Pandas库的基本使用

什么是Pandas?

一个开源的Python类库：用于数据分析、数据处理、数据可视化

  • 高性能
  • 容易使用的数据结构
  • 容易使用的数据分析工具

很方便和其它类库一起使用：

  • numpy：用于数学计算
  • scikit-learn：用于机器学习

怎样下载安装Pandas

1、下载使用Python类库集成安装包：anaconda
https://www.anaconda.com
当今最流行的Python数据分析发行版
已经安装了数据分析需要的几乎所有的类库

2、pip install pandas

Pandas 读取数据

本代码演示：

  1. pandas读取纯文本文件
  • 读取csv文件
  • 读取txt文件
  1. pandas读取xlsx格式excel文件
  2. pandas读取mysql数据表

1 读取CSV，使用默认的标题行、逗号分隔符

import pandas as pd
fpath = "./datas/ml-latest-small/ratings.csv"
# 使用pd.read_csv读取数据
ratings = pd.read_csv(fpath)
# 查看前几行数据  模式是前五行，如果想显示前10行 head(10)
ratings.head()
# 查看数据的形状，返回(行数、列数)
ratings.shape
# 显示类型  DataFrame 是二维表类型 它是 pandas里特有的一种数据类型
type(ratings)
# 查看列名列表 ， 第一行的表头
ratings.columns
# 查看索引列
ratings.index
# 查看每列的数据类型
ratings.dtypes
# 数据的具体情况
ratings.info()
# 查看个数，平均数，标准差，最小值，下次分位数，中位数，上次分位数，最大值
ratings.describe()

1.2 读取txt文件，自己指定分隔符、列名

import pandas as pd
fpath = "./datas/crazyant/access_pvuv.txt"
pvuv = pd.read_csv(
    fpath,
    sep="\t",
    header=None,
    names=['pdate', 'pv', 'uv']
)
print(pvuv)

2、读取excel文件

import pandas as pd
fpath = "./datas/crazyant/access_pvuv.xlsx"
pvuv = pd.read_excel(fpath)
print(pvuv)

3、读取MySQL数据库

import pandas as pd
import pymysql
conn = pymysql.connect(
        host='127.0.0.1',
        user='root',
        password='000000',
        database='test_db',
        charset='utf8'
    )
mysql_page = pd.read_sql("select * from emp", con=conn)
print(mysql_page)

03. Pandas数据结构

  1. Series
  2. DataFrame
  3. 从DataFrame中查询出Series

1. Series

  • Series是一种类似于一维数组的对象，它由一组数据（不同数据类型）以及一组与之相关的数据标签（即索引）组成。
1.1 仅有数据列表即可产生最简单的Series
import pandas as pd
import numpy as np
s1 = pd.Series([1,'a',5.2,7])
print(s1)  # 左侧为索引，右侧是数据
print(s1.values)  # 获取数据
1.2 创建一个具有标签索引的Series
import pandas as pd
data = [f'NPC{i}' for i in range(5)]
index = list(range(1,5+1))
s = pd.Series(data=data,index=index)
print(s)
print(type(s))
1.3 使用Python字典创建Series
import pandas as pd
sdata = {'Ohio':35000,'Texas':72000,'Oregon':16000,'Utah':5000}
s3=pd.Series(sdata)
print(s3)
1.4 根据标签索引查询数据
  • 类似Python的字典dict
import pandas as pd

s2 = pd.Series([1, 'a', 5.2, 7], index=['d','b','a','c'])
s2['a'] # 5.2
type(s2['a'])  # float
print(s2[['b','a']])
type(s2[['b','a']])  # pandas.core.series.Series
  • 标签索引
import pandas as pd
data = [f'data{i}' for i in range(4)]
index = [f'idx{idx}' for idx in range(4)]
s = pd.Series(index = index, data = data)
print(s)
print(s['idx0'])

