Pandas读取Excel时提示KeyError: '姓名',可能是什么原因导致的?
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
Python自动化办公+python实现合并多个excel中同名的sheet(没有同名的也可以)
比如一个Excel表里面有销售表,采购成本表,清仓表,另一个Excel表里面也是,将他们的同名表合并在在一起,合并成新的一个Excel表。这里代码,没有同名的也可以合并,解决了有的表格没有同名的问题,代码还能继续运行以及合并,就例如第一个表里面有销售表,采购成本表,清仓表,第二表里面有销售表,采购成本表,第三个表里有销售表,清仓表,依旧能够合并起来,有需要的小伙伴一定要看,真的可以有效地解决我们日常的很多繁琐的问题,希望能够帮助会计小伙伴们解决日常的工作问题,大家一起努力,提高工作效率,姐妹们,一起冲,让办公数据更加自动化
【Python + 半导体】生产批次全链路追溯代码
本资源提供一套完整的半导体生产批次全链路追溯Python代码,通过Pandas数据关联分析技术,实现从批次号出发,追踪产品生产的全生命周期信息。
Python全栈开发-第6章 自动化办公
第6章 自动化办公,用Python解放重复劳动,让办公效率翻倍
python字典setdefault方法和get方法使用实例
这篇文章主要介绍了python字典setdefault方法和get方法使用实例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 在python的字典对象中,可以直接使用键名获取键值,像这样: >>> d = {"x":1,"y":2} >>> d["x"] >>> d["y"] >>> 但如果键名不存在,则会报错: >>> d["z"] Traceback (most recent call last): File "<stdin>", line 1, in <module> KeyError: 'z' >>> 这就影响了代码的可执行性。
pandas中ix的使用详细讲解
在上一篇博客中,我们已经仔细讲解了iloc和loc,只是简单了提到了ix。这是因为相比于前2者,ix更复杂,也更让人迷惑。 因此,本篇博客通过例子的解释试图来描述清楚ix,尤其是与iloc和loc的联系。 首先,再次介绍这三种方法的概述: loc gets rows (or columns) with particular labels from the index. loc从索引中获取具有特定标签的行(或列)。 iloc gets rows (or columns) at particular positions in the index (so it only takes int
pyqt5 的多线程(QThread)遇到的坑(二)
前言 前面在pyqt5多线程(QThread)遇到的坑(一)中提到了先实例化类,再把实例对象传参到线程类,这样的确实可行,但是还是遇到了新坑。 pyqt5多线程(QThread)遇到的坑(一 起因 被实例化的类是做数据处理的,传入和导出的的数据比较大,最少都是几万行的excel表格数据(pandas.DataFrame),而且传入的数据最少两个pandas.DataFrame表,多的时候会传入7个,而且有一些数据是公共数据,每次处理都必须处理的,直接放在数据处理类的初始化__init__中了,而这部分数据处理也是稍微有的耗时,那么坑就来了,先实例化数据处理类,那么这部分稍微耗时的数据处理也会导
【电动汽车响应率】考虑的是针对电动汽车充放电调度问题,由于放电奖励不同导致部分车主不愿参与放电,设计出响应率计算方法(Matlab代码实现)
内容概要:本文针对电动汽车充放电调度中因放电奖励差异导致车主参与意愿低的问题,提出了一种响应率计算方法。通过构建量化模型,综合考虑经济激励、电池损耗、用户行为偏好及荷电状态等因素,利用Matlab代码实现了对用户是否响应放电指令的概率评估。该方法有助于电网运营商科学预测可调度资源容量,优化激励机制设计,提升需求响应策略的有效性与经济性。 适合人群:具备一定电力系统或交通能源交叉领域背景,从事需求侧管理、电动汽车调度、智能电网优化等相关研究的科研人员及研究生。 使用场景及目标:① 评估不同激励政策下电动汽车用户的放电响应意愿;② 为车网互动(V2G)系统中的调度决策提供数据支撑;③ 优化充电站运营策略与电力市场出清机制。 阅读建议:建议读者结合Matlab代码实现部分进行仿真实验,调整奖励参数与用户行为假设,观察响应率变化趋势,深入理解模型敏感性,并可在此基础上扩展考虑用户异质性与时空分布特征。
分布鲁棒数据驱动的多离散场景电热综合能源系统分布鲁棒优化算法研究(Matlab代码实现)
