《基于人工智能和数据科学的API实战》—

基于人工智能和数据科学的API实战

余琦, 杨垚译

出版时间：2026年08月（预计）

页数：340（预计）

“本书是对数据科学社区的卓越贡献。为你自己的职业发展做个贡献吧，将此书收入你的数据科学图书馆，成为一名更优秀、更高效的数据科学家！”
——Alex Gutman
《Becoming a Data Head》作者
“随着API在数据科学和人工智能领域的重要性日益增长，本书是获取实践见解的重要资源。对于任何希望创建具有影响力的API的人来说，这都是一本极具价值的读物。”
——James Gough
摩根士丹利杰出工程师、《Mastering API Architecture》作者
“对于希望完善个人数据科学能力的人，或是希望更好服务客户的公司来说，这都是必读之作。”
——Eric Eager
卡罗莱纳黑豹队足球分析副总裁

API技能对于人工智能和数据科学的成功至关重要。通过本书，数据科学家和软件开发人员将获得使用Python语言以及FastAPI和Streamlit等流行框架开发和使用API的实战经验。
全书分为三个部分，涵盖从零开始构建API、将其集成到工作流中，以及利用ChatGPT和LangChain等人工智能工具与大语言模型（LLM）进行API交互。
● 学习为数据科学应用量身定制API设计。
● 探索如何使用Python和FastAPI构建并部署API。
● 了解如何将API集成到数据科学工作流中，以进行数据访问和可视化。
● 训练机器学习模型并将其部署为API。
● 使用生成式AI和大语言模型有效地与API交互。

