基于Python爬虫+Django的轻量化天气预报系统：从数据抓取到可视化展示的完整实战

Wonderful U2026-06-02 10:31

一、项目背景与痛点分析

在日常生活中，无论是日常出行、户外活动规划、校园通勤还是农业气象参考，天气查询都是不可或缺的需求。然而，当前市面上的主流天气应用和网页工具存在诸多不足，同时传统的爬虫脚本缺乏可视化界面，难以实际落地使用。具体痛点如下：

1.1 第三方平台体验问题

  • 广告干扰严重：主流天气网页充斥着弹窗广告、开屏广告，还会推送无关资讯内容，用户只想查看天气却被大量无关信息干扰
  • 城市切换繁琐：每次查询不同城市天气都需要重新输入或定位，高频查看的家乡、工作城市无法一键快捷访问

1.2 传统爬虫局限性

  • 缺乏可视化界面：绝大多数Python天气爬虫仅能在控制台打印文本数据，没有网页界面和趋势图表，实用性较差
  • 数据更新滞后：手动触发爬虫获取天气数据，无法实现后台定时自动刷新，温度、风力、降雨预警数据存在延迟
  • 无历史数据回溯：无法留存过往每日温度、湿度数据，不能查看近期气温变化走势，缺乏历史天气数据复盘能力

针对以上痛点，本项目基于Python网络爬虫 + Django4.2 + ECharts可视化技术栈，搭建轻量化天气预报系统。通过调用公开免费天气API结合定向爬虫抓取气象数据，实现城市天气搜索、常用城市收藏、实时天气详情、未来7天预报、气温趋势曲线图、历史天气数据留存、后台定时自动更新等全功能模块，打造纯净无广告的私有化天气查询平台。

二、核心目标与项目定位

2.1 核心目标

搭建无广告私有化网页版天气查询平台，实现完整业务流程：

  1. 用户城市搜索 → 爬虫拉取实时气象数据
  2. 天气数据入库持久化 → 当日详情卡片展示
  3. 7日预报折线图可视化 → 常用城市收藏管理
  4. Celery定时自动刷新 → 历史天气数据回溯

2.2 项目定位

  • 技术栈定位：Django结合Python爬虫的轻量化可视化Web项目
  • 架构选择：采用原生MVT架构，无需前后端分离，上手难度极低
  • 权限设计：区分普通用户与管理员权限，管理员可后台管理城市列表、手动刷新全站天气数据
  • 成本控制：全程使用免费公开气象数据源，零调用成本
  • 学习价值：适合爬虫入门+Django网页联动实战学习

2.3 设计理念

  • 页面极简干净：去除所有冗余元素，专注核心功能
  • 数据实时同步：确保天气信息的时效性和准确性
  • 图表直观易懂：通过可视化图表提升数据可读性
  • 自动化免手动：减少用户操作步骤，提升使用体验
  • 无广告无推送：回归天气查询工具的本质价值

