| Day 30 | 综合项目：天气数据综合分析 + 30 天复盘

1 阶段知识串讲 —— 把 Day 22~30 串成一张网

是什么？为什么学？

今天是收官日，不学新知识——把 30 天学的所有东西组装成一辆能跑的车：从网络拿数据（Day 26/27）、用表格分析（Day 22/23）、画图（Day 25）、存数据库（Day 28）、做成网页（Day 29）。做完这个项目，你就从”会写脚本”升级成”能独立交付一个小产品”了。如果中间卡住，回头翻对应天数的文档，这本身就是复盘。

底层原理

一句话串法：NumPy 打底 → Pandas 管表 → 数据清洗保质量 → matplotlib 出图 → 爬虫取网页数据 → API 调服务数据 → SQLite 落地存储 → Flask 展示成网页。阶段知识地图：

Day 22  NumPy（数组与向量化运算）────────────┐
Day 23  Pandas（DataFrame 表格分析）──────────┤
Day 24  数据清洗（缺失值/重复值/类型转换）──────┤
Day 25  matplotlib（折线/柱状/散点/饼图）──────┤
Day 26  爬虫（requests + BeautifulSoup）──────┤
Day 27  Web API（GET/POST/JSON 调用）─────────┤
Day 28  SQLite（建表/CRUD/事务/防注入）────────┤
Day 29  Flask（路由/模板/表单/JSON 接口）──────┤
                                        └──→ 综合项目：天气数据综合分析

天气项目把这八样按流水线顺序组装：API 拿数据（Day 27）→ Pandas 分析（Day 23/24）→ 画图（Day 25）→ 入库（Day 28）→ 网页展示（Day 29）——每一步都在用前面某天的知识，缺一环整条链就断。

生活类比

像做一道完整的菜：买菜（API 取数据）→ 洗菜切菜（Pandas 分析）→ 摆盘（matplotlib 画图）→ 放冰箱冷藏（SQLite 存储）→ 端上桌（Flask 展示）。少了任何一环，这道菜都端不上来。

注意事项总结

每个知识点在本项目里干什么：

**NumPy（Day 22）——数值计算的”引擎”**：Pandas 的底层就是 NumPy——df["tmax"] 取出的每一列本质是 NumPy 数组；df["tmax"].mean()、idxmax() 这些统计背后都是 NumPy 在算。你直接写 NumPy 的地方不多，但它支撑着上面所有的分析。
Pandas（Day 23）——分析的主战场：pd.DataFrame(data) 把天气数据装进表格；df.shape 看形状、df.head(3) 看样例、describe() 出统计、df.loc[df["tmax"].idxmax()] 找最热一天、nlargest(3, "rain") 找降雨前三。
数据清洗（Day 24）——保证数据质量：resp.raise_for_status() 拦截失败请求、describe() 函数翻译天气代码、INSERT OR IGNORE 去重。真实项目里 80% 的时间在清洗数据。
matplotlib（Day 25）——把数字变成图形：charts.py 生成温度折线图和降水柱状图；plt.xticks(rotation=30) 防日期重叠、tight_layout 防裁切、savefig 存 PNG、close 释放内存。
爬虫（Day 26）——从网页拿数据：项目用官方 API，但合规意识和错误处理仍然适用——timeout=10 防卡死、raise_for_status() 检查状态、不频繁请求。
Web API（Day 27）——和服务器对话：**这是项目的”水源”**——weather_data.py 用 requests.get + params 发请求，resp.json()["daily"] 取出数据，zip 打包成列表。没有这一步，后面全部是空谈。
SQLite（Day 28）——数据的”仓库”：date 做主键、INSERT OR IGNORE 保证同一日期只存一次（幂等：跑两次第二次新增 0 条）；load_weather() 读回数据供网页展示；全程参数化查询。
Flask（Day 29）——把成果展示出去：/ 路由跑一遍完整流水线，把统计结果传给 report.html 渲染；summary["table"] 用 {% for %} 循环渲染成表格；图片从 /static/ 提供。

