最强 Pandas 平替工具库：Polars

2023-12-21 22:44
文章标签 工具 最强 pandas 平替 polars

本文主要是介绍最强 Pandas 平替工具库：Polars，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Polars是一个用于操作结构化数据的高性能DataFrame库，可以说是平替pandas最有潜质的包。Polars其核心部分是用Rust编写的，但该库也提供了Python接口。它的主要特点包括：

  • 快速: Polars是从零开始编写的，紧密与机器结合，没有外部依赖。

  • I/O: 对所有常见数据存储层提供一流支持：本地、云存储和数据库。

  • 易于使用: 以原始意图编写查询。Polars 在内部会使用其查询优化器确定执行最有效的方式。

  • 离线处理: Polars支持通过其流式API进行离线数据转换。这使您能够处理结果，而无需同时将所有数据存储在内存中。

  • 并行处理: Polars通过在可用的CPU核心之间分配工作负载，充分利用计算机性能，而无需额外配置。

  • 矢量化查询引擎: Polars使用 Apache Arrow，一种列式数据格式，以矢量化方式处理查询。它使用 SIMD 来优化CPU使用。

User guide: https://pola-rs.github.io/polars/user-guide/
API reference: https://pola-rs.github.io/polars/py-polars/html/reference/io.html

介绍

Polars 的目标是提供一个闪电般快速的 DataFrame 库，具有以下特点：

  • 利用计算机上所有可用的核心。

  • 通过优化查询来减少不必要的工作/内存分配。

  • 处理比可用 RAM 更大得多的数据集。

  • 具有一致且可预测的 API。

  • 具有严格的模式（在运行查询之前应该知道数据类型）。

Polars 是用 Rust 编写的，这使得它具有 C/C++ 性能，并允许它完全控制查询引擎中的性能关键部分。因此，Polars 为此付出了很大的努力：

  • 减少冗余的复制。

  • 高效地遍历内存缓存。

  • 在并行性中最小化争用。

  • 以块处理数据。

  • 重用内存分配。

基础

Series & DataFrames

Series 是一个一维数据结构。在一个 Series 中，所有元素都具有相同的数据类型（例如，整数、字符串）。下面的片段展示了如何创建一个简单的带有名称的 Series 对象。

import polars as pl
import numpy as nps = pl.Series("a", [1, 2, 3, 4, 5])
print(s)
s = pl.Series("a", [1, 2, 3, 4, 5])
print(s.min())
print(s.max())
s = pl.Series("a", ["polar", "bear", "arctic", "polar fox", "polar bear"])
s2 = s.str.replace("polar", "pola")
print(s2)
from datetime import datestart = date(2001, 1, 1)
stop = date(2001, 1, 9)
s = pl.date_range(start, stop, interval="2d", eager=True)
print(s.dt.day())

DataFrame 是一个二维数据结构，由一个或多个 Series 支持，可以看作是对一系列（例如列表）Series的抽象。在 DataFrame 上可以执行的操作与在 SQL 查询中执行的操作非常相似。您可以进行 GROUP BY、JOIN、PIVOT，还可以定义自定义函数。

from datetime import datetimedf = pl.DataFrame({"integer": [1, 2, 3, 4, 5],"date": [datetime(2022, 1, 1),datetime(2022, 1, 2),datetime(2022, 1, 3),datetime(2022, 1, 4),datetime(2022, 1, 5),],"float": [4.0, 5.0, 6.0, 7.0, 8.0],}
)print(df)
print(df.head(3))
print(df.describe())

Reading & writing

import polars as pl
from datetime import datetimedf = pl.DataFrame({"integer": [1, 2, 3],"date": [datetime(2022, 1, 1),datetime(2022, 1, 2),datetime(2022, 1, 3),],"float": [4.0, 5.0, 6.0],}
)print(df)
df.write_csv("output.csv")
df_csv = pl.read_csv("output.csv")
print(df_csv)
df_csv = pl.read_csv("output.csv", try_parse_dates=True)
print(df_csv)

Expressions

import polars as pl# 创建一个简单的 DataFrame
data = {'column1': [1, 2, 3],'column2': ['a', 'b', 'c']}
df = pl.DataFrame(data)# 使用表达式进行选择
selected_df = df.select(['column1'])# 使用表达式进行过滤
filtered_df = df.filter(df['column1'] > 1)
selected_df
filtered_df

