若爱我菲、
若爱我菲、

Pandas入门

文章目录

    • 1 Pandas介绍
    • 2 为什么使用Pandas
    • 3 DataFrame
      • 3.1 属性
      • 3.2 方法
    • 4 DataFrame索引的设置
      • 4.1 修改行列索引值
      • 4.2 设置新索引
    • 5 Series
    • 6 使用索引和切片
      • 6.1 对Series
      • 6.2 切片
      • 6.3 按照字段和数字索引
    • 7 赋值操作
    • 8 排序
      • 8.1 对内容排序
      • 8.2 对索引改变为从小到大
      • 8.3 对Series排序
    • 9 DataFrame运算与统计
      • 9.1 使用describe完成综合统计
      • 9.2 使用idxmin、idxmax完成最大值最小值的索引
      • 9.3 使用cumsum等实现累计分析
      • 9.4 算术运算
      • 9.5 逻辑运算函数 query() isin()
      • 9.6 布尔索引
      • 9.7 min max

1 Pandas介绍

  • 专门用于数据挖掘的开源python库
  • 以Numpy为基础,借力Numpy模块在计算方面性能优势
  • 基于matplotlib,能够简便的画图
  • 独特的数据结构

Pandas 是一种数据处理工具，它是以下面三组词汇组成

panel + data + analysis

panel：面板数据是计量经济学中常用，一般表示三维数据

2 为什么使用Pandas

  • 便捷的数据处理能力
  • 读取文件方便
  • 封装了Matplotlib、Numpy的画图和计算

3 DataFrame

Pandas入门_第1张图片

从图中可以看到DataFrame由三部分组成

  • column label即列标签
  • index label即行标签
  • data即数据

那么标记轴axis表示什么呢，axis有两种取值，分别是1和0，其中1表示横轴，方向从左到右；0表示纵轴，方向从上到下。

import numpy as np
#创建一个符合正态分布的10个股票5天的涨跌幅数据
stock_change =np.random.normal(0,1,(10,5))
stock_change

array([[ 0.55780125,  0.47366431,  0.58266456, -0.29946146, -0.03390217],
       [-0.24385523,  0.08817049,  1.38707642, -0.57688673, -0.34760394],
       [ 0.95549368,  0.9414475 , -1.25056314,  0.18178455, -0.29557978],
       [ 1.61507705,  1.99202826,  2.80758189,  0.03192688, -0.57838353],
       [ 1.4956878 , -1.23262134,  2.50024192, -0.58850329,  0.7102027 ],
       [-0.662319  ,  1.76285879,  1.51286286, -0.53192944, -0.47949495],
       [ 0.73735599,  0.48964047, -1.32854508, -0.07826431,  0.36766669],
       [ 0.79199457, -1.74662017, -0.334844  , -1.47935611, -0.12609656],
       [-1.77942406, -1.67284383, -0.90279781,  0.06015451,  0.66952752],
       [-1.93908274, -1.93232172,  0.8559445 ,  1.13113002,  1.33307564]])

import pandas as pd
pd.DataFrame(stock_change)
0 1 2 3 4
0 0.557801 0.473664 0.582665 -0.299461 -0.033902
1 -0.243855 0.088170 1.387076 -0.576887 -0.347604
2 0.955494 0.941448 -1.250563 0.181785 -0.295580
3 1.615077 1.992028 2.807582 0.031927 -0.578384
4 1.495688 -1.232621 2.500242 -0.588503 0.710203
5 -0.662319 1.762859 1.512863 -0.531929 -0.479495
6 0.737356 0.489640 -1.328545 -0.078264 0.367667
7 0.791995 -1.746620 -0.334844 -1.479356 -0.126097
8 -1.779424 -1.672844 -0.902798 0.060155 0.669528
9 -1.939083 -1.932322 0.855944 1.131130 1.333076

给股票数据增加行列索引

pd.DataFrame(stock_change,行索引，列索引)

#  添加行索引 列表解析
stock = ["股票{}".format(i) for i in range(10)]

pd.DataFrame(stock_change,stock)
0 1 2 3 4
股票0 0.557801 0.473664 0.582665 -0.299461 -0.033902
股票1 -0.243855 0.088170 1.387076 -0.576887 -0.347604
股票2 0.955494 0.941448 -1.250563 0.181785 -0.295580
股票3 1.615077 1.992028 2.807582 0.031927 -0.578384
股票4 1.495688 -1.232621 2.500242 -0.588503 0.710203
股票5 -0.662319 1.762859 1.512863 -0.531929 -0.479495
股票6 0.737356 0.489640 -1.328545 -0.078264 0.367667
股票7 0.791995 -1.746620 -0.334844 -1.479356 -0.126097
股票8 -1.779424 -1.672844 -0.902798 0.060155 0.669528
股票9 -1.939083 -1.932322 0.855944 1.131130 1.333076 
#添加列索引(先行后列)
date = pd.date_range(start ="20180101",periods=5,freq="B")
data =pd.DataFrame(stock_change,stock,date)

结构：既有行索引，又有列索引的二维数组

2018-01-01 00:00:00 2018-01-02 00:00:00 2018-01-03 00:00:00 2018-01-04 00:00:00 2018-01-05 00:00:00
股票0 0.557801 0.473664 0.582665 -0.299461 -0.033902
股票1 -0.243855 0.088170 1.387076 -0.576887 -0.347604
股票2 0.955494 0.941448 -1.250563 0.181785 -0.295580
股票3 1.615077 1.992028 2.807582 0.031927 -0.578384
股票4 1.495688 -1.232621 2.500242 -0.588503 0.710203
股票5 -0.662319 1.762859 1.512863 -0.531929 -0.479495
股票6 0.737356 0.489640 -1.328545 -0.078264 0.367667
股票7 0.791995 -1.746620 -0.334844 -1.479356 -0.126097
股票8 -1.779424 -1.672844 -0.902798 0.060155 0.669528
股票9 -1.939083 -1.932322 0.855944 1.131130 1.333076

3.1 属性

  • shape 形状
  • index 行索引
  • columns 列索引
  • values NDARRAY数据
  • T 转置
data.shape

