import pandas as pdimport matplotlib.pyplot as pltfrom matplotlib.axes import Axes#展示中文plt.rcParams['font.sans-serif'] = ['SimHei']# 创建子图fig,axes = plt.subplots(nrows=2,ncols=2,figsize=(20,12),dpi = 100)fig.suptitle('TMDB-TOP300电影榜单数据统计',fontsize=23,x=0.5,y=0.95)#获取子图axes1:Axes = axes[0][0]axes2:Axes = axes[0][1]axes3:Axes = axes[1][0]axes4:Axes = axes[1][1]#加载数据data = pd.read_csv('../data/movies.csv',usecols=['电影名','年份','上映时间','类型','时长','评分','语言'],dtype={'年份':'Int64'})

① 创建一个 2×2 的画布            │            ▼② 给整个画布添加标题            │            ▼③ 将四个子图分别命名为   axes1、axes2、axes3、axes4            │            ▼④ 从 movies.csv 中读取需要的电影数据            │            ▼⑤ 后续可分别在四个子图中绘制不同统计图   （柱状图、折线图、饼图、散点图等）

# 统计TOP300的电影中，每一年上映的电影数量的变化。（折线图）# 缺失值、异常值处理data['年份'] = data['年份'].fillna(data['上映时间'].str[:4])#分组统计yeart_count =  data.groupby('年份')['年份'].count()# 组装数据# x轴数据min_yaer = yeart_count.index.min()max_year = yeart_count.index.max()x = [ i for i in range(min_yaer,max_year + 1)]# y轴数据y = [int(yeart_count.get(i, 0)) for i in x]# 绘制折线图axes1.plot(x,y,color='green')axes1.set_title("每年电影数量变化折线图",fontsize=18)axes1.set_xlabel('年份',fontsize=12)axes1.set_ylabel('电影数量',fontsize=12)axes1.set_xticks(x[::8]) # x轴刻度y_ticks = [i for i in range(0,31,3)]axes1.set_yticks(y_ticks) # y轴刻度axes1.grid(linestyle='--',alpha=0.5) # 网格线

# 不同语言的电影数量language_count = data.groupby('语言')['语言'].count().sort_values(ascending=False)x_lanuage = language_count.index.tolist()y_lanuage = language_count.values.tolist()#绘制柱装图axes2.bar(x_lanuage,y_lanuage,color='green',width=0.7) #柱状图axes2.set_title("不同语言的电影数量",fontsize=18)axes2.set_xlabel('语言',fontsize=12) # x轴标签axes2.set_ylabel('电影数量',fontsize=12) # y轴标签axes2.grid(linestyle='--',alpha=0.5) # 网格线axes2.tick_params(axis='x', rotation=45) # x轴标签旋转

# 统计对比不同类型电影数量。（柱状图）type_count = {}for types in data['类型'].str.split(','):    for type in types:        if type in type_count:            type_count[type] += 1        else:            type_count[type] = 1x_types = list(type_count.keys())y_types = list(type_count.values())#绘制柱装图axes3.bar(x_types,y_types,color='green',width=0.7) #柱状图axes3.set_title("不同类型的电影数量",fontsize=18)axes3.set_xlabel('类型',fontsize=12) # x轴标签axes3.set_ylabel('电影数量',fontsize=12) # y轴标签axes3.grid(linestyle='--',alpha=0.5) # 网格线axes3.tick_params(axis='x', rotation=45) # x轴标签旋转

# 统计对比各个电影评分的比例score_count =  data.groupby('评分')['评分'].count()scores = score_count.index.tolist()scores_values = score_count.values.tolist()# 合并小数据(比例小于2%) --> 其他total = score_count.sum()large_scores = score_count.loc[score_count >= total * 0.02] #大数据small_scores = score_count.loc[score_count < total * 0.02] #小数据if small_scores.shape[0] > 0:    other_count = small_scores.sum()    large_scores['其他'] = other_count# 绘制饼状图axes4.pie(large_scores, labels=large_scores.index, autopct='%1.1f%%', startangle=0,radius=1.2) # startangle 起始角度axes4.set_title("不同评分的电影数量占比比例",fontsize=18)axes4.legend(loc='lower center',ncol=4,bbox_to_anchor=(0.5,-0.19))

