#c3#a1#d4#b2#dtype:int64#209-4、随机抽样#2222#3636#2727#6262#8484#3434#2323#4545#88#1010#dtype:int64#209-5、数据子集选择#010#230#450#dtype:int64210、pandas.Series.tail方法210-1、语法#210、pandas.Series.tail方法pandas.Series.tail(n=5)Returnthelastnrows.Thisfunctionreturnslastnrowsfromtheobjectbasedonposition.Itisusefulforquicklyverifyingdata,forexample,aftersortingorappendingrows.Fornegativevaluesofn,thisfunctionreturnsallrowsexceptthefirst|n|rows,equivalenttodf[|n|:].Ifnislargerthanthenumberofrows,thisfunctionreturnsallrows.Parameters:nint,default5Numberofrowstoselect.Returns:typeofcallerThelastnrowsofthecallerobject.210-2、参数210-2-1、n(可选，默认值为5)：表示要返回的最后几行的数量。如果n是正数，则返回最后n行；如果n是负数，则返回除了最后n行之外的所有行；如果n为零，则返回空的Series。210-3、功能        用于获取Series末尾的若干行数据，主要用于快速查看数据的末端部分，尤其是在处理大数据集时，非常方便。210-4、返回值        返回一个pandas.Series对象，包含原Series中最后n个元素，返回的Series保持原来的索引和数据类型。210-5、说明    无210-6、用法210-6-1、数据准备无210-6-2、代码示例#210、pandas.Series.tail方法#210-1、返回最后5行数据importpandasaspds=pd.Series([10,20,30,40,50,60,70,80])result=s.tail(5)print(result,end='\n\n')#210-2、返回除最后2行之外的所有数据importpandasaspds=pd.Series([10,20,30,40,50,60,70,80])result=s.tail(-2)print(result)210-6-3、结果输出#210、pandas.Series.tail方法#210-1、返回最后5行数据#340#450#560#670#780#dtype:int64#210-2、返回除最后2行之外的所有数据#230#340#450#560#670#780#dtype:int64二、推荐阅读1、Python筑基之旅2、Python函数之旅3、Python算法之旅4、Python魔法之旅5、博客个人主页