Python PrettyTable 模块

最新推荐文章于 2024-06-24 09:37:38 发布
最新推荐文章于 2024-06-24 09:37:38 发布
阅读量1.7w 收藏 23
点赞数 6
CC 4.0 BY-SA版权
分类专栏： python 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/codeway3D/article/details/52798804
本文介绍了Python的PrettyTable模块，用于以表格形式整洁地输出内容。详细讲解了如何创建表、添加元素、设置输出格式及控制表样式，包括ASCII和HTML表，以及调整对齐方式等。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Python PrettyTable 模块

简介

Python通过PrettyTable模块可以将输出内容如表格方式整齐地输出。

安装

pip install prettytable

示例

from prettytable import PrettyTable
table = PrettyTable(["animal", "ferocity"])
table.add_row(["wolverine", 100])
table.add_row(["grizzly", 87])
table.add_row(["Rabbit of Caerbannog", 110])
table.add_row(["cat", -1])
table.add_row(["platypus", 23])
table.add_row(["dolphin", 63])
table.add_row(["albatross", 44])
table.sort_key("ferocity")
table.reversesort = True
print(table)

'''效果图
+----------------------+----------+
|        animal        | ferocity |
+----------------------+----------+
| Rabbit of Caerbannog |   110    |
|      wolverine       |   100    |
|       grizzly        |    87    |
|       dolphin        |    63    |
|      albatross       |    44    |
|       platypus       |    23    |
|         cat          |    -1    |
+----------------------+----------+
'''

