杂谈

1.安全设置

         

1控制面板  - 系统安全  - windows  防火墙  -  高级设置
2点击左侧的入站规则之后,点击右侧的新建规则
3点击端口后,点击下一步
4输入445,注意一定要在小写的情况下输入,然后点击下一步
5选择阻止连接
6何时使用该规则? 全选  域、专用、公用 后点击进入下一步,
7随意输入一个名称,点击完成即可。

2.批处理

    ~0         - 删除任何引号("),扩充 %0 
    %~f0        - 将 %0 扩充到一个完全合格的路径名(“f”是file,即文件) 
    %~d0        - 仅将 %0 扩充到一个驱动器号 
    %~p0        - 仅将 %0 扩充到一个路径 
    %~n0        - 仅将 %0 扩充到一个文件名(“n”是name 文件名) 
    %~x0        - 仅将 %0 扩充到一个文件扩展名 
    %~s0        - 扩充的路径只含有短名(“s”为Short,短的) 
    %~a0        - 将 %0 扩充到文件的文件属性(“a”为attribute,即属性) 
    %~t0        - 将 %0 扩充到文件的日期/时间(“t”time) 
    %~z0        - 将 %0 扩充到文件的大小(Size 大小) 
    %~$PATH:0   - 查找列在路径环境变量的目录,并将 %0 扩充 
                  到找到的第一个完全合格的名称。如果环境变量名 
                  未被定义,或者没有找到文件,此组合键会扩充到 
                  空字符串 

可以组合修饰符来得到多重结果: 

    %~dp0       - 仅将 %0 扩充到一个驱动器号和路径 
    %~nx0       - 仅将 %0 扩充到一个文件名和扩展名 
    %~fs0       - 仅将 %0 扩充到一个带有短名的完整路径名 
    %~dp$PATH:0 - 查找列在路径环境变量的目录,并将 %I 扩充 
                  到找到的第一个驱动器号和路径。 
    %~ftza0     - 将 %0 扩充到类似输出线路的 DI

### Pandas 文件格式读写操作教程 #### 1. CSV文件的读取与保存 Pandas 提供了 `read_csv` 方法用于从 CSV 文件中加载数据到 DataFrame 中。同样,也可以使用 `to_csv` 将 DataFrame 数据保存为 CSV 文件。 以下是具体的代码示例: ```python import pandas as pd # 读取CSV文件 df = pd.read_csv('file.csv') # 加载本地CSV文件 [^1] # 保存DataFrame为CSV文件 df.to_csv('output.csv', index=False) # 不保存行索引 [^1] ``` --- #### 2. JSON文件的读取与保存 对于JSON格式的数据,Pandas 支持通过 `read_json` 和 `to_json` 进行读取和存储。无论是本地文件还是远程 URL 都支持。 具体实现如下所示: ```python # 读取本地JSON文件 df = pd.read_json('data.json') # 自动解析为DataFrame对象 [^3] # 从URL读取JSON数据 url = 'https://example.com/data.json' df_url = pd.read_json(url) # 直接从网络地址获取数据 # 保存DataFrame为JSON文件 df.to_json('output.json', orient='records') ``` --- #### 3. Excel文件的读取与保存 针对Excel文件操作Pandas 使用 `read_excel` 来读取 `.xls` 或 `.xlsx` 格式的文件,并提供 `to_excel` 方法导出数据至 Excel 表格。 注意:需要安装额外依赖库 `openpyxl` 或 `xlrd` 才能正常运行这些功能。 ```python # 安装必要模块 (如果尚未安装) !pip install openpyxl xlrd # 读取Excel文件 df_excel = pd.read_excel('file.xlsx', sheet_name='Sheet1') # 导出DataFrame为Excel文件 df.to_excel('output.xlsx', sheet_name='Sheet1', index=False) ``` --- #### 4. SQL数据库的交互 当涉及关系型数据库时,Pandas 可借助 SQLAlchemy 库连接各种类型的数据库(如 SQLite, MySQL)。它允许直接查询并将结果作为 DataFrame 返回;或者反过来把现有 DataFrame 插入到指定表中。 下面是基于SQLite的一个例子: ```python from sqlalchemy import create_engine # 创建引擎实例 engine = create_engine('sqlite:///database.db') # 查询SQL语句并返回DataFrame query = "SELECT name, salary, department FROM employees" sql_df = pd.read_sql(query, engine) # 计算各部门平均工资 avg_salary_by_dept = sql_df.groupby('department')['salary'].mean() # 将DataFrame存回SQL表 avg_salary_by_dept.to_sql(name='average_salaries_per_department', con=engine, if_exists='replace', index=True) ``` 上述片段说明了如何执行基本SQL命令以及后续数据分析流程[^4]。 --- #### 5. 多层次索引(MultiIndex)的应用场景 除了常规单维度索引外,在某些复杂情况下可能需要用到多级索引结构。这时可以依靠 MultiIndex 构建更加灵活的数据模型。 例如定义一个多层列名体系: ```python arrays = [['A','A','B','B'], ['foo','bar','foo','bar']] tuples = list(zip(*arrays)) index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second']) df_multi_indexed = pd.DataFrame([[0,1,2,3], [4,5,6,7]], columns=index) print(df_multi_indexed) ``` 这段脚本演示了怎样构建一个具有双重分类标签的表格布局[^2]。 --- ### 总结 综上所述,Pandas 是一种强大而易用的数据处理工具包,适用于多种常见文件类型之间的相互转换及其高级特性应用开发之中。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值