内容概要:本文研究了一种数据驱动的多离散场景下电热综合能源系统的分布鲁棒优化算法,旨在应对高比例可再生能源并网带来的不确定性。该方法结合历史数据生成多个典型场景,并利用分布鲁棒优化框架构建了一个两阶段优化模型,在保证系统经济性的同时增强了对负荷与新能源出力波动的适应能力。通过Matlab代码实现了所提算法,并在典型测试系统上进行仿真验证,结果表明该方法能有效提升电热综合能源系统的运行效率、安全性与鲁棒性。; 适合人群:具备一定电力系统、优化算法及Matlab编程基础的研究生、科研人员及相关工程技术人员。; 使用场景及目标:① 解决含高比例可再生能源接入的综合能源系统优化调度问题;② 提升系统在负荷与新能源出力波动下的安全稳定运行能力;③ 为能源系统规划与运行提供科学决策支持。; 阅读建议:建议读者结合文中提供的Matlab代码,深入理解分布鲁棒优化的建模思路与求解流程,并尝试在不同场景下复现与改进算法,以加深对数据驱动与鲁棒优化结合方法的理解与应用。
不平衡电网下基于延时相消法(DSC)的T型三电平LCL逆变器(Simulink仿真实现)
不平衡电网下基于延时相消法(DSC)的T型三电平LCL逆变器(Simulink仿真实现)内容概要:本文介绍了在不平衡电网条件下,采用延时相消法(DSC)对T型三电平LCL逆变器进行控制的Simulink仿真实现。该方法旨在有效抑制电网电压不平衡引起的负序分量,从而改善并网电流质量,减少谐波含量,并提高系统的稳定性和电能质量。文中详细阐述了T型三电平逆变器的拓扑结构、LCL滤波器的设计原理以及DSC控制策略的实现过程,包括正负序分量的分离、延时相消算法的构建及控制器参数整定等关键技术环节。通过Simulink搭建仿真模型,验证了所提控制策略在不同不平衡工况下的有效性与鲁棒性。 适合人群:具备电力电子、电力系统或自动化相关专业知识,熟悉Simulink仿真工具,从事新能源并网、电能质量治理或逆变器控制研究的研发人员和高校研究生。 使用场景及目标:① 研究不平衡电网下并网逆变器的控制策略;② 设计和优化T型三电平LCL逆变器系统;③ 掌握延时相消法(DSC)在正负序分离与谐波抑制中的应用;④ 为相关课题的仿真验证提供参考模型和技术支持。 阅读建议:此资源以Simulink仿真实现为核心,重在通过动手实践理解控制算法。建议读者在学习过程中仔细阅读控制逻辑说明,结合仿真模型逐步调试参数,观察不同工况下的系统响应,深入理解DSC方法的作用机理与实际效果。同时,可尝试在此基础上引入其他先进控制技术进行对比研究。
FILE0329.MOV
FILE0329.MOV
电子屏docx模版(表格模版+页码)
电子屏docx模版(表格模版+页码)
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)
内容概要:本文提出了一种基于神经网络的数据驱动迭代学习控制(ILC)算法,旨在解决具有未知系统模型和重复任务的非线性单输入单输出(SISO)离散时间系统中无人车的路径跟踪问题。该方法通过构建神经网络模型来逼近系统的动态特性,摆脱对精确数学模型的依赖,利用每次运行过程中采集的实际输出与期望轨迹之间的误差,迭代优化控制输入,从而在多次重复任务中不断提升路径跟踪精度。文章系统阐述了算法的设计原理、稳定性分析及其在Matlab中的具体实现过程,并通过仿真实验验证了该方法在提升跟踪性能方面的有效性与优越性。; 适合人群:具备一定控制理论基础和Matlab编程经验,从事自动化、机器人或无人驾驶等相关领域研究的研究生及科研人员。; 使用场景及目标:①解决非线性系统中因模型不确定性导致的路径跟踪精度不高问题;②为无人车在固定路线巡检等重复性任务中的高精度运动控制提供一种有效的数据驱动控制策略;③通过Matlab代码实现,便于研究人员复现算法并进行二次开发与创新。; 阅读建议:此资源侧重于算法的理论推导与工程实现,读者在学习时应重点关注神经网络如何用于系统辨识、迭代学习律的设计原理以及Matlab代码的具体实现细节,建议结合文中提供的仿真案例进行动手实践,以加深对算法的理解。
【变分多谐波对偶模式追踪】从噪声信号中提取重复瞬态分量的方法(Matlab代码实现)
内容概要:本文详细介绍了基于短时倒谱(Cepstrogram)进行时-倒频分析的研究,旨在对非平稳信号进行有效的时域与倒频域联合分析。文章系统阐述了倒谱分析的核心机理、短时倒谱的构建逻辑以及时-倒频分析的内涵,深入对比了该方法与全局倒谱分析和传统时频分析的特性差异,重点突出了其在卷积特征解耦、非平稳特征动态跟踪、微弱周期调制特征增强以及多维度特征融合方面的技术优势,并探讨了其在语音声学、机械故障诊断、音频处理等领域的适用场景及面临的局限性与优化方向。; 适合人群:具备一定信号处理或数据分析基础,从事机械故障诊断、声学信号处理、生物医学工程、通信工程等相关领域的研究生、科研人员及工程师。; 使用场景及目标:①研究如何从强噪声背景中提取具有周期性调制特征的微弱信号;②分析非平稳信号的时变特性,如旋转机械的启停过程或变速运行工况;③对比不同信号分析方法(如STFT、小波变换、倒谱分析)的适用范围与性能差异,选择最合适的分析工具;④开发针对特定应用(如轴承故障诊断、发动机异响识别)的特征提取与状态监测算法。; 阅读建议:此资源以理论阐述与方法对比为主,辅以Matlab代码实现,建议读者在学习时结合文中提供的运行结果图示,深入理解短时倒谱的计算过程和物理意义,并尝试使用Matlab复现代码,通过分析实际信号来掌握该方法的操作细节和参数设置技巧。