使用

创建表

直接创建
pt = PrettyTable()
从已有文件创建
CSV
from
最低0.47元/天 解锁文章
Python库： PrettyTable 模块简介和简单使用
简简单单Onlinezuozuo
09-02 1239
文章目录Python库： PrettyTable 模块简介和简单使用1、说明2、使用 Python库： PrettyTable 模块简介和简单使用 1、说明 说明 是一个用来生成美观的ASCII格式的表格的第三方库 如何安装 pip install prettytable 如何导入 from prettytable import PrettyTable 2、使用 表头 # 表头 table = PrettyTable(['PID', 'Port', 'Jar Name', 'File Path'])
Python的PrettyTable模块
m0_60981735的博客
03-05 2871
​ 在使用Python查询表格数据的时候，直接print出来的话。数据杂乱无章，这个使用就可以使用PrettyTable模块来解决这个问题。如下图:这样在输出的窗口可以很清晰看到所需要的信息。那么类似这种表格要怎么做出来呢？没错，使用就会把事情变得很简单。
python之PrettyTable模块
Lawrence_121
05-25 898
一. 简介 　　Python通过prettytable模块将输出内容如表格方式整齐输出，python本身并不内置，需要独立安装该第三方库。 二. 安装 方式一：pip安装 pip install PrettyTable 方式二：不安装，将PrettyTable.py放在当前文件夹里，通过from PrettyTable import *也可以使用。(平常用的这种) 使用方法① ...
Python中PrettyTable模块的基础使用
邓光正的博客
01-17 978
PrettyTable不仅提供了手动按行按列添加数据，也支持直接从csv文件中读取数据，需要注意的是，字符串需要加上引号。使用set_style()来控制数据表格的样式，set_style()默认参数是DEFAULT的表格样式，如果需要更换为其它方式，则需要import导入后使用.创建列数据时，也可以直接使用列表或者第一个参数为列标题名，类型是str，第二个是列对应的value，类型是list。使用align来设置对齐方式，默认居中对齐，其中l是向左对齐，c是居中对齐，r是向右对齐。
python的PrettyTable美化包
MarineWJ的博客
04-16 808
1.from prettytable import PrettyTable #导入prettytable包 x=Prettytable([‘姓名’,‘性别’,‘年龄’]) x.add_row([‘张三’,‘男’,‘24’]) x.add_column(‘marine’,[1]) #加列 x.vertical_char=’’ #改变垂直边框符‘ |' x.horizontal_ch...
Python prettytable美化你的输出
weixin_41479678的博客
12-21 274
看代码： #!/usr/bin/python # -*- coding:utf-8 -*- import prettytable as pt from prettytable import from_csv from prettytable import from_db_cursor import MySQLdb import os import time def creatept(): tb = pt.PrettyTable() tb.field_names = ["City na
python PrettyTable模块的安装与简单应用
12-25
进入pypi.python.org查找并下载PrettyTable将其放在Python文件夹下的Scripts文件夹下 进入命令提示符工具，转到Scripts文件夹下，通过命令pip install prettytable-0.7.2.tar.bz2安装该模块 二、简单的使用 导入该...
使用prettytable美化dataframe输出的表格
呆萌的代Ma
11-16 556
输出的思路比较简单：from_csv接收一个dataframe的csv的字节流即可。
Python模块——PrettyTable 模块
weixin_30951389的博客
05-31 861
简介 PrettyTable 是python中的一个第三方库，可用来生成美观的ASCII格式的表格，十分实用。 安装 pip install prettytable 示例 从已有文件创建 CSV from prettytable import from_csv fp = open("mytable.csv", "r") pt = from_csv(fp) ...
解决prettytable在pycharm中的输出对不齐的问题
qq_46433748的博客
10-06 2047
找到pycharm中的设置，找到编辑器>字体，更换一个中文字体，我这里用的simhei也就是宋体。使用prettytable输出内容发现在pycharm中输出的歪七扭八的，尤其是表头和数据。第一就是直接在命令行运行python程序，可以解决对不齐的现象。造成这种现象的原因是因为数据使用了中文。可以看到，效果还是很不错的。
浅谈python str.format与制表符\t关于中文对齐的细节问题
01-20
写了一个练手的爬虫…在输出的时候出现了让人很不愉:male_sign:悦的问题 像这样： 令人十分难受啊！ #—————————————— 在此之前先说一下python中的.format格式化输出 python2.6开始，可以使用str.format进行轻松的格式化， 如上可以看到，对变量的处理简洁灵活，此外对数字的各种位数处理也很到位 {:<x>为右对齐，^为居中），少于x位自动补齐（默认为空格补齐） 这里值得注意的是，x也可以作为变量代入: #—————————————— 着手解决问题， 第一反应使用\t制表符，带来的问题便是字符串长度差距超过一个制表位时，会跳到下一个制表位，如图：
prettytable
11-10
使用prettytable模块可以将输出结果实例化
Python+前端html、css美化综合+博客首页网页搭建
05-14
本资源主要是利用html语言和css语言搭建了博客园首页的示例网页页面 对前端html和css所有的知识进行复习运用 通过搭建项目的方式熟悉Python搭建前端的知识 适用于在对前端开发学习的伙伴，通过示例代码的方式理解和记忆相关知识 并投入到实际中进行运用 资源包括前端html基本所有标签的运用， 同时有css选择器运用、浮动运用、盒子模型运用等
PrettyTable介绍与基本使用（二）
