1. 项目概述：一个为苏格兰威士忌爱好者打造的Python工具库
如果你和我一样，既是个Python开发者，又是个苏格兰威士忌的深度爱好者，那你肯定也遇到过类似的困扰：想写个小程序分析一下自己收藏的酒款，或者想从某个威士忌数据库里批量抓点信息，结果发现要么没有现成的API，要么接口设计得极其反人类，数据格式五花八门，光是处理各种缩写、酒厂别名、年份表示法就够喝一壶的了。每次都得从零开始写爬虫、解析HTML、清洗数据，重复造轮子不说，还特别容易出错。
直到我发现了ezorita/scotpy这个项目。从名字就能看出来，scotpy是 “Scotch” 和 “Python” 的结合体。它本质上是一个专门为苏格兰威士忌数据设计的Python客户端库。简单来说，它把访问和处理威士忌数据这个复杂、琐碎的过程，封装成了一组简单、直观的Python函数和类。你不用再关心底层的网络请求、HTML解析或是数据清洗，只需要像调用本地函数一样，就能获取到结构清晰、格式统一的威士忌信息。
这个项目解决的痛点非常明确：标准化和简化对苏格兰威士忌相关数据的程序化访问。无论是想构建一个个人威士忌收藏管理应用，还是做一个酒款比价工具，甚至是进行一些风味数据分析，scotpy都试图为你提供一个可靠的基础设施。它瞄准的用户群体非常垂直，就是那些有一定编程基础（至少熟悉Python），并且对威士忌数据有自动化处理需求的爱好者、收藏家、酒吧经营者，甚至是行业内的数据分析师。
2. 核心设计思路与架构解析
2.1 为什么需要一个专门的威士忌库？
在深入代码之前，我们先聊聊为什么不能直接用requests加BeautifulSoup来解决问题。威士忌数据，尤其是来自爱好者社区或商业网站的数据，有几个显著特点：
- 数据源分散且非结构化：权威数据可能来自官方装瓶商（OB）的PDF手册，爱好者品饮笔记在论坛和博客，价格信息在拍卖行和电商平台。每个来源的HTML结构、数据呈现方式都完全不同。
- 领域知识门槛高：数据中充斥着大量行业术语和缩写。比如“CS”可能指“Cask Strength”（桶强），也可能指“Chill Filtered”（冷凝过滤）；酒厂名称可能有官方名、常用名、已关闭酒厂的旧名等多种变体。
- 数据一致性差：同一款酒，在不同平台上，其年份、酒精度、容量等信息格式可能千差万别。有的用“43% vol”，有的用“43% ABV”，有的甚至只写“43%”。
scotpy的设计哲学，就是要在应用层面对这些混乱进行抽象和统一。它不是一个试图爬取所有网站的大杂烩，而更可能是一个针对某个或某几个结构化程度相对较好、数据质量较高的威士忌数据源（例如，某个知名的威士忌数据库公开API，或一个维护良好的社区数据文件）的封装客户端。
2.2 推测的核心架构与模块划分
虽然无法看到ezorita/scotpy的具体源码，但根据其项目定位和常见类库的设计模式，我们可以合理推断其内部架构会包含以下几个核心模块：
客户端模块：这是库的入口和大脑。它负责管理配置（如API密钥、请求超时、重试策略），封装对底层数据源的所有HTTP请求。通常会提供一个主类（比如ScotchClient），用户通过实例化这个类来开始使用。
数据模型模块：这是库的核心价值所在。它会定义一系列Python类来映射威士忌领域的实体。例如：
Distillery: 包含酒厂名称、地区（高地、艾雷岛等）、状态（运营中、关闭）、成立年份等。Bottling: 包含装瓶信息，如酒款名称、酒厂引用、年份/酒龄、酒精度、容量、装瓶类型（单桶、小批次等）、官方品鉴笔记。Price: 包含价格、货币、时间戳、数据来源等。 这些类不仅存储数据，还会实现数据验证、格式化输出（如JSON、字典）等方法，确保内部数据的一致性。
查询与过滤模块：提供灵活的数据检索方式。可能包括：
- 根据酒厂名、地区进行筛选。
- 根据酒龄范围、酒精度范围进行过滤。
- 根据关键词（如“雪莉桶”、“泥煤味”）进行搜索。
- 支持分页获取大量数据。
工具与工具模块：包含一些实用的辅助功能，例如：
- 将酒精度从“% vol”转换为“Proof”的函数。
- 计算近似桶陈年份的估算工具（如果已知蒸馏和装瓶年份）。
- 处理常见缩写和别名的映射字典。
错误处理模块：定义库自定义的异常类型，如ScotpyError,NotFoundError,RateLimitError等，让用户能够更精确地捕获和处理调用API时可能发生的问题。
这样的架构设计，使得scotpy的使用者能够完全站在“威士忌数据”这个业务层面进行思考，而无需关心数据是如何获取和清洗的，实现了高度的关注点分离。
3. 核心功能拆解与实操要点
3.1 安装与环境配置
首先，你需要安装这个库。通常这类库会发布在PyPI上，因此安装非常简单。打开你的终端或命令行，使用pip进行安装：
pip install scotpy如果开发者还在积极维护，可能还会提供安装特定版本或从GitHub直接安装的方式：
# 安装特定版本 pip install scotpy==0.1.0 # 从GitHub仓库主分支安装（适用于尝鲜或贡献代码） pip install git+https://github.com/ezorita/scotpy.git安装完成后，在Python中导入它。通常主客户端类会被直接暴露在库的顶层：
import scotpy # 或者从scotpy中导入客户端 from scotpy import ScotchClient接下来是配置。绝大多数此类库都需要某种形式的认证，尤其是当它背后连接的是一个有访问限制的API时。常见的配置方式是使用API密钥。
重要提示：永远不要将你的API密钥硬编码在脚本中并上传到GitHub等公开仓库。这会导致密钥泄露，可能产生未经授权的使用和费用。务必使用环境变量或配置文件来管理密钥。
推荐的做法是使用环境变量：
- 在命令行中临时设置（仅对当前会话有效）：
export SCOTPY_API_KEY='your_actual_api_key_here' - 或者，更持久的方法是在你的项目根目录创建一个
.env文件：
