Pandas 读取和存储数据

目录

• 读取 csv数据
• 读取 txt数据
• 存储 csv 和 txt 文件
• 读取和存储 json数据
• 读取和存储 excel数据
• 一道练习题

参考

Numpy基础(全)

Pandas基础(全)

一，读取 CSV 文件：

# 文字解析函数：

# pd.read_csv()    从文件中加载带分隔符的数据，默认分隔符为逗号

# pd.read_table()  从文件中加载带分隔符的数据，默认分隔符为制表符

# read()_csv/read_table()参数：

# path        文件路径

# sep         文段隔开的字符序列，也可使用正则表达式

# header      指定行标题（指定列索引），默认为0，也可以设为 None

# index_col   用于行索引的列名或列编号

# names       指定列索引的列名

# skiprows    需要忽略的行数（从文件开始处算）

# nrows       需要读取的行数（从文件开始处算）

# chunksize   文件块的大小

# usecols     指定读取的列号或列名

# 1,创建一个 csv文件，并写入数据：

import os

os.getcwd()  # 查看当前工作目录

import csv

# 以下三种 path都可以：

# file_obj = open('C:\\Users\\XuYunPeng\\PycharmProjects\\Python基础知识大全\\第10章 Numpy库的使用\\test01.csv',"w",newline='',encoding='utf-8')

# file_obj = open(r'C:/Users/XuYunPeng/PycharmProjects/Python基础知识大全/第10章 Numpy库的使用/test01.csv',"w",newline='',encoding='utf-8')

file_obj = open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\test01.csv',"w",newline='',encoding='utf-8')

writer = csv.writer(file_obj)

writer.writerow(('id','name','grade'))

writer.writerow(('1','lucy','90'))

writer.writerow(('2','tom','88'))

writer.writerow(('3','Collin','99'))

file_obj.close()

# 2, 查看数据：

# 2-1）使用 !type方法查看数据：(只适用于 windows,且文件路径中不能存在空格)

# ! type C:\Users\XuYunPeng\Desktop\python\test01.csv

! type C:\Users\XuYunPeng\Desktop\python\Newfolder\test01.csv

# ! type C:\Users\XuYunPeng\Desktop\python\New folder\test01.csv

id,name,grade

1,lucy,90

2,tom,88

3,Collin,99

# 2-2)使用 pd.read_csv(open(path))  # 当路径中含有中文时，要使用open()函数打开文件，然后使用 pd.read_csv(file_obj)

import pandas as pd

file_obj=open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\test01.csv')

df=pd.read_csv(file_obj)

file_obj.close()

df

# 2-3)使用 pd.read_csv(open(path))  # 当路径为纯英文时，直接使用 pd.read_csv(path)

df=pd.read_csv(r'C:\Users\XuYunPeng\Desktop\python\test01.csv')

df

# 2-4)使用 pd.read_table(open(path))  # 当路径为纯英文时，直接使用 pd.read_table(path)

# 因为之前创立的csv,默认是以','为分隔的，这里需要指定分隔符：

df1=pd.read_table(r'C:\Users\XuYunPeng\Desktop\python\test01.csv',sep=',')

df1

file_obj=open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\test01.csv')

df2=pd.read_table(file_obj,sep=',')

file_obj.close()

df2

# 3, 其他参数的使用：

# 在实际应用中，csv文件往往不会很规整,这时候需要使用这俩函数的参数来灵活获取数据：如，选取一列作为行索引，设置一行作为标题行等等。

# 3-1） 指定列索引  index_clo='id'

df=pd.read_csv(r'C:\Users\XuYunPeng\Desktop\python\test01.csv',index_col='id')

df

# 使用之前的方法也可以实现：

df=pd.read_csv(r'C:\Users\XuYunPeng\Desktop\python\test01.csv')

df=df.set_index('id')

df

# 3-2)  指定层次化列索引  index_clo=[0,'id'] index_clo=[0,1]  index_clo=['shool','id']...传入列表或列元素组成的列名

# 创建一个 csv文件：

file_obj = open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\test02.csv',"w",newline='',encoding='utf-8')

writer = csv.writer(file_obj)

writer.writerow(('school','id','name','grade'))

writer.writerow(('sh01','1','lucy','90'))

writer.writerow(('sh01','2','tom','88'))

writer.writerow(('sh01','3','Collin','99'))

writer.writerow(('sh02','1','ppp','90'))

writer.writerow(('sh02','2','aaa','88'))

writer.writerow(('sh02','3','sss','99'))

writer.writerow(('sh03','1','hhh','90'))

writer.writerow(('sh03','2','jjj','88'))

writer.writerow(('sh03','3','mmm','99'))

file_obj.close()

file_obj = open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\test02.csv')

