LightGBM用法速查表

最新推荐文章于 2024-05-24 15:10:10 发布
最新推荐文章于 2024-05-24 15:10:10 发布
阅读量965 收藏 6
点赞数
分类专栏： XGBoost LightGBM CatBoost 文章标签： python 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Grateful_Dead424/article/details/123065728
版权
本文介绍了LightGBM库在实际应用中的使用，包括读取数据、训练模型、设置样本权重、模型保存与加载、继续训练及调整参数、自定义损失函数以及与sklearn集成。通过例子展示了模型训练过程中的早停策略、特征重要性评估、超参数调优等关键步骤，并利用sklearn进行模型评估和网格搜索。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

LightGBM用法速查表

1.读取csv数据并指定参数建模
# coding: utf-8
import json
import lightgbm as lgb
import pandas as pd
from sklearn.metrics import mean_squared_error
# 加载数据集合
print('Load data...')
df_train = pd.read_csv('regression.train.txt', header=None, sep='\t')
df_test = pd.read_csv('regression.test.txt', header=None, sep='\t')
# 设定训练集和测试集
y_train = df_train[0].values
y_test = df_test[0].values
X_train = df_train.drop(0, axis=1).values
X_test = df_test.drop(0, axis=1).values

# 构建lgb中的Dataset格式
lgb_train = lgb.Dataset(X_train, y_train)
lgb_eval = lgb.Dataset(X_test, y_test, reference=lgb_train)

# 敲定好一组参数
params = {
    'task': 'train',
    'boosting_type': 'gbdt',
    'objective': 'regression',
    'metric': {'l2', 'auc'},
    'num_leaves': 31,
    'learning_rate': 0.05,
    'feature_fraction': 0.9,
    'bagging_fraction': 0.8,
    'bagging_freq': 5,
    'verbose': 0
}

print('开始训练...')
# 训练
gbm = lgb.train(params,
                lgb_train,
                num_boost_round=20,
                valid_sets=lgb_eval,
                early_stopping_rounds=5)

# 保存模型
print('保存模型...')
# 保存模型到文件中
gbm.save_model('model.txt')

print('开始预测...')
# 预测
y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration)
# 评估
print('预估结果的rmse为:')
print(mean_squared_error(y_test, y_pred) ** 0.5)
#Load data...
#开始训练...
#[1]	valid_0's l2: 0.24288	valid_0's auc: 0.764496
#Training until validation scores don't improve for 5 rounds.
#[2]	valid_0's l2: 0.239307	valid_0's auc: 0.766173
#[3]	valid_0's l2: 0.235559	valid_0's auc: 0.785547
#[4]	valid_0's l2: 0.230771	valid_0's auc: 0.797786
#[5]	valid_0's l2: 0.226297	valid_0's auc: 0.805155
#[6]	valid_0's l2: 0.223692	valid_0's auc: 0.800979
#[7]	valid_0's l2: 0.220941	valid_0's auc: 0.806566
#[8]	valid_0's l2: 0.217982	valid_0's auc: 0.808566
#[9]	valid_0's l2: 0.215351	valid_0's auc: 0.809041
#[10]	valid_0's l2: 0.213064	valid_0's auc: 0.805953
#[11]	valid_0's l2: 0.211053	valid_0's auc: 0.804631
#[12]	valid_0's l2: 0.209336	valid_0's auc: 0.802922
#[13]	valid_0's l2: 0.207492	valid_0's auc: 0.802011
#[14]	valid_0's l2: 0.206016	valid_0's auc: 0.80193
#Early stopping, best iteration is:
#[9]	valid_0's l2: 0.215351	valid_0's auc: 0.809041
#保存模型...
#开始预测...
#预估结果的rmse为:
#0.4640593794679212
2.添加样本权重训练
# coding: utf-8
import json
import lightgbm as lgb
import pandas as pd
import numpy as np
from sklearn.metrics import mean_squared_error
import warnings
warnings.filterwarnings("ignore")
# 加载数据集
print('加载数据...')
df_train = pd.read_csv('binary.train', header=None, sep='\t')
df_test = pd.read_csv('./data/binary.test', header=None, sep='\t')
W_train = pd.read_csv('binary.train.weight', header=None)[0]
W_test = pd.read_csv('binary.test.weight', header=None)[0]

y_train = df_train[0].values
y_test = df_test[0].values
X_train = df_train.drop(0, axis=1).values
X_test = df_test.drop(0, axis=1).values
num_train, num_feature = X_train.shape

