AI时代的技术分享

Appearance

标题：Agents 开发代码释疑
发布日期：2026/01/25
标签：
Agents

SQLAlchemy ​

  • SQLAlchemy = SQL + Alchemy，整体寓意是“用炼金术般的方式处理 SQL”，即通过高级抽象（如 ORM）让数据库操作变得更简单、优雅和强大。
  • Alchemy，意为炼金术，发音接近艾尔可米
  • SQLAlchemy 是 Python 中一个功能强大且广泛使用的 ORM（对象关系映射，Object-Relational Mapping）库，用于在 Python 代码中操作关系型数据库（如 PostgreSQL、MySQL、SQLite、Oracle 等），而无需直接编写原始 SQL 语句。

1. ORM 层（高级 API） ​

  • 将数据库表映射为 Python 类（称为“模型”）。

  • 表中的每一行记录对应一个类的实例。

  • 通过操作对象来完成增删改查，例如：

    python
    user = User(name="张三", email="zhangsan@example.com")
session.add(user)
session.commit()

  • 自动处理 SQL 生成、参数绑定、事务管理等。

2. Core 层（低级 API） ​

  • 提供更接近 SQL 的表达式语言（SQL Expression Language）。
  • 允许构建类型安全、可组合的 SQL 查询，但比原生 SQL 更具可读性和可移植性。
  • 适合需要精细控制查询性能或复杂 SQL 的场景。

3. 数据库无关性 ​

  • 支持多种数据库后端，切换数据库通常只需更改连接字符串。
  • 自动生成符合目标数据库语法的 SQL。

4. 与 Web 框架集成良好 ​

  • 常与 FastAPI、Flask、Django（通过扩展）等框架配合使用。
  • 在 FastAPI 项目中，常结合 pydantic 模型与 SQLAlchemy 模型实现请求验证与数据持久化分离。

与 Hibernate 对比 ​

  • SQLAlchemy 和 Hibernate 在功能定位上非常相似，都是各自语言生态中主流的 ORM（对象关系映射）框架。它们都允许开发者用面向对象的方式操作关系型数据库，避免直接写大量 SQL，同时提供缓存、事务管理、懒加载、关联映射等高级功能。

    • SQLAlchemy 是 Python 的 ORM 工具；
    • Hibernate 是 Java 的 ORM 框架（后来成为 JPA 规范的事实参考实现）。

  • 二者没有直接关联，但可以说 SQLAlchemy 在某种程度上受到了 Hibernate 等早期 ORM 的启发，但它是独立实现的，并发展出了自己独特的架构（如 Core + ORM 双层设计）。

  • 二者设计理念不同（Hibernate 更“约定优于配置”，SQLAlchemy 更偏向“显式优于隐式”）。

显式优于隐式 ​

代码的行为应该清晰、直接地表达出来，而不是依赖隐藏的规则、魔法般的自动推断或难以察觉的副作用。

  • Explicit is better than implicit，是 Python 语言设计哲学的核心原则之一，出自《Python 之禅》（The Zen of Python），由 Tim Peters 撰写。你可以在 Python 中运行 import this 查看全文。

普通代码中示例 ​

  • ❌ 隐式（不推荐）
python
# 假设有一个函数，它偷偷修改了全局变量
def add_item(item):
    global items
    items.append(item)  # 但函数签名没体现这一点！

add_item("apple")
# 你不知道 `items` 被改了，除非去看函数内部
  • ✅ 显式（推荐）
python
def add_item(items, item):
    return items + [item]  # 或者明确传入并修改

my_list = []
my_list = add_item(my_list, "apple")  # 清楚知道 my_list 被更新了

SQLAlchemy 中代码示例 ​

  • ❌ 隐式风格（类似某些 ORM 的“魔法”）
python
# 某些框架可能这样：保存对象时自动触发数据库操作
user.name = "张三"
# 然后……突然就存进数据库了？什么时候 commit 的？
  • ✅ SQLAlchemy 的显式风格
python
user.name = "张三"
session.add(user)
session.commit()  # 明确告诉程序：“现在提交到数据库”
  • SQLAlchemy 不会偷偷帮你提交事务或自动同步对象状态（除非你主动配置），所有关键操作都需要你明确写出，这就是“显式优于隐式”的体现。

显式优于隐式的优点 ​

  • 可读性：别人（或未来的你）能快速理解代码做了什么。
  • 可维护性：减少“魔法”带来的意外行为（比如你以为没保存，结果自动保存了）。
  • 调试友好：错误更容易定位，因为每一步都是可见的。

pandas ​

  • pandas 是 Python 中一个非常强大且广泛使用的数据处理与分析库。

  • pandas 的设计目标是为 Python 提供类似 电子表格（如 Excel）或数据库表 的结构化数据操作能力，特别适合用于：

    • 数据清洗
    • 数据探索（EDA）
    • 数据转换
    • 时间序列分析
    • 统计分析

  • 它的两个核心数据结构是：

    1. Series：一维带标签的数组（类似单列数据）
    2. DataFrame：二维表格型数据结构（类似 Excel 表或 SQL 表）

为什么 pandas 能“执行 SQL”？ ​

pandas 本身不直接执行 SQL 语句，但它提供了类似 SQL 的操作方式，比如：

SQL 操作pandas 等价操作
SELECTdf[['col1', 'col2']]
WHEREdf[df['age'] > 30]
GROUP BYdf.groupby('category').sum()
JOINpd.merge(df1, df2, on='id')
ORDER BYdf.sort_values('name')

