Ⅰ python 如何开发高效漂亮的轻量级 Web 应用
痛点
从我开始折腾数据分析工具的那一天，就没有想明白一件事儿 —— 我打算把数据分析的成果做成一个 Web 应用，为什么这么难？
我需要的核心功能，无非是在网页上接收用户输入，然后做分析处理，把分析结果反馈给用户，完事儿。
可是这谈何容易？
很多人都会微笑着告诉你，想做 Web 应用？这得学前端编程， HTML + Javascript 了解一下吧！
什么？你还需要在后台做数据分析？那你就得学 Web 框架了。
你说喜欢 Python ？那就学个 Django 或者 Flask 好了。
我也不是没有看过 Django 和 Flask 的教程，还曾经付费学习过。光是 Django 配置环境，就够写一章出来。
作为学习的中间成果，我还写了这篇《如何用 Python 做 Web 开发？——Django 环境配置》分享给你。
真正让我痛苦的，不是 Web 框架的操作有多么琐碎，而是教程里的案例，为什么都那么奇怪？
几乎所有的教程，都指向一个目标：
来，我教你做一个 blog 出来！
我用你教？！
我要是想用 blog ，可以直接注册一个免费的啊！为什么我要自己开发个 blog 出来？
为什么你就不能告诉我，该怎么把我目前的数据分析结果，迅速挪到 Web 页面上，跟用户实时交互？
虽然二者的结果，都是做一个 Web 应用出来。但是，它们关注的焦点，需要的功能，能一样吗？
但是人家写书和做教程的人，就是不疾不徐，坚持一定要教会你，如何做一个 blog 出来……
你不学，又能怎么办呢？你难道想只凭 Python 脚本，就做一个 Web 应用出来？
还真别说，最近，这个事儿从幻想，变成了现实。
样例
这不，我就用纯 Python 脚本写了个 Web 应用。
我编写的代码里，没有一丝半毫的 Web 框架，Javascript，甚至是 HTML 。
这玩意儿能用吗？
你自己来试试看。
请你打开浏览器，输入以下链接：https://helloworld-streamlit.herokuapp.com/
你会看到下面的初始化界面。
初始化完毕之后，页面会分成左右两栏。左面是两个下拉候选框，分别让你指定需要分析的数据范围。
上面一个，是事件类型；
下面一个，是事件发生归属地。
如果你看过我的文章《如何用 Python 和循环神经网络预测严重交通拥堵？》，应该对这个数据集很熟悉。
只不过，当时我们更注重的，是用循环神经网络搭建了一个严重拥堵事件预测模型。
而今天，我们是要进行探索性数据分析，也就是根据我们感兴趣的目标，对数据进行整理操作，然后可视化显示。
选定之后，你会看到右侧提示两个信息：
你筛选之后，数据框包含行数
在层叠地图上的可视化结果。
怎么样？
麻雀虽小，五脏俱全。
虽然咱们这个 Web 应用很简单，不过交互分析该有的功能和流程，基本上都涵盖了。
你可能会问：
王老师，编这么一个应用出来，不简单吧？
让我带你到幕后，看看是不是很复杂。
幕后
我把这个应用的全部源代码，都为你存储到了 Github 上。请你访问这个网址获取：https://github.com/wshuyi/demo-helloworld-streamlit
可以看到，一共包含了 4 个文件。
有意思的是，其中 3 个，包括：
Procfile
setup.sh
requirements.txt
都只是部署到远程服务器时，需要用到的配置文件而已。
也就是说，只有最后一个helloworld.py是主角，它包含了实现咱们全部交互式数据分析功能的 Python 脚本文件。
这代码，少说也得有几百行吧？
别担心，打开来看看：
上面这张截图，就已经包含了实现交互数据分析功能的全部代码。
神奇吧？
解读
这么短的代码，为什么能有如此强大的功能？
这是因为它背后使用的一个软件包，叫做streamlit。
它是干什么用的？
一言以蔽之，给你赋能，让你能够不去操心什么前端后端。只写 Python ，只关注功能，你就能写出一个交互式 Web 应用出来。
当然，既然最后是 Web 应用，那么实际上前后端的功能都是齐备的。
只不过，这些交由 Streamlit 来帮你费心操办。你根本不用管。
爆发
为什么会有人做了这么一款神器出来？
原因很简单，咱们前面提到的痛点，是大伙儿都有的。
咱们这些麻瓜（Muggle），遇到痛点只能忍着。
但是真正的魔法师（优秀程序员），是忍不了的。
在这段来自 PyData LA 2019 的视频里，Streamlit 的 CEO Adrien Treuille 谈及了他在数据智能企业中，长期遭遇的痛点。
最大的痛点，就是数据科学家训练好机器学习模型后，需要验证效果，和用户反馈沟通。