拼接

df = pl.DataFrame({"a": np.arange(0, 8),"b": np.random.rand(8),"d": [1, 2.0, np.NaN, np.NaN, 0, -5, -42, None],}
)df2 = pl.DataFrame({"x": np.arange(0, 8),"y": ["A", "A", "A", "B", "B", "C", "X", "X"],}
)
joined = df.join(df2, left_on="a", right_on="x")
print(joined)
stacked = df.hstack(df2)
print(stacked)

概念

Data types

Polars 完全基于 Arrow 数据类型，并由 Arrow 内存数组支持。这使得数据处理在缓存效率和跨进程通信方面得到良好支持。大多数数据类型都与 Arrow 的实现完全一致，但有一些例外，如 Utf8（实际上是 LargeUtf8）、Categorical 和 Object（支持有限）等。以下是一些数据类型：

分组类型详细信息
数值Int88 位有符号整数。
Int1616 位有符号整数。
Int3232 位有符号整数。
Int6464 位有符号整数。
UInt88 位无符号整数。
UInt1616 位无符号整数。
UInt3232 位无符号整数。
UInt6464 位无符号整数。
Float3232 位浮点数。
Float6464 位浮点数。
嵌套Struct结构数组表示为 Vec<Series>，用于在单个列中打包多个/异构值。
List列表数组包含包含列表值的子数组和一个偏移数组（在内部实际上是 Arrow 的 LargeList）。
时间Date日期表示，内部表示为距离 UNIX 纪元的天数，由 32 位有符号整数编码。
Datetime日期时间表示，内部表示为距离 UNIX 纪元的微秒数，由 64 位有符号整数编码。
Duration表示时间差的类型，内部表示为微秒。通过减去 Date/Datetime 创建。
Time时间表示，内部表示为距午夜的纳秒数。
其他Boolean布尔类型，实际上是按位打包的。
Utf8字符串数据（实际上在内部是 Arrow 的 LargeUtf8）。
Binary以字节形式存储数据。
Object有限支持的数据类型，可以是任何值。
Categorical一组字符串的分类编码。

Contexts

Polars 已经开发了自己的领域特定语言（DSL）用于数据转换。该语言非常易于使用，允许进行复杂的查询，同时保持人类可读性。该语言的两个核心组件是上下文（Contexts）和表达式（Expressions），我们将在下一部分介绍表达式。

正如名称所示，上下文指的是需要评估表达式的上下文。有三个主要的上下文 [1]：

  1. 选择（Selection）: df.select([..]), df.with_columns([..])

  2. 过滤（Filtering）: df.filter()

  3. 分组/聚合（Group by / Aggregation）: df.group_by(..).agg([..])

df = pl.DataFrame({"nrs": [1, 2, 3, None, 5],"names": ["foo", "ham", "spam", "egg", None],"random": np.random.rand(5),"groups": ["A", "A", "B", "C", "B"],}
)
print(df)
# 基于df 进行计算，得到新的表格
out = df.select(pl.sum("nrs"), # nrs的和pl.col("names").sort(), # names排序后的结果pl.col("names").first().alias("first name"), # names第一个值(pl.mean("nrs") * 10).alias("10xnrs"), # nrs的均值 * 10
)
print(out)
# 原始df 新增列
df = df.with_columns(pl.sum("nrs").alias("nrs_sum"),pl.col("random").count().alias("count"),
)
print(df)
out = df.filter(pl.col("nrs") > 2)
print(out)
out = df.group_by("groups").agg(pl.sum("nrs"),  # sum nrs by groupspl.col("random").count().alias("count"),  # count group members# sum random where name != nullpl.col("random").filter(pl.col("names").is_not_null()).sum().name.suffix("_sum"),pl.col("names").reverse().alias("reversed names"),
)
print(out)

Lazy / eager API

Polars支持两种操作模式：lazy（延迟）和eager（即时）。在eager API中，查询会立即执行，而在lazy API中，查询只有在“需要”时才会被评估。

!wget https://mirror.coggle.club/dataset/heart.csv
!head heart.csv
df = pl.read_csv("heart.csv")
df_small = df.filter(pl.col("age") > 5)
df_agg = df_small.group_by("sex").agg(pl.col("chol").mean())
print(df_agg)
q = (pl.scan_csv("heart.csv").filter(pl.col("age") > 5).group_by("sex").agg(pl.col("chol").mean())
)
# 生成了计算逻辑df = q.collect() # 真正计算
print(df)

Streaming API

https://pola-rs.github.io/polars/user-guide/concepts/streaming/

q = (pl.scan_csv("heart.csv").filter(pl.col("age") > 5).group_by("sex").agg(pl.col("chol").mean())
)df = q.collect(streaming=True)
print(df)