# 加载数据的同时加载权重
lgb_train = lgb.Dataset(X_train, y_train,
                        weight=W_train, free_raw_data=False)
lgb_eval = lgb.Dataset(X_test, y_test, reference=lgb_train,
                       weight=W_test, free_raw_data=False)

# 设定参数
params = {
    'boosting_type': 'gbdt',
    'objective': 'binary',
    'metric': 'binary_logloss',
    'num_leaves': 31,
    'learning_rate': 0.05,
    'feature_fraction': 0.9,
    'bagging_fraction': 0.8,
    'bagging_freq': 5,
    'verbose': 0
}

# 产出特征名称
feature_name = ['feature_' + str(col) for col in range(num_feature)]

print('开始训练...')
gbm = lgb.train(params,
                lgb_train,
                num_boost_round=10,
                valid_sets=lgb_train,  # 评估训练集
                feature_name=feature_name,
                categorical_feature=[21])
#加载数据...
#开始训练...
#[1]	valid_0's binary_logloss: 0.681265
#[2]	valid_0's binary_logloss: 0.673318
#[3]	valid_0's binary_logloss: 0.664193
#[4]	valid_0's binary_logloss: 0.655501
#[5]	valid_0's binary_logloss: 0.650956
#[6]	valid_0's binary_logloss: 0.644803
#[7]	valid_0's binary_logloss: 0.637567
#[8]	valid_0's binary_logloss: 0.631224
#[9]	valid_0's binary_logloss: 0.624958
#[10]	valid_0's binary_logloss: 0.619398
3.模型的载入与预测
# 查看特征名称
print('完成10轮训练...')
print('第7个特征为:')
print(repr(lgb_train.feature_name[6]))

# 存储模型
gbm.save_model('./model/lgb_model.txt')

# 特征名称
print('特征名称:')
print(gbm.feature_name())

# 特征重要度
print('特征重要度:')
print(list(gbm.feature_importance()))

# 加载模型
print('加载模型用于预测')
bst = lgb.Booster(model_file='./model/lgb_model.txt')
# 预测
y_pred = bst.predict(X_test)
# 在测试集评估效果
print('在测试集上的rmse为:')
print(mean_squared_error(y_test, y_pred) ** 0.5)
# 查看特征名称
print('完成10轮训练...')
print('第7个特征为:')
print(repr(lgb_train.feature_name[6]))