项目拆解：五步流水线 → 知识点对照

环节	文件	用到的知识点	来自哪几天	在本项目中的作用
1. 数据获取	`weather_data.py`	requests、params、JSON 解析、状态码、函数	Day 27 / 8 / 13	从 Open-Meteo 拿到北京 7 天天气，翻译天气代码
2. 数据分析	`analysis.py`	DataFrame、describe、loc、idxmax、nlargest	Day 23 / 22	统计、找最热一天、降雨前三、平均温度
3. 可视化	`charts.py`	plot、bar、savefig、close、中文字体	Day 25	生成温度折线图和降水柱状图 PNG
4. 数据存储	`database.py`	建表、INSERT OR IGNORE、主键、参数化查询、事务	Day 28	数据入库且同日期去重（幂等），可反复运行
5. 网页展示	`app.py` + `report.html`	路由、render_template、Jinja2 循环、static	Day 29 / 18	把分析结果 + 图表渲染成浏览器报告页

观察这张表：项目的「数据能力」来自 Day 22~28，项目的「出口」来自 Day 29。能讲清这张表，你就真正学会了这 30 天。

易错点

错误写法：一口气写完五个文件再运行 → 问题：出问题范围大、难定位 → 正确写法：每完成一个环节就运行一次、验证一次（小步迭代）。
错误写法：找最大值用 df[df["tmax"].max()] → 问题：拿”最大值”去和整列比较，条件永远不成立，返回空 → 正确写法：df.loc[df["tmax"].idxmax()]（idxmax 找行号 + loc 取整行）。
错误写法：每刷新一次页面就请求一次外部 API → 问题：慢、费流量、有频率限制，可能 502 → 正确写法：优先从数据库读，没有数据才请求 API 并入库（缓存思路）。

记忆口诀：取数分析画出图，入库展示五步走；一环扣一环，缺一就断链。

2 第 1 步：数据获取（weather_data.py）

是什么？为什么学？

用 Open-Meteo 拿北京 7 天的最高温、最低温、降水、天气代码，返回成列表。这是项目的”水源”——没有这一步，后面全部是空谈。

底层原理

requests.get + params 把经纬度、天数、需要的气象字段发给 Open-Meteo 官方 API；resp.raise_for_status() 拦截失败请求；resp.json()["daily"] 取出 7 天的温度、降水、天气代码；zip 把多个列表打包成一条条记录。

代码演示

# weather_data.py —— 从 Open-Meteo 获取北京 7 天天气
import requests

# 北京经纬度
BEIJING = (39.9042, 116.4074)

def fetch_weather(days=7):
    """返回 [{date, tmax, tmin, rain, code}, ...] 列表"""
    params = {
        "latitude": BEIJING[0],
        "longitude": BEIJING[1],
        "daily": ("temperature_2m_max,temperature_2m_min,"
                  "precipitation_sum,weather_code"),
        "timezone": "Asia/Shanghai",
        "forecast_days": days,
    }
    resp = requests.get("https://api.open-meteo.com/v1/forecast",
                        params=params, timeout=10)
    resp.raise_for_status()
    daily = resp.json()["daily"]

    # weather_code：0 晴，1~3 多云/阴，51+ 雨，71+ 雪（Open-Meteo 官方编码）
    def describe(code):
        if code == 0:
            return "晴"
        if code in (1, 2, 3):
            return "多云"
        if 51 <= code <= 67:
            return "雨"
        if 71 <= code <= 86:
            return "雪"
        return "其它"

    result = []
    for d, tmax, tmin, rain, code in zip(
            daily["time"], daily["temperature_2m_max"],
            daily["temperature_2m_min"], daily["precipitation_sum"],
            daily["weather_code"]):
        result.append({
            "date": d,
            "tmax": tmax,
            "tmin": tmin,
            "rain": rain,
            "weather": describe(code),
        })
    return result

if __name__ == "__main__":
    data = fetch_weather()
    for item in data:
        print(item)

运行结果（示例，数据随当天变化）：

{'date': '2026-08-04', 'tmax': 34.1, 'tmin': 25.5, 'rain': 0.4, 'weather': '雨'}
{'date': '2026-08-05', 'tmax': 37.2, 'tmin': 25.6, 'rain': 0.0, 'weather': '多云'}
...

