pandas高级操作

import numpy as np

import pandas as pd

from pandas import DataFrame,Series

替换操作

  • 替换操作可以同步作用于Series和DataFrame中

  • 单值替换

    • 普通替换： 替换所有符合要求的元素:to_replace=15,value='e'
    • 按列指定单值替换： to_replace={列标签：替换值} value='value'

  • 多值替换

    • 列表替换: to_replace=[] value=[]
    • 字典替换（推荐） to_replace={to_replace:value,to_replace:value}
df = DataFrame(data=np.random.randint(0,100,size=(8,7)))

df
0 1 2 3 4 5 6
0 34 55 9 28 65 38 13
1 34 61 58 93 35 10 65
2 0 8 56 16 36 26 23
3 77 88 22 98 83 82 21
4 99 43 17 54 87 77 82
5 35 41 33 86 10 16 35
6 27 87 93 32 47 40 69
7 62 63 48 94 52 21 99 
df.replace(to_replace=0,value='zero')
0 1 2 3 4 5 6
0 34 55 9 28 65 38 13
1 34 61 58 93 35 10 65
2 zero 8 56 16 36 26 23
3 77 88 22 98 83 82 21
4 99 43 17 54 87 77 82
5 35 41 33 86 10 16 35
6 27 87 93 32 47 40 69
7 62 63 48 94 52 21 99 
df.replace(to_replace={0:'aaa',22:222666})
0 1 2 3 4 5 6
0 34 55 9 28 65 38 13
1 34 61 58 93 35 10 65
2 aaa 8 56 16 36 26 23
3 77 88 222666 98 83 82 21
4 99 43 17 54 87 77 82
5 35 41 33 86 10 16 35
6 27 87 93 32 47 40 69
7 62 63 48 94 52 21 99 
df.iloc[2] = [0,0,0,0,0,0,0]

df
0 1 2 3 4 5 6
0 34 55 9 28 65 38 13
1 34 61 58 93 35 10 65
2 0 0 0 0 0 0 0
3 77 88 22 98 83 82 21
4 99 43 17 54 87 77 82
5 35 41 33 86 10 16 35
6 27 87 93 32 47 40 69
7 62 63 48 94 52 21 99 
df.replace(to_replace={0:666})
0 1 2 3 4 5 6
0 34 55 9 28 65 38 13
1 34 61 58 93 35 10 65
2 666 666 666 666 666 666 666
3 77 88 22 98 83 82 21
4 99 43 17 54 87 77 82
5 35 41 33 86 10 16 35
6 27 87 93 32 47 40 69
7 62 63 48 94 52 21 99 
#将指定列中的0替换成666

df.replace(to_replace={4:0},value=666)
0 1 2 3 4 5 6
0 34 55 9 28 65 38 13
1 34 61 58 93 35 10 65
2 0 0 0 0 666 0 0
3 77 88 22 98 83 82 21
4 99 43 17 54 87 77 82
5 35 41 33 86 10 16 35
6 27 87 93 32 47 40 69
7 62 63 48 94 52 21 99

映射操作

  • map是Series的一个方法

  • 概念：创建一个映射关系列表，把values元素和一个特定的标签或者字符串绑定（给一个元素值提供不同的表现形式）

  • 创建一个df，两列分别是姓名和薪资，然后给其名字起对应的英文名

dic = {

    'name':['张三','李四','王老五'],

    'salary':[22222,7777,11111]

}

df = DataFrame(data=dic)

df
name salary
0 张三 22222
1 李四 7777
2 王老五 11111 
#创建一个df，两列分别是姓名和薪资，然后给其名字起对应的英文名

dic = {

    '张三':'tom',

    '李四':'jay',

    '王老五':'jerry'

}#映射关系表

df['e_name'] = df['name'].map(dic)

df
name salary e_name
0 张三 22222 tom
1 李四 7777 jay
2 王老五 11111 jerry

运算工具

  • 超过3000部分的钱缴纳50%的税，计算每个人的税后薪资
def after_sal(s):#返回税后薪资，参数s就是税前薪资

    return s - (s-3000)*0.5

df['after_sal'] = df['salary'].map(after_sal)

df
name salary e_name after_sal
0 张三 22222 tom 12611.0
1 李四 7777 jay 5388.5
2 王老五 11111 jerry 7055.5
  • apply操作：df的一个运算工具