三、整体技术架构设计

3.1 分层架构流程图

#mermaid-svg-QbmOdzy21pUGbXsO{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-QbmOdzy21pUGbXsO .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-QbmOdzy21pUGbXsO .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-QbmOdzy21pUGbXsO .error-icon{fill:#552222;}#mermaid-svg-QbmOdzy21pUGbXsO .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-QbmOdzy21pUGbXsO .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-QbmOdzy21pUGbXsO .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-QbmOdzy21pUGbXsO .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-QbmOdzy21pUGbXsO .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-QbmOdzy21pUGbXsO .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-QbmOdzy21pUGbXsO .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-QbmOdzy21pUGbXsO .marker{fill:#333333;stroke:#333333;}#mermaid-svg-QbmOdzy21pUGbXsO .marker.cross{stroke:#333333;}#mermaid-svg-QbmOdzy21pUGbXsO svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-QbmOdzy21pUGbXsO p{margin:0;}#mermaid-svg-QbmOdzy21pUGbXsO .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-QbmOdzy21pUGbXsO .cluster-label text{fill:#333;}#mermaid-svg-QbmOdzy21pUGbXsO .cluster-label span{color:#333;}#mermaid-svg-QbmOdzy21pUGbXsO .cluster-label span p{background-color:transparent;}#mermaid-svg-QbmOdzy21pUGbXsO .label text,#mermaid-svg-QbmOdzy21pUGbXsO span{fill:#333;color:#333;}#mermaid-svg-QbmOdzy21pUGbXsO .node rect,#mermaid-svg-QbmOdzy21pUGbXsO .node circle,#mermaid-svg-QbmOdzy21pUGbXsO .node ellipse,#mermaid-svg-QbmOdzy21pUGbXsO .node polygon,#mermaid-svg-QbmOdzy21pUGbXsO .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-QbmOdzy21pUGbXsO .rough-node .label text,#mermaid-svg-QbmOdzy21pUGbXsO .node .label text,#mermaid-svg-QbmOdzy21pUGbXsO .image-shape .label,#mermaid-svg-QbmOdzy21pUGbXsO .icon-shape .label{text-anchor:middle;}#mermaid-svg-QbmOdzy21pUGbXsO .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-QbmOdzy21pUGbXsO .rough-node .label,#mermaid-svg-QbmOdzy21pUGbXsO .node .label,#mermaid-svg-QbmOdzy21pUGbXsO .image-shape .label,#mermaid-svg-QbmOdzy21pUGbXsO .icon-shape .label{text-align:center;}#mermaid-svg-QbmOdzy21pUGbXsO .node.clickable{cursor:pointer;}#mermaid-svg-QbmOdzy21pUGbXsO .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-QbmOdzy21pUGbXsO .arrowheadPath{fill:#333333;}#mermaid-svg-QbmOdzy21pUGbXsO .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-QbmOdzy21pUGbXsO .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-QbmOdzy21pUGbXsO .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-QbmOdzy21pUGbXsO .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-QbmOdzy21pUGbXsO .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-QbmOdzy21pUGbXsO .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-QbmOdzy21pUGbXsO .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-QbmOdzy21pUGbXsO .cluster text{fill:#333;}#mermaid-svg-QbmOdzy21pUGbXsO .cluster span{color:#333;}#mermaid-svg-QbmOdzy21pUGbXsO div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-QbmOdzy21pUGbXsO .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-QbmOdzy21pUGbXsO rect.text{fill:none;stroke-width:0;}#mermaid-svg-QbmOdzy21pUGbXsO .icon-shape,#mermaid-svg-QbmOdzy21pUGbXsO .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-QbmOdzy21pUGbXsO .icon-shape p,#mermaid-svg-QbmOdzy21pUGbXsO .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-QbmOdzy21pUGbXsO .icon-shape .label rect,#mermaid-svg-QbmOdzy21pUGbXsO .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-QbmOdzy21pUGbXsO .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-QbmOdzy21pUGbXsO .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-QbmOdzy21pUGbXsO :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 底层技术底座
Web框架: Python3.11 + Django4.2
爬虫核心: requests + BeautifulSoup4
定时任务: Celery+Redis
前端可视化: ECharts
数据缓存: Redis
数据存储: MySQL
安全处理: UA伪装 + 频率限制
用户交互页面层
路由视图处理层
爬虫数据抓取层
数据清洗过滤层
MySQL数据持久层
ECharts可视化层
定时自动刷新层

3.2 技术栈详细清单

技术组件 具体实现 主要作用
后端框架 Python 3.11、Django 4.2 原生MVT架构，开发部署零门槛
爬虫工具 requests、bs4、json 接口请求与结构化数据解析
定时调度 Celery 5.2 + Redis 实现每日自动更新天气数据
数据可视化 ECharts 多维度展示气象变化趋势
缓存优化 Redis 缓存高频访问城市天气，降低接口请求次数
辅助工具 time、pytz 时区校准，避免气象时间偏差
权限控制 Django原生登录鉴权 仅登录用户可使用收藏功能

