isnull相关知识
-
ibatis 中的 isNotNull,isNull,isNotEmpty,isEmpty区别： isNotNull：表示参数不为NULL，返回TRUE反之则为FALSE isNull：表示参数为NULL，返回TRUE反之则为FALSE isNotEmpty：表示参数不为NULL也不为空，返回TRUE反之则返回FALSE isEmpty：表示参数为NULL或着为空，返回TRUE反之则为FALSE 例：当xml代码中用isNotEmpty配置时 <select id="queryTable" resultClass="int" parameterClass="QryCondition"> select count(id) from table <dynamic prepend="WHERE"> <isNotEmpty prepend="AND" property="abc"> ( table.filed1
-
sql Server 将金额转换成分、角、元、十……将金额转换成分、角、元、十…… UPDATE person SET 分=ISNULL(substring(cast(金额 AS VARCHAR),LEN(金额),1),''''), 角=ISNULL(substring(cast(金额 AS VARCHAR),LEN(金额)-1,1),''''), 元=ISNULL(substring(cast(金额 AS VARCHAR),LEN(金额)-3,1),''''), 十=ISNULL(substring(cast(金额 AS VARCHAR),LEN(金额)-4,1),'''') select 金额,十,元,角,分 from person 结果：
-
人机表现性公式： 人员表现性 * 机器表现性代码CREATE FUNCTION [dbo].[udf_PersonMachineExpressive] ( @PersonExpressive DECIMAL(18,6), @MachineExpressive DECIMAL(18,6))RETURNS DECIMAL(18,6) ASBEGIN DECLARE @ReturnValue DECIMAL(18,6) SELECT @ReturnValue = (ISNULL(@PersonExpressive,0) * ISNULL(@Mac
-
#10.mysql表结构查询语句SELECT COLUMN_NAME '列名', COLUMN_COMMENT '中文描述', (CASE WHEN ISNULL(concat(DATA_TYPE,'(',CHARACTER_MAXIMUM_LENGTH,')')) THEN DATA_TYPE ELSE concat(DATA_TYPE,'(',CHARACTER_MAXIMUM_LENGTH,')') END ) as '数据类型', (CASE WHEN ISNULL(COLUMN_DEFAULT) THEN '无' ELSE COLUMN_DEFAULT END ) as '默认值', (CASE WHEN extra = 'auto_increment' THEN '是' ELSE '否' END ) as '是否自增', (CASE WHEN COLUMN_KEY = 'PRI' THEN '是
isnull相关课程
isnull相关教程
- 2.1 isnull () 函数 该函数用来检测缺失值，如果是缺失值 NaN 则数据返回的是 True，不是缺失值返回的是 False。# 导入pandas包import pandas as pddata_path="C:/Users/13965/Documents/myFuture/IMOOC/pandasCourse-progress/data_source/第11小节/execl数据demo.xlsx"# 解析数据data = pd.read_excel(data_path)print(data)# --- 输出结果 --- 编程语言 推出时间 价格 主要创始人0 java NaN 45.6 James Gosling1 python 1991年 67.0 NaN2 NaN 1972年 NaN Dennis MacAlistair Ritchie3 js NaN NaN Brendan Eich4 php 2012年 NaN Rasmus Lerdorf5 C++ 1983年 75.0 Bjarne Stroustrup# 检查是否是缺失值data.isnull()# --- 输出结果 --- 编程语言 推出时间 价格 主要创始人0 False True False False1 False False False True2 True False True False3 False True True False4 False False True False5 False False False False输出解析：通过结果可以看到，是缺失值 NaN 的数据，在该函数检查后，都返回了 True，否则则是 False。
- 3. 小结 本节课程我们主要学习了 Pandas 检测数据集中存在缺失值的方法，同时学习了 Pandas 对缺失值的过滤操作和填充缺失值的方法。本节课程的重点如下：isnull () 函数和 notnull () 函数对缺失值的检测操作和检测返回结果；dropna () 函数对缺失值的过滤操作，以及其中常用参数的设置方式；fillna () 函数对缺失值的填充操作，以及其中常用参数的设置方式。
- 2.2 notnull () 函数 该函数也能检测缺失值，但是和 isnull () 函数相反，对于缺失值 NaN 的数据返回 False，否则为 True。# data 是上面从 Excel 中解析出来的数据# 检查是否不是缺失值data.notnull()# --- 输出结果 --- 编程语言 推出时间 价格 主要创始人0 True False True True1 True True True False2 False True False True3 True False False True4 True True False True5 True True True True输出解析：通过结果可以看到，不是缺失值 NaN 的数据，在该函数检查后，都返回了 True，否则则是 False。
