笔者最近需要使用pyspark进行数据整理，于是乎给自己整理一份使用指南。pyspark.dataframe跟pandas的差别还是挺大的。

文章目录

  • 1、-------- 查 --------
    • --- 1.1 行元素查询操作 ---
      • **像SQL那样打印列表前20元素**
      • **以树的形式打印概要**
      • **获取头几行到本地：**
      • **查询总行数：**
      • 取别名
      • **查询某列为null的行：**
      • **输出list类型，list中每个元素是Row类：**
      • 查询概况
    • 去重set操作
      • 随机抽样
    • --- 1.2 列元素操作 ---
      • **获取Row元素的所有列名：**
      • **选择一列或多列：select**
      • **重载的select方法：**
      • **还可以用where按条件选择**
    • --- 1.3 排序 ---
    • --- 1.4 抽样 ---
    • --- 1.5 按条件筛选when / between ---
  • 2、-------- 增、改 --------
    • --- 2.1 新建数据 ---
    • --- 2.2 新增数据列 withColumn---
      • 一种方式通过functions
      • **另一种方式通过另一个已有变量：**
      • **修改原有df[“xx”]列的所有值：**
      • **修改列的类型（类型投射）：**
      • 修改列名
    • --- 2.3 过滤数据---
      • 新增-`isin()`
  • 3、-------- 合并 join / union --------
    • 3.1 横向拼接rbind
    • --- 3.2 Join根据条件 ---
      • 单字段Join
      • 多字段join
      • 混合字段
    • --- 3.2 求并集、交集 ---
    • --- 3.3 分割：行转列 ---
  • 4 -------- 统计 --------
    • --- 4.1 频数统计与筛选 ----
    • --- 4.2 分组统计---
      • 交叉分析
      • **groupBy方法整合：**
    • --- 4.3 apply 函数 ---
    • ---- 4.4 【Map和Reduce应用】返回类型seqRDDs ----
  • -------- 5、删除 --------
  • -------- 6、去重 --------
    • 6.1 distinct：返回一个不包含重复记录的DataFrame
    • 6.2 dropDuplicates：根据指定字段去重
  • -------- 7、 格式转换 --------
    • pandas-spark.dataframe互转
    • 转化为RDD
  • -------- 8、SQL操作 --------
  • -------- 9、读写csv --------
    • 延伸一：去除两个表重复的内容
    • 延伸二：报错
    • 参考文献

1、-------- 查 --------

— 1.1 行元素查询操作 —

像SQL那样打印列表前20元素

show函数内可用int类型指定要打印的行数：

df.show()
df.show(30)
以树的形式打印概要
df.printSchema()
获取头几行到本地：
list = df.head(3)   # Example: [Row(a=1, b=1), Row(a=2, b=2), ... ...]
list = df.take(5)   # Example: [Row(a=1, b=1), Row(a=2, b=2), ... ...]
查询总行数：
 int_num = df.count()
取别名
df.select(df.age.alias('age_value'),'name')
查询某列为null的行：
from pyspark.sql.functions import isnull
df = df.filter(isnull("col_a"))
输出list类型，list中每个元素是Row类：
list = df.collect()

注：此方法将所有数据全部导入到本地，返回一个Array对象

查询概况
df.describe().show()

以及查询类型，之前是type，现在是df.printSchema()

root|-- user_pin: string (nullable = true)|-- a: string (nullable = true)|-- b: string (nullable = true)|-- c: string (nullable = true)|-- d: string (nullable = true)|-- e: string (nullable = true)
...