    • apply是df的一个方法
    • 作用：可以将df中行或者列数据进行某种形式的运算操作。
def func(s):

    s = s.sum()

    print(s)

df.apply(func,axis=0)


张三李四王老五

41110

tomjayjerry

25055.0

name         None

salary       None

e_name       None

after_sal    None

dtype: object

映射索引

  • 使用rename()函数替换行索引
  • 参数介绍：
    • index 替换行索引
    • columns 替换列索引
df4 = DataFrame({'color':['white','gray','purple','blue','green'],'value':np.random.randint(10,size = 5)})

df4
color value
0 white 7
1 gray 7
2 purple 4
3 blue 0
4 green 2 
#映射关系表：映射df中的行索引

new_index = {0:'first',1:'two',2:'three',3:'four',4:'five'}

#映射关系表：映射列索引

new_col={'color':'cc','value':'vv'}

#

df4.rename(new_index,columns=new_col)
cc vv
first white 7
two gray 7
three purple 4
four blue 0
five green 2

排序实现的随机抽样

  • take()
  • np.random.permutation()
np.random.permutation(10)


array([8, 2, 6, 7, 3, 9, 1, 5, 0, 4])


df = DataFrame(data=np.random.randint(0,100,size=(100,3)),columns=['A','B',"C"])

df.take(np.random.permutation(3),axis=1).take(np.random.permutation(100),axis=0)[:50]

以下是部分数据：

A B C
7 91 5 14
74 19 27 18
29 55 76 42
43 40 92 84
27 64 23 36
99 16 17 33
94 4 84 69
97 84 52 63
0 81 21 46
88 82 7 73
51 30 96 62
93 30 15 41
39 27 88 5
4 47 14 90
46 26 86 70
67 13 92 79
40 92 23 51 
#如何将df的数据进行打乱操作

数据的分类处理

  • 数据分类处理的核心：

    • groupby()函数
    • groups属性查看分组情况
df = DataFrame({'item':['Apple','Banana','Orange','Banana','Orange','Apple'],

                'price':[4,3,3,2.5,4,2],

               'color':['red','yellow','yellow','green','green','green'],

               'weight':[12,20,50,30,20,44]})

df
color item price weight
0 red Apple 4.0 12
1 yellow Banana 3.0 20
2 yellow Orange 3.0 50
3 green Banana 2.5 30
4 green Orange 4.0 20
5 green Apple 2.0 44 
#计算出每一种水果的平均价格

df.groupby(by='item')


<pandas.core.groupby.DataFrameGroupBy object at 0x000001B6E3D4A0B8>


df.groupby(by='item').groups


{'Apple': Int64Index([0, 5], dtype='int64'),

 'Banana': Int64Index([1, 3], dtype='int64'),

 'Orange': Int64Index([2, 4], dtype='int64')}


df.groupby(by='item').mean()
price weight
item
Apple 3.00 28
Banana 2.75 25
Orange 3.50 35 
df.groupby(by='item').mean()['price']

item

Apple     3.00

Banana    2.75

Orange    3.50

Name: price, dtype: float64


#推荐

df.groupby(by='item')['price'].mean()


item

Apple     3.00

Banana    2.75

Orange    3.50

Name: price, dtype: float64


#计算每种颜色水果的平均重量

df.groupby(by='color')['weight'].mean()

color

green     31.333333

red       12.000000

yellow    35.000000

Name: weight, dtype: float64


#将每种水果的平均价格数据汇总到原数据中

mean_price_series = df.groupby(by='item')['price'].mean()

mean_price_series

item

Apple     3.00

Banana    2.75

Orange    3.50

Name: price, dtype: float64


dic = mean_price_series.to_dict()

dic


{'Apple': 3.0, 'Banana': 2.75, 'Orange': 3.5}


# df['mean_price'] = mean_price_series

df['mean_price'] = df['item'].map(dic)

df
color item price weight mean_price
0 red Apple 4.0 12 3.00
1 yellow Banana 3.0 20 2.75
2 yellow Orange 3.0 50 3.50
3 green Banana 2.5 30 2.75
4 green Orange 4.0 20 3.50
5 green Apple 2.0 44 3.00

