一、查看DataFrame的常用属性

1.1、订单详情表的4个基本属性

from sqlalchemy import create_engine
import pandas as pd# 创建数据库连接
engine = create_engine('mysql+pymysql://root:1234@127.0.0.1:\
3306/testdb?charset=utf8')
detail = pd.read_sql_table('meal_order_detail1', con=engine)
print('订单详情表的索引为：', detail.index)print('订单详情表的所有值为：', '\n', detail.values)
print('订单详情表的列名为：', '\n', detail.columns)
print('订单详情表的数据类型为：', '\n', detail.dtypes)

订单详情表的索引为： RangeIndex(start=0, stop=2779, step=1)
订单详情表的所有值为： [['2956' '417' '610062' ... 'NA' 'caipu/104001.jpg' '1442']['2958' '417' '609957' ... 'NA' 'caipu/202003.jpg' '1442']['2961' '417' '609950' ... 'NA' 'caipu/303001.jpg' '1442']...['6756' '774' '609949' ... 'NA' 'caipu/404005.jpg' '1138']['6763' '774' '610014' ... 'NA' 'caipu/302003.jpg' '1138']['6764' '774' '610017' ... 'NA' 'caipu/302006.jpg' '1138']]
订单详情表的列名为： Index(['detail_id', 'order_id', 'dishes_id', 'logicprn_name','parent_class_name', 'dishes_name', 'itemis_add', 'counts', 'amounts','cost', 'place_order_time', 'discount_amt', 'discount_reason','kick_back', 'add_inprice', 'add_info', 'bar_code', 'picture_file','emp_id'],dtype='object')
订单详情表的数据类型为： detail_id                    object
order_id                     object
dishes_id                    object
logicprn_name                object
parent_class_name            object
dishes_name                  object
itemis_add                   object
counts                      float64
amounts                     float64
cost                         object
place_order_time     datetime64[ns]
discount_amt                 object
discount_reason              object
kick_back                    object
add_inprice                  object
add_info                     object
bar_code                     object
picture_file                 object
emp_id                       object
dtype: object

1.2、size、ndim和 shape属性的使用

# 查看DataFrame的元素个数
print('订单详情表的元素个数为：', detail.size)
print('订单详情表的维度数为：', detail.ndim)  # 查看DataFrame的维度数
print('订单详情表的形状为：', detail.shape)  # 查看DataFrame的形状

订单详情表的元素个数为： 52801
订单详情表的维度数为： 2
订单详情表的形状为： (2779, 19)

1.3、使用T属性进行转置

print('订单详情表转置前形状为：', detail.shape)
print('订单详情表转置后形状为为：', detail.T.shape)

订单详情表转置前形状为： (2779, 19)
订单详情表转置后形状为为： (19, 2779)

二、查改增删DataFrame数据

2.1、查看访问DataFrame中的数据

2.1.1、使用字典访问内部数据的方式访问DataFrame单列数据

# 使用访问字典方式取出orderInfo中的某一列
order_id = detail['order_id']
print('订单详情表中的order_id的形状为:', '\n', order_id.shape)

订单详情表中的order_id的形状为: (2779,)

2.1.2、使用访问属性的方式访问DataFrame单列数据

# 使用访问属性方式取出orderInfo中的菜品名称列
dishes_name = detail.dishes_name
print('订单详情表中的dishes_name的形状为:', dishes_name.shape)

订单详情表中的dishes_name的形状为: (2779,)

2.1.3、DataFrame单列多行数据获取

dishes_name5 = detail['dishes_name'][:5]
print('订单详情表中的dishes_name前5个元素为：', '\n', dishes_name5)

订单详情表中的dishes_name前5个元素为： 0     蒜蓉生蚝
1    蒙古烤羊腿
2     大蒜苋菜
3    芝麻烤紫菜
4      蒜香包
Name: dishes_name, dtype: object

2.1.4、访问DataFrame多列的多行数据

orderDish = detail[['order_id', 'dishes_name']][:5]
print('订单详情表中的order_id和dishes_name前5个元素为：','\n', orderDish)

订单详情表中的order_id和dishes_name前5个元素为： order_id dishes_name
0      417        蒜蓉生蚝
1      417       蒙古烤羊腿
2      417        大蒜苋菜
3      417       芝麻烤紫菜
4      417         蒜香包

2.1.5、访问DataFrame多行数据

order5 = detail[:][1:6]
print('订单详情表的1-5行元素为：', '\n', order5)