然后在Python代码中使用# .env 文件内容 SCOTPY_API_KEY=your_actual_api_key_herepython-dotenv库来加载：from dotenv import load_dotenv import os load_dotenv() # 加载 .env 文件中的环境变量 api_key = os.getenv('SCOTPY_API_KEY')
有了密钥，就可以初始化客户端了：
client = ScotchClient(api_key=api_key) # 或者，如果库支持从环境变量自动读取 client = ScotchClient() # 它会自动查找名为 SCOTPY_API_KEY 的环境变量有些客户端还允许你配置其他参数，比如请求超时时间、重试次数、自定义用户代理等，这些在访问不稳定或限制严格的API时很有用。
client = ScotchClient( api_key=api_key, timeout=30, # 请求超时设为30秒 max_retries=3, # 失败后重试最多3次 user_agent='MyWhiskyApp/1.0' # 自定义用户代理，方便对方识别 )3.2 基础数据检索：获取酒厂与酒款信息
库的核心功能自然是获取数据。我们假设scotpy提供了类似以下的基础检索方法。
获取所有酒厂列表：这通常是一个简单的GET请求，返回一个酒厂对象的列表。
# 获取所有酒厂 distilleries = client.get_distilleries() for distillery in distilleries: print(f"{distillery.name} - {distillery.region} - Active: {distillery.is_active}")返回的distilleries很可能是一个由Distillery对象组成的列表。每个对象都有定义好的属性，如name,region,is_active等，你可以像访问普通Python对象属性一样访问它们。
根据ID或名称获取特定酒厂：如果你知道目标酒厂的具体标识符，可以直接获取其详细信息。
# 通过ID获取（假设ID为'lagavulin'） lagavulin = client.get_distillery('lagavulin') print(f"酒厂: {lagavulin.name}") print(f"地区: {lagavulin.region}") print(f"介绍: {lagavulin.description[:100]}...") # 只打印前100个字符 # 通过名称搜索（可能返回列表） results = client.search_distilleries('Ardbeg') for result in results: print(result.name, result.id)获取某个酒厂旗下的装瓶酒款：这是更常见的需求。一个酒厂会生产数十甚至上百款不同的装瓶。
# 获取拉加维林酒厂的所有装瓶记录 bottlings = client.get_bottlings_by_distillery('lagavulin') print(f"找到了 {len(bottlings)} 款拉加维林装瓶。") for bottling in bottlings[:5]: # 只打印前5款 print(f" - {bottling.name} ({bottling.age}年, {bottling.strength}% vol)")这里返回的bottlings是Bottling对象的列表。注意，对于数据量大的酒厂，这个列表可能很长。一个设计良好的库应该在这里支持分页。
# 假设库支持分页参数 bottlings_page1 = client.get_bottlings_by_distillery('lagavulin', page=1, per_page=50) bottlings_page2 = client.get_bottlings_by_distillery('lagavulin', page=2, per_page=50)直接搜索或获取特定酒款：你也可以直接搜索酒款名。
# 搜索所有名称中包含“16年”的酒款 results = client.search_bottlings('16年') for bottling in results: print(f"{bottling.distillery_name} {bottling.name}") # 通过唯一ID获取某款酒的详细信息（假设从搜索结果或列表中获得了ID） bottling_id = 'lagavulin-16-43vol-700ml' detailed_bottling = client.get_bottling(bottling_id) print(detailed_bottling.tasting_notes) # 打印官方品鉴笔记3.3 高级查询与过滤：精准定位目标数据
基础检索只能满足简单需求。一个强大的库必须提供灵活的过滤和查询能力。这通常通过向查询方法传递一系列过滤参数来实现。
按地区过滤酒厂：苏格兰威士忌的一大特色就是产区风味差异。你可能只想看艾雷岛的酒厂。
# 获取所有艾雷岛（Islay）的酒厂 islay_distilleries = client.get_distilleries(region='Islay')按酒龄和酒精度过滤酒款：寻找高年份或高酒精度的酒款。
# 寻找酒龄在18年以上，酒精度高于50%的酒款 strong_old_whiskies = client.get_bottlings(min_age=18, min_strength=50.0)组合过滤条件：这才是查询的威力所在。
# 寻找艾雷岛产区，酒龄在10-15年之间，酒精度在46%-55%之间，并且是桶强（Cask Strength）的非冷凝过滤（Non Chill Filtered）酒款 my_preference = client.get_bottlings( region='Islay', min_age=10, max_age=15, min_strength=46.0, max_strength=55.0, is_cask_strength=True, is_non_chill_filtered=True )关键词全文搜索：在酒款描述、品鉴笔记中搜索特定风味关键词。
# 搜索带有“雪莉”、“干果”风味的酒款 sherry_bombs = client.search_bottlings('sherry dried fruit', search_in='tasting_notes')为了实现这些过滤，库的内部需要将你的Python参数转换为底层API能够理解的查询字符串或请求体。同时，它必须处理参数验证，确保你传递的min_age是数字，region是有效的产区名等。
3.4 数据处理与对象关系映射