# df=pd.read_csv(file_obj,index_col=[0,'id'])        # 先 read

# df=pd.read_csv(file_obj,index_col=[0,1])           # 先 read

df=pd.read_csv(file_obj,index_col=['school','id'])   # 先 read

file_obj.close()  # 后 close

df

# 3-3) 标题行设置   header=None 或 names=['id','name','grade']   

# 使用pd.read_csv()或 pd.read_table() 默认会把第一行作为标题行。

# 当一些 csv文件没有标题行时，默认读取方法就不符合实际了。

# 使用 header参数设置标题行为空，或者 names参数设定指定的标题。

# 创建文件：

file_obj = open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\test03.csv',"w",newline='',encoding='utf-8')

writer = csv.writer(file_obj)

writer.writerow(('1','lucy','90'))

writer.writerow(('2','tom','88'))

writer.writerow(('3','Collin','99'))

file_obj.close()

file_obj = open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\test03.csv')

df=pd.read_csv(file_obj,header=None)   # 先 read

file_obj.close()  # 后 close

df

file_obj = open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\test03.csv')

df=pd.read_csv(file_obj,names=['id','name','grade'])   # 先 read

file_obj.close()  # 后 close

df

# 3-4) 自定义读取   读取部分行或列  读取一定数量的行数或列数

# df=pd.read_csv(file_obj,skiprows=[0,5],nrows=3,usecols=['name','grade'])

# df=pd.read_csv(file_obj,skiprows=[0,5],nrows=3,usecols=[1,2])

# 跳过首行和第6行，只读取3行，只读取 name和 grade 列。

# 要想跳过某几列，或者读取前10列，只能通过usecols=[列号或列名]的方式。

# 创建文件：

file_obj = open(r'C:\Users\XuYunPeng\Desktop\python\test04.csv',"w",newline='')

writer = csv.writer(file_obj)

writer.writerow(('班级分数统计表格'))

writer.writerow(('id','name','grade'))

writer.writerow(('1','lucy','90'))

writer.writerow(('2','tom','88'))

writer.writerow(('3','Collin','99'))

writer.writerow(('4','AAA','88'))

writer.writerow(('5','DDD','99'))

writer.writerow(('作者：Collin'))

file_obj.close()

!type C:\Users\XuYunPeng\Desktop\python\test04.csv

班,级,分,数,统,计,表,格

id,name,grade

1,lucy,90

2,tom,88

3,Collin,99

4,AAA,88

5,DDD,99

作,者,：,C,o,l,l,i,n

# 跳过第1行和第6行：

# df=pd.read_csv(r'C:\Users\XuYunPeng\Desktop\python\test04.csv',skiprows=[0,5],nrows=3,usecols=['name','grade'])

df=pd.read_csv(r'C:\Users\XuYunPeng\Desktop\python\test04.csv',skiprows=[0,5],nrows=3,usecols=[1,2])

# 3-5) 指定文件块的大小 chunksize=100

# 在读取大文件时，需要对文件进行逐块读取。

# step1:通过 df=pd.read(path), df.info()函数查看数据，能获取数据的行索引，各列数据情况

# step2:通过 chunker=pd.read(path,chunksize=100) 获取可迭代对象 chunker。

# step3:使用 for in 循环遍历 chunker。

# 示例：

# step1:通过 df=pd.read(path), df.info()函数查看数据，能获取数据的行索引，各列数据情况

import pandas as pd

from pandas import Series,DataFrame

file_obj=open(r"C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\train.csv")

df=pd.read_csv(file_obj)

df.info()

<class 'pandas.core.frame.DataFrame'>

RangeIndex: 891 entries, 0 to 890

Data columns (total 12 columns):