(10, 5)

data.index

Index(['股票0', '股票1', '股票2', '股票3', '股票4', '股票5', '股票6', '股票7', '股票8', '股票9'], dtype='object')

data.values

array([[ 0.55780125,  0.47366431,  0.58266456, -0.29946146, -0.03390217],
       [-0.24385523,  0.08817049,  1.38707642, -0.57688673, -0.34760394],
       [ 0.95549368,  0.9414475 , -1.25056314,  0.18178455, -0.29557978],
       [ 1.61507705,  1.99202826,  2.80758189,  0.03192688, -0.57838353],
       [ 1.4956878 , -1.23262134,  2.50024192, -0.58850329,  0.7102027 ],
       [-0.662319  ,  1.76285879,  1.51286286, -0.53192944, -0.47949495],
       [ 0.73735599,  0.48964047, -1.32854508, -0.07826431,  0.36766669],
       [ 0.79199457, -1.74662017, -0.334844  , -1.47935611, -0.12609656],
       [-1.77942406, -1.67284383, -0.90279781,  0.06015451,  0.66952752],
       [-1.93908274, -1.93232172,  0.8559445 ,  1.13113002,  1.33307564]])

data.T
股票0 股票1 股票2 股票3 股票4 股票5 股票6 股票7 股票8 股票9
2018-01-01 0.557801 -0.243855 0.955494 1.615077 1.495688 -0.662319 0.737356 0.791995 -1.779424 -1.939083
2018-01-02 0.473664 0.088170 0.941448 1.992028 -1.232621 1.762859 0.489640 -1.746620 -1.672844 -1.932322
2018-01-03 0.582665 1.387076 -1.250563 2.807582 2.500242 1.512863 -1.328545 -0.334844 -0.902798 0.855944
2018-01-04 -0.299461 -0.576887 0.181785 0.031927 -0.588503 -0.531929 -0.078264 -1.479356 0.060155 1.131130
2018-01-05 -0.033902 -0.347604 -0.295580 -0.578384 0.710203 -0.479495 0.367667 -0.126097 0.669528 1.333076

3.2 方法

  • head() 数据量过大时，取前五行数据查看
  • tail()数据量过大时，取最后五行数据
data.head()
2018-01-01 00:00:00 2018-01-02 00:00:00 2018-01-03 00:00:00 2018-01-04 00:00:00 2018-01-05 00:00:00
股票0 0.557801 0.473664 0.582665 -0.299461 -0.033902
股票1 -0.243855 0.088170 1.387076 -0.576887 -0.347604
股票2 0.955494 0.941448 -1.250563 0.181785 -0.295580
股票3 1.615077 1.992028 2.807582 0.031927 -0.578384
股票4 1.495688 -1.232621 2.500242 -0.588503 0.710203 
data.tail()
2018-01-01 00:00:00 2018-01-02 00:00:00 2018-01-03 00:00:00 2018-01-04 00:00:00 2018-01-05 00:00:00
股票5 -0.662319 1.762859 1.512863 -0.531929 -0.479495
股票6 0.737356 0.489640 -1.328545 -0.078264 0.367667
股票7 0.791995 -1.746620 -0.334844 -1.479356 -0.126097
股票8 -1.779424 -1.672844 -0.902798 0.060155 0.669528
股票9 -1.939083 -1.932322 0.855944 1.131130 1.333076

4 DataFrame索引的设置

4.1 修改行列索引值

data.index

Index(['股票0', '股票1', '股票2', '股票3', '股票4', '股票5', '股票6', '股票7', '股票8', '股票9'], dtype='object')

data.index[2] = "22"

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
 in 
----> 1 data.index[2] = "22"

D:\ANACONDA\lib\site-packages\pandas\core\indexes\base.py in __setitem__(self, key, value)
   3936 
   3937     def __setitem__(self, key, value):
-> 3938         raise TypeError("Index does not support mutable operations")
   3939 
   3940     def __getitem__(self, key):

TypeError: Index does not support mutable operations

由结果可以看出，报错了，这是因为不能直接使用数字索引修改个别索引字段，在pandas中必须全部重新设定索引

# 索引只能全部重新设定
new_index = ["股票_{}".format(n)for n in range(10,20)]
new_index
data.index = new_index
data
2018-01-01 00:00:00 2018-01-02 00:00:00 2018-01-03 00:00:00 2018-01-04 00:00:00 2018-01-05 00:00:00
股票_10 0.557801 0.473664 0.582665 -0.299461 -0.033902
股票_11 -0.243855 0.088170 1.387076 -0.576887 -0.347604
股票_12 0.955494 0.941448 -1.250563 0.181785 -0.295580
股票_13 1.615077 1.992028 2.807582 0.031927 -0.578384
股票_14 1.495688 -1.232621 2.500242 -0.588503 0.710203
股票_15 -0.662319 1.762859 1.512863 -0.531929 -0.479495
股票_16 0.737356 0.489640 -1.328545 -0.078264 0.367667
股票_17 0.791995 -1.746620 -0.334844 -1.479356 -0.126097
股票_18 -1.779424 -1.672844 -0.902798 0.060155 0.669528
股票_19 -1.939083 -1.932322 0.855944 1.131130 1.333076

4.2 设置新索引

#设新索引
df = pd.DataFrame({'month': [1, 4, 7, 10],
                    'year': [2012, 2014, 2013, 2014],
                    'sale':[55, 40, 84, 31]})
month year sale
0 1 2012 55
1 4 2014 40
2 7 2013 84
3 10 2014 31 
# 将列索引设为行索引，并且抛弃原来的列
df.set_index("month",drop=True)
year sale
month
1 2012 55
4 2014 40
7 2013 84
10 2014 31

5 Series

Series是一维对象，包含数组数据（任何numpy类型的数据）和与数组关联的索引，与list结构差不多，但是我们可以自定义索引

s1 = pd.Series([100,24,"asd",np.nan])
s1

0    100
1     24
2    asd
3    NaN
dtype: object

#添加索引需要index传递一个包含index的数组name表示这个索引的统称
s2 = pd.Series([20,30,50],index = ['2015','2016','23321'],name = 'product')
s2

2015     20
2016     30
23321    50
Name: product, dtype: int64

我们也可以将DataFrame理解为Series的容器，或者说DataFrame相当于用胶水把一堆series给粘了起来

  • pd.date_range函数:

    这个函数用于生成一个固定频率的时间索引，在调用构造方法时，必须指定start、end、periods中的任两个参数值，否则会报错

    下面用pd.date_range函数生成以周为频率的时间索引

time = pd.date_range('20190606',periods=6,freq='W')
time

DatetimeIndex(['2019-06-09', '2019-06-16', '2019-06-23', '2019-06-30',
               '2019-07-07', '2019-07-14'],
              dtype='datetime64[ns]', freq='W-SUN')

给freq参数传递值 W 表示频率为周，freq也可以取M,H,S，分别表示频率为月，小时，秒

6 使用索引和切片

6.1 对Series

对Series的处理比较简单

s2 = pd.Series([30,35,40],["2015",'2016','2017'],name = "product")
s2

2015    30
2016    35
2017    40
Name: product, dtype: int64

s2[0:2]