scotpy返回的不是原始的JSON字典，而是Python对象。这带来了巨大的便利。
访问对象属性：数据被标准化了。
bottling = client.get_bottling('some-id') # 直接访问属性，无需记忆JSON键名 print(bottling.name) print(bottling.distillery.name) # 可能是一个嵌套的Distillery对象 print(bottling.strength) print(bottling.volume_ml)对象的方法：这些类可能还包含一些业务逻辑方法。
# 假设Bottling类有一个方法，可以估算当前市场价格（如果库整合了价格数据） estimated_price = bottling.estimate_current_price(currency='GBP') print(f"预估价格: £{estimated_price:.2f}") # 或者一个格式化描述的方法 print(bottling.get_formatted_description()) # 输出可能像：“拉加维林16年，43% vol，700ml，发布于2000年代初期”转换为常用格式：方便数据交换或存储。
# 转换为字典，方便存入数据库或转为JSON bottling_dict = bottling.to_dict() import json bottling_json = json.dumps(bottling_dict, ensure_ascii=False, indent=2) # 转换为Pandas DataFrame（如果安装了pandas） import pandas as pd bottlings_list = client.get_bottlings_by_distillery('highland_park', limit=100) df = pd.DataFrame([b.to_dict() for b in bottlings_list]) print(df[['name', 'age', 'strength']].head())这种面向对象的设计，让代码更清晰、更符合直觉，也减少了出错的可能。
4. 实战应用场景与代码示例
理解了核心功能后，我们来看几个具体的应用场景，把scotpy用起来。
4.1 场景一：构建个人威士忌收藏数据库
假设你是一个收藏家，想用Python和SQLite（或任何其他数据库）管理自己的藏酒。
import sqlite3 from scotpy import ScotchClient client = ScotchClient(api_key='your_key') # 1. 创建数据库和表 conn = sqlite3.connect('my_whisky_collection.db') cursor = conn.cursor() cursor.execute(''' CREATE TABLE IF NOT EXISTS collection ( id TEXT PRIMARY KEY, name TEXT NOT NULL, distillery_id TEXT, age INTEGER, strength REAL, volume_ml INTEGER, purchase_date TEXT, purchase_price REAL, notes TEXT ) ''') # 2. 假设你想把艾雷岛所有酒龄>=12年的酒款信息先预存到数据库作为参考 print("正在获取艾雷岛核心酒款信息...") islay_bottlings = client.get_bottlings(region='Islay', min_age=12) for bottling in islay_bottlings: # 检查是否已存在 cursor.execute('SELECT id FROM collection WHERE id = ?', (bottling.id,)) if cursor.fetchone() is None: cursor.execute(''' INSERT INTO collection (id, name, distillery_id, age, strength, volume_ml) VALUES (?, ?, ?, ?, ?, ?) ''', ( bottling.id, bottling.name, bottling.distillery.id if bottling.distillery else None, bottling.age, bottling.strength, bottling.volume_ml )) print(f"已添加: {bottling.name}") conn.commit() print("参考数据库更新完成。") # 3. 现在，当你购买了一款新酒，可以手动（或通过扫描条码）添加购买信息 new_purchase_id = 'ardbeg-10-46vol-700ml' # 假设这是你刚买的阿贝10年的ID purchase_date = '2023-10-27' purchase_price = 65.99 # 英镑 personal_notes = '经典的泥煤烟熏，带有柠檬和奶油香草味。' cursor.execute(''' UPDATE collection SET purchase_date = ?, purchase_price = ?, notes = ? WHERE id = ? ''', (purchase_date, purchase_price, personal_notes, new_purchase_id)) conn.commit() conn.close()这个简单的脚本建立了一个本地数据库，将线上数据与你的个人收藏信息结合了起来。
