Stage 4 练习

以下 25 道练习覆盖 Stage 4 的核心知识点。建议按顺序完成，每道题都包含类型标注、日志记录和必要测试。

FastAPI 练习（1-6）

图书管理 API：实现 Book 模型和 GET/POST/PUT/DELETE 端点，支持按作者、价格范围和出版年份筛选。
依赖注入链：实现 verify_api_key、get_current_user 和 require_role(role)。
WebSocket 聊天：支持多房间、加入/离开房间、广播消息和在线用户统计。
文件上传 API：支持 CSV / JSON 上传，限制文件大小为 10MB，返回行数、列数和列名摘要。
API 版本管理：让 /api/v1/users 和 /api/v2/users 共存。
异步批量操作：POST /batch/process 接收多个 URL，并发请求后返回结果汇总。

数据库练习（7-10）

博客数据库设计：用 SQLModel 设计 User、Post、Comment、Tag，并实现完整 CRUD。
分页查询：实现通用分页函数。

python

async def paginate(session, model, page: int = 1, page_size: int = 20, order_by: str = "id"):
    """返回 items、total、page、page_size、total_pages。"""

N+1 问题优化：构造一个 N+1 查询，再分别用 selectinload 和 joinedload 优化。
事务处理：实现转账功能，确保余额扣减和增加是原子操作。

Pandas 数据分析练习（11-16）

数据清洗：给定含缺失值、重复值和异常值的 CSV，完成清洗流水线。
销售数据分析：月度汇总、环比增长率、Top 10 产品、季节性分析。
数据合并：合并用户、订单、产品表，生成综合分析报告。
时间序列分析：对股票或气温数据做移动平均、季节性分解和趋势检测。
透视表报表：按部门和月份统计销售额、员工数和人均产出。
数据可视化仪表盘：用 Matplotlib 或 Plotly 创建至少 4 个图表。

机器学习练习（17-21）

鸢尾花分类：比较逻辑回归、决策树、随机森林和 SVM，用交叉验证评估。
房价预测：在 California Housing 数据集上比较线性回归和随机森林。
特征工程 Pipeline：构建缺失值处理、标准化、One-Hot 编码和模型训练流水线。
过拟合诊断：构建一个过拟合模型，再通过正则化、减少特征或增加数据改进。
模型持久化：用 joblib 保存模型，加载后在新数据上预测。

Docker / 部署练习（22-25）

Docker FastAPI：为 FastAPI 项目编写多阶段 Dockerfile，目标镜像小于 200MB。
Docker Compose 编排：编排 FastAPI + PostgreSQL + Redis，包含 healthcheck 和 volume。
GitHub Actions CI：运行 ruff、mypy、pytest，并构建 Docker 镜像。
配置管理：用 pydantic-settings 实现 dev / staging / prod 多环境配置。