首页 > 其他分享 >【Pandas】Pandas Input

【Pandas】Pandas Input

时间：2024-12-03 09:59:57浏览次数：12  
标签：file 读取 read excel Excel pd Input Pandas

Pandas2.2 Input

Pandas 是python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来，当时由专注于Python数据包开发的PyData开发团队继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来，因此，pandas为时间序列分析提供了很好的支持。 Pandas的名称来自于面板数据（panel data）和python数据分析（data analysis）。panel data是经济学中关于多维数据集的一个术语，在Pandas中也提供了panel的数据类型。

Pandas 读取数据方式

方法描述
read_clipboard从系统剪贴板中读取数据，并将其转换为 DataFrame
read_csv读取csv文件
read_excel读取Excel数据
read_feather用于从Feather文件中读取数据，并将其转换为 Pandas DataFrame
read_fwf读取表格或固定宽度格式的文本行到数据框
read_gbq从Google Bigquery中读取数据
read_hdf从h5文件当中读取数据
read_html读取HTML中的表格
read_json将json对象转换为Pandas对象
read_msgpack从指定文件中加载msgpack Pandas对象
read_orc从ORC文件中读取数据，并将其转换为 Pandas DataFrame
read_parquet从Parquet文件中读取数据，并将其转换为 Pandas DataFrame
read_pickle从指定文件中加载pickled Pandas或其他pickled对象
read_sas读取XPORT或SAS7BDAT格式的SAS（统计分析软件）文件
read_sql读取SQL请求或数据库中的表
read_sql_query从SQL请求读取数据
read_sql_table读取SQL数据库中的表
read_stata读取Stata（统计分析软件）文件
read_table读取通用分隔符分割的数据文件到数据框
read_xml从XML文档中读取数据并转换为 DataFrame

pandas.read_excel()

// 读取excel

def read_excel(
    io,
    sheet_name: str | int | list[IntStrT] | None = 0,
    *,
    header: int | Sequence[int] | None = 0,
    names: SequenceNotStr[Hashable] | range | None = None,
    index_col: int | str | Sequence[int] | None = None,
    usecols: int
    | str
    | Sequence[int]
    | Sequence[str]
    | Callable[[str], bool]
    | None = None,
    dtype: DtypeArg | None = None,
    engine: Literal["xlrd", "openpyxl", "odf", "pyxlsb", "calamine"] | None = None,
    converters: dict[str, Callable] | dict[int, Callable] | None = None,
    true_values: Iterable[Hashable] | None = None,
    false_values: Iterable[Hashable] | None = None,
    skiprows: Sequence[int] | int | Callable[[int], object] | None = None,
    nrows: int | None = None,
    na_values=None,
    keep_default_na: bool = True,
    na_filter: bool = True,
    verbose: bool = False,
    parse_dates: list | dict | bool = False,
    date_parser: Callable | lib.NoDefault = lib.no_default,
    date_format: dict[Hashable, str] | str | None = None,
    thousands: str | None = None,
    decimal: str = ".",
    comment: str | None = None,
    skipfooter: int = 0,
    storage_options: StorageOptions | None = None,
    dtype_backend: DtypeBackend | lib.NoDefault = lib.no_default,
    engine_kwargs: dict | None = None,
) -> DataFrame | dict[IntStrT, DataFrame]:
    ...
参数说明

  • io:

    • 描述: 指定要读取的文件路径、文件对象或 URL。支持多种输入类型，包括本地文件路径、文件对象、URL、字节流等。

    • 类型:

      • 字符串（文件路径或 URL）
      • 文件对象
      • 字节流 Deprecated since version 2.1.0
      • 路径对象（如 pathlib.Path）

    • 示例:

      import pandas as pd

# 读取本地文件路径
df = pd.read_excel('file.xlsx')

# 读取文件对象
with open('file.xlsx', 'rb') as file:
    df = pd.read_excel(file)

# 读取 URL
url = 'https://example.com/data.xlsx'
df = pd.read_excel(url)

# 读取字节流
with open('file.xlsx', 'rb') as file:
    data = file.read()
df = pd.read_excel(data)

# 读取 pathlib.Path 对象
from pathlib import Path
path = Path('file.xlsx')
df = pd.read_excel(path)

  • sheet_name:

    • 描述: 指定要读取的 Excel 工作表名称或索引。可以是单个工作表的名称、索引，也可以是包含多个工作表名称或索引的列表。

    • 类型:

      • 字符串（工作表名称）
      • 整数（工作表索引，从 0 开始）
      • 列表（多个工作表的名称或索引）
      • 字典（键为工作表名称或索引，值为返回的 DataFrame 名称）
      • None（读取所有工作表）

    • 默认值: 0，表示读取第一个工作表

    • 示例:

      import pandas as pd

# 读取第一个工作表（默认行为）
df = pd.read_excel('file.xlsx')

# 读取指定名称的工作表
df = pd.read_excel('file.xlsx', sheet_name='Sheet1')

# 读取指定索引的工作表
df = pd.read_excel('file.xlsx', sheet_name=1)

# 读取多个工作表
dfs = pd.read_excel('file.xlsx', sheet_name=['Sheet1', 'Sheet2'])

# 读取多个工作表并指定返回的 DataFrame 名称
dfs = pd.read_excel('file.xlsx', sheet_name={0: 'FirstSheet', 1: 'SecondSheet'})

# 读取所有工作表
dfs = pd.read_excel('file.xlsx', sheet_name=None)

  • header:

    • 描述: 指定用作列名的行号。默认情况下，Pandas 会将第一行用作列名。可以是单个整数、整数列表或 None。

    • 类型:

      • 整数（指定某一行作为列名，从 0 开始）
      • 整数列表（指定多行作为列名）
      • None（不使用任何行作为列名，所有行都将被视为数据行）

    • 默认值: 0，表示将第一行用作列名

    • 示例:

      import pandas as pd

# 读取 Excel 文件，使用第一行作为列名（默认行为）
df = pd.read_excel('file.xlsx')

# 读取 Excel 文件，使用第二行作为列名
df = pd.read_excel('file.xlsx', header=1)

# 读取 Excel 文件，使用第一行和第二行作为多级列名
df = pd.read_excel('file.xlsx', header=[0, 1])

# 读取 Excel 文件，不使用任何行作为列名
df = pd.read_excel('file.xlsx', header=None)

  • names:

    • 描述: 指定列名的列表。如果 header 参数为 None，则 names 参数用于指定列名。如果 header 参数指定了某一行作为列名，names 参数可以用于覆盖这些列名。

    • 类型: 列名列表（字符串列表）

    • 默认值: None，表示使用文件中的列名

    • 示例:

      import pandas as pd

# 读取 Excel 文件，使用指定的列名
df = pd.read_excel('file.xlsx', names=['Col1', 'Col2', 'Col3'])

# 读取 Excel 文件，不使用文件中的列名，而是使用指定的列名
df = pd.read_excel('file.xlsx', header=None, names=['Col1', 'Col2', 'Col3'])

# 读取 Excel 文件，覆盖文件中的列名
df = pd.read_excel('file.xlsx', header=0, names=['NewCol1', 'NewCol2', 'NewCol3'])

  • index_col:

    • 描述: 指定用作 DataFrame 索引的列。可以是单个列名、列索引或列名列表。如果指定多个列，将创建一个多级索引。

    • 类型:

      • 整数（列索引，从 0 开始）
      • 字符串（列名）
      • 整数列表或字符串列表（多级索引）
      • None（不使用任何列作为索引）

    • 默认值: None，表示不使用任何列作为索引

    • 示例:

      import pandas as pd

# 读取 Excel 文件，使用第一列作为索引
df = pd.read_excel('file.xlsx', index_col=0)

# 读取 Excel 文件，使用指定的列名作为索引
df = pd.read_excel('file.xlsx', index_col='Column1')

# 读取 Excel 文件，使用多列作为多级索引
df = pd.read_excel('file.xlsx', index_col=[0, 1])

# 读取 Excel 文件，使用多列名作为多级索引
df = pd.read_excel('file.xlsx', index_col=['Column1', 'Column2'])

  • usecols:

    • 描述: 指定要读取的列。可以是单个列名、列索引、列名列表或列索引列表。还可以使用函数来选择列。

    • 类型:

      • 整数（列索引，从 0 开始）
      • 字符串（列名）
      • 整数列表或字符串列表（多个列索引或列名）
      • 函数（接受列名或列索引，返回布尔值，决定是否读取该列）

    • 默认值: None，表示读取所有列

    • 示例:

      import pandas as pd

# 读取 Excel 文件，使用指定的列名
df = pd.read_excel('file.xlsx', usecols=['Column1', 'Column2'])

# 读取 Excel 文件，使用指定的列索引
df = pd.read_excel('file.xlsx', usecols=[0, 1])

# 读取 Excel 文件，使用函数选择列
df = pd.read_excel('file.xlsx', usecols=lambda x: x in ['Column1', 'Column2'])

# 读取 Excel 文件，使用范围选择列
df = pd.read_excel('file.xlsx', usecols=range(2))

  • dtype:

    • 描述: 指定每列的数据类型。可以是单个数据类型、数据类型字典或数据类型列表。如果未指定，Pandas 将自动推断每列的数据类型。

    • 类型:

      • 单个数据类型（应用于所有列）
      • 数据类型字典（键为列名或列索引，值为数据类型）
      • 数据类型列表（按顺序应用于每一列）

    • 默认值: None，表示自动推断数据类型

    • 示例:

      import pandas as pd

# 读取 Excel 文件，指定所有列的数据类型
df = pd.read_excel('file.xlsx', dtype=str)

# 读取 Excel 文件，指定特定列的数据类型
df = pd.read_excel('file.xlsx', dtype={'Column1': str, 'Column2': int})

# 读取 Excel 文件，使用数据类型列表指定每列的数据类型
df = pd.read_excel('file.xlsx', dtype=[str, int, float])

  • engine:

    • 描述: 指定用于读取 Excel 文件的解析引擎。Pandas 支持多种解析引擎，不同的引擎可能支持不同的文件格式和功能。

    • 类型: 字符串

    • 可选值:

      • 'xlrd'：适用于 .xls 和 .xlsx 文件。注意，xlrd 从版本 2.0.0 开始不再支持 .xlsx 文件，建议使用 openpyxl。
      • 'openpyxl'：适用于 .xlsx 文件。
      • 'odf'：适用于 OpenDocument 格式的文件（.ods）。
      • 'pyxlsb'：适用于 .xlsb 文件。

    • 默认值: None，表示 Pandas 会根据文件扩展名自动选择合适的引擎

    • 示例:

      import pandas as pd

# 读取 Excel 文件，使用默认引擎
df = pd.read_excel('file.xlsx')

# 读取 Excel 文件，指定使用 `openpyxl` 引擎
df = pd.read_excel('file.xlsx', engine='openpyxl')

# 读取 Excel 文件，指定使用 `xlrd` 引擎
df = pd.read_excel('file.xls', engine='xlrd')

# 读取 OpenDocument 格式的文件，指定使用 `odf` 引擎
df = pd.read_excel('file.ods', engine='odf')

# 读取 `.xlsb` 文件，指定使用 `pyxlsb` 引擎
df = pd.read_excel('file.xlsb', engine='pyxlsb')

  • converters:

    • 描述: 指定自定义的转换函数，用于将特定列的数据转换为所需的格式。converters 参数是一个字典，键为列名或列索引，值为转换函数。

    • 类型: 字典，键为列名或列索引，值为转换函数

    • 默认值: None，表示不进行自定义转换

    • 示例:

      import pandas as pd

# 定义转换函数
def to_uppercase(x):
    return x.upper()

def to_int(x):
    return int(x)

# 读取 Excel 文件，使用自定义转换函数
df = pd.read_excel('file.xlsx', converters={'Column1': to_uppercase, 'Column2': to_int})

# 读取 Excel 文件，使用列索引指定转换函数
df = pd.read_excel('file.xlsx', converters={0: to_uppercase, 1: to_int})

  • true_values:

    • 描述: 指定哪些值应被识别为 True。这在读取包含布尔值的 Excel 文件时非常有用，特别是当文件中的布尔值不是标准的 True 或 False 表示形式时。

    • 类型: 列表，包含应被视为 True 的值

    • 默认值: None，表示不进行特殊处理，Pandas 会尝试自动推断布尔值

    • 示例:

      import pandas as pd

# 读取 Excel 文件，指定哪些值应被视为 True
df = pd.read_excel('file.xlsx', true_values=['yes', 'y', '1'])

# 读取 Excel 文件，指定多个列的 true_values
df = pd.read_excel('file.xlsx', true_values=['yes', 'y', '1'], false_values=['no', 'n', '0'])

  • false_values:

    • 描述: 指定哪些值应被识别为 False。这在读取包含布尔值的 Excel 文件时非常有用，特别是当文件中的布尔值不是标准的 False 表示形式时。

    • 类型: 列表，包含应被视为 False 的值

    • 默认值: None，表示不进行特殊处理，Pandas 会尝试自动推断布尔值

    • 示例:

      import pandas as pd

# 读取 Excel 文件，指定哪些值应被视为 False
df = pd.read_excel('file.xlsx', false_values=['no', 'n', '0'])

# 读取 Excel 文件，同时指定 true_values 和 false_values
df = pd.read_excel('file.xlsx', true_values=['yes', 'y', '1'], false_values=['no', 'n', '0'])

  • skiprows:

    • 描述: 指定在读取 Excel 文件时要跳过的行数。这对于忽略文件开头的标题、注释或其他不需要的数据行非常有用。

    • 类型: 整数或整数列表

    • 默认值: None，表示不跳过任何行

    • 示例:

      import pandas as pd

# 读取 Excel 文件，跳过前 2 行
df = pd.read_excel('file.xlsx', skiprows=2)

# 读取 Excel 文件，跳过指定的行
df = pd.read_excel('file.xlsx', skiprows=[0, 2, 4])

  • nrows:

    • 描述: 指定在读取 Excel 文件时要读取的最大行数。这对于处理大型文件或仅需要部分数据时非常有用。

    • 类型: 整数

    • 默认值: None，表示读取所有行

    • 示例:

      import pandas as pd

# 读取 Excel 文件，读取前 5 行
df = pd.read_excel('file.xlsx', nrows=5)

# 读取 Excel 文件，结合 skiprows 参数读取特定范围的行
df = pd.read_excel('file.xlsx', skiprows=2, nrows=3)

  • na_values:

    • 描述: 指定哪些值应被视为缺失值（NaN）。这对于处理包含特定字符串或标记的 Excel 文件非常有用，这些字符串或标记表示缺失数据。

    • 类型: 单个值、列表或字典

    • 默认值: None，表示使用 Pandas 默认的缺失值识别规则

    • 示例:

      import pandas as pd

# 读取 Excel 文件，指定哪些值应被视为缺失值
df = pd.read_excel('file.xlsx', na_values=['NA', 'N/A', ''])

# 读取 Excel 文件，针对特定列指定缺失值
df = pd.read_excel('file.xlsx', na_values={'Column1': ['NA', 'N/A'], 'Column2': ['-', 'null']})

  • keep_default_na:

    • 描述: 控制是否使用 Pandas 默认的缺失值识别规则。如果设置为 False，则不会使用默认的缺失值标识符（如 #N/A, #N/A N/A, #NA, -1.#IND, -1.#QNAN, -NaN, -nan, 1.#IND, 1.#QNAN, N/A, NA, NULL, NaN, n/a, nan, null），只有通过 na_values 参数指定的值会被识别为缺失值。

    • 类型: 布尔值

    • 默认值: True，表示使用 Pandas 默认的缺失值识别规则

    • 示例:

      import pandas as pd

# 读取 Excel 文件，不使用默认的缺失值识别规则
df = pd.read_excel('file.xlsx', keep_default_na=False)

# 读取 Excel 文件，不使用默认的缺失值识别规则，并指定自定义的缺失值
df = pd.read_excel('file.xlsx', keep_default_na=False, na_values=['NA', 'N/A', ''])