订单详情表的1-5行元素为： detail_id order_id dishes_id logicprn_name parent_class_name dishes_name  \
1      2958      417    609957            NA                NA       蒙古烤羊腿
2      2961      417    609950            NA                NA        大蒜苋菜
3      2966      417    610038            NA                NA       芝麻烤紫菜
4      2968      417    610003            NA                NA         蒜香包
5      1899      301    610019            NA                NA         白斩鸡   itemis_add  counts  amounts cost    place_order_time discount_amt  \
1          0     1.0     48.0   NA 2016-08-01 11:07:00           NA
2          0     1.0     30.0   NA 2016-08-01 11:07:00           NA
3          0     1.0     25.0   NA 2016-08-01 11:11:00           NA
4          0     1.0     13.0   NA 2016-08-01 11:11:00           NA
5          0     1.0     88.0   NA 2016-08-01 11:15:00           NA   discount_reason kick_back add_inprice add_info bar_code      picture_file  \
1              NA        NA           0       NA       NA  caipu/202003.jpg
2              NA        NA           0       NA       NA  caipu/303001.jpg
3              NA        NA           0       NA       NA  caipu/105002.jpg
4              NA        NA           0       NA       NA  caipu/503002.jpg
5              NA        NA           0       NA       NA  caipu/204002.jpg   emp_id
1   1442
2   1442
3   1442
4   1442
5   1095

2.1.6、使用DataFrame的head和tail方法获取多行数据

print('订单详情表中前五行数据为', '\n', detail.head())
print('订单详情表中后五个元素为：', '\n', detail.tail())

订单详情表中前五行数据为 detail_id order_id dishes_id logicprn_name parent_class_name dishes_name  \
0      2956      417    610062            NA                NA        蒜蓉生蚝
1      2958      417    609957            NA                NA       蒙古烤羊腿
2      2961      417    609950            NA                NA        大蒜苋菜
3      2966      417    610038            NA                NA       芝麻烤紫菜
4      2968      417    610003            NA                NA         蒜香包   itemis_add  counts  amounts cost    place_order_time discount_amt  \
0          0     1.0     49.0   NA 2016-08-01 11:05:00           NA
1          0     1.0     48.0   NA 2016-08-01 11:07:00           NA
2          0     1.0     30.0   NA 2016-08-01 11:07:00           NA
3          0     1.0     25.0   NA 2016-08-01 11:11:00           NA
4          0     1.0     13.0   NA 2016-08-01 11:11:00           NA   discount_reason kick_back add_inprice add_info bar_code      picture_file  \
0              NA        NA           0       NA       NA  caipu/104001.jpg
1              NA        NA           0       NA       NA  caipu/202003.jpg
2              NA        NA           0       NA       NA  caipu/303001.jpg
3              NA        NA           0       NA       NA  caipu/105002.jpg
4              NA        NA           0       NA       NA  caipu/503002.jpg   emp_id
0   1442
1   1442
2   1442
3   1442
4   1442
订单详情表中后五个元素为： detail_id order_id dishes_id logicprn_name parent_class_name dishes_name  \
2774      6750      774    610011            NA                NA       白饭/大碗
2775      6742      774    609996            NA                NA         牛尾汤
2776      6756      774    609949            NA                NA      意文柠檬汁
2777      6763      774    610014            NA                NA        金玉良缘
2778      6764      774    610017            NA                NA        酸辣藕丁   itemis_add  counts  amounts cost    place_order_time discount_amt  \
2774          0     1.0     10.0   NA 2016-08-10 21:56:00           NA
2775          0     1.0     40.0   NA 2016-08-10 21:56:00           NA
2776          0     1.0     13.0   NA 2016-08-10 22:01:00           NA
2777          0     1.0     30.0   NA 2016-08-10 22:03:00           NA
2778          0     1.0     33.0   NA 2016-08-10 22:04:00           NA   discount_reason kick_back add_inprice add_info bar_code  \
2774              NA        NA           0       NA       NA
2775              NA        NA           0       NA       NA
2776              NA        NA           0       NA       NA
2777              NA        NA           0       NA       NA
2778              NA        NA           0       NA       NA   picture_file emp_id
2774  caipu/601005.jpg   1138
2775  caipu/201006.jpg   1138
2776  caipu/404005.jpg   1138
2777  caipu/302003.jpg   1138
2778  caipu/302006.jpg   1138