如上图所示，只是打印出来。

去重set操作

data.select('columns').distinct().show()

跟py中的set一样，可以distinct()一下去重，同时也可以.count()计算剩余个数

随机抽样

随机抽样有两种方式，一种是在HIVE里面查数随机；另一种是在pyspark之中。

HIVE里面查数随机

sql = "select * from data order by rand()  limit 2000"

pyspark之中

sample = result.sample(False,0.5,0) # randomly select 50% of lines

— 1.2 列元素操作 —

获取Row元素的所有列名：
r = Row(age=11, name='Alice')
print r.columns    #  ['age', 'name']
选择一列或多列：select
df["age"]
df.age
df.select(“name”)
df.select(df[‘name’], df[‘age’]+1)
df.select(df.a, df.b, df.c)    # 选择a、b、c三列
df.select(df["a"], df["b"], df["c"])    # 选择a、b、c三列
重载的select方法：
jdbcDF.select(jdbcDF( "id" ), jdbcDF( "id") + 1 ).show( false)

会同时显示id列 + id + 1列

还可以用where按条件选择
jdbcDF .where("id = 1 or c1 = 'b'" ).show()

— 1.3 排序 —

orderBy和sort：按指定字段排序，默认为升序

train.orderBy(train.Purchase.desc()).show(5)
Output:
+-------+----------+------+-----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+
|User_ID|Product_ID|Gender|  Age|Occupation|City_Category|Stay_In_Current_City_Years|Marital_Status|Product_Category_1|Product_Category_2|Product_Category_3|Purchase|
+-------+----------+------+-----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+
|1003160| P00052842|     M|26-35|        17|            C|                         3|             0|                10|                15|              null|   23961|
|1002272| P00052842|     M|26-35|         0|            C|                         1|             0|                10|                15|              null|   23961|
|1001474| P00052842|     M|26-35|         4|            A|                         2|             1|                10|                15|              null|   23961|
|1005848| P00119342|     M|51-55|        20|            A|                         0|             1|                10|                13|              null|   23960|
|1005596| P00117642|     M|36-45|        12|            B|                         1|             0|                10|                16|              null|   23960|
+-------+----------+------+-----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+
only showing top 5 rows

按指定字段排序。加个-表示降序排序

— 1.4 抽样 —

sample是抽样函数

t1 = train.sample(False, 0.2, 42)
t2 = train.sample(False, 0.2, 43)
t1.count(),t2.count()
Output:
(109812, 109745)

withReplacement = True or False代表是否有放回。
fraction = x, where x = .5，代表抽取百分比

— 1.5 按条件筛选when / between —

when(condition, value1).otherwise(value2)联合使用：
那么：当满足条件condition的指赋值为values1,不满足条件的则赋值为values2.
otherwise表示，不满足条件的情况下，应该赋值为啥。

demo1

>>> from pyspark.sql import functions as F
>>> df.select(df.name, F.when(df.age > 4, 1).when(df.age < 3, -1).otherwise(0)).show()
+-----+------------------------------------------------------------+
| name|CASE WHEN (age > 4) THEN 1 WHEN (age < 3) THEN -1 ELSE 0 END|
+-----+------------------------------------------------------------+
|Alice|                                                          -1|
|  Bob|                                                           1|
+-----+------------------------------------------------------------+

demo 2:多个when串联

df = df.withColumn('mod_val_test1',F.when(df['rand'] <= 0.35,1).when(df['rand'] <= 0.7, 2).otherwise(3))

between(lowerBound, upperBound)
筛选出某个范围内的值，返回的是TRUE or FALSE

>>> df.select(df.name, df.age.between(2, 4)).show()
+-----+---------------------------+
| name|((age >= 2) AND (age <= 4))|
+-----+---------------------------+
|Alice|                       true|
|  Bob|                      false|
+-----+---------------------------+

选择dataframe中间的特定行数
而我使用的dataframe前两种方法都没法解决。特点如下：

特定列中的内容为字符串，并非数值，不能直接比较大小。
所选取数据为中间行，如第10~20行，不能用函数直接选取。
最终的解决方法如下：

首先添加行索引，然后选择特定区间内的行索引，从而选取特定中间行。
第一步，添加行索引。

from pyspark.sql.functions import monotonically_increasing_iddfWithIndex = df.withColumn(“id”,monotonically_increasing_id())

第二步，筛选特定行。

dfWithIndex.select(dfWithIndex.name, dfWithIndex.id.between(50, 100)).show()

2、-------- 增、改 --------

— 2.1 新建数据 —

有这么两种常规的新建数据方式：createDataFrame、.toDF()

sqlContext.createDataFrame(pd.dataframe())

