尧图网站建设 
简介这份大数据课程设计资料包面向高校大数据、计算机相关专业学生及自学者帮助读者系统理解从数据采集、清洗到分析挖掘的完整流程并动手完成一个可落地的大数据项目。包内共4个文件以2个Python脚本为核心配合xlsx与xls两类表格数据压缩包约1.22MB脚本可用于数据读取、清洗与分析处理表格文件则提供业务圈等原始数据支撑方便直接运行与调试。目前已有514人学习下载具备一定的参考热度。内容覆盖Hadoop的HDFS与MapReduce原理、Spark内存计算优势以及Hive、Pig、HBase、Storm等生态组件的适用场景并延伸到数据预处理、数据挖掘与机器学习算法。读者可借助脚本与数据快速复现分析流程理解分治策略与实时计算思路巩固从理论到实践的综合能力适合作为课设参考或大数据入门练手素材。1. 大数据课设.zip一份能直接跑通的课程设计资源到底省了多少事如果你正在为大数据课程设计发愁或者带学生做实训时缺一套能跑通的完整项目这个大数据课设.zip值得先看一眼。它不是一个空壳模板也不是只有几页 PPT 的伪项目而是一套围绕典型大数据处理链路打包的课程设计资源覆盖数据采集、清洗、存储、分析到可视化呈现的常见环节。适合两类人一是需要交课设但不想从零搭环境的本科生二是想快速验证教学案例的讲师或刚转行练手的工程师。我拆过不少类似的压缩包很多打开就是一堆截图和半成品代码但这个资源的结构相对完整能让你在本地或实验环境里把流程走通。下面按“它是什么、怎么用、坑在哪”的顺序把关键细节和参数配置讲清楚。2. 拆包先看结构目录布局与运行环境怎么定拿到压缩包别急着解压到桌面先看文件组织方式。常见的大数据课设资源会按“数据层-代码层-文档层”分目录这个包也不例外。我一般会先确认三件事数据文件格式、代码入口、依赖清单。这决定了你后面是直接跑还是得改配置。2.1 典型目录树与各目录职责解压后大概率能看到类似这样的结构不同版本可能略有差异但核心目录不会少大数据课设.zip 解压后/ ├── data/ # 原始数据与清洗后数据 │ ├── raw/ # 原始 CSV、日志或 JSON │ └── processed/ # 清洗后的数据供分析用 ├── code/ # 核心代码 │ ├── etl/ # 数据清洗与转换脚本 │ ├── analysis/ # 统计分析或挖掘脚本 │ └── visualize/ # 可视化生成脚本 ├── config/ # 配置文件 │ └── settings.ini # 数据库连接、路径、参数 ├── docs/ # 课设报告、说明文档 │ └── 课设报告模板.md ├── requirements.txt # Python 依赖清单 └── run_all.sh # 一键运行脚本部分包提供这个布局的好处是职责清晰data/raw放原始数据data/processed放中间结果code/下按处理阶段分目录。你改代码时不会误删数据重跑时也能从任意阶段切入。如果压缩包里没有run_all.sh那就手动按etl → analysis → visualize的顺序执行。2.2 环境依赖与版本选择大数据课设通常涉及 Python、Java 或 Scala但多数教学包以 Python 为主配合 Pandas、NumPy、Matplotlib有时会用到 PySpark 或 Hive。先看requirements.txt里的版本约束pandas1.5.3 numpy1.24.2 matplotlib3.7.1 scikit-learn1.2.2 pyspark3.4.0 # 如果涉及 Spark这里有个血泪经验不要盲目pip install -r requirements.txt就完事。如果本机 Python 是 3.11 以上而pandas锁在 1.5.x可能编译失败。常见做法是建一个虚拟环境用 Python 3.9 或 3.10 作为基础版本再安装依赖。命令如下python3.9 -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install -r requirements.txt如果pyspark安装后运行报JAVA_HOME not set说明缺 JDK。Spark 3.x 需要 JDK 8 或 11装完后在~/.bashrc或系统环境变量里指定JAVA_HOME即可。这一步不做好后面所有 Spark 任务都会卡在启动阶段。2.3 配置文件里的关键参数config/settings.ini往往藏着路径和连接信息比如[paths] raw_data ./data/raw/sales.csv processed_data ./data/processed/cleaned_sales.csv output_dir ./output/ [database] host localhost port 3306 user root password 123456 db_name bigdata_course这里要改的是raw_data路径确保指向你解压后的实际位置。如果课设涉及 MySQL 或 Hivehost和password也得换成你本机的配置。别小看这个文件很多“跑不通”的问题就是路径写死成作者电脑上的绝对路径导致的。我一般会先把所有路径改成相对路径再跑一遍 ETL 脚本验证。3. 从原始数据到分析结果ETL 脚本与参数调优课设的核心价值在于数据处理流程能复现。这一章拆解 ETL 阶段的具体操作包括数据清洗、字段转换和常见参数设置。你照着改就能适配自己的数据集。