4.2 场景二：威士忌风味分析与可视化
我们可以利用获取的数据进行一些简单的分析，比如看看不同产区的平均酒精度有什么差异。
import matplotlib.pyplot as plt from scotpy import ScotchClient client = ScotchClient() regions_of_interest = ['Highlands', 'Islay', 'Speyside', 'Lowlands', 'Campbeltown'] region_data = {} for region in regions_of_interest: print(f"正在分析{region}产区...") # 获取该产区一定数量的酒款样本（避免请求过多） bottlings = client.get_bottlings(region=region, limit=100) if bottlings: strengths = [b.strength for b in bottlings if b.strength is not None] avg_strength = sum(strengths) / len(strengths) if strengths else 0 region_data[region] = { 'avg_strength': avg_strength, 'sample_size': len(strengths), 'min': min(strengths) if strengths else 0, 'max': max(strengths) if strengths else 0 } print(f" {region}: 平均酒精度 {avg_strength:.1f}% (样本数: {len(strengths)})") else: print(f" {region}: 未找到数据") # 数据可视化 regions = list(region_data.keys()) avg_strengths = [region_data[r]['avg_strength'] for r in regions] sample_sizes = [region_data[r]['sample_size'] for r in regions] fig, ax1 = plt.subplots(figsize=(10, 6)) bars = ax1.bar(regions, avg_strengths, color='skyblue', edgecolor='black') ax1.set_xlabel('产区') ax1.set_ylabel('平均酒精度 (% vol)', color='black') ax1.tick_params(axis='y', labelcolor='black') ax1.set_title('苏格兰主要威士忌产区平均酒精度分析 (样本数据)') # 在柱子上方标注样本数 for bar, sample in zip(bars, sample_sizes): height = bar.get_height() ax1.text(bar.get_x() + bar.get_width()/2., height + 0.2, f'n={sample}', ha='center', va='bottom', fontsize=9) plt.xticks(rotation=45) plt.tight_layout() plt.savefig('whisky_region_strength.png', dpi=300) plt.show()这段代码会生成一张柱状图，直观展示不同产区的平均酒精度差异。当然，这是一个非常简单的分析，你可以进一步分析酒龄分布、价格趋势，甚至用NLP技术分析品鉴笔记中的风味词频。
4.3 场景三：价格监控与提醒工具
对于想“捡漏”的爱好者，可以写一个定时脚本，监控特定酒款的价格变化。
import time import smtplib from email.mime.text import MIMEText from datetime import datetime from scotpy import ScotchClient client = ScotchClient() # 你心仪的酒款ID列表 watch_list = ['springbank-15-46vol-700ml', 'macallan-18-sherry-oak-43vol-700ml'] # 存储上次检查的价格 price_history = {} def check_prices(): current_prices = {} for bottling_id in watch_list: try: bottling = client.get_bottling(bottling_id) # 假设Bottling对象有一个`current_price`属性，或者需要通过其他方法获取 # 这里我们假设有一个`get_price()`方法返回最新价格和货币 price_info = bottling.get_price() # 返回类似 {'price': 120.50, 'currency': 'GBP', 'source': 'AuctionSiteX'} current_prices[bottling_id] = price_info old_price_info = price_history.get(bottling_id) if old_price_info: price_change = ((price_info['price'] - old_price_info['price']) / old_price_info['price']) * 100 if abs(price_change) > 5: # 价格变动超过5%时触发提醒 send_alert(bottling.name, old_price_info, price_info, price_change) except Exception as e: print(f"获取 {bottling_id} 价格时出错: {e}") # 更新历史记录 price_history.update(current_prices) print(f"{datetime.now()}: 价格检查完成。