粗糙的量刑模型-随机森林算法

wps二次开发无法创建对象wps.application的解决方案 浅谈不同WPS的Api版本调用--老版本V8与新版本V9 使用vbs脚本,创建wps对象,在新的wps版本上,执行失败,提示不能创建对象 wps.application 搜索到的解决方案 1:注册scrrun.dll regsvr32 scrrun.dll 2:dcom权限修改 cmd运行 dcomcnfg, 打开组件服务---计算机---一直找到需要的组件,右键菜单进入属性,找到权限... 阅读详情

一、效果

(一)特征重要性

在这里插入图片描述

(二)预测精度

在这里插入图片描述

(三)结果

监督学习的几个算法都试过,只有随机森林的测试集效果较好可以达到30%,其余大多只有20%多,当然如果继续调参可能会更好,但是整体而言,大致也仅在30%左右;训练集最好的时候可以到80%以上,但是测试集最高只能30%左右
结论:模型泛化能力不足,拟合能力也不是非常好
可能原因:特征使用的量刑情节使用的是0、1判断,可能过于稀疏而且提取时也可能存在一定问题,可能没有和特定的人匹配完全。需要重新调整参照标签

二、大致思路

(一)数据爬取

数据爬取使用的是selenium+xpath,尝试过使用requests,也进行了js反反爬
部分js反反爬

def __RequestVerificationToken():
"""cipher参数解密"""
start_logger()
with open('J:\\PyCharm项目\\项目\\中国裁判文书网\\requests路线\\cipher.js', encoding='utf-8') as f:
    jsdata_1 = f.read()
js_1 = execjs.compile(jsdata_1, cwd=r"C:\\Users\\Administrator\\node_modules")
__RequestVerificationToken = js_1.call('random',24)
return __RequestVerificationToken
logging.debug(__RequestVerificationToken())

在这里插入图片描述
有关js反反爬需要感谢大佬"越学越害怕"的帮助,虽然最后由于瑞数没有成功。

request没有成功采用的是selenium,链接: 中国裁判文书下载:selenium路线.

最后成功获取28万份裁判文书!!!!!!

但是原本准备获取58万份裁判文书的,失败的原因部分在于网络,有时因为网络延迟导致翻页失败;但是还有一些不知道为什么拿不到,可能是由于通过全国区县的限定词进行全文检索限定的不够精确将部分文书忽略掉了

(二)数据处理

1、解压缩

解压:

def unzip_file(zip_file_name, destination_path):
try:
    archive = zipfile.ZipFile(zip_file_name, mode='r')
    for file in archive.namelist():
        try:
            archive.extract(file, destination_path)

        except Exception as e:
            print(e)
            continue
except:
    pass

def zipfile_name(file_dir):
# 读取文件夹下面的文件名.zip
L = []
index = 1
for root, dirs, files in os.walk(file_dir):
    #rint(files)
    for file in files:
        if os.path.splitext(file)[1] == '.zip':  # 读取带zip 文件
            L.append(os.path.join(root, file))
        print("正在解压缩-----------------第%d个压缩包-------------------------------------" % index)
        index += 1
return L
# 入口函数
def main():
fn = zipfile_name(input_files.strip('\u202a'))
for file in fn:
    unzip_file(file, output_files.strip('\u202a'))
if __name__ == "__main__":
	main()

这是是从csdn上复制下来的,自己用的也是这个,应该是来自博主:DesolatePoison的《https://blog.youkuaiyun.com/qq_40695642/article/details/100170316?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522159357139119725211911252%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=159357139119725211911252&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_ecpm_v1~rank_ctr_v4-3-100170316.ecpm_v1_rank_ctr_v4&utm_term=%E6%96%87%E4%BB%B6%E6%89%B9%E9%87%8F%E8%A7%A3%E5%8E%8B%E7%BC%A9python》