村头
09-17 3461
PrettyTable介绍与基本使用（二）    接上次的PrettyTable使用介绍，继续介绍PrettyTable的用法。 表格对齐方式    使用align属性，配置表格数据的对齐方式，"l"，"r"，"c"分别代表左对齐，右对齐，居中对齐， 默认情况下，均使用居中对齐。对整个表的设置使用： x.align = "r"    对某一列进行设置，只需要提供对应的字段名， 默认情况下，均使用居中对齐。： x.align["City name"
python面向对象编程及prettytable的实例（封装与继承）
凡哥的博客
11-29 556
面向过程编程 “面向过程”(Procedure Oriented)是一种以过程为中心的编程思想。 分析出解决问题所需要的步骤，然后用函数把这些步骤一步一步实现，使用的时候依次调用就可以了。 面向对象的方法也是含有面向过程的思想。面向过程最重要的是模块化的思想方法。 特性： 模块化 流程化 优点： 性能比面向对象高, 因为类调用时需要实例化，开销比较大，比较消耗资源; 单片机、嵌入式开发、Linux/Unix等一般采用面向过程开发，性能是最重要的因素。 缺点： 没有面向对象易维护、易复用、易扩展 面向对象编程
Python库PrettyTable 封装输出表格函数
不凡乃大的博客
04-12 811
Python库PrettyTable 封装输入表格函数
prettytable的常用方法
weixin_59246157的博客
07-22 1237
table.align["列名"] = "对齐方式" # 对齐方式可以为 "l"（左对齐）、"r"（右对齐）或 "c"（居中对齐）table.junction_char = "字符" # 设置字符作为行间隔线与表格边框的交叉点。table.horizontal_char = "字符" # 设置字符作为行间隔线。table.field_names = ["列名1", "列名2", ...]table.add_row(["数据1", "数据2", ...])table.title = "表格标题"
16、prettytable 基本操作
融码一生：专注 Python、C/C++、Linux、机器学习 & 深度学习、NLP、算法领域分享
03-24 267
prettytable 基本操作
推荐：pretty_html_table - 美观的HTML表格制作神器
gitblog_00039的博客
06-24 614
推荐：pretty_html_table - 美观的HTML表格制作神器 项目地址:https://gitcode.com/gh_mirrors/ph/ph_table 项目介绍 pretty_html_table 是一个非常实用的Python库，专门设计用于将Pandas DataFrame轻松转换为美观的HTML表格，以方便在电子邮件中展示报告。无论你是数据分析师、开发人员还是企业报告制作者，...
from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score,confusion_matrix from prettytable import PrettyTable import numpy as np X=np.matrix('1 0.1;2 0.9;2 0.4;4 0.9;5 0.4;\ 6 0.4;6 0.8;6 0.7;7 0.2;7 0.8;\ 7 0.9;8 0.1;8 0.6;8 0.8;3 0.9;\ 8 0.5;7 0.2;4 0.5;4 0.7;2 0.9') y_true=np.matrix('0; 0; 0; 1; 0;\ 0; 1; 1; 0; 1;\ 1; 0; 1; 1; 0;\ 1; 0; 0; 1; 1') #导入数据，并设置训练和测试数据比例为8:2 X_train, X_test, y_train, y_test = train_test_split(X, np.ravel(y_true),test_size=0.2) reg = LogisticRegression(C=1e5, solver='lbfgs') #训练 reg.fit(X_train,y_train) #测试 y_pred=reg.predict(X_test) print('test accuracy:\n',accuracy_score(y_test,y_pred)) #打印模型精度 print('weights:\n', reg.coef_, '\nbias:\n', reg.intercept_) #打印模型参数 pre=reg.predict(X) cm = confusion_matrix(y_true, pre) print("confusion_matrix:") #打印混淆矩阵 cm_table = PrettyTable(["","predict: 0 class", "predict: 1 class"]) cm_table.add_row(["true: 0 class",cm[0,0], cm[0,1]]);cm_table.add_row(["true: 1 class",cm[1,0], cm[1,1]]) print(cm_table) 这是我的代码，，他报了这样的错误C:\Users\Administrator\PycharmProjects\pythonProject\.venv\Scripts\python.exe D:\ex342.py Traceback (most recent call last): File "D:\ex342.py", line 18, in <module> reg.fit(X_train,y_train) File "C:\Users\Administrator\PycharmProjects\pythonProject\.venv\Lib\site-packages\sklearn\base.py", line 1389, in wrapper return fit_method(estimator, *args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\Users\Administrator\PycharmProjects\pythonProject\.venv\Lib\site-packages\sklearn\linear_model\_logistic.py", line 1222, in fit X, y = validate_data( ^^^^^^^^^^^^^^ File "C:\Users\Administrator\PycharmProjects\pythonProject\.venv\Lib\site-packages\sklearn\utils\validation.py", line 2961, in validate_data X, y = check_X_y(X, y, **check_params) ^^^
