不同的是 data_1.iloc[1] 返回熊猫 Series 鉴于 data_1.loc[data_1["Name"].isin(["John"])] 返回 DataFrame . Pandas对这两种数据类型有不同的表示(即它们的打印方式不同)。

原因 iloc[1] 给你一个 系列 是因为你用标量索引了它。如果你这样做了 data_1.iloc[[1]] 你会看到你得到一个 数据帧 相反。相反,我假设 data_1["Name"].isin(["John"]) 正在返回集合。如果你想得到一个 系列 相反,你可以试试

print(data_1.loc[data_1["Name"].isin(["John"])[0]])

但前提是你确定你得到了一个元素。

看起来您没有缩进函数的内容。试试这个:

from typing import List


def greatest_difference(nums1: List[int], nums2: List[int]) -> int:
    """Return the greatest absolute difference between numbers at
    corresponding positions in nums1 and nums2.

    Precondition: len(nums1) == len(nums2) and nums1 != []

    >>> greatest_difference([1, 2, 3], [6, 8, 10])
    7
    >>> greatest_difference([1, -2, 3], [-6, 8, 10])
    10
    """
    difference = 0
    diff_over_term = 0
    for i in range(len(nums1)):
        diff_over_term = abs(nums1[i] - nums2[i])
    if diff_over_term > difference:
        difference = diff_over_term
    return difference

# and now call your function, notice how these lines aren't indented, that means they are not part of the function definition
list_a = [1, 2, 3]
list_b = [6, 8, 10]
print(greatest_difference(list_a, list_b)

我终于明白了。

默认情况下,Docker创建一个名为的网络(在我的例子中) WebServer-API默认值 在哪里? Web服务器API 是包含YML文件的文件夹的名称 [projectname]_default .

上 客户端app/docker-compose.yml 我必须指定要加入的网络:

version: '3'
    networks:
        default:
            external:
                name: webserver-api_default

    web:
        container_name: client-app
        build:
            context: ./
            dockerfile: deploy/web.docker
        volumes:
            - ./:/var/www
        ports:
            - "8010:80"
        links:
            - app
    app: [...]
    database: [...]

从客户端容器