2.1.7、使用loc和iloc 实现单列切片

dishes_name1 = detail.loc[:, 'dishes_name']
print('使用loc提取dishes_name列的size为：', dishes_name1.size)dishes_name2 = detail.iloc[:, 3]
print('使用iloc提取第3列的size为：', dishes_name2.size)

使用loc提取dishes_name列的size为： 2779
使用iloc提取第3列的size为： 2779

2.1.8、使用 loc、iloc 实现多列切片

orderDish1 = detail.loc[:, ['order_id', 'dishes_name']]
print('使用loc提取order_id和dishes_name列的size为：',orderDish1.size)orderDish2 = detail.iloc[:, [1, 3]]
print('使用iloc提取第1和第3列的size为：', orderDish2.size)

使用loc提取order_id和dishes_name列的size为： 5558
使用iloc提取第1和第3列的size为： 5558

2.1.9、使用loc、iloc 实现花式切片

print('列名为order_id和dishes_name的行名为3的数据为：\n',detail.loc[3, ['order_id', 'dishes_name']])
print('列名为order_id和dishes_name行名为2,3,4,5,6的数据为：\n',detail.loc[2:6, ['order_id', 'dishes_name']])
print('列位置为1和3行位置为3的数据为：\n', detail.iloc[3, [1, 3]])
print('列位置为1和3行位置为2,3,4,5,6的数据为：\n',detail.iloc[2:7, [1, 3]])

列名为order_id和dishes_name的行名为3的数据为：order_id         417
dishes_name    芝麻烤紫菜
Name: 3, dtype: object
列名为order_id和dishes_name行名为2,3,4,5,6的数据为：order_id dishes_name
2      417        大蒜苋菜
3      417       芝麻烤紫菜
4      417         蒜香包
5      301         白斩鸡
6      301        香烤牛排
列位置为1和3行位置为3的数据为：order_id         417
logicprn_name     NA
Name: 3, dtype: object
列位置为1和3行位置为2,3,4,5,6的数据为：order_id logicprn_name
2      417            NA
3      417            NA
4      417            NA
5      301            NA
6      301            NA

2.1.10、使用loc和iloc 实现条件切片

# loc内部传入表达式
print('detail中order_id为458的dishes_name为：\n',detail.loc[detail['order_id'] == '458',['order_id', 'dishes_name']])

detail中order_id为458的dishes_name为：order_id dishes_name
145      458       蒜香辣花甲
146      458        剁椒鱼头
147      458     凉拌蒜蓉西兰花
148      458        木须豌豆
149      458        辣炒鱿鱼
150      458        酸辣藕丁
151      458       炝炒大白菜
152      458       香菇鸡肉粥
153      458        干锅田鸡
154      458     桂圆枸杞鸽子汤
155      458       五香酱驴肉
156      458    路易拉菲红酒干红
157      458       避风塘炒蟹
158      458       白饭/大碗

print('detail中order_id为458的第1,5列数据为：\n',detail.iloc[detail['order_id'] == '458', [1, 5]])

NotImplementedError: iLocation based boolean indexing on an integer type is not available

此处的 iloc方法不能接收表达式,原因在于,此处条件返回的为一个布尔值 Series,而iloc可以接收的数据类型并不包括Series。根据Series的构成,只要取出该Series的 values就可以了。

2.1.11、使用iloc 实现条件切片

print('detail中order_id为458的第1,5列数据为：\n',detail.iloc[(detail['order_id'] == '458').values, [1, 5]])

detail中order_id为458的第1,5列数据为：order_id dishes_name
145      458       蒜香辣花甲
146      458        剁椒鱼头
147      458     凉拌蒜蓉西兰花
148      458        木须豌豆
149      458        辣炒鱿鱼
150      458        酸辣藕丁
151      458       炝炒大白菜
152      458       香菇鸡肉粥
153      458        干锅田鸡
154      458     桂圆枸杞鸽子汤
155      458       五香酱驴肉
156      458    路易拉菲红酒干红
157      458       避风塘炒蟹
158      458       白饭/大碗

2.1.12、使用loc、iloc、ix实现切片比较

print('列名为dishes_name行名为2,3,4,5,6的数据为：\n',detail.loc[2:6, 'dishes_name'])print('列位置为5,行位置为2至6的数据为：\n', detail.iloc[2:6, 5])
print('列位置为5行名为2至6的数据为：', '\n', detail.ix[2:6, 5])