表达式

Basic operators

df = pl.DataFrame({"nrs": [1, 2, 3, None, 5],"names": ["foo", "ham", "spam", "egg", None],"random": np.random.rand(5),"groups": ["A", "A", "B", "C", "B"],}
)
print(df)
df_numerical = df.select((pl.col("nrs") + 5).alias("nrs + 5"),(pl.col("nrs") - 5).alias("nrs - 5"),(pl.col("nrs") * pl.col("random")).alias("nrs * random"),(pl.col("nrs") / pl.col("random")).alias("nrs / random"),
)
print(df_numerical)
df_logical = df.select((pl.col("nrs") > 1).alias("nrs > 1"),(pl.col("random") <= 0.5).alias("random <= .5"),(pl.col("nrs") != 1).alias("nrs != 1"),(pl.col("nrs") == 1).alias("nrs == 1"),((pl.col("random") <= 0.5) & (pl.col("nrs") > 1)).alias("and_expr"),  # and((pl.col("random") <= 0.5) | (pl.col("nrs") > 1)).alias("or_expr"),  # or
)
print(df_logical)

Column selections

from datetime import date, datetimedf = pl.DataFrame({"id": [9, 4, 2],"place": ["Mars", "Earth", "Saturn"],"date": pl.date_range(date(2022, 1, 1), date(2022, 1, 3), "1d", eager=True),"sales": [33.4, 2142134.1, 44.7],"has_people": [False, True, False],"logged_at": pl.datetime_range(datetime(2022, 12, 1), datetime(2022, 12, 1, 0, 0, 2), "1s", eager=True),}
).with_row_count("rn")
print(df)
out = df.select(pl.col("*"))# Is equivalent to
out = df.select(pl.all())
print(out)
out = df.select(pl.col("*").exclude("logged_at", "rn"))
print(out)
out = df.select(pl.col("date", "logged_at").dt.to_string("%Y-%h-%d"))
print(out)
out = df.select(pl.col("^.*(as|sa).*$"))
print(out)
out = df.select(pl.col(pl.Int64, pl.UInt32, pl.Boolean).n_unique())
print(out)
import polars.selectors as cs
out = df.select(cs.numeric() - cs.first())
print(out)
out = df.select(cs.contains("rn"), cs.matches(".*_.*"))
print(out)

Functions

df = pl.DataFrame({"nrs": [1, 2, 3, None, 5],"names": ["foo", "ham", "spam", "egg", "spam"],"random": np.random.rand(5),"groups": ["A", "A", "B", "C", "B"],}
)
print(df)
df_samename = df.select(pl.col("nrs") + 5)
print(df_samename)
df_alias = df.select((pl.col("nrs") + 5).alias("nrs + 5"),(pl.col("nrs") - 5).alias("nrs - 5"),
)
print(df_alias)
df_alias = df.select(pl.col("names").n_unique().alias("unique"),pl.approx_n_unique("names").alias("unique_approx"),
)
print(df_alias)
df_conditional = df.select(pl.col("nrs"),pl.when(pl.col("nrs") > 2).then(pl.lit(True)).otherwise(pl.lit(False)).alias("conditional"),
)
print(df_conditional)

转换

类型转换（Casting）将列的底层 DataType 转换为新的数据类型。Polars 使用 Arrow 在内存中管理数据，并依赖于 Rust 实现中的计算核心 来执行转换。类型转换通过 cast() 方法实现。

cast 方法包括一个 strict 参数，该参数确定当 Polars 遇到无法从源 DataType 转换为目标 DataType 的值时的行为。默认情况下，strict=True，这意味着 Polars 将引发错误，通知用户转换失败，并提供无法转换的值的详细信息。另一方面，如果 strict=False，无法转换为目标 DataType 的任何值都将悄悄地转换为 null。