- 3.2 Series 常用的方法 另外 Series 中还提供了丰富的函数，方便我们来进行操作，下面我们列举了几个常用的操作方法。常用函数函数描述 Series() 创建一个 Series 数据结构的对象 isnull () 和 notnull () 用于检测缺失数据 argmin () 和 argmax () 返回对应条件值的索引位置 copy() 复制一个 Series，注意浅拷贝和深拷贝 reindex([x,y,…]) 重返回一个适应新索引的新对象，缺失索引对应数值使用默认值 NaNdrop() 丢弃指定索引的项下面我们分别看一下每个方法的具体操作实例：Series () 方法该方法用于创建一个一维数组的对象，通过该方法有多种方式去创建 Series 对象：方式一：Series ([x,y,…])、方式二：Series ([x,y,…], index=[param1,param1,…])、方式三：Series ({“a”:x,“b”:y,…})# 引入pandasimport pandas as pd# 形式一：Series([x,y,...])obj=pd.Series([12,23,34,45])print(obj)#--- 输出结果 ---0 121 232 343 45dtype: int64# 形式二：Series([x,y,...], index=[param1,param1,...])obj=pd.Series([12,23,34,45],index=["a","b","c","d"])print(obj)#--- 输出结果 --- # 该形式，我们可以指定它的索引列的值a 12b 23c 34d 45dtype: int64# 形式三：Series({"a":x,"b":y,...})obj2=pd.Series({"a":12,"b":33,"c":5,"d":22})print(obj2)#--- 输出结果 ---# 这里我们里面传入的是一个字典，他的key就会对应成索引列，value对应数据列a 12b 33c 5d 22dtype: int64isnull () 和 notnull () 方法isnull () 是缺失值返回 Ture 运行结果，而 notnull () 则不是缺失值的返回 Ture 运行结果# 引入pandasimport pandas as pdobj=pd.Series([12,23,34,45],index=["a","b","c","d"])print(obj.isnull())#--- 输出结果 ---a Falseb Falsec Falsed Falsedtype: bool print(obj.notnull())#--- 输出结果 ---a Trueb Truec Trued Truedtype: boolargmin () 和 argmax () 方法argmin () 用于返回最小值索引的位置，argmax () 用于返回最大值索引的位置# 引入pandasimport pandas as pdobj2=pd.Series({"a":12,"b":33,"c":5,"d":22})print(obj2.argmin())# --- 输出结果 ---2 #最小值的索引为2，因为索引是从0开始的，我们最小值为5,print(obj2.argmax())# --- 输出结果 ---1 #最小值的索引为1，最大值是33,copy ( ) 方法该方法为拷贝一个 Series，但要注意里面的 deep 设置，也就是深拷贝 copy (deep=True) 和浅拷贝 copy (deep=False) 的问题。浅拷贝：拷贝父对象，不会拷贝对象的内部的子对象，只复制对象本身，没有复制该对象所引用的对象；深拷贝：完全拷贝了父对象及其子对象，新的组合对象与原对象没有任何关联。# 引入pandasimport pandas as pdobj2=pd.Series({"a":12,"b":33,"c":5,"d":22})# 1.cpys 浅拷贝cpys = obj2.copy(deep=False)cpys['a']=0print(cpys)print(obj2)# --- 输出结果 ---# 这是浅拷贝之后的cpysa 0b 33c 5d 22dtype: int64# 这是被拷贝的 obj2a 0b 33c 5d 22dtype: int64# 通过上面的输出结果，我们可以看到，我们对拷贝后的对象进行修改，也会影响到被浅拷贝的对象，进而证明了，浅拷贝只复制对象本身，没有复制该对象所引用的对象 # 2.cpys_deep深拷贝cpys_deep = obj2.copy(deep=True)cpys_deep['a']=0print(cpys_deep)print(obj2)# --- 输出结果 ---# 这是深拷贝之后的cpys_deepa 0b 33c 5d 22dtype: int64# 这是被拷贝的 obj2a 12b 33c 5d 22dtype: int64 # 我们通过输出结果，可以看到 索引a，obj和cps_deep的值是不一样的，我们修改拷贝后的对象，并不能影响到被拷贝的对象，这就是深拷贝，它完全拷贝了父对象及其子对象，和之前的对象是相互独立的。reindex ([x,y,…]) 方法该方法会将源 Series 对象，按照新的索引顺序生成新的 Series 对象，默认如果没有对应索引的则使用默认值 NaN。(NaN 即 "⾮数字" (not a number)，在 Pandas 中，它⽤于表示缺失或 NA 值 )# 引入pandasimport pandas as pdobj=pd.Series([12,23,6,145,44],index=["a","b","c","d","e"])rs_obj=obj.reindex(["e","d","c","b","a","f","g"])print(rs_obj)#--- 输出结果 ---e 44.0d 145.0c 6.0b 23.0a 12.0f NaNg NaNdtype: float64# 这里我们看到按照我们写的索引的顺序，生成了一个新的对象rs_obj，没有值的默认为NaN进行填充。drop ( ) 方法该方法通过传入指定的索引，丢弃对应的数据项，返回一个新的 Series 对象。# 引入pandasimport pandas as pdobj=pd.Series([12,23,6,145,44],index=["a","b","c","d","e"])drop_obj=obj.drop(["e","d"])print(obj)print(drop_obj)#--- 输出结果 ---# 源对象a 12b 23c 6d 145e 44dtype: int64# drop操作后新的对象 drop_obja 12b 23c 6dtype: int64
- 5. jwt集成gin 分布式电商系统
- 2-17 精简返回给客户端的异常内容 在线协同办公小程序
isnull相关搜索
-
inline
inner join
innerhtml
innerjoin
input
input readonly
input 属性
inputstream
inputtype
input属性
insert
insert into
insert into select
insertbefore
insertinto
insert语句
inspect
instance
instant
instr