2015    30
2016    35
Name: product, dtype: int64

s2['2015':'2017']
#用字段索引能取到最后一位

2015    30
2016    35
2017    40
Name: product, dtype: int64

也可以实用布尔索引

s2[s2>10]

2015    30
2016    35
2017    40
Name: product, dtype: int64

6.2 切片

#只能对行标签切片
data['股票_10':"股票_16"]
2018-01-01 00:00:00 2018-01-02 00:00:00 2018-01-03 00:00:00 2018-01-04 00:00:00 2018-01-05 00:00:00
股票_10 0.557801 0.473664 0.582665 -0.299461 -0.033902
股票_11 -0.243855 0.088170 1.387076 -0.576887 -0.347604
股票_12 0.955494 0.941448 -1.250563 0.181785 -0.295580
股票_13 1.615077 1.992028 2.807582 0.031927 -0.578384
股票_14 1.495688 -1.232621 2.500242 -0.588503 0.710203
股票_15 -0.662319 1.762859 1.512863 -0.531929 -0.479495
股票_16 0.737356 0.489640 -1.328545 -0.078264 0.367667 
#对位置切片也是对行切片等价
data[0:3]
2018-01-01 00:00:00 2018-01-02 00:00:00 2018-01-03 00:00:00 2018-01-04 00:00:00 2018-01-05 00:00:00
股票_10 0.557801 0.473664 0.582665 -0.299461 -0.033902
股票_11 -0.243855 0.088170 1.387076 -0.576887 -0.347604
股票_12 0.955494 0.941448 -1.250563 0.181785 -0.295580 
# len返回多少行
data[0:len(data)-1]
2018-01-01 00:00:00 2018-01-02 00:00:00 2018-01-03 00:00:00 2018-01-04 00:00:00 2018-01-05 00:00:00
股票_10 0.557801 0.473664 0.582665 -0.299461 -0.033902
股票_11 -0.243855 0.088170 1.387076 -0.576887 -0.347604
股票_12 0.955494 0.941448 -1.250563 0.181785 -0.295580
股票_13 1.615077 1.992028 2.807582 0.031927 -0.578384
股票_14 1.495688 -1.232621 2.500242 -0.588503 0.710203
股票_15 -0.662319 1.762859 1.512863 -0.531929 -0.479495
股票_16 0.737356 0.489640 -1.328545 -0.078264 0.367667
股票_17 0.791995 -1.746620 -0.334844 -1.479356 -0.126097
股票_18 -1.779424 -1.672844 -0.902798 0.060155 0.669528

6.3 按照字段和数字索引

上面的方法是有很大的局限，使用起来并不方便，那么pandas库有没有更加简便的方法对DataFrame和Series进行选择和索引呢?

下面介绍两种方法：

  • .loc 字段索引

  • .iloc 数字索引

  • ix 数字 字段混合索引ix方法，不过此方法已经过期，在未来会被移除，如果使用的话会出现warning

还是实用前面的df进行操作

month year sale
0 1 2012 55
1 4 2014 40
2 7 2013 84
3 10 2014 31 
df.loc[0,'year']

2012

df.loc[1,'sale']

40

df.loc[0:2]
month year sale
0 1 2012 55
1 4 2014 40
2 7 2013 84 
#列索引
df.loc[:,'month':'year']
month year
0 1 2012
1 4 2014
2 7 2013
3 10 2014 
stock_data = pd.read_csv("./stock_day.csv")
stock_data

总结：

直接索引必须先列后行进行索引
new_data['open']['2018-02-26']

用loc索引既可先行后列，但必须按照名字索引

new_data.loc['2018-02-26','open']

一定要数字索引 使用iloc

new_data.iloc[1,0]

7 赋值操作

将open列数据全部赋值改变

new_data.open =100

new_data.iloc[1,0]=233
open high close low volume price_change p_change turnover
2018-02-27 100 25.88 24.16 23.53 95578.03 0.63 2.68 2.39
2018-02-26 233 23.78 23.53 22.80 60985.11 0.69 3.02 1.53
2018-02-23 100 23.37 22.82 22.71 52914.01 0.54 2.42 1.32

8 排序

排序有对内容排序和对索引排序

8.1 对内容排序

使用df.sort_values(key=,ascending=)对内容进行排序

  • 单个键或者多个键进行排序，默认升序

  • ascending=False:降序

  • ascending=True:升序

new_data.sort_values("high",ascending=False)

open high close low volume price_change p_change turnover
2015-06-10 100 36.35 33.85 32.23 269033.12 0.51 1.53 9.21
2015-06-12 100 35.98 35.21 34.01 159825.88 0.82 2.38 5.47
2017-10-31 100 35.22 34.44 32.20 361660.88 2.38 7.42 9.05
2015-06-15 100 34.99 31.69 31.69 199369.53 -3.52 -10.00 6.82
2015-06-11 100 34.98 34.39 32.51 173075.73 0.54 1.59 5.92
2017-10-30 100 34.40 32.06 31.85 337772.31 -1.05 -3.17 8.45
2017-11-01 100 34.34 33.83 33.10 232325.30 -0.61 -1.77 5.81
2015-06-16 100 33.48 32.35 29.61 153130.61 0.66 2.08 5.24
2015-06-09 100 33.34 33.34 30.46 204438.47 3.03 10.00 7.00
2017-10-27 100 33.20 33.11 31.45 333824.31 0.70 2.16 8.35
2015-06-18 100 32.89 31.20 30.38 86382.05 -0.12 -0.38 2.96
2017-10-26 100 32.70 32.41 28.92 501915.41 2.68 9.01 12.56
2015-06-17 100 32.20 31.33 29.80 90811.36 -1.03 -3.18 3.11
2017-11-02 100 31.80 30.45 30.45 312481.06 -3.38 -9.99 7.82
2017-10-23 100 31.16 29.79 28.90 466494.47 1.46 5.15 11.68
2015-05-22 100 30.99 29.54 28.53 209382.62 1.32 4.68 7.17
2015-06-19 100 30.98 28.07 28.07 76310.31 -3.12 -10.00 2.61
2015-06-08 100 30.90 30.31 28.40 179868.05 2.12 7.52 6.16
2017-10-25 100 30.45 29.73 27.54 328947.31 1.68 5.99 8.23
2015-05-25 100 30.30 29.92 28.10 151819.52 0.38 1.29 5.20
2015-05-26 100 30.30 29.66 28.70 198210.12 -0.26 -0.87 6.78
2017-11-14 100 29.89 29.34 27.68 243773.23 1.10 3.90 6.10
2017-10-20 100 29.83 28.33 27.85 411570.12 1.17 4.31 10.30