是把pandas的dataframe转化为spark.dataframe格式，所以可以作为两者的格式转化

from pyspark.sql import Row
row = Row("spe_id", "InOther")
x = ['x1','x2']
y = ['y1','y2']
new_df = sc.parallelize([row(x[i], y[i]) for i in range(2)]).toDF()

Row代表的是该数据集的列名。

— 2.2 新增数据列 withColumn—

withColumn是通过添加或替换与现有列有相同的名字的列，返回一个新的DataFrame

result3.withColumn('label', 0)

或者案例

train.withColumn('Purchase_new', train.Purchase /2.0).select('Purchase','Purchase_new').show(5)
Output:
+--------+------------+
|Purchase|Purchase_new|
+--------+------------+
|    8370|      4185.0|
|   15200|      7600.0|
|    1422|       711.0|
|    1057|       528.5|
|    7969|      3984.5|
+--------+------------+
only showing top 5 rows

**报错：**AssertionError: col should be Column，一定要指定某现有列

有两种方式可以实现：

一种方式通过functions
from pyspark.sql import functions
result3 = result3.withColumn('label',  functions.lit(0))

但是！！ 如何新增一个特别List??(参考：王强的知乎回复)
python中的list不能直接添加到dataframe中，需要先将list转为新的dataframe,然后新的dataframe和老的dataframe进行join操作, 下面的例子会先新建一个dataframe，然后将list转为dataframe，然后将两者join起来。

from pyspark.sql.functions import litdf = sqlContext.createDataFrame([(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))
from pyspark.sql.functions import monotonically_increasing_id
df = df.withColumn("id", monotonically_increasing_id())
df.show()
+---+---+-----+---+
| x1| x2|   x3| id|
+---+---+-----+---+
|  1|  a| 23.0|  0|
|  3|  B|-23.0|  1|
+---+---+-----+---+
from pyspark.sql import Row
l = ['jerry', 'tom']
row = Row("pid", "name")
new_df = sc.parallelize([row(i, l[i]) for i in range(0,len(l))]).toDF()
new_df.show()
+---+-----+
|pid| name|
+---+-----+
|  0|jerry|
|  1|  tom|
+---+-----+
join_df = df.join(new_df, df.id==new_df.pid)
join_df.show()
+---+---+-----+---+---+-----+
| x1| x2|   x3| id|pid| name|
+---+---+-----+---+---+-----+
|  1|  a| 23.0|  0|  0|jerry|
|  3|  B|-23.0|  1|  1|  tom|
+---+---+-----+---+---+-----+

#####**坑啊！！！**其中，monotonically_increasing_id()生成的ID保证是单调递增和唯一的，但不是连续的。
所以，有可能，单调到1-140000，到了第144848个，就变成一长串：8845648744563，所以千万要注意！！

另一种方式通过另一个已有变量：
result3 = result3.withColumn('label',  df.result*0 )
修改原有df[“xx”]列的所有值：
df = df.withColumn(“xx”, 1)
修改列的类型（类型投射）：
df = df.withColumn("year2", df["year1"].cast("Int"))
修改列名
jdbcDF.withColumnRenamed( "id" , "idx" )

— 2.3 过滤数据—

#####过滤数据（filter和where方法相同）：

df = df.filter(df['age']>21)
df = df.where(df['age']>21)

多个条件jdbcDF .filter(“id = 1 or c1 = ‘b’” ).show()

#####对null或nan数据进行过滤：

from pyspark.sql.functions import isnan, isnull
df = df.filter(isnull("a"))  # 把a列里面数据为null的筛选出来（代表python的None类型）
df = df.filter(isnan("a"))  # 把a列里面数据为nan的筛选出来（Not a Number，非数字数据）
新增-isin()

参考：
PySpark：使用isin过滤返回空数据框
[pyspark 实践汇总2]（https://blog.csdn.net/yepeng2007fei/article/details/78874306）

有两个数据集，从data_1中抽取出data_2中的相同的元素

可行的方式：
df_ori_part = df_ori[df_ori['user_pin'].isin(list(df_1['user_pin']))]
df_ori_part = df_ori.filter(df_ori['user_pin'].isin(list(df_1['user_pin'])) == True )不可行：
df_ori_part = df_ori.filter(~df_ori['user_pin'].isin(list(df_1['user_pin'])) )

