DataSet、DataTable、DataRow的数据复制方法

DataSet 对象是支持 ADO.NET的断开式、分布式数据方案的核心对象 ,用途非常广泛.我们很多时候需要使用其中的数据,比如取得一个DataTable的数据或者复制另一个DataTabe中的数据或者是DataRow的数据,但是只有DataSet和DataTable的复制是支持深层复制的,就是说不仅能复制元素的结构,而且能复制元素的数据,而DatatDataRow没有相关的复制的方法,下面将简单介绍下这些数据元素的复制问题。

DataTable sourceTable;
DataTable objectTable;
DatatDataRow sourceRow;
DatatDataRow objectRow;
DataRow tempRow;
DataSet souceDataSet = new DataSet();

复制DataSet

  DataSet object = souceDataSet.Copy();//深复制
  DataSet object = souceDataSet.Clone();//浅复制,只复制架构

复制DataTable

  objectTable  = sourceTable .Copy();//深复制
  objectTable  = sourceTable .Clone();//浅复制,只复制架构

那我们应该如何复制DataRow的数据了,下面将着重介绍几种方法
_____________________________________________________________________________________________________

1  ImportDataRow方法:public void ImportDataRow( DataRow DataRow);

objectTable = sourceTable.clone();//必须先复制表的架构,使具有相同的的列或关系!
foreach (DataRow oRow in sourceTable)

objectTable.ImportDataRow(oRow);//在objectTable中添加一个新行,并将sourceRow的值复制进去,要求表的结构一样!

}

_____________________________________________________________________________________________________

2  自定义复制

objectTable.Columns.Add ("id");//不需要有一样的架构,只复制自己需要的列! 
Object [] myArry = new Object [1]; 
   foreach (DataRow oRow in sourceTable)

  tempRow = objectTable.NewRow();//此方法必须调用!
  myArry[0] = oRow["id"];//如果myArry中没有源表中的id列的话就会报错!
  tempRow.ItemArray = myArry;//ItemArray属性为Object类型数组,根据程序的需要需要可自行复制多个列的数据!
  objectTable.Rows.Add(tempRow); //此方法必须调用,否则DataRow中的数据将不能显示!

}
_____________________________________________________________________________________________________

3  LoadDataRow方法:public DataRow LoadDataRow(Object[] values,bool fAcceptChanges);

Object[] newRow = new Object[3];
   // 设置对象数组的值
    newRow[0] = "Hello";
    newRow[1] = "World";
    newRow[2] = "two";
    DataRow myRow;
    ObjectTable.BeginLoadData();
    // 将新行添加到表中
    myRow = ObjectTable.LoadDataRow(newRow, true);//标志要设置为true,表示添加新行
    ObjectTable.EndLoadData();
该方法比较复杂,如果只是简单的复制现有行的数据来添加新行的话建议不要采用,具体用法请参看sdk文挡。

----

DataRow的复制

            如果直接通过RequirDT.Rows.Add(row),则运行时会出现"该行已经属于一个表"的提示错误!

            至于其中的原因,通过DataSet和DataTable类比,从通常意义来说应该不会出现错误提示,但是细细

            想来,我觉得应该是由于DataTable的架构设计所致,借鉴关系数据库中的关系表,datacolumn定义了

            DataTable的整体架构,而具体的datarow是符合该架构的一条记录罢了!所以具有该架构的行只能添加

           到具有相同架构的表中!同时RequireDT.Rows.Add()实现捕获 System.ArgumentException(The row

            ther belongs to another table or ready belongs to this table.)我想其实现也限制了不能通过该方法实现!

           鉴于以上

            1.ataTable RequireDT = SourceDT.Clone();

             RequireDT.ImportRow(row);

            2.见网上有这样实现的 RequireDT.Rows.Add(row.ItemArray)

            但是我编写代码并不能实现,该函数的功能是   Creates a row using specified values and adds it to the

            System.Data.DataRowCollection.所以也需要先拷贝源数据表的结构,方可成功!

           3. 以下方法也可以实现,但是也得先复制表的结构

            ObjectTable.BeginLoadData(); 
  
            myRow = ObjectTable.LoadDataRow(newRow, true);


            ObjectTable.EndLoadData();