但是，做机器学习的工程师本身，并不掌握这一整套的工具栈。
所以，就得在把全部的数据分析和模型训练工作完成后，把这东西移交给一个工具制作团队。
人家做完以后，就告诉数据科学团队说，做好了。但是注意，现在处于需求冻结阶段。这个应用你们可以随便用，只是别乱改。改坏了我们管不了。因为最近两个月，我们还得给其他若干数据分析团队做 app 。大概几个月以后，我们又能回来帮助你们了……
Adrien Treuille 很敏锐地捕捉到了这个长期痛点，于是在 2018 年， 创立了 streamlit 。
目标很简单，给数据科学团队提供简单的工具，让他们使用已经掌握的 Python 编程技能，就能直接做 Web 应用。
什么 “等上两三个月不许改”？！你们自己慢慢儿玩儿去吧，我们想怎么改，就怎么改！
至于做出来的东西嘛，可以是这样的：
资源
看到这里，是不是心动了？也打算学习一下 Streamlit ？
没问题，我前面给你提供的样例，就在 github 上，你可以直接查看源码。
如果你希望重现这个小应用，并且一步步学习掌握 Streamlit 的基础知识和技能，我也已经为你写好了一份手把手的教程。地址在这里https://sspai.com/post/58474。
它不仅教你如何设置环境，安装工具，写作代码，甚至连如何免费部署到 heroku 平台，让用户使用，都毫无保留地教给了你。
那篇文章，我用于参加少数派年度征文活动，所以就不能全文展示在这里了。
读完以后，如果你觉得有收获，欢迎在少数派平台上帮我点个赞。谢谢支持！
思考
尝试过之后，你应该不难发现，Streamlit 给你带来了什么。
如果你学过 Javascript 和 Flask, Django 等 Web 应用开发技术，Streamlit 可以加快你的 Web 应用开发与测试进程。
如果你还没有学过上述技术， Streamlit 可以给你赋能，让你一下子有了把数据分析结果变成产品的能力。
给你讲点儿更激进的。
有人已经希望能用它替代掉 Flask 用于产品发布了。
还有人说，将来写技术文档，也应该充分使用 Streamlit 。
甚至，还把它比作了数据科学界的 iPhone 。
这里，它是借喻 iPhone 开启智能手机时代，说明 Streamlit 的划时代性。
我不希望你也变得如此激进。
因为这里提到的每一种功用，现在还都有非常专业的工具做的更好，而且新的工具也在不断涌现。
例如说，我们在多个教程中一直使用 Jupyter Notebook 。
现在凭借 Voila 扩展的加持，你也可以很轻松地把 Jupyter Notebook 变成 Web app ，而且可以免费运行在 mybinder 上面。
但是，你可以看到，一个新的工具，以一种简单，而不是更繁复的办法，解决一个功能痛点，是一件多么令人欣喜的事儿。
看了这篇文章，可能会给你一种误解，似乎 JavaScript 为代表的前端编程技术，再也不需要学了。
其实不是这样的。
可以想象，开发门槛降低以后，将来会有更多的人使用 Python 来做 Web 应用。
用 Streamlit 这样的方法，他们只是开发出了一个原型。
要是想打造精品，就必须精细调控很多细节。
这时候， 如果你精通 Javascript ，那你潜在的合作对象一下子就多了起来，你掌握的这门技术，也就有了更大的价值。
还记得吗？我不止一次给你强调过，比起一个工具自身的能力来，协作网络更重要。忘了的话，记得复习《学 Python ，能提升你的竞争力吗？》。
这就好像印刷术的发明，不是让会写字这件事儿变得失去价值，而是全社会都增大了对好作品的渴求。深刻的思考，加上有效的文字表达，会让你生存得更好。
当然，如果你不希望精通写作技艺，只是想做一个抄书匠糊口。那么印刷术就可能会替代你的工作，结果就不那么美妙了。
小结
这篇文章，我为你介绍了 Streamlit 这款有趣的工具。希望你读过之后，掌握了以下知识点：
借助 Streamlit ，你可以用纯 Python 编制 Web 应用；
学 Web 设计依然很有前途，因为你的潜在合作群体正在迅速扩大；
不要惹魔法师（优秀程序员）。他们的痛点需求会转化成无尽的战斗力，兴许会直接替掉你的日常工作。
更多Python知识，请关注：Python自学网！！
Ⅱ python堆和栈的区别有哪些
堆（Heap）与栈（Stack）是开发人员必须面对的两个概念，在理解这两个概念时，需要放到具体的场景下，因为不同场景下，堆与栈代表不同的含义。一般情况下，有两层含义：
（1）程序内存布局场景下，堆与栈表示的是两种内存管理方式；