3.1 数据清洗脚本的逐段解析打开code/etl/clean_data.py典型结构如下import pandas as pd import numpy as np from configparser import ConfigParser # 读取配置 config ConfigParser() config.read(config/settings.ini) raw_path config.get(paths, raw_data) processed_path config.get(paths, processed_data) # 加载原始数据 df pd.read_csv(raw_path, encodingutf-8) # 1. 去除重复行 df.drop_duplicates(inplaceTrue) # 2. 处理缺失值数值列用中位数填充类别列用众数填充 num_cols df.select_dtypes(include[np.number]).columns cat_cols df.select_dtypes(include[object]).columns for col in num_cols: df[col].fillna(df[col].median(), inplaceTrue) for col in cat_cols: df[col].fillna(df[col].mode()[0], inplaceTrue) # 3. 日期字段标准化 if order_date in df.columns: df[order_date] pd.to_datetime(df[order_date], errorscoerce) df.dropna(subset[order_date], inplaceTrue) # 4. 过滤异常值例如销售额不能为负 if sales in df.columns: df df[df[sales] 0] # 保存清洗后数据 df.to_csv(processed_path, indexFalse) print(f清洗完成输出至 {processed_path}共 {len(df)} 行)逻辑说明先读配置拿到路径避免硬编码去重和缺失值处理是课设报告里必须体现的步骤日期字段用errorscoerce把无法解析的值变成NaT再删掉比直接报错更稳妥销售额过滤负值属于业务规则如果你的数据集没有这个字段可以跳过。参数方面encodingutf-8适用于大多数 CSV如果遇到中文乱码换成gbk或utf-8-sig试试。3.2 分析脚本的入口与输出格式清洗完数据后code/analysis/下通常有统计或挖掘脚本。以sales_analysis.py为例import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(./data/processed/cleaned_sales.csv) # 按月份聚合销售额 df[order_date] pd.to_datetime(df[order_date]) monthly df.groupby(df[order_date].dt.to_period(M))[sales].sum() # 输出统计结果 print(monthly) monthly.to_csv(./output/monthly_sales.csv) # 生成柱状图 monthly.plot(kindbar, titleMonthly Sales) plt.tight_layout() plt.savefig(./output/monthly_sales.png)这段代码的关键是groupby的粒度to_period(M)按月聚合改成W就是按周。输出目录./output/需要提前建好否则savefig会报错。我一般会在脚本开头加os.makedirs(./output, exist_okTrue)省得手动创建。3.3 参数调优与性能边界如果数据量到了几十万行以上Pandas 单机处理会变慢。这时候可以调整两个地方一是read_csv时指定dtype和usecols只加载需要的列二是用chunksize分块读取。例如chunk_iter pd.read_csv(raw_path, chunksize50000, usecols[order_date, sales, product_id]) result [] for chunk in chunk_iter: chunk chunk[chunk[sales] 0] result.append(chunk.groupby(product_id)[sales].sum()) final pd.concat(result).groupby(level0).sum()chunksize50000表示每次读 5 万行适合内存 8GB 左右的机器。如果课设要求用 Spark那就把pd.read_csv换成spark.read.csv聚合逻辑用 Spark SQL 或 DataFrame API 重写。注意 Spark 的groupBy后要跟agg或sum不能直接赋值给 Pandas 的 Series。4. 避坑与排查课设跑不通的五个常见原因这一章记录我拆包和帮人调试时遇到的高频问题。每条按“现象 → 原因 → 解决”写你对照着查能省不少时间。4.1 编码报错UnicodeDecodeError现象运行pd.read_csv时抛出UnicodeDecodeError: utf-8 codec cant decode byte...。原因原始 CSV 是 GBK 或 GB2312 编码不是 UTF-8。解决把encodingutf-8改成encodinggbk或者用chardet检测编码后再读。如果文件里有 BOM 头用utf-8-sig。4.2 路径错误FileNotFoundError现象脚本报FileNotFoundError: [Errno 2] No such file or directory: ./data/raw/sales.csv。原因配置文件里的路径是相对路径但你在别的目录下执行脚本。