# 获取多个标签索引
print(s[['idx0','idx1']])  # 在索引位置添加一个列表，列表中放入多个索引

# 索引切片
print(s[0:3:1]) # [start:stop:step] 包头不包尾

# 标签索引切片
print(s['idx0':'idx3']) # 神奇的地方来了，可以使用文字来表示索引，同时范围含头含尾

# 获取index元素
indexs = s.index
print(indexs)
print('可以通过list()函数将index转为列表')
print(list(indexs))

# 获取value元素
values = s.values
print(values)
print(type(values))
print('因为value的类型是numpy.ndarray观察values的形式是通过空格来分隔的就可以得知')
print('可以通过list()将其转为列表对象')
print(list(values))

2. DataFrame

DataFrame是一个表格型的数据结构

  • 每列可以是不同的值类型（数值、字符串、布尔值等）
  • 既有行索引index,也有列索引columns
  • 可以被看做由Series组成的字典

创建dataframe最常用的方法，见02节读取纯文本文件、excel、mysql数据库

2.1 根据多个字典序列创建dataframe
import pandas as pd

data={
        'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],
        'year':[2000,2001,2002,2001,2002],
        'pop':[1.5,1.7,3.6,2.4,2.9]
    }
df = pd.DataFrame(data)
print(df)
# 查看表头
print(df.columns)
print(df.index)  # 行标
通过二维列表创建DataFrame
import pandas as pd
data = [
    ['小太阳',320.9,100],['鼠标',150.3,50],['小刀',1.5,200]
]
columns = ['名称','单价','数量']
df = pd.DataFrame(data = data, columns = columns)
print(df)
print(type(df))

tips：可以认为在这个例子中，通过传递一个包含三个列表的列表到pd.DataFrame()函数中，创建了三个Series对象，每个Series对象对应一个列。然后将这三个Series对象组合成一个DataFrame对象。DataFrame对象是由多个Series对象按照列方向组合而成的。

通过多个字典创建的特殊形况
# 如果有一个字段的值是固定的则不用故意写成具有相同数据的列表
import pandas as pd

names = ['Alice', 'Bob', 'Charlie']
ages = [25, 30, 35]
fixed_value = 'Example'

data = {'name': names,
        'age': ages,
        'fixed_col': fixed_value}

df = pd.DataFrame(data)
print(df)

知识点总览

属性描述
values查看所有元素的值
dtype查看所有元素的类型
index查看所有行名、重命名行名
columns查看所有列名、重命名列名
T行列数据转换
head查看前N条数据（默认5条）
tail查看后N条数据（默认5条）
shape查看行数和列数，返回的是一个元组
info查看索引、数据类型和内存信息
import pandas as pd
data = [
    ['小太阳',320.9,100],['鼠标',150.3,50],['小刀',1.5,200]
]
columns = ['名称','单价','数量']
df = pd.DataFrame(data = data, columns = columns)
print(df)

# 查看所有元素的值
print(df.value)
# 查看所有元素的类型
print(df.dtype)
# 查看所有行名重命名行名
print(df.index)
df.index = [f'idx-{i}' for i in range(3)]
print(df.index)
print(df)

# 查看所有列明重命名列名
print(df.columns)
df.columns = [f'col-{i}' for i in range(4,7)]
print(df.columns)
print(df)

# 行列转换
new_df = df.T
print(new_df)

# 查看前N条数据,默认5条
print(df.head(1))
print(df.head)
# 查看后N条数据 默认5条
print(df.tail(1))
print(df.tail)

# 查看行数和列数
print('shape[0]表示行')
print(s0:=df.shape[0],type(s0))
print('shape[1]表示列')
print(s1:=df.shape[1],type(s1))

DataFrame对象的重要方法

知识点预览

函数描述
describe()查看每列的统计汇总信息,DataFrame类型
count()返回每一列的空值的个数
sum()返回每一列的和，无法计算空值
max()最大值
min最小值
import pandas as pd
data = {
    '名称':['名称','鼠标','小刀'],
    '单价':[320.9,150.3,1.5],
    '数量':[100,50,200]
}
df = pd.DataFrame(data=data)
print(df)
print(type(df))

