python实战之实现excel读取、统计、写入的示例讲解
这篇文章主要介绍了关于python实战之实现excel读取、统计、写入的示例讲解，有着一定的参考价值，现在分享给大家，有需要的朋友可以参考一下
背景
图像领域内的一个国内会议快要召开了，要发各种邀请邮件，之后要录入、统计邮件回复（参会还是不参会等）。如此重要的任务，老师就托付给我了。ps: 统计回复邮件的时候，能知道谁参会或谁不参会。
而我主要的任务，除了录入邮件回复，就是统计理事和普通会员的参会情况了（参会的、不参会的、没回复的）。录入邮件回复信息没办法只能人工操作，但如果统计也要人工的话，那工作量就太大了（比如在上百人的列表中搜索另外上百人在不在此列表中！！），于是就想到了用python来帮忙，花两天时间不断修改，写了6个版本。。。
摘要
version_1 基本实现了excel读取、统计、显示功能，但问题也有不少，像显示出来后还要自已复制、粘贴到excel表，而且set中还有nan这样的bug。
version_2 相比较version_1而言，此版本用set代替list，可以自动去重。
version_3 解决了set中出现nan的bug，而且还加入的excel写入的功能，但一次只能写入一张表，所以要运行两次才能写入两张表（sheet）。
version_4 的改进在于将version_3中写入两张表格的操作，集成在一个程序里，只需要运行一次便可写入两张表，但也总是会写入两张表，万一你只想写入一张表呢？？
version_5 相对之前版本的最大改进在于将程序模块化，更具可读性了; 对修复set中出现nan的方法也进行了改进和简化; 而且可以自由控制写入多少张表了。
version_final 相比较version_5，修复了一个bug，之前需要先验知识，现在更通用一点（prep函数取代了set2list函数）。
version_1
基本实现了excel读取、统计、显示功能，但问题也有不少，像显示出来后还要自已复制、粘贴到excel表，而且set中还有nan这样的值。
#version_1 import os import numpy as np import pandas as pd os.chdir('C:\\Users\\dell\\Desktop\\0711任务') print(os.getcwd()) data = pd.read_excel('for_python.xlsx','Sheet2') return_set = set(data['回执名单']) demand_set = set(data['理事名单']) answer_list = [] unanswer_list = [] for each in demand_set: if each in return_set: answer_list.append(each) else: unanswer_list.append(each) notattend_set = set(data['回执名单'][-15:]) nt = [] for each in notattend_set: if each in answer_list: nt.append(each) def disp(ll, cap, num = True): print(cap) if num: for i, each in enumerate(ll): print(i+1,each) else: for each in enumerate(ll): print(each) disp(answer_list,'\n理事回执名单') disp(unanswer_list,'\n理事未回执名单') disp(nt,'\n理事回执说不参加名单')
version_2
相比较上一个版本，此版本用set代替list，可以自动去重。
#version_2 import os import numpy as np import pandas as pd os.chdir('C:\\Users\\dell\\Desktop\\0711任务') print(os.getcwd()) data = pd.read_excel('for_python.xlsx','Sheet2') return_set = set(data['回执名单']) demand_set = set(data['理事名单']) answer_set = set([]) #理事回执名单 unanswer_set = set([]) #理事未回执名单 for each in demand_set: if each in return_set: answer_set.add(each) else: unanswer_set.add(each) notattend_set = set(data['回执名单'][-17:]) nt = set([]) #理事回执说不参加名单 for each in notattend_set: if each in answer_set: nt.add(each) ans_att_set = answer_set - nt #理事回执参加名单 def disp(ss, cap, num = False): print(cap) if num: for i, each in enumerate(ss): print(i+1,each) else: for each in ss: print(each) #disp(answer_set,'\n理事回执名单') disp(ans_att_set,'\n理事回执说参加名单') disp(nt,'\n理事回执说不参加名单') disp(unanswer_set,'\n理事未回执名单') print(len(ans_att_set),len(nt),len(unanswer_set))
version_3
此版本解决了set中出现nan的bug，而且还加入的excel写入的功能，但一次只能写入一张表，所以要运行两次才能写入两张表（sheet）。
step_1
import os
import numpy as np
import pandas as pd
os.chdir('C:\\Users\\dell\\Desktop')
print('work_directory: ', os.getcwd())
data = pd.read_excel('理事与会员名单.xlsx','理事与会员名单')
#1.载入excel，得到三个名单
ans_attend_set = set(data['回执参加']) #回执参会名单
