搜索[python]结果-低调大师优秀个人博客

精选列表

搜索[python]，共10000篇文章

使用Python高效对比多个相似的CAN DBC数据

本文将深入探讨如何通过 Python 的 `cantools` 库，实现高效、准确地对比多个相似的 CAN DBC 数据。

2026-10-10

如何用 Python 计算抛物线 SAR（Parabolic SAR）指标？

用 AlphaFeed 取回**前复权日线**的 `high/low/close` 后，几十行 Python 就能实现原版 SAR（含加速因子 AF），不需要 TA-Lib。

2026-10-07

Python基于tkinter+pygame实现GUI音乐播放器

# Python基于tkinter+pygame实现GUI本地音乐播放器 ## 项目简介最近学习Python，做了一个桌面GUI音乐播放器小项目。

2026-09-25

Python 在 Excel 中设置单元格边框与样式

本文以 Spire.XLS for Python 为例，介绍如何给单元格区域设置边框、创建自定义样式并应用到整行整列、套用 Excel 内置样式，以及直接设置字体属性。

2026-09-24

Python为一组文本生成可比较摘要

```python from hashlib import sha256 texts = ['资料清单', '资料清单 '] digests = [sha256(t.encode('utf-8')).hexdigest

2026-09-24

Python 实现 PDF 页边距增减（空白边缘调整）

Python 生态中有多款 PDF 处理库，本文将借助**Free Spire.PDF for Python** 实现纯代码、无水印、轻量化的 PDF 页边距增大与减小操作。 !

2026-09-22

量化交易项目的工程化管理，是把零散的策略脚本升级为可维护、可复用、可长期运行的系统，核心包括六个方面：合理的项目目录结构、配置与代码分离、模块化拆分（数据、策略、回测、交易分层）、日志与异常管理、依赖与环境管理、以及版本控制。做好工程化，能让你的量化项目在策略变多、系统变复杂时依然清晰可控，而不是变成一堆互相纠缠的"意大利面条代码"。本文讲清楚个人量化项目该如何做工程化，给出实用的组织方式与建议。 ## 一、为什么个人也需要工程化很多人觉得工程化是大团队的事，个人写点策略脚本，能跑就行，何必搞那么正式？我一开始也这么想，直到我的策略越来越多、脚本越写越乱——数据处理、指标计算、策略逻辑、下单代码全塞在一个几百行的文件里，改一个地方牵一发动全身，过两个月自己都看不懂了。那一刻我才明白：**工程化不是给别人看的，是为了让未来的自己不抓狂。** 对个人量化来说，工程化的价值很实在：策略好复用、bug 好定位、系统好维护、上线好管理。尤其当你要让策略长期稳定运行时，一个组织良好的项目，能帮你省下大量后续的麻烦。下面讲讲具体怎么做。 ## 二、第一步：合理的目录结构工程化的第一步，是给项目一个清晰的目录结构，让每类文件各归其位。一个常见的量化项目结构可以这样组织： ``` quant_project/ ├── data/ # 存放数据文件 ├── config/ # 配置文件（参数、密钥引用等） ├── src/ # 源代码 │ ├── data_loader.py # 数据获取与清洗 │ ├── indicators.py # 技术指标计算 │ ├── strategy.py # 策略逻辑 │ ├── backtest.py # 回测引擎 │ └── trader.py # 交易接口对接 ├── logs/ # 日志文件 ├── results/ # 回测结果、报告 ├── requirements.txt # 依赖清单 └── main.py # 程序入口 ``` 这样一来，你想改数据处理就去 `data_loader.py`，想调策略就去 `strategy.py`，一目了然。**清晰的结构，是可维护性的地基。** ## 三、第二步：配置与代码分离新手最常犯的错，是把参数和密钥写死在代码里——均线周期、交易品种、API 密钥全散落在各处。这样一改参数就得翻代码，还容易泄露密钥。正确做法是**配置与代码分离**：把可变的参数集中放到配置文件里，代码从配置读取。 ``` # config/settings.py CONFIG = { "ma_fast": 5, "ma_slow": 20, "cost_rate": 0.001, "symbols": ["000001", "000002"], } # 密钥绝不写在这里！从环境变量读取 import os API_KEY = os.environ.get("TRADE_API_KEY") ``` 这样调参数只需改配置文件、不动代码逻辑，密钥也通过环境变量安全管理。