 #   Column       Non-Null Count  Dtype

---  ------       --------------  -----

 0   PassengerId  891 non-null    int64

 1   Survived     891 non-null    int64

 2   Pclass       891 non-null    int64

 3   Name         891 non-null    object

 4   Sex          891 non-null    object

 5   Age          714 non-null    float64

 6   SibSp        891 non-null    int64

 7   Parch        891 non-null    int64

 8   Ticket       891 non-null    object

 9   Fare         891 non-null    float64

 10  Cabin        204 non-null    object

 11  Embarked     889 non-null    object

dtypes: float64(2), int64(5), object(5)

memory usage: 83.7+ KB

# step2:通过 chunker=pd.read(path,chunksize=100) 获取可迭代对象 chunker。

# chunker=pd.read_csv(open(r"C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\train.csv"),chunksize=100)

file_obj = open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\train.csv')

chunker=pd.read_csv(file_obj,chunksize=100)

chunker

<pandas.io.parsers.TextFileReader at 0x206e520fb48>

# step3:使用 for in 循环遍历 chunker:

# se.add(se.value_counts,fill_value=0)

sex=Series([],dtype='float64') # 准备一个空序列。

for i in chunker:   # i 为 行数为 100 的 DataFrame 块.

#     print(i)

#     sex=sex+i['Sex'].value_counts()  # 无法处理 缺失值

    sex=sex.add(i['Sex'].value_counts(),fill_value=0)   # 统计 sex列中 male 和 female的个数，遇到缺失元素，用 0 替代。

file_obj.close()   # 放在最后，否则报错。

sex

male     NaN

female   NaN

dtype: float64

二，读取 txt 文件：

# txt文件的分隔符可能不是逗号，我们创建一个txt文件，并以 ？ 作为分隔符：

# 创建一个 txt 文件：和创建 csv 不同的地方：

# 1）不需要使用 writer = csv.writer(file_obj) 创建 writer对象

# 2）写入数据的函数名称及调用函数的对象也不一样：写入csv 是 writer.writerow(); 写入 txt 是 file_obj.writelines()

import pandas as pd

file_obj = open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\testfortxt01.txt','w')

file_obj.writelines('id?name?grade'+'\n')

file_obj.writelines('1?lucy?80'+'\n')

file_obj.writelines('2?tom?85'+'\n')

file_obj.writelines('3?lili?85'+'\n')

file_obj.close()

file_obj = open(r'C:\Users\XuYunPeng\PycharmProjects\Python基础知识大全\第10章 Numpy库的使用\testfortxt01.txt','r')

df=pd.read_table(file_obj,sep="?")

file_obj.close()

df

# 现实情况中，很多 txt 文件并没有特定的分隔符，而是一些数量不定的空白符进行分隔，如：

# 创建一个 txt 文件：

import pandas as pd

file_obj = open(r'C:\Users\XuYunPeng\Desktop\python\testfortxt02.txt','w')

file_obj.writelines('id   name grade'+'\n')

file_obj.writelines('1 lucy  80'+'\n')

file_obj.writelines('2 tom 85'+'\n')

file_obj.writelines('3  lili   85'+'\n')

file_obj.close()

!type C:\Users\XuYunPeng\Desktop\python\testfortxt02.txt

id   name grade

1 lucy  80

2 tom 85

3  lili   85

# 此时可以使用正则表达式来处理：

file_obj = open(r'C:\Users\XuYunPeng\Desktop\python\testfortxt02.txt','r')

df=pd.read_table(file_obj,sep='\s+')

df

# 至于使用pd.read_table()读取 txt,参数的设定与读取 csv文件类似.

三，存储 csv 和 txt 文件：

# to_csv()是DataFrame类的方法，read_csv()是pandas的方法

# 对数据进行处理分析后，往往要把处理结果存储起来：

# 语法及默认参数：

# df.to_csv(path_or_buf=None, sep=', ', na_rep='', float_format=None, columns=None,

# header=True, index=True, index_label=None, mode='w', encoding=None, compression=None,

# quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None,

# date_format=None, doublequote=True, escapechar=None, decimal='.')

# 对于 index参数： False值    不在csv文件里新建索引

#                 index缺省  在csv的第一列里新建 从0开始的索引。（默认）

# 对于 header参数：见示例

# 对于 sep参数:   ','          将按照 DataFrame的列，对应写道 csv的各列中

#               其他分隔符     不分列，都写到 csv的第一列中

# 创建一个文件，并写入数据：

import csv

file_obj = open(r'C:\Users\XuYunPeng\Desktop\python\testcsv01.csv',"w",newline='',encoding='utf-8')

writer = csv.writer(file_obj)

writer.writerow(('id','name','grade'))

writer.writerow(('1','lucy','90'))

writer.writerow(('2','tom','88'))

writer.writerow(('3','Collin','99'))

file_obj.close()