N = len(ans_attend_set)
ans_notatt_idx = [i for i in range(N) if type(data['回执不参加'][i]) == np.float][0]
ans_notatt_set = set(data['回执不参加'][:ans_notatt_idx])#回执不参会名单
concil_idx = [i for i in range(N) if type(data['理事名单'][i]) == np.float][0]
concil_set = set(data['理事名单'][:concil_idx]) #理事名单
#2.统计理事参会情况
concil_attend_set = set([]) #理事回执参会名单
concil_notatt_set = set([]) #理事回执不参会名单
concil_notans_set = set([]) #理事未回执名单
for each in concil_set:
if each in ans_attend_set:
concil_attend_set.add(each)
elif each in ans_notatt_set:
concil_notatt_set.add(each)
else:
concil_notans_set.add(each)
#3. 显示结果
def disp(ss, cap, num = True):
#ss: 名单集合
#cap: 开头描述
print(cap,'({})'.format(len(ss)))
for i in range(np.ceil(len(ss)/5).astype(int)):
pre = i * 5
nex = (i+1) * 5
#调整显示格式
dd = ''
for each in list(ss)[pre:nex]:
if len(each) == 2:
dd = dd + ' ' + each
elif len(each) == 3:
dd = dd + ' ' + each
else:
dd = dd + '' + each
print('{:3.0f} -{:3.0f} {}'.format(i*5+1,(i+1)*5,dd))
disp(concil_attend_set,'\n参会理事')
disp(concil_notatt_set,'\n不参会理事')
disp(concil_notans_set,'\n未回执理事')
#4. 将理事参会情况，写入excel
df = pd.DataFrame(list(concil_attend_set),columns = ['参会理事'])
df['']=pd.DataFrame([''])
df['序号1'] = pd.DataFrame(np.arange(len(concil_notatt_set))+1)
df['不参会理事'] = pd.DataFrame(list(concil_notatt_set))
df['_']=pd.DataFrame([''])
df['序号2'] = pd.DataFrame(np.arange(len(concil_notans_set))+1)
df['未回执理事'] = pd.DataFrame(list(concil_notans_set))
df.index = df.index + 1
df.to_excel('理事和会员回执统计.xlsx', sheet_name='理事回执统计')
print('\n\n写入excel成功~~')step_2
import os
import numpy as np
import pandas as pd
os.chdir('C:\\Users\\dell\\Desktop')
print('work_directory: ', os.getcwd())
data = pd.read_excel('理事与会员名单.xlsx','理事与会员名单')
#1.载入excel，得到三个名单
ans_attend_set = set(data['回执参加']) #回执参会名单
N = len(ans_attend_set)
ans_notatt_idx = [i for i in range(N) if type(data['回执不参加'][i]) == np.float][0]
ans_notatt_set = set(data['回执不参加'][:ans_notatt_idx])#回执不参会名单
mem_idx = [i for i in range(N) if type(data['被推荐人'][i]) == np.float][0]
mem_set = set(data['被推荐人'][:mem_idx]) #被推荐为会员代表名单
#2.统计会员参会情况
mem_attend_set = set([]) #回执参会会员
mem_notatt_set = set([]) #回执不参会会员
mem_notans_set = set([]) #未回执会员
for each in mem_set:
if each in ans_attend_set:
mem_attend_set.add(each)
elif each in ans_notatt_set:
mem_notatt_set.add(each)
else:
mem_notans_set.add(each)
#3. 显示结果
def disp(ss, cap, num = True):
#ss: 名单集合
#cap: 开头描述
print(cap,'({})'.format(len(ss)))
for i in range(np.ceil(len(ss)/5).astype(int)):
pre = i * 5
nex = (i+1) * 5
#调整显示格式
dd = ''
for each in list(ss)[pre:nex]:
if len(each) == 2:
dd = dd + ' ' + each
elif len(each) == 3:
dd = dd + ' ' + each
else:
dd = dd + '' + each
print('{:3.0f} -{:3.0f} {}'.format(i*5+1,(i+1)*5,dd))
disp(mem_attend_set,'\n参会会员')
disp(mem_notatt_set,'\n不参会会员')
disp(mem_notans_set,'\n未回执会员')