# 存储模型
gbm.save_model('./model/lgb_model.txt')

# 特征名称
print('特征名称:')
print(gbm.feature_name())

# 特征重要度
print('特征重要度:')
print(list(gbm.feature_importance()))

# 加载模型
print('加载模型用于预测')
bst = lgb.Booster(model_file='./model/lgb_model.txt')
# 预测
y_pred = bst.predict(X_test)
# 在测试集评估效果
print('在测试集上的rmse为:')
print(mean_squared_error(y_test, y_pred) ** 0.5)
# 查看特征名称
print('完成10轮训练...')
print('第7个特征为:')
print(repr(lgb_train.feature_name[6]))
​
# 存储模型
gbm.save_model('./model/lgb_model.txt')
​
# 特征名称
print('特征名称:')
print(gbm.feature_name())
​
# 特征重要度
print('特征重要度:')
print(list(gbm.feature_importance()))
​
# 加载模型
print('加载模型用于预测')
bst = lgb.Booster(model_file='./model/lgb_model.txt')
# 预测
y_pred = bst.predict(X_test)
# 在测试集评估效果
print('在测试集上的rmse为:')
print(mean_squared_error(y_test, y_pred) ** 0.5)
#完成10轮训练...
#第7个特征为:
#'feature_6'
#特征名称:
#[u'feature_0', u'feature_1', u'feature_2', u'feature_3', u'feature_4', u'feature_5', u'feature_6', u'feature_7', u'feature_8', u'feature_9', u'feature_10', u'feature_11', u'feature_12', u'feature_13', u'feature_14', u'feature_15', u'feature_16', u'feature_17', u'feature_18', u'feature_19', u'feature_20', u'feature_21', u'feature_22', u'feature_23', u'feature_24', u'feature_25', u'feature_26', u'feature_27']
#特征重要度:
#[8, 5, 1, 19, 7, 33, 2, 0, 2, 10, 5, 2, 0, 9, 3, 3, 0, 2, 2, 5, 1, 0, 36, 3, 33, 45, 29, 35]
#加载模型用于预测
#在测试集上的rmse为:
#0.4629245607636925
4.接着之前的模型继续训练
# 继续训练
# 从./model/model.txt中加载模型初始化
gbm = lgb.train(params,
                lgb_train,
                num_boost_round=10,
                init_model='./model/lgb_model.txt',
                valid_sets=lgb_eval)

print('以旧模型为初始化，完成第 10-20 轮训练...')

# 在训练的过程中调整超参数
# 比如这里调整的是学习率
gbm = lgb.train(params,
                lgb_train,
                num_boost_round=10,
                init_model=gbm,
                learning_rates=lambda iter: 0.05 * (0.99 ** iter),
                valid_sets=lgb_eval)

print('逐步调整学习率完成第 20-30 轮训练...')

# 调整其他超参数
gbm = lgb.train(params,
                lgb_train,
                num_boost_round=10,
                init_model=gbm,
                valid_sets=lgb_eval,
                callbacks=[lgb.reset_parameter(bagging_fraction=[0.7] * 5 + [0.6] * 5)])
#print('逐步调整bagging比率完成第 30-40 轮训练...')
#[11]	valid_0's binary_logloss: 0.616177
#[12]	valid_0's binary_logloss: 0.611792
#[13]	valid_0's binary_logloss: 0.607043
#[14]	valid_0's binary_logloss: 0.602314
#[15]	valid_0's binary_logloss: 0.598433
#[16]	valid_0's binary_logloss: 0.595238
#[17]	valid_0's binary_logloss: 0.592047
#[18]	valid_0's binary_logloss: 0.588673
#[19]	valid_0's binary_logloss: 0.586084
#[20]	valid_0's binary_logloss: 0.584033
#以旧模型为初始化，完成第 10-20 轮训练...
#[21]	valid_0's binary_logloss: 0.616177
#[22]	valid_0's binary_logloss: 0.611834
#[23]	valid_0's binary_logloss: 0.607177
#[24]	valid_0's binary_logloss: 0.602577
#[25]	valid_0's binary_logloss: 0.59831
#[26]	valid_0's binary_logloss: 0.595259
#[27]	valid_0's binary_logloss: 0.592201
#[28]	valid_0's binary_logloss: 0.589017
#[29]	valid_0's binary_logloss: 0.586597
#[30]	valid_0's binary_logloss: 0.584454
#逐步调整学习率完成第 20-30 轮训练...
#[31]	valid_0's binary_logloss: 0.616053
#[32]	valid_0's binary_logloss: 0.612291
#[33]	valid_0's binary_logloss: 0.60856
#[34]	valid_0's binary_logloss: 0.605387
#[35]	valid_0's binary_logloss: 0.601744
#[36]	valid_0's binary_logloss: 0.598556
#[37]	valid_0's binary_logloss: 0.595585
#[38]	valid_0's binary_logloss: 0.593228
#[39]	valid_0's binary_logloss: 0.59018
#[40]	valid_0's binary_logloss: 0.588391
#逐步调整bagging比率完成第 30-40 轮训练...
5.自定义损失函数
# 类似在xgboost中的形式
# 自定义损失函数需要
def loglikelood(preds, train_data):
    labels = train_data.get_label()
    preds = 1. / (1. + np.exp(-preds))
    grad = preds - labels
    hess = preds * (1. - preds)
    return grad, hess


