pivot

Laravel 团队昨天发布了 v7.6.0，其中包含 13 个新功能以及 7.x 分支的最新修复和更改： 集合新增 “until” 方法 Jason McCreary 贡献了 Collection::until() 方法， 该方法可以循环遍历集合直到元素满足条件再将该元素返回： // Before [$before, $after] = $primes->partition(function ($item) { return $item < 11; }); $before->dump(); // Using until $passed = $primes->until(11)->dump(); 　　 此方法采用闭包或值与集合进行对比。 String Empty Methods Mark van den Broek 为 Stringable 和 HtmlString 提供了一些便利方法。第一个， HtmlString::isEmpty() 方法让我们检测空实例更加方便: $string = new \Illuminate\Support\HtmlString(''); // Previously if (empty($string->toHtml())) // Using isEmpty if ($string->isEmpty()) 　　 其次，Mark 也贡献了

用多对多关联的时候,因为执行baseQuery之后就会锁定id,导致relation只有第一个成功. 两个解决思路 其它关联方式,嵌套关联 自己构建belongsToMany类,覆盖model的belongsToMany方法 Relation.php public function __call($method, $args) { if ($this->query) { // 执行基础查询 $this->baseQuery(); $result = call_user_func_array([$this->query->getModel(), $method], $args); return $result === $this->query && !in_array(strtolower($method), ['fetchsql', 'fetchpdo']) ? $this : $result; } else { throw new Exception('method not exists:' . __CLASS__ . '->' . $method); } } BelongsToMany.php /** * 执行基础查询（仅执行一次） * @access protected * @return void */ protected function baseQuery() { if

人生苦短，我用 Python 前文传送门： 小白学 Python 数据分析（1）：数据分析基础 小白学 Python 数据分析（2）：Pandas （一）概述 小白学 Python 数据分析（3）：Pandas （二）数据结构 Series 小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame 小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据 小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择 小白学 Python 数据分析（7）：Pandas （六）数据导入 小白学 Python 数据分析（8）：Pandas （七）数据预处理 小白学 Python 数据分析（9）：Pandas （八）数据预处理（2） 小白学 Python 数据分析（10）：Pandas （九）数据运算 小白学 Python 数据分析（11）：Pandas （十）数据分组 小白学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table） 引言 说到数据表拼接，就不得不提一下 SQL ，对于熟悉 SQL 的同学来讲，这并不是一个难以理解的概念，数据表之间的关系可以分为以下这三种： 一对一 两个表之间的公共列是一对一的。 这里的示例我们就不用图片了，直接使用代码来做展示

人生苦短，我用 Python 前文传送门： 小白学 Python 数据分析（1）：数据分析基础 小白学 Python 数据分析（2）：Pandas （一）概述 小白学 Python 数据分析（3）：Pandas （二）数据结构 Series 小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame 小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据 小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择 小白学 Python 数据分析（7）：Pandas （六）数据导入 小白学 Python 数据分析（8）：Pandas （七）数据预处理 小白学 Python 数据分析（9）：Pandas （八）数据预处理（2） 小白学 Python 数据分析（10）：Pandas （九）数据运算 小白学 Python 数据分析（11）：Pandas （十）数据分组 引言 前文我们介绍了数据分组，今天我们接着介绍一个和数据分组很相似的内容，是数据透视表，从名字上来看是不是感觉没半毛钱关系，实际不然，数据分组是从一维（行）的角度上对数据进行了拆分，如果我们想从二维的角度上（行和列）同时对数据进行拆分呢？ 这就需要用到我们今天的主角，数据透视表了。 数据透视表 什么是数据透视表？小编的灵魂画手上线： 图画的不好

人生苦短，我用 Python 前文传送门： 小白学 Python 数据分析（1）：数据分析基础 小白学 Python 数据分析（2）：Pandas （一）概述 小白学 Python 数据分析（3）：Pandas （二）数据结构 Series 小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame 小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据 小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择 小白学 Python 数据分析（7）：Pandas （六）数据导入 小白学 Python 数据分析（8）：Pandas （七）数据预处理 小白学 Python 数据分析（9）：Pandas （八）数据预处理（2） 小白学 Python 数据分析（10）：Pandas （九）数据运算 小白学 Python 数据分析（11）：Pandas （十）数据分组 小白学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table） 小白学 Python 数据分析（13）：Pandas （十二）数据表拼接 小白学 Python 数据分析（14）：Pandas （十三）数据导出 小白学 Python 数据分析（15）：数据可视化概述 小白学 Python 数据分析（16）

