加班申请-工作时8小时但只想打卡两次系统包含了中午休息时间

这篇内容涉及了一个系统设定问题,即工作8小时但打卡两次导致计算为8.5小时。文章讨论了如何调整加班小时的计算方式,通过公式(加班小时*8.5)/8进行转换,并提供了SQL查询来确定加班结束时间。内容还包含了具体的SQL代码示例,用于处理特定的加班申请记录。

加班申请-工作时8小时但只想打卡两次系统包含了中午休息时间

工作时段 8:00-16:30,中间休息30分钟---实际工作时长8小时。

但系统设打两次卡,算的工作时长8.5小时

--------------------

加两字段:

转换加班小时=(加班小时*8.5)/8

转换加班结束时间=开始时间+加班小时数

SELECT DATEADD(hour,2, getdate())

select FOvertimeBDate,FOvertimeBTime,
       CONVERT(nvarchar,FOvertimeBDate,23)+' '+CONVERT(nvarchar,FOvertimeBTime,108),
       DATEADD(minute,CEILING(ChangeAddHour*60), CONVERT(nvarchar,FOvertimeBDate,23)+' '+CONVERT(nvarchar,FOvertimeBTime,108)),
       
       convert(varchar,DATEADD(minute,CEILING(ChangeAddHour*60), CONVERT(nvarchar,FOvertimeBDate,23)+' '+CONVERT(nvarchar,FOvertimeBTime,108)),111),
       --
       convert(varchar,DATEADD(minute,CEILING(ChangeAddHour*60), CONVERT(nvarchar,FOvertimeBDate,23)+' '+CONVERT(nvarchar,FOvertimeBTime,108)),108)
from formtable_main_36
where FBillNo='JBSQ2021102018713'

select * from formtable_main_36 where FBillNo='JBSQ2021102018713'

内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
可以在之前代码筛选出有效数据集的基础上,进一步筛选打卡次数为两次的数据。以下是修改后的代码: ```python import pandas as pd # 示例数据,包含个体 ID 和打卡间 data = { 'id': [1, 1, 1, 2, 2, 3, 3, 3], '打卡间': ['2024-01-01 08:00:00', '2024-01-01 08:15:00', '2024-01-01 09:00:00', '2024-01-01 10:00:00', '2024-01-01 10:30:00', '2024-01-01 13:00:00', '2024-01-01 13:10:00', '2024-01-01 13:20:00'] } df = pd.DataFrame(data) # 将打卡间列转换为 datetime 类型 df['打卡间'] = pd.to_datetime(df['打卡间']) # 按个体 ID 分组 grouped = df.groupby('id') # 筛选打卡次数超过两次的个体 filtered_groups = grouped.filter(lambda x: len(x) > 2).groupby('id') # 计算第一次打卡间和最后一次打卡间的间隔 time_differences = filtered_groups['打卡间'].agg(lambda x: x.max() - x.min()) # 判断间隔是否超过 30 分钟 valid_ids = time_differences[time_differences > pd.Timedelta(minutes=30)].index # 获取有效数据集 valid_df = df[df['id'].isin(valid_ids)] # 从有效数据集中筛选打卡次数为两次的数据 counts = valid_df.groupby('id').size() two_times_ids = counts[counts == 2].index two_times_df = valid_df[valid_df['id'].isin(two_times_ids)] print(two_times_df) ``` 这段代码在得到有效数据集 `valid_df` 后,通过 `groupby` 和 `size` 方法统计每个个体的打卡次数,筛选出打卡次数为两次的个体的 `id`,最后根据这些 `id` 从有效数据集中筛选出打卡次数为两次的数据。
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