当遇到有多个数据相同不好排序的时候，同时给两个条件这样当遇到相同时候看第二个索引比大小
new_data.sort_values(by=["high","p_change"],ascending=False)

open high close low volume price_change p_change turnover
2015-06-10 100 36.35 33.85 32.23 269033.12 0.51 1.53 9.21
2015-06-12 100 35.98 35.21 34.01 159825.88 0.82 2.38 5.47
2017-10-31 100 35.22 34.44 32.20 361660.88 2.38 7.42 9.05
2015-06-15 100 34.99 31.69 31.69 199369.53 -3.52 -10.00 6.82
2015-06-11 100 34.98 34.39 32.51 173075.73 0.54 1.59 5.92
2017-10-30 100 34.40 32.06 31.85 337772.31 -1.05 -3.17 8.45
2017-11-01 100 34.34 33.83 33.10 232325.30 -0.61 -1.77 5.81
2015-06-16 100 33.48 32.35 29.61 153130.61 0.66 2.08 5.24
2015-06-09 100 33.34 33.34 30.46 204438.47 3.03 10.00 7.00
2017-10-27 100 33.20 33.11 31.45 333824.31 0.70 2.16 8.35
2015-06-18 100 32.89 31.20 30.38 86382.05 -0.12 -0.38 2.96
2017-10-26 100 32.70 32.41 28.92 501915.41 2.68 9.01 12.56
2015-06-17 100 32.20 31.33 29.80 90811.36 -1.03 -3.18 3.11
2017-11-02 100 31.80 30.45 30.45 312481.06 -3.38 -9.99 7.82
2017-10-23 100 31.16 29.79 28.90 466494.47 1.46 5.15 11.68
2015-05-22 100 30.99 29.54 28.53 209382.62 1.32 4.68 7.17
2015-06-19 100 30.98 28.07 28.07 76310.31 -3.12 -10.00 2.61
2015-06-08 100 30.90 30.31 28.40 179868.05 2.12 7.52 6.16
2017-10-25 100 30.45 29.73 27.54 328947.31 1.68 5.99 8.23
2015-05-25 100 30.30 29.92 28.10 151819.52 0.38 1.29 5.20
2015-05-26 100 30.30 29.66 28.70 198210.12 -0.26 -0.87 6.78
2017-11-14 100 29.89 29.34 27.68 243773.23 1.10 3.90 6.10
2017-10-20 100 29.83 28.33 27.85 411570.12 1.17 4.31 10.30

8.2 对索引改变为从小到大

new_data.sort_index().head()

open high close low volume price_change p_change turnover
2015-03-02 100 12.67 12.52 12.20 96291.73 0.32 2.62 3.30
2015-03-03 100 13.06 12.70 12.52 139071.61 0.18 1.44 4.76
2015-03-04 100 12.92 12.90 12.61 67075.44 0.20 1.57 2.30
2015-03-05 100 13.45 13.16 12.87 93180.39 0.26 2.02 3.19
2015-03-06 100 14.48 14.28 13.13 179831.72 1.12 8.51 6.16

8.3 对Series排序

取其中一列

s2 =new_data["price_change"]
s2

简单一点，因为直接就只有一values
s2.sort_values(ascending=False)

s2.sort_index()

9 DataFrame运算与统计

9.1 使用describe完成综合统计

new_data.describe()
open high close low volume price_change p_change turnover
count 643.000000 643.000000 643.000000 643.000000 643.000000 643.000000 643.000000 643.000000
mean 100.206843 21.900513 21.336267 20.771835 99905.519114 0.018802 0.190280 2.936190
std 5.245008 4.077578 3.942806 3.791968 73879.119354 0.898476 4.079698 2.079375
min 100.000000 12.670000 12.360000 12.200000 1158.120000 -3.520000 -10.030000 0.040000
25% 100.000000 19.500000 19.045000 18.525000 48533.210000 -0.390000 -1.850000 1.360000
50% 100.000000 21.970000 21.450000 20.980000 83175.930000 0.050000 0.260000 2.500000
75% 100.000000 24.065000 23.415000 22.850000 127580.055000 0.455000 2.305000 3.915000
max 233.000000 36.350000 35.210000 34.010000 501915.410000 3.030000 10.030000 12.560000

9.2 使用idxmin、idxmax完成最大值最小值的索引

返回最大值和最小值位置

new_data.idxmax()

open            2018-02-26
high            2015-06-10
close           2015-06-12
low             2015-06-12
volume          2017-10-26
price_change    2015-06-09
p_change        2015-08-28
turnover        2017-10-26
dtype: object

9.3 使用cumsum等实现累计分析

#累计统计函数 计算前面几行累加结果
new_data["p_change"].sort_index().cumsum().plot()

Pandas入门_第2张图片

new_data.plot("p_change","turnover","scatter")

Pandas入门_第3张图片

Pandas入门_第4张图片

9.4 算术运算

new_data["open"]+10

2018-02-27    110
2018-02-26    243
2018-02-23    110
2018-02-22    110
2018-02-14    110
2018-02-13    110
2018-02-12    110
2018-02-09    110
2018-02-08    110
2018-02-07    110
2018-02-06    110

9.5 逻辑运算函数 query() isin()

应用query实现数据的筛选

应用isin实现数据的筛选

  • query() 查找满足条件的元素
  • isin() 判断某元素是否在数列中
#直接输入条件字符串
new_data.query("high>24")
open high close low volume price_change p_change turnover
2018-02-27 100 25.88 24.16 23.53 95578.03 0.63 2.68 2.39
2018-01-30 100 24.08 23.83 23.70 32420.43 0.05 0.21 0.81
2018-01-29 100 24.63 23.77 23.72 65469.81 -0.73 -2.98 1.64
2018-01-26 100 24.74 24.49 24.22 50601.83 0.11 0.45 1.27
2018-01-25 100 24.99 24.37 24.23 104097.59 -0.93 -3.68 2.61

new_data["turnover"].isin([4.19])

2018-02-27    False
2018-02-26    False
2018-02-23    False
2018-02-22    False
2018-02-14    False
2018-02-13    False
2018-02-12    False
2018-02-09    False
2018-02-08    False
2018-02-07    False
2018-02-06    False

9.6 布尔索引

应用逻辑运算符号实现数据的逻辑筛选

布尔索引

new_data[new_data["open"]>100]

open high close low volume price_change p_change turnover
2018-02-26 233 23.78 23.53 22.8 60985.11 0.69 3.02 1.53