import pandas as pdimport matplotlib.pyplot as pltfrom matplotlib.axes import Axes#展示中文plt.rcParams['font.sans-serif'] = ['SimHei']# 创建子图fig,axes = plt.subplots(nrows=2,ncols=2,figsize=(20,12),dpi = 100)fig.suptitle('TMDB-TOP300电影榜单数据统计',fontsize=23,x=0.5,y=0.95)plt.subplots_adjust(hspace=0.35, wspace=0.3)#获取子图axes1:Axes = axes[0][0]axes2:Axes = axes[0][1]axes3:Axes = axes[1][0]axes4:Axes = axes[1][1]#加载数据data = pd.read_csv('../data/movies.csv',usecols=['电影名','年份','上映时间','类型','时长','评分','语言'],dtype={'年份':'Int64'})# 统计TOP300的电影中，每一年上映的电影数量的变化。（折线图）# 缺失值、异常值处理data['年份'] = data['年份'].fillna(data['上映时间'].str[:4])#分组统计yeart_count =  data.groupby('年份')['年份'].count()# 组装数据# x轴数据min_yaer = yeart_count.index.min()max_year = yeart_count.index.max()x = [ i for i in range(min_yaer,max_year + 1)]# y轴数据y = [int(yeart_count.get(i, 0)) for i in x]# 绘制折线图axes1.plot(x,y,color='green')axes1.set_title("每年电影数量变化折线图",fontsize=18)axes1.set_xlabel('年份',fontsize=12)axes1.set_ylabel('电影数量',fontsize=12)axes1.set_xticks(x[::8]) # x轴刻度y_ticks = [i for i in range(0,31,3)]axes1.set_yticks(y_ticks) # y轴刻度axes1.grid(linestyle='--',alpha=0.5) # 网格线# 不同语言的电影数量language_count = data.groupby('语言')['语言'].count().sort_values(ascending=False)x_lanuage = language_count.index.tolist()y_lanuage = language_count.values.tolist()#绘制柱装图axes2.bar(x_lanuage,y_lanuage,color='green',width=0.7) #柱状图axes2.set_title("不同语言的电影数量",fontsize=18)axes2.set_xlabel('语言',fontsize=12) # x轴标签axes2.set_ylabel('电影数量',fontsize=12) # y轴标签axes2.grid(linestyle='--',alpha=0.5) # 网格线axes2.tick_params(axis='x', rotation=45) # x轴标签旋转# 统计对比不同类型电影数量。（柱状图）type_count = {}for types in data['类型'].str.split(','):    for type in types:        if type in type_count:            type_count[type] += 1        else:            type_count[type] = 1x_types = list(type_count.keys())y_types = list(type_count.values())#绘制柱装图axes3.bar(x_types,y_types,color='green',width=0.7) #柱状图axes3.set_title("不同类型的电影数量",fontsize=18)axes3.set_xlabel('类型',fontsize=12) # x轴标签axes3.set_ylabel('电影数量',fontsize=12) # y轴标签axes3.grid(linestyle='--',alpha=0.5) # 网格线axes3.tick_params(axis='x', rotation=45) # x轴标签旋转# 统计对比各个电影评分的比例score_count =  data.groupby('评分')['评分'].count()scores = score_count.index.tolist()scores_values = score_count.values.tolist()# 合并小数据(比例小于2%) --> 其他total = score_count.sum()large_scores = score_count.loc[score_count >= total * 0.02] #大数据small_scores = score_count.loc[score_count < total * 0.02] #小数据if small_scores.shape[0] > 0:    other_count = small_scores.sum()    large_scores['其他'] = other_count# 绘制饼状图axes4.pie(large_scores, labels=large_scores.index, autopct='%1.1f%%', startangle=0,radius=1.2) # startangle 起始角度axes4.set_title("不同评分的电影数量占比比例",fontsize=18)axes4.legend(loc='lower center',ncol=4,bbox_to_anchor=(0.5,-0.19))# 保存图片plt.savefig("../data/TMDB-TOP300.png")plt.show()

from fastapi import FastAPI

app = FastAPI()

