比较两份数据的前后差异(用于数据调整前后对比)

本文介绍了一种通过创建两个数据页面来实现预算变更前后对比的方法。通过定义特定规则,当数据变化超过阈值时,系统能自动标记并显示差异,便于业务人员快速了解变更情况。

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

在预算服务系统中,各单位的预算费用在实际使用过程中,总会出现一些变更申请,需要调整预算费用。在预算费用调整后,预算管理人员都会希望看到各单位预算费用的初始情况和调整情况,简单直观地观察到哪些数据有变更,甚至观察到变更值是多少,检查各单位的预算变更情况,严格控制和调控费用的输出情况,甚至用于考核各单位的实施能力,给各单位做出评价。如下图:

对于这个需求,我们先从两个数据页面开始动手,创建两个sheet,其中,数据结构和顺序保持一致,这样子保证让业务人员看到的数据组成结构是一致的,在切换不同sheet的时候,就可以快速知道哪些项目的数据有变更;创建的两个sheet页面,分别用来展现调整前和调整后的数据,再通过其中一个sheet如调整后数据,设置条件属性,定义当当前数据和调整前的对应数据存在一定差值时,就显示红色,完成这一步骤之后,随着需求的扩展,还可以显示数据的差额是多少等等。

如下:

1、报表页面设计

sheet1表示数据调整前的页面:

sheet2表示数据调整后的页面:

2、设置调整数据,定义规则

在数据调整后的页面,对需要进行做比较的页面的数据,定义公式规则,当当前调整后数据与调整前数据的差值大于0.01时,改变当前单元格的字体,显示为红色:

=ABS($$$- INDEXOFARRAY('sheet1'!C2, ( A2- 1)*COUNT('sheet1'!C1) + INARRAY(C1, 'sheet1'!C1)))>0.01

此处设计的是包含数据横向扩展和纵向扩展都存在的报表,包含做数据对比时的多种场景,对应公式规则开发人员可以根据实际情况截取。此处$$$表示当前值,每个单元格中用来扩展的数据字段内容,都是数组型数据,则需要获取该数组中的数据数量,确定当前费用项目所在的位置,从而获取调整前的对应数据,再进行计算。

3、效果图

 

如上所示,就可以快速开发,实现数据调整前后的对比,快速直观地将有变更的数据,反映给业务人员。

4、扩展

在此基础上,我们还可以进一步,让系统自动计算数据调整前后的差额大小,并在每个有变更值的位置,显示变更的数值为多少,将变更至显示在数据后,更加方便业务人员的使用,为业务人员提供更加方便快捷的数据系统操作,快速了解数据差异值。

### 数据增强技术的效果展示 数据增强技术广泛应用于机器学习和深度学习领域,特别是在处理图像数据时。这些技术可以通过多种方式改变输入数据的特征分布,从而提高模型的泛化能力[^1]。 #### 图像数据增强的技术概述 常见的图像数据增强方法包括但不限于裁剪、旋转、翻转、缩放以及调整亮度、对比度、色度和饱和度等参数。除此之外,还有一些高级的数据增强技术,例如基于生成对抗网络(GAN)的合成数据生成[^2]。这类技术能够模拟真实世界的复杂场景,进一步提升模型性能。 #### 如何获取数据增强前后对比图? 为了直观了解数据增强的实际效果,可以采用以下几种方法: 1. **定义自定义增强函数** 使用 Python 和相关库(如 `imgaug` 或者 `albumentations`),编写一个简单的脚本来自动生成增强后的图像,并将其与原图进行比较。以下是使用 `imgaug` 库的一个简单示例代码片段: ```python import numpy as np import cv2 from imgaug import augmenters as iaa # 定义增强操作序列 seq = iaa.Sequential([ iaa.Fliplr(0.5), # 随机水平翻转 iaa.Affine( rotate=(-20, 20), # 随机旋转角度范围 [-20, 20] scale={"x": (0.8, 1.2), "y": (0.8, 1.2)} # 缩放比例 ), iaa.Multiply((0.7, 1.3)) # 调整亮度 ]) # 加载一张测试图片 image = cv2.imread('example.jpg') image_augmented = seq.augment_image(image) # 显示原始图像和增强后的图像 cv2.imshow("Original", image) cv2.imshow("Augmented", image_augmented) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码展示了如何通过一系列增强操作生成新的图像样本,并将它们可视化以便观察差异。 2. **调用现成工具包中的功能** 如果不想手动设计复杂的增强逻辑,则可以选择直接依赖现有的框架或模块完成此任务。比如 TensorFlow/Keras 提供了一个内置接口用于快速预览不同设置下的变化情况;而 PyTorch 用户则可通过 torchvision.transforms.Compose 方法链式组合多个转换步骤达到相同目的[^4]。 3. **评估实际应用价值** 除了单纯关注视觉上的区别外,在具体项目实践中还需要考虑经过如此修改之后对于最终目标是否有帮助——即是否能有效降低过拟合风险并改善整体表现。因此建议结合交叉验证分数或其他定量指标共同分析结果的有效性[^3]。 ---
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