9.7 min max

  1. 使用max完成最大值计算
#按列
new_data.max()

open               233.00
high                36.35
close               35.21
low                 34.01
volume          501915.41
price_change         3.03
p_change            10.03
turnover            12.56
dtype: float64

2-09 False
2018-02-08 False
2018-02-07 False
2018-02-06 False


### 9.6 布尔索引 

应用逻辑运算符号实现数据的逻辑筛选

布尔索引

`new_data[new_data["open"]>100]`

|            | open |  high | close |  low |   volume | price_change | p_change | turnover |
| ---------: | ---: | ----: | ----: | ---: | -------: | -----------: | -------: | -------: |
| 2018-02-26 |  233 | 23.78 | 23.53 | 22.8 | 60985.11 |         0.69 |     3.02 |     1.53 |

### 9.7 min max 

1. 使用max完成最大值计算

#按列
new_data.max()

open 233.00
high 36.35
close 35.21
low 34.01
volume 501915.41
price_change 3.03
p_change 10.03
turnover 12.56
dtype: float64

你可能感兴趣的:(Data,Science)

  • 使用java代码消费kafka数据 二进制_博客 大数据javakafka
    首先创建maven项目，导入jar包org.apache.kafkakafka-clients3.0.0org.slf4jslf4j-log4j121.7.25示例一：使用java代码消费kafka所有数据packagecom.bigdata.day03;importorg.apache.kafka.clients.consumer.ConsumerConfig;importorg.apache.
  • 自定义SqlSessionFactory时mybatis-config.xml失效 wujiada001 Javajava开发语言
    使用场景：使用多数据源时，自定义创建SqlSessionFactory对象，没有正确读取到mybatis-config.xml配置，导致下划线驼峰映射失效，sql语句输出不显示等问题。解决方案：@Bean(name="UserSqlSessionFactory")publicSqlSessionFactorydataLgSqlSessionFactory(@Qualifier("UserDataD
  • Qt开发技术【C++ 实现类的二进制序列化与反序列化】 增援未来章北海 QTC++学习qtc++数据库
    一、思考Qt本身的QByteArray和QDataStreamQDataStream和QByteArray是Qt框架中用于数据序列化和反序列化的类。QDataStream可以将Qt数据类型（如QString、QByteArray等）序列化为二进制格式，并写入文件或网络流中。同时，也可以从文件或网络流中读取二进制数据并反序列化成相应的数据类型。但是在嵌入式中使用代码比较冗余二、实现一个比较简单的仅对
  • python概述_理解Python数据类：Dataclass 的特征概述 （上） weixin_39875842 python概述
    原标题UnderstandingPythonDataclasses—Part1，作者为ShikharChauhan。这是一个包含两部分的博文：这一篇是Dataclass的特征概述下一篇是Dataclassfields的概述引言Dataclasses是一些适合于存储数据对象(dataobject)的Python类。你可能会问，什么是数据对象?下面是一个并不详尽的用于定义数据对象的特征列表：他们存储并
  • 理解 Python 的 Dataclasses Cater Chen python
    理解Python的Dataclasseshttps://zhuanlan.zhihu.com/p/59657729
  • Python中dataclass库 SteveKenny #Python第三方库python开发语言哈希算法
    文章目录dataclass语法一、简介二、装饰器参数三、数据属性1、参数2、使用示例3、注意事项四、其他1、常用函数2、继承3、总结dataclass语法一、简介官方文档的地址为：https://docs.python.org/3.9/library/dataclasses.htmldataclass的定义位于PEP-557，根据定义一个dataclass是指“一个带有默认值的可变的namedtu
  • hive批量修复分区 青云游子 Hivehive数据库hadoop
    #!/bin/bashset-x#定义Hive数据库的名称database_name="edu"#定义要排除的表名exclude_table="tab_name"#使用Hive的shell命令获取所有的表名tables=$(hive-e"USE$database_name;SHOWTABLES;")#初始化一个字符串，用于存储所有的MSCKREPAIRTABLE命令commands="USE$da
  • nlp培训重点-3 heine162 自然语言处理人工智能
    1.文本匹配分类：loader:#-*-coding:utf-8-*-importjsonimportreimportosimporttorchimportrandomimportloggingfromtorch.utils.dataimportDataset,DataLoaderfromcollectionsimportdefaultdictfromtransformersimportBertT
  • 【MySQL】JDBC的连接 m0_74823388 mysql数据库
    目录一.具体操作如下1.注册驱动二.实操JDBC（JavaDataBaseConnectivity）java数据库连接，是JavaEE平台下的技术规范，其定义了在Java语言中连接数据，执行SQL语句的标准，可以为多种关系数据库提供统一访问。一.具体操作如下1.注册驱动Class.forName("com.mysql.cj.jdbc.Driver");2.获取连接DriverManager(驱动管
  • 利用python向modbus RTU设备（RS485串口通信）发送16进制指令 无名小白12138 python开发语言
    importserialimporttime#配置串口通信参数serial_port='COM1'baudrate=9600#创建串口连接ser=serial.Serial(port=serial_port,baudrate=baudrate)#检查串口是否已打开ifser.is_open:try:hex_data=bytes.fromhex('01100010000102000564C3')se
  • YOLOv10-1.1部分代码阅读笔记-base.py 红色的山茶花 YOLO笔记深度学习
    base.pyultralytics\data\base.py目录base.py1.所需的库和模块2.classBaseDataset(Dataset):1.所需的库和模块#UltralyticsYOLO,AGPL-3.0licenseimportglobimportmathimportosimportrandomfromcopyimportdeepcopyfrommultiprocessing.
  • 【第十章——数据可视化之地图构建】【最新！黑马程序员Python自学课程笔记】课上笔记+案例源码+作业源码 嗯哈！ 信息可视化python笔记pycharm
    第十章-数据可视化之地图构建10.1数据可视化-地图-基础地图使用注意！！！现在的版本，需要加：省，市"""演示地图可视化的基本使用"""frompyecharts.chartsimportMapfrompyecharts.optionsimportVisualMapOpts#准备地图对象map=Map()#准备数据data=[("北京市",9),("上海市",8),("湖南省",5),("台湾省
