2021-06-08

开发工具与关键技术: VS
作者:甘建豪

数据库修改数据

撰写时间:2021/6/8

今天我讲一下后端开发最常用的一个的一个步骤:查询,新增,修改,删除,中的修改步骤;
*:首先我讲解一下我是使用的是C#语法作为后端 处理数据, 利用Linq 查找数据 ,前端用JQ 和Ajax请求。

第一步数据回填:如果是修改数据就必须先有数据,所以打开修改的模态框时需要有一个数据回填的程序,数据的回填需要拿到它这条数据的主键序号值就可以拿到整条数据。
在这里插入图片描述

如图所示:我修改的数据是一个大学的信息,我在生成数据的时候随便给数据添加了一个修改的按钮,同时给按钮又添加了一个属性值,属性值就是这个条数据的主键的ID值,当我点击修改按钮时,就拿到 属性值为 data-index的值,拿到就用post请求就以键值对的形式把它的ID值传回去给控制台的方法。
在这里插入图片描述

如图所示:我命名text利用Linq语句把传回来的collegeID向数据库中查找有这条ID的整条数据,查找到之后就返回text,请求成功之后就会发现数据已经回填具体看图一,在请求回调时我已经把数据填上了。

第二步修改数据:数据回填上了之后就会发现
在这里插入图片描述

输入框中已经有数据填上了,有一个输入框是隐藏的,因为它并不需要修改,就是主键的CollegeID值,我们需要修改的是里面的另外的两个数据。
当我点击修改学校信息时,需要把全部的数据都要传回到控制台,包括主键的值
当我拿到这全部的数据传入控制台时
在这里插入图片描述

需要一个实体类来接收数据College ,在新增之前必须要做的就是判断是排除自身以外是否有新增到数据库已有的重复数据,如果 oldCunt==0 即是没有即可以修改数据了,修改数据无非就是一句代码:
myModel.Entry(college).State = EntityState.Modified;
首先调用数据库myModel的实体.Entry的意思是需要对某实体类进行什么操作(这个括号里面就要需要操作的实体),State即是获取或设置实体的状态,等号后面的就是执行的操作,EntityState描述一个实体的状态,Modified就是修改的意思。这一段执行完 然后保存数据库 myModel.SaveChanges() ,这段代码会返回一个数据 如果大于0证明数据库中的信息就被修改了;以上就修改数据库数据的全部内容。

你已经成功将 `Date` 列转换为 `datetime64[ns]` 类型,并且输出如下: ``` 0 2021-01-04 1 2021-01-05 2 2021-01-06 3 2021-01-07 4 2021-01-08 Name: Date, dtype: datetime64[ns] ``` ✅ **这说明日期解析完全正确!** 接下来你应该执行: ```python df.set_index('Date', inplace=True) df.sort_index(inplace=True) # 确保时间顺序正确 ``` 然后进入主逻辑,使用我们之前修复过的区间筛选函数(作用于索引)即可正常运行。 --- ### ✅ 当前状态确认清单 | 检查项 | 是否完成 | 说明 | |--------|----------|------| | ✔️ `Date` 列是否为 `datetime64[ns]`? | ✅ 是 | 输出已验证 | | ✔️ 是否设置为索引? | ⚠️ 需手动执行 | 必须调用 `set_index` | | ✔️ 时间是否升序排列? | ⚠️ 建议排序 | 使用 `sort_index()` 更安全 | | ✔️ 区间过滤函数是否作用于 `index`? | ✅ 是 | 否则会出错 | --- ### ✅ 推荐后续代码(确保流程完整) ```python # 设置索引并排序 df.set_index('Date', inplace=True) df.sort_index(inplace=True) # 查看数据类型和前几行 print("Index dtype:", df.index.dtype) print("Data head:") print(df.head()) ``` 此时你的 `df.index` 是一个有序的 `DatetimeIndex`,可以安全用于以下操作: ```python intervals = { 'YTD': lambda idx: idx >= pd.Timestamp(year=idx[-1].year, month=1, day=1), '1Y': lambda idx: idx >= idx[-1] - pd.DateOffset(years=1), '6M': lambda idx: idx >= idx[-1] - pd.DateOffset(months=6), '3M': lambda idx: idx >= idx[-1] - pd.DateOffset(months=3), '1M': lambda idx: idx >= idx[-1] - pd.DateOffset(months=1), } ``` 因为 `idx[-1]` 就是最后一个交易日,比如 `2024-03-28`,它是一个 `pd.Timestamp`,支持 `.year`、`.month` 等属性,不会再报错! --- ### ✅ 示例:查看当前 YTD 起始日 你可以加一段调试代码来验证逻辑是否正确: ```python # 调试:打印各个区间的起始时间(以最后一个日期为基准) last_date = df.index[-1] print(f"最新交易日: {last_date}") print("各区间起始日:") print("YTD:", pd.Timestamp(year=last_date.year, month=1, day=1)) print("1Y: ", last_date - pd.DateOffset(years=1)) print("6M: ", last_date - pd.DateOffset(months=6)) print("3M: ", last_date - pd.DateOffset(months=3)) print("1M: ", last_date - pd.DateOffset(months=1)) ``` 输出示例: ``` 最新交易日: 2024-03-28 各区间起始日: YTD: 2024-01-01 1Y: 2023-03-28 6M: 2023-09-28 3M: 2024-01-28 1M: 2024-02-28 ``` 这些日期就是每个区间的“开始日”,之后用它们做布尔索引就能提取对应时间段的数据。 --- ### ✅ 总结:你现在可以继续了! 只要你完成了以下几步: 1. ✅ 成功将 `Date` 转为 `datetime64[ns]` 2. ✅ 执行了 `df.set_index('Date')` 和 `sort_index()` 3. ✅ 使用基于 `idx`(即 DatetimeIndex)的过滤函数 那么之前的两个错误(`float64 has no attribute year` 和 `>= not supported`)都已彻底解决,现在可以放心运行完整的绩效分析代码。 --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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