df = pl.DataFrame({"integers": [1, 2, 3, 4, 5],"big_integers": [1, 10000002, 3, 10000004, 10000005],"floats": [4.0, 5.0, 6.0, 7.0, 8.0],"floats_with_decimal": [4.532, 5.5, 6.5, 7.5, 8.5],}
)print(df)
out = df.select(pl.col("integers").cast(pl.Float32).alias("integers_as_floats"),pl.col("floats").cast(pl.Int32).alias("floats_as_integers"),pl.col("floats_with_decimal").cast(pl.Int32).alias("floats_with_decimal_as_integers"),
)
print(out)
out = df.select(pl.col("integers").cast(pl.Int16).alias("integers_smallfootprint"),pl.col("floats").cast(pl.Float32).alias("floats_smallfootprint"),
)
print(out)
df = pl.DataFrame({"integers": [1, 2, 3, 4, 5],"float": [4.0, 5.03, 6.0, 7.0, 8.0],"floats_as_string": ["4.0", "5.0", "6.0", "7.0", "8.0"],}
)out = df.select(pl.col("integers").cast(pl.Utf8),pl.col("float").cast(pl.Utf8),pl.col("floats_as_string").cast(pl.Float64),
)
print(out)
df = pl.DataFrame({"integers": [-1, 0, 2, 3, 4],"floats": [0.0, 1.0, 2.0, 3.0, 4.0],"bools": [True, False, True, False, True],}
)out = df.select(pl.col("integers").cast(pl.Boolean), pl.col("floats").cast(pl.Boolean))
print(out)
from datetime import date, datetimedf = pl.DataFrame({"date": pl.date_range(date(2022, 1, 1), date(2022, 1, 5), eager=True),"datetime": pl.datetime_range(datetime(2022, 1, 1), datetime(2022, 1, 5), eager=True),}
)out = df.select(pl.col("date").cast(pl.Int64), pl.col("datetime").cast(pl.Int64))
print(out)

Strings

df = pl.DataFrame({"animal": ["Crab", "cat and dog", "rab$bit", None]})out = df.select(pl.col("animal").str.len_bytes().alias("byte_count"),pl.col("animal").str.len_chars().alias("letter_count"),
)
print(out)
out = df.select(pl.col("animal"),pl.col("animal").str.contains("cat|bit").alias("regex"),pl.col("animal").str.contains("rab$", literal=True).alias("literal"),pl.col("animal").str.starts_with("rab").alias("starts_with"),pl.col("animal").str.ends_with("dog").alias("ends_with"),
)
print(out)

Aggregation

https://pola-rs.github.io/polars/user-guide/expressions/aggregation/

df = pl.read_csv("heart.csv")
print(df)
q = (df.lazy().group_by("sex").agg(pl.count(),pl.col("cp"),pl.first("caa"),).sort("count", descending=True).limit(5)
)df = q.collect()
print(df)
q = (df.lazy().group_by("sex").agg((pl.col("cp") == 1).sum().alias("anti"),(pl.col("cp") == 2).sum().alias("pro"),).sort("pro", descending=True).limit(5)
)df = q.collect()
print(df)

缺失值

df = pl.DataFrame({"value": [1, None],},
)
print(df)
null_count_df = df.null_count()
print(null_count_df)
df = pl.DataFrame({"col1": [1, 2, 3],"col2": [1, None, 3],},
)
print(df)
fill_literal_df = df.with_columns(pl.col("col2").fill_null(pl.lit(2)),
)
print(fill_literal_df)
fill_forward_df = df.with_columns(pl.col("col2").fill_null(strategy="forward"),
)
print(fill_forward_df)
fill_median_df = df.with_columns(pl.col("col2").fill_null(pl.median("col2")),
)
print(fill_median_df)
fill_interpolation_df = df.with_columns(pl.col("col2").interpolate(),
)
print(fill_interpolation_df)

Window functions

https://pola-rs.github.io/polars/user-guide/expressions/window/

!wget https://cdn.coggle.club/Pokemon.csv
!head Pokemon.csv
# then let's load some csv data with information about pokemon
df = pl.read_csv("Pokemon.csv")
print(df.head())
out = df.select("Type 1","Type 2",pl.col("Attack").mean().over("Type 1").alias("avg_attack_by_type"),pl.col("Defense").mean().over(["Type 1", "Type 2"]).alias("avg_defense_by_type_combination"),pl.col("Attack").mean().alias("avg_attack"),
)
print(out)
filtered = df.filter(pl.col("Type 2") == "Psychic").select("Name","Type 1","Speed",
)
print(filtered)
out = filtered.with_columns(pl.col(["Name", "Speed"]).sort_by("Speed", descending=True).over("Type 1"),
)
print(out)