# 1.查看每列的汇总统计信息，DataFrame类型
print(df.describe())
# 2.返回每一列的非空值的个数
print(df.count())
# 3.返回每一列的和，无法计算的返回空值
print(df.sum())
# 4.返回每一列的最大值
print(df.max())
# 5.返回每一列的最小值
print(df.min())

在DataFrame对象中的max，min方法在比较字符串的时候比较时的注意点：

  • DataFrame 对象的 max 和 min 方法对字符串列进行计算时，是根据字符串的 Unicode 编码值来进行比较的。Unicode 是一种国际标准，用于给所有字符（包括字母、数字、符号等）分配一个唯一的标识符，也就是所谓的编码值。
  • 在 Python 中，字符串类型是以 Unicode 编码的方式存储的，每个字符都对应着一个 Unicode 编码值。因此，在对字符串列应用 max 和 min 方法时，实际上是在对其编码值进行比较。
  • 具体来说，对于每个字符串，Python 会将其转换为一个由多个 Unicode 编码值组成的序列，并比较这些编码值的大小关系。在这个过程中，编码值小的字符串会被视为更小的值，因此在 min 方法中排在前面；编码值大的字符串则被视为更大的值，在 max 方法中排在前面。
  • 需要注意的是，由于不同字符的 Unicode 编码值可能相差很大，因此在使用 max 和 min 方法比较字符串列时，结果可能并不符合人们的预期。例如，对于包含汉字的字符串列，如果不进行特殊处理，可能会出现排序错误的情况。
  • 对于包含汉字的字符串，在Pandas中，max()和min()函数同样会按照字典序进行比较。每个汉字都有一个对应的 Unicode 编码，而比较的依据是这些 Unicode 编码。

3. 从DataFrame中查询出Series

  • 如果只查询一行、一列，返回的是pd.Series
  • 如果查询多行、多列，返回的是pd.DataFrame
  • 基于上面的案例

DataFrame对象的loc属性与iloc属性

  • loc属性

    以列名(columns)和行名(index)作为参数当只有一个参数时，默认是行名，即抽取整行数据，包括所有列。

  • iloc属性

    以行和列位置索引(即:0,1,2…)作为参数,0表示第一行，1表示第2行，以此类推。当只有一个参数时，默认是行索引，即抽取整行数据，包括所有列.

import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [
    [45,56,100],
    [56,45,50],
    [67,67,67],
]
index = ['张三','李四','王五'] # 设置行标
columns = ['数学','语文','英语']  # 设置列表
df = pd.DataFrame(data = data, index = index, columns = columns)
print(df)

# 提取行数据
print(df.loc['张三']) # 使用索引名称
print(df.iloc[0]) # 使用索引编号

# 提取多行数据
print(df.loc[['张三','李四']])
print(df.iloc[[0,1]])

# 提取连续的多行数据
print(df.loc['张三':'王五']) # 在使用索引名进行切片的时候会包含头和尾
print(df.iloc[0:3]) # 在使用索引编号进行切片的时候包头不包尾

两种方式的特性

  • 在使用索引名进行切片的时候会包含头和尾
  • 在使用索引编号进行切片的时候包头不包尾
import random
# 切片的特性：[start:stop:step]
data2 = [
    [random.randint(i,100) for _ in range(3)] for i in range(10)
]
index2 = [f'NPC{i}' for i in range(1000,1000+10)]
columns2 = ['物理','化学','地理']
df2 = pd.DataFrame(data = data2, columns = columns2, index = index2)
# print(df2)
print(df2.iloc[2:11:2])
print(df2.iloc[::-1])
3.1 查询一列，结果是一个pd.Series
df['year']
type(df['year'])   # Series
#  查询多列，结果是一个pd.DataFrame
df[['year', 'pop']]
type(df[['year', 'pop']])  # DataFrame
# 查看一行 loc
df.loc[1]
type(df.loc[1])   # Series
# 查询多行，结果是一个pd.DataFrame
df.loc[1:3]
type(df.loc[1:3])    # DataFrame

抽取指定列的数据

# 数据源
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [
    [45,56,100],
    [56,45,50],
    [67,67,67],
]
index = ['张三','李四','王五']
columns = ['数学','语文','英语']
df = pd.DataFrame(data = data, index = index, columns = columns)
print(df)