**参数和代码分开，是专业与业余的分水岭之一。** ## 四、第三步：模块化拆分把功能按职责拆成独立模块，是工程化的核心。量化项目通常可以分成几层，每层只干自己的事： - **数据层**（data_loader）：负责获取、清洗数据； - **指标层**（indicators）：负责计算各种技术指标； - **策略层**（strategy）：负责根据数据和指标生成买卖信号； - **回测层**（backtest）：负责用历史数据检验策略； - **交易层**（trader）：负责对接接口、执行下单。 ``` # 各模块职责单一，通过清晰的接口协作 from src.data_loader import load_data from src.indicators import add_ma from src.strategy import generate_signal df = load_data("000001") # 数据层 df = add_ma(df, 5, 20) # 指标层 df = generate_signal(df) # 策略层 ``` 模块化的好处是：**每个模块独立、可复用、好测试**。换个策略，只改策略层；换个数据源，只改数据层，互不影响。 ## 五、第四步：日志与异常管理脚本能跑不代表能长期运行。当策略在服务器上 7×24 小时跑时，你不可能一直盯着屏幕，所以**日志**和**异常处理**至关重要——出了问题你得知道发生了什么。 ``` import logging # 配置日志，同时输出到文件 logging.basicConfig( level=logging.INFO, format="%(asctime)s [%(levelname)s] %(message)s", handlers=[ logging.FileHandler("logs/run.log"), logging.StreamHandler(), ], ) logger = logging.getLogger(__name__) try: logger.info("策略开始运行") # 策略逻辑... except Exception as e: logger.error(f"策略运行出错：{e}") # 触发告警、安全退出，而不是崩溃 ``` 有了完善的日志，出问题时你能回溯"几点几分发生了什么"；有了异常处理，程序遇到意外不会直接崩溃，而是记录、告警、优雅退出。**这是长期运行的策略必备的"黑匣子"。** ## 六、第五步：依赖与环境管理为了让项目在不同机器（比如从本地迁移到服务器）上都能顺利运行，必须管理好依赖。用 `requirements.txt` 记录项目用到的所有库及版本： ``` # 导出当前环境的依赖 pip freeze > requirements.txt # 在新环境（如服务器）一键安装 pip install -r requirements.txt ``` 配合前面讲过的虚拟环境，你就能保证"本地能跑的，搬到服务器上也能跑"，避免"在我电脑上好好的、一上服务器就报错"的尴尬。 ## 七、第六步：版本控制最后，用版本控制工具（如 Git）管理你的代码。它的价值在于： - **记录每次修改**：策略改坏了能回退到之前的版本； - **对比变化**：清楚看到自己改了什么； - **备份代码**：配合远程仓库，代码不怕丢。有一点要特别注意：**绝不要把密钥、账户信息提交到版本库**，尤其是公开仓库。用 `.gitignore` 把配置文件、密钥、日志等排除在外。 ``` # .gitignore 示例 config/secrets.py logs/ data/ *.log ``` ## 八、工程化要点一览我把工程化的六个方面整理成一张表： |方面|做什么|价值| | --- | --- | --- | |目录结构|文件分类归位|清晰可维护| |配置分离|参数、密钥独立管理|易调参、更安全| |模块化|按职责分层拆分|可复用、好测试| |日志异常|记录运行、处理错误|长期运行的黑匣子| |依赖管理|requirements 记录依赖|换环境不出错| |版本控制|Git 管理代码|可回退、能备份| ## 九、从本地到云端的平滑迁移做好工程化，还有一个隐藏好处——**让项目从本地到服务器的迁移变得轻松**。当你要把策略部署到服务器上长期运行时，一个工程化良好的项目，只需：把代码同步到服务器、用 requirements.txt 装好依赖、配置好环境变量里的密钥、启动即可。整个过程清爽利落。把项目部署到[腾讯云云服务器 CVM](https://cloud.tencent.com/product/cvm?fromSource=gwzcw.22648118.22648118.22648118) 上，配合前面搭好的目录结构、日志系统和依赖管理，就能让策略稳定地 7×24 小时运转，出了问题也能通过日志快速定位。**工程化做得好，上云就顺。