!type C:\Users\XuYunPeng\Desktop\python\testcsv01.csv

id,name,grade

1,lucy,90

2,tom,88

3,Collin,99

file_obj = open(r'C:\Users\XuYunPeng\Desktop\python\testcsv01.csv',"r")

df=pd.read_csv(file_obj)

file_obj.close()

df

# 处理数据（略）

# 存储数据：

# step1: index 参数的使用：index=False(不新建行索引)，index=True或缺省（新建从0开始的行索引）

df.to_csv(r'C:\Users\XuYunPeng\Desktop\python\output01.csv',index=False,sep=',')

!type C:\Users\XuYunPeng\Desktop\python\output01.csv

id,name,grade

1,lucy,90

2,tom,88

3,Collin,99

df.to_csv(r'C:\Users\XuYunPeng\Desktop\python\output02.csv',sep=',')  # index缺省，header缺省

!type C:\Users\XuYunPeng\Desktop\python\output02.csv

,id,name,grade

0,1,lucy,90

1,2,tom,88

2,3,Collin,99

# step2: header 参数的使用：header=None,不要DataFrame里的 header(即首行)了。header=True或缺省,保留 DataFrame的header(即首行)

# header=[header名组成的列表]，输出时新建 header行

df.to_csv(r'C:\Users\XuYunPeng\Desktop\python\output03.csv',header=None,sep=',')

!type C:\Users\XuYunPeng\Desktop\python\output03.csv

0,1,lucy,90

1,2,tom,88

2,3,Collin,99

df.to_csv(r'C:\Users\XuYunPeng\Desktop\python\output04.csv',header=['col1','col2','col3'],sep=',')

!type C:\Users\XuYunPeng\Desktop\python\output04.csv

col1,col2,col3

1,lucy,90

2,tom,88

3,Collin,99

# df.to_txt()  参数与 to_csv相同

# 如：

df.to_csv(r'C:\Users\XuYunPeng\Desktop\python\output05.txt',header=['col1','col2','col3'],sep=',')

!type C:\Users\XuYunPeng\Desktop\python\output05.txt

,col1,col2,col3

0,1,lucy,90

1,2,tom,88

2,3,Collin,99

四，JSON 数据的读取与存储

# javascript object notation  简洁清晰，轻量级的数据交换格式，多用于 web 数据交换

# 1，读取 JSON数据：有两种方法读取：推荐方法 2

# 1.1）使用 JSON 库，将数据转化为 字符串格式。

# import json

# import pandas as pd

# from pandas import DataFrame

# file_obj=open(r"C:\Users\XuYunPeng\Desktop\python\eueo2012.json")

# str_obj=file_obj.read()          # 通过 file_obj.read()将 JSON数据转化为 str数据。

# # print(type(str_obj))               # <class 'str'>

# result_dict=json.loads(str_obj)  # 通过 json.read()将 str数据转化为 dict数据。

# # print(type(result))                # <class 'dict'>

# # result_dict  # 内容很长，就不输出了

# df=DataFrame(result_dict)        # 完成对 JSON的读取

# df

import json

import pandas as pd

from pandas import DataFrame

file_obj=open(r"C:\Users\XuYunPeng\Desktop\python\eueo2012.json")

str_obj=file_obj.read()          # 通过 file_obj.read()将 JSON数据转化为 str数据。

result_dict=json.loads(str_obj)  # 通过 json.read()将 str数据转化为 dict数据。

df=DataFrame(result_dict)        # 完成对 JSON的读取

df  # 由于数据结构与字典相似，因此是无序的，每次读取结果行数据的顺序可能不同。

# 与之相反，我们也可以将字符串转为 JSON格式：json.dumps(str)

# 1.2)，使用 pandas的read_json()函数来读取 JSON数据：

import pandas as pd

df=pd.read_json(r"C:\Users\XuYunPeng\Desktop\python\eueo2012.json")

df=df.sort_index()  # 由于读取时可能乱序，这里对行索引重新排序

df

# 2,存储 DataFrame数据到 json文件：DataFrame_obj.to_json(path)

df.to_json(r"C:\Users\XuYunPeng\Desktop\python\eueo2012_output.json")