列名为dishes_name行名为2,3,4,5,6的数据为：2     大蒜苋菜
3    芝麻烤紫菜
4      蒜香包
5      白斩鸡
6     香烤牛排
Name: dishes_name, dtype: object
列位置为5,行位置为2至6的数据为：2     大蒜苋菜
3    芝麻烤紫菜
4      蒜香包
5      白斩鸡
Name: dishes_name, dtype: object
列位置为5行名为2至6的数据为： 2     大蒜苋菜
3    芝麻烤紫菜
4      蒜香包
5      白斩鸡
6     香烤牛排
Name: dishes_name, dtype: object

2.2、更改DataFrame 中的数据

# 将order_id为458的，变换为45800
detail.loc[detail['order_id'] == '458', 'order_id'] = '45800'
print('更改后detail中order_id为458的order_id为：\n',detail.loc[detail['order_id'] == '458', 'order_id'])
print('更改后detail中order_id为45800的order_id为：\n',detail.loc[detail['order_id'] == '45800', 'order_id'])

更改后detail中order_id为458的order_id为：Series([], Name: order_id, dtype: object)
更改后detail中order_id为45800的order_id为：145    45800
146    45800
147    45800
148    45800
149    45800
150    45800
151    45800
152    45800
153    45800
154    45800
155    45800
156    45800
157    45800
158    45800
Name: order_id, dtype: object

2.3、为DataFrame增添数据

2.3.1、为DataFrame新增一列非定值

detail['payment'] = detail['counts'] * detail['amounts']
print('detail新增列payment的前五行为：', '\n',detail['payment'].head())

detail新增列payment的前五行为： 0    49.0
1    48.0
2    30.0
3    25.0
4    13.0
Name: payment, dtype: float64

2.3.2、为DataFrame新增一列定值

detail['pay_way'] = '现金支付'
print('detail新增列pay_way的前五行为：', '\n',detail['pay_way'].head())

detail新增列pay_way的前五行为： 0    现金支付
1    现金支付
2    现金支付
3    现金支付
4    现金支付
Name: pay_way, dtype: object

2.4、删除某列或某行数据

2.4.1、删除 DataFrame某列

print('删除pay_way前deatil的列索引为：', '\n', detail.columns)
detail.drop(labels='pay_way', axis=1, inplace=True)
print('删除pay_way后detail的列索引为：', '\n', detail.columns)

删除pay_way前deatil的列索引为： Index(['detail_id', 'order_id', 'dishes_id', 'logicprn_name','parent_class_name', 'dishes_name', 'itemis_add', 'counts', 'amounts','cost', 'place_order_time', 'discount_amt', 'discount_reason','kick_back', 'add_inprice', 'add_info', 'bar_code', 'picture_file','emp_id', 'payment', 'pay_way'],dtype='object')
删除pay_way后detail的列索引为： Index(['detail_id', 'order_id', 'dishes_id', 'logicprn_name','parent_class_name', 'dishes_name', 'itemis_add', 'counts', 'amounts','cost', 'place_order_time', 'discount_amt', 'discount_reason','kick_back', 'add_inprice', 'add_info', 'bar_code', 'picture_file','emp_id', 'payment'],dtype='object')

2.4.2、删除 DataFrame某几行

print('删除1-10行前detail的长度为：', len(detail))
detail.drop(labels=range(1, 11), axis=0, inplace=True)
print('删除1-10行后detail的列索引为：', len(detail))

删除1-10行前detail的长度为： 2779
删除1-10行后detail的列索引为： 2769

三、描述分析DataFrame数据

3.1、数值型特征的描述性统计

3.1.1、代码使用np.mean函数计算平均价格

import numpy as np

print('订单详情表中amount（价格）的平均值为：', np.mean(detail['amounts']))

订单详情表中amount（价格）的平均值为： 45.343084145901045

3.1.2、通过pandas 计算平均价格

print('订单详情表中amount（价格）的平均值为：', detail['amounts'].mean())

订单详情表中amount（价格）的平均值为： 45.343084145901045

3.1.3、使用describe方法实现数值型特征的描述性统计

print('订单详情表counts和amounts两列的描述性统计为：\n',detail[['counts', 'amounts']].describe())

订单详情表counts和amounts两列的描述性统计为：counts      amounts
count  2769.000000  2769.000000
mean      1.111593    45.343084
std       0.626521    36.841316
min       1.000000     1.000000
25%       1.000000    25.000000
50%       1.000000    35.000000
75%       1.000000    56.000000
max      10.000000   178.000000

3.2、类别型特征的描述性统计

3.2.1、对菜品名称频数统计

print('订单详情表dishes_name频数统计结果前10为：\n',detail['dishes_name'].value_counts()[0:10])