3、-------- 合并 join / union --------

3.1 横向拼接rbind

result3 = result1.union(result2)
jdbcDF.unionALL(jdbcDF.limit(1)) # unionALL

— 3.2 Join根据条件 —

单字段Join

合并2个表的join方法：

 df_join = df_left.join(df_right, df_left.key == df_right.key, "inner")

其中，方法可以为：inner, outer, left_outer, right_outer, leftsemi.
其中注意，一般需要改为：left_outer

多字段join
joinDF1.join(joinDF2, Seq("id", "name")）
混合字段
joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"))

跟pandas 里面的left_on,right_on

— 3.2 求并集、交集 —

来看一个例子，先构造两个dataframe：

sentenceDataFrame = spark.createDataFrame(((1, "asf"),(2, "2143"),(3, "rfds"))).toDF("label", "sentence")
sentenceDataFrame.show()sentenceDataFrame1 = spark.createDataFrame(((1, "asf"),(2, "2143"),(4, "f8934y"))).toDF("label", "sentence")

# 差集
newDF = sentenceDataFrame1.select("sentence").subtract(sentenceDataFrame.select("sentence"))
newDF.show()+--------+
|sentence|
+--------+
|  f8934y|
+--------+

# 交集
newDF = sentenceDataFrame1.select("sentence").intersect(sentenceDataFrame.select("sentence"))
newDF.show()+--------+
|sentence|
+--------+
|     asf|
|    2143|
+--------+

# 并集
newDF = sentenceDataFrame1.select("sentence").union(sentenceDataFrame.select("sentence"))
newDF.show()+--------+
|sentence|
+--------+
|     asf|
|    2143|
|  f8934y|
|     asf|
|    2143|
|    rfds|
+--------+
# 并集 + 去重
newDF = sentenceDataFrame1.select("sentence").union(sentenceDataFrame.select("sentence")).distinct()
newDF.show()+--------+
|sentence|
+--------+
|    rfds|
|     asf|
|    2143|
|  f8934y|
+--------+

— 3.3 分割：行转列 —

有时候需要根据某个字段内容进行分割，然后生成多行，这时可以使用explode方法
　　下面代码中，根据c3字段中的空格将字段内容进行分割，分割的内容存储在新的字段c3_中，如下所示

jdbcDF.explode( "c3" , "c3_" ){time: String => time.split( " " )}

4 -------- 统计 --------

— 4.1 频数统计与筛选 ----

jdbcDF.stat.freqItems(Seq ("c1") , 0.3).show()

根据c4字段，统计该字段值出现频率在30%以上的内容

— 4.2 分组统计—

交叉分析
train.crosstab('Age', 'Gender').show()
Output:
+----------+-----+------+
|Age_Gender|    F|     M|
+----------+-----+------+
|      0-17| 5083| 10019|
|     46-50|13199| 32502|
|     18-25|24628| 75032|
|     36-45|27170| 82843|
|       55+| 5083| 16421|
|     51-55| 9894| 28607|
|     26-35|50752|168835|
+----------+-----+------+
groupBy方法整合：
train.groupby('Age').agg({'Purchase': 'mean'}).show()
Output:
+-----+-----------------+
|  Age|    avg(Purchase)|
+-----+-----------------+
|51-55|9534.808030960236|
|46-50|9208.625697468327|
| 0-17|8933.464640444974|
|36-45|9331.350694917874|
|26-35|9252.690632869888|
|  55+|9336.280459449405|
|18-25|9169.663606261289|
+-----+-----------------+

另外一些demo：

df['x1'].groupby(df['x2']).count().reset_index(name='x1')

分组汇总

train.groupby('Age').count().show()
Output:
+-----+------+
|  Age| count|
+-----+------+
|51-55| 38501|
|46-50| 45701|
| 0-17| 15102|
|36-45|110013|
|26-35|219587|
|  55+| 21504|
|18-25| 99660|
+-----+------+

应用多个函数：

from pyspark.sql import functions
df.groupBy(“A”).agg(functions.avg(“B”), functions.min(“B”), functions.max(“B”)).show()