** ## 结尾量化项目的工程化管理，是从"能跑的脚本"到"可维护的系统"的关键跃迁。目录结构、配置分离、模块化、日志异常、依赖管理、版本控制——这六件事做扎实，你的项目在变复杂时依然清晰可控。别觉得个人不需要工程化，它真正的受益者，是几个月后回头看代码的你自己。当你要把工程化的项目部署到云端长期运行时，稳定的环境是保障。腾讯云近期上线了[量化交易专题活动](https://cloud.tencent.com/act/pro/quant-trading?fromSource=gwzcw.22648118.22648118.22648118)，可以了解云服务器如何承载量化项目的部署、运行与监控。 > 风险提示：本文仅为量化交易科普与技术分享，不构成任何投资建议。文中代码仅为教学示例。金融市场存在风险，任何交易策略都可能产生亏损，请结合自身情况谨慎决策。

2026-09-20

用 Python 写第一个量化交易策略

用 Python 写第一个量化交易策略，最适合从经典的"双均线策略"入手：当短期均线上穿长期均线时买入、下穿时卖出。

2026-09-20

179 · Python AI 辅助问询函 / 访谈提纲：尽调场景

**示例代码** python ```javascript # inquiry.py —— 尽调问询/访谈生成 def gen_inquiry(findings: dict) -> list: q =

2026-09-18

Java + Python：混合技术栈的专业实践与代码实现

# 摘要 Java 与 Python 是两种在企业级系统中长期共存的语言：Java 以强类型、JVM 生态、高并发与企业级中间件见长；Python 以生态丰富、开发效率高、AI 与数据能力强大著称。

2026-09-18

用 Python 量化 GEO 内容的长尾意图覆盖率

GEO 内容时，有一个常被忽略的覆盖率问题：目标长尾意用 Python 量化 GEO 内容的长尾意图覆盖率图问句被内容覆盖了多少。长尾意图问句指带地域、带"附近/同城"这类限定词的具体提问。

2026-09-18

Go + Python：混合技术栈的专业实践与代码实现

# 摘要 Go 与 Python 是两种哲学迥异的语言：Go 追求简洁、并发、静态编译与部署效率；Python 追求表达力、生态丰富与快速迭代。

2026-09-18

AI大模型Python线下V7.5版本

# AI 大模型：从注意力机制到推理经济学，拆解 LLM 的技术底盘大模型常被描述为“涌现出智能的参数量怪兽”，但技术视角下，它是一套精心设计的数学结构、训练范式和系统工程的叠加。理解它，不能只停留在“Transformer 很厉害”的层面，而要沿着“架构如何组织计算→训练如何塑造能力→推理如何约束成本”这条主线，看到每一个设计决策背后的物理和经济约束。这篇文章从架构、训练、推理三个维度，拆解大模型真正在“做什么”。 ## 一、架构：注意力机制的本质与它的替代方案 ### 1.1 自注意力到底在算什么 Transformer 的核心是缩放点积注意力。给定查询矩阵 Q、键矩阵 K、值矩阵 V，注意力计算为： **Attention(Q,K,V) = softmax(QK^T / √d_k) V[**-14](https://zenodo.org/records/20553933/files/Shukla_2026_Comprehensive_Review_of_Large_Language_Models_v1.0.pdf?download=1#5#1) 这个公式做了一件事：**用相似度加权聚合信息**。QK^T 计算每个位置与其他所有位置的相关性分数，softmax 把这些分数变成概率分布，然后加权聚合 V。缩放因子 1/√d_k 防止点积过大导致 softmax 进入饱和区，梯度消失。多头注意力把这个过程并行运行 h 次，每个头使用不同的投影矩阵，让模型同时关注“不同的关系维度”——有的头捕捉语法依赖，有的头捕捉语义相似性，有的头追踪指代关系。最后拼接各头输出再做一次线性变换[-14](https://zenodo.org/records/20553933/files/Shukla_2026_Comprehensive_Review_of_Large_Language_Models_v1.0.pdf?download=1#5#1)。这里有一个容易被忽视的工程细节：**因果掩码**。自回归模型（GPT、Llama、DeepSeek）在注意力矩阵上应用一个上三角为负无穷的掩码，让位置 i 只能关注位置 ≤ i 的 token。这保证了生成的方向性，也决定了推理时 KV Cache 的因果结构[-14](https://zenodo.org/records/20553933/files/Shukla_2026_Comprehensive_Review_of_Large_Language_Models_v1.0.pdf?download=1#5#1)。 ### 1.2 位置编码的演进：为什么 RoPE 赢了注意力本身是置换等变的——打乱 token 顺序，注意力输出跟着打乱，但相对关系不变。所以位置信息必须显式注入。从正弦编码到学习式绝对位置嵌入，再到相对位置编码，最终 **RoPE（旋转位置编码）** 成为现代 LLM 的绝对主流。RoPE 的核心思想是用旋转矩阵对 Q 和 K 进行位置相关的变换，使得注意力分数自然蕴含相对位置信息。它的优势在于：长度外推能力更好（训练 4K 长度可以在推理时处理更长序列），且与高效注意力内核高度兼容[-14](https://zenodo.org/records/20553933/files/Shukla_2026_Comprehensive_Review_of_Large_Language_Models_v1.0.pdf?download=1#5#1)。 ### 1.3 MoE：把“参数容量”和“计算成本”解耦 Dense Transformer 有一个根本矛盾：参数量越大，模型能力越强，但每个 token 的计算成本也线性增长。MoE 打破了这个等式。 MoE 用一组“专家”子网络替换每个 Transformer 层中的密集 FFN，并用一个路由函数决定每个 token 激活哪些专家。典型设置是 Top-k 路由：从 E 个专家中激活 k 个。总计算量只与 k/E 成正比，而总参数量可以达到 E 的规模[-14](https://zenodo.org/records/20553933/files/Shukla_2026_Comprehensive_Review_of_Large_Language_Models_v1.0.pdf?download=1#5#1)。 2025-2026 年的关键进展是 **Token Dropless MoE**。早期 MoE 存在“token 丢弃”问题：当大量 token 被路由到同一专家时，超出容量的 token 会被直接跳过。这导致信息损失，尤其在训练早期路由尚未稳定时。Megatron Core 等框架实现了动态专家分配和队列缓冲，从机制上消除了 dropping[-1](https://blog.csdn.net/DK_Allen/article/details/163637578#1)。另一个值得关注的方向是 **模块化 MoE**。Allen AI 的 EMO 模型通过文档级路由约束，让专家形成语义上的专业分组——健康类文档的 token 集中路由到“健康专家组”，代码类 token 路由到“代码专家组”。结果是：只保留 12.5% 的专家，性能只下降约 3%；而标准 MoE 在同等压缩下性能急剧坍塌[-17](https://huggingface.co/blog/allenai/emo#1)。这意味着 MoE 从“稀疏激活的工程技巧”走向“可组合的模块化架构”。 ## 二、训练：三阶段范式与后训练的演进 ### 2.1 预训练：下一个 token 预测为什么有效预训练的目标简单到令人困惑：给定前文，预测下一个 token。模型在数万亿 token 的网页、书籍、代码上执行这个任务，用交叉熵损失反向传播更新数百亿参数。但这个简单目标的副产品极其丰富：为了准确预测下一个词，模型必须隐式地学习语法、语义、事实知识、甚至一定程度的推理能力。**“预测下一个词”是一个需要理解世界才能做好的任务[**-8](https://cloud.tencent.cn/developer/article/2673702#1#1)。预训练的计算成本是惊人的：万亿级 token、数千 GPU 集群、数周甚至数月的连续训练[-15](https://cloud.tencent.cn/developer/article/2536981?policyId=1004#1)。这也是为什么预训练是少数机构的游戏，而后训练和微调才是大多数团队能参与的环节。 ### 2.2 SFT：从“会说话”到“听指令” 预训练模型就像一个博览群书但没有教养的天才少年。你问它“冬天自驾北方要准备什么”，它会续写“冬天自驾北方气温很低路面容易结冰城市道路……”——句式通顺，但完全没有回答你的问题[-8](https://cloud.tencent.cn/developer/article/2673702#1#1)。 SFT（监督微调）用高质量的“指令-回答”对训练模型遵循指令。数据量可能只有预训练的千分之一，但效果显著：模型学会按格式输出、理解意图、给出实用建议[-8](https://cloud.tencent.cn/developer/article/2673702#1#1)。 ### 2.3 RLHF 与推理导向训练 SFT 之后，模型能听懂指令了，但还分不清回答的“好坏”。