解决要么cd到项目根目录再运行要么在代码里用os.path.dirname(__file__)拼绝对路径。我习惯在脚本开头加os.chdir(os.path.dirname(os.path.abspath(__file__)))一劳永逸。4.3 Spark 启动失败JAVA_HOME 未设置现象pyspark初始化时卡住或报JAVA_HOME is not set。原因系统没装 JDK 或环境变量没配。解决安装 OpenJDK 8 或 11然后在~/.bashrc里加export JAVA_HOME/usr/lib/jvm/java-11-openjdk-amd64再source ~/.bashrc。Windows 则在系统属性里新建JAVA_HOME变量指向 JDK 安装目录。4.4 可视化中文乱码现象Matplotlib 生成的图表里中文显示成方框。原因默认字体不支持中文。解决在绘图前设置plt.rcParams[font.sans-serif] [SimHei]和plt.rcParams[axes.unicode_minus] False。Linux 下如果没有 SimHei换成WenQuanYi Micro Hei或Noto Sans CJK。4.5 依赖版本冲突现象pip install后运行报AttributeError: module numpy has no attribute float。原因NumPy 1.24 移除了np.float别名而旧代码还在用。解决要么降级 NumPy 到 1.23要么把代码里的np.float改成float。类似地Pandas 2.x 对append方法的移除也会导致老脚本报错统一改成pd.concat。5. 进阶用法把课设改成可复用的分析模板课设交完就扔太可惜。这套资源稍加改造就能变成你自己的数据分析模板下次遇到类似数据集直接套。核心思路是把硬编码的部分抽成配置项把重复逻辑封装成函数。5.1 参数化配置用 YAML 替代 INIINI 文件适合简单键值对但嵌套结构写起来别扭。换成 YAML 更灵活# config/config.yaml data: raw_path: ./data/raw/sales.csv processed_path: ./data/processed/cleaned_sales.csv encoding: gbk chunksize: 50000 analysis: group_by: order_date agg_column: sales freq: M output: dir: ./output/ figure_format: png读取时用pyyamlimport yaml with open(config/config.yaml, r, encodingutf-8) as f: cfg yaml.safe_load(f) raw_path cfg[data][raw_path] encoding cfg[data][encoding]这样换数据集时只改 YAML不用动代码。参数说明freq: M表示按月聚合改成W按周D按天。chunksize根据内存调整一般 5 万到 10 万行比较稳。5.2 封装清洗函数与验证步骤把清洗逻辑写成一个函数方便单元测试def clean_dataframe(df, num_fillmedian, cat_fillmode): df df.drop_duplicates() num_cols df.select_dtypes(include[number]).columns cat_cols df.select_dtypes(include[object]).columns for col in num_cols: if num_fill median: df[col] df[col].fillna(df[col].median()) elif num_fill mean: df[col] df[col].fillna(df[col].mean()) for col in cat_cols: if cat_fill mode: df[col] df[col].fillna(df[col].mode()[0]) return df调用时传入num_fillmean就能切换填充策略。验证方法清洗前后各打印一次df.shape和df.isnull().sum()对比缺失值是否归零、行数是否合理。如果行数骤降超过 30%检查是不是日期解析或异常值过滤太激进。5.3 一键运行与日志记录最后把整个流程串起来加日志方便排查import logging logging.basicConfig( filename./output/run.log, levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s ) logging.info(开始加载数据) df pd.read_csv(raw_path, encodingencoding) logging.info(f原始数据形状: {df.shape}) df clean_dataframe(df) logging.info(f清洗后形状: {df.shape}) monthly df.groupby(pd.Grouper(keyorder_date, freqM))[sales].sum() monthly.to_csv(./output/monthly_sales.csv) logging.info(分析完成结果已保存)这样每次运行都会在output/run.log里留下记录出错时直接看日志定位。从那以后我每次拿到新的课设包都先跑一遍这个模板确认数据流没问题再改业务逻辑。希望帮到你。本文还有配套的精品资源点击获取 大数据课程设计资源包：从ETL到可视化的完整项目实战指南