#4. 将会员参会情况，写入excel
if len(mem_attend_set) > len(mem_notans_set):
print('#1')
L = len(mem_attend_set)
mem_notans_list = list(mem_notans_set)
mem_notans_list.extend([''] * (L - len(mem_notans_set)))
mem_attend_list = list(mem_attend_set)
else:
print('#2')
L = len(mem_notans_set)
mem_attend_list = list(mem_attend_set)
mem_attend_list.extend([''] * (L - len(mem_attend_set)))
mem_notans_list = list(mem_notans_set)
df = pd.DataFrame(mem_attend_list,columns = ['参会会员'])
df['']=pd.DataFrame([''])
if len(mem_notatt_set) == 0:
df['序号1'] = np.NaN
df['不参会会员'] = np.NaN
else:
df['序号1'] = pd.DataFrame(np.arange(len(mem_notatt_set))+1)
df['不参会会员'] = pd.DataFrame(list(mem_notatt_set))
df['_']=pd.DataFrame([''])
df['序号2'] = pd.DataFrame(np.arange(len(mem_notans_set))+1)
df['未回执会员'] = pd.DataFrame(mem_notans_list)
df.index = df.index + 1
df0 = pd.read_excel('理事和会员回执统计.xlsx',sheet_name='理事回执统计')
writer = pd.ExcelWriter('理事和会员回执统计.xlsx')
df0.to_excel(writer, sheet_name='理事回执统计')
df.to_excel(writer, sheet_name='会员回执统计')
writer.save()
print('\n\n写入excel成功~~')version_4
version_4的改进在于将version_3中写入两张表格的操作，集成在一个程序里，只需要运行一次便可写入两张表，也总是会写入两张表。问题是要是你只想写入一张表呢？？
import os
import numpy as np
import pandas as pd
os.chdir('C:\\Users\\dell\\Desktop')
print('work_directory: ', os.getcwd())
loadfile_sheet = ['理事与会员名单.xlsx','理事与会员名单']
columns = ['回执参加','回执不参加','理事','会员']
savefile_sheet = ['理事和会员回执统计.xlsx','理事回执统计','会员回执统计']
display = [1,1]
def main(loadfile_sheet,columns,savefile_sheet,display):
#1. 载入excel，得到名单
data = pd.read_excel(loadfile_sheet[0],loadfile_sheet[1])
def first_nan_index(pd):
for i, each in enumerate(pd):
if type(each) == np.float:
return i
return i
idx = first_nan_index(data[columns[0]])
ans_attend_set = set(data[columns[0]][:idx])#回执参会名单
idx = first_nan_index(data[columns[1]])
ans_notatt_set = set(data[columns[1]][:idx])#回执不参会名单
idx = first_nan_index(data[columns[2]])
concil_set = set(data[columns[2]][:idx])#理事名单
idx = first_nan_index(data[columns[3]])
mem_set = set(data[columns[3]][:idx])#会员名单
#2. 统计参会情况
concil_attend_set = set([]) #回执参会理事
concil_notatt_set = set([]) #回执不参会理事
concil_notans_set = set([]) #未回执理事
for each in concil_set:
if each in ans_attend_set:
concil_attend_set.add(each)
elif each in ans_notatt_set:
concil_notatt_set.add(each)
else:
concil_notans_set.add(each)
mem_attend_set = set([]) #回执参会会员
mem_notatt_set = set([]) #回执不参会会员
mem_notans_set = set([]) #未回执会员
for each in mem_set:
if each in ans_attend_set:
mem_attend_set.add(each)
elif each in ans_notatt_set:
mem_notatt_set.add(each)
else:
mem_notans_set.add(each)
#3. 是否显示中间结果
def disp(ss, cap, num = True):
#ss: 名单集合
#cap: 开头描述
print(cap,'({})'.format(len(ss)))
for i in range(np.ceil(len(ss)/5).astype(int)):
pre = i * 5
nex = (i+1) * 5
#调整显示格式
dd = ''
for each in list(ss)[pre:nex]:
if len(each) == 2:
dd = dd + ' ' + each