整体解压时间似乎也较长大体上应该花了5-6个小时

2、去重

由于爬取时使用全文检索,不可避免的会存在下载的裁判文书重复,因而写了去重的程序

def repeat_file_find():
repeat_files = {}
for file_name in file_names:

    if file_name in repeat_files:
        repeat_files[str(file_name)] += 1
    else:
        repeat_files[str(file_name)] = 1
'''排序'''
repeat_files_ = sorted(repeat_files.items(), key=lambda x: x[1], reverse=True)
pprint.pprint(repeat_files_[:100])
with open("重复文件有哪些.json", "w+")as f:
    json.dump(repeat_files_,f)
#文件dump,数据dumps
#repeat_file_find()
data = open("重复文件有哪些.json", "r", encoding='utf-8', 		errors='Egnore').read()
datas = json.loads(data)
for i in datas:
	print(i)

但是奇怪的是:似乎没有重复的文件??????、

在这里插入图片描述

该内容已经经过排序了,最多的排在前面,但是这里没有重复的文件

疑惑:似乎解压后不用去除,可以自动去重?
好像确实是这样,在后面移动也是如此

3、格式转换

裁判文书下载下来的是压缩包,压缩包内文件格式为doc
在这里插入图片描述

python不识别doc,python-docx只能使用docx格式的,但是下载的文书格式均为doc格式的,因为需要转为docx格式的

比较坑的是:
csdn上转换的docx,都是使用word实现的,但是我用到是wps,用word也能转换为docx,不报错。
但是读取时就会无法读取,csdn上说加空格,这是没有什么用的,原因就在于缺失了word,应该是这个原因,因而转为能够读取的docx需要使用先用的wps程序

代码:

def doc_to_docx(path):
"""
DOC转为docx,wps格式
"""

index_ = 1
"""打开wps"""
#word = wc.gencache.EnsureDispatch('kwps.application')#有缓存之类的
#重复跳过一:
with open("J:\PyCharm项目\项目\中国裁判文书网\selenium路线\数据清洗模块\文书由doc转为docx\docx已经有的.txt","r",encoding="utf-8")as f:
    list_ = f.readlines()
# 重复跳过二:
with open("J:\PyCharm项目\项目\中国裁判文书网\selenium路线\数据清洗模块\docx移动至新文件夹中\已经存在的docx.txt","r",encoding="utf-8")as f:
    list_2 = f.readlines()
"""遍历doc文档"""
for index,path_ in enumerate(glob.glob(os.path.join(path, "*"))):
    path1 = path_ + "\n"
    if path1 in list_ or path1 in list_2:#
        print("重复跳过中-----------------------------------")
        pass
    else:
        try:
            word = wc.Dispatch('kwps.application')
            doc = word.Documents.Open(path_)
            # 错在没有加入文件名,位置加名字加格式
            """保存在同一文件夹下命名为docx,注意此处必须为docx否则转换不成功,必须为12否则无法读取"""
            doc.SaveAs2(path_.split('.')[0] + ".docx", 12)
            # print(path_.split('.')[0] + ".docx")
            # 保存在其他地方的 文件夹
            # doc.SaveAs(output + path_.split("/")[-1].split(".")[0] + ".docx", 16)
            print('正在进行格式转换--------------------------%d---------------------------------' % index)
            print("页面关闭第%d次---------------------------------------"%index_)
            index_ += 1
            doc.Close()
            if index_ < 10000:
                pass
            else:
                word.Quit()
                print("wps程序退出中--------------------%d---------"%index_)
                index_ = 1
        except Exception as e:
            print(e)

关键:

word = wc.Dispatch('kwps.application')#是kwps而不是word
 doc.SaveAs2(path_.split('.')[0] + ".docx", 12)#参数为12

这样转换比较忙,用了二天多,而这过程中无法使用wps,否者会乱

如果有更好的方法请一定私信我!!!!!!!!

4、文件移动

当然这个可以在第3步的时候直接docx保存到指定的文件夹中
文件移动过程中发现,确实可以去重,因为重复文件不会移动到指定的文件夹中去

5、法条分割为匹配的数据集

当然这有个前提就是先要读取docx文档内容
我用python-docx有时能读有时不能,就换成了docx2txt
主要代码:

 text = docx2txt.process(path)
 print(text)