简介这份大数据课程设计资料包面向高校大数据、计算机相关专业学生及自学者帮助读者系统理解从数据采集、清洗到分析挖掘的完整流程并动手完成一个可落地的大数据项目。包内共4个文件以2个Python脚本为核心配合xlsx与xls两类表格数据压缩包约1.22MB脚本可用于数据读取、清洗与分析处理表格文件则提供业务圈等原始数据支撑方便直接运行与调试。目前已有514人学习下载具备一定的参考热度。内容覆盖Hadoop的HDFS与MapReduce原理、Spark内存计算优势以及Hive、Pig、HBase、Storm等生态组件的适用场景并延伸到数据预处理、数据挖掘与机器学习算法。读者可借助脚本与数据快速复现分析流程理解分治策略与实时计算思路巩固从理论到实践的综合能力适合作为课设参考或大数据入门练手素材。1. 大数据课设.zip一份能直接跑通的课程设计资源到底省了多少事如果你正在为大数据课程设计发愁或者带学生做实训时缺一套能跑通的完整项目这个大数据课设.zip值得先看一眼。它不是一个空壳模板也不是只有几页 PPT 的伪项目而是一套围绕典型大数据处理链路打包的课程设计资源覆盖数据采集、清洗、存储、分析到可视化呈现的常见环节。适合两类人一是需要交课设但不想从零搭环境的本科生二是想快速验证教学案例的讲师或刚转行练手的工程师。我拆过不少类似的压缩包很多打开就是一堆截图和半成品代码但这个资源的结构相对完整能让你在本地或实验环境里把流程走通。下面按“它是什么、怎么用、坑在哪”的顺序把关键细节和参数配置讲清楚。2. 拆包先看结构目录布局与运行环境怎么定拿到压缩包别急着解压到桌面先看文件组织方式。常见的大数据课设资源会按“数据层-代码层-文档层”分目录这个包也不例外。我一般会先确认三件事数据文件格式、代码入口、依赖清单。这决定了你后面是直接跑还是得改配置。2.1 典型目录树与各目录职责解压后大概率能看到类似这样的结构不同版本可能略有差异但核心目录不会少大数据课设.zip 解压后/ ├── data/ # 原始数据与清洗后数据 │ ├── raw/ # 原始 CSV、日志或 JSON │ └── processed/ # 清洗后的数据供分析用 ├── code/ # 核心代码 │ ├── etl/ # 数据清洗与转换脚本 │ ├── analysis/ # 统计分析或挖掘脚本 │ └── visualize/ # 可视化生成脚本 ├── config/ # 配置文件 │ └── settings.ini # 数据库连接、路径、参数 ├── docs/ # 课设报告、说明文档 │ └── 课设报告模板.md ├── requirements.txt # Python 依赖清单 └── run_all.sh # 一键运行脚本部分包提供这个布局的好处是职责清晰data/raw放原始数据data/processed放中间结果code/下按处理阶段分目录。你改代码时不会误删数据重跑时也能从任意阶段切入。如果压缩包里没有run_all.sh那就手动按etl → analysis → visualize的顺序执行。2.2 环境依赖与版本选择大数据课设通常涉及 Python、Java 或 Scala但多数教学包以 Python 为主配合 Pandas、NumPy、Matplotlib有时会用到 PySpark 或 Hive。先看requirements.txt里的版本约束pandas1.5.3 numpy1.24.2 matplotlib3.7.1 scikit-learn1.2.2 pyspark3.4.0 # 如果涉及 Spark这里有个血泪经验不要盲目pip install -r requirements.txt就完事。如果本机 Python 是 3.11 以上而pandas锁在 1.5.x可能编译失败。常见做法是建一个虚拟环境用 Python 3.9 或 3.10 作为基础版本再安装依赖。命令如下python3.9 -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install -r requirements.txt如果pyspark安装后运行报JAVA_HOME not set说明缺 JDK。Spark 3.x 需要 JDK 8 或 11装完后在~/.bashrc或系统环境变量里指定JAVA_HOME即可。这一步不做好后面所有 Spark 任务都会卡在启动阶段。2.3 配置文件里的关键参数config/settings.ini往往藏着路径和连接信息比如[paths] raw_data ./data/raw/sales.csv processed_data ./data/processed/cleaned_sales.csv output_dir ./output/ [database] host localhost port 3306 user root password 123456 db_name bigdata_course这里要改的是raw_data路径确保指向你解压后的实际位置。如果课设涉及 MySQL 或 Hivehost和password也得换成你本机的配置。别小看这个文件很多“跑不通”的问题就是路径写死成作者电脑上的绝对路径导致的。我一般会先把所有路径改成相对路径再跑一遍 ETL 脚本验证。3. 从原始数据到分析结果ETL 脚本与参数调优课设的核心价值在于数据处理流程能复现。这一章拆解 ETL 阶段的具体操作包括数据清洗、字段转换和常见参数设置。你照着改就能适配自己的数据集。