此外，pandas 还支持通过 pd.read_sql() 从数据库（如 SQLite、MySQL、PostgreSQL）中直接读取 SQL 查询结果，但这需要配合数据库连接（如 sqlite3 或 SQLAlchemy），并不是 pandas 自己在“执行 SQL”，而是调用数据库引擎执行后把结果转成 DataFrame。

pandas 的主要功能概览 ​

  1. 数据读写

    • 支持格式：CSV、Excel、JSON、HTML、Parquet、SQL、HDF5 等
    • 示例：pd.read_csv('file.csv'), df.to_excel('output.xlsx')

  2. 数据清洗

    • 处理缺失值（dropna(), fillna()）
    • 去重（drop_duplicates()）
    • 类型转换（astype()）
    • 字符串处理（str.contains(), str.replace()）

  3. 数据筛选与索引

    • 条件筛选、布尔索引
    • loc / iloc 精准定位行/列

  4. 分组聚合（GroupBy）

    • 类似 SQL 的 GROUP BY + 聚合函数（sum, mean, count 等）

  5. 合并与连接

    • concat(), merge(), join() 实现表连接

  6. 时间序列支持

    • 日期解析、重采样（resample）、移动窗口（rolling）

  7. 统计与描述

    • describe(), corr(), value_counts() 等快速统计

  8. 可视化（基础）

    • 内置基于 Matplotlib 的绘图：df.plot(), df.hist()

Gradio ​

  • Gradio 是一个开源的 Python 库，旨在帮助开发者、数据科学家和机器学习工程师快速构建交互式 Web 界面，用于演示机器学习模型、API 或任意 Python 函数 。

  • 它的主要特点：

    • 简单易用：只需几行代码即可为模型或函数创建图形用户界面（GUI），无需前端开发经验 。
    • 快速原型：非常适合快速搭建 AI 模型的演示界面，便于在团队内部或对外展示时进行交互测试 。
    • 广泛支持输入/输出组件：提供图像、文本、音频、视频、文件上传等多种 UI 组件，可灵活适配不同任务需求 。
    • 本地与云端部署：既可以在本地运行，也支持一键部署到 Hugging Face Spaces 等平台，实现公开分享 。
    • 与主流框架兼容：无缝集成 PyTorch、TensorFlow、scikit-learn、OpenCV、Transformers 等常用库 。

mysql-connector-python ​

Python 中用于连接 MySQL 的官方驱动并不是叫mysql，而是mysql-connector-python或PyMySQL。

  • pip install mysql安装的是一个早已废弃、不维护的老包（甚至可能根本安装失败），它不能提供 mysql.connector 模块，也不能连接 MySQL 数据库。
  • pip install mysql-connector-python安装的是 MySQL 官方推荐的驱动，它提供了 mysql.connector 模块，用于连接 MySQL 数据库。
  • pip install PyMySQL安装的是另一个常用的 MySQL 驱动，它也提供了 mysql.connector 模块，用于连接 MySQL 数据库。
  • 这两个驱动的主要区别在于：
    • mysql-connector-python 是 MySQL 官方推荐的驱动，功能完善，性能稳定。
    • PyMySQL 是一个纯 Python 实现的驱动，功能与 mysql-connector-python 类似，但可能在某些场景下性能稍差。
    • 如果代码用的是 mysql+mysqlconnector://user:password@host/db，就必须用 mysql-connector-python。
    • 如果代码用的是 mysql+pymysql://user:password@host/db，就必须用 PyMySQL。

tabulate ​

  • tabulate 是一个 Python 第三方库，用于将 表格数据（如列表、字典、Pandas DataFrame 等）以美观、对齐的文本形式打印出来，常用于命令行工具、日志输出或调试时展示结构化数据。

  • 比如你有如下数据

    python
    data = [
    ["Alice", 25, "Engineer"],
    ["Bob", 30, "Designer"]
]
headers = ["Name", "Age", "Job"]

使用 tabulate 可以输出成这样：

markdown
Name    Age  Job
------  ---  --------
Alice    25  Engineer
Bob      30  Designer
  • 支持多种格式：plain, grid, pipe（Markdown 表格）, html, psql, jira 等。

if __name__ == '__main__': ​

  • 这行代码是 Python 中的一个条件判断语句，用于 判断当前模块是否作为主程序直接运行 ，而不是被其他模块导入。具体来说：
    • __name__ 是 Python 模块的内置变量，表示当前模块的名称
    • 当模块被直接运行时， __name__ 的值会被设置为 __main__
    • 当模块被其他模块导入时， __name__ 的值会是模块的实际名称（即文件名，不含.py后缀，如文件名是 my_module.py，则 __name__ 的值为 my_module）
    • 因此， if __name__ == '__main__': 条件成立时，执行其下方的代码块

基于 MIT 许可发布。

Copyright © 2025-present