RLHF（基于人类反馈的强化学习）用一个奖励模型来评估回答质量，模型通过强化学习优化策略以最大化奖励[-2](https://cloud.baidu.com/article/3360318)。 DeepSeek-R1 代表了一个重要的方向转变：**推理导向的强化学习**。不是用人类偏好来对齐“礼貌和有用”，而是用可验证的信号（数学答案是否正确、代码是否通过测试）来强化推理能力。过程监督奖励模型（PRM）评估推理链中每一步的正确性，而不仅仅是最终答案[-6](https://link.springer.com/article/10.1007/s11097-025-10094-3#1#1#3)。 Anthropic 的 Constitutional AI 则走了另一条路：用一套书面原则（“宪法”）让模型自我批判和修正，然后用 AI 反馈替代部分人类反馈。这降低了人类标注成本，也让对齐标准更可审计[-6](https://link.springer.com/article/10.1007/s11097-025-10094-3#1#1#3)。 ## 三、推理：效率前沿上的工程博弈 ### 3.1 Prefill 与 Decode：两种截然不同的计算模式一次 LLM 推理请求分为两个阶段，它们的瓶颈完全不同[-9](https://cloud.google.com/blog/topics/developers-practitioners/five-techniques-to-reach-the-efficient-frontier-of-llm-inference?hl=en&e=48754805#1)： **Prefill（计算密集）** ：GPU 一次性处理整个输入 prompt，所有 token 并行计算。Tensor Core 利用率极高，瓶颈在算力。 **Decode（内存带宽密集）** ：逐 token 自回归生成。每生成一个 token，都要把全部模型权重和不断增长的 KV Cache 从 HBM 加载到计算核心。瓶颈在显存带宽。这个结构性矛盾解释了一个反直觉现象：**短 prompt 高并发的场景下，GPU 算力严重浪费**——因为大部分时间花在 decode 阶段的数据搬运上，而不是矩阵乘法上。 ### 3.2 投机解码：用小模型给大模型“打草稿” Decode 慢的根源是串行。投机解码的思路是：用一个便宜的小模型（draft）一次猜出 K 个候选 token，大模型（target）用一次前向验证所有候选。猜对的直接收下，猜错的从大模型分布重新采样。关键细节是：验证不是简单的“对/错”，而是按大模型分布做 **rejection sampling 修正**。这保证了输出分布与大模型逐 token 生成完全一致，不是近似[-3](https://cloud.tencent.com.cn/developer/article/2732810?policyId=20240000&traceId=&frompage=homepage#2)。典型参数下（接受率 0.7、猜测长度 4、draft 成本 0.1），加速约 2 倍。但投机解码不是万能药：高温采样（创意场景）接受率暴跌；长上下文接受率衰减；draft 模型太贵则得不偿失[-3](https://cloud.tencent.com.cn/developer/article/2732810?policyId=20240000&traceId=&frompage=homepage#2)。 ### 3.3 量化：精度换内存的工程边界量化把权重从 FP16 降到更低精度，直接减少显存占用和带宽压力。2026 年的格局很清晰[-3](https://cloud.tencent.com.cn/developer/article/2732810?policyId=20240000&traceId=&frompage=homepage#2)： **FP8 是安全默认**。Hopper 架构原生支持 FP8 计算，吞吐提升 1.4-1.7 倍，质量损失可忽略（0.3-0.5 个百分点）。绝大多数生产场景应该从 FP8 起步。 **FP4 是 Blackwell 的王牌**。B200/B300 原生支持 FP4，吞吐可达 2-5 倍，但精度损失 1-3%，硬推理场景（数学证明、精确代码生成）退化明显。 **INT4（GPTQ/AWQ）** 适用于任意 GPU 的显存压缩，但需要“先反量化再计算”，实际加速取决于场景。 ### 3.4 KV Cache：长推理的隐形瓶颈 KV Cache 保存所有历史 token 的 Key 和 Value 状态，避免重复计算。但它随序列长度线性增长，成为长推理的硬约束。 ICML 2026 的 BeaconKV 揭示了一个重要现象：在长链推理（Chain-of-Thought）中，模型会周期性地“回头看”——重新关注推理早期制定的计划或问题约束，而不是只关注最近几个 token。