注意事项总结：weather_code 是 Open-Meteo 官方天气代码，在 describe 函数里翻译成中文——数据在源头清理好，下游全都省事（Day 24 数据清洗的核心思路 + Day 15 单一职责）。运行成功说明第 1 步完成。

易错点

错误写法：不设 timeout → 问题：网络卡住时程序无限等待 → 正确写法：requests.get(..., timeout=10)。
错误写法：不检查状态码直接 resp.json() → 问题：请求失败时解析报错 → 正确写法：先 resp.raise_for_status()。
错误写法：天气代码不翻译直接存 → 问题：下游每个环节都要自己翻译一遍 → 正确写法：fetch_weather 返回时已带中文 weather 字段。

记忆口诀：源头先把数据清，下游全都省力气；代码翻译放一处，处处都不用再译。

3 第 2 步：数据分析（analysis.py）

是什么？为什么学？

把数据放进 Pandas DataFrame（Day 22/23 学的），做统计、排序、筛选。这是项目的”分析大脑”。

代码演示

# analysis.py —— 用 Pandas 分析天气数据
import pandas as pd
from weather_data import fetch_weather

def analyze(data):
    """把天气数据转成 DataFrame 并做统计"""
    df = pd.DataFrame(data)
    print("数据形状：", df.shape)
    print("\n前 3 行：")
    print(df.head(3))

    print("\n基本统计：")
    print(df[["tmax", "tmin", "rain"]].describe())

    print("\n最热的一天：")
    hottest = df.loc[df["tmax"].idxmax()]
    print(f"{hottest['date']}，最高 {hottest['tmax']}℃")

    print("\n降雨最多的三天：")
    print(df.nlargest(3, "rain")[["date", "rain"]])

    print("\n平均温度（摄氏度，保留 1 位）：")
    avg = (df["tmax"] + df["tmin"]) / 2
    print(round(avg.mean(), 1))

    return df

if __name__ == "__main__":
    df = analyze(fetch_weather())

运行结果（示例，数据随当天变化）：

数据形状： (7, 5)

前 3 行：
         date  tmax  tmin  rain weather
0  2026-08-04  34.1  25.5   0.4       雨
1  2026-08-05  37.2  25.6   0.0      多云
2  2026-08-06  39.3  27.6   0.0      多云
...
最热的一天：
2026-08-06，最高 39.3℃

注意事项总结：df.loc[df["tmax"].idxmax()] 是先找最大值的行号（idxmax），再用 loc 取那一行——Pandas 里最常用的”找极值”套路。describe() 出统计、nlargest(3, "rain") 找降雨前三、(df["tmax"] + df["tmin"]) / 2 是向量化计算平均温度。

易错点

错误写法：df[df["tmax"].max()] → 问题：拿”最大值 39.3″和整列比较，没有任何一行”等于”最大值本身，返回空 → 正确写法：df.loc[df["tmax"].idxmax()]（先找位置再取行）。
错误写法：忘了 round(avg.mean(), 1) → 问题：平均温度一长串小数 → 正确写法：保留 1 位小数展示。
错误写法：直接在 print 里反复算 df["tmax"].mean() → 问题：重复计算、代码啰嗦 → 正确写法：先用 avg = (df["tmax"] + df["tmin"]) / 2 存变量再用。