# 直接使用列名提取列
print(df[['数学','英语']])

# 提取所有行的数学和英语
print(df.loc[:,['数学','英语']])
print(df.iloc[:,[0,2]])

# 提取连续的列
print(df.loc[:,'语文':])
print(df.iloc[:,1:3])

提取区域数据

# 数据源
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [
    [45,56,100],
    [56,45,50],
    [67,67,67],
]
index = ['张三','李四','王五']
columns = ['数学','语文','英语']
df = pd.DataFrame(data = data, index = index, columns = columns)
print(df)

# 使用loc[],通过column和index获取数据
print(df.loc['张三','数学'],type(df.loc['张三','数学']))
print(df.loc[['张三','王五'],['语文','数学']])

# 抽取指定条件的数据
# 提取语文大于等于60分的数据
print(df.loc[:,'语文'])
print(df['语文']>=60)
print(df.loc[df['语文']>=60])
# 多个条件之间使用&运算法链接，同时每个条件都使用()扩起来
print(df.loc[(df['语文']>=40) & (df['数学']>=50)])
# 查询某条件在指定列表内的内容要使用isin()函数
print(df[df['英语'].isin([100,50])])

数据的增加

数据的增加

  • 按列添加数据
  • 按行添加数据
  • 增加多行多列数据

源数据:

import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [
    [45,56,100],
    [56,45,50],
    [67,67,67],
]
index = ['张三','李四','王五']
columns = ['数学','语文','英语']
df = pd.DataFrame(data = data, index = index, columns = columns)
print(df)

  1. 按列增加

    # 采用直接赋值的方式
df['政治'] = [98,99,100]
print(df)

# 使用loc属性在DataFrame的最后一列增加一列化学
df.loc[:,['化学']] = [100,99,98]
print(df)

# 使用insert在指定的索引位置插入一列
lst = [110,220,330]
df.insert(1,'历史',lst)
print(df)

  2. 按行增加

    # 新的数据源
df2 = pd.DataFrame(data=data,index=index,columns=columns)
print(df2)

# 通过loc添加一行数据
df2.loc['陈六'] = [11,22,33]
print(df2)

# 添加多行-->新建dataFrame对象
new_df = pd.DataFrame(data = {
    '数学':[67,69],
    '语文':[12,23],
    '英语':[45,56]
},index = ['小明','小红'])
# print(new_df)
print(df2)
back_df = pd.concat([df2,new_df])
print(back_df)

数据的修改

修改数据

  • 修改列标题
    • columns直接赋值
    • rename修改标题
  • 修改行标题
    • index属性
  • 修改数据
    • loc和iloc属性

源数据:

import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [
    [45,56,100],
    [56,45,50],
    [67,67,67],
]
index = ['张三','李四','王五']
columns = ['数学','语文','英语']
# 新的数据源
df3 = pd.DataFrame(data=data,index=index,columns=columns)
print(df3)

修改列标题

# 通过修改columns属性，直接修改无返回值
df3.columns = ['物理','化学','地理']
print(df3)

# 通过rename修改，
# inplace属性为True会直接修改原DataFrame对象，
# 为False则返回新的DataFrame对象
df3.rename(columns = {
    '物理':'物理1',
    '化学':'化学1',
    '地理':'地理1'
},inplace=True)
print(df3)

修改行标题

# 新的数据源
df4 = pd.DataFrame(data=data,index=index,columns=columns)
print(df4)

# 直接赋值
df4.index = list('123')
print(df4)

# 使用rename
df4.rename(index = {
    '1':'11',
    '2':'22',
    '3':'33',
},inplace=True)
# 可以在rename中使用axis来表示修改的效果作用于行还是列
print(df4)