  • na_filter:

    • 描述: 控制是否检测并过滤缺失值。如果设置为 False，则不会检测缺失值，所有数据将按原样读取，不会将任何值转换为 NaN。这可以提高读取速度，特别是在处理大型文件时。

    • 类型: 布尔值

    • 默认值: True，表示检测并过滤缺失值

    • 示例:

      import pandas as pd

# 读取 Excel 文件，检测并过滤缺失值
df = pd.read_excel('file.xlsx', na_filter=True)

# 读取 Excel 文件，不检测缺失值
df = pd.read_excel('file.xlsx', na_filter=False)

  • verbose:

    • 描述: 控制是否在读取 Excel 文件时输出详细信息。如果设置为 True，Pandas 会在读取过程中输出有关解析过程的详细信息，包括哪些值被识别为缺失值等。

    • 类型: 布尔值

    • 默认值: False，表示不输出详细信息

    • 示例:

      import pandas as pd

# 读取 Excel 文件，不输出详细信息
df = pd.read_excel('file.xlsx')

# 读取 Excel 文件，输出详细信息
df = pd.read_excel('file.xlsx', verbose=True)

  • parse_dates:

    • 描述: 指定哪些列应被解析为日期时间对象。这对于处理包含日期或时间戳的 Excel 文件非常有用，可以确保这些列的数据类型正确。

    • 类型: 布尔值、整数、字符串、列表或字典

    • 默认值: False，表示不解析日期

    • 示例:

      import pandas as pd

# 读取 Excel 文件，解析所有日期列
df = pd.read_excel('file.xlsx', parse_dates=True)

# 读取 Excel 文件，解析特定列
df = pd.read_excel('file.xlsx', parse_dates=['DateColumn'])

# 读取 Excel 文件，解析多个列
df = pd.read_excel('file.xlsx', parse_dates=['DateColumn1', 'DateColumn2'])

# 读取 Excel 文件，解析特定列并指定日期格式
df = pd.read_excel('file.xlsx', parse_dates={'DateColumn': '%Y-%m-%d'})

  • date_parser:

    • 描述: Deprecated since version 2.0.0。指定一个函数，用于将日期字符串解析为日期时间对象。这对于处理包含复杂日期格式的 Excel 文件非常有用，可以确保日期数据被正确解析。

    • 类型: 函数

    • 默认值: None，表示使用 Pandas 默认的日期解析器

    • 示例:

      import pandas as pd
from datetime import datetime

# 自定义日期解析函数
def custom_date_parser(date_str):
    return datetime.strptime(date_str, '%d-%m-%Y')

# 读取 Excel 文件，使用自定义日期解析器
df = pd.read_excel('file.xlsx', parse_dates=['DateColumn'], date_parser=custom_date_parser)

# 使用 lambda 函数作为日期解析器
df = pd.read_excel('file.xlsx', parse_dates=['DateColumn'], date_parser=lambda x: pd.to_datetime(x, format='%d-%m-%Y'))

  • date_format:

    • 描述: Added in version 2.0.0. 指定日期时间列的格式。这个参数允许您定义如何解析 Excel 文件中的日期时间数据，确保它们被正确转换为 Pandas 的 datetime 类型。这对于处理包含日期时间数据的 Excel 文件非常有用。

    • 类型: 字符串、字典

    • 默认值: None，表示使用默认的日期时间解析规则

    • 示例:

      import pandas as pd

# 读取 Excel 文件，使用默认的日期时间解析规则
df = pd.read_excel('file.xlsx')

# 读取 Excel 文件，指定日期时间格式
df = pd.read_excel('file.xlsx', date_format='%Y-%m-%d %H:%M:%S')

# 读取 Excel 文件，特定字段指定日期时间格式
df = pd.read_excel('file.xlsx', date_format={'DATE1': '%Y-%m-%d', 'DATE2': '%Y-%m-%d %H:%M:%S'})