elif len(each) == 3:
dd = dd + ' ' + each
else:
dd = dd + '' + each
print('{:3.0f} -{:3.0f} {}'.format(i*5+1,(i+1)*5,dd))
if display[0]:
disp(concil_attend_set,'\n参会理事')
disp(concil_notatt_set,'\n不参会理事')
disp(concil_notans_set,'\n未回执理事')
if display[1]:
disp(mem_attend_set,'\n参会会员')
disp(mem_notatt_set,'\n不参会会员')
disp(mem_notans_set,'\n未回执会员')
#4. 写入excel
def trans_pd(df,ss,cap,i=1):
if len(ss) == 0:
df['序号{}'.format(i)] = np.NaN
df[cap] = np.NaN
else:
df['序号{}'.format(i)] = pd.DataFrame(np.arange(len(ss))+1)
df[cap] = pd.DataFrame(list(ss))
df['_'*i]=pd.DataFrame([''])
return df
def set2list(mem_attend_set,mem_notans_set):
if len(mem_attend_set) > len(mem_notans_set):
L = len(mem_attend_set)
mem_notans_list = list(mem_notans_set)
mem_notans_list.extend([''] * (L - len(mem_notans_set)))
mem_attend_list = list(mem_attend_set)
else:
L = len(mem_notans_set)
mem_attend_list = list(mem_attend_set)
mem_attend_list.extend([''] * (L - len(mem_attend_set)))
mem_notans_list = list(mem_notans_set)
return mem_attend_list,mem_notans_list
mem_attend_list, mem_notans_list = set2list(mem_attend_set, mem_notans_set)
df1 = pd.DataFrame(mem_attend_list,columns = ['参会会员'])
df1['']=pd.DataFrame([''])
df1 = trans_pd(df1,mem_notatt_set,'不参会会员')
df1 = trans_pd(df1,mem_notans_set,'未回执会员',2)
df1.index = df1.index + 1
concil_attend_list, concil_notans_list = set2list(concil_attend_set, concil_notans_set)
df2 = pd.DataFrame(concil_attend_list,columns = ['参会理事'])
df2['']=pd.DataFrame([''])
df2 = trans_pd(df2,concil_notatt_set,'不参会理事')
df2 = trans_pd(df2,concil_notans_list,'未回执理事',2)
df2.index = df2.index + 1
writer = pd.ExcelWriter(savefile_sheet[0])
df2.to_excel(writer, sheet_name=savefile_sheet[1])
df1.to_excel(writer, sheet_name=savefile_sheet[2])
writer.save()
print('\n\n写入excel成功~~')
if __name__ == '__main__':
main(loadfile_sheet,columns,savefile_sheet,display)version_5
version_5对修复set中出现nan的方法进行了改进和简化; 而且将程序模块化，更具可读性; 可以自由控制写入多少张表了。
import os
import numpy as np
import pandas as pd
os.chdir('C:\\Users\\dell\\Desktop')
print('work_directory: ', os.getcwd())
loadfile_sheet = ['理事与会员名单.xlsx','理事与会员名单']
common_columns = ['回执参加','回执不参加']
concerned_columns = ['理事','会员']
disp_columns = ['参会','不参会','未回执']
savefile_sheet = ['理事和会员回执统计.xlsx','理事回执统计','会员回执统计']
def disp(ss, cap, num = True):
#ss: 名单集合
#cap: 开头描述
print(cap,'({})'.format(len(ss)))
for i in range(np.ceil(len(ss)/5).astype(int)):
pre = i * 5
nex = (i+1) * 5
#调整显示格式
dd = ''
for each in list(ss)[pre:nex]:
if len(each) == 2:
dd = dd + ' ' + each
elif len(each) == 3:
dd = dd + ' ' + each
else:
dd = dd + '' + each
print('{:3.0f} -{:3.0f} {}'.format(i*5+1,(i+1)*5,dd))
def trans_pd(df,ss,cap,i=1):
df['_'*i]=pd.DataFrame([''])
if len(ss) == 0:
df['序号{}'.format(i)] = np.NaN
df[cap] = np.NaN
else:
df['序号{}'.format(i)] = pd.DataFrame(np.arange(len(ss))+1)
