爱问西瓜爱大树的博客

原创 flask不运行主函数解决方法

问题：如下代码所示，在pyacharm里用flask框架搭建了一个服务，在主函数中定义了一个全局变量s，但是运行服务后，给服务发送post消息，在test_connection函数中居然不认识这个s变量。最开始以为是变量作用域的问题，但是测试后发现不是。app = Flask("服务")#app = Flask(__name__)@app.route("/extract_keywords"...

原创 string indices must be integers

这个错误意思是字符串的下标一定要是整数。出错原因很多，我出错的原因是json格式导致的错误。我在服务端接收到json格式数据后，没有用Json.loads对接收到的数据进行解析。PS：在用postman或者Jmeter测试时，不需要使用son.loads对接收到的数据进行解析。在pycharm里使用的时候要。参考：string indices must be integers 错误可能的原...

转载 os._exit() 和 sys.exit()

参考：os._exit() 和 sys.exit()

原创 ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any()

出错原因：将一个值与多个值或一个列表中的值相比较、匹配修改前：if df["content"] == "": print("1")修改后：if df["content"].all() == "": print("1")参考：ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a....

原创 什么是SQL注入？

通俗理解：正常情况下，客户端提供参数给服务端，服务端根据参数在数据库检索相应结果，将结果返回给客户端。但是，当你写的服务端程序是直接将参数赋值给变量，然后传给sql语句执行时，就会产生SQL注入。例如，你的网址是下面这样：www.test.com/index.php?id=1 id通过用户的输入获取后传给后台。那么用户在前台输入的时候，可以不只输入1，还可以添加其他SQL信息。例如，最...

转载 pymysql executemany()函数

原创 AttributeError: 'numpy.int64' object has no attribute 'translate'

在用pymysql将dataframe数据逐行写入数据库时，报AttributeError: ‘numpy.int64’ object has no attribute 'translate’这个错误。报错原因：将dataframe该行中是数值型数据的字段的类型打印出来，发现该字段是numpy.int64类型，但是在数据库中对应要写入的字段是int型的。解决方法：在该行中numpy.int64...

转载 Python 拼接字符串的几种方式

Python 拼接字符串的几种方式

原创 python操作数据库的两种方式

通过python操作数据库有两种方式：一种是ORM方式，使用sqlalchemy包。ORM方式即是在面向对象的python语言和关系型数据库间建立映射关系，让我们可以直接用面向对象的编程语言模式就可以操作关系型数据库。sqlalchemy是python的orm程序，在整个python界当中相当出名。一种类似jdbc形式。操作数据库经历如下几个步骤：1）引入 API 模块；2）获取与数据库...

原创 1193, "Unknown system variable 'tx_isolation'"

用sqlalchemy包连接mysql数据库时，报如题所示错误。解决方法（亲测有效）：版本兼容性问题。通过升级 sqlalchemy 的方法可以解决此问题： pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade sqlalchemy --ignore-installed如果使用pycharm,升级完后重启下p...

转载 独立样本t检验、方差齐性检验

t检验是比较两组数据之间的差异，有无统计学意义；t检验的前提是，两组数据来自正态分布的群体，数据的方差齐，满足独立性。独立样本t检验（各实验处理组之间毫无相关存在，即为独立样本），该检验用于检验两组非相关样本被试所获得的数据的差异性。独立样本t检验统计量为：S1²和 S2²为两样本方差；n₁ 和n₂ 为两样本容量。选用的检验方法必须符合其适用条件。理论上，即使样本量很小时，也可以进行t检...

转载 随机森林评估特征重要性

随机森林（RF）简介只要了解决策树的算法，那么随机森林是相当容易理解的。随机森林的算法可以用如下几个步骤概括：1、用有抽样放回的方法（bootstrap）从样本集中选取n个样本作为一个训练集2、用抽样得到的样本集生成一棵决策树。在生成的每一个结点：1）随机不重复地选择d个特征2）利用这d个特征分别对样本集进行划分，找到最佳的划分特征（可用基尼系数、增益率或者信息增益判别）3、重复步骤1...