高级数据聚合

  • 使用groupby分组后，也可以使用transform和apply提供自定义函数实现更多的运算
  • df.groupby('item')['price'].sum() <==> df.groupby('item')['price'].apply(sum)
  • transform和apply都会进行运算，在transform或者apply中传入函数即可
  • transform和apply也可以传入一个lambda表达式
df.groupby(by='item')['price'].sum()

item

Apple     6.0

Banana    5.5

Orange    7.0

Name: price, dtype: float64


def abc(s):

    return s


df.groupby(by='item')['price'].abc() #error


---------------------------------------------------------------------------

AttributeError                            Traceback (most recent call last)

<ipython-input-70-dc3538655de8> in <module>()

----> 1 df.groupby(by='item')['price'].abc()

C:\ProgramData\Anaconda3\lib\site-packages\pandas\core\groupby.py in __getattr__(self, attr)

    674

    675         raise AttributeError("%r object has no attribute %r" %

--> 676                              (type(self).__name__, attr))

    677

    678     plot = property(GroupByPlot)

AttributeError: 'SeriesGroupBy' object has no attribute 'abc'


df.groupby(by='item')['price'].transform(abc)#right


0    4.0

1    3.0

2    3.0

3    2.5

4    4.0

5    2.0

Name: price, dtype: float64


#自定义一个求均值的函数，作用到分组结果中

def my_mean(s):

    sum = 0

    for i in s:

        sum+=i

    return sum/s.size

df.groupby(by='item')['price'].transform(my_mean)


0    3.00

1    2.75

2    3.50

3    2.75

4    3.50

5    3.00

Name: price, dtype: float64


#忽略

def my_mean(s):

    sum = 0

    for i in s:

        sum+=i

    return sum/s.size

df.groupby(by='item')['price'].apply(my_mean)

# 可以看出apply传出的数据是按照分组显示的，而transform输出的数据还是按照索引来显示的


item

Apple     3.00

Banana    2.75

Orange    3.50

Name: price, dtype: float64

数据加载

  • 读取type-.txt文件数据
import pandas as pd

from pandas import DataFrame,Series

data=pd.read_csv('./data/type-.txt')

data
你好-我好-他也好
0 也许-大概-有可能
1 然而-未必-不见得
  • 将文件中每一个词作为元素存放在DataFrame中
data=pd.read_csv('./data/type-.txt',sep='-',header=None)

data

# sep是指定以什么来分割，这里是以'-'来分割数据

# header=None 表示的是这个文件没有头标题，从第一行开始读
0 1 2
0 你好 我好 他也好
1 也许 大概 有可能
2 然而 未必 不见得
  • 读取数据库中的数据
#连接数据库，获取连接对象

import sqlite3 as sqlite3

conn=sqlite3.connect('./data/weather_2012.sqlite')


#读取库表中的数据值

sql_df=pd.read_sql('select * from weather_2012',conn)