当前监控 {len(current_prices)} 款酒。") def send_alert(bottling_name, old_info, new_info, change_pct): # 这里是一个简单的邮件提醒示例（需要配置SMTP） subject = f"威士忌价格提醒: {bottling_name}" body = f""" 酒款: {bottling_name} 价格变动: 之前: {old_info['price']} {old_info['currency']} ({old_info.get('date', 'N/A')}) 现在: {new_info['price']} {new_info['currency']} ({datetime.now().strftime('%Y-%m-%d %H:%M')}) 变动: {change_pct:+.1f}% 数据源: {new_info['source']} """ # ... 这里省略具体的邮件发送代码 (使用smtplib) print(f"【提醒】{subject}\n{body}") # 主循环：每6小时检查一次 while True: check_prices() time.sleep(6 * 60 * 60) # 休眠6小时这个脚本框架展示了如何将scotpy用于自动化监控。你可以将其部署在服务器上，实现真正的价格追踪机器人。
5. 常见问题、避坑指南与进阶技巧
在实际使用中，你肯定会遇到各种问题。下面分享一些我总结的经验和可能遇到的坑。
5.1 网络请求与错误处理
问题1：请求超时或速率限制任何依赖外部API的库都会面临网络问题。scotpy的内部请求逻辑必须健壮。
from scotpy import ScotchClient, RateLimitError, RequestTimeoutError client = ScotchClient(timeout=30, max_retries=3) try: data = client.get_bottlings(region='Speyside', limit=500) except RateLimitError as e: print(f"触发速率限制！建议：{e.retry_after_seconds}秒后重试。") # 可以实现一个指数退避的重试逻辑 time.sleep(e.retry_after_seconds) data = client.get_bottlings(region='Speyside', limit=500) except RequestTimeoutError: print("请求超时，请检查网络或增加超时时间。") except Exception as e: print(f"发生未知错误: {type(e).__name__}: {e}")实操心得：务必为生产环境代码添加完善的错误处理和日志记录。对于批量获取数据，在循环中每次请求之间加入短暂延迟（如time.sleep(1)），是对数据源友好的做法，也能避免因请求过快被屏蔽。
5.2 数据不一致与清洗
问题2：返回数据缺失或格式异常即使API返回了数据，也可能存在字段为None、字符串格式不一致（如“43%” vs “43.0% vol”）等问题。
bottlings = client.get_bottlings_by_distillery('some_distillery') cleaned_data = [] for b in bottlings: # 处理缺失的酒精度 strength = b.strength if strength is None: strength = 0.0 print(f"警告: 酒款 {b.name} 酒精度缺失，已设为0.0") elif isinstance(strength, str): # 尝试从字符串中提取数字，例如 "43% vol" -> 43.0 try: import re match = re.search(r'(\d+(\.\d+)?)', strength) if match: strength = float(match.group(1)) else: strength = 0.0 except: strength = 0.0 # 统一容量单位，假设库返回的是ml，但确保是整数 volume = int(b.volume_ml) if b.volume_ml else 700 # 默认700ml cleaned_data.append({ 'id': b.id, 'name': b.name, 'strength': strength, 'volume_ml': volume, 'age': b.age if b.age else 'NAS' # NAS表示未标明年份 })避坑技巧：在将数据用于分析或存储前，增加一个数据清洗和验证的步骤。编写一个通用的数据清洗函数，处理常见的异常情况。
5.3 性能优化与缓存策略
问题3：大量数据查询速度慢如果你需要分析成百上千款酒的数据，频繁调用API会非常慢，并且可能触发速率限制。
解决方案：实现本地缓存。对于不常变化的数据（如酒厂信息），可以缓存到本地文件或数据库。