___________________________________________________________________________________________________
总结:
当我们要把一个DataTable的行复制到另一个DataTable中去的时候不能直接用ObjectTable.Add(souceDataRow);,或者是用ObjectRow = sourceRow 的赋值,然后Add,这样错编译器会提示你 "此行已属于别的表",对于DataTable来说也是这样,因为这样对象都是引用类型的。.Net不允许别的表来引用一个已经属于当前表的行或者别的DataSet来引用当前DataSet中的DataTable,必须用以上的方法先进行复制;对于采取和何种方法复制将完全取决于您程序的需要。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
决策树DTC数据分析及鸢尾数据集分析 一. 分类及决策树介绍 1.分类 分类其实是从特定的数据中挖掘模式,作出判断的过程。比如Gmail邮箱里有垃圾邮件分 类器,一开始的时候可能什么都不过滤,在日常使用过程中,我人工对于每一封邮件点 选"垃圾"或"不是垃圾",过一段时间,Gmail就体现出一定的智能,能够自动过滤掉一些 垃圾邮件了。 这是因为在点选的过程中,其实是给每一条邮件打了一个"标签",这个标签只有两个值 ,要么是"垃圾",要么"不是垃圾",Gmail就会不断研究哪些特点的邮件是垃圾,哪些特 点的不是垃圾,形成一些判别的模式,这样当一封信的邮件到来,就可以自动把邮件分 到"垃圾"和"不是垃圾"这两个我们人工设定的分类的其中一个。 分类学习主要过程如下: (1)训练数据集存在一个类标记号,判断它是正向数据集(起积极作用,不垃圾邮件 ),还是负向数据集(起抑制作用,垃圾邮件); (2)然后需要对数据集进行学习训练,并构建一个训练的模型; (3)通过该模型对预测数据集进预测,并计算其结果的性能。 2.决策树(decision tree) 决策树是用于分类和预测的主要技术之一,决策树学习是以实例为基础的归纳学习算法 ,它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。构造决策 树的目的是找出属性和类别间的关系,用它来预测将来未知类别的记录的类别。它采用 自顶向下的递归方式,在决策树的内部节点进行属性的比较,并根据不同属性值判断从 该节点向下的分支,在决策树的叶节点得到结论。 决策树算法根据数据的属性采用树状结构建立决策模型, 决策树模型常用来解决分类和回归问题。常见的算法包括:分类及回归树(Classifica tion And Regression Tree, CART), ID3 (Iterative Dichotomiser 3), C4.5, Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 随机森林(Random Forest), 多元自适应回归样条(MARS)以及梯度推进机(Gradient Boosting Machine, GBM)。 决策数有两大优点:1)决策树模型可以读性好,具有描述性,有助于人工分析;2) 效率高,决策树只需要一次构建,反复使用,每一次预测的最大计算次数不超过决策树 的深度。 示例1: 下面举两个例子,参考下面文章,强烈推荐大家阅读,尤其是决策树原理。 算法杂货铺——分类算法之决策树(Decision tree) - leoo2sk 这个也是我上课讲述的例子,引用上面文章的。通俗来说,决策树分类的思想类似于找 对象。现想象一个女孩的母亲要给这个女孩介绍男朋友,于是有了下面的对话: 女儿:多大年纪了? 母亲:26。 女儿:长的帅不帅? 母亲:挺帅的。 女儿:收入高不? 母亲:不算很高,中等情况。 女儿:是公务员不? 母亲:是,在税务局上班呢。 女儿:那好,我去见见。 这个女孩的决策过程就是典型的分类树决策。相当于通过年龄、长相、收入和是否公务 员对将男人分为两个类别:见和不见。假设这个女孩对男人的要求是:30岁以下、长相 中等以上并且是高收入者或中等以上收入的公务员,那么这个可以用下图表示女孩的决 策逻辑。 示例2: 另一个课堂上的例子,参考CSDN的大神lsldd的文章,推荐大家阅读学习信息熵。 用Python开始机器学习(2:决策树分类算法) 假设要构建这么一个自动选好苹果的决策树,简单起见,我只让他学习下面这4个样本 : [python] view plain copy 1. 样本 红 大 好苹果 2. 0 1 1 1 3. 1 1 0 1 4. 2 0 1 0 5. 3 0 0 0 样本中有2个属性,A0表示是否红苹果。A1表示是否大苹果。 本例仅2个属性。那么很自然一共就只可能有2棵决策树,如下图所示: 示例3: 第三个例子,推荐这篇文章:决策树学习笔记整理 - bourneli 决策树构建的基本步骤如下: 1. 开始,所有记录看作一个节点; 2. 遍历每个变量的每一种分割方式,找到最好的分割点; 3. 分割成两个节点N1和N2; 4. 对N1和N2分别继续执行2-3步,直到每个节点足够"纯"为止。 二. 鸢尾花卉Iris数据集 在Sklearn机器学习包中,集成了各种各样的数据集,上节课讲述Kmeans使用的是一个N BA篮球运动员数据集,需要定义X多维矩阵或读取文件导入,而这节课使用的是鸢尾花卉 Iris数据集,它是很常用的一个数据集。 数据集来源:Iris plants data set - KEEL dataset数据集一共包含4个特征变量,1个类别变量。共有150个样本

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值