# 定义功能接口@app.get("/")def root():    return {"message": "Hello World"}@app.get("/user")def get_user():    return {"user": "ZhangSan",            "age": 18            }

# 启动FastAPI服务器if __name__ == "__main__":    import uvicorn    uvicorn.run(app, host="0.0.0.0", port=8000)

fastapi dev "xxxx.py"uvicorn xxxx:app --reload

from fastapi import FastAPIfrom starlette.responses import FileResponsefrom fastapi.staticfiles import StaticFilesapp = FastAPI(title="汉字迷盒")# 挂载静态文件的存放目录app.mount("/static",StaticFiles(directory="static"),name="static")#定义路径操作函数@app.get('/')def root():    print("访问项目首页")    return FileResponse('static/index.html')if __name__ == '__main__':    import uvicorn    uvicorn.run(app,host='127.0.0.1',port=8000)

# 新建会话@app.post("/api/sessions")def create_session():    print("新建会话")    # 生成会话标识    session_id = generate_session_id()    # 组装会话信息，保存到文件中    session_data = {        'current_session': session_id,        'messages': []    }    with open(os.path.join("sessions", session_id + ".json"), "w", encoding="utf-8") as f:        json.dump(session_data, f, ensure_ascii=False, indent=4)    # 返回数据    return {        'code': 200,        'message': '会话创建成功',        'data': session_id    }

# 数据模型class ApiResponse(BaseModel):    code: int    message: str    data: Any  # 任意类型数据# 新建会话@app.post("/api/sessions")def create_session():    print("新建会话")    # 生成会话标识    session_id = generate_session_id()    # 组装会话信息，保存到文件中    session_data = {        'current_session': session_id,        'messages': []    }    with open(os.path.join("sessions", session_id + ".json"), "w", encoding="utf-8") as f:        json.dump(session_data, f, ensure_ascii=False, indent=4)    # 返回数据    return ApiResponse(code=200, message="会话创建成功", data=session_id)

class ChatRequest(BaseModel):    session_id: str    message: str# 与Ai交互@app.post("/api/chat")def chat(request: ChatRequest):    print(f"与AI交互：{request.session_id} : {request.message}")    return ApiResponse.success(message='OK',data="AI大模型返回的数据")

# 与Ai交互client = OpenAI(    api_key="xxxx",    base_url="https://api.deepseek.com")#根据session_id 获取文件名def get_session_file(session_id: str):    return os.path.join("sessions", session_id + ".json")@app.post("/api/chat")def chat(request: ChatRequest):    print(f"与AI交互：{request.session_id} : {request.message}")    # 逻辑实现    # 1.加载json文件中的会话数据    session_file = get_session_file(request.session_id)    with open(session_file, "r", encoding="utf-8") as f:        session_data = json.load(f)    # 2. 构建Ai大模型交互的数据信息    messages = [{'role': 'system', 'content': SYSTEM_PROMPT}]    for message in session_data['messages']:        messages.append(message)    messages.append({'role': 'user', 'content': request.message})    # 3. 调用AI大模型 deepseek    response = client.chat.completions.create(        model="deepseek-chat",        messages=messages,        stream=False,        temperature=1.5,    )    # 4.获取响应数据    ai_response = response.choices[0].message.content    # 5.更新消息列表中的消息    messages.append({'role': 'assistant', 'content': ai_response})    session_data['messages'] = messages    # 6.保存会话信息到json文件中    with open(session_file, "w", encoding="utf-8") as f:        json.dump(session_data, f, ensure_ascii=False, indent=4)    # 7.返回数据    return ApiResponse.success(message='OK',data=ai_response)

@app.get('/api/sessions')def get_sessions():    print("获取会话列表")    # 获取sessions文件夹下的所有目录名    session_files = os.listdir("sessions")    # 获取文件名中的会话Id    session_ids = [file.split('.')[0] for file in session_files]    session_ids.sort(reverse=True)    return ApiResponse.success(message="会话列表获取成功", data=session_ids)