# !type C:\Users\XuYunPeng\Desktop\python\eueo2012_output.json

五，Excel 数据的读取与存储

# 1,创建一个 excel文件并输入一些数据：

import xlwings as xw

app = xw.App(visible=False, add_book=False)  # 设置程序不可见运行

wb = app.books.add()

ws = wb.sheets.active

arr = [['id','name','grade'],[1,'lucy','88'],[2,'tom','89'],[3,'collin','90']]

# ws.range('A1:B4').value=arr  # 或 ws.range('A1').value=arr

ws.range('A1').value=arr

wb.save(r"C:\Users\XuYunPeng\Desktop\python\excel_test.xlsx")

wb.close()

app.quit()

exit()

# 2,读取 excel数据：pd.read_excel():

import pandas as pd

df=pd.read_excel(r"C:\Users\XuYunPeng\Desktop\python\excel_test.xlsx",sheet_name='Sheet1')

df

# 3,存储 DataFrame 数据到 excel 文件：

# 3.1, 将数据写入一个本身有数据的文件中，会覆盖原来的数据：

df.to_excel(r"C:\Users\XuYunPeng\Desktop\python\excel_test.xlsx",sheet_name='output',index=False,startcol=0,startrow=0)

# 3.2, 如果不想覆盖原有数据，可以借助csv文件作为中间载体，因为  to_csv()函数里有一个 mode='a'的参数。

import os

df.to_csv(r"C:\Users\XuYunPeng\Desktop\python\excel_test.csv",index=False)

df.to_csv(r"C:\Users\XuYunPeng\Desktop\python\excel_test.csv",index=False,header=None,mode='a+')

df=pd.read_csv(r"C:\Users\XuYunPeng\Desktop\python\excel_test.csv")

# file_obj=open(r'C:\Users\XuYunPeng\Desktop\python\excel_test.csv')

# df=pd.read_csv(file_obj)

# file_obj.close()

df.to_excel(r"C:\Users\XuYunPeng\Desktop\python\excel_test.xlsx",index=False,encoding='GBK',sheet_name='Sheet1')

os.remove(r"C:\Users\XuYunPeng\Desktop\python\excel_test.csv")  # 删除中间载体文件

# !type C:\Users\XuYunPeng\Desktop\python\excel_test.xlsx

# 3.3, 将数据写入已有数据的 excel文件中的新的 sheet里。（sheet_name如果在文件中已经存在会新建一个sheet）

import pandas as pd

import openpyxl

writer = pd.ExcelWriter(r'C:\Users\XuYunPeng\Desktop\python\excel_test.xlsx',engine='openpyxl')

writer.book = openpyxl.load_workbook(writer.path)  # 此句如果缺少，后面语句执行时会覆盖文件里原有内容。

df.to_excel(excel_writer=writer,sheet_name="Sheet1",index=False)  # 在 sheet1里增加内容

# df.to_excel(excel_writer=writer,sheet_name="Sheet2",index=False)  # 新建 sheet2

writer.save()

writer.close()

# r : 只能读, 必须存在, 可在任意位置读取

# w : 只能写, 可以不存在, 必会擦掉原有内容从头写

# a : 只能写, 可以不存在, 必不能修改原有内容, 只能在结尾追加写, 文件指针无效

# r+ : 可读可写, 必须存在, 可在任意位置读写, 读与写共用同一个指针

# w+ : 可读可写, 可以不存在, 必会擦掉原有内容从头写

# a+ : 可读可写, 可以不存在, 必不能修改原有内容, 只能在结尾追加写, 文件指针只对读有效 (写操作会将文件指针移动到文件尾)

六，一道练习题：

# 创建一个 csv文件，包含'CNUM'和'COMPANY'两列，创建包含空行的，且有内容重复的行数据。

# 然后处理数据：去掉空行，重复行数据只保留一行有效数据，修改'COMPANY'列的名称为'公司',并在其后增加六列，

# 分别为'C_col','D_col','E_col','F_col','G_col','H_col','I_col'.

import pandas as pd

import numpy as np

import csv

from pandas import DataFrame,Series

# step 1: 创建含数据的文件：

file_obj = open(r'C:\Users\XuYunPeng\Desktop\python\CNUM_COMPANY.csv',"w",newline='',encoding='utf-8')