记忆口诀：找极值先 idxmax 定位，再用 loc 取整行；Pandas 套路记心头。

4 第 3 步：可视化（charts.py）

是什么？为什么学？

用 matplotlib 生成两张图：温度折线图、降水柱状图，保存成 PNG 供网页展示。图是给”人”看的，这一步让项目有了”门面”。

代码演示

# charts.py —— 生成天气图表
import matplotlib.pyplot as plt

# 中文字体设置（画图脚本必备，见 Day 25）
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False

def make_charts(df):
    """根据 DataFrame 生成两张图：temperature.png 和 rain.png"""
    dates = df["date"].tolist()

    # 图 1：最高/最低温折线图
    plt.figure(figsize=(8, 4))
    plt.plot(dates, df["tmax"], marker="o", label="最高温")
    plt.plot(dates, df["tmin"], marker="s", label="最低温")
    plt.title("北京未来 7 天温度走势")
    plt.xlabel("日期")
    plt.ylabel("温度（℃）")
    plt.legend()
    plt.grid(True, linestyle="--", alpha=0.5)
    plt.xticks(rotation=30)      # 日期斜着显示，避免重叠
    plt.tight_layout()
    plt.savefig("temperature.png", dpi=150)
    plt.close()                  # 关闭画布，释放内存

    # 图 2：降水量柱状图
    plt.figure(figsize=(8, 4))
    plt.bar(dates, df["rain"], color="steelblue")
    plt.title("北京未来 7 天降水量")
    plt.xlabel("日期")
    plt.ylabel("降水量（mm）")
    plt.xticks(rotation=30)
    plt.tight_layout()
    plt.savefig("rain.png", dpi=150)
    plt.close()

    print("已生成 temperature.png 和 rain.png")

if __name__ == "__main__":
    import pandas as pd
    from weather_data import fetch_weather
    make_charts(pd.DataFrame(fetch_weather()))

运行结果：

已生成 temperature.png 和 rain.png

注意事项总结：工程化注意——生成图表用 plt.close() 关闭画布，否则在脚本里多次 plt.figure() 会累计内存。图片保存在和 charts.py 相同的目录（project/backend/ 下），第 5 步的 Flask 直接引用（需挪到 static/）。

易错点

错误写法：画图脚本少了中文字体设置 → 问题：图表中文显示成方框 → 正确写法：开头加 plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]。
错误写法：plt.figure() 后不 plt.close() → 问题：多次画图内存累计 → 正确写法：savefig 后 plt.close()。
错误写法：日期标签横排 → 问题：7 个日期挤在一起看不清 → 正确写法：plt.xticks(rotation=30) 斜着显示 + tight_layout 防裁切。

记忆口诀：中文字体先设好，画完记得 close 掉；日期斜放不重叠，savefig 存图网页要。

5 第 4 步：数据存储（database.py）

是什么？为什么学？

把天气数据存进 SQLite，关键点：同一日期只存一次（重复入库会跳过）。用 Day 28 学的参数化查询和事务。这一步让数据”沉淀”下来，不依赖每次现抓。

代码演示

# database.py —— 天气数据存入 SQLite
import sqlite3

DB_FILE = "weather.db"

def init_db():
    conn = sqlite3.connect(DB_FILE)
    conn.execute("""
    CREATE TABLE IF NOT EXISTS daily_weather (
        date TEXT PRIMARY KEY,     -- 日期做主键，天然去重
        tmax REAL,
        tmin REAL,
        rain REAL,
        weather TEXT
    )
    """)
    conn.commit()
    conn.close()

def save_weather(data):
    """把天气数据写入数据库；同一日期已存在则跳过（INSERT OR IGNORE）"""
    conn = sqlite3.connect(DB_FILE)
    inserted = 0
    for item in data:
        cur = conn.execute(
            "INSERT OR IGNORE INTO daily_weather "
            "(date, tmax, tmin, rain, weather) VALUES (?, ?, ?, ?, ?)",
            (item["date"], item["tmax"], item["tmin"],
             item["rain"], item["weather"]),
        )
        inserted += cur.rowcount      # 0 表示已存在，跳过
    conn.commit()
    conn.close()
    return inserted