sql_df
index Date/Time Temp (C) Dew Point Temp (C) Rel Hum (%) Wind Spd (km/h) Visibility (km) Stn Press (kPa) Weather
0 0.0 2012-01-01 00:00:00 -1.8 -3.9 86.0 4.0 8.0 101.24 Fog
1 1.0 2012-01-01 01:00:00 -1.8 -3.7 87.0 4.0 8.0 101.24 Fog
2 2.0 2012-01-01 02:00:00 -1.8 -3.4 89.0 7.0 4.0 101.26 Freezing Drizzle,Fog
3 3.0 2012-01-01 03:00:00 -1.5 -3.2 88.0 6.0 4.0 101.27 Freezing Drizzle,Fog
4 4.0 2012-01-01 04:00:00 -1.5 -3.3 88.0 7.0 4.8 101.23 Fog
5 5.0 2012-01-01 05:00:00 -1.4 -3.3 87.0 9.0 6.4 101.27 Fog
6 6.0 2012-01-01 06:00:00 -1.5 -3.1 89.0 7.0 6.4 101.29 Fog
7 7.0 2012-01-01 07:00:00 -1.4 -3.6 85.0 7.0 8.0 101.26 Fog
8 8.0 2012-01-01 08:00:00 -1.4 -3.6 85.0 9.0 8.0 101.23 Fog
9 9.0 2012-01-01 09:00:00 -1.3 -3.1 88.0 15.0 4.0 101.20 Fog
10 10.0 2012-01-01 10:00:00 -1.0 -2.3 91.0 9.0 1.2 101.15 Fog
11 11.0 2012-01-01 11:00:00 -0.5 -2.1 89.0 7.0 4.0 100.98 Fog
12 12.0 2012-01-01 12:00:00 -0.2 -2.0 88.0 9.0 4.8 100.79 Fog
13 13.0 2012-01-01 13:00:00 0.2 -1.7 87.0 13.0 4.8 100.58 Fog
14 14.0 2012-01-01 14:00:00 0.8 -1.1 87.0 20.0 4.8 100.31 Fog
15 15.0 2012-01-01 15:00:00 1.8 -0.4 85.0 22.0 6.4 100.07 Fog
16 16.0 2012-01-01 16:00:00 2.6 -0.2 82.0 13.0 12.9 99.93 Mostly Cloudy
17 17.0 2012-01-01 17:00:00 3.0 0.0 81.0 13.0 16.1 99.81 Cloudy
18 18.0 2012-01-01 18:00:00 3.8 1.0 82.0 15.0 12.9 99.74 Rain
... ... ... ... ... ... ... ... ... ...
color item price weight mean_price
0 red Apple 4.0 12 3.00
1 yellow Banana 3.0 20 2.75
2 yellow Orange 3.0 50 3.50
3 green Banana 2.5 30 2.75
4 green Orange 4.0 20 3.50
5 green Apple 2.0 44 3.00 
#将一个df中的数据值写入存储到db

df.to_sql('fruit',conn)


pd.read_sql('select * from fruit',conn)
index color item price weight mean_price
0 0 red Apple 4.0 12 3.00
1 1 yellow Banana 3.0 20 2.75
2 2 yellow Orange 3.0 50 3.50
3 3 green Banana 2.5 30 2.75
4 4 green Orange 4.0 20 3.50
5 5 green Apple 2.0 44 3.00

透视表

  • 透视表是一种可以对数据动态排布并且分类汇总的表格格式。或许大多数人都在Excel使用过数据透视表，也体会到它的强大功能，而在pandas中它被称作pivot_table。

  • 透视表的优点：

    • 灵活性高，可以随意定制你的分析计算要求
    • 脉络清晰易于理解数据
    • 操作性强，报表神器
import pandas as pd

import numpy as np

df = pd.read_csv('./data/lanqiusai.csv')

df.head()
对手 胜负 主客场 命中 投篮数 投篮命中率 3分命中率 篮板 助攻 得分
0 勇士 胜 客 10 23 0.435 0.444 6 11 27
1 国王 胜 客 8 21 0.381 0.286 3 9 27
2 小牛 胜 主 10 19 0.526 0.462 3 7 29
3 灰熊 负 主 8 20 0.400 0.250 5 8 22
4 76人 胜 客 10 20 0.500 0.250 3 13 27