writer = csv.writer(file_obj)

writer.writerow(('CNUM','COMPANY'))

writer.writerow(('1001','IBMA'))

writer.writerow(('1002','IBMA'))

writer.writerow(('1003','IBMA'))

writer.writerow(('1001','IBMA'))

writer.writerow(('',''))  # 添加空行

writer.writerow(('1002','IBMB'))

writer.writerow(('1003','IBMC'))

writer.writerow(('1001','IBMB'))

writer.writerow(('1002','IBMA'))

writer.writerow(('1003','IBMC'))

writer.writerow(('',''))  # 添加空行

writer.writerow(('1005','IBMA'))

writer.writerow(('1003','IBMH'))

writer.writerow(('1006','IBMD'))

writer.writerow(('1007','IBMF'))

writer.writerow(('1008','IBMA'))

file_obj.close()

file_obj.close()

# 查看文件内容：

# !type C:\Users\XuYunPeng\Desktop\python\CNUM_COMPANY.csv

# step 2: 处理数据：

file_obj=open(r'C:\Users\XuYunPeng\Desktop\python\CNUM_COMPANY.csv')

df=pd.read_csv(file_obj)                 # 创建 DataFrame

df=df.reindex(columns=['CNUM','COMPANY','C_col','D_col','E_col','F_col','G_col','H_col'],fill_value=None)   # 重新指定列索引

df.rename(columns={'COMPANY':'公司'}, inplace = True)  # 修改列名

df=df.dropna(axis=0,how='all')           # 去除 NAN 即文件中的空行

df['CNUM'] = df['CNUM'].astype('int32')  # 将 CNUM 列的数据类型指定为 int32

df = df.drop_duplicates(subset=['CNUM', '公司'], keep='first')  # 去除重复行

# 一些没有学到过的函数，会在后面的博客中继续更新。

# step 3: 保存数据：

df.to_csv(r'C:\Users\XuYunPeng\Desktop\python\CNUM_COMPANY_OUTPUT.csv',index=False,encoding='GBK')

file_obj.close()

# 查看文件内容：

!type C:\Users\XuYunPeng\Desktop\python\CNUM_COMPANY_OUTPUT.csv

CNUM,公司,C_col,D_col,E_col,F_col,G_col,H_col

1001,IBMA,,,,,,

1002,IBMA,,,,,,

1003,IBMA,,,,,,

1002,IBMB,,,,,,

1003,IBMC,,,,,,

1001,IBMB,,,,,,

1005,IBMA,,,,,,

1003,IBMH,,,,,,

1006,IBMD,,,,,,

1007,IBMF,,,,,,

1008,IBMA,,,,,,

最新文章

1. Why we need model on Django ?
2. css overflow:hidden无效解决办法
3. javaio学习笔记-字符流类(1)
4. [转]VPN服务器配置详解
5. logic:present 和 logic:empty的用法 (转)
6. grunt之入门实践
7. lisp构造表
8. weiphp 微信公众号用程序来设置指定内容消息回复业务逻辑操作
9. Linux netstat订购具体解释
10. 移动商城第三篇【搭建Mybatis和Spring环境、编写Dao、Service在Core模块】
11. 配置KindEditor富文本编辑器
12. Hive基础之Hive数据类型
13. GCD(IV)
14. js原型继承四步曲
15. Pentaho BI server 中 CCC table Component 的使用小技巧
16. BZOJP1899ZJOI2004
17. Mysql索引详细语法
18. REST easy with kbmMW #16 – Multiple servers using HTTP.sys transport
19. iOS 网易彩票-4设置模块一
20. C++指针与引用

热门文章

1. RDS 事务型数据库sql
2. Jmeter之接口依赖
3. 谈谈FTP
4. filebeat- 配置
5. redis集群搭建 不用ruby
6. ReSharper 注册码
7. wifi - 无线相关命令
8. revel run报错 undefined: sys call.SIGUSR2"
9. etc/river.toml
10. 【0】TensorFlow光速入门-序