  • express实现post接口(无参/普通/json/form-data) 老李头的代码生活 node.jsjsonnode.jsjavascript
    无参数的post接口constexpress=require('express');constapp=express();app.post('/api/post',function(req,res){//直接返回对象res.send({name:'abc'});});app.listen('8088',()=>{console.log('8088');});启动终端后利用postman来测试pos
  • 【Python】python dataclass使用指南 菜菜2022 Python学习笔记Pythondataclass字段继承数据结构
    https://www.cnblogs.com/apocelipes/p/10284346.html定义一个dataclass深入dataclass装饰器数据类的基石——dataclasses.field一些常用函数dataclass继承参考https://docs.python.org/3.7/library/dataclasses.htmlhttps://www.python.org/dev/
  • 数据类库 Dataclasses 深入指南 陆或愉
    数据类库Dataclasses深入指南dataclassDataclassesforTypeScript&JavaScript项目地址:https://gitcode.com/gh_mirrors/da/dataclass项目介绍数据类库（Dataclasses）是Python标准库中的一个模块，自Python3.7起被引入。它通过装饰器@dataclass简化了自定义类的创建过程，自动添加了属性
  • Hive 查看partition 以及msck 修复分区 dgsdaga3026010 大数据
    #checktable的partitionhive>showpartitionstable_name;如果是外部表，不小心把表给删除了，可以适用下命令重新关联表和数据[MSCKREPAIRTABLE]全量修复分区hive>msckrepairtabletable_name;转载于:https://www.cnblogs.com/TendToBigData/p/10501178.html
  • 集群间hive数仓迁移 one code database
    方式一：(此方法需要建库建表)第一步：建库建表在原集群hive上查看迁移表的建表语句及所在库，然后在新集群hive上建库建表；showcreatetabletb_name;createdatabasedb_name;createtabletb_name.....第二步：转移数据文件到新集群；在旧集群中下载数据到本地hadoopfs-get/user/hive/warehouse/dc_ods.db
  • IoTDB 入门教程 基础篇⑤——数据模型和基础概念 小康师兄 ApacheIoTDB入门教程IoTDB物联网数据模型数据库时序数据库
    文章目录一、前文二、数据模型2.1关系型数据库MySQL。2.2时序数据库TDengine2.3时序数据库InfluxDB2.4时序数据库IoTDB（本专栏的正主）三、基础概念3.1数据库（Database）3.2设备模板（元数据模板）3.3设备（实体）3.4物理量（字段）四、数据类型参考一、前文IoTDB入门教程——导读本文主要讲述IoTDB的数据模型和基础概念。不同的数据库都有不同侧重，IoT
  • Windows 11安装DeepSpeed报错（Unable to pre-compile async_io）问题解决 happy coding windowsgpt
    Windows11安装DeepSpeed报错（Unabletopre-compileasync_io）问题解决报错如下Preparingmetadata(setup.py)...errorerror:subprocess-exited-with-error×pythonsetup.pyegg_infodidnotrunsuccessfully.│exitcode:1╰─>[17linesofout
  • 【telegraf安装】centos主机安装和docker安装 编程小白呀 docker测试centosdockerlinux压力测试
    目标在服务器以centos和docker安装telegraf。一、centos主机安装Inyourterminal,enterthefollowingcommandtoaddtheInfluxDatarepositorytotheyumconfiguration:cat<
  • Go实战全家桶之三十六： go动态创建结构体 leijmdas gogo实战全家桶golang开发语言后端
    开源：water/gowebfunc(self*PagedbRequest)CreateDbTableStru(meta*metadata.MetadataTable)reflect.Value{varmetaColService=service.NewMetadataFactroy()dbFields:=[]reflect.StructField{}for_,col:=rangemeta.Col
  • wordpress常见数据库连接错误原因及其解决方案 wodrpress资源分享 数据库wordpress
    WordPress数据库连接错误通常是由于数据库配置问题、数据库服务器问题或权限问题引起的。以下是一些常见的数据库连接错误及其解决方案：常见错误信息1.“Errorestablishingadatabaseconnection”2.“WordPressdatabaseerror:[Errormessage]”3.“Unknowndatabase”4.“Accessdeniedforuser”常见原
  • Pytorch实现：LSTM-火灾温度预测 骑猪玩狗 pytorchlstm人工智能
    本文为365天深度学习训练营中的学习记录博客原作者：K同学啊前期工作语言环境：Python3.9.18编译器：JupyterLab深度学习环境：Pytorch1.12.11.设置GPUimporttorchimporttorch.nnasnnimporttorchvisionfromtorchvisionimporttransforms,datasetsimportos,PIL,pathlibde
  • LargeAD：用于自动驾驶的大规模跨传感器数据预训练 硅谷秋水 自动驾驶计算机视觉机器学习自动驾驶人工智能机器学习计算机视觉
    25年1月来自新加坡国立大学、南京航空航天、德国Bremerhaven技术大学、上海AI实验室、香港科技大学和香港大学的论文“LargeAD:Large-ScaleCross-SensorDataPretrainingforAutonomousDriving”。视觉基础模型(VFM)的最新进展彻底改变2D视觉感知，但它们在3D场景理解方面的潜力，特别是在自动驾驶应用中的潜力仍未得到充分探索。Lar
  • uniapp：钉钉小程序录音 dingcho 前端uni-app钉钉小程序
    -->{{longPress=='1'?'点击录制':'录音中...'}}{{playStatus=='1'?'播放中...':'单击播放'}}{{'剩余：'+count+'s'}}再点击结束录音删除varinit//录制时长计时器vartimer//播放录制倒计时exportdefault{data(){return{count:null,//录制倒计时longPress:'1',//1显示按住
  • Elevate Your Lead Generation Game with Maps Scraper AI 程序员
    RevolutionizingLeadGenerationTransformingLeadAcquisitionMapsScraperAIintroducesagroundbreakingapproachtoleadgenerationbyautomatingtheextractionofvaluabledatafromBingMapslistings.Thisinnovativemappingt
  • TOGAF中的企业架构：让业务架构与数据、应用、技术架构形成闭环的魔法之旅 火山说数 数字化企业架构架构微服务云原生
