[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-dataprofessor--streamlit_freecodecamp":3,"similar-dataprofessor--streamlit_freecodecamp":63},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":9,"readme_en":10,"readme_zh":11,"quickstart_zh":12,"use_case_zh":13,"hero_image_url":14,"owner_login":15,"owner_name":16,"owner_avatar_url":17,"owner_bio":18,"owner_company":19,"owner_location":20,"owner_email":21,"owner_twitter":22,"owner_website":23,"owner_url":24,"languages":25,"stars":34,"forks":35,"last_commit_at":36,"license":21,"difficulty_score":37,"env_os":38,"env_gpu":38,"env_ram":38,"env_deps":39,"category_tags":43,"github_topics":47,"view_count":52,"oss_zip_url":21,"oss_zip_packed_at":21,"status":53,"created_at":54,"updated_at":55,"faqs":56,"releases":62},9274,"dataprofessor\u002Fstreamlit_freecodecamp","streamlit_freecodecamp","Build 12 Data Apps in Python with Streamlit","streamlit_freecodecamp 是一套基于 Python Streamlit 库的实战教程资源，旨在帮助开发者快速掌握构建交互式数据应用的核心技能。通过这套内容，用户可以跟随指导亲手打造 12 个功能各异的数据科学应用程序，涵盖从基础数据处理到复杂可视化展示的完整流程。\n\n对于许多掌握数据分析技能但缺乏前端开发经验的从业者而言，如何将本地脚本转化为可共享的网页应用往往是一大痛点。streamlit_freecodecamp 直击这一需求，展示了如何利用 Streamlit“纯 Python\"的特性，无需编写 HTML、CSS 或 JavaScript 代码，即可在极短时间内将数据模型部署为美观且互动的 Web 界面。这不仅大幅降低了技术门槛，也显著缩短了从原型构思到产品落地的周期。\n\n这套资源特别适合数据科学家、分析师以及希望提升工程化能力的 Python 开发者使用。无论是需要向团队展示分析结果的科研人员，还是渴望快速验证想法的初创技术人员，都能从中获得实用的构建思路。其独特的技术亮点在于“以教促学”的课程设计，通过 12 个循序渐进的案例，系统性地讲解了文件上传、图表","streamlit_freecodecamp 是一套基于 Python Streamlit 库的实战教程资源，旨在帮助开发者快速掌握构建交互式数据应用的核心技能。通过这套内容，用户可以跟随指导亲手打造 12 个功能各异的数据科学应用程序，涵盖从基础数据处理到复杂可视化展示的完整流程。\n\n对于许多掌握数据分析技能但缺乏前端开发经验的从业者而言，如何将本地脚本转化为可共享的网页应用往往是一大痛点。streamlit_freecodecamp 直击这一需求，展示了如何利用 Streamlit“纯 Python\"的特性，无需编写 HTML、CSS 或 JavaScript 代码，即可在极短时间内将数据模型部署为美观且互动的 Web 界面。这不仅大幅降低了技术门槛，也显著缩短了从原型构思到产品落地的周期。\n\n这套资源特别适合数据科学家、分析师以及希望提升工程化能力的 Python 开发者使用。无论是需要向团队展示分析结果的科研人员，还是渴望快速验证想法的初创技术人员，都能从中获得实用的构建思路。其独特的技术亮点在于“以教促学”的课程设计，通过 12 个循序渐进的案例，系统性地讲解了文件上传、图表交互、缓存优化等关键功能，让学习者在动手实践中自然领悟现代数据应用的开发逻辑，是入门 Streamlit 生态的优质指南。","# streamlit_freecodecamp\n## Build 12 Data Apps in Python with Streamlit\n\nLearn how to build interactive and data-driven web apps in Python using the Streamlit library.\n\nVideo | Title\n---|---\n\u003Ca href=\"https:\u002F\u002Fyoutu.be\u002FJwSS70SZdyM\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdataprofessor_streamlit_freecodecamp_readme_3161a7cfdf60.jpg\" alt=\"Build 12 Data Science Apps with Python and Streamlit - Full Course\" title=\"Build 12 Data Science Apps with Python and Streamlit - Full Course\" width=\"400\" \u002F>\u003C\u002Fa> | [Build 12 Data Science Apps with Python and Streamlit - Full Course](https:\u002F\u002Fyoutu.be\u002FJwSS70SZdyM)\n\n","# streamlit_freecodecamp\n## 使用 Streamlit 用 Python 构建 12 个数据应用\n\n学习如何使用 Streamlit 库在 Python 中构建交互式、数据驱动的 Web 应用。