四、核心功能模块详解

4.1 城市天气爬虫抓取模块

功能特性
  • 数据抓取范围：实时温度、体感温度、风力风向、空气湿度、气压、能见度、天气状况
  • 预报数据同步：未来7天日间夜间温度、天气类型、风力变化数据
  • 反爬机制规避：浏览器UA请求头伪装、请求间隔设置、单IP请求频率限制
  • 数据清洗处理：自动过滤无用冗余字段，统一温度、时间格式，适配前端展示
技术实现要点
python 复制代码 
# 请求头伪装示例
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
    "Accept": "application/json",
    "Accept-Language": "zh-CN,zh;q=0.9"
}

4.2 城市搜索与收藏管理模块

搜索功能
  • 模糊搜索支持：支持输入城市全称/简称，智能匹配对应城市气象数据
  • 实时搜索反馈：输入过程中实时显示匹配结果，提升搜索效率
收藏管理
  • 个人收藏夹：登录用户可添加常用城市至个人收藏，首页一键点击切换查看
  • 权限隔离机制：不同用户收藏数据相互隔离，确保数据隐私安全
  • 批量操作支持：支持单条删除与批量清空收藏列表两种操作方式

4.3 天气数据可视化图表模块

图表类型与作用

  1. 7日气温折线图

    • 展示日间最高温、夜间最低温变化曲线
    • 直观查看降温升温趋势，辅助穿衣决策

  2. 湿度变化曲线图

    • 展示一周空气湿度波动情况
    • 辅助判断潮湿、干燥天气，提醒防潮防燥

  3. 风力风向柱状图

    • 可视化展示每日风力等级
    • 方便出行防风参考，特别适合户外活动规划

  4. 天气状况图标系统

    • 晴天、雨天、多云、雪天匹配对应图标
    • 提升页面视觉体验，信息传达更直观

4.4 Celery定时自动更新模块

定时任务配置
python 复制代码 
# Celery定时任务配置示例
from celery.schedules import crontab

CELERY_BEAT_SCHEDULE = {
    'refresh-weather-every-day': {
        'task': 'weather.tasks.auto_refresh_all_city_weather',
        'schedule': crontab(hour=2, minute=0),  # 每日凌晨2点执行
    },
}
核心功能特性
  • 无人值守更新：每日凌晨2点自动爬取全网所有已收录城市最新天气数据
  • 缓存智能刷新：同步清理Redis过期天气缓存，保证页面展示最新数据
  • 异常重试机制：爬虫请求失败自动重试2次，保障网络波动场景下的数据更新
  • 运行日志留存：后台记录每一次自动爬取时间、成功城市数量、失败城市数量

4.5 历史天气数据回溯模块

数据留存机制
  • 每日快照存储：系统自动留存当日天气完整快照
  • 多维度数据记录：温度、湿度、风力、天气状况等全方位记录
查询功能
  • 日期选择查询：支持用户选择过往日期，回看历史气象数据
  • 数据对比分析：支持多日期数据对比，查看气温变化趋势
  • 月度统计报表：生成月度平均气温、降雨天数统计图表

4.6 后台城市管理模块

管理员功能
  • 城市数据管理：自主新增、编辑、删除城市数据
  • 手动数据刷新：一键触发全站天气数据刷新
  • 运行日志查看：实时查看爬虫运行日志，快速排查问题
  • 系统状态监控：监控接口请求成功率、数据完整性等关键指标

五、项目创新价值与核心亮点

5.1 用户体验优化

  • 纯净无广告界面：自研网页无任何广告、资讯推送、弹窗干扰，专注天气查询核心功能
  • 极速页面加载：Redis缓存优化+前端资源压缩，页面打开速度远快于第三方天气网页