    前言你是否曾经有过这样一种感觉：企业在进行数字化转型时，架构之间常常感觉像是一盘散沙？业务部门、IT部门、数据分析师各自为政，技术团队则像一群“救火队员”随时准备扑灭各种系统bug。好消息是，TOGAF（TheOpenGroupArchitectureFramework）可以帮助企业打破这种局面，让业务架构（BusinessArchitecture）和其他“三A”架构——数据架构（DataArch
  • TDengine 如何进行高效数据建模 TDengine （老段） tdengine数据库oracle时序数据库大数据
    1.背景数据建模对于数据库建立后整体高效运行非常关键，不同建模方式，可能会产生相差几倍的性能差别2.建库建模在建库阶段应考虑几下几点：建多少库根据业务情况确定建库个数，TDengine不支持跨库查询，如果业务数据之间会发生相互查询，那就需要把这些数据设计在一个库中，根据业务的独立性创建相应数据库，数据库个数多少不会对性能产生大的影响。建库语法CREATEDATABASE[IFNOTEXISTS]d
  • Java连接TDengine和MySQL双数据源 NUZGNAW javatdenginemysql
    git文件地址：项目首页-SpringBoot连接TDengine和MySQL双数据源:SpringBoot连接TDengine和MySQL双数据源-GitCode1、yml配置spring:datasource:druid:mysql:driver-class-name:com.mysql.cj.jdbc.Driverurl:jdbc:mysql://localhost:3306/testuse
  • 青少年编程与数学 02-007 PostgreSQL数据库应用 06课题、数据库操作 明月看潮生 编程与数学第02阶段数据库青少年编程postgresql编程与数学
    青少年编程与数学02-007PostgreSQL数据库应用06课题、数据库操作一、数据库的文件组成二、系统数据库三、创建数据库使用psql命令行工具使用CREATEDATABASE的选项使用PostgreSQL的图形界面工具四、数据库配置连接到新数据库设置搜索路径修改字符集和校对规则设置默认的事务隔离级别启用或禁用标准协程设置WAL相关参数配置角色和权限设置资源配额配置其他参数使用图形界面工具五、
  • 数据采集高并发的架构应用 3golden .net
    问题的出发点：          最近公司为了发展需要，要扩大对用户的信息采集，每个用户的采集量估计约2W。如果用户量增加的话，将会大量照成采集量成3W倍的增长，但是又要满足日常业务需要，特别是指令要及时得到响应的频率次数远大于预期。       &n
  • 不停止 MySQL 服务增加从库的两种方式 brotherlamp linuxlinux视频linux资料linux教程linux自学
    现在生产环境MySQL数据库是一主一从，由于业务量访问不断增大，故再增加一台从库。前提是不能影响线上业务使用，也就是说不能重启MySQL服务，为了避免出现其他情况，选择在网站访问量低峰期时间段操作。  一般在线增加从库有两种方式，一种是通过mysqldump备份主库，恢复到从库，mysqldump是逻辑备份，数据量大时，备份速度会很慢，锁表的时间也会很长。另一种是通过xtrabacku
  • Quartz——SimpleTrigger触发器 eksliang SimpleTriggerTriggerUtilsquartz
    转载请出自出处：http://eksliang.iteye.com/blog/2208166 一.概述 SimpleTrigger触发器，当且仅需触发一次或者以固定时间间隔周期触发执行；   二.SimpleTrigger的构造函数 SimpleTrigger(String name, String group)：通过该构造函数指定Trigger所属组和名称； Simpl
  • Informatica应用（1） 18289753290 sqlworkflowlookup组件Informatica
    1.如果要在workflow中调用shell脚本有一个command组件，在里面设置shell的路径；调度wf可以右键出现schedule，现在用的是HP的tidal调度wf的执行。 2.designer里面的router类似于SSIS中的broadcast（多播组件）;Reset_Workflow_Var：参数重置 （比如说我这个参数初始是1在workflow跑得过程中变成了3我要在结束时还要
  • python 获取图片验证码中文字 酷的飞上天空 python
    根据现成的开源项目 http://code.google.com/p/pytesser/改写 在window上用easy_install安装不上  看了下源码发现代码很少  于是就想自己改写一下   添加支持网络图片的直接解析   #coding:utf-8 #import sys #reload(sys) #sys.s
  • AJAX 永夜-极光 Ajax
    1.AJAX功能:动态更新页面,减少流量消耗,减轻服务器负担   2.代码结构:    <html> <head> <script type="text/javascript"> function loadXMLDoc() { .... AJAX script goes here ...
  • 创业OR读研 随便小屋 创业
            现在研一，有种想创业的想法，不知道该不该去实施。因为对于的我情况这两者是矛盾的，可能就是鱼与熊掌不能兼得。                研一的生活刚刚过去两个月，我们学校主要的是
  • 需求做得好与坏直接关系着程序员生活质量 aijuans IT 生活
            这个故事还得从去年换工作的事情说起，由于自己不太喜欢第一家公司的环境我选择了换一份工作。去年九月份我入职现在的这家公司，专门从事金融业内软件的开发。十一月份我们整个项目组前往北京做现场开发，从此苦逼的日子开始了。        系统背景：五月份就有同事前往甲方了解需求一直到6月份，后续几个月也完
  • 如何定义和区分高级软件开发工程师 aoyouzi
    在软件开发领域，高级开发工程师通常是指那些编写代码超过 3 年的人。这些人可能会被放到领导的位置，但经常会产生非常糟糕的结果。Matt Briggs 是一名高级开发工程师兼 Scrum 管理员。他认为，单纯使用年限来划分开发人员存在问题，两个同样具有 10 年开发经验的开发人员可能大不相同。近日，他发表了一篇博文，根据开发者所能发挥的作用划分软件开发工程师的成长阶段。 　　初
  • Servlet的请求与响应 百合不是茶 servletget提交java处理post提交
      Servlet是tomcat中的一个重要组成,也是负责客户端和服务端的中介     1,Http的请求方式(get  ,post);   客户端的请求一般都会都是Servlet来接受的,在接收之前怎么来确定是那种方式提交的,以及如何反馈,Servlet中有相应的方法,  http的get方式 servlet就是都doGet(
  • web.xml配置详解之listener bijian1013 javaweb.xmllistener
    一.定义 <listener> <listen-class>com.myapp.MyListener</listen-class> </listener>   二.作用        该元素用来注册一个监听器类。可以收到事件什么时候发生以及用什么作为响
  • Web页面性能优化（yahoo技术） Bill_chen JavaScriptAjaxWebcssYahoo
    1.尽可能的减少HTTP请求数 content 2.使用CDN server 3.添加Expires头(或者 Cache-control) server 4.Gzip 组件 server 5.把CSS样式放在页面的上方。 css 6.将脚本放在底部(包括内联的) javascript 7.避免在CSS中使用Expressions css 8.将javascript和css独立成外部文
  • 【MongoDB学习笔记八】MongoDB游标、分页查询、查询结果排序 bit1129 mongodb
    游标   游标，简单的说就是一个查询结果的指针。游标作为数据库的一个对象，使用它是包括 声明 打开 循环抓去一定数目的文档直到结果集中的所有文档已经抓取完 关闭游标   游标的基本用法，类似于JDBC的ResultSet(hasNext判断是否抓去完,next移动游标到下一条文档)，在获取一个文档集时，可以提供一个类似JDBC的FetchSize
  • ORA-12514 TNS 监听程序当前无法识别连接描述符中请求服务 的解决方法 白糖_ ORA-12514