pivot_table有四个最重要的参数index、values、columns、aggfunc

  • index参数：分类汇总的分类条件

    • 每个pivot_table必须拥有一个index。如果想查看哈登对阵每个队伍的得分则需要对每一个队伍进行分类并计算其各类得分的平均值：
df.pivot_table(index='对手')#默认分类汇总使用的聚合函数是mean
3分命中率 助攻 命中 得分 投篮命中率 投篮数 篮板
对手
76人 0.33950 10.00 9.0 28.00 0.4405 20.5 3.5
勇士 0.44400 11.00 10.0 27.00 0.4350 23.0 6.0
国王 0.28600 9.00 8.0 27.00 0.3810 21.0 3.0
太阳 0.54500 7.00 12.0 48.00 0.5450 22.0 2.0
小牛 0.46200 7.00 10.0 29.00 0.5260 19.0 3.0
尼克斯 0.36900 9.50 10.5 34.00 0.4175 25.0 3.5
开拓者 0.57100 3.00 16.0 48.00 0.5520 29.0 8.0
掘金 0.14300 9.00 6.0 21.00 0.3750 16.0 8.0
步行者 0.29150 12.50 8.5 27.50 0.3965 21.5 6.5
湖人 0.44400 9.00 13.0 36.00 0.5910 22.0 4.0
灰熊 0.35025 7.75 8.5 27.25 0.4015 21.0 4.5
爵士 0.60400 8.00 13.5 42.50 0.5905 22.0 3.5
猛龙 0.27300 11.00 8.0 38.00 0.3200 25.0 6.0
篮网 0.61500 8.00 13.0 37.00 0.6500 20.0 10.0
老鹰 0.54500 11.00 8.0 29.00 0.5330 15.0 3.0
骑士 0.42900 13.00 8.0 35.00 0.3810 21.0 11.0
鹈鹕 0.40000 17.00 8.0 26.00 0.5000 16.0 1.0
黄蜂 0.40000 11.00 8.0 27.00 0.4440 18.0 10.0
  • 想看看对阵同一对手在不同主客场下的数据，分类条件为对手和主客场
df.pivot_table(index=['对手','主客场'])
3分命中率 助攻 命中 得分 投篮命中率 投篮数 篮板
对手 主客场
76人 主 0.4290 7.0 8.0 29.0 0.381 21.0 4.0
客 0.2500 13.0 10.0 27.0 0.500 20.0 3.0
勇士 客 0.4440 11.0 10.0 27.0 0.435 23.0 6.0
国王 客 0.2860 9.0 8.0 27.0 0.381 21.0 3.0
太阳 客 0.5450 7.0 12.0 48.0 0.545 22.0 2.0
小牛 主 0.4620 7.0 10.0 29.0 0.526 19.0 3.0
尼克斯 主 0.3850 10.0 12.0 37.0 0.444 27.0 2.0
客 0.3530 9.0 9.0 31.0 0.391 23.0 5.0
开拓者 客 0.5710 3.0 16.0 48.0 0.552 29.0 8.0
掘金 主 0.1430 9.0 6.0 21.0 0.375 16.0 8.0
步行者 主 0.3330 10.0 8.0 29.0 0.364 22.0 8.0
客 0.2500 15.0 9.0 26.0 0.429 21.0 5.0
湖人 客 0.4440 9.0 13.0 36.0 0.591 22.0 4.0
灰熊 主 0.3395 8.0 9.5 30.0 0.420 22.5 4.5
客 0.3610 7.5 7.5 24.5 0.383 19.5 4.5
爵士 主 0.8750 13.0 19.0 56.0 0.760 25.0 2.0
客 0.3330 3.0 8.0 29.0 0.421 19.0 5.0
猛龙 主 0.2730 11.0 8.0 38.0 0.320 25.0 6.0
篮网 主 0.6150 8.0 13.0 37.0 0.650 20.0 10.0
老鹰 客 0.5450 11.0 8.0 29.0 0.533 15.0 3.0
骑士 主 0.4290 13.0 8.0 35.0 0.381 21.0 11.0
鹈鹕 主 0.4000 17.0 8.0 26.0 0.500 16.0 1.0
黄蜂 客 0.4000 11.0 8.0 27.0 0.444 18.0 10.0
  • values参数：需要对计算的数据进行筛选

    • 如果我们只需要哈登在主客场和不同胜负情况下的得分、篮板与助攻三项数据：
df.pivot_table(index=['主客场','胜负'],values=['得分','篮板','助攻'])
助攻 得分 篮板
主客场 胜负
主 胜 10.555556 34.222222 5.444444
负 8.666667 29.666667 5.000000
客 胜 9.000000 32.000000 4.916667
负 8.000000 20.000000 4.000000