def load_weather():
    """从数据库读回全部数据（用于网页展示）"""
    conn = sqlite3.connect(DB_FILE)
    rows = conn.execute(
        "SELECT date, tmax, tmin, rain, weather "
        "FROM daily_weather ORDER BY date"
    ).fetchall()
    conn.close()
    return [
        {"date": r[0], "tmax": r[1], "tmin": r[2], "rain": r[3], "weather": r[4]}
        for r in rows
    ]

if __name__ == "__main__":
    from weather_data import fetch_weather
    init_db()
    new = save_weather(fetch_weather())
    print(f"新增 {new} 条（重复日期会自动跳过）")
    print("数据库中现有数据：")
    for row in load_weather():
        print(row)

运行结果（示例）：

新增 7 条（重复日期会自动跳过）
数据库中现有数据：
{'date': '2026-08-04', 'tmax': 34.1, 'tmin': 25.5, 'rain': 0.4, 'weather': '雨'}
...

注意事项总结：INSERT OR IGNORE 配合主键 date：日期已存在就忽略。再运行一次，新增是 0 条——这就是”幂等”，重复执行不产生副作用。相比每次先 SELECT 查重，这一行 SQL 更简洁可靠。全程参数化查询防注入 + commit() 事务。

易错点

错误写法：直接 INSERT 撞了主键 → 问题：报 sqlite3.IntegrityError: UNIQUE constraint failed → 正确写法：用 INSERT OR IGNORE，或先查重再插入。
错误写法：忘了 conn.commit() → 问题：数据没真正写入文件 → 正确写法：写操作后 conn.commit()。
错误写法：SQL 里字符串拼接 → 问题：SQL 注入风险 → 正确写法：一律 ? 占位 + 元组传参。

记忆口诀：主键天然去重，IGNORE 跳过重复；幂等跑两遍，新增仍是零。

6 第 5 步：网页展示（app.py + report.html）

是什么？为什么学？

最后用 Flask 把分析结果和两张图展示成网页（端口 2050）。这一步让整个项目的成果变成浏览器里的一页报告。

代码演示

# app.py —— Flask 展示天气分析报告
from flask import Flask, render_template
import pandas as pd
from weather_data import fetch_weather
from analysis import analyze
from charts import make_charts
from database import init_db, save_weather, load_weather

app = Flask(__name__)

def run_pipeline():
    """执行完整流水线：获取 -> 分析 -> 画图 -> 入库 -> 返回数据"""
    data = fetch_weather()
    df = analyze(data)
    make_charts(df)
    init_db()
    save_weather(data)
    return df

@app.route("/")
def report():
    # 首次访问自动跑一遍流水线；也可以改成从数据库读
    df = run_pipeline()

    hottest = df.loc[df["tmax"].idxmax()]
    avg_temp = round(((df["tmax"] + df["tmin"]) / 2).mean(), 1)
    total_rain = round(df["rain"].sum(), 1)

    summary = {
        "days": len(df),
        "avg_temp": avg_temp,
        "total_rain": total_rain,
        "hottest_date": hottest["date"],
        "hottest_max": hottest["tmax"],
        "table": df.to_dict("records"),   # DataFrame 转成列表给模板用
    }
    return render_template("report.html", summary=summary)

if __name__ == "__main__":
    app.run(host="127.0.0.1", port=2050, debug=True)

模板 templates/report.html 要点：数据卡片（平均温度 / 总降水量 / 最热一天）+ 每日天气明细表格（{% for row in summary["table"] %} 循环）+ 两张图（<img src="/static/temperature.png">）。