    今天通过Oracle SQL*Plus连接远端服务器的时候提示“监听程序当前无法识别连接描述符中请求服务”，遂在网上找到了解决方案： ①打开Oracle服务器安装目录\NETWORK\ADMIN\listener.ora文件，你会看到如下信息：   # listener.ora Network Configuration File: D:\database\Oracle\net
  • Eclipse 问题 A resource exists with a different case bozch eclipse
    在使用Eclipse进行开发的时候，出现了如下的问题： Description Resource Path Location TypeThe project was not built due to "A resource exists with a different case: '/SeenTaoImp_zhV2/bin/seentao'.&
  • 编程之美-小飞的电梯调度算法 bylijinnan 编程之美
    public class AptElevator { /** * 编程之美 小飞 电梯调度算法 * 在繁忙的时间，每次电梯从一层往上走时，我们只允许电梯停在其中的某一层。 * 所有乘客都从一楼上电梯，到达某层楼后，电梯听下来，所有乘客再从这里爬楼梯到自己的目的层。 * 在一楼时，每个乘客选择自己的目的层，电梯则自动计算出应停的楼层。 * 问：电梯停在哪
  • SQL注入相关概念 chenbowen00 sqlWeb安全
    SQL Injection：就是通过把SQL命令插入到Web表单递交或输入域名或页面请求的查询字符串，最终达到欺骗服务器执行恶意的SQL命令。 具体来说，它是利用现有应用程序，将（恶意）的SQL命令注入到后台数据库引擎执行的能力，它可以通过在Web表单中输入（恶意）SQL语句得到一个存在安全漏洞的网站上的数据库，而不是按照设计者意图去执行SQL语句。 首先让我们了解什么时候可能发生SQ
  • [光与电]光子信号战防御原理 comsci 原理
          无论是在战场上,还是在后方,敌人都有可能用光子信号对人体进行控制和攻击,那么采取什么样的防御方法,最简单,最有效呢?       我们这里有几个山寨的办法,可能有些作用,大家如果有兴趣可以去实验一下       根据光
  • oracle 11g新特性:Pending Statistics daizj oracledbms_stats
    oracle 11g新特性:Pending Statistics 转 从11g开始，表与索引的统计信息收集完毕后，可以选择收集的统信息立即发布，也可以选择使新收集的统计信息处于pending状态，待确定处于pending状态的统计信息是安全的，再使处于pending状态的统计信息发布，这样就会避免一些因为收集统计信息立即发布而导致SQL执行计划走错的灾难。 在 11g 之前的版本中，D
  • 快速理解RequireJs dengkane jqueryrequirejs
    RequireJs已经流行很久了，我们在项目中也打算使用它。它提供了以下功能： 声明不同js文件之间的依赖 可以按需、并行、延时载入js库 可以让我们的代码以模块化的方式组织 初看起来并不复杂。 在html中引入requirejs 在HTML中，添加这样的 <script> 标签： <script src="/path/to
  • C语言学习四流程控制if条件选择、for循环和强制类型转换 dcj3sjt126com c
    # include <stdio.h> int main(void) { int i, j; scanf("%d %d", &i, &j); if (i > j) printf("i大于j\n"); else printf("i小于j\n"); retu
  • dictionary的使用要注意 dcj3sjt126com IO
    NSDictionary *dict = [NSDictionary dictionaryWithObjectsAndKeys: user.user_id , @"id", user.username , @"username",
  • Android 中的资源访问(Resource) finally_m xmlandroidStringdrawablecolor
    简单的说，Android中的资源是指非代码部分。例如，在我们的Android程序中要使用一些图片来设置界面，要使用一些音频文件来设置铃声，要使用一些动画来显示特效，要使用一些字符串来显示提示信息。那么，这些图片、音频、动画和字符串等叫做Android中的资源文件。 在Eclipse创建的工程中，我们可以看到res和assets两个文件夹，是用来保存资源文件的，在assets中保存的一般是原生
  • Spring使用Cache、整合Ehcache 234390216 springcacheehcache@Cacheable
    Spring使用Cache            从3.1开始，Spring引入了对Cache的支持。其使用方法和原理都类似于Spring对事务管理的支持。Spring Cache是作用在方法上的，其核心思想是这样的：当我们在调用一个缓存方法时会把该方法参数和返回结果作为一个键值对存放在缓存中，等到下次利用同样的
  • 当druid遇上oracle blob(clob) jackyrong oracle
    http://blog.csdn.net/renfufei/article/details/44887371 众所周知，Oracle有很多坑, 所以才有了去IOE。 在使用Druid做数据库连接池后，其实偶尔也会碰到小坑，这就是使用开源项目所必须去填平的。【如果使用不开源的产品，那就不是坑，而是陷阱了，你都不知道怎么去填坑】 用Druid连接池，通过JDBC往Oracle数据库的
  • easyui datagrid pagination获得分页页码、总页数等信息 ldzyz007
    var grid = $('#datagrid');  var options = grid.datagrid('getPager').data("pagination").options;  var curr = options.pageNumber;  var total = options.total;  var max =
  • 浅析awk里的数组 nigelzeng 二维数组array数组awk
    awk绝对是文本处理中的神器，它本身也是一门编程语言，还有许多功能本人没有使用到。这篇文章就单单针对awk里的数组来进行讨论，如何利用数组来帮助完成文本分析。   有这么一组数据：   abcd,91#31#2012-12-31 11:24:00 case_a,136#19#2012-12-31 11:24:00 case_a,136#23#2012-12-31 1
  • 搭建 CentOS 6 服务器(6) - TigerVNC rensanning centos
    安装GNOME桌面环境 # yum groupinstall "X Window System" "Desktop" 安装TigerVNC # yum -y install tigervnc-server tigervnc 启动VNC服务 # /etc/init.d/vncserver restart # vncser
  • Spring 数据库连接整理 tomcat_oracle springbeanjdbc
    1、数据库连接jdbc.properties配置详解 　　jdbc.url=jdbc:hsqldb:hsql://localhost/xdb 　　jdbc.username=sa 　　jdbc.password= 　　jdbc.driver=不同的数据库厂商驱动，此处不一一列举 　　接下来，详细配置代码如下： 　　 Spring连接池    
  • Dom4J解析使用xpath java.lang.NoClassDefFoundError: org/jaxen/JaxenException异常 xp9802
    用Dom4J解析xml,以前没注意,今天使用dom4j包解析xml时在xpath使用处报错      异常栈：java.lang.NoClassDefFoundError: org/jaxen/JaxenException异常       导入包 jaxen-1.1-beta-6.jar 解决; &nb
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他