3.1 数据清洗脚本的逐段解析打开code/etl/clean_data.py典型结构如下import pandas as pd import numpy as np from configparser import ConfigParser # 读取配置 config ConfigParser() config.read(config/settings.ini) raw_path config.get(paths, raw_data) processed_path config.get(paths, processed_data) # 加载原始数据 df pd.read_csv(raw_path, encodingutf-8) # 1. 去除重复行 df.drop_duplicates(inplaceTrue) # 2. 处理缺失值数值列用中位数填充类别列用众数填充 num_cols df.select_dtypes(include[np.number]).columns cat_cols df.select_dtypes(include[object]).columns for col in num_cols: df[col].fillna(df[col].median(), inplaceTrue) for col in cat_cols: df[col].fillna(df[col].mode()[0], inplaceTrue) # 3. 日期字段标准化 if order_date in df.columns: df[order_date] pd.to_datetime(df[order_date], errorscoerce) df.dropna(subset[order_date], inplaceTrue) # 4. 过滤异常值例如销售额不能为负 if sales in df.columns: df df[df[sales] 0] # 保存清洗后数据 df.to_csv(processed_path, indexFalse) print(f清洗完成输出至 {processed_path}共 {len(df)} 行)逻辑说明先读配置拿到路径避免硬编码去重和缺失值处理是课设报告里必须体现的步骤日期字段用errorscoerce把无法解析的值变成NaT再删掉比直接报错更稳妥销售额过滤负值属于业务规则如果你的数据集没有这个字段可以跳过。参数方面encodingutf-8适用于大多数 CSV如果遇到中文乱码换成gbk或utf-8-sig试试。3.2 分析脚本的入口与输出格式清洗完数据后code/analysis/下通常有统计或挖掘脚本。以sales_analysis.py为例import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(./data/processed/cleaned_sales.csv) # 按月份聚合销售额 df[order_date] pd.to_datetime(df[order_date]) monthly df.groupby(df[order_date].dt.to_period(M))[sales].sum() # 输出统计结果 print(monthly) monthly.to_csv(./output/monthly_sales.csv) # 生成柱状图 monthly.plot(kindbar, titleMonthly Sales) plt.tight_layout() plt.savefig(./output/monthly_sales.png)这段代码的关键是groupby的粒度to_period(M)按月聚合改成W就是按周。输出目录./output/需要提前建好否则savefig会报错。我一般会在脚本开头加os.makedirs(./output, exist_okTrue)省得手动创建。3.3 参数调优与性能边界如果数据量到了几十万行以上Pandas 单机处理会变慢。这时候可以调整两个地方一是read_csv时指定dtype和usecols只加载需要的列二是用chunksize分块读取。例如chunk_iter pd.read_csv(raw_path, chunksize50000, usecols[order_date, sales, product_id]) result [] for chunk in chunk_iter: chunk chunk[chunk[sales] 0] result.append(chunk.groupby(product_id)[sales].sum()) final pd.concat(result).groupby(level0).sum()chunksize50000表示每次读 5 万行适合内存 8GB 左右的机器。如果课设要求用 Spark那就把pd.read_csv换成spark.read.csv聚合逻辑用 Spark SQL 或 DataFrame API 重写。注意 Spark 的groupBy后要跟agg或sum不能直接赋值给 Pandas 的 Series。4. 避坑与排查课设跑不通的五个常见原因这一章记录我拆包和帮人调试时遇到的高频问题。每条按“现象 → 原因 → 解决”写你对照着查能省不少时间。4.1 编码报错UnicodeDecodeError现象运行pd.read_csv时抛出UnicodeDecodeError: utf-8 codec cant decode byte...。原因原始 CSV 是 GBK 或 GB2312 编码不是 UTF-8。解决把encodingutf-8改成encodinggbk或者用chardet检测编码后再读。如果文件里有 BOM 头用utf-8-sig。4.2 路径错误FileNotFoundError现象脚本报FileNotFoundError: [Errno 2] No such file or directory: ./data/raw/sales.csv。