5.2 技术实现创新

  • 爬虫与Web深度整合：将爬虫后端与网页可视化有机结合，实现爬虫项目真正网页化落地
  • 全自动化数据更新：依托Celery实现全自动无人值守更新，用户无需关心底层爬虫逻辑
  • 多维度数据可视化：通过折线图、柱状图等可视化手段，将枯燥文本数据转化为直观图表

5.3 成本与实用性

  • 零成本运营：全程使用免费公开气象接口，无需付费调用第三方天气API
  • 高实用性设计：从个人使用到团队协作，满足不同场景下的天气查询需求
  • 易部署易维护：提供Docker容器化部署方案，一键启动，降低运维门槛

六、应用场景与落地价值

6.1 个人使用场景

  • 日常出行助手：本地或内网部署，作为个人专属无广告天气查询页面
  • 户外活动规划：结合历史天气数据，科学规划户外活动时间

6.2 团队协作场景

  • 校园气象看板：部署在校内服务器，作为公共气象大屏供师生使用
  • 企业内网服务：公司内部部署，为员工提供统一的天气查询服务
  • 农业气象参考：为农业生产提供历史天气数据分析和趋势预测

6.3 学习与教学价值

  • 全栈开发实战：融合爬虫、定时任务、数据可视化三大热门后端技能
  • Django进阶学习：涵盖MVT架构、Celery异步任务、Redis缓存等核心知识点
  • 简历项目亮点：区别于常规业务管理系统，项目辨识度高，技术栈全面

七、完整代码实现与部署

7.1 项目目录结构

复制代码 
django-weather-crawl/
├── manage.py
├── weather_project/              # 项目全局配置目录
│   ├── settings.py               # Celery、Redis缓存、爬虫请求全局配置
│   ├── urls.py                   # 前端页面与接口路由分发
│   └── celery.py                 # 每日天气自动更新定时任务配置
├── apps/                         # 模块化业务应用拆分
│   ├── user_account/             # 用户登录、个人收藏管理模块
│   ├── city_manage/              # 城市基础信息、后台城市管理模块
│   ├── weather_crawl/            # 爬虫核心、数据清洗、接口请求模块
│   ├── weather_show/             # 天气页面渲染、ECharts图表数据封装模块
│   └── history_weather/          # 历史天气存储、历史数据查询模块
├── core/                         # 公共工具类封装
│   ├── crawl_tool.py             # 天气爬虫核心请求工具类
│   ├── data_clean.py             # 气象数据格式化清洗工具
│   ├── weather_task.py           # Celery定时自动爬取任务
│   └── ua_pool.py                # 爬虫请求头UA池，提升反爬能力
├── static/                       # ECharts图表、天气图标静态资源
├── templates/                    # 天气首页、详情页、收藏页前端模板
├── requirements.txt              # Python爬虫+Django全套依赖清单
└── docker-compose.yml            # 一键容器化部署脚本

7.2 核心代码实现

7.2.1 天气爬虫核心工具类
python 复制代码 
# core/crawl_tool.py
import requests
import json
import time
from typing import Optional, Dict
from core.ua_pool import get_random_ua

# 免费公开天气API地址
WEATHER_API_URL = "https://v0.yiketianqi.com/free/day"

class WeatherCrawlTool:
    """天气数据爬虫工具类 - 负责与第三方天气API交互"""
    
    @staticmethod
    def get_city_weather(city_name: str) -> Optional[Dict]:
        """
        根据城市名爬取实时天气+7日预报数据
        
        Args:
            city_name: 城市名称，支持中文城市名
            
        Returns:
            结构化天气字典数据，包含实时天气和7日预报
            如果请求失败返回None
        """
        headers = {
            "User-Agent": get_random_ua(),
            "Accept": "application/json",
            "Accept-Language": "zh-CN,zh;q=0.9"
        }
        
        params = {
            "appid": "demo",      # 实际使用时替换为申请的appid
            "appsecret": "demo",  # 实际使用时替换为对应的appsecret
            "city": city_name,
            "version": "v9"
        }
        
        try:
            # 添加请求延迟，避免触发反爬机制
            time.sleep(0.5)
            