整合后GroupedData类型可用的方法（均返回DataFrame类型）：
avg(*cols)     ——   计算每组中一列或多列的平均值
count()          ——   计算每组中一共有多少行，返回DataFrame有2列，一列为分组的组名，另一列为行总数
max(*cols)    ——   计算每组中一列或多列的最大值
mean(*cols)  ——  计算每组中一列或多列的平均值
min(*cols)     ——  计算每组中一列或多列的最小值
sum(*cols)    ——   计算每组中一列或多列的总和

— 4.3 apply 函数 —

将df的每一列应用函数f：

df.foreach(f) 或者 df.rdd.foreach(f)

将df的每一块应用函数f：

df.foreachPartition(f) 或者 df.rdd.foreachPartition(f)

---- 4.4 【Map和Reduce应用】返回类型seqRDDs ----

map函数应用
可以参考：Spark Python API函数学习：pyspark API(1)

train.select('User_ID').rdd.map(lambda x:(x,1)).take(5)
Output:
[(Row(User_ID=1000001), 1),(Row(User_ID=1000001), 1),(Row(User_ID=1000001), 1),(Row(User_ID=1000001), 1),(Row(User_ID=1000002), 1)]

其中map在spark2.0就移除了，所以只能由rdd.调用。

data.select('col').rdd.map(lambda l: 1 if l in ['a','b'] else 0 ).collect()print(x.collect())
print(y.collect())[1, 2, 3]
[(1, 1), (2, 4), (3, 9)]

还有一种方式mapPartitions：

def _map_to_pandas(rdds):""" Needs to be here due to pickling issues """return [pd.DataFrame(list(rdds))]data.rdd.mapPartitions(_map_to_pandas).collect()

返回的是list。

udf 函数应用

from pyspark.sql.functions import udf
from pyspark.sql.types import StringType
import datetime# 定义一个 udf 函数
def today(day):if day==None:return datetime.datetime.fromtimestamp(int(time.time())).strftime('%Y-%m-%d')else:return day# 返回类型为字符串类型
udfday = udf(today, StringType())
# 使用
df.withColumn('day', udfday(df.day))

有点类似apply,定义一个 udf 方法, 用来返回今天的日期(yyyy-MM-dd):

-------- 5、删除 --------

df.drop('age').collect()
df.drop(df.age).collect()

dropna函数：

df = df.na.drop()  # 扔掉任何列包含na的行
df = df.dropna(subset=['col_name1', 'col_name2'])  # 扔掉col1或col2中任一一列包含na的行

ex:

train.dropna().count()
Output:
166821

填充NA包括fillna

train.fillna(-1).show(2)
Output:
+-------+----------+------+----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+
|User_ID|Product_ID|Gender| Age|Occupation|City_Category|Stay_In_Current_City_Years|Marital_Status|Product_Category_1|Product_Category_2|Product_Category_3|Purchase|
+-------+----------+------+----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+
|1000001| P00069042|     F|0-17|        10|            A|                         2|             0|                 3|                -1|                -1|    8370|
|1000001| P00248942|     F|0-17|        10|            A|                         2|             0|                 1|                 6|                14|   15200|
+-------+----------+------+----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+
only showing top 2 rows

-------- 6、去重 --------

6.1 distinct：返回一个不包含重复记录的DataFrame

返回当前DataFrame中不重复的Row记录。该方法和接下来的dropDuplicates()方法不传入指定字段时的结果相同。
　　示例：

jdbcDF.distinct()
6.2 dropDuplicates：根据指定字段去重

根据指定字段去重。类似于select distinct a, b操作
示例：


train.select('Age','Gender').dropDuplicates().show()
Output:
+-----+------+
|  Age|Gender|
+-----+------+
|51-55|     F|
|51-55|     M|
|26-35|     F|
|26-35|     M|
|36-45|     F|
|36-45|     M|
|46-50|     F|
|46-50|     M|
|  55+|     F|
|  55+|     M|
|18-25|     F|
| 0-17|     F|
|18-25|     M|
| 0-17|     M|
+-----+------+