import pickle import os from datetime import datetime, timedelta CACHE_FILE = 'scotpy_cache.pkl' CACHE_EXPIRE_HOURS = 24 # 缓存24小时 def get_distilleries_with_cache(client, force_refresh=False): """带缓存功能的获取酒厂列表""" cache_data = {} # 1. 尝试加载缓存 if os.path.exists(CACHE_FILE) and not force_refresh: try: with open(CACHE_FILE, 'rb') as f: cache_data = pickle.load(f) cache_time = cache_data.get('timestamp') # 检查缓存是否过期 if cache_time and datetime.now() - cache_time < timedelta(hours=CACHE_EXPIRE_HOURS): print("从缓存加载酒厂数据。") return cache_data['distilleries'] except Exception as e: print(f"加载缓存失败: {e}") # 2. 缓存无效或强制刷新，从API获取 print("从API获取最新酒厂数据...") distilleries = client.get_distilleries() # 3. 保存到缓存 cache_data = { 'timestamp': datetime.now(), 'distilleries': distilleries } try: with open(CACHE_FILE, 'wb') as f: pickle.dump(cache_data, f) print("酒厂数据已缓存。") except Exception as e: print(f"保存缓存失败: {e}") return distilleries # 使用方式 client = ScotchClient() distilleries = get_distilleries_with_cache(client) # 第一次调用会访问API并缓存 # ... 一段时间后，再次调用 distilleries_cached = get_distilleries_with_cache(client) # 第二次调用直接读缓存，速度极快这个简单的缓存机制能极大提升重复查询的效率，并减少对API的调用压力。
5.4 扩展库的功能：包装与适配
问题4：scotpy的功能不满足我的特定需求比如，它可能没有提供你需要的某个数据源的价格信息。
解决方案：包装与扩展。你可以创建一个自己的类，继承或组合ScotchClient，然后添加额外的方法。
class EnhancedScotchClient: """增强版的Scotch客户端，整合多个数据源""" def __init__(self, scotpy_api_key, other_source_api_key): self.scotpy_client = ScotchClient(api_key=scotpy_api_key) self.other_source_key = other_source_api_key def get_bottling_with_prices(self, bottling_id): """获取酒款详情，并整合来自其他数据源的价格信息""" # 1. 从scotpy获取基础信息 base_info = self.scotpy_client.get_bottling(bottling_id) # 2. 从其他价格数据源获取价格（假设有一个函数） prices_from_other = self._fetch_prices_from_other_source(bottling_id) # 3. 合并信息 enhanced_info = { 'base': base_info.to_dict(), 'prices': prices_from_other, 'price_stats': self._calculate_price_stats(prices_from_other) } return enhanced_info def _fetch_prices_from_other_source(self, bottling_id): # 这里实现调用另一个价格API的逻辑 # 使用 requests 库，带上 self.other_source_key # ... return [] # 返回价格列表 def _calculate_price_stats(self, price_list): if not price_list: return None avg_price = sum(p['price'] for p in price_list) / len(price_list) min_price = min(p['price'] for p in price_list) max_price = max(p['price'] for p in price_list) return {'avg': avg_price, 'min': min_price, 'max': max_price} # 使用增强客户端 enhanced_client = EnhancedScotchClient(scotpy_api_key='your_key', other_source_api_key='other_key') full_data = enhanced_client.get_bottling_with_prices('lagavulin-16') print(f"平均市场价: £{full_data['price_stats']['avg']:.2f}")通过这种方式，你可以在不修改原始库的基础上，灵活地扩展其功能，适配更复杂的业务需求。
5.5 贡献与社区
如果你在使用中发现bug，或者有很好的功能建议，并且ezorita/scotpy是一个开源项目，那么最好的方式是参与到社区中。
- 查看GitHub仓库：首先去项目的GitHub页面（
https://github.com/ezorita/scotpy），阅读README.md和CONTRIBUTING.md文件。 - 搜索现有问题：在Issues页面搜索，看看是否已经有人提出了类似的问题或建议。
- 提交Issue：如果没有，可以新建一个Issue。清晰地描述问题（使用场景、期望行为、实际行为、错误信息）或功能建议（解决什么痛点、大致实现思路）。
- 提交Pull Request：如果你有能力修复bug或实现新功能，可以Fork仓库，在自己的分支上修改，然后提交PR。确保代码风格与原有项目一致，并添加相应的测试。
参与开源项目不仅能解决你遇到的问题，还能让工具变得更好，惠及整个威士忌爱好者技术社区。