基于交直轴高频阻抗差异的脉振电压注入式永磁同步电机转子位置观测器设计与收敛性分析(Simulink仿真实现)
基于交直轴高频阻抗差异的脉振电压注入式永磁同步电机转子位置观测器设计与收敛性分析(Simulink仿真实现)
基于Linux的多线程下载器
本文针对大文件传输效率低、网络中断后需重新下载的问题,设计并实现了一款基于Linux环境的多线程命令行下载工具。系统采用C语言开发,结合libcurl网络库与POSIX线程库,实现了多线程并发分块下载、HTTP Range断点续传、下载限速及SIGINT/SIGTERM信号中断响应等功能,支持1至16线程灵活配置、基于会话ID的状态持久化与交互式恢复以及ANSI转义码终端进度显示。
基于MATLAB的PEM电解模拟了24小时太阳能绿色氢电厂。模拟了每小时太阳能发电量、氢气产量、用水量、储罐动态以及每公斤H₂的成本。专为可再生能源、氢能系统和工程分析设计.zip
1.版本:matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
天师定稿上密码qingci.zip.001
天师定稿上密码qingci.zip.001
输入英文字符串统计字母数目并输出
源码下载地址: https://pan.quark.cn/s/a7878be38cc8 通过键盘设备接收一段仅由英文字母构成的序列(不允许包含空白字符或任何其他非字母符号),对序列中各个不同英文字母的出现频次进行计数,并将每个字母及其对应的出现次数以列表形式展示出来。
YOLO26算法游戏角色全身与头部目标检测+训练好的模型+930张数据集+pyqt可视化界面.zip
可参考下方数据集可视化效果。 【数据集概况】 · 检测类别(中文):[头部(Head), 目标(Target)] · 训练集:813 张 · 验证集:78 张 · 测试集:39 张 · 总计:930 张 该数据集聚焦于电子游戏内角色模型的全身与头部区域精准识别,专为提升虚拟环境中的角色定位与交互响应能力而构建。数据涵盖多种风格的角色外观,包括科幻装甲、近战战士、远程射手及能量特效角色,适用于游戏内AI行为决策、动态目标追踪及玩家行为分析等场景。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 62 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9138** mAP50-95 | 0.5187 Precision | 0.8834 Recall | 0.8610 train/box_loss | 0.9539 train/cls_loss | 0.4983 val/box_loss | 1.4683 val/cls_loss | 0.6509 【训练过程分析】 62 轮训练后 mAP50 达到 0.9138,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。但 mAP50-95 为 0.5187,和 mAP50 差距 0.40,定位精度仍有优化空间。 【模型性能评估】 Precision 0.8834、Recall 0.8610,精度高于召回,存在一定漏检。多类检测中,不同类别性能可能有差异,需关注难例类别的表现。 【预测效果展示】 验证集预测效果较好,检测框基本准确覆盖头部、目标,置信度整体偏...
车间调度基于卷积神经网络的柔性作业车间调度问题的两阶段算法(Matlab代码实现)
内容概要:本文提出了一种基于卷积神经网络(CNN)的两阶段算法,用于解决柔性作业车间调度问题(FJSP)。该方法将深度学习与组合优化相结合,第一阶段利用CNN学习从问题实例到潜在调度规则的映射,提取工件与机器间的复杂关系特征;第二阶段基于学习到的规则生成高质量的初始调度方案,并通过优化算法进行精细化调整。整个算法以Matlab实现,旨在应对FJSP中工序顺序和机器分配的双重复杂性,提升调度方案的效率与适应性。; 适合人群:具备一定编程基础,熟悉Matlab或机器学习基础的研究生、科研人员及工业界从事生产调度、智能制造领域的技术人员。; 使用场景及目标:① 探索深度学习在传统组合优化问题中的应用路径;② 解决柔性作业车间中因机器冗余和工艺路径灵活带来的调度难题;③ 为复杂制造系统提供更高效的自动化排产方案。; 阅读建议:此资源以算法开发与仿真实现为核心,建议读者在掌握卷积神经网络基本原理的基础上,结合Matlab代码深入理解特征提取与调度生成的联动机制,并尝试在不同规模的FJSP算例上进行测试与优化。
最新推荐