  • thousands:

    • 描述: 指定用于分隔千位的字符。这对于处理包含带有千位分隔符的数字的 Excel 文件非常有用，可以确保这些数字被正确解析为数值类型。

    • 类型: 字符串

    • 默认值: None，表示不处理千位分隔符

    • 示例:

      import pandas as pd

# 读取 Excel 文件，不处理千位分隔符
df = pd.read_excel('file.xlsx')

# 读取 Excel 文件，指定千位分隔符为逗号
df = pd.read_excel('file.xlsx', thousands=',')

# 读取 Excel 文件，指定千位分隔符为空格
df = pd.read_excel('file.xlsx', thousands=' ')

  • decimal:

    • 描述: 指定用作小数点的字符。这对于处理包含不同小数点符号（例如逗号）的数字的 Excel 文件非常有用，可以确保这些数字被正确解析为浮点数。

    • 类型: 字符串

    • 默认值: .，表示使用点号作为小数点

    • 示例:

      import pandas as pd

# 读取 Excel 文件，使用默认的小数点符号
df = pd.read_excel('file.xlsx')

# 读取 Excel 文件，指定小数点符号为逗号
df = pd.read_excel('file.xlsx', decimal=',')

  • comment:

    • 描述: 指定一个字符，用于标记注释行。当读取 Excel 文件时，Pandas 会忽略从该字符开始到行末的所有内容。这对于处理包含注释的 Excel 文件非常有用，可以确保注释不会干扰数据读取。

    • 类型: 字符串

    • 默认值: None，表示不处理注释

    • 示例:

      import pandas as pd

# 读取 Excel 文件，不处理注释
df = pd.read_excel('file.xlsx')

# 读取 Excel 文件，指定注释字符为 #
df = pd.read_excel('file.xlsx', comment='#')

  • storage_options:

    • 描述: 用于传递给文件系统后端的额外参数，以便在读取远程文件时进行身份验证或其他配置。这在读取存储在云存储服务（如 Amazon S3、Google Cloud Storage 等）中的 Excel 文件时非常有用。

    • 类型: 字典

    • 默认值: None，表示不传递额外的存储选项

    • 示例:

      import pandas as pd

# 读取本地 Excel 文件，不传递存储选项
df = pd.read_excel('file.xlsx')

# 读取 Amazon S3 上的 Excel 文件，传递存储选项
s3_options = {
    'key': 'your-access-key',
    'secret': 'your-secret-key',
    'client_kwargs': {'region_name': 'us-west-2'}
}
df = pd.read_excel('s3://your-bucket/path/to/file.xlsx', storage_options=s3_options)

# 读取 Google Cloud Storage 上的 Excel 文件，传递存储选项
gcs_options = {
    'token': '/path/to/your/service-account-file.json'
}
df = pd.read_excel('gs://your-bucket/path/to/file.xlsx', storage_options=gcs_options)

  • dtype_backend:

    • 描述: 指定用于数据类型的后端。这个参数允许您选择不同的数据类型后端来处理 DataFrame 中的数据类型，特别是在处理大型数据集或需要更高性能的情况下。目前支持的后端有 numpy 和 pyarrow。

    • 类型: 字符串

    • 默认值: None，表示使用默认的 numpy 后端

    • 可选值:

      • numpy: 使用 NumPy 作为数据类型后端。
      • pyarrow: 使用 PyArrow 作为数据类型后端。

    • 示例:

      import pandas as pd

# 读取 Excel 文件，使用默认的 numpy 后端
df = pd.read_excel('file.xlsx')

# 读取 Excel 文件，使用 pyarrow 后端
df = pd.read_excel('file.xlsx', dtype_backend='pyarrow')

  • engine_kwargs:

    • 描述: 用于传递给底层读取引擎的额外参数。这些参数可以用于配置特定于引擎的行为，例如调整内存使用、优化性能等。engine_kwargs 是一个字典，键和值取决于所使用的引擎。