# 自定义评估函数
def binary_error(preds, train_data):
    labels = train_data.get_label()
    return 'error', np.mean(labels != (preds > 0.5)), False


gbm = lgb.train(params,
                lgb_train,
                num_boost_round=10,
                init_model=gbm,
                fobj=loglikelood,
                feval=binary_error,
                valid_sets=lgb_eval)

print('用自定义的损失函数与评估标准完成第40-50轮...')
#[41]	valid_0's binary_logloss: 0.614429	valid_0's error: 0.268
#[42]	valid_0's binary_logloss: 0.610689	valid_0's error: 0.26
#[43]	valid_0's binary_logloss: 0.606267	valid_0's error: 0.264
#[44]	valid_0's binary_logloss: 0.601949	valid_0's error: 0.258
#[45]	valid_0's binary_logloss: 0.597271	valid_0's error: 0.266
#[46]	valid_0's binary_logloss: 0.593971	valid_0's error: 0.276
#[47]	valid_0's binary_logloss: 0.591427	valid_0's error: 0.278
#[48]	valid_0's binary_logloss: 0.588301	valid_0's error: 0.284
#[49]	valid_0's binary_logloss: 0.586562	valid_0's error: 0.288
#[50]	valid_0's binary_logloss: 0.584056	valid_0's error: 0.288
#用自定义的损失函数与评估标准完成第40-50轮...

sklearn与LightGBM配合使用

1.LightGBM建模，sklearn评估
# coding: utf-8
import lightgbm as lgb
import pandas as pd
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import GridSearchCV

# 加载数据
print('加载数据...')
df_train = pd.read_csv('regression.train.txt', header=None, sep='\t')
df_test = pd.read_csv('.regression.test.txt', header=None, sep='\t')

# 取出特征和标签
y_train = df_train[0].values
y_test = df_test[0].values
X_train = df_train.drop(0, axis=1).values
X_test = df_test.drop(0, axis=1).values

print('开始训练...')
# 直接初始化LGBMRegressor
# 这个LightGBM的Regressor和sklearn中其他Regressor基本是一致的
gbm = lgb.LGBMRegressor(objective='regression',
                        num_leaves=31,
                        learning_rate=0.05,
                        n_estimators=20)

# 使用fit函数拟合
gbm.fit(X_train, y_train,
        eval_set=[(X_test, y_test)],
        eval_metric='l1',
        early_stopping_rounds=5)

# 预测
print('开始预测...')
y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration_)
# 评估预测结果
print('预测结果的rmse是:')
print(mean_squared_error(y_test, y_pred) ** 0.5)

#加载数据...
#开始训练...
#[1]	valid_0's l1: 0.491735
#Training until validation scores don't improve for 5 rounds.
#[2]	valid_0's l1: 0.486563
#[3]	valid_0's l1: 0.481489
#[4]	valid_0's l1: 0.476848
#[5]	valid_0's l1: 0.47305
#[6]	valid_0's l1: 0.469049
#[7]	valid_0's l1: 0.465556
#[8]	valid_0's l1: 0.462208
#[9]	valid_0's l1: 0.458676
#[10]	valid_0's l1: 0.454998
#[11]	valid_0's l1: 0.452047
#[12]	valid_0's l1: 0.449158
#[13]	valid_0's l1: 0.44608
#[14]	valid_0's l1: 0.443554
#[15]	valid_0's l1: 0.440643
#[16]	valid_0's l1: 0.437687
#[17]	valid_0's l1: 0.435454
#[18]	valid_0's l1: 0.433288
#[19]	valid_0's l1: 0.431297
#[20]	valid_0's l1: 0.428946
#Did not meet early stopping. Best iteration is:
#[20]	valid_0's l1: 0.428946
#开始预测...
#预测结果的rmse是:
#0.4441153344254208
2.网格搜索查找最优超参数
# 配合scikit-learn的网格搜索交叉验证选择最优超参数
estimator = lgb.LGBMRegressor(num_leaves=31)