通过逗号、句号进行分割形成匹配数据集
def split_docx_judments(path):
“”“刑事诉讼法、民事诉讼法、行政诉讼法基本可以共用一套函数”""
writer = []
index = 1
list_ = []
text = read(path).replace("\n", “”).replace("\u3000", “”).replace(" ", “”).strip()

pattern = re.compile("判决如下:被告人(.*?)犯(.*?),判处有期徒刑(.*?),")
match = re.findall(pattern,text)
if len(match) > 0:
    #print("文书内容:",match)
    for content_ in match:
        if "强奸罪" in content_:
            #print("命中文书内容:", i)
            content = text.split(",")
            """一个一个切分"""
            for i in content:
                for i_ in i.split("。"):
                    for i_1 in i_.split(";"):
                        for i_2 in i_1.split(":"):
                            for i_3 in i_2.split("、"):
                                writer.append(i_2.strip())
            return writer,content_
else:  # 补上这一句是为了防止匹配失败时的处理也是非len(match) > 0
    content = "非正常裁判文书"
    return content

分割完成后为:

在这里插入图片描述

当然也可以通过jieba进行切词,但是切词的用来作为匹配时的错误可能性就会比较高,因而我选用的是这种方法

6、选择罪名和法定刑

不能进行全罪名,这样有些量刑情节会出现问题

用正则提取,主要内容

 pattern = re.compile("【(.*?)】.*?的,处(.*?)。")
    content_need = re.findall(pattern, writer)
    pattern_ = re.compile("【(.*?)】.*?的,对(.*?)。")

提取后放入csv

在这里插入图片描述

7、选择量刑情节

通过《量刑指导意见》进行提取,核心的正则匹配

 pattern = re.compile("量刑要素的细化(.*?)第二十七条")

结果为:

在这里插入图片描述

此处部分内容进行了人工填补

8、加重构成要件的去除

选择的罪名为:强奸罪,原因相对重要的罪名,且其基础法定刑为3-10年,可能较好处理

去除加重构成要件核心在于模糊匹配

def clear_high_simple(path):
"""简单判断是否超过十年"""
try:
    if sp(path) == "非正常裁判文书":
        message = "非正常裁判文书"
        return message
    else:
        text, match = sp(path)
        Arabic_numerals = cm(str(match))
        if Arabic_numerals >= 10:
            with open("J:\PyCharm项目\项目\中国裁判文书网\selenium路线\法条内容提取\加重构成要件排除\强奸罪加重.txt", "r")as f:
                for i in f.readlines():
                    for i1 in text:
                        # print(fuzz.partial_ratio(i.strip("\n"), i1))
                        fraction = fuzz.partial_ratio(i.strip("\n"), i1)
                        if fraction > 80 and len(i1) > 2:
                            number = 1
                            return number
        else:
            number = 0
            return number
except Exception as e:
    print(e)

9、模糊匹配相应数据并写入excel中

模糊匹配前需要先对文书内容进行特点罪名的读取,只选择选定大多罪名
选择选定的罪名进行相应文书的选择

def split_docx_judments(path):
"""刑事诉讼法、民事诉讼法、行政诉讼法基本可以共用一套函数"""
writer = []
index = 1
list_ = []
text = read(path).replace("\n", "").replace("\u3000", "").replace(" ", "").strip()

pattern = re.compile("判决如下:被告人(.*?)犯(.*?),判处有期徒刑(.*?),")
match = re.findall(pattern,text)
if len(match) > 0:
    #print("文书内容:",match)
    for content_ in match:
        if "强奸罪" in content_:
            #print("命中文书内容:", i)
            content = text.split(",")
            """一个一个切分"""
            for i in content:
                for i_ in i.split("。"):
                    for i_1 in i_.split(";"):
                        for i_2 in i_1.split(":"):
                            for i_3 in i_2.split("、"):
                                writer.append(i_2.strip())
            return writer,content_
else:  # 补上这一句是为了防止匹配失败时的处理也是非len(match) > 0
    content = "非正常裁判文书"
    return content