-------- 7、 格式转换 --------

pandas-spark.dataframe互转

Pandas和Spark的DataFrame两者互相转换：

pandas_df = spark_df.toPandas()
spark_df = sqlContext.createDataFrame(pandas_df)

转化为pandas，但是该数据要读入内存，如果数据量大的话，很难跑得动

两者的异同：

  • Pyspark DataFrame是在分布式节点上运行一些数据操作，而pandas是不可能的；
  • Pyspark DataFrame的数据反映比较缓慢，没有Pandas那么及时反映；
  • Pyspark DataFrame的数据框是不可变的，不能任意添加列，只能通过合并进行；
  • pandas比Pyspark DataFrame有更多方便的操作以及很强大
转化为RDD

与Spark RDD的相互转换：

rdd_df = df.rdd
df = rdd_df.toDF()

-------- 8、SQL操作 --------

DataFrame注册成SQL的表：

df.createOrReplaceTempView("TBL1")

进行SQL查询（返回DataFrame）：

conf = SparkConf()
ss = SparkSession.builder.appName("APP_NAME").config(conf=conf).getOrCreate()df = ss.sql(“SELECT name, age FROM TBL1 WHERE age >= 13 AND age <= 19″)

-------- 9、读写csv --------

在Python中，我们也可以使用SQLContext类中 load/save函数来读取和保存CSV文件：

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.load(source="com.databricks.spark.csv", header="true", path = "cars.csv")
df.select("year", "model").save("newcars.csv", "com.databricks.spark.csv",header="true")

其中，header代表是否显示表头。
其中主函数：

save(path=None, format=None, mode=None, partitionBy=None, **options)[source]

Parameters:

  • path – the path in a Hadoop supported file system

  • format – the format used to save

  • mode –

    • specifies the behavior of the save operation when data already
      exists.

    • append: Append contents of this DataFrame to existing data.

    • overwrite: Overwrite existing data.

    • ignore: Silently ignore this operation if data already exists.

    • error (default case): Throw an exception if data already exists.

  • partitionBy – names of partitioning columns

  • options – all other string options

延伸一：去除两个表重复的内容

场景是要，依据B表与A表共有的内容，需要去除这部分共有的。
使用的逻辑是merge两张表，然后把匹配到的删除即可。

from pyspark.sql import functions
def LeftDeleteRight(test_left,test_right,left_col = 'user_pin',right_col = 'user_pin'):print('right data process ...')columns_right = test_right.columnstest_right = test_right.withColumn('user_pin_right', test_right[right_col])test_right = test_right.withColumn('notDelete',  functions.lit(0))# 删除其余的for col in columns_right:test_right = test_right.drop(col)# 合并print('rbind left and right data ...')test_left = test_left.join(test_right, test_left[left_col] == test_right['user_pin_right'], "left")test_left = test_left.fillna(1)test_left = test_left.where('notDelete =1')# 去掉多余的字段for col in ['user_pin_right','notDelete']:test_left = test_left.drop(col)return test_left%time  test_left = LeftDeleteRight(test_b,test_a,left_col = 'user_pin',right_col = 'user_pin')

延伸二：报错

Job aborted due to stage failure: Task 3 in stage 0.0 failed 4 times, most recent failure: Lost task 3.3 in

解决方案

这里遇到的问题主要是因为数据源数据量过大，而机器的内存无法满足需求，导致长时间执行超时断开的情况，数据无法有效进行交互计算，因此有必要增加内存

参考：Spark常见问题汇总：https://my.oschina.net/tearsky/blog/629201

参考文献

【总结】PySpark的DataFrame处理方法：增删改差
Spark-SQL之DataFrame操作大全

Complete Guide on DataFrame Operations in PySpark

PySpark︱DataFrame操作指南：增/删/改/查/合并/统计与数据处理相关推荐

  1. pyRedis - 操作指南:增/删/改/查、管道与发布订阅功能

    文章目录 1 redis docker 部署与安装 2 py - redis的使用 2.1 redis的连接 2.2 常规属性查看 2.2.2 关于删除 2.3 STRING 字符串的操作 2.4 H ...