param_grid = {
    'learning_rate': [0.01, 0.1, 1],
    'n_estimators': [20, 40]
}

gbm = GridSearchCV(estimator, param_grid)

gbm.fit(X_train, y_train)

print('用网格搜索找到的最优超参数为:')
print(gbm.best_params_)
#用网格搜索找到的最优超参数为:
#{'n_estimators': 40, 'learning_rate': 0.1}
3.绘图解释
# coding: utf-8
import lightgbm as lgb
import pandas as pd

try:
    import matplotlib.pyplot as plt
except ImportError:
    raise ImportError('You need to install matplotlib for plotting.')

# 加载数据集
print('加载数据...')
df_train = pd.read_csv('./data/regression.train.txt', header=None, sep='\t')
df_test = pd.read_csv('./data/regression.test.txt', header=None, sep='\t')

# 取出特征和标签
y_train = df_train[0].values
y_test = df_test[0].values
X_train = df_train.drop(0, axis=1).values
X_test = df_test.drop(0, axis=1).values

# 构建lgb中的Dataset数据格式
lgb_train = lgb.Dataset(X_train, y_train)
lgb_test = lgb.Dataset(X_test, y_test, reference=lgb_train)

# 设定参数
params = {
    'num_leaves': 5,
    'metric': ('l1', 'l2'),
    'verbose': 0
}

evals_result = {}  # to record eval results for plotting

print('开始训练...')
# 训练
gbm = lgb.train(params,
                lgb_train,
                num_boost_round=100,
                valid_sets=[lgb_train, lgb_test],
                feature_name=['f' + str(i + 1) for i in range(28)],
                categorical_feature=[21],
                evals_result=evals_result,
                verbose_eval=10)

print('在训练过程中绘图...')
ax = lgb.plot_metric(evals_result, metric='l1')
plt.show()

print('画出特征重要度...')
ax = lgb.plot_importance(gbm, max_num_features=10)
plt.show()

print('画出第84颗树...')
ax = lgb.plot_tree(gbm, tree_index=83, figsize=(20, 8), show_info=['split_gain'])
plt.show()

#print('用graphviz画出第84颗树...')
#graph = lgb.create_tree_digraph(gbm, tree_index=83, name='Tree84')
#graph.render(view=True)

#加载数据...
#开始训练...
#[10]	training's l2: 0.217995	training's l1: 0.457448	valid_1's l2: 0.21641	valid_1's l1: 0.456464
#[20]	training's l2: 0.205099	training's l1: 0.436869	valid_1's l2: 0.201616	valid_1's l1: 0.434057
#[30]	training's l2: 0.197421	training's l1: 0.421302	valid_1's l2: 0.192514	valid_1's l1: 0.417019
#[40]	training's l2: 0.192856	training's l1: 0.411107	valid_1's l2: 0.187258	valid_1's l1: 0.406303
#[50]	training's l2: 0.189593	training's l1: 0.403695	valid_1's l2: 0.183688	valid_1's l1: 0.398997
#[60]	training's l2: 0.187043	training's l1: 0.398704	valid_1's l2: 0.181009	valid_1's l1: 0.393977
#[70]	training's l2: 0.184982	training's l1: 0.394876	valid_1's l2: 0.178803	valid_1's l1: 0.389805
#[80]	training's l2: 0.1828	training's l1: 0.391147	valid_1's l2: 0.176799	valid_1's l1: 0.386476
#[90]	training's l2: 0.180817	training's l1: 0.388101	valid_1's l2: 0.175775	valid_1's l1: 0.384404
#[100]	training's l2: 0.179171	training's l1: 0.385174	valid_1's l2: 0.175321	valid_1's l1: 0.382929
#在训练过程中绘图...