修改数据

# 新的数据源
df5 = pd.DataFrame(data=data,index=index,columns=columns)
print(df5)

# 修改一整行
# 使用loc
df5.loc['张三'] = [111,222,333]
print(df5)
# 使用iloc
df5.iloc[0,:] = [90,90,90]
print(df5)

# 修改列数据
# 使用loc
df5.loc[:,'数学'] = [100,1000,10000]
print(df5)
# 使用iloc
df5.iloc[:,0] = [200,2000,20000]
print(df5)

# 修改某一格的数据
# 使用loc
df5.loc['李四','语文'] = 1000
print(df5)
# 使用iloc
df5.iloc[1,1] = 5000
print(df5)

数据的删除

删除数据

  • 使用DataFrame对象中的drop方法

  • df.drop(labels=None,axis=0,index=None,columns=None,inplace=False)

  • 特殊参数的使用

  • 名称说明
    labels表示行标签或列标签
    axis0按行删除,1按列删除
    index删除行,默认None
    columns删除列,默认None
    inplace是否对元数据进行操作,默认False
# 新的数据源
df6 = pd.DataFrame(data=data,index=index,columns=columns)

# 删除列的三种操作：[], columns, labels
# df6.drop(['数学'],axis=1,inplace=True) # axis=1表示的就是按列删除
# print(df6)
# df6.drop(columns='数学',inplace=True)
# print(df6)
# df6.drop(labels='英语',axis=1,inplace=True)
# print(df6)
df6.drop(['张三'],axis=0,inplace=True) # axis=0表示的就是按行删除
print(df6)
df6.drop(index='李四',inplace=True)
print(df6)
df6.drop(labels='王五', axis=0, inplace=True)
print(df6)

# 带条件的删除
# 删除数学成绩小于60
df7 = pd.DataFrame(data=data,index=index,columns=columns)
# print(df[df['数学']<60])
# 增加条件：仅仅删除第一个元素
df7.drop(df[df['数学']<60].index[1],inplace=True)
print(df7)

e | 是否对元数据进行操作,默认False |

# 新的数据源
df6 = pd.DataFrame(data=data,index=index,columns=columns)

# 删除列的三种操作：[], columns, labels
# df6.drop(['数学'],axis=1,inplace=True) # axis=1表示的就是按列删除
# print(df6)
# df6.drop(columns='数学',inplace=True)
# print(df6)
# df6.drop(labels='英语',axis=1,inplace=True)
# print(df6)
df6.drop(['张三'],axis=0,inplace=True) # axis=0表示的就是按行删除
print(df6)
df6.drop(index='李四',inplace=True)
print(df6)
df6.drop(labels='王五', axis=0, inplace=True)
print(df6)

# 带条件的删除
# 删除数学成绩小于60
df7 = pd.DataFrame(data=data,index=index,columns=columns)
# print(df[df['数学']<60])
# 增加条件：仅仅删除第一个元素
df7.drop(df[df['数学']<60].index[1],inplace=True)
print(df7)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/580899.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

ElasticSearch教程入门到精通——第六部分（基于ELK技术栈elasticsearch 7.x+8.x新特性）

ElasticSearch教程入门到精通——第六部分（基于ELK技术栈elasticsearch 7.x+8.x新特性）

ElasticSearch教程入门到精通——第六部分&#xff08;基于ELK技术栈elasticsearch 7.x8.x新特性&#xff09; 1. Elasticsearch优化1.1 硬件选择1.1 分片策略1.1.1 分片策略——合理设置分片数1.1.2 分片策略——推迟分片分配 1.2 路由选择1.2.1 路由选择——不带routing查询1…
阅读更多...
哪款洗地机最好用？2024年四大口碑一流品牌推荐

哪款洗地机最好用？2024年四大口碑一流品牌推荐

随着人们生活质量的提升&#xff0c;人们的扫地、拖地都可以用智能清洁工具来高效完成&#xff0c;像洗地机它集合了扫地、拖地、自清洁等功能&#xff0c;让我们摆脱了每次打扫卫生就像打仗一样&#xff0c;忙活半小时下来腰酸背痛的窘境。所以越来越多的家庭纷纷开始用洗地机…
阅读更多...
84.柱形图中最大的矩阵