df[cap] = pd.DataFrame(list(ss))
return df
def set2list(ss1,ss2):
if len(ss1) > len(ss2):
L = len(ss1)
ss2_list = list(ss2)
ss2_list.extend([''] * (L - len(ss2)))
ss1_list = list(ss1)
else:
L = len(ss2)
ss1_list = list(ss1)
ss1_list.extend([''] * (L - len(ss1)))
ss2_list = list(ss2)
return ss1_list,ss2_list
def get_df(loadfile_sheet,common_columns,concerned_column,disp_columns, display = True):
#1. 载入excel
data = pd.read_excel(loadfile_sheet[0],loadfile_sheet[1])
common_set1 = set(data[common_columns[0]])
common_set1.discard(np.NaN)
common_set2 = set(data[common_columns[1]])
common_set2.discard(np.NaN)
concerned_set = set(data[concerned_column])
concerned_set.discard(np.NaN)
#2. 统计
concerned_in_set_1 = set([])
concerned_in_set_2 = set([])
concerned_in_no_set = set([])
for each in concerned_set:
if each in common_set1:
concerned_in_set_1.add(each)
elif each in common_set2:
concerned_in_set_2.add(each)
else:
concerned_in_no_set.add(each)
#3. 显示
if display:
disp(concerned_in_set_1,'\n'+disp_columns[0]+concerned_column)
disp(concerned_in_set_2,'\n'+disp_columns[1]+concerned_column)
disp(concerned_in_no_set,'\n'+disp_columns[2]+concerned_column)
#4. 返回DataFrame
concerned_in_set_1_list, concerned_in_set_2_list = set2list(concerned_in_set_1, concerned_in_no_set)
df = pd.DataFrame(concerned_in_set_1_list,columns = [disp_columns[0]])
df = trans_pd(df,concerned_in_set_2,disp_columns[1])
df = trans_pd(df,concerned_in_no_set,disp_columns[2],2)
df.index = df.index + 1
return df
def save2excel(df, concerned_column, savefile_sheet):
L = len(savefile_sheet) - 1
idx = 0
for i in np.arange(L)+1:
if concerned_column in savefile_sheet[i]:
idx = i
break
if idx != 0:
names = locals()
for i in np.arange(L)+1:
if i != idx:
names['df%s' % i] = pd.read_excel(savefile_sheet[0], sheet_name=savefile_sheet[i])
writer = pd.ExcelWriter(savefile_sheet[0])
for i in np.arange(L)+1:
if i != idx:
names['df%s' % i].to_excel(writer, sheet_name=savefile_sheet[i])
else:
df.to_excel(writer, sheet_name=savefile_sheet[i])
writer.save()
else:
names = locals()
for i in np.arange(L)+1:
names['df%s' % i] = pd.read_excel(savefile_sheet[0], sheet_name=savefile_sheet[i])
writer = pd.ExcelWriter(savefile_sheet[0])
for i in np.arange(L)+1:
names['df%s' % i].to_excel(writer, sheet_name=savefile_sheet[i])
df.to_excel(writer, sheet_name=concerned_column)
writer.save()
print('writing success')
if __name__ == '__main__':
for concerned_column in concerned_columns:
df = get_df(loadfile_sheet,common_columns,
concerned_column,disp_columns, display = True)
save2excel(df, concerned_column, savefile_sheet)version_final
相比较version_5，修复了一个bug，之前需要先验知识，现在更通用一点（prep函数取代了set2list函数）。
import os
import numpy as np
import pandas as pd
os.chdir('C:\\Users\\dell\\Desktop')
print('work_directory: ', os.getcwd())