在这里插入图片描述
画出特征重要度…
在这里插入图片描述
画出第84颗树…
在这里插入图片描述

VUE3+element-plus el-select 支持全选
Xxd_92799的博客
08-16 704
总结：利用计算属性的get（），set（）函数来控制开关的选中状态和回显下拉框中数据的选中状态。弹窗中的监管行业是支持多选的下拉选择框，需求是要再后面加一个全选开关。来控制他的是否全选。👇全选方法设置成计算属性。👇下拉框和全选开关代码。
vue3+ts+vuerouter+pinia+elementplus+ts环境模板搭建及vite打包优化
05-12
vue3+ts+vuerouter+pinia+elementplus+ts环境模板搭建及vite打包优化vue3+ts+vuerouter+pinia+elementplus+ts环境模板搭建及vite打包优化vue3+ts+vuerouter+pinia+elementplus+ts环境模板搭建及vite打包优化vue3+ts+...
基于element和vxeTable开发一个下拉树组件
qq_48492754的博客
07-03 584
checked 选中之后触发的回调，可能需要选中树的所有其他字段。tree-config 树结构的一些配置。form.orgId 数据双向绑定的值。tree-data 下拉树结构的数据。
element-plus 树形控件结合下拉列表
m0_73481765的博客
08-09 1491
要将Element Plus的Tree控件与下拉列表结合起来，可以使用Element Plus的Select控件和Tree控件的插槽来实现。在这个方法中，可以处理树形控件节点的点击事件，例如更新选中的选项等操作。属性设置为false，表示需要手动展开节点；事件用来处理树形控件节点的点击事件。插槽来添加树形控件。在每一个Option中，使用。是下拉列表的选项数据，最后，需要在代码中添加。作为树形控件的数据，
vue3+element-plus组件下拉列表，数组数据转成树形数据
weixin_59525879的博客
08-11 2066
load 这个是动态添加数据的 前提（开启lazy ，表格数组里设置了hasChildren：true）row-key 必填 最好给数字或唯一属性 ， 给每个节点设置id 不填的话 没有办法实现展开效果。treeprops ：{hasChildren} 是否可收缩。treeprops ：{children} 展开的子项。treeprops 是配置树状收缩数据的。普通数组转换成树形数据。
element-plus 下拉框实现全选功能
赤蓝紫の博客
06-09 6953
实习确实能学到不少东西，但是学到的东西果然还是需要沉淀下来，不然后面立马又忘记了。使用方法还是比较简单的 首先需要使用到和，就是下拉框，所以需要使用双向绑定数据。而就是下拉框的选项。 需求：下拉框选项中有全选以及其他项，需要实现点击全选后不能选择其他项，选中了其他项同样不能选择全选。先来简单了解下下拉框的多选。理论上来说，是只需要给添加上就能实现多选，但是效果不太好。选中的会挤在一起。这个时候，我们可以添加属性，这样子，这样子就只会显示一个选项，没显示的以数量的形式在后面。再添加属性，还能实现，悬浮在上方时
vxe-table vue table 表格组件功能
01-21
一个功能更加强大的 Vue 表格组件 查看vxe-table 功能点 •基础 •尺寸 •斑马线条纹 •带边框 •单元格样式 •列宽拖动 •流体高度 •固定表头 •固定列 •固定表头和列 •表头分组 •序号 •单选 •多选 •排序 •...
vxe-table::dolphin: vxe-table vue 表格解决方案
05-11
vxe-table 简体中文|| 一个基于的PC端表格组件，支持增删改查、虚拟滚动、懒加载、快捷菜单、数据校验、树形结构、打印导出、表单渲染、数据分页、虚拟列表、弹窗、自定义模板、渲染器、贼灵活的配置项、扩展接口等....
Django+Vue3.2+ElementPlus+TypeScript开发的在线考试系统源码.zip
05-08
Django+Vue3.2+ElementPlus+TypeScript开发的在线考试系统源码 Django+Vue3.2+ElementPlus+TypeScript开发的在线考试系统源码 Django+Vue3.2+ElementPlus+TypeScript开发的在线考试系统源码 Django+Vue3.2+...
Vue3+element-plus-table-dragable(Sortable.js)实现表格拖动排序
06-15
