pb中describe、Evaluate、Lookupdisplay的用法

Describe 可以描述DW中某个对象的某个属性的取值,虽然函数Describe可以获取对象的信息,但是表达式的取值就不能正常读取了,而这又是经常遇到的. Evaluate 如果想获取数据窗口对象中由属性、函数等构成的表达式的取值时,必须在函数Describe中使用函数Evaluate,LookUpDisplay  在数据窗口控件上显示的值和字段实际得到的值并不相同,使用函数GetItemX只能读取这样的字段的真实取值,而不是用户看到的值。如何才能读取用户看到的值?可以使用此函数,LookUpDisplay函数不能直接从PowerScript调用,可以在Describe中和Evaluate函数配合使用。因为函数Lookupdisplay不能指定对哪行数据进行操作,它的参数只有一个字段名称,所以必须和Evaluate函数配合使用。该函数的语法是:Lookupdisplay(columnname)参数columnname是字段的名称,而不是一个字符串。函数执行错误则返回空字符串。

例一:

ls_1 = dw_1.Describe("dw_1.cb_4.text")

ls_2 = This.Describe(dwo.name + ".ColType")

语法: value = datawindow.Describe(string ls)

例二:

判断第3行的sex是否为1,如果是则返回男,否则返回女

dw_1.Describe("Evaluate('If(sex = 1, 男, 女) ', 3)")

语法: Evalute('expression',rowno)其中,expression是属性表达式,rowno是要描述的行号。该函数放置在Describe的属性列表中。

例三:dw_1.Describe("Evaluate('Lookupdisplay(column)'," + string (row number) + ")")

在dw_1 里面有一个gxbm字段的edit属性页下面:dataWindow:d_dmzd_gxbm,Display Column:dmmc,data Column:gxbm.在显示时:不是显示gxbm的值,而是显示dmmc的值,但我们用getitemstring(row,"gxbm")时,得到的是gxbm的值,而不是显示的dmmc值,如果我们想得到显示的dmmc值,那就用lookupdisplay来用:ls_1 = dw_1.describe( "Evaluate('lookupdisplay(gxbm)'," + string(1) + ")")

另: 在用代码学PB中有这样一段代码,值得关注:

integer li_PageCount

*******分页

li_PageCount = integer(dw_1.describe("evaluate('pagecount()',1)"))

i_int_currentpage = integer(dw_1.describe("evaluate('page()',1)"))

st_page.Text = "第"+String( i_int_currentpage ) + "页(共" + String( li_PageCount )+"页)"

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 在Python,describe()是Pandas库DataFrame的一种方法,用于生成DataFrame的基本统计信息,如计数、平均数、标准差、最小值和最大值等。 describe()方法返回一个新的DataFrame,其包含有关原始DataFrame数值列的统计信息。例如,可以使用以下代码调用describe()方法: ```python import pandas as pd # 创建一个DataFrame df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}) # 使用describe()方法生成基本统计信息 df.describe() ``` 这将返回一个新的DataFrame,其包含原始DataFrame数值列的计数、平均数、标准差、最小值和最大值。 ### 回答2: 在Python,describe是pandas数据分析库的一个方法。通过describe方法,我们可以获取到数据的描述性统计信息,包括计数、平均值、标准差、最小值、25%、50%和75%分位数以及最大值等信息。 常见的使用方法为: df.describe() 其,df是一个DataFrame类型的变量,可以是从CSV文件或数据库读取的数据。describe方法会对每列数据进行描述性统计,返回一个新的DataFrame类型的变量,其包含每列数据的统计结果。 另外,describe方法还有一些扩展的参数: include:可以指定包含的数据类型,可以是数字类型、字符串类型或其他。默认情况下,只会统计数值型数据列; exclude:可以指定排除的数据类型,同样可以是数字类型、字符串类型或其他; percentiles:可以自定义在结果显示哪几个分位数的值,默认是25%、50%和75%; 可以使用多个一些统计函数,如: count 统计非NaN值的数量 mean 计算所有值的平均值 std 计算所有值的标准差 min 计算所有值的最小值 25%,50%,75% 分别计算所有值的25%、50%、75%分位数值 max 计算所有值的最大值 在Pandas里面,可以使用df['列名'].describe()或以字典的形式使用df.describe()[key]获取指定信息。还可以使用df[['列1', '列2']].describe()同时统计多个列的信息。 总而言之,使用describe方法可以快速了解一个数据集每列数据的分布情况和统计信息,帮助我们更加深入地了解数据的特征和规律。 ### 回答3: 在Python,数据描述(describe)是一个非常常见的数据分析方法,它可以帮助人们更好地了解数据集的基本统计和数字特征。通过运用该方法,人们可以计算出数据集位数、平均数、标准差、最小值和最大值等数字特征。 在Python,可以使用Pandas库来实现数据描述分析。其Pandas库的describe()函数可以用来针对一个数据帧(DataFrame)或一个序列(Series)进行数据描述统计计算。此函数返回包含基本统计描述信息的DataFrame对象,包括样本数量、均值、标准差、最小值、25%,50%和75%的百分位数以及最大值。 该函数可以接收多个参数,包括percentiles、include、exclude以及datetime_is_numeric。其,percentiles参数可以用来指定分位数(如0.25、0.5、0.75等),而include和exclude参数则可根据列名或数据类型进行选择性描述,datetime_is_numeric参数可用于将日期转换为数字数据。 此外,使用python的describe()方法,还可以通过设置特定的参数来限定所要分析的数据的范围,精确控制统计结果的输出。 total_bill count 244.000000 mean 19.785943 std 8.902412 min 3.070000 25% 13.347500 50% 17.795000 75% 24.127500 max 50.810000 dtype: float64 以上是举例数据集的简单描述,总计244个样本数,总的账单金额的平均值是19.785943,标准差std计算标准偏差,最小值是3.07,第25个百分位数值为13.347500,位数为17.795000。通过这种方式,我们就可以更快更方便地对数据进行分析。

“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