loadfile_sheet = ['理事与会员名单.xlsx','理事与会员名单']
common_columns = ['回执参加','回执不参加']
concerned_columns = ['理事','会员']
disp_columns = ['参会','不参会','未回执']
savefile_sheet = ['理事和会员回执统计.xlsx','理事回执统计','会员回执统计']
def disp(ss, cap, num = True):
#功能：显示名单
#ss : 名单集合
#cap ：开头描述
print(cap,'({})'.format(len(ss)))
for i in range(np.ceil(len(ss)/5).astype(int)):
pre = i * 5
nex = (i+1) * 5
#调整显示格式
dd = ''
for each in list(ss)[pre:nex]:
if len(each) == 2:
dd = dd + ' ' + each
elif len(each) == 3:
dd = dd + ' ' + each
else:
dd = dd + '' + each
print('{:3.0f} -{:3.0f} {}'.format(i*5+1,(i+1)*5,dd))
def trans_pd(df,ll,cap,i=1):
#功能：生成三列--空列、序号列、数据列
#df : DataFrame结构
#ll : 列表
#cap : 显示的列名
#i : 控制空列的名字
df['_'*i]=pd.DataFrame([''])
if len(set(ll)) == 1:
df['序号{}'.format(i)] = np.NaN
df[cap] = np.NaN
else:
df['序号{}'.format(i)] = pd.DataFrame(np.arange(len(set(ll))-1)+1)
df[cap] = pd.DataFrame(ll)
return df
def prep(ss, N):
#功能：预处理，生成列表，并补齐到长度N
#ss : 集体
#N ：长度
ll = list(ss)
L = len(ll)
ll.extend([np.NaN] * (N-L))
return ll
def get_df(loadfile_sheet,common_columns,concerned_column,disp_columns, display = True):
#1. 载入excel
data = pd.read_excel(loadfile_sheet[0],loadfile_sheet[1])
common_set1 = set(data[common_columns[0]])
common_set2 = set(data[common_columns[1]])
concerned_set = set(data[concerned_column])
common_set1.discard(np.NaN)
common_set2.discard(np.NaN)
concerned_set.discard(np.NaN)
#2. 统计
concerned_in_set_1 = set([])
concerned_in_set_2 = set([])
concerned_in_no_set = set([])
for each in concerned_set:
if each in common_set1:
concerned_in_set_1.add(each)
elif each in common_set2:
concerned_in_set_2.add(each)
else:
concerned_in_no_set.add(each)
#3. 显示
if display:
disp(concerned_in_set_1,'\n'+disp_columns[0]+concerned_column)
disp(concerned_in_set_2,'\n'+disp_columns[1]+concerned_column)
disp(concerned_in_no_set,'\n'+disp_columns[2]+concerned_column)
#4. 返回DataFrame
N = np.max([len(concerned_in_set_1),len(concerned_in_set_2),len(concerned_in_no_set)])
concerned_in_set_1_list = prep(concerned_in_set_1,N)
concerned_in_set_2_list = prep(concerned_in_set_2,N)
concerned_in_no_list = prep(concerned_in_no_set,N)
df = pd.DataFrame(concerned_in_set_1_list,columns = [disp_columns[0]])
df = trans_pd(df,concerned_in_set_2_list,disp_columns[1])
df = trans_pd(df,concerned_in_no_list,disp_columns[2],2)
df.index = df.index + 1
return df
def save2excel(df, concerned_column, savefile_sheet):
L = len(savefile_sheet) - 1
idx = 0
for i in np.arange(L)+1:
if concerned_column in savefile_sheet[i]:
idx = i
break
if idx != 0: #如果有对应sheet
names = locals()
for i in np.arange(L)+1:
if i != idx:
names['df%s' % i] = pd.read_excel(savefile_sheet[0], sheet_name=savefile_sheet[i])
writer = pd.ExcelWriter(savefile_sheet[0])
for i in np.arange(L)+1:
if i != idx:
names['df%s' % i].to_excel(writer, sheet_name=savefile_sheet[i])
else:
df.to_excel(writer, sheet_name=savefile_sheet[i])
writer.save()
else: #如果没有对应sheet，创建一个新sheet
names = locals()
for i in np.arange(L)+1:
names['df%s' % i] = pd.read_excel(savefile_sheet[0], sheet_name=savefile_sheet[i])
writer = pd.ExcelWriter(savefile_sheet[0])
for i in np.arange(L)+1:
names['df%s' % i].to_excel(writer, sheet_name=savefile_sheet[i])
df.to_excel(writer, sheet_name=concerned_column)
writer.save()
print('writing success')
if __name__ == '__main__':
for concerned_column in concerned_columns:
df = get_df(loadfile_sheet,common_columns,
concerned_column,disp_columns, display = True)
save2excel(df, concerned_column, savefile_sheet)相关推荐：
Atas ialah kandungan terperinci python实战之实现excel读取、统计、写入的示例讲解. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Alat AI Hot
Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik
AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.
Undress AI Tool
Gambar buka pakaian secara percuma
Clothoff.io
Penyingkiran pakaian AI
AI Hentai Generator
Menjana ai hentai secara percuma.
Artikel Panas
Alat panas
Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma
SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan
Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa
Dreamweaver CS6
Alat pembangunan web visual
SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)
Topik panas
1378
52
Python vs C: Aplikasi dan kes penggunaan dibandingkan
Apr 12, 2025 am 12:01 AM
Python sesuai untuk sains data, pembangunan web dan tugas automasi, manakala C sesuai untuk pengaturcaraan sistem, pembangunan permainan dan sistem tertanam. Python terkenal dengan kesederhanaan dan ekosistem yang kuat, manakala C dikenali dengan keupayaan kawalan dan keupayaan kawalan yang mendasari.
Apakah jenis fail yang terdiri daripada pangkalan data Oracle?
Apr 11, 2025 pm 03:03 PM
Struktur fail pangkalan data Oracle termasuk: Fail Data: Menyimpan data sebenar. Fail Kawalan: Rekod maklumat struktur pangkalan data. Redo Fail Log: Rekod Operasi Transaksi Untuk Memastikan Konsistensi Data. Fail Parameter: Mengandungi Parameter Running Database untuk mengoptimumkan prestasi. Fail Log Arkib: Fail Log Redo Backup untuk Pemulihan Bencana.
Cara log masuk ke pangkalan data oracle
Apr 11, 2025 pm 02:39 PM
Log masuk pangkalan data Oracle melibatkan bukan sahaja nama pengguna dan kata laluan, tetapi juga rentetan sambungan (termasuk maklumat pelayan dan kelayakan) dan kaedah pengesahan. Ia menyokong penyambung bahasa SQL*Plus dan pengaturcaraan dan menyediakan pilihan pengesahan seperti nama pengguna dan kata laluan, Kerberos dan LDAP. Kesalahan biasa termasuk ralat rentetan sambungan dan nama pengguna/kata laluan yang tidak sah, sementara amalan terbaik memberi tumpuan kepada penyatuan sambungan, pertanyaan parameter, pengindeksan, dan pengendalian kelayakan keselamatan.