84.柱形图中最大的矩阵

二刷终于能过了. 思路解析: 不愧是hard,第一步就很难想, 对于每一个矩阵,我们要想清楚怎么拿到最大矩阵, 对于每个height[i],我们需要找到left和right,left是i左边第一个小于height[i]的,right是右边第一个小于height[i]的,那么他的最大矩阵就是height[i] * (right-left-…
阅读更多...
鸿蒙launcher浅析

鸿蒙launcher浅析

鸿蒙launcher浅析 鸿蒙launcher源码下载鸿蒙launcher模块launcher和普通的应用ui展示的区别 鸿蒙launcher源码下载 下载地址如下&#xff1a; https://gitee.com/openharmony/applications_launcher 鸿蒙launcher模块 下载页面已经有相关文件结构的介绍了 使用鸿蒙编辑器D…
阅读更多...
国外企业使用生成式人工智能实例100

国外企业使用生成式人工智能实例100

每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗&#xff1f;订阅我们的简报&#xff0c;深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同&#xff0c;从行业内部的深度分析和实用指南中受益。不要错过这个机会&#xff0c;成为AI领…
阅读更多...
Welcome to nginx!怎么解决?

Welcome to nginx!怎么解决?

要解决 "welcome to nginx!" 错误&#xff0c;需要检查虚拟主机配置&#xff0c;启用虚拟主机&#xff0c;重新加载 nginx&#xff0c;如果无法找到虚拟主机配置文件&#xff0c;则创建默认页面并重新加载 nginx&#xff0c;这样错误消息将消失&#xff0c;网站将正常…
阅读更多...
数据结构之顺顺顺——顺序表

数据结构之顺顺顺——顺序表

1.浅谈数据结构 相信我们对数据结构都不陌生&#xff0c;我们之前学过的数组就是最基础的数据结构&#xff0c;它大概就长这样&#xff1a; 数组 而作为最简单的数据结构&#xff0c;数组只能帮助我们实现储存数据这一个功能&#xff0c;随着学习的深入&#xff0c;和问题的日渐…
阅读更多...
Qt | 标准、复选、单选、工具、命令按钮大全

Qt | 标准、复选、单选、工具、命令按钮大全

01、QPushButton QPushButton 类(标准按钮) 示例 3：默认按钮与自动默认按钮 02、QCheckBox QCheckBox 类(复选按钮) 1、复选按钮的第三状态(见右图 Qt5.10.1 的选中状态)：是指除了选中 和未选中状态之外的第三种状态，这种状态用来指示“不变”，表 示用户既不选中也不取…
阅读更多...
专栏目录【政安晨的机器学习笔记】

专栏目录【政安晨的机器学习笔记】

目录 政安晨的个人主页&#xff1a;政安晨 欢迎 &#x1f44d;点赞✍评论⭐收藏 收录专栏: 政安晨的机器学习笔记 希望政安晨的博客能够对您有所裨益&#xff0c;如有不足之处&#xff0c;欢迎在评论区提出指正&#xff01; 本篇是作者政安晨的专栏《政安晨的机器学习笔记》的…
阅读更多...
Python学习笔记------模块和包

Python学习笔记------模块和包

Python模块 简介与作用 Python模块是一个Python文件&#xff0c;以.py结尾&#xff0c;模块能定义函数、类和变量&#xff0c;模块里也包含可执行的代码 模块的作用&#xff1a;Python中有很多各种不同的模块&#xff0c;每个模块都可以帮我们快速实现一些功能&#xff0c;我…
阅读更多...
grafana监控模板 regex截取ip地址

grafana监控模板 regex截取ip地址

查看prometheus的node服务启动指标up&#xff0c;也可以查看其他的服务 配置监控模板 配置正则截取ip regex截取ip地址 /.*instance"([^"]*):9100*/ #提取&#xff08;instance"&#xff09;开头&#xff0c;&#xff08;:9001&#xff09;结束字段
阅读更多...
北京车展“第一枪”：长安汽车发布全球首款量产可变新汽车