人生苦短，我用 Python 前文传送门： 小白学 Python 数据分析（1）：数据分析基础 小白学 Python 数据分析（2）：Pandas （一）概述 小白学 Python 数据分析（3）：Pandas （二）数据结构 Series 小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame 小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据 小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择 小白学 Python 数据分析（7）：Pandas （六）数据导入 小白学 Python 数据分析（8）：Pandas （七）数据预处理 小白学 Python 数据分析（9）：Pandas （八）数据预处理（2） 小白学 Python 数据分析（10）：Pandas （九）数据运算 小白学 Python 数据分析（11）：Pandas （十）数据分组 小白学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table） 小白学 Python 数据分析（13）：Pandas （十二）数据表拼接 小白学 Python 数据分析（14）：Pandas （十三）数据导出 小白学 Python 数据分析（15）：数据可视化概述 小白学 Python 数据分析（16）

人生苦短，我用 Python 前文传送门： 小白学 Python 数据分析（1）：数据分析基础 小白学 Python 数据分析（2）：Pandas （一）概述 小白学 Python 数据分析（3）：Pandas （二）数据结构 Series 小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame 小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据 小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择 小白学 Python 数据分析（7）：Pandas （六）数据导入 小白学 Python 数据分析（8）：Pandas （七）数据预处理 小白学 Python 数据分析（9）：Pandas （八）数据预处理（2） 小白学 Python 数据分析（10）：Pandas （九）数据运算 小白学 Python 数据分析（11）：Pandas （十）数据分组 小白学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table） 小白学 Python 数据分析（13）：Pandas （十二）数据表拼接 小白学 Python 数据分析（14）：Pandas （十三）数据导出 小白学 Python 数据分析（15）：数据可视化概述 引言 各位同学好，本篇文章，我们来介绍下使用

【推荐阅读】微服务还能火多久？>>> 0、算法概述 0.1 算法分类 十种常见排序算法可以分为两大类： 比较类排序 ：通过比较来决定元素间的相对次序，由于其时间复杂度不能突破O(nlogn)，因此也称为非线性时间比较类排序。 非比较类排序 ：不通过比较来决定元素间的相对次序，它可以突破基于比较排序的时间下界，以线性时间运行，因此也称为线性时间非比较类排序。 0.2 算法复杂度 0.3 相关概念 稳定 ：如果a原本在b前面，而a=b，排序之后a仍然在b的前面。 不稳定 ：如果a原本在b的前面，而a=b，排序之后 a 可能会出现在 b 的后面。 时间复杂度 ：对排序数据的总的操作次数。反映当n变化时，操作次数呈现什么规律。 空间复杂度： 是指算法在计算机 内执行时所需存储空间的度量，它也是数据规模n的函数。 1、冒泡排序（Bubble Sort） 冒泡排序是一种简单的排序算法。它重复地走访过要排序的数列，一次比较两个元素，如果它们的顺序错误就把它们交换过来。走访数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。 1.1 算法描述 比较相邻的元素。如果第一个比第二个大，就交换它们两个； 对每一对相邻元素作同样的工作，从开始第一对到结尾的最后一对，这样在最后的元素应该会是最大的数；

【推荐阅读】微服务还能火多久？>>> 0、算法概述 0.1 算法分类 十种常见排序算法可以分为两大类： 非线性时间比较类排序 ：通过比较来决定元素间的相对次序，由于其时间复杂度不能突破O(nlogn)，因此称为非线性时间比较类排序。 线性时间非比较类排序 ：不通过比较来决定元素间的相对次序，它可以突破基于比较排序的时间下界，以线性时间运行，因此称为线性时间非比较类排序。 0.2 算法复杂度 0.3 相关概念 稳定 ：如果a原本在b前面，而a=b，排序之后a仍然在b的前面。 不稳定 ：如果a原本在b的前面，而a=b，排序之后 a 可能会出现在 b 的后面。 时间复杂度 ：对排序数据的总的操作次数。反映当n变化时，操作次数呈现什么规律。 空间复杂度： 是指算法在计算机内执行时所需存储空间的度量，它也是数据规模n的函数。 1、冒泡排序（Bubble Sort） 冒泡排序是一种简单的排序算法。它重复地走访过要排序的数列，一次比较两个元素，如果它们的顺序错误就把它们交换过来。走访数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。 1.1 算法描述 比较相邻的元素。如果第一个比第二个大，就交换它们两个； 对每一对相邻元素作同样的工作，从开始第一对到结尾的最后一对，这样在最后的元素应该会是最大的数；