Cara Menggunakan Log Debian Apache Untuk Meningkatkan Prestasi Laman Web
Apr 12, 2025 pm 11:36 PM
Artikel ini akan menerangkan bagaimana untuk meningkatkan prestasi laman web dengan menganalisis log Apache di bawah sistem Debian. 1. Asas Analisis Log Apache Log merekodkan maklumat terperinci semua permintaan HTTP, termasuk alamat IP, timestamp, url permintaan, kaedah HTTP dan kod tindak balas. Dalam sistem Debian, log ini biasanya terletak di direktori/var/log/apache2/access.log dan /var/log/apache2/error.log. Memahami struktur log adalah langkah pertama dalam analisis yang berkesan. 2. Alat Analisis Log Anda boleh menggunakan pelbagai alat untuk menganalisis log Apache: Alat baris arahan: grep, awk, sed dan alat baris arahan lain.
Python: Permainan, GUI, dan banyak lagi
Apr 13, 2025 am 12:14 AM
Python cemerlang dalam permainan dan pembangunan GUI. 1) Pembangunan permainan menggunakan pygame, menyediakan lukisan, audio dan fungsi lain, yang sesuai untuk membuat permainan 2D. 2) Pembangunan GUI boleh memilih tkinter atau pyqt. TKInter adalah mudah dan mudah digunakan, PYQT mempunyai fungsi yang kaya dan sesuai untuk pembangunan profesional.
Apakah pangkalan data Oracle dipasang pada cakera c?
Apr 11, 2025 pm 04:21 PM
Tempat bersembunyi pangkalan data Oracle pada pemacu C: Pendaftaran: Gunakan editor pendaftaran untuk mencari "oracle" untuk mencari maklumat termasuk laluan pemasangan, nama perkhidmatan, dan lain -lain. Nama contoh. Tindakan yang teliti: Apabila menyahpasang Oracle, anda bukan sahaja perlu memadam fail, tetapi juga membersihkan pendaftaran dan perkhidmatan. Adalah disyorkan untuk menggunakan alat pemasangan rasmi atau mendapatkan bantuan profesional. Pengurusan Ruang: Mengoptimumkan ruang cakera untuk mengelakkan memasang Oracle pada pemacu C; Bersihkan fail sementara dengan kerap
Laravel (PHP) vs Python: Persekitaran Pembangunan dan Ekosistem
Apr 12, 2025 am 12:10 AM
Perbandingan antara Laravel dan Python dalam persekitaran pembangunan dan ekosistem adalah seperti berikut: 1. Persekitaran pembangunan Laravel adalah mudah, hanya PHP dan komposer diperlukan. Ia menyediakan pelbagai pakej lanjutan seperti Laravelforge, tetapi penyelenggaraan pakej lanjutan mungkin tidak tepat pada masanya. 2. Persekitaran pembangunan Python juga mudah, hanya Python dan PIP diperlukan. Ekosistem adalah besar dan meliputi pelbagai bidang, tetapi pengurusan versi dan pergantungan mungkin kompleks.
PHP dan Python: Membandingkan dua bahasa pengaturcaraan yang popular
Apr 14, 2025 am 12:13 AM
PHP dan Python masing -masing mempunyai kelebihan mereka sendiri, dan memilih mengikut keperluan projek. 1.PHP sesuai untuk pembangunan web, terutamanya untuk pembangunan pesat dan penyelenggaraan laman web. 2. Python sesuai untuk sains data, pembelajaran mesin dan kecerdasan buatan, dengan sintaks ringkas dan sesuai untuk pemula.