Lists and Arrays

weather = pl.DataFrame({"station": ["Station " + str(x) for x in range(1, 6)],"temperatures": ["20 5 5 E1 7 13 19 9 6 20","18 8 16 11 23 E2 8 E2 E2 E2 90 70 40","19 24 E9 16 6 12 10 22","E2 E0 15 7 8 10 E1 24 17 13 6","14 8 E0 16 22 24 E1",],}
)
print(weather)
out = weather.with_columns(pl.col("temperatures").str.split(" "))
print(out)
out = weather.with_columns(pl.col("temperatures").str.split(" ")).explode("temperatures"
)
print(out)
out = weather.with_columns(pl.col("temperatures").str.split(" ")).with_columns(pl.col("temperatures").list.head(3).alias("top3"),pl.col("temperatures").list.slice(-3, 3).alias("bottom_3"),pl.col("temperatures").list.len().alias("obs"),
)
print(out)

变形

Joins

策略描述
inner返回两个数据框中具有匹配键的行。左框或右框中的非匹配行将被丢弃。
left返回左数据框中的所有行，无论是否在右数据框中找到匹配项。非匹配行的右列将被填充为null。
outer返回左右两个数据框中的所有行。如果在一个框中找不到匹配项，则从另一个框中的列将被填充为null。
cross返回左框中的所有行与右框中的所有行的笛卡尔积。重复的行将被保留；左框与右框的交叉连接的表长度始终为len(A) × len(B)。
asof在此连接中，匹配是根据_最近_的键而不是相等的键执行的左连接。
semi返回左框中具有与右框中相同的连接键的所有行。
anti返回左框中连接键_不_在右框中出现的所有行。
df_customers = pl.DataFrame({"customer_id": [1, 2, 3],"name": ["Alice", "Bob", "Charlie"],}
)
print(df_customers)
df_orders = pl.DataFrame({"order_id": ["a", "b", "c"],"customer_id": [1, 2, 2],"amount": [100, 200, 300],}
)
print(df_orders)
df = df_customers.join(df_orders, on="customer_id", how="inner")
print(df)df = df_customers.join(df_orders, on="customer_id", how="left")
print(df)df = df_customers.join(df_orders, on="customer_id", how="outer")
print(df)df = df_customers.join(df_orders, on="customer_id", how="cross")
print(df)
df_cars = pl.DataFrame({"id": ["a", "b", "c"],"make": ["ford", "toyota", "bmw"],}
)
print(df_cars)
df_repairs = pl.DataFrame({"id": ["c", "c"],"cost": [100, 200],}
)
print(df_repairs)
df = df_cars.join(df_repairs, on="id", how="inner")
print(df)df = df_cars.join(df_repairs, on="id", how="semi")
print(df)df = df_cars.join(df_repairs, on="id", how="anti")
print(df)
df_trades = pl.DataFrame({"time": [datetime(2020, 1, 1, 9, 1, 0),datetime(2020, 1, 1, 9, 1, 0),datetime(2020, 1, 1, 9, 3, 0),datetime(2020, 1, 1, 9, 6, 0),],"stock": ["A", "B", "B", "C"],"trade": [101, 299, 301, 500],}
)
print(df_trades)df_quotes = pl.DataFrame({"time": [datetime(2020, 1, 1, 9, 0, 0),datetime(2020, 1, 1, 9, 2, 0),datetime(2020, 1, 1, 9, 4, 0),datetime(2020, 1, 1, 9, 6, 0),],"stock": ["A", "B", "C", "A"],"quote": [100, 300, 501, 102],}
)print(df_quotes)
df_asof_join = df_trades.join_asof(df_quotes, on="time", by="stock")
print(df_asof_join)
df_asof_tolerance_join = df_trades.join_asof(df_quotes, on="time", by="stock", tolerance="1m"
)
print(df_asof_tolerance_join)

Concatenation

df_v1 = pl.DataFrame({"a": [1],"b": [3],}
)
df_v2 = pl.DataFrame({"a": [2],"b": [4],}
)
df_vertical_concat = pl.concat([df_v1,df_v2,],how="vertical",
)
print(df_vertical_concat)
df_h1 = pl.DataFrame({"l1": [1, 2],"l2": [3, 4],}
)
df_h2 = pl.DataFrame({"r1": [5, 6],"r2": [7, 8],"r3": [9, 10],}
)
df_horizontal_concat = pl.concat([df_h1,df_h2,],how="horizontal",
)
print(df_horizontal_concat)

Pivots

df = pl.DataFrame({"foo": ["A", "A", "B", "B", "C"],"N": [1, 2, 2, 4, 2],"bar": ["k", "l", "m", "n", "o"],}
)
print(df)
out = df.pivot(index="foo", columns="bar", values="N", aggregate_function="first")
print(out)
q = (df.lazy().collect().pivot(index="foo", columns="bar", values="N", aggregate_function="first").lazy()
)
out = q.collect()
print(out)