订单详情表dishes_name频数统计结果前10为：白饭/大碗        91
凉拌菠菜         77
谷稻小庄         72
麻辣小龙虾        65
白饭/小碗        60
五色糯米饭(七色)    58
焖猪手          55
芝士烩波士顿龙虾     55
辣炒鱿鱼         53
水煮鱼          47
Name: dishes_name, dtype: int64

3.2.2、将object 数据强制转换为category类型

detail['dishes_name'] = detail['dishes_name'].astype('category')
print('订单信息表dishes_name列转变数据类型后为：', detail['dishes_name'].dtypes)

订单信息表dishes_name列转变数据类型后为： category

3.2.3、category类型特征的描述性统计

print('订单信息表dishes_name的描述统计结果为：\n',detail['dishes_name'].describe())

订单信息表dishes_name的描述统计结果为：count      2769
unique      145
top       白饭/大碗
freq         91
Name: dishes_name, dtype: object

四、案例操作

4.1、查看餐饮数据的大小和维度

from sqlalchemy import create_engine
import pandas as pdengine = create_engine('mysql+pymysql://root:1234@127.0.0.1:\
3306/testdb?charset=utf8')
detail = pd.read_sql_table('meal_order_detail1',con=engine)
order = pd.read_table('../data/meal_order_info.csv',sep=',', encoding='gbk')
user = pd.read_excel('../data/users.xlsx')
print('订单详情表的维度为：', detail.ndim)
print('订单信息表的维度为：', order.ndim)
print('客户信息表的维度为：', user.ndim)print('订单详情表的形状为：', detail.shape)
print('订单信息表的形状为：', order.shape)
print('客户信息表的形状为：', user.shape)print('订单详情表的元素个数为：', detail.size)
print('订单信息表的元素个数为：', order.size)
print('客户信息表的元素个数为：', user.size)

订单详情表的维度为： 2
订单信息表的维度为： 2
客户信息表的维度为： 2
订单详情表的形状为： (2779, 19)
订单信息表的形状为： (945, 21)
客户信息表的形状为： (734, 37)
订单详情表的元素个数为： 52801
订单信息表的元素个数为： 19845
客户信息表的元素个数为： 27158

4.2、统计餐饮菜品销售状况

print('订单详情表counts和amounts两列的描述性统计为：\n',detail.loc[:, ['counts', 'amounts']].describe())detail['order_id'] = detail['order_id'].astype('category')
detail['dishes_name'] = detail['dishes_name'].astype('category')
print('''订单信息表order_id(订单编号)与dishes_name(菜品名称)
的描述性统计结果为：''', '\n',detail[['order_id', 'dishes_name']].describe())

订单详情表counts和amounts两列的描述性统计为：counts      amounts
count  2779.000000  2779.000000
mean      1.111191    45.337172
std       0.625428    36.808550
min       1.000000     1.000000
25%       1.000000    25.000000
50%       1.000000    35.000000
75%       1.000000    56.000000
max      10.000000   178.000000
订单信息表order_id(订单编号)与dishes_name(菜品名称)
的描述性统计结果为： order_id dishes_name
count      2779        2779
unique      278         145
top         392       白饭/大碗
freq         24          92

4.3、剔除全为空值或者所有元素取值相同的列

# 定义一个函数去除全为空值的列和标准差为0的列
def dropNullStd(data):beforelen = data.shape[1]colisNull = data.describe().loc['count'] == 0for i in range(len(colisNull)):if colisNull[i]:data.drop(colisNull.index[i], axis=1, inplace=True)stdisZero = data.describe().loc['std'] == 0for i in range(len(stdisZero)):if stdisZero[i]:data.drop(stdisZero.index[i], axis=1, inplace=True)afterlen = data.shape[1]print('去除的列的数目为：', beforelen - afterlen)print('去除后数据的形状为：', data.shape)dropNullStd(detail)# 使用dropNullStd函数对订单信息表操作
dropNullStd(order)# 使用dropNullStd函数对客户信息表操作
dropNullStd(user)

去除的列的数目为： 0
去除后数据的形状为： (2779, 19)
去除的列的数目为： 7
去除后数据的形状为： (945, 14)
去除的列的数目为： 13
去除后数据的形状为： (734, 24)

Pandas——掌握DataFrame的常用操作相关推荐

1. pandas中DataFrame的常用操作

   1. DataFrame的创建 (1)手动创建 df = pd.DataFrame({'a':[1,2,3],'b':[1,2,3]}) print(df) 结果为: a b 0 1 1 1 2 2 ...

2. Pandas 统计分析基础 笔记2 任务4.2 掌握DataFrame的常用操作

   文章目录 pandas_任务4.2 掌握DataFrame的常用操作 代码4-12 订单详情表的4个基本属性 4-13 size,ndim,shape属性的使用 4-14 使用T属性进行转置 4-15 ...