最新发布
03-15
<think>嗯，用户在使用sklearn的LogisticRegression时遇到了fit方法报错，提示数据验证问题。我需要先回忆一下常见的导致数据验证错误的原因。首先，输入的数据类型是否正确？比如是否应该是数值型而不是字符串或者其他类型。其次，数据中是否存在缺失值NaN或者无穷大inf的情况，这些都会导致验证失败。还有数据的形状是否正确，特征矩阵X和标签y的样本数是否一致。另外，是否需要先进行数据预处理，比如标准化或者处理分类变量？ 然后想到，用户可能需要检查输入数据的维度。例如，X是否是一个二维数组，而y是一维数组。如果用户不小心将X转换成一维，就会出错。还要看看是否有特殊字符或非数值数据混入，比如某些列是字符串而没有进行编码。 再考虑数据预处理步骤，比如使用StandardScaler进行标准化，或者用OneHotEncoder处理分类变量。如果用户的数据中包含分类变量而没有正确处理，fit时就会报错。此外，样本数量是否足够，比如在划分训练集和测试集后，训练样本数是否少于某个阈值，或者类别不平衡问题是否影响了算法的收敛。 另外，可能需要检查scikit-learn的版本，因为不同版本的参数设置可能有变化，比如是否需要在初始化LogisticRegression时设置特定的solver，或者是否某些参数被弃用。例如，旧版本可能默认使用liblinear，而新版本可能有其他推荐选项。 然后想到具体的解决方案步骤。第一步应该是检查数据形状，用X.shape和y.shape确认样本数一致。第二步是检查缺失值和数据类型，用isnull().sum()和dtypes查看。第三步是处理分类变量，可能需要标签编码或独热编码。第四步是数据标准化，尤其是当特征量纲差异大时。第五步是检查标签y是否为正确格式，比如二分类问题需要0和1的编码，多分类可能需要特定的整数标签。 可能的错误示例包括，用户可能将DataFrame中的某一列作为y，但该列存在缺失值，或者数据类型是object。或者X中存在字符串列，比如“男”、“女”没有转换为数值。此外，如果用户使用了管道，可能在某个步骤中处理不当导致数据格式问题。 最后，需要提醒用户使用try-except块来捕获错误信息，这样可以更准确地定位问题。另外，建议用户查看官方文档，确认参数的设置是否正确，特别是solver的选择是否与数据特性兼容，比如某些solver不支持L1正则化，或者需要设置multi_class参数等。</think>### 解决方案：LogisticRegression fit方法数据验证问题 #### 1. **检查输入数据类型** - **问题原因**：`sklearn`要求输入数据为数值型矩阵（`numpy.ndarray`或类似结构），若数据包含字符串、缺失值（NaN）或无穷大（inf），会触发数据验证错误。 - **解决方法**： ```python import pandas as pd from sklearn.linear_model import LogisticRegression # 检查缺失值 print("缺失值数量：", pd.DataFrame(X).isnull().sum()) # 检查数据类型 print("特征数据类型：", X.dtypes) # 转换为数值矩阵（如使用Pandas） X = X.astype(float) ``` #### 2. **验证数据形状** - **问题原因**：特征矩阵`X`必须是二维数组（样本数×特征数），标签`y`必须是一维数组。若维度不匹配（如`X`为一维），会报错。 - **解决方法**： ```python # 检查形状 print("X的形状：", X.shape) # 应为(n_samples, n_features) print("y的形状：", y.shape) # 应为(n_samples,) # 修正维度（例如将一维X转为二维） X = X.reshape(-1, 1) ``` #### 3. **处理分类变量** - **问题原因**：若特征包含分类变量（如字符串标签），需编码为数值。未处理会导致数据验证失败。 - **解决方法**： ```python from sklearn.preprocessing import LabelEncoder, OneHotEncoder # 标签编码（针对有序分类） le = LabelEncoder() y_encoded = le.fit_transform(y) # 独热编码（针对无序分类特征） encoder = OneHotEncoder() X_encoded = encoder.fit_transform(X_categorical) ``` #### 4. **标准化数据** - **问题原因**：逻辑回归对特征尺度敏感，未标准化可能导致数值不稳定或收敛问题。 - **解决方法**： ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(X) model = LogisticRegression() model.fit(X_scaled, y) ``` #### 5. **检查标签一致性** - **问题原因**：多分类任务中标签需为整数且从0开始连续编码（如0,1,2），若存在无效标签（如字符串或跳跃值），会报错。 - **解决方法**： ```python # 检查标签唯一值 print("唯一标签值：", np.unique(y)) # 重新编码标签（例如将["cat", "dog"]转为[0,1]） y = np.where(y == "cat", 0, 1) ``` --- ### 错误示例与修复 **报错信息示例**： ``` ValueError: Input contains NaN, infinity or a value too large for float64. ``` **修复代码**： ```python # 替换缺失值 from sklearn.impute import SimpleImputer imputer = SimpleImputer(strategy="mean") X = imputer.fit_transform(X) ``` --- ### 验证流程总结 1. 检查数据完整性：缺失值、无穷值 2. 确认数据维度：`X`为二维，`y`为一维 3. 转换分类变量：编码为数值 4. 标准化数据：提升模型收敛性 5. 验证标签格式：连续整数编码 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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