注意事项总结：Flask 默认从 static/ 目录提供图片，所以把两张图挪过去：

# 在 project/backend 下执行
mkdir static
move temperature.png rain.png static/

启动：

cd project/backend
python app.py

浏览器打开 http://127.0.0.1:2050/ 就能看到完整的分析报告。升级挑战：把 run_pipeline 改成”优先从数据库读，没有数据才去请求 API”；或加 ?city= 参数支持多个城市。

易错点

错误写法：图表保存后网页显示 404 → 问题：Flask 默认只从 static/ 目录提供静态文件，而图在根目录 → 正确写法：把 PNG 挪进 static/，模板路径写 /static/...。
错误写法：每次访问页面都请求外部 API → 问题：慢、费流量、可能 502 → 正确写法：优先 load_weather() 从数据库读，没有才请求并入库。
错误写法：move 命令在 PowerShell 不识别 → 问题：命令执行失败 → 正确写法：用 mv temperature.png rain.png static/（Git Bash）或直接在文件管理器拖动。

记忆口诀：静态图片放 static，网页才能找得到；数据先读库里存，省时省力不怕断。

7 30 天复盘清单 —— 查漏补缺

是什么？为什么学？

复盘是今天最重要的事：对照清单逐条打勾，勾不上的回去重看对应天数的文档。四个阶段的产出递进：阶段一「会写脚本」→ 阶段二「会封装模块」→ 阶段三「会设计类与用第三方库」→ 阶段四「能交付数据产品」。

注意事项总结

四个阶段自查清单：

语法基础（Day 1~7）：变量与类型转换、if / elif / else 与逻辑运算、for / while 循环与 break / continue、字符串方法、列表/元组/字典/集合的增删改查。
函数与进阶（Day 8~14）：函数定义与参数（默认值/关键字/可变）、模块与包（import、__main__）、文件读写与 CSV/JSON、异常处理（try / except / else / finally）、f-string。
面向对象与标准库（Day 15~21）：类与对象、__init__、实例/类/静态方法、继承封装多态、魔法方法、os/pathlib/datetime、pip install、列表推导式与生成器。
数据分析与实战（Day 22~30）：Pandas（DataFrame 创建、筛选/统计/排序）、matplotlib（四种图 + 保存）、requests + BeautifulSoup（爬数据 + 合规）、Web API（GET/POST/JSON）、SQLite（建表/CRUD/防注入/事务）、Flask（路由/模板/表单/JSON 接口）、综合项目全流程跑通。

易错点

错误写法：复盘只”看”不”动手” → 问题：眼睛会了手不会，勾上也没用 → 正确写法：勾不上的条目回去重做对应天数的练习。
错误写法：项目做不出来就硬扛今天 → 问题：浪费一天还打击信心 → 正确写法：项目做不出来往往不是今天的问题，而是前面某天的基础没打牢，回头翻对应天数的今日总结。
错误写法：以为”会做题”就是”能交付” → 问题：只懂知识不懂组装 → 正确写法：对照项目拆解表，能讲清每个环节用到了哪几天的哪些知识点。

记忆口诀：四个阶段递进走，脚本到产品一条线；勾不上的回去补，能讲清表才算完。

8 后续进阶路线 —— 30 天只是起点

是什么？为什么学？

30 天只是起点。按兴趣选一个方向深入，每个方向都给出先学什么、再做什么。

注意事项总结

五个方向：

方向一：自动化办公 —— 学习 openpyxl（Excel）、python-docx（Word）、PyPDF2（PDF）、smtplib（邮件）；练手批量整理成绩单、自动生成周报、批量重命名文件。
方向二：数据分析 —— 学习 Pandas 进阶（groupby / merge / 透视表）、matplotlib + seaborn、numpy；练手分析 Kaggle 真实数据集，出可视化报告。
方向三：Web 开发 —— 学习 Flask 进阶（ORM SQLAlchemy、用户登录、部署）或 Django；练手把 day29 天气网页升级成”用户系统 + 收藏城市”并部署。
方向四：爬虫 —— 学习 scrapy 框架、Selenium（动态网页）、反爬应对与合规边界；练手爬公开资讯站点的分类列表（务必遵守 robots.txt）。
方向五：人工智能 —— 前置 Python + numpy 矩阵运算 + 数学基础（线性代数、概率论）；学习 scikit-learn、pytorch；练手房价预测、手写数字识别（MNIST）。

