来自一线开发者的实践、思考与复盘。
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。
本篇是案例系列的第七篇，用一份模拟的交易流水数据走完反欺诈建模全流程：数据模拟 → 欺诈占比与金额分布探索 → 金额/频次/时间窗口/设备地点特征工程 → 类别不平衡处理（class_weight 与 SMOTE）→ 逻辑回归与随机森林对比 → PR-AUC 与召回率评估 → 风控规则与阈值建议 → 结论与行动建议。前置知识：[第 36 章](36-pandas与sklearn建模完整流程.md)的 Pipeline 与评估指标。学完后你能独立做一份"能上线、可解释、不漏欺诈"的风控初版模型。
前置：已经完成第一课，成功跑通 Hello Flask 项目。本节课学习目标。掌握静态路由定义。学会 URL 动态传参（变量路由）。路由变量类型限制（int、string、path）。多路由绑定同一个视图函数。指定 HTTP 请求方法 GET / POST。url_for 反向构建URL。
# 第一课 复习+答疑。> 本节课目标：成功搭建虚拟环境，跑通 Hello Flask，理解基础代码含义。## 回顾操作清单。1. 新建项目文件夹 `flask-demo`，cd 进入目录。2. 创建虚拟环境。```bash。# Mac/Linux。python3 -m venv venv。# Windows。
Flask 从零到精通学习计划。> 学习模式：我们一节一节推进，每完成一节，你回复**下一步**，我再开启下一章。> 前置基础：你需要懂 Python 基础（变量、函数、类、模块、pip），不懂我们可以先补 Python。> 环境推荐：Mac / Windows / Linux，Python3.8+。
本篇把 pandas 从"数据处理"延伸到"机器学习建模"，给出一条"DataFrame 进、模型出"的完整可运行流水线：数据清洗 → 特征工程 → 划分训练/测试集 → 用 `ColumnTransformer + Pipeline` 把编码、缩放、模型串起来 → 训练预测 → 分类/回归评估 → 交叉验证 → 特征重要性 → 模型解释要点。前置知识：前面章节的 DataFrame 操作、[第 35 章](35-特征工程与数据预处理.md)的特征工程。学完后你能把任意一份表格数据喂给 sklearn，并避开"数据泄漏""列名丢失""流程割裂"这三个最常见的坑。