Melts

import polars as pldf = pl.DataFrame({"A": ["a", "b", "a"],"B": [1, 3, 5],"C": [10, 11, 12],"D": [2, 4, 6],}
)
print(df)
out = df.melt(id_vars=["A", "B"], value_vars=["C", "D"])
print(out)

这篇关于最强 Pandas 平替工具库：Polars的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/521744。

相关文章

Python基于wxPython和FFmpeg开发一个视频标签工具

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优
阅读更多...
Pandas使用SQLite3实战

Pandas使用SQLite3实战

《Pandas使用SQLite3实战》本文主要介绍了Pandas使用SQLite3实战,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录1 环境准备2 从 SQLite3VlfrWQzgt 读取数据到 DataFrame基础用法：读
阅读更多...
使用Java实现通用树形结构构建工具类

使用Java实现通用树形结构构建工具类

《使用Java实现通用树形结构构建工具类》这篇文章主要为大家详细介绍了如何使用Java实现通用树形结构构建工具类,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录完整代码一、设计思想与核心功能二、核心实现原理1. 数据结构准备阶段2. 循环依赖检测算法3. 树形结构构建4. 搜索子
阅读更多...
Python下载Pandas包的步骤

Python下载Pandas包的步骤

《Python下载Pandas包的步骤》：本文主要介绍Python下载Pandas包的步骤,在python中安装pandas库,我采取的方法是用PIP的方法在Python目标位置进行安装,本文给大... 目录安装步骤1、首先找到我们安装python的目录2、使用命令行到Python安装目录下3、我们回到Py
阅读更多...
利用Python开发Markdown表格结构转换为Excel工具

利用Python开发Markdown表格结构转换为Excel工具

《利用Python开发Markdown表格结构转换为Excel工具》在数据管理和文档编写过程中,我们经常使用Markdown来记录表格数据,但它没有Excel使用方便,所以本文将使用Python编写一... 目录1.完整代码2. 项目概述3. 代码解析3.1 依赖库3.2 GUI 设计3.3 解析 Mark
阅读更多...
利用Go语言开发文件操作工具轻松处理所有文件

利用Go语言开发文件操作工具轻松处理所有文件

《利用Go语言开发文件操作工具轻松处理所有文件》在后端开发中,文件操作是一个非常常见但又容易出错的场景,本文小编要向大家介绍一个强大的Go语言文件操作工具库,它能帮你轻松处理各种文件操作场景... 目录为什么需要这个工具？核心功能详解1. 文件/目录存javascript在性检查2. 批量创建目录3. 文件
阅读更多...
jvm调优常用命令行工具详解

jvm调优常用命令行工具详解

《jvm调优常用命令行工具详解》：本文主要介绍jvm调优常用命令行工具的用法,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一 jinfo命令查看参数1.1 查看jvm参数二 jstack命令2.1 查看现场堆栈信息三 jstat 实时查看堆内存，gc情况3.1
阅读更多...
MySQL使用binlog2sql工具实现在线恢复数据功能

MySQL使用binlog2sql工具实现在线恢复数据功能

《MySQL使用binlog2sql工具实现在线恢复数据功能》binlog2sql是大众点评开源的一款用于解析MySQLbinlog的工具,根据不同选项,可以得到原始SQL、回滚SQL等,下面我们就来... 目录背景目标步骤准备工作恢复数据结果验证结论背景生产数据库执行 SQL 脚本，一般会经过正规的审批
阅读更多...
基于Python开发批量提取Excel图片的小工具

基于Python开发批量提取Excel图片的小工具

《基于Python开发批量提取Excel图片的小工具》这篇文章主要为大家详细介绍了如何使用Python中的openpyxl库开发一个小工具,可以实现批量提取Excel图片,有需要的小伙伴可以参考一下... 目前有一个需求，就是批量读取当前目录下所有文件夹里的Excel文件，去获取出Excel文件中的图片，并
阅读更多...
Java导入、导出excel用法步骤保姆级教程(附封装好的工具类)

Java导入、导出excel用法步骤保姆级教程(附封装好的工具类)

《Java导入、导出excel用法步骤保姆级教程(附封装好的工具类)》：本文主要介绍Java导入、导出excel的相关资料,讲解了使用Java和ApachePOI库将数据导出为Excel文件,包括... 目录前言一、引入Apache POI依赖二、用法&步骤2.1 创建Excel的元素2.3 样式和字体2.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2