  2. 表单的增 删 改 查

    django单表操作 增 删 改 查 一.实现:增.删.改.查 1.获取所有数据显示在页面上 model.Classes.object.all(),拿到数据后,渲染给前端;前端通过for循环的方式,取 ...

  3. properties（map）增.删.改.查.遍历

    import java.util.Map; import java.util.Properties; import java.util.Set;/*** properties(map)增.删.改.查. ...

  4. python学生姓名添加删除_python-函数-实现学生管理系统,完成对学员的增,删,改,查和退出学生管理系统。...

    实现学生管理系统,完成对学员的增,删,改,查和退出学生管理系统. 要求1:使用一个list用于保存学生的姓名. 要求2:输入0显示所有学员信息,1代表增加,2代表删除,3代表修改,4代表查询,exit ...

  5. list 增 删 改 查 及 公共方法

    1 # 热身题目:增加名字,并且按q(不论大小写)退出程序 2 li = ['taibai','alex','wusir','egon','女神'] 3 while 1: 4 username = i ...

  6. 简单的php数据库操作类代码(增,删,改,查)

    数据库操纵基本流程为: 1.连接数据库服务器 2.选择数据库 3.执行SQL语句 4.处理结果集 5.打印操作信息 其中用到的相关函数有 •resource mysql_connect ( [stri ...

  7. Linux技术--mysql数据库增-删-改-查

    # mysql 数据库 ## 数据库的操作 ### 五个单位 * 数据库服务器   Linux或者 windows  * 数据库  * 数据表 * 数据字段 * 数据行 ### 连接数据库 ``` 1 ...

  8. Python 操作 Elasticsearch 实现 增 删 改 查

    Github 地址:https://github.com/elastic/elasticsearch-py/blob/master/docs/index.rst 官网地址:https://elasti ...

  9. Go 学习笔记（50）— Go 标准库之 net/url（查询转义、查询参数增/删/改/查、解析URL）

    1. URL 概述 import "net/url" url 包解析 URL 并实现了查询的转码.URL 提供了一种定位因特网上任意资源的手段,但这些资源是可以通过各种不同的方案( ...

最新文章

  1. 分子排列不同会导致_刘珏文: DNA寡核苷酸的冷冻定向拉伸和排列
  2. 华为手机出现android啥意思,传华为正研发手机系统，如果脱离安卓系统，还有啥能阻止华为前进...
  3. jackson 读取多文件_Spring Boot系列之读取配置
  4. 中医科学院院士团队解析丹参纯合基因组和新基因簇在丹参酮合成中的作用
  5. 原神光环助手下的算什么服务器,原神光环助手app
  6. iOS9系列专题三——应用瘦身
  7. LeetCode 994. 腐烂的橘子
  8. 老年代的更新机制_如何理解Java GC机制
  9. mysql查询结果输出到文件
  10. 代码管理学：通过文档记录，实现工作传承
  11. CQOI2015 解题报告
  12. java android 游戏开发_Java快速开发安卓游戏-aide教程
  13. 同态滤波与Retinex
  14. 躺平国历险记：两个超平面之间距离的计算
  15. Error (0xc0000225) installing Windows 7 on VirtualBox
  16. AI产业快速落地难？破局人来了
  17. 小南再谈Vue（QA）
  18. 背景颜色渐变（shape属性）
  19. 【Python实战】用Scrapyd把Scrapy爬虫一步一步部署到腾讯云上，有彩蛋
  20. 嵌入式系统硬件处理器架构的发展趋势及比较分析

热门文章

  1. 2018阿里-研发工程师JAVA Software Engineer, Java
  2. 机器学习自学札记(1)
  3. PHP中获取CHECKBOX提交的内容及checkbox全选
  4. 梯度的负方向是损失函数下降最快的方向
  5. “软”苹果水逆的一周：杂志服务崩溃，新机型遭泄露，芯片首架离职
  6. Eclipse Photon即将发布
  7. parentNode，parentElement,offsetParent
  8. [原创]HierarchyView的实现原理和Android设备无法使用HierarchyView的解决方法
  9. GBin1专题之Web热点#10
  10. 使用 ADSync 集成 IBM Lotus Domino Directory 和 Microsoft Active Directory