学习编程语言、开发工具与工程实践，按技术专题查阅原创教程、可运行示例和常见问题。
本篇是"常见报错与排查"三部曲的终章，也是整个系列的**重点篇**。前两章解决"代码直接抛错"的问题，本篇解决两类更棘手的问题：**① 性能与内存类问题**（不抛错，但慢到怀疑人生、或直接 OOM 被杀）；**② 一套可迁移的报错排查方法论**——无论你下次遇到的是 KeyError、TypeError 还是一个诡异的 NaN，都能按同一套流程定位。前置知识：[第 16 章](16-性能优化与实战案例.md)性能优化总原则、[第 23 章](23-向量化性能优化大全.md)向量化技巧、[第 43 章](43-常见报错与排查大全（一）：文件读取与索引类报错.md)与[第 44 章](44-常见报错与排查大全（二）：类型与运算类报错.md)。学完后你能做到：看到慢/卡/被杀不再抓瞎，按流程图一步步定位瓶颈。
本篇是"常见报错与排查大全"的第二篇，专攻两类最折磨人的报错——**类型类**（TypeError / ValueError / dtype 不匹配）和**运算与比较类**（NaN 比较失效、浮点精度、布尔位运算混用、inplace 误用、GroupBy.apply 形状异常、concat 后列退化为 object）。前置知识：[第 7 章](07-缺失值与重复值处理.md)的缺失值机制、[第 8 章](08-数据类型与转换.md)的 dtype 转换、[第 13 章](13-分组聚合：groupby.md)的 groupby 用法。学完后你看到任何 TypeError / ValueError 都能在 30 秒内定位到是"类型不对"还是"运算不对"，并立刻给出修复代码。
本篇是 pandas 系列第一个"报错排查"专题，聚焦两类最高频的报错——**文件读取类**（FileNotFoundError、UnicodeDecodeError、ParserError、EmptyDataError、缺 openpyxl 等）和**索引类**（KeyError、IndexError、IndexingError、loc/iloc 用反、SettingWithCopyWarning 等）。前置知识：第 4 章（数据读取与写入）、第 6 章（数据选择与索引）、第 18 章（视图副本与 SettingWithCopyWarning）。学完后你看到任何一长串红色 traceback，都能在 30 秒内定位到"哪一行、为什么、怎么改"，不再靠"把代码删了重写一遍"碰运气。
本篇收官大厂面试专题，覆盖数据岗笔试和面试中最常被考察的两大能力：**SQL 与 pandas 双写对照**（SELECT/WHERE/GROUP BY/JOIN/WINDOW 一一对应）和**规模化与工程化素养**（分块处理、Parquet、DuckDB、SQL 预聚合、生产环境的常见坑）。前置知识：[第 40 章](40-大厂面试全流程与考察风格.md)的原理深挖与[第 41 章](41-大厂面试：业务指标与取数真题.md)的业务题。学完后你能做到"同一道题 SQL 和 pandas 都能写、数据大知道怎么办、生产环境不踩坑"。
本篇是大厂数据岗面试的"业务重头戏"：用 pandas 实现面试官最爱考的六类业务题——指标口径与计算（DAU/GMV/ARPU）、留存与漏斗、同比环比、AB 实验解读、异动归因、指标异动排查。每道题按"业务背景 → 题目 → 参考答案（带注释）→ 面试官追问"组织，并附指标口径速查表。前置知识：已掌握[第 30 章](30-pandas面试题精讲：基础篇.md)的 API 与[第 40 章](40-大厂面试全流程与考察风格.md)的流程框架。学完后你能在面试中熟练拆解业务指标并用 pandas 快速落地。
本篇聚焦一线互联网大厂数据岗（数据分析/数据开发/算法工程）的面试全流程：轮次拆解、考察矩阵、答题框架，以及最能拉开差距的"原理深挖"真题（merge 底层、groupby 性能、SettingWithCopyWarning 成因、OOM 应对、pandas 与 Spark 选型）。前置知识：已读完[第 30~32 章](30-pandas面试题精讲：基础篇.md)的面试精讲。学完后你能清楚大厂每轮考什么、考官在追问什么，并掌握一套可复用的答题模板。
本篇是案例分析系列的收官篇，用一份模拟的零售供应链数据走完"四表模拟（SKU 主数据 + 日销量 + 采购记录 + 库存快照）→ 库存现状诊断 → ABC 分类 → 需求预测（移动平均/指数平滑）→ 安全库存与补货点 → EOQ 经济订货量 → 可视化补货建议"的完整库存优化流程。前置知识：前面章节的分组聚合、时间序列重采样与透视表。学完后你能对一批 SKU 做库存健康诊断，并算出"什么时候补、补多少"，为供应链降本增效提供数据依据。
本篇是案例分析系列的第八篇，用一份模拟的电商用户数据走完"三表模拟（基础信息 + 行为日志 + 订单记录）→ 标签体系设计 → RFM 价值分群 → 行为特征聚合 → 画像标签宽表 → 可视化 → 差异化运营建议"的完整用户画像搭建流程。前置知识：[第 24 章](24-案例一：电商订单与销售分析.md)的分组聚合与 RFM、[第 25 章](25-案例二：用户留存Cohort分析.md)的同期群思路。学完后你能把零散的用户行为数据加工成一张"一人一行、标签齐全"的画像宽表，并据此设计召回与精细化运营策略。
# Flask从零到精通｜第4课：request对象、获取表单数据与文件上传。> 前置：路由、模板、Jinja2已经掌握。本节课核心：接收前端浏览器提交的数据。## 📖 本节课目标。1. 导入并掌握 `request` 对象。2. GET请求获取URL查询参数（`request.args`）。
# Flask从零到精通｜第3课：Jinja2模板引擎 + 静态资源（CSS/JS/图片）。>。> 前置：已掌握路由、url_for。之前我们都是直接返回字符串，真实网站页面是HTML，Flask内置Jinja2模板引擎用来渲染网页。## 📖 本节课目标。