  • Aggfunc参数：设置我们对数据聚合时进行的函数操作

    • 当我们未设置aggfunc时，它默认aggfunc='mean'计算均值。

  • 还想获得james harden在主客场和不同胜负情况下的总得分、总篮板、总助攻时：

df.pivot_table(index=['主客场','胜负'],values=['得分','篮板','助攻'],aggfunc='sum')
助攻 得分 篮板
主客场 胜负
主 胜 95 308 49
负 26 89 15
客 胜 108 384 59
负 8 20 4 
#还想获得james harden在主客场和不同胜负情况下的平均得分、总篮板、最小助攻时

df.pivot_table(index=['主客场','胜负'],aggfunc={'得分':'mean','篮板':'sum','助攻':'min'})
助攻 得分 篮板
主客场 胜负
主 胜 7 34.222222 49
负 7 29.666667 15
客 胜 3 32.000000 59
负 8 20.000000 4
  • Columns:可以设置列层次字段

    • 对values字段进行分类
#获取所有队主客场的总得分

df.pivot_table(index='主客场',values='得分',aggfunc='sum')
得分
主客场
主 397
客 404 
#获取每个队主客场的总得分（在总得分的基础上又进行了对手的分类）

df.pivot_table(index='主客场',values='得分',aggfunc='sum',columns='对手').fillna(value=0)

# columns可以增加一个列，这里增加了一个对手的列

# 为了更好的显示，最后将空值替换成0
对手 76人 勇士 国王 太阳 小牛 尼克斯 开拓者 掘金 步行者 湖人 灰熊 爵士 猛龙 篮网 老鹰 骑士 鹈鹕 黄蜂
主客场
主 29.0 0.0 0.0 0.0 29.0 37.0 0.0 21.0 29.0 0.0 60.0 56.0 38.0 37.0 0.0 35.0 26.0 0.0
客 27.0 27.0 27.0 48.0 0.0 31.0 48.0 0.0 26.0 36.0 49.0 29.0 0.0 0.0 29.0 0.0 0.0 27.0

交叉表

  • 是一种用于计算分组的特殊透视图,对数据进行汇总
  • pd.crosstab(index,colums)
    • index:分组数据，交叉表的行索引
    • columns:交叉表的列索引
df = DataFrame({'sex':['man','man','women','women','man','women','man','women','women'],

               'age':[15,23,25,17,35,57,24,31,22],

               'smoke':[True,False,False,True,True,False,False,True,False],

               'height':[168,179,181,166,173,178,188,190,160]})

df
age height sex smoke
0 15 168 man True
1 23 179 man False
2 25 181 women False
3 17 166 women True
4 35 173 man True
5 57 178 women False
6 24 188 man False
7 31 190 women True
8 22 160 women False
  • 求出各个性别抽烟的人数
pd.crosstab(df.smoke,df.sex)
sex man women
smoke
False 2 3
True 2 2
  • 求出各个年龄段抽烟人情况
pd.crosstab(df.age,df.smoke)
smoke False True
age
15 0 1
17 0 1
22 1 0
23 1 0
24 1 0
25 1 0
31 0 1
35 0 1
57 1 0

pandas高级操作的更多相关文章

  1. 数据分析06 /pandas高级操作相关案例：人口案例分析、2012美国大选献金项目数据分析

    数据分析06 /pandas高级操作相关案例:人口案例分析.2012美国大选献金项目数据分析 目录 数据分析06 /pandas高级操作相关案例:人口案例分析.2012美国大选献金项目数据分析 1. ...

  2. pandas高级操作总结

    1.pandas中的列的分位数 # 查看列的分位数 import pandas as pd # set columns type my_df['col'] = my_df['col'].astype( ...

  3. 数据分析05 /pandas的高级操作

    数据分析05 /pandas的高级操作 目录 数据分析05 /pandas的高级操作 1. 替换操作 2. 映射操作 3. 运算工具 4. 映射索引 / 更改之前索引 5. 排序实现的随机抽样/打乱表 ...