通用建议：

项目驱动：每学一个新库，立刻做一个能跑的小项目，别只看文档。
Git 与代码托管：把代码放到 GitHub，养成版本管理习惯（找一天补上 Git）。
坚持写代码：每天至少 30 分钟，算法题网站（LeetCode 简单题）练手感。
学会提问：报错先自己搜（复制报错信息到搜索引擎），搜不到再问人。
写博客记录：把学到的写成笔记，输出是最好的巩固。

易错点

错误写法：五个方向全都想学 → 问题：贪多嚼不烂，一个都学不深 → 正确写法：按兴趣和职业方向选一个，先学进去再扩展。
错误写法：学新库只看文档不写代码 → 问题：看完就忘 → 正确写法：项目驱动，学一个做一个能跑的小项目。
错误写法：AI 方向基础没打牢就硬上 → 问题：数学和矩阵不过关，代码全是抄 → 正确写法：先补 NumPy 和数学基础再进 AI。

记忆口诀：三十天是起点不是终点，选一个方向深挖；项目驱动写博客，每天半小时练手。

今日总结

把 30 天学的知识组装成五步流水线：API 获取 → Pandas 分析 → matplotlib 可视化 → SQLite 存储 → Flask 展示，五个环节全部跑通每个环节独立成文件（weather_data / analysis / charts / database / app），每步都能单独运行验证（if __name__ == "__main__"）阶段知识地图：NumPy 打底 → Pandas 管表 → 数据清洗保质量 → matplotlib 出图 → 爬虫取网页 → API 调服务 → SQLite 落地 → Flask 展示，一环扣一环幂等入库：INSERT OR IGNORE + 主键去重，重复运行新增 0 条图表 404 排查：Flask 静态文件必须在 static/ 目录网页 http://127.0.0.1:2050/ 展示完整分析报告（数据卡片 + 明细表格 + 两张图） 30 天复盘清单查漏补缺：四个阶段（语法基础 / 函数进阶 / 面向对象 / 数据分析实战）逐项打勾选定一个进阶方向：自动化办公 / 数据分析 / Web 开发 / 爬虫 / AI，写下下一步学习计划

报错	原因	修复
`ModuleNotFoundError: No module named 'pandas'`	没安装 Pandas	`pip install pandas`（第 2 步需要）
网页上图片不显示（404）	图片没在 `static/` 目录，或路径不对	确认 `project/backend/static/temperature.png` 存在，模板路径写 `/static/...`
页面访问很慢或报 502	每次访问都请求 Open-Meteo，网络慢或失败	改成”数据库有数据就不请求 API”；加 `timeout`
图表中文显示成方框	画图脚本少了中文字体设置	在 `charts.py` 开头加 `plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]`
`sqlite3.IntegrityError: UNIQUE constraint failed`	直接 INSERT 撞了主键	用 `INSERT OR IGNORE`，或先查重再插入
导入自己写的模块报错（No module named ‘weather_data’）	运行目录不对	在 `project/backend` 目录下运行 `python app.py`，让脚本和模块在同一目录

1 阶段知识串讲 —— 把 Day 22~30 串成一张网

2 第 1 步：数据获取（weather_data.py）

3 第 2 步：数据分析（analysis.py）

4 第 3 步：可视化（charts.py）

5 第 4 步：数据存储（database.py）

6 第 5 步：网页展示（app.py + report.html）

7 30 天复盘清单 —— 查漏补缺

8 后续进阶路线 —— 30 天只是起点

发送评论 编辑评论

发送评论编辑评论