            # 发起接口请求，设置超时时间
            response = requests.get(
                WEATHER_API_URL, 
                headers=headers, 
                params=params, 
                timeout=10
            )
            
            # 状态码检查
            if response.status_code != 200:
                print(f"【HTTP错误】城市：{city_name}，状态码：{response.status_code}")
                return None
                
            # 解析JSON响应
            res_data = json.loads(response.text)
            
            # 业务状态码检查
            if res_data.get("code") != 0:
                print(f"【业务错误】城市：{city_name}，错误信息：{res_data.get('msg')}")
                return None
                
            return res_data
            
        except requests.exceptions.Timeout:
            print(f"【请求超时】城市：{city_name}，接口响应超时")
            return None
        except requests.exceptions.ConnectionError:
            print(f"【连接错误】城市：{city_name}，网络连接异常")
            return None
        except json.JSONDecodeError:
            print(f"【JSON解析错误】城市：{city_name}，响应数据格式异常")
            return None
        except Exception as e:
            print(f"【未知错误】城市：{city_name}，错误信息：{str(e)}")
            return None
7.2.2 天气数据模型设计
python 复制代码 
# apps/weather_crawl/models.py
from django.db import models
from django.utils import timezone
from apps.city_manage.models import City

class RealTimeWeather(models.Model):
    """实时天气数据表 - 存储当前时刻的天气信息"""
    
    city = models.ForeignKey(
        City, 
        on_delete=models.CASCADE, 
        verbose_name="关联城市",
        related_name="realtime_weather"
    )
    
    date = models.CharField(max_length=20, verbose_name="查询日期")
    week = models.CharField(max_length=10, verbose_name="星期")
    wea = models.CharField(max_length=20, verbose_name="天气状况")
    tem_now = models.CharField(max_length=10, verbose_name="当前温度")
    tem_day = models.CharField(max_length=10, verbose_name="日间最高温")
    tem_night = models.CharField(max_length=10, verbose_name="夜间最低温")
    win = models.CharField(max_length=30, verbose_name="风力风向")
    humidity = models.CharField(max_length=10, verbose_name="空气湿度")
    pressure = models.CharField(max_length=10, verbose_name="气压", default="1013")
    visibility = models.CharField(max_length=10, verbose_name="能见度", default="10")
    update_time = models.DateTimeField(default=timezone.now, verbose_name="数据更新时间")
    
    class Meta:
        verbose_name = "实时天气数据"
        verbose_name_plural = verbose_name
        ordering = ["-update_time"]
        indexes = [
            models.Index(fields=['city', 'date']),
            models.Index(fields=['update_time']),
        ]
    
    def __str__(self):
        return f"{self.city.city_name} - {self.date} - {self.wea}"

class WeekWeather(models.Model):
    """七日天气预报数据表 - 存储未来7天的天气预报"""
    
    city = models.ForeignKey(
        City, 
        on_delete=models.CASCADE, 
        verbose_name="关联城市",
        related_name="week_weather"
    )
    
    forecast_date = models.CharField(max_length=20, verbose_name="预报日期")
    forecast_wea = models.CharField(max_length=20, verbose_name="预报天气")
    forecast_tem_day = models.CharField(max_length=10, verbose_name="日间温度")
    forecast_tem_night = models.CharField(max_length=10, verbose_name="夜间温度")
    forecast_win = models.CharField(max_length=30, verbose_name="预报风力")
    forecast_humidity = models.CharField(max_length=10, verbose_name="预报湿度", default="60")
    create_time = models.DateTimeField(auto_now_add=True, verbose_name="数据录入时间")
    
    class Meta:
        verbose_name = "七日天气预报"
        verbose_name_plural = verbose_name
        ordering = ["city", "forecast_date"]
        unique_together = ['city', 'forecast_date']
7.2.3 Celery每日凌晨自动更新天气定时任务
python 复制代码 
# apps/weather_crawl/celery_tasks.py
from celery import shared_task
from apps.city_manage.models import City
from core.crawl_tool import WeatherCrawlTool
from core.data_clean import clean_weather_data

