2021-01-06

本文介绍了CSS的发展历程,包括CSS1.0到CSS3的演变,强调了CSS在网页设计中的作用。文章详细阐述了CSS的基本语法结构,如选择器和声明的使用,并提供了style标签的内联样式、内部样式和外部样式的应用示例。同时,讨论了不同样式导入方式的优先级,以及行内样式、内部样式和外部样式的区别。最后,分析了@import导入样式的特点,指出其在网速较慢时的影响。

CSS样式与选择器

CSS全称为层叠样式表(Cascading Style Sheet),通常又称为风格样式表(Style Sheet),它是用来进行网页风格设计的。使用层叠样式表,还可以精确地定位网页元素位置,美化网页外观。

一、CSS发展史

1.1996年12月推出了CSS规范的第一版,即CSS1.0版本。
2.1998年5月W3C发布了CSS的第二版,即CSS2.0版本。(DIV块 + CSS,HTML与CSS结构分离的思想,网页变得简单,SEO)
3. 2004年W3C升级了CSS2.0版本,变为CSS2.1版本。(浮动,定位)
4.2010年W3C推出了CSS3版本,它包括CSS2.1的所以功能,是目前最新版。(圆角,阴影,动画…… 浏览器兼容性~)

css的基本语法结构

1.CSS规则由两部分组成,选择器和声明。

2.声明必须放在大括号中,声明可以是多条。

3.每条声明由一个属性和值组成,属性和值用冒号分开,每条语句以英文分号结尾。

注意:在CSS一条声明中,基于W3C标准规范考虑,建议都以";"结束。
选择器

style标签

style标签建议写在head标签内
在style标签里面可以写css的样式
这是没有和html代码分离的写法(不建议,练习的时候代码少可以这样写)
在这里插入图片描述

二、CSS的3种导入方式

1.优先级

优先级:行内样式>内部样式>外部样式

行内样式

行内样式就是在HTML标签中直接使用style属性设置CSS样式。

<h1 style="color:red;">style属性的应用<h1>
<p style="font-size:14px;color:green;">直接在HTML标签中设置样式</p>

内部样式

把CSS代码写在< head >的< style >标签中,与HTML内容位于同一个HTML文件中。

外部链接样式

…… ……

导入样式

总结

链接式和导入式的区别

它们的本质都是将一个独立的CSS样式表引用到HTML页面中,但是两者还是有一些
标签属于XHTML范畴。而@import是CSS2.1中特有
使用时先将外部CSS文件加载到网页中再进行显示,即使网速再慢也是一样的效果。

使用@import导入的CSS文件,浏览页面时先将HTML结构呈现出来,再把外部CSS文件加载到网页当中,最终的效果与使用效果一样,网速较慢时会先显示没有CSS布局的HTML网页。

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