\n\n视频 | 标题\n---|---\n\u003Ca href=\"https:\u002F\u002Fyoutu.be\u002FJwSS70SZdyM\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdataprofessor_streamlit_freecodecamp_readme_3161a7cfdf60.jpg\" alt=\"使用 Python 和 Streamlit 构建 12 个数据科学应用 - 完整课程\" title=\"使用 Python 和 Streamlit 构建 12 个数据科学应用 - 完整课程\" width=\"400\" \u002F>\u003C\u002Fa> | [使用 Python 和 Streamlit 构建 12 个数据科学应用 - 完整课程](https:\u002F\u002Fyoutu.be\u002FJwSS70SZdyM)","# streamlit_freecodecamp 快速上手指南\n\n本指南基于 freeCodeCamp 的《使用 Python 和 Streamlit 构建 12 个数据应用》课程，帮助你快速搭建交互式数据网页应用。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n- **操作系统**：Windows、macOS 或 Linux\n- **Python 版本**：Python 3.8 至 3.11（推荐 Python 3.9+）\n- **前置依赖**：已安装 `pip` 包管理工具\n- **编辑器**：推荐使用 VS Code 或 PyCharm\n\n> **提示**：国内用户建议使用 [清华大学开源软件镜像站](https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple) 加速 Python 包下载。\n\n## 安装步骤\n\n1. 打开终端（Terminal）或命令提示符（CMD）。\n\n2. （可选）配置国内镜像源以提升下载速度：\n   ```bash\n   pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. 安装 Streamlit 核心库：\n   ```bash\n   pip install streamlit\n   ```\n\n4. 验证安装是否成功：\n   ```bash\n   streamlit hello\n   ```\n   如果浏览器自动打开并显示演示页面，说明安装成功。\n\n## 基本使用\n\n创建一个简单的数据应用只需几行代码。\n\n1. 新建一个 Python 文件，例如 `app.py`。\n\n2. 写入以下代码：\n   ```python\n   import streamlit as st\n   import pandas as pd\n   import numpy as np\n\n   st.title('我的第一个 Streamlit 应用')\n\n   # 生成随机数据\n   chart_data = pd.DataFrame(\n       np.random.randn(20, 3),\n       columns=['a', 'b', 'c']\n   )\n\n   st.write(\"以下是随机生成的数据图表：\")\n   st.line_chart(chart_data)\n\n   # 添加交互组件\n   if st.checkbox('显示原始数据'):\n       st.dataframe(chart_data)\n   ```\n\n3. 在终端中运行应用：\n   ```bash\n   streamlit run app.py\n   ```\n\n4. 浏览器将自动跳转到 `http:\u002F\u002Flocalhost:8501`，即可看到你的交互式数据应用。\n\n> **学习资源**：完整课程视频请参阅 [Build 12 Data Science Apps with Python and Streamlit - Full Course](https:\u002F\u002Fyoutu.be\u002FJwSS70SZdyM)。","某电商数据分析师需要向运营团队展示每日销售趋势和用户画像，但团队缺乏前端开发资源，导致数据洞察无法及时转化为可视化的交互报告。\n\n### 没有 streamlit_freecodecamp 时\n- 分析师只能导出静态 CSV 或截图，运营人员无法自行筛选日期范围或调整分析维度，沟通成本极高。\n- 若要实现交互功能，必须依赖前端工程师编写 HTML\u002FCSS\u002FJavaScript 代码，开发周期长达数周，严重滞后于业务需求。\n- 每次修改图表逻辑（如更换算法或增加指标）都需要重新走一遍“提需求 - 排期 - 开发 - 测试”的流程，迭代效率极低。\n- 团队成员因不懂 Web 开发框架，面对复杂的部署环境望而却步，大量优秀的 Python 数据分析脚本最终只能在本地运行，无法共享。\n\n### 使用 streamlit_freecodecamp 后\n- 分析师参考课程中的实战案例，仅用纯 Python 代码在几小时内就构建出支持动态筛选和钻取的交互式销售看板。\n- 无需任何前端知识，直接利用 Streamlit 组件将 Pandas 数据框转化为可排序、可搜索的表格，实现了从“看死图”到“玩数据”的转变。\n- 业务方提出新增“区域对比”需求时，分析师只需在脚本中追加几行代码并刷新页面，即可实时上线新功能，响应速度从天级缩短至分钟级。\n- 借助课程中教授的部署技巧，轻松将应用发布到云端，运营团队通过链接即可在任何设备上访问最新数据报告，打破了数据孤岛。