    • 类型: 字典

    • 默认值: None，表示不传递额外的引擎参数

    • 示例:

      import pandas as pd

# 读取 Excel 文件，不传递额外的引擎参数
df = pd.read_excel('file.xlsx')

# 读取 Excel 文件，传递额外的引擎参数
engine_kwargs = {
    'memory_map': True,
    'keep_vba': False
}
df = pd.read_excel('file.xlsx', engine_kwargs=engine_kwargs)

标签：file,读取,read,excel,Excel,pd,Input,Pandas
From： https://blog.csdn.net/weixin_39648905/article/details/144192444

相关文章

  • 【Pandas】Pandas output
    Pandas2.2outputPandas数据输出方式方法描述pandas.DataFrame.to_pickle将DataFrame对象序列化到文件中pandas.DataFrame.to_csv将DataFrame对象保存为CSV文件pandas.DataFrame.to_clipboard将DataFrame对象复制到系统剪贴板pandas.DataFrame.to_excel将DataFr......
  • 为什么在Java中要及时关闭BufferedReader、FileReader、FileInputStream？
    为什么在Java中要及时关闭BufferedReader、FileReader、FileInputStream？在Java中，处理文件和输入输出流的类，如BufferedReader、FileReader和FileInputStream，通常都涉及到操作系统级的资源，比如文件句柄和内存缓冲区。这些资源是有限的，因此我们必须确保及时关闭它们，以避免......
  • 【3分钟学会】一招禁用表单中input输入框回车键自动触发提交事件！
    知其然知其所以然在前端项目开发中，偶尔会有表单提交的问题：用户输入表单后，不小心按了回车键，导致提前触发了提交事件？问题概述当表单中仅有一个input输入框时，按下回车键就会自动触发提交事件，这是为什么呢？这里就要提到一个标准：W3C文中最后一句话已经解释了原因：当表单中只有......
  • Input报错“Form elements must have labels: Element has no title attribute Elemen
    喵~项目开发难免会遇到些不解的问题，以下总结的是简化版，重在复现问题，解决问题。写表单时，如果只是单独写了input元素，发现在后台管理会飘红。感觉很奇怪，明明没有写错语法，为什么会飘红呢？1、写一段最普通的html页面2、右键，选择“检查”，打开后台管理器，指向input元素此时，可以看到......
  • Pandas教程之十三：在DataFrame中应用函数
    Python是一种执行数据分析任务的优秀语言。它提供了大量的类和函数，有助于更轻松地分析和处理数据。在本文中，我们将了解如何将函数应用于PandasDataframe中的每一行。将函数应用于PandasDataFrame中的每一行有多种方法可以对DataFrame列执行逐元素操作。这里我们讨论......
  • RK3568平台开发系列讲解（Input子系统篇）输入子系统数据结构体
    ......
  • 高通 --gpio控制和input event调试(附全代码)
    文章目录一、概述二、gpiodemo驱动详解1、dts的pinctrl配置2、注册平台驱动，创建字符设备并分配设备id号。3、io初始化4、中断处理函数配置5、ioctl的函数配置三、ioctl操作io四、input输入事件1、dts配置2、read配置的inputio事件3、输出input事件和类型5、整体代码1......
  • React编译之后如何修改input控件的值
    问题: 因为React是通过setState方法改变值来影响页面展示的，所以直接修改页面值，并不能让React意识到state已经变化了。 修改自chatgpt4o提供的方法，20241129测试有效。 //第一个参数为原生组件,第二个参数为新值functionsetReactInputValue(input,value){constl......
  • Python 使用shapely、geopandas、matplotlib绘制全国各个省份2023年GDP热力图，鼠标点击
    以下是一个示例代码，用于在使用matplotlib和geopandas绘制地图并设置区域后，当鼠标点击地图上的某个区域时，返回该区域的名称。首先，确保你已经安装了matplotlib、geopandas和descartes库（descartes库用于在matplotlib中绘制地理空间数据）。如果没有安装，可以通过pipinstallmatplot......
  • RK3568平台开发系列讲解（Input子系统篇）输入设备应用编程
    ......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99