在网上找的（vue3+sortable.js根本跑不起来）网上好多例子在vue3下根据跑不起来于是，也没有对表格排序的例子。Vuedraggable 是基于并提供Sortable.js的所有功能。重用现有element-plus组件库。对于小白来说怎么在...
vxe-table中树形结构
huhudeni的博客
08-29 2693
从二级树节点开始，同时选中的只能有一个二级树节点，选中的二级树节点之下的子节点都可以被选中。需要注意的是，文中树状图传递的数据是打平的数据，设置代码是下图，而不是树状图!同事让帮忙处理1一个bug。json打平的数据结构是。上述的这一点非常重要。
极限踩坑之element-plus中的el-tree树形控件下拉图标显示bug
qq_45635939的博客
01-22 1511
极限踩坑之element-plus中的el-tree树形控件下拉图标显示bug
【bug】vxe-table编辑列表中使用vue-treeselect，防止卡顿，默认插槽用div导致单击树下拉框不展现，完美解决
花椒和蕊的博客
08-11 2594
el-table里使用了treeselect，因为行数太多，列表里大量使用了treeselect非常卡顿，el-table的性能没有vxe-table好，所以换成了vxe-table的可编辑列表。vxe-table的可编辑列表性能是真的好，其实如果不是奇怪的需求，单说vxe-table本身，还是很好用的，文档也很齐全。vxe-table的可编辑列表有两个插槽，一个是默认插槽，一个是编辑插槽。但是要求是列表不能有抖动的感觉，看文档，点击哪一行会变成下拉框，没有点击的什么样式都没有，要求要统一。......
Vue3 + vxe-table + Element Plus 实现树型表格权限树勾选、回显
sinat_35272898的博客
05-24 1229
树型表格权限树勾选、回显，数据缓存，数据筛选
Element Plus Tree 树形控件 嵌套 Dropdown 下拉菜单 无感刷新
weixin_44872023的博客
07-07 1414
element plus 的 tree 组件虽然是比较好用的，但是并不能满足传统OA系统的对 树 的操作，浏览了整个element plus，Tree 树形控件 嵌套 Dropdown 下拉菜单。当然，如果简单的嵌套，似乎没什么难度，所以我给自己上了点难度，不仅要完美实现效果，还要做到无感刷新。注意：每一个方法都应该配合后端来实现的，无感刷新的原理是，前端手动更改了树，而不是每掉一次后端接口就刷新获取数据。组件的示例代码搬过来，运行，可以有以下效果。上代码，讲解放代码注释里。
封装一个基于Vue3 + Element Plus选择框的多选下拉框
qq_53485256的博客
04-24 1603
封装一个基于Vue3 + Element Plus选择框的多选下拉框,有全选和全不选功能。
Element树型下拉框/vue2树型下拉框/TreeSelect/树型下拉
鸡米花的博客
03-08 1万+
今天小谭要给大家分享的是基于element ui 的下拉框和树型控件二次分装的树型下拉框，element plus新增了这一组件，但是对于还在使用vue2的我来说，就很不友好。
解决Vue 3 + Element Plus树形表格全选多选以及子节点勾选的问题
热门推荐
学IT，找陈寒
10-24 1万+
在本文中，我们解决了Vue 3和Element Plus树形表格中的全选、多选、子节点勾选和父节点勾选等常见问题。方法，该方法接受父节点和一个布尔值，用于标识是否选中父节点。在方法中，我们将遍历父节点的所有子节点，并设置它们的选中状态。在树形表格中，通常希望当用户勾选父节点时，其所有子节点也会被自动勾选。现在，当用户选中所有子节点时，父节点也会自动被选中。数组将包含所有选中的节点。我们可以使用递归方法来检查子节点的选中状态，并设置父节点的选中状态。现在，当用户选中父节点时，所有子节点也会被自动勾选。
vue3 elementPlus中el-tree实现全选/全不选
kunikunkunikun的博客
12-01 1685
这个函数用来转换你所获取的数据，可在获取数据之后直接将数据当做参数传入。定义一个函数用来转化数组格式。首先下载lodash插件。实现全选/全不选的代码。
vxe-table复选框全选，取消选择
最新发布
03-17