（2）数据结构场景下，堆与栈表示两种常用的数据结构。
相关推荐：《Python教程》
堆与栈实际上是操作系统对进程占用的内存空间的两种管理方式，主要有如下几种区别：
（1）管理方式不同。栈由操作系统自动分配释放，无需我们手动控制；堆的申请和释放工作由程序员控制，容易产生内存泄漏；
（2）空间大小不同。每个进程拥有的栈的大小要远远小于堆的大小。理论上，程序员可申请的堆大小为虚拟内存的大小，进程栈的大小 64bits 的 Windows 默认 1MB，64bits 的 Linux 默认 10MB；
（3）生长方向不同。堆的生长方向向上，内存地址由低到高；栈的生长方向向下，内存地址由高到低。
（4）分配方式不同。堆都是动态分配的，没有静态分配的堆。栈有2种分配方式：静态分配和动态分配。静态分配是由操作系统完成的，比如局部变量的分配。动态分配由alloca函数进行分配，但是栈的动态分配和堆是不同的，他的动态分配是由操作系统进行释放，无需我们手工实现。
（5）分配效率不同。栈由操作系统自动分配，会在硬件层级对栈提供支持：分配专门的寄存器存放栈的地址，压栈出栈都有专门的指令执行，这就决定了栈的效率比较高。堆则是由C/C++提供的库函数或运算符来完成申请与管理，实现机制较为复杂，频繁的内存申请容易产生内存碎片。显然，堆的效率比栈要低得多。
（6）存放内容不同。栈存放的内容，函数返回地址、相关参数、局部变量和寄存器内容等。当主函数调用另外一个函数的时候，要对当前函数执行断点进行保存，需要使用栈来实现，首先入栈的是主函数下一条语句的地址，即扩展指针寄存器的内容（EIP），然后是当前栈帧的底部地址，即扩展基址指针寄存器内容（EBP），再然后是被调函数的实参等，一般情况下是按照从右向左的顺序入栈，之后是被调函数的局部变量，注意静态变量是存放在数据段或者BSS段，是不入栈的。出栈的顺序正好相反，最终栈顶指向主函数下一条语句的地址，主程序又从该地址开始执行。堆，一般情况堆顶使用一个字节的空间来存放堆的大小，而堆中具体存放内容是由程序员来填充的。
从以上可以看到，堆和栈相比，由于大量malloc()/free()或new/delete的使用，容易造成大量的内存碎片，并且可能引发用户态和核心态的切换，效率较低。栈相比于堆，在程序中应用较为广泛，最常见的是函数的调用过程由栈来实现，函数返回地址、EBP、实参和局部变量都采用栈的方式存放。虽然栈有众多的好处，但是由于和堆相比不是那么灵活，有时候分配大量的内存空间，主要还是用堆。
无论是堆还是栈，在内存使用时都要防止非法越界，越界导致的非法内存访问可能会摧毁程序的堆、栈数据，轻则导致程序运行处于不确定状态，获取不到预期结果，重则导致程序异常崩溃，这些都是我们编程时与内存打交道时应该注意的问题。
Ⅲ 学习Python应该掌握哪些知识点
阶段一：Python开发基础
Python全栈开发与人工智能之Python开发基础知识学习内容包括：Python基础语法、数据类型、字符编码、文件操作、函数、装饰器、迭代器、内置方法、常用模块等。
阶段二：Python高级编程和数据库开发
Python全栈开发与人工智能之Python高级编程和数据库开发知识学习内容包括：面向对象开发、Socket网络编程、线程、进程、队列、IO多路模型、Mysql数据库开发等。
阶段三：前端开发
Python全栈开发与人工智能之前端开发知识学习内容包括：Html、CSS、JavaScript开发、Jquery&bootstrap开发、前端框架VUE开发等。
阶段四：WEB框架开发
Python全栈开发与人工智能之WEB框架开发学习内容包括：Django框架基础、Django框架进阶、BBS+Blog实战项目开发、缓存和队列中间件、Flask框架学习、Tornado框架学习、Restful API等。
阶段五：爬虫开发
Python全栈开发与人工智能之爬虫开发学习内容包括：爬虫开发实战。
阶段六：全栈项目实战
Python全栈开发与人工智能之全栈项目实战学习内容包括：企业应用工具学习、CRM客户关系管理系统开发、路飞学城在线教育平台开发等。
阶段七：算法&设计模式
阶段八：数据分析
Python全栈开发与人工智能之数据分析学习内容包括：金融量化分析。
阶段九：机器学习、图像识别、NLP自然语言处理
Python全栈开发与人工智能之人工智能学习内容包括：机器学习、图形识别、人工智能玩具开发等。
阶段十：Linux系统&百万级并发架构解决方案
阶段十一：高并发语言GO开发
Python全栈开发与人工智能之高并发语言GO开发学习内容包括：GO语言基础、数据类型与文件IO操作、函数和面向对象、并发编程等。