Excel 输入步骤

Excel 输入步骤用于从Excel 文件中按照指定的数据类型和格式获取数据。Excel输入步骤的设置包括五个部分:

1. 文件

[@more@]

选择一个Excel文件或保存有Excel 文件的目录。

文件或目录:设置要读取的Excel文件的名称,或一个目录。可以使用【浏览】按钮来选择文件或目录。

正则表达式:设置一个正则表达式来匹配一个目录下的部分Excel文件。

选择的文件:列出所有选中的文件,可以使用【增加】按钮将【文件或目录】中的文件添加到文件列表中。

2. 工作表

选择工作薄中的一个或多个工作表,并通过指定工作表中的开始行号和开始列号来设要读取的内容。

工作表名称:设置要读取的工作表的名称,可以通过【获取工作表名称】按钮来获取Excel工作薄中的所有工作表。

起始行:设置工作表中数据的开始行号(从0开始)

起始列:设置工作表中数据的开始列号(从0开始)


3. 内容

内容中包含列名: 如果内容中第一行是列名,则选中该选项。

列名所占行数:如果内容中第一行是列名,该选项可以设置列名一共占据几行。在列名比较长的情况下,列名可能会占据工作表的多行。

输出中不包括空行: 在输出中不包括空行。

遇到空行停止读取: 在读取工作表内容的过程中如果遇到了空数据行则读取结束。

文件名称字段: 在输出中增加一个字段来保存读取的 Excel 文件名。

工作表名称字段:在输出中增加一个字段来保存读取的 Excel 工作表名。

行号字段: 在输出中增加一个字段来保存读取的 Excel 工作表中的每一行的行号,行号是在工作表中的实际行号。

行数限制: 读取的最大行数, 0 代表所有行。


4. 错误处理

严格类型检查: 如果选中该选项,当读取到的列数据类型和指定的列数据类型不一致时则读取失败. 否则会进行数据类型的转换,如果转换失败则产生错误行(行中的一个或多个数据读取失败)。

忽略错误:如果选中该选项,当读取数据行发生错误行时,则忽略发生的错误行。

跳过错误行: 如果选中该选项,将跳过发生错误的行。否则读取错误的数据将置为空值。

警告文件保存目录:设置警告信息保存目录,用于保存在读取数据过程中发生的警告。

错误文件保存目录:设置错误信息保存目录,用于保存在读取数据过程中发生的错误。

错误行号保存目录:设置错误行号保存目录,用于保存在读取数据过程中发生错误行的行号。


5. 字段

显示并设置从Excel工作表中读取到的所有字段,包括名称,类型,精度,刻度,转换掩码等信息。

名称:列出要读取的字段名,用户可以通过【获取字段名称】按钮获得所有字段名。

类型:指定字段的期望数据类型,如果和实际数据类型不符,可能在读取时会产生错误。

长度:该字段的长度。

精度:该字段的精度(对于Number类型)。

去除空格:去除空格的几种方式(不去除、左去除、右去除、全部去除)

小数: 小数点符号可以是 "." (10;000.00) 或 "," (5.000,00)
分组: 数字的分组符号可以是 "," (10,000.00) 或 "." (5.000,00)
Null if: 如果是 Null 时设置为其他值.
重复: 如果是 Null 时重复上一个非空的值.

格式:设置数据格式,一般用于数据转换的情况。

Excel工作表中的数据,都有特定的数据类型,因此在读取数据时,需要为每个字段设置和实际相符的正确的数据类型。如果没有设置数据类型,则所有的数据都以字符串方式来读取,此时不同类型的数据转换为字符串时,会有不同的转换方式。

以数值类型转换为字符串类型为例:

格式表达式

格式描述

###,###,###.#######

每三位使用逗号分割的数字(默认方式)

#####.###############%

数字后面添加百分号

#

取整数(四舍五入)

0000000000

十位整数,不足十位前面补0

000.00

小数点前最少三位,不足前面补零,

小数点后最少两位,不足后面补0

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/14366449/viewspace-1005641/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/14366449/viewspace-1005641/

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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