### 如何在 VXE-Table 中实现复选框的全选与取消选择功能 VXE-Table 是一款基于 Vue 的高性能表格组件库，支持多种复杂场景下的数据展示需求。以下是关于如何在 VXE-Table 中实现复选框的全选与取消选择功能的具体说明。 #### 1. 基础配置 为了实现全选和取消选择的功能，在初始化 `vxe-table` 表格时需要设置一些必要的属性。例如，通过启用 `checkbox-config` 配置项来开启复选框功能[^1]： ```vue <template> <vxe-table :data="tableData" ref="xTable"> <!-- 启用复选框 --> <vxe-column type="checkbox" width="60"></vxe-column> <vxe-column field="name" title="Name"></vxe-column> <vxe-column field="age" title="Age"></vxe-column> </vxe-table> </template> <script> export default { data() { return { tableData: [ { name: 'John', age: 25 }, { name: 'Doe', age: 30 } ] }; } }; </script> ``` 上述代码片段展示了如何在列定义中加入复选框列，并绑定到表格的数据源上。 --- #### 2. 实现全选逻辑 要实现全选功能，可以通过监听复选框的状态变化事件并手动控制其行为。具体来说，可以利用 `check-all-method` 或者直接操作 API 来完成这一目标[^4]。 下面是一个完整的示例，演示了如何通过按钮触发全选或取消全选的操作： ```vue <template> <div> <button @click="selectAll">全选</button> <button @click="clearAll">取消全选</button> <vxe-table :data="tableData" ref="xTable"> <vxe-column type="checkbox" width="60"></vxe-column> <vxe-column field="name" title="Name"></vxe-column> <vxe-column field="age" title="Age"></vxe-column> </vxe-table> </div> </template> <script> import XEUtils from 'xe-utils'; export default { data() { return { tableData: [ { name: 'John', age: 25 }, { name: 'Doe', age: 30 } ], selectionList: [] }; }, methods: { selectAll() { const $table = this.$refs.xTable; $table.setAllCheckboxRow(true); // 设置所有行被勾选 }, clearAll() { const $table = this.$refs.xTable; $table.clearCheckboxRow(); // 清除所有已勾选的行 } } }; </script> ``` 在此代码中，调用了 `setAllCheckboxRow` 和 `clearCheckboxRow` 方法分别用于执行全选和清除操作。 --- #### 3. 获取选中记录的值 当用户完成了某些行的选择之后，通常还需要获取这些选定行的相关信息以便进一步处理。这一步骤可通过访问 `$refs.xTable.getCheckboxRecords()` 完成： ```javascript getSelectedRows() { const selectedRows = this.$refs.xTable.getCheckboxRecords(); console.log('选中的行:', selectedRows); } ``` 此方法会返回一个包含所有当前已被选中行的对象数组。 --- #### 4. 处理联动关系 除了基本的全选/反选外，还需注意保持“全选”复选框与其他单个复选框之间的同步状态一致性。即当页面上的任意一项发生变化时，应自动调整顶部“全选”的显示状况；反之亦然[^3]。 可以在 `cell-change` 或其他类似的回调函数内部编写相应的判断条件来进行实时监控以及更新视图层的表现形式。 --- ### 总结 综上所述，借助于 VXE-Table 提供的强大工具集及其灵活可定制化的特性，我们可以轻松构建出满足实际业务需求的各种交互体验良好的界面控件组合方案。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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