这种选择相对比较成功,因为裁判文书的判决基本格式为:
在这里插入图片描述
即其格式化相对模型,正则提取后的人与罪能够在一起

然后是整篇文书相应内容的写入

 for i in text:
            # print(i)
            """一直出现问题在于txt路径是相对路径"""
            with open("J:\PyCharm项目\项目\中国裁判文书网\selenium路线\法条内容提取\量刑情节.txt", "r", encoding="utf-8")as f:
                condition = f.readlines()
                for i_ in condition:
                    if fuzz.partial_ratio(i_.strip("\n"), i) > 90:
                        element_lists[title] = 1
                        dataframes[i_.strip("\n")] = element_lists
                """注意此处的缩进程度需到此处即for处,继续缩进存在无法更新过快"""
                for i_ in condition:
                    element_list[title] = 0
                    dataframe[i_.strip("\n")] = element_list

这里有个问题就是字典的更新,直接if.else会对内容进行覆盖,此处原因不知道是字典本身的原因还是由于我使用了多线程导致的

进行字典更新,比较复杂的写法

 """字典更新"""
        dataframe_ = dict(dataframe, **dataframes)
        """法定刑更新"""
        dataframe_1 = {"法定刑": {title: 6}}
        dataframe_2 = dict(dataframe_, **dataframe_1)
        """文书长度更新"""
        dataframe_3 = {"裁判文书长度": {title: len(''.join(text))}}
        dataframe_4 = dict(dataframe_2, **dataframe_3)

        """宣告刑更新"""
        dataframe_5 = {"宣告刑": {title: match[2]}}
        dataframe_6 = dict(dataframe_4, **dataframe_5)

        pprint.pprint("更新后的字典 :")
        pprint.pprint(dataframe_6["宣告刑"][title])
        pprint.pprint(dataframe_6)

之后就是excel的写入

10、数据调整

合并excel,核心代码:

pd.concat(data_frames, axis=0, ignore_index=True)

数据内容处理,主要是分组,将机器学习的参数标签与预测值进行分开,如果写入做的比较好就不需要进行这样的数据处理

def data_site_change():
content = pd.read_excel(r"F:\360下载\提取后的excel文件(测试集)\合并的excel\合并的量刑模型数据(原始).xls".strip('\u202a'))
# 位置调换
dataframe_2 = content.宣告刑
# df已经变更为content
df = content.drop('宣告刑', axis=1)
#print("修改时:    ")
#print(df)
df.insert(1, '宣告刑', dataframe_2)
#print("修改后:    ")
x = df.iloc[:, 2:]
#print(x)
y = df.iloc[:, 1:2]
df["宣告刑"] = df["宣告刑"].map(lambda x:cm(x))
df["法定刑"] = df["法定刑"].map(lambda x:p(x))
print(df)
writer = pd.ExcelWriter(r"‪F:\360下载\提取后的excel文件(测试集)\合并的excel\合并的量刑模型数据_2.xls".strip('\u202a'))
df.to_excel(writer, sheet_name='强奸罪量刑模型修改', index=False)
writer.save()
data_site_change()

这里的关键在于中文数字转为阿拉伯数字数字

转换代码:将csdn上的一个博主的中文转数字进行了加工

def chinese_math(need_change):
"""注意单位:此时是月"""
time_year = 0
time_month=0
for i, key in enumerate(list(need_change)):
    if key == "年":
        number = list(need_change)[i - 1]
        # print(list(need_change)[i-1])
        if number in word.keys():
            time_year = change(number) *12
    elif key == "月":
        number_1 = list(need_change)[i - 2]
        if number_1 in word.keys():
            time_month = change(number_1)

time = time_year + time_month
#print(str(time) + "年")
return time

need_change = “三年七个月。(刑期从判决执行之日起计算。判决执行以前先行羁押的”
print(chinese_math(need_change))
在这里插入图片描述
全部转换为月份,因为全部转为年份,在训练时汇报数据类型错误(实测比较麻烦,所以转为月份),使用int()强制转换会造成宣告刑的不准确,因而转为月份较好。

修改前:
在这里插入图片描述
修改后:
在这里插入图片描述

当然此处的法定刑并不是进行了转换,而是修改,因为之前使用中线理论设置为6年,但是拟合能力不足,于是通过随机数增加权重的方法进行了随机化以模拟幅度理论(其实影响不大,几乎没有什么影响)