@shared_task
def auto_refresh_all_city_weather():
    """每日凌晨定时任务：自动刷新全城市天气数据"""
    # 获取系统内所有收录城市
    city_list = City.objects.all()
    success_count = 0
    fail_count = 0

    for city in city_list:
        # 爬虫获取原始天气数据
        raw_data = WeatherCrawlTool.get_city_weather(city.city_name)
        if not raw_data:
            fail_count += 1
            continue
        # 清洗并入库天气数据
        clean_weather_data(city.id, raw_data)
        success_count += 1

    # 返回本次定时任务执行结果
    return {
        "total_city": city_list.count(),
        "success_refresh": success_count,
        "fail_refresh": fail_count,
        "task_status": "finished"
    }

八、总结与展望

本篇博客全新切入Python爬虫+Django网页可视化 赛道，弥补了之前专栏缺少爬虫实战项目的空白，依托免费公开天气接口，从零实现自动化天气爬虫、网页展示、图表可视化、定时自动更新全套功能，全程无付费接口、无复杂第三方依赖，新手极易上手。

项目融合爬虫反爬处理、Django模型设计、Celery定时任务、Redis缓存优化、ECharts前端图表渲染、用户收藏权限隔离六大核心知识点，区别于常规业务管理系统，兼具爬虫脚本能力与Web项目落地能力，作为简历项目辨识度极高，同时和专栏过往8个项目场景、代码完全无重复。

后续迭代规划

  1. 新增天气预警推送功能，暴雨、大风、寒潮恶劣天气自动站内消息提醒；
  2. 增加生活指数推荐，根据天气自动推送穿衣、洗车、运动、出行建议；
  3. 接入IP自动定位，用户打开页面自动获取本地城市天气，无需手动搜索；
  4. 增加月度天气统计报表，生成月度平均气温、降雨天数统计图表。
相关推荐
lqjun08271 小时前
PyTorch梯度计算
人工智能·pytorch·python
词元Max1 小时前
3.1 Agent开发需要懂多少数学？
人工智能·python
许彰午1 小时前
06_Java面向对象入门
java·开发语言·python
ZHW_AI课题组1 小时前
使用 Rectified Flow 和 Diffusion Transformer实现 MNIST 手写数字图像生成
人工智能·python·机器学习
Royzst1 小时前
一、IO 概述
开发语言·python
Omics Pro1 小时前
P4医学４大支柱需绑定４大数字技术才可落地
人工智能·python·算法·机器学习·plotly
海鸥-w1 小时前
前端学习python第三天笔记整理（list 列表,str字符串,tuple元组,set集合,dect,函数，类型注解）
前端·python·学习
机器学习是魔鬼1 小时前
在矩池云上开箱即用Energy Forecasting：能源电力电价预测实战指南
人工智能·python·机器学习
想要成为糕糕手1 小时前
从Python基础到LLM接口实战：在Notebook上实现AI自动生成亚马逊电商文案
python·openai
热门推荐
01GitHub 镜像站点022026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf03【AI】2026 年具身智能模型和世界模型总结04【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法05Codex 下载安装指南：Windows 和 macOS 官方版下载06裂开！ChatGPT 居然开始要手机号验证，附详细解决方法07CC-Switch & Claude 基于 Linux 服务器安装使用指南08Codex 接入 DeepSeek API 完整配置文档09几个好用的ip纯净度检测网站10CC-Switch 下载、安装与使用配置指南【2026.5.29】