3. python和R对dataframe的常用操作的差异：head、tail、shape、dim、nrow、ncol、descirbe、summary、str

   python和R对dataframe的常用操作的差异:head.tail.shape.dim.nrow.ncol.descirbe.summary.str # python df.head() # R ...

4. Python—实训day8—掌握DataFrame的常用操作

   2掌握DataFrame的常用操作 2.1基础属性 detail.columns #列名 detail.index #索引/行名 detail.shape #形状 detail.dtypes #类型 ...

5. python查看dataframe数据类型_python pandas中DataFrame类型数据操作函数的方法

   python数据分析工具pandas中DataFrame和Series作为主要的数据结构. 本文主要是介绍如何对DataFrame数据进行操作并结合一个实例测试操作函数. 1)查看DataFrame数 ...

6. python dataframe函数_python pandas中DataFrame类型数据操作函数的方法

   这篇文章主要介绍了关于python pandas中DataFrame类型数据操作函数的方法,有着一定的参考价值,现在分享给大家,有需要的朋友可以参考一下 python数据分析工具pandas中Data ...

7. dataframe数据分析常用操作汇总

   dataframe的常用操作汇总 目录 1.建 1 2.读 2 3.存 2 4.阅 2 5.取 2 6.改 4 7.增 4 8.删 5 9.并 5 10.序 7 1.建 创建只有一列的数据框 df = ...

8. pandas DataFrame 数据处理常用操作

   Xgboost调参: https://wuhuhu800.github.io/2018/02/28/XGboost_param_share/ https://blog.csdn.net/hx2017/ ...

9. python所有模块图解_Python pandas模块21个常用操作可视化图解

   Pandas 是 Python 的核心数据分析支持库,提供了快速.灵活.明确的数据结构,旨在简单.直观地处理关系型.标记型数据.Pandas 的目标是成为 Python 数据分析实践与实战的必备高级工 ...

最新文章

1. 【PAT (Basic Level) 】1015 德才论 (25 分)
2. MySQL数据库修改字段的长度
3. python pandas读取excel-python pandas 读取文件 写入文件excel
4. bootstrap select多选
5. mariadb mysql 5.6_MySQL 5.6 和 MariaDB-10.0 的性能比较测试
6. 4.6.3 内表数据处理
7. 八家顶级无人车公司首次披露故障详情，从百度到Waymo
8. 浅析 Spring 中的事件驱动机制
9. Ubuntu翻译PDF论文
10. mtk 手机低电无法关机，电池容量一直显示1%
11. POJ 3764 Trie + 贪心
12. linux光盘游戏,Linux下五个好玩的即时战略游戏
13. 西门子SCL编程语言入门基础知识
14. 计算机显示 亮度怎么调整,电脑屏幕亮度调整一直显示怎么办
15. python策略模式的应用_策略模式-Python四种实现方式
16. STM32MP157驱动开发——Linux 音频驱动
17. 解决nohup java -jar xxx.jar报出[1]+ Exit 1的错误：Unable to access jarfile xxx.jar和PersistenceException异常
18. python getattr()函数
19. vue使用百度地图，添加线路、站点，简易封装，方便修改(vue使用百度地图实现添加多条线路、多个站点)
20. ＜会说话是本事＞的记录文摘

热门文章

1. 找朋友（斗地主）判断逻辑
2. 生猪价格matlab,基于时间序列的BP神经网络猪肉价格预测
3. （附源码）springboor大学生防疫封校管理系统 毕业设计632124
4. 使用docker搭建sqli-lab环境以及upload-labs环境 xss挑战之旅环境 搭建vulhub环境
5. 8086/8088 寻址方式补充篇
6. 李峋同款爱心代码 (超好看) | 电视剧《点燃我温暖你》
7. 如何设计一个混沌工程实验？
8. 上海迪士尼乐园推出全新夜间演出“奇梦之光幻影秀”
9. 第95篇 ES之安装Elastica及总结安装Elastica
10. laravel接合monolog实现日志记录到Elasticsearch实践