  4. Pandas高级教程之:GroupBy用法

    Pandas高级教程之:GroupBy用法 目录 简介 分割数据 多index get_group dropna groups属性 index的层级 group的遍历 聚合操作 通用聚合方法 同时使用 ...

  5. [Session] SessionHelper2---C#关于Session高级操作帮助类 （转载）

    点击下载 SessionHelper2.rar 这个类是关于Session的一些高级操作1.添加时限制时间2.读取对象3.读取数据等等看下面代码吧 /// <summary> /// 联系 ...

  6. cassandra高级操作之索引、排序以及分页

    本次就给大家讲讲cassandra的高级操作:索引.排序和分页:处于性能的考虑,cassandra对这些支持都比较简单,所以我们不能希望cassandra完全适用于我们的逻辑,而是应该将我们的逻辑设计 ...

  7. pandas小记：pandas高级功能

    http://blog.csdn.net/pipisorry/article/details/53486777 pandas高级功能:面板数据.字符串方法.分类.可视化. 面板数据 {pandas数据 ...

  8. MySQL学习笔记_9_MySQL高级操作（上）

    MySQL高级操作(上) 一.MySQL表复制 create table t2 like t1;               #复制表结构,t2可以学习到t1所有的表结构 insert into t2 ...

  9. MySQL学习笔记_10_MySQL高级操作（下）

    MySQL高级操作(下) 五.MySQL预处理语句 1.设置预处理stmt,传递一个数据作为where的判断条件 prepare stmt from "select * from table ...

随机推荐

  1. Spark-1-调优基本原则

    1基本概念和原则 每一台host上面可以并行N个worker,每一个worker下面可以并行M个executor,task们会被分配到executor上面去执行.Stage指的是一组并行运行的task ...

  2. 开发规范（一） 如何记录日志 By 阿里

  3. 【译】JWT(JSON Web Token) 入门指南

    JWT 入门指南 原文地址:https://blog.angular-university.io/angular-jwt/ 这篇文章是两篇手把手教你如何在Angular应用(也适用于企业级应用)中实现 ...

  4. （数据科学学习手札101）funcy：Python中的函数式编程百宝箱

    本文示例文件已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes 1 简介 我们在使用Python完成日常任务时,经常会遇到 ...

  5. Qt学习笔记-安装phonon模块

    如果想要运行使用Qt中的phonon写的程序,需要满足一下条件:Qt基本库.Qt phonon库.phonon_backend(后端插件)和多媒体播放后台.下面以linux(Fedora 12)系统. ...

  6. nrm : 无法加载文件 C:\Users......因为在此系统上禁止运行脚本。

    1.以管理员身份运行powershell 2.使用set-ExecutionPolicy RemoteSigned命令将计算机上的执行策略更改为 RemoteSigned,输入Y确定 3.查看计算机执 ...

  7. 2. C++中的引用

    1.  引用的基本使用 作用:给变量起别名 语法:数据类型  &别名=原名 注意: 别名数据类型与原名数据类型一致. 引用必须初始化. 引用一旦初始化后,就不可以更改(只能作为一个变量的别名) ...

  8. 改进你的c#代码的5个技巧（二）

    在本文中,我将向你展示c#编程的5个最佳实践.我从日常编程经验中学到了这些实践.我在release模式下测试了所有的代码,并在开发环境稳定后进行了截屏.我想你会喜欢这些建议的. 在使用数据类型之前选择 ...

  9. Java 初中级程序员如何快速成长？？？

    Java 技术学习路线 Java 语言是一门非常流行和重要的语言,目前仍是需求量很大的语言,应用范围很广的语言,在企业级开发.移动开发.大数据云计算.人工智能等领域都有大量的应用. 怎么样学习好 Ja ...

  10. mysql数据库限制多次登录失败，限定用户重试时间

    前言 最近的项目开始进行安全测试,其中有一个安全问题是这样的. 应该增加用户登录失败处理功能,限制非法登录次数. 建议是增加mysql数据库的登陆失败的锁定功能. 相信大家也都会遇到这样的问题,在这里 ...