北京车展“第一枪”：长安汽车发布全球首款量产可变新汽车

4月25日&#xff0c;万众瞩目的2024北京国际汽车展览会在中国国际展览中心如期而至。作为中国乃至全球汽车行业的盛宴&#xff0c;本次车展也吸引了无数业内人士的高度关注。 此次北京车展以“新时代 新汽车”为主题&#xff0c;汇聚了1500余家主流车企及零部件制造商&#xff…
阅读更多...
Laravel 6 - 第十七章 配置数据库

Laravel 6 - 第十七章 配置数据库

​ 文章目录 Laravel 6 - 第一章 简介 Laravel 6 - 第二章 项目搭建 Laravel 6 - 第三章 文件夹结构 Laravel 6 - 第四章 生命周期 Laravel 6 - 第五章 控制反转和依赖注入 Laravel 6 - 第六章 服务容器 Laravel 6 - 第七章 服务提供者 Laravel 6 - 第八章 门面 Laravel 6 - …
阅读更多...
Kettle 中将图片url转换为Base64

Kettle 中将图片url转换为Base64

背景 我遇到了一个应用场景需要将订阅kafka数据中的一个字段&#xff08;图片url&#xff09;转换为base64 然后进行下一步操作。 实现方式 我这边的实现方式是使用javaScript去实现的 图形化逻辑如下&#xff1a; 这一步就是实现url转换为base64 json input的步骤&#xf…
阅读更多...
vulnhub靶场之driftingblues-6

vulnhub靶场之driftingblues-6

一.环境搭建 1.靶场描述 get flags difficulty: easy about vm: tested and exported from virtualbox. dhcp and nested vtx/amdv enabled. you can contact me by email for troubleshooting or questions. 2.靶场下载 https://www.vulnhub.com/entry/driftingblues-6,6…
阅读更多...
【Spring AI】聊天API-OpenAI-Function Call

【Spring AI】聊天API-OpenAI-Function Call

文章目录 Function Calling工作原理快速上手将函数注册为 Bean纯 Java 函数实现&#xff08;Plain Java Functions&#xff09;FunctionCallback Wrapper Specifying functions in Chat OptionsRegister/Call Functions with Prompt Options 附录&#xff1a;Spring AI 函数调用…
阅读更多...
MySQL使用Sequence创建唯一主键

MySQL使用Sequence创建唯一主键

目录 第一章、快速了解Sequence1.1&#xff09;是什么&#xff1f;为什么使用1.2&#xff09;Sequence和自增主键的区别 第二章、在MySQL中使用Sequence2.1&#xff09;创建mysql_sequence表2.1.1&#xff09;创建表2.1.2&#xff09;插入数据 2.2&#xff09;创建函数2.2.1&am…
阅读更多...
Kubernetes学习-核心概念篇(三) 核心概念和专业术语

Kubernetes学习-核心概念篇(三) 核心概念和专业术语

&#x1f3f7;️个人主页&#xff1a;牵着猫散步的鼠鼠 &#x1f3f7;️系列专栏&#xff1a;Kubernetes渐进式学习-专栏 &#x1f3f7;️个人学习笔记&#xff0c;若有缺误&#xff0c;欢迎评论区指正 1. 前言 在前面两篇文章我们简单介绍了什么是K8S&#xff0c;以及K8S的…
阅读更多...
Vue面试经验

Vue面试经验

Vue部分 Vue编译时声明周期的执行顺序 Vue中父子组件渲染顺序&#xff08;同步引入子组件&#xff1a;import Son from ‘/components/son’ &#xff09; 父子组件编译时的生命周期执行顺序 这里修改data数据时也修改了dom&#xff0c;如过知识通过按钮对数据进行操作&…
阅读更多...
MySQL8.0 msi版本安装教程

MySQL8.0 msi版本安装教程

MySQL8.0 msi 版本安装教程 1> 官网下载安装包 2> 安装MySQL 2.1双击打开下载的安装包&#xff0c;进入到下面这个页面&#xff0c;选择 Custom 选项&#xff0c;之后&#xff0c;点击next 说明&#xff1a; 2.2 选择所需产品&#xff0c;更改安装位置(当然也可以默认安…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站