11、机器学习

基本都是使用监督学习算法
首先进行数据类型转换

df = pd.read_excel(file)
X_ = df.iloc[:,2:]
y_ = df.iloc[:,1:2]
"""变成列表"""
X = X_.values.tolist()
y_1 = y_.values.tolist()
"""两层列表变成一层"""
y = sum(y_1,[])
"""数组化"""
X= np.array(X)
y = np.array(y)

最终结果需要变为数组,即
在这里插入图片描述
sklearn的数据集类型也是这样
在这里插入图片描述

<class 'numpy.ndarray'>

否者报错:

ValueError: Number of features of the model must match the input. Model n_features is 44 and input n_features is 2

在这里插入图片描述

第一个是k近邻算法的拟合得分,第二个是随机森林的得分

拟合效果以及测试集的拟合效果均不是很好,特别是测试集的拟合
最后一个list格式的是预测值,k近邻算法反而比拟合效果好的随机森林要准确,正确的值为40个月

github仓库中的一个量刑辅助的测试集得分只有0.16
在这里插入图片描述
在这里插入图片描述

可见可能是相关标签的抽取的多少以及准确度问题

三、总结

机器学习效果不太好的原因可能是量刑情节设置的不太合理,但是也有本身不完善的原因,
等待下一步调整

今天使用python win32com调用金山wps报错,最后找到了解决办法 今天想学习一下怎样用python调用打印机打印文档,网上找了代码如下: import win32print import win32com.client from PIL import Image, ImageWin #import _imaging def print_docfile(imagefilename): #打印doc文件 word = win32com.client.DispatchEx(‘kwps.Application’) #调用word程序 word.Visible = 0 wor 阅读详情

相关推荐

【信息科学与工程学】【审计学】第一篇 招投标领域审计算法02

给定人、事、时、地、物等实体集合V和证据事实集合F, 构建一个概率图模型, 计算任意两个实体/事实之间存在关联关系的概率。:构建一个深度贝叶斯网络, 其中顶层为待推断的心理特征P, 中间层为可观测的行为模式B, 底层为多模态证据E。:基于现场痕迹、行为模式、通讯内容等证据E, 推断嫌疑人的心理特征向量P(如反社会性、冲动性、策划能力)。:对高风险的案件, 自动检索关联当事人、律师涉及的其他历史案件, 形成关联视图。:定义如“当事人-律师-当事人”、“当事人-多案件”等路径, 捕捉隐蔽关联。

weixin_49199313的博客 420

python处理doc和docx

https://python-docx.readthedocs.io/en/latest/index.html https://blog.csdn.net/smile_to_the_world/article/details/105090233 https://blog.csdn.net/qq_22521211/article/details/80278371 https://www.cnblogs.com/TensorSense/p/7413297.html 从网上找到很多类似的文章,代码都差不多,使用之

qq_15821487的博客 2782

SimpleITK图像基础(一)——3D Resampling

文章目录前言基于SimpleITK进行实现 前言 进入深度学习网络之前需要进行统一数据集,这个时候需要对这些数据集进行重新采样,即假设各向同性体素并重新定向它们,以便可以读取所有图像的像素矩阵。 在将方位变换成一致时,可以用DICOMOrientImageFilter过滤器,可以将 DesiredCoordinateOrientation设置为你想要变换的方位,它将计算出所需的置换顺序并根据需要执行翻转以接近所需方向。 基于SimpleITK进行实现 workflow如下: step 1:首先运行DICOM

YYY_77的博客 2021

成功解决win32的运行问题

最近,我在使用win32将word批量转换成pdf时,遇到了以下问题: AttributeError: word.Application.Quit 其实导致这个问题有一个最重要的因素就是word = Dispatch()里面的参数错误,假如想要调用word文档的话,那么括号中的参数需要为kwps.Application,即word = Dispatch(‘kwps.Application’),此时,再次执行的话,就不会出现报错提示。 pywintypes.com_error: (-2147352567, ‘

zcydhr的博客 4052

避坑实录:用certificate-manager重置vCenter 6.7证书时遇到的三个致命陷阱

本文详细解析了使用certificate-manager重置vCenter 6.7证书时可能遇到的三大致命陷阱,包括进度卡在85%的服务启动僵局、脚本突然退出的静默杀手以及密码错误锁死的隐藏机制。通过实战验证的解决方案和高级恢复技巧,帮助系统管理员有效避免vCenter环境瘫痪,确保证书更新过程顺利进行。