# 获取指定会话信息@app.get('/api/sessions/{session_id}')def get_session(session_id: str):    print(f"获取会话信息：{session_id}")    session_file = get_session_file(session_id)    with open(session_file, "r", encoding="utf-8") as f:        session_data = json.load(f)    return ApiResponse.success(message="会话信息获取成功", data=session_data)

# 删除指定会话信息@app.delete('/api/sessions/{session_id}')def delete_session(session_id: str):    print(f"删除会话信息：{session_id}")    session_file = get_session_file(session_id)    if os.path.exists(session_file):        os.remove(session_file)        return ApiResponse.success(message="会话信息删除成功",data=None)    else:        return ApiResponse.success(message="会话信息不存在",data=None)

import logginglogging.basicConfig(    format='%(asctime)s - %(levelname)s - [%(filename)s:%(lineno)d] - %(message)s',    level=logging.INFO)

# 异常处理器 统一处理异常信息# 异常处理器 统一处理异常信息@app.exception_handler(Exception)def handle_exception(request, exc: Exception):    logging.error(f"处理异常,请求路径：{request.url}, 异常信息：{exc}")    return JSONResponse(content={"code": 500, "message": "服务器错误"})

import os.pathfrom datetime import datetimeimport jsonfrom typing import Anyfrom fastapi import FastAPIfrom pydantic import BaseModelfrom starlette.responses import FileResponse, JSONResponsefrom fastapi.staticfiles import StaticFilesfrom openai import OpenAIimport logginglogging.basicConfig(    format='%(asctime)s - %(levelname)s - [%(filename)s:%(lineno)d] - %(message)s',    level=logging.INFO)app = FastAPI(title="汉字迷盒")# 挂载静态文件的存放目录app.mount("/static",StaticFiles(directory="static"),name="static")# 系统提示词SYSTEM_PROMPT = """# 角色定义你是一个专门玩猜字谜的AI小助手，只进行字谜互动，不闲聊无关内容，全程纯文本交互，不使用表情符号。## 核心能力- 出字谜、判对错、给提示- 记忆已用谜题，确保会话内不重复- 简洁明快回应## 出题规则（严格执行！）1. 开场先友好打招呼，并随机出一道常见、简单、适合大众并必须符合逻辑推理的字谜，禁止使用生僻、低俗、网络烂梗。2. 题目格式：“谜面”（打一字）。3. 每次出题必须完全随机，禁止重复使用相同题目，也可以偶尔穿插使用，下面示例中的谜语。4. 新出题目时, 不要提示, 用户需要提示时, 或者答错时, 再给予合理的提示。## 判题规则（严格执行！）1. 用户只回复一个字时，直接视为答案。2. 答对：立即夸奖并揭晓谜底，格式如“太棒了！就是‘X’字！要不要再来一题？”3. 答错：告知不对，可给一句简短提示，但不泄露答案。格式如“不对哦，再想想~”4. 严禁在用户答错后直接公布答案！只有用户说“公布答案”或“不知道”等情况时才公布。## 互动流程1. 用户答对：夸奖 + 确认正确 + 询问“要不要再来一题？”2. 用户答错：告知不对 + 简单提示 + 鼓励继续猜3. 用户说“提示一下”：给出简短线索，不公布答案4. 用户说“公布答案”或“不知道”：揭晓谜底并解释 + 询问“要不要再来一题？”5. 用户说“换一题”“再来一题”：立即更换新字谜## 回复风格约束- 语气轻松有趣，但保持简洁- 全程只围绕字谜，拒绝回答其他问题- 回复不超过3句话- **绝对不要在回复中说“这个出过了，我来个新的”或类似表述** — 直接给出新谜语即可- 判题错误零容忍，不确定谜底时，先回复“我再想想”而不是乱判## 常见谜语类型及谜底参考示例, 仅仅为参照示例### 组合类- 「一加一不是二」= 王- 「二人不是天」= 夫- 「十口不是田」= 古### 包含类- 「一人在内」= 肉- 「口里有人」= 囚- 「门里有口」= 问- 「田里长草」= 苗- 「心里有你」= 您- 「山里有山」= 出- 「王头上有人」= 全- 「水上有石」= 泵### 半取类- 「半吃半拿」= 哈- 「半真半假」= 值- 「半青半紫」= 素- 「半朋半友」= 有- 「半推半就」= 扰- 「半山半水」= 汕### 象形类- 「三人又重逢」= 众- 「一口咬掉牛尾巴」= 告- 「两座山」= 出- 「三日又重逢」= 晶"""client = OpenAI(    api_key="xxxxx",    base_url="https://api.deepseek.com")#创建会话存放目录if not os.path.exists("sessions"):    os.mkdir("sessions")def generate_session_id():    return datetime.now().strftime("%Y-%m-%d_%H-%M-%S")#根据session_id 获取文件名def get_session_file(session_id: str):    return os.path.join("sessions", session_id + ".json")# 数据模型class ApiResponse(BaseModel):    code: int    message: str    data: Any  # 任意类型数据    @staticmethod    def success( message: str, data: Any):        return {"code": 200, "message": message, "data": data}#定义路径操作函数@app.get('/')def root():    logging.info("访问项目首页")    return FileResponse('static/index.html')# 新建会话@app.post("/api/sessions")def create_session():    logging.info("新建会话")    # 生成会话标识    session_id = generate_session_id()    # 组装会话信息，保存到文件中    session_data = {        'current_session': session_id,        'messages': []    }    with open(get_session_file(session_id), "w", encoding="utf-8") as f:        json.dump(session_data, f, ensure_ascii=False, indent=4)    # 返回数据    return ApiResponse.success(message="会话创建成功", data=session_id)class ChatRequest(BaseModel):    session_id: str    message: str# 与Ai交互@app.post("/api/chat")def chat(request: ChatRequest):    logging.info(f"与AI交互：{request.session_id} : {request.message}")    # 逻辑实现    # 1.加载json文件中的会话数据    session_file = get_session_file(request.session_id)    with open(session_file, "r", encoding="utf-8") as f:        session_data = json.load(f)    # 2. 构建Ai大模型交互的数据信息    messages = [{'role': 'system', 'content': SYSTEM_PROMPT}]    for message in session_data['messages']:        messages.append(message)    messages.append({'role': 'user', 'content': request.message})    # 3. 调用AI大模型 deepseek    response = client.chat.completions.create(        model="deepseek-chat",        messages=messages,        stream=False,        temperature=1.5,    )    # 4.获取响应数据    ai_response = response.choices[0].message.content    # 5.更新消息列表中的消息    messages.append({'role': 'assistant', 'content': ai_response})    session_data['messages'] = messages    # 6.保存会话信息到json文件中    with open(session_file, "w", encoding="utf-8") as f:        json.dump(session_data, f, ensure_ascii=False, indent=4)    # 7.返回数据    return ApiResponse.success(message='与AI交互成功',data=ai_response)@app.get('/api/sessions')def get_sessions():    logging.info("获取会话列表")    # 获取sessions文件夹下的所有目录名    session_files = os.listdir("sessions")    # 获取文件名中的会话Id    session_ids = [file.split('.')[0] for file in session_files]    session_ids.sort(reverse=True)    return ApiResponse.success(message="会话列表获取成功", data=session_ids)# 获取指定会话信息@app.get('/api/sessions/{session_id}')def get_session(session_id: str):    logging.info(f"获取会话信息：{session_id}")    session_file = get_session_file(session_id)    with open(session_file, "r", encoding="utf-8") as f:        session_data = json.load(f)    return ApiResponse.success(message="会话信息获取成功", data=session_data)# 删除指定会话信息@app.delete('/api/sessions/{session_id}')def delete_session(session_id: str):    logging.info(f"删除会话信息：{session_id}")    session_file = get_session_file(session_id)    if os.path.exists(session_file):        os.remove(session_file)        return ApiResponse.success(message="会话信息删除成功",data=None)    else:        return ApiResponse.success(message="会话信息不存在",data=None)# 异常处理器 统一处理异常信息@app.exception_handler(Exception)def handle_exception(request, exc: Exception):    logging.error(f"处理异常,请求路径：{request.url}, 异常信息：{exc}")    return JSONResponse(content={"code": 500, "message": "服务器错误"})if __name__ == '__main__':    import uvicorn    uvicorn.run(app,host='127.0.0.1',port=8000)