现有压缩方法基于“近期查询最能代表未来注意力”的假设，在这个场景下失效[-7](https://icml.cc/virtual/2026/poster/62942)。 BeaconKV 的解法是维护一组“灯塔查询”，代表全局注意力模式的聚类中心，用它们来预判哪些 KV 对会被重新关注，从而在不存储完整历史的情况下保留关键信息。在多个开源推理模型上实现最高 5.8 倍的内存压缩[-7](https://icml.cc/virtual/2026/poster/62942)。 ## 结语大模型的技术栈可以概括为一句话：**用注意力机制组织计算，用三阶段训练塑造行为，在推理经济学约束下交付服务。** 架构层面，MoE 正在把“更大”和“更贵”解耦，模块化 MoE 甚至让模型变得可组合。训练层面，从预训练到 RLHF 再到推理导向强化学习，后训练的重心正在从“对齐偏好”转向“强化能力”。推理层面，投机解码、量化、KV Cache 优化构成了一套相互制约的工程工具箱——没有万能的最优配置，只有针对特定负载的权衡。理解这些，不是为了手搓一个 GPT，而是为了在模型选型、成本估算、故障排查时，知道约束在哪里、瓶颈在哪里、优化的边界在哪里。

2026-09-17

为什么你写的Python爬虫脚本老是掉链子？

学Python的人有很大一部分是为了爬虫，对～没错，就是采集网页数据，但哪怕是Python老手写爬虫也很难稳定的采集到数据，老是掉链子。

2026-09-15

智能体开发线下课：Java 搭骨架，Python 填灵魂

线上课能讲清 ReAct、RAG、多智能体，但一遇到 Java 服务、Python 模型、跨语言调用、依赖冲突、API 超时，就停住了。线下课的价值，是把这些坑一次性摊在桌面上，当场踩，当场改。

2026-09-15

从 Python 到 Rust：OpenAI Habitat 的 10 倍增长之路

Habitat 最早只是一个连接数据库的小型 Python 库。OpenAI 很早就看清楚了：Python 扛不住这个规模，重写是迟早的事。但他们没有动手。他们赌了一把。

2026-09-14

Python 尽职调查实战开篇：立场切换与程序框架

**示例代码** python ```javascript def due_diligence_scope(): # 尽调与审计的差异：审计查公允，尽调查"投资安全性+估值合理性" audit_focus

2026-09-13

Python 三表自动填数：审定数填入 Word 表格

问题报表是审计报告的主体。手工把审定数抄进 Word 表格，行多易错位。既然 133 已把 audited 聚成 dict，本篇写 fill_statement 把"项目/期末/期初"循环填进表格，换数据不换结构。示例代码 plaintext ```javascript from docx import Document from docx.oxml.ns import qn from docx.shared import Pt def set_cn_font(run, name="仿宋_GB2312", size=12): run.font.size = Pt(size); run.font.name = name rpr = run._element.get_or_add_rPr() rf = rpr.find(qn('w:rFonts')) if rf is None: rf = rpr.makeelement(qn('w:rFonts'), {}); rpr.append(rf) rf.set(qn('w:eastAsia'), name) def fill_statement(doc, title, items): h = doc.add_heading(title, level=1) for r in h.runs: set_cn_font(r, "宋体", 16) t = doc.add_table(rows=1, cols=3); t.style = "Light Grid" hdr = t.rows[0].cells for c, txt in zip(hdr, ["项目", "期末余额", "期初余额"]): c.text = txt; set_cn_font(c.paragraphs[0].runs[0]) for name, cur, prev in items: c = t.add_row().cells c[0].text, c[1].text, c[2].text = name, str(cur), str(prev) for cc in c: set_cn_font(cc.paragraphs[0].runs[0]) return doc doc = Document() items = [("资产总计", 6200, 5000), ("负债总计", 2400, 2000), ("营业收入", 1500, 1300)] fill_statement(doc, "资产负债表（节选）", items) doc.save("bs.docx") ``` 关键点 - 每个 cell 填完都要 set_cn_font，否则表格内中文变默认字体，打印出来和正文不一致。 - 表头加"项目/期末/期初"三列，和审定数 dict 的 (name, cur, prev) 一一对应，结构固定。 - 三表（资产/利润/现金）共用一个 fill_statement，只换 items 和 title，是 133 data 的直接消费者。小结报表填数 = 循环写表格。三表共用一个函数，审定数一变、报告即更新，彻底告别手抄错位。 --- 你做报表最易错的是"正负方向"还是"重分类项目"？评论区聊。如果有用，点赞收藏关注，留下审计难题。下期预告：附注自动生成进阶（从审定数+政策 dict 一键出注释）。会计师事务所的一名注册会计师

2026-09-12

如何用 Python 获取全部 A 股代码列表与基础信息？

## 参考 - AlphaFeed Python SDK 文档：[https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart](https://docs.alphafeed.org

2026-09-09

Python 横向 benchmark：三国企同口径指标并排对比

问题经责评价最有价值的是横向比——同一个指标，三个国企谁最差，谁就该重点延伸。前提是同口径（靠 129 的映射保证），否则比的是苹果和橘子。示例代码 plaintext ```javascript import pandas as pd def benchmark(metrics_list, names): df = pd.DataFrame(metrics_list, index=names) worst = {c: df[c].idxmin() for c in df.columns} return df, worst m = [ {"三公占比": 0.05, "专项资金使用率": 0.90, "重大决策合规率": 0.90}, {"三公占比": 0.12, "专项资金使用率": 0.60, "重大决策合规率": 0.80}, {"三公占比": 0.04, "专项资金使用率": 0.95, "重大决策合规率": 1.00}, ] df, worst = benchmark(m, ["甲国企", "乙国企", "丙国企"]) print(df) print("最差:", worst) ``` 关键点 - 同口径是底线：映射 dict 保证三国企指标可比，否则 benchmark 无意义。 - 找"相对最差"而非绝对好坏——合规率最低、使用率最低者，优先延伸审计。 - 输出并排表 + 最差清单，直接喂给经责报告"存在问题"章节。小结横向 benchmark 把经责审计从"看一家"升级到"比三家"，问题单位自动浮出水面。 --- 你做横向对比最看重"三公占比"还是"合规率"？评论区说。如果有用，点赞收藏关注，留下审计难题。下期预告：经责交付三件套（任期对比/三重一大/个人廉洁）。会计师事务所的一名注册会计师

2026-09-07

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

精选列表

使用Python高效对比多个相似的CAN DBC数据

如何用 Python 计算抛物线 SAR（Parabolic SAR）指标？

Python基于tkinter+pygame实现GUI音乐播放器

Python 在 Excel 中设置单元格边框与样式

Python为一组文本生成可比较摘要

Python 实现 PDF 页边距增减（空白边缘调整）

Python 量化交易项目如何做工程化管理

用 Python 写第一个量化交易策略

179 · Python AI 辅助问询函 / 访谈提纲：尽调场景

Java + Python：混合技术栈的专业实践与代码实现

用 Python 量化 GEO 内容的长尾意图覆盖率

Go + Python：混合技术栈的专业实践与代码实现

AI大模型Python线下V7.5版本

为什么你写的Python爬虫脚本老是掉链子？

智能体开发线下课：Java 搭骨架，Python 填灵魂

从 Python 到 Rust：OpenAI Habitat 的 10 倍增长之路

Python 尽职调查实战开篇：立场切换与程序框架

Python 三表自动填数：审定数填入 Word 表格

如何用 Python 获取全部 A 股代码列表与基础信息？

Python 横向 benchmark：三国企同口径指标并排对比

资源下载

Mario

Nacos

Rocky Linux

优质分享App

欢迎您来访！