g5h6i7j的博客 919

舵机操作手册

微型伺服马达原理与控制(中鸣) 1、微型伺服马达内部结构一个微型伺服马达内部包括了一个小型直流马达;一组变速齿轮组;一个反馈可调电位器;及一块电子控制板。其中,高速转动的直流马达提供了原始动力,带动变速(减速)齿轮组,使之产生高扭力的输出,齿轮组的变速比愈大,伺服马达的输出扭力也愈大,也就是说越能承受更大的重量,但转动的速度也愈低。 2、微行伺服马达的工作原理一个微型伺服马达是一个典型闭环反馈系统,其原理可由下图表示: 减速齿轮组由马达驱动,其终端(输出端)带动一个线性的比例电位器作位置检测,该电位器把

HEIMENGER的博客 3141

net操作wps

最主要是这句dynamic comObject = Activator.CreateInstance(Type.GetTypeFromProgID(“kwps.Application”));Console.WriteLine("C调用失败: " + comEx.Message);

wangiyeng的博客 676

多尺度Transformer+特征融合新范式,算力减半精度猛增

在大模型时代,多尺度特征融合与Transformer架构的结合正成为研究热点。多尺度特征融合能够捕捉数据在不同尺度上的关键信息,而Transformer架构凭借其强大的并行处理能力和对长距离依赖的建模能力,为复杂数据处理提供了新的思路。这种结合在处理多模态数据时展现出巨大潜力。

Tulingxueshu的博客 1062

Python构建刑事判决刑期预测模型:从数据到司法辅助参考

机器学习中的回归分析是预测连续数值型变量的核心技术,其原理在于通过历史数据学习特征与目标变量之间的映射关系。这项技术的价值在于能够从海量数据中发现规律,为复杂决策提供量化参考。在工程实践中,特征工程和模型评估是关键环节,直接决定了预测效果的可靠性与可解释性。在智慧司法等交叉领域,此类技术可用于构建数据驱动的辅助分析工具。例如,基于公开裁判文书,利用Python的scikit-learn库训练随机森林回归模型,能够根据案件特征(如罪名、犯罪金额、法定情节)预测刑期参考区间。该过程深度融合了自然语言处理进行特征

weixin_34166847的博客 345

【C++】ROS:ROS1环境配置与基础示例

ROS1环境配置与基础示例

DevFrank的博客 2107

科研级实战】YOLOv11 pose部署至RK3588全流程:让姿态估计模型在边缘端毫秒级运行,我来帮你突破人体行为分析落地壁垒

在智慧安防人体行为分析场景中,基于YOLOv11 pose的模型在云端推理单帧耗时150ms,硬件成本超15000元;经本方案部署到RK3588后,单帧推理耗时降至30ms,硬件成本仅4000元,且关键点检测准确率高达93%以上。在运动姿态评估场景,同款技术路径使模型边缘端推理速度提升6倍,姿态分类精度达95%。这意味着,你也能让自己的姿态估计模型在边缘设备上实现的工业化落地,接下来让我们开启从模型训练到端侧部署的实战征程。

m0_71589036的博客 224

使用pywin32库自动处理excel和word文档

使用pywin32库处自动化处理报表

spiderwower的博客 2471

【libnice】meson + vs2022,生成win32工程

libnice

突围 947

JAVA通过JACOB运行new ActiveXComponent(“KWPS.Application“);报错Can‘t get object clsid from progid

3.当以前正常的调用wps转PDF时,但是现在报错。考虑是否是WPS有问题。b.通过WPS修改配置如下。a.卸载安装WPS ->调用依然失败。2.确保JCOB版本兼容。然后我的环境就正常了。1.确保安装了WPS。

qq_33701041的博客 1513

别再盲目学AI了,先搞懂这5种最赚钱的变现模式

2026年,“手搓”成为一个热词——用AI工具独立完成从想法到产品的全过程。央视《焦点访谈》专门报道了这一现象。云南小伙刘梓瑜用一台电脑、几款AI工具、3000元成本和10天时间,创作了AI短片,48小时播放量破千万。华为在HDC 2026上发布的,是一个“懂鸿蒙的编程智能体”,面向独立开发者一站式开箱即用。它内置UI意图验证Agent,能在模拟器上自动运行应用、判断UI和交互逻辑是否正确。故障修复成功率超过80%,分钟级自主修复。

