c语言处理excel或scv文件

1.首先将excel文件转换为scv文件

原表格文件

转换为scv文件

此时使用notepad++打开可以看到文件已经变为了以英文逗号分割的字符串

见文件处理后

进行编码

代码处理

#include <stdio.h>
#include <string.h>
struct student_score{
    char grade_i[32];
    char name_i[32];
    char subject_i[32];
    int score_i;
};

static int pro_function(struct student_score* pro_in)
{
    //具体处理逻辑 这里做简单打印处理 
    if(pro_in == NULL) return 0;
    printf("班级[%s]姓名[%s]科目[%s]分数[%d] \n", pro_in->grade_i, pro_in->name_i, pro_in->subject_i, pro_in->score_i);
    return 0;
}

int main(int argc, char* argv[])
{
    if(argc < 2)
    {
        printf("请输入:程序名 文件名");
        return -1;
    }
    FILE *fp = fopen(argv[1], "r");
    if(fp == NULL)
    {
        printf("fopen [%s] error", argv[1]);
        return -1;
    }
    int i = 0;
    char linebuff[1024] = {0};
    char linebuff1[1024] = {0};
    int leng_out = 0;
    char linebuff_out[2048] = {0};
    struct student_score stcin = {0};
    
	
	while(fgets(linebuff1, sizeof(linebuff1)-1, fp) != NULL)
    {
        //这里读取到一行,一行一行处理,主要使用strtok函数进行分割字符串处 
        strcpy(linebuff, strtok(linebuff1, "\n"));
        strcpy(stcin.grade_i , strtok(linebuff, ","));
        strcpy(stcin.name_i , strtok(NULL, ","));
        strcpy(stcin.subject_i , strtok(NULL, ","));
        stcin.score_i = atoi(strtok(NULL, ","));
        // 将解析到的文件内容进行处 
        if(pro_function(&stcin))
        {
            printf("pro_function error");
            return -1;
        }
    }
    return 0;
}

 程序运行结果

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
处理CSV文件的预测模型是基于机器学习算法和神经网络算法的。在Python中,可以使用很多开源库来处理CSV文件和构建预测模型,例如pandas、numpy、scikit-learn和Keras等。 以下是一些基本步骤: 1. 导入CSV文件:使用pandas库中的read_csv()函数导入CSV文件,并将其转换为数据框。 例如: ``` import pandas as pd data = pd.read_csv('data.csv') ``` 2. 数据预处理:清洗数据、填充缺失值、删除无用数据等。可以使用pandas和numpy库来进行数据处理。 例如: ``` # 删除无用列 data = data.drop(['id'], axis=1) # 处理缺失值 data['age'].fillna(data['age'].mean(), inplace=True) # 处理分类变量 data = pd.get_dummies(data, columns=['sex', 'smoker', 'region']) ``` 3. 数据分割:将数据集划分为训练集和测试集。 例如: ``` from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 4. 构建神经网络模型:使用Keras库来构建神经网络模型。 例如: ``` from keras.models import Sequential from keras.layers import Dense model = Sequential() model.add(Dense(12, input_dim=8, activation='relu')) model.add(Dense(8, activation='relu')) model.add(Dense(1, activation='sigmoid')) ``` 5. 模型训练和评估:使用训练数据集来训练模型,并使用测试数据集来评估模型的性能。 例如: ``` model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) model.fit(X_train, y_train, epochs=150, batch_size=10, verbose=0) scores = model.evaluate(X_test, y_test, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100)) ``` 以上是基本的步骤,你可以根据自己的需求和数据集的特性进行适当地调整和优化。

“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