原因配置文件里的路径是相对路径但你在别的目录下执行脚本。解决要么cd到项目根目录再运行要么在代码里用os.path.dirname(__file__)拼绝对路径。我习惯在脚本开头加os.chdir(os.path.dirname(os.path.abspath(__file__)))一劳永逸。4.3 Spark 启动失败JAVA_HOME 未设置现象pyspark初始化时卡住或报JAVA_HOME is not set。原因系统没装 JDK 或环境变量没配。解决安装 OpenJDK 8 或 11然后在~/.bashrc里加export JAVA_HOME/usr/lib/jvm/java-11-openjdk-amd64再source ~/.bashrc。Windows 则在系统属性里新建JAVA_HOME变量指向 JDK 安装目录。4.4 可视化中文乱码现象Matplotlib 生成的图表里中文显示成方框。原因默认字体不支持中文。解决在绘图前设置plt.rcParams[font.sans-serif] [SimHei]和plt.rcParams[axes.unicode_minus] False。Linux 下如果没有 SimHei换成WenQuanYi Micro Hei或Noto Sans CJK。4.5 依赖版本冲突现象pip install后运行报AttributeError: module numpy has no attribute float。原因NumPy 1.24 移除了np.float别名而旧代码还在用。解决要么降级 NumPy 到 1.23要么把代码里的np.float改成float。类似地Pandas 2.x 对append方法的移除也会导致老脚本报错统一改成pd.concat。5. 进阶用法把课设改成可复用的分析模板课设交完就扔太可惜。这套资源稍加改造就能变成你自己的数据分析模板下次遇到类似数据集直接套。核心思路是把硬编码的部分抽成配置项把重复逻辑封装成函数。5.1 参数化配置用 YAML 替代 INIINI 文件适合简单键值对但嵌套结构写起来别扭。换成 YAML 更灵活# config/config.yaml data: raw_path: ./data/raw/sales.csv processed_path: ./data/processed/cleaned_sales.csv encoding: gbk chunksize: 50000 analysis: group_by: order_date agg_column: sales freq: M output: dir: ./output/ figure_format: png读取时用pyyamlimport yaml with open(config/config.yaml, r, encodingutf-8) as f: cfg yaml.safe_load(f) raw_path cfg[data][raw_path] encoding cfg[data][encoding]这样换数据集时只改 YAML不用动代码。参数说明freq: M表示按月聚合改成W按周D按天。chunksize根据内存调整一般 5 万到 10 万行比较稳。5.2 封装清洗函数与验证步骤把清洗逻辑写成一个函数方便单元测试def clean_dataframe(df, num_fillmedian, cat_fillmode): df df.drop_duplicates() num_cols df.select_dtypes(include[number]).columns cat_cols df.select_dtypes(include[object]).columns for col in num_cols: if num_fill median: df[col] df[col].fillna(df[col].median()) elif num_fill mean: df[col] df[col].fillna(df[col].mean()) for col in cat_cols: if cat_fill mode: df[col] df[col].fillna(df[col].mode()[0]) return df调用时传入num_fillmean就能切换填充策略。验证方法清洗前后各打印一次df.shape和df.isnull().sum()对比缺失值是否归零、行数是否合理。如果行数骤降超过 30%检查是不是日期解析或异常值过滤太激进。5.3 一键运行与日志记录最后把整个流程串起来加日志方便排查import logging logging.basicConfig( filename./output/run.log, levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s ) logging.info(开始加载数据) df pd.read_csv(raw_path, encodingencoding) logging.info(f原始数据形状: {df.shape}) df clean_dataframe(df) logging.info(f清洗后形状: {df.shape}) monthly df.groupby(pd.Grouper(keyorder_date, freqM))[sales].sum() monthly.to_csv(./output/monthly_sales.csv) logging.info(分析完成结果已保存)这样每次运行都会在output/run.log里留下记录出错时直接看日志定位。从那以后我每次拿到新的课设包都先跑一遍这个模板确认数据流没问题再改业务逻辑。希望帮到你。本文还有配套的精品资源点击获取