\n\nstreamlit_freecodecamp 让数据专家无需跨越前端开发的鸿沟，就能将 Python 脚本瞬间转化为赋能业务决策的现代化 Web 应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdataprofessor_streamlit_freecodecamp_3161a7cf.jpg","dataprofessor","Chanin Nantasenamat","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdataprofessor_d3f12727.jpg","My name is Chanin Nantasenamat, Ph.D. and I am a Developer Advocate, YouTuber at the \"Data Professor\" channel and ex-Professor of Bioinformatics","Streamlit Inc.","USA",null,"thedataprof","http:\u002F\u002Fyoutube.com\u002Fdataprofessor","https:\u002F\u002Fgithub.com\u002Fdataprofessor",[26,30],{"name":27,"color":28,"percentage":29},"Jupyter Notebook","#DA5B0B",69.2,{"name":31,"color":32,"percentage":33},"Python","#3572A5",30.8,669,573,"2026-03-14T17:45:32",1,"未说明",{"notes":40,"python":38,"dependencies":41},"该项目为 freeCodeCamp 的 Streamlit 教程代码库，用于构建 12 个数据应用。具体运行环境需求取决于所运行的特定应用程序（例如是否包含机器学习模型），但核心框架仅需安装 Streamlit 即可运行基础示例。建议参考具体视频章节或单个应用脚本以确定额外依赖。",[42],"streamlit",[44,45,46],"其他","数据工具","开发框架",[42,48,49,50,51],"data-science","python","machine-learning","exploratory-data-analysis",2,"ready","2026-03-27T02:49:30.150509","2026-04-19T06:01:42.410648",[57],{"id":58,"question_zh":59,"answer_zh":60,"source_url":61},41633,"遇到 'AttributeError: DataFrame 对象没有 close 属性' 错误怎么办？","这是因为 Pandas DataFrame 的列名区分大小写。在获取股票收盘价时，列名应为大写的 'Close' 而不是小写的 'close'。请将代码修改为：st.line_chart(tickerDf.Close)。","https:\u002F\u002Fgithub.com\u002Fdataprofessor\u002Fstreamlit_freecodecamp\u002Fissues\u002F2",[],[64,75,83,92,100,109],{"id":65,"name":66,"github_repo":67,"description_zh":68,"stars":69,"difficulty_score":70,"last_commit_at":71,"category_tags":72,"status":53},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[73,46,74,45],"Agent","图像",{"id":76,"name":77,"github_repo":78,"description_zh":79,"stars":80,"difficulty_score":70,"last_commit_at":81,"category_tags":82,"status":53},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[46,74,73],{"id":84,"name":85,"github_repo":86,"description_zh":87,"stars":88,"difficulty_score":52,"last_commit_at":89,"category_tags":90,"status":53},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160015,"2026-04-18T11:30:52",[46,73,91],"语言模型",{"id":93,"name":94,"github_repo":95,"description_zh":96,"stars":97,"difficulty_score":52,"last_commit_at":98,"category_tags":99,"status":53},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[46,74,73],{"id":101,"name":102,"github_repo":103,"description_zh":104,"stars":105,"difficulty_score":52,"last_commit_at":106,"category_tags":107,"status":53},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[108,73,74,46],"插件",{"id":110,"name":111,"github_repo":112,"description_zh":113,"stars":114,"difficulty_score":52,"last_commit_at":115,"category_tags":116,"status":53},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[108,46]]