目录
产品信息
关于作者
封面介绍

前言
第一部分为数据科学构建API
第1章构建数据科学家喜爱的API
1.1 数据科学家如何使用API
1.2 数据科学家使用哪些工具
1.3 为数据科学家设计API
1.4 介绍你的第一部分作品集项目
1.5 每个API都有一个故事
1.5.1 遇见你的公司：SportsWorldCentral
1.5.2 SWC需要一个API
1.6 选择首批API产品
1.6.1 识别潜在用户
1.6.2 创建用户故事
1.7 其他资源
1.8 总结
第2章选择你的API架构
2.1 API架构风格
2.1.1 表述性状态转移（REST）
2.1.2 图查询语言（GraphQL）
2.1.3 gRPC
2.1.4 你的选择：REST
2.2 技术架构
2.3 本章使用的软件
2.3.1 Python
2.3.2 GitHub
2.4 开始使用你的GitHub Codespace
2.4.1 创建你的GitHub账户
2.4.2 克隆第一部分的仓库
2.4.3 启动你的GitHub Codespace
2.4.4 参观你的新Codespace
2.4.5 进行你的第一次提交
2.5 其他资源
2.6 总结
第3章创建你的数据库
3.1 API的组成部分
3.2 本章使用的软件
3.2.1 SQLite
3.2.2 SQLAlchemy
3.2.3 pytest
3.3 创建你的SQLite数据库
3.3.1 创建数据库表
3.3.2 理解表结构
3.3.3 加载数据
3.4 使用Python访问数据
3.4.1 在环境中安装SQLAlchemy
3.4.2 创建用于数据库访问的Python文件
3.4.3 创建数据库配置文件
3.4.4 创建SQLAlchemy辅助函数
3.4.5 在环境中安装pytest
3.4.6 测试你的SQLAlchemy代码
3.5 其他资源
3.6 总结
第4章开发FastAPI代码
4.1 继续你的作品集项目
4.2 本章使用的软件
4.2.1 FastAPI
4.2.2 HTTPX
4.2.3 Pydantic
4.2.4 Uvicorn
4.3 复制第3章的文件
4.4 在你的Codespace中安装新库
4.5 为你的API创建Python文件
4.5.1 创建Pydantic规范
4.5.2 创建你的FastAPI控制器
4.6 测试你的API
4.7 启动你的API
4.8 其他资源
4.9 总结
第5章编写API文档
5.1 传递信任信号
5.2 打造卓越的API文档
5.2.1 核心功能
5.2.2 额外功能
5.3 审查API文档示例
5.3.1 Sleeper App
5.3.2 MyFantasyLeague
5.3.3 Yahoo! Fantasy Football
5.4 查看API的内置文档
5.4.1 从第4章复制文件
5.4.2 文档选项1：Swagger UI
5.4.3 文档选项2：Redoc
5.5 处理OpenAPI规范（OAS）文件
5.6 继续你的作品集项目
5.6.1 向OAS info对象添加详细信息
5.6.2 添加标签对路径进行分类
5.6.3 为单个端点添加更多详细信息
5.6.4 添加参数描述
5.6.5 在Swagger UI中查看更改
5.6.6 对API进行回归测试
5.7 更新你的README.md
5.8 其他资源
5.9 总结
第6章将API部署到云端
6.1 云部署的优势与责任
6.1.1 优势
6.1.2 责任
6.2 为你的项目选择云主机
6.3 设置项目目录
6.4 使用GitHub Codespaces作为云主机
6.5 部署到Render
6.5.1 注册Render
6.5.2 创建新的Web服务
6.5.3 自动部署API的变更
6.6 使用Docker容器交付应用
6.6.1 验证Docker安装
6.6.2 创建Dockerfile
6.6.3 创建.dockerignore文件
6.6.4 构建容器镜像
6.6.5 在本地运行容器镜像
6.7 部署到AWS
6.7.1 创建Lightsail容器服务
6.7.2 安装AWS CLI
6.7.3 安装Amazon Lightsail容器服务插件
6.7.4 配置登录凭据
6.7.5 将容器镜像推送到Lightsail
6.7.6 创建Lightsail部署
6.8 更新API文档
6.9 其他资源
6.10 总结
第7章内置电池：创建Python SDK
7.1 SDK弥合差距
7.2 为你的SDK选择一种语言
7.3 从最小可行SDK开始
7.3.1 专家建议：让你的SDK易于安装
7.3.2 专家建议：使SDK保持一致且符合惯例（Idiomatic）
7.4 构建功能丰富的SDK
7.4.1 专家建议：使用合理的默认值
7.4.2 专家建议：提供丰富的功能
7.4.3 专家建议：执行日志记录
7.4.4 专家建议：隐藏API的复杂细节
7.4.5 专家建议：支持批量下载
7.4.6 专家建议：记录你的SDK
7.4.7 测试你的SDK
7.4.8 专家建议：支持API的每一项任务
7.5 完成你的第一部分作品集项目
7.6 其他资源
7.7 总结
第二部分在数据科学项目中使用API
第8章数据科学家应该了解的API
8.1 使用各种API风格
8.2 HTTP基础知识
8.3 如何负责任地使用API
8.4 关注点分离：使用SDK或创建API客户端
8.5 如何构建API
8.6 如何测试API
8.7 API部署和容器化
8.8 使用版本控制
8.9 介绍你的第二部分作品集项目
8.10 开始使用你的GitHub Codespace
8.10.1 克隆第二部分存储库
8.10.2 启动你的GitHub Codespace
8.11 在本地运行SportsWorldCentral (SWC) API
8.12 其他资源
8.13 总结
第9章使用API进行数据分析
9.1 体育分析的自定义指标
9.2 使用API作为梦幻体育自定义指标的数据源
9.3 创建自定义指标：鲨鱼联赛得分
9.4 本章使用的软件
9.4.1 httpx
9.4.2 Jupyter Notebooks
9.4.3 pandas
9.5 在你的Codespace中安装新库
9.6 在Codespaces中启动你的API
9.7 创建API客户端文件
9.8 创建你的Jupyter Notebook
9.9 向你的Notebook添加通用配置
9.10 使用你的API数据
9.11 计算联赛均衡得分
9.12 计算联赛果汁得分
9.13 创建鲨鱼联赛得分
9.14 其他资源
9.15 总结
第10章在数据管道中使用API
10.1 数据管道的数据源类型
10.2 规划数据管道
10.3 使用Apache Airflow编排数据管道
10.4 在GitHub Codespaces中安装Apache Airflow
10.5 创建本地分析数据库
10.6 在Codespaces中启动API
10.7 配置Airflow连接
10.8 创建你的第一个DAG
10.9 编码共享函数
10.10 运行DAG
10.11 总结
第11章在Streamlit数据应用中使用API
11.1 通过交互式可视化吸引用户
11.2 本章使用的软件
11.2.1 nfl_data_py
11.2.2 Streamlit
11.3 安装Streamlit和nfl_data_py
11.4 在Codespaces中启动你的API
11.5 重用第9章API客户端文件
11.6 创建你的Streamlit应用
11.7 更新入口文件
11.8 运行你的Streamlit应用
11.9 创建球队名单页面
11.10 创建球队统计页面
11.11 部署你的Streamlit应用
11.12 完成你的第二部分作品集项目
11.13 其他资源
11.14 总结
第三部分将API与人工智能结合使用
第12章将API与人工智能结合使用
12.1 AI与API的重叠
12.2 设计适用于生成式AI和LLM的API
12.3 定义人工智能
12.4 生成式AI和大型语言模型（LLM）
12.5 创建AI代理应用程序
12.6 介绍你的第三部分作品集项目
12.7 开始使用你的GitHub Codespace
12.7.1 克隆第三部分代码仓库
12.7.2 启动你的GitHub Codespace
12.8 其他资源
12.9 总结
第13章部署机器学习API
13.1 训练机器学习模型
13.2 本章使用的新软件
13.2.1 ONNX Runtime
13.2.2 scikit-learn
13.2.3 sklearn-onnx
13.3 在你的Codespace中安装新库
13.4 使用CRISP-DM流程
13.5 业务理解
13.6 数据理解
13.7 数据准备
13.8 建模
13.9 评估
13.10 部署
13.11 其他资源
13.12 总结
第14章使用LangChain进行API调用
14.1 通过API调用AI（基于LangChain）
14.2 创建LangGraph代理
14.2.1 注册Anthropic
14.2.2 启动你的GitHub Codespace
14.3 在你的Codespace中安装新库
14.4 创建Jupyter Notebook
14.5 与LangGraph代理聊天
14.6 在本地运行SportsWorldCentral (SWC) API
14.7 安装swcpy软件开发工具包（SDK）
14.8 创建LangChain工具包
14.9 使用AI调用API（基于LangGraph）
14.10 与你的代理聊天（带工具）
14.11 其他资源
14.12 总结
第15章使用ChatGPT调用你的API
15.1 你的应用程序架构
15.2 开始使用ChatGPT
15.3 创建自定义GPT
15.4 启动你的GitHub Codespace
15.5 在GitHub Codespaces中运行SportsWorldCentral (SWC) API
15.6 将服务器部分添加到你的OAS文件
15.7 创建GPT操作
15.8 在你的GPT中测试API
15.9 与你的自定义GPT聊天
15.10 完成你的第三部分作品集项目
15.11 总结
作者介绍
封面介绍