ZDQ58818的博客 312

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

python:文档转换(只支持Windows操作系统)

如果使用金山WPS转换,那需要在Windows电脑上安装金山WPS办公软件。下面代码适用于微软Excel,如果使用金山WPS,需要把代码中的。下面代码适用于微软Word,如果使用金山WPS,需要把代码中的。下面代码适用于微软Word,如果使用金山WPS,需要把代码中的。下面代码适用于微软Word,如果使用金山WPS,需要把代码中的。下面代码适用于微软Word,如果使用金山WPS,需要把代码中的。下面代码适用于微软PPT,如果使用金山WPS,需要把代码中的。,但是经过我的测试,发现目前不支持金山WPS。

qq_42449963的博客 3541

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Python批量修改word文档的格式,并转换成pdf

昨天女朋友告诉我她遇到了一个比较复杂的难题,需要对七十多篇文档统一改格式,改的很简单就是文件太多,然后保存为pdf,每个文档都有好多页,可能手动改得改一天。听了之后,我突然萌生了给写个程序帮她改的想法。说干就干。后面会把程序贴出来,并记录下遇到的问题。 首先是导入模块: import win32com from win32com.client import Dispatch import g...

guoguoguilai的博客 3924

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

解决WPS及office二次开发接口无法注册的问题

问题描述 使用QAxObject的setControl注册接口时返回失败的解决方法 二次开发接口名称 WPS文字 KWPS.Aplication WPS的Excel KET.Application WPS的演示文档 KWPP.Application Word Word.Application Excel Excel.Application Powerpoint Powerpoint.Application 二次开发接口的数值串: WPS文字 {000209FF-0000-4b30-A

SomeOne75的博客 7102

成功解决ValueError: Number of passed names did not match number of header fields in the file

成功解决ValueError: Number of passed names did not match number of header fields in the file 目录 解决问题 解决思路 解决方法 解决问题 ValueError: Number of passed names did not match number of header fields in the file 解决思路 值错误:传递的名称数量与文件中头字段的数量...

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 1万+

m_sAppWord.CreateDispatch((L“Kwps.Application“), NULL) 失败问题

m_sAppWord.CreateDispatch((L"Kwps.Application"), NULL) 失败问题

Kyle 519

python pypiwin32 操作wps word 时pywintypes.com_error: (-2147221005, '无效的类字符串', None, None) 解决办法

报错代码如下: from win32com import client wordApp=client.DispatchEx('wps.Application') 解决方法: 'wps.Application'是正式版的WPS com接口调用方式,有些小伙伴比如我使用的是WPS抢先版,应该使用 'kwps.Application' ...

qq_34673805的博客 4463

调研-python使用win32com模块操纵excel

背景介绍 支持库pypiwin32中含有win32com模块,安装(这个 pypiwin32没有github项目,主页:pypiwin32。 > pip install pypiwin32 // 我是使用这种最简单的方式安装完成的 > python -m pip install pypiwin32 // 可能有些安装不成 需要用这种方式 或者 > pip install pypiwin32 --user 不使用python自带的一些操作excel的库是因为这次的项目对excel格式要求

啷个哩个啷 9439

xgboost报错 ValueError: feature_names mismatch

@创建于:20210107 @修改于:20210107 文章目录1、背景2、predict()介绍3、解决办法3.1 把validate_features设置为False3.2 把输入的数据(dataframe类型)的列名进行对应修改3.3 变更predit输入数据的格式3.4 思考4、参考链接 1、背景 XGBClassifier自带fit()、predict()方法。 当通过网格搜索,交叉验证后,获得了最佳的参数,形成模型,并保存。 当再次加载模型,对测试集进行预测时候,使用XGBClassifier自

chenhepg的博客 7015
上一篇: selenium的两种sendkeys差异
下一篇: 利用pandas进行exceld 的列相加求和
python__reported
博客等级 码龄7年 249粉丝 141原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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