书名：基于人工智能和数据科学的API实战

作者：Ryan Day 著

译者：余琦, 杨垚译

国内出版社：中国电力出版社

出版时间：2026年08月（预计）

页数：340（预计）

书号：978-7-5239-1153-2

原版书书名：Hands-On APIs for AI and Data Science

原版书出版商：O'Reilly Media

Ryan Day

Ryan Day是CSBS的资深数据科学家，也是FastAPI的开源开发者，在联邦部门的云计算和API开发方面拥有深厚背景。

查看Ryan Day更多信息

本书封面上的动物是一只马岛大狐猴（学名：Cheirogaleus major）。这种夜行动物生活在马达加斯加东部和北部地区，在生态系统中发挥着至关重要的作用。
马岛大狐猴比大多数其他狐猴体型更小，体重介于5~21盎司之间。它们粗壮的身体平均长度为9.5英寸；而毛茸茸的尾巴则长得多，长度在1~21.7英寸之间。它们短而密的皮毛颜色从灰色到暖红色不等，大而圆的眼睛周围有深色环纹，眼睛里含有一层反光组织，帮助它们在黑暗中看清事物。它们手脚上长有小而锋利的爪子，便于在树枝间穿梭。
马岛大狐猴主要栖息在森林中；它们白天在用树叶、细枝和草搭建的巢穴中，或在树木的空心部分睡觉。它们的食物包括水果、花朵、藤蔓叶、花蜜，有时也吃昆虫。由于其饮食习惯，这些狐猴被视为授粉者，并且它们食用果实有助于种子传播。
不幸的是，马岛大狐猴是易危物种；森林砍伐和刀耕火种的农业威胁着它们的栖息地，它们经常被猎杀或捕获作为当地的宠物。目前已采取栖息地恢复和反偷猎措施来保护这些生物免受伤害。

购买选项

定价：128.00元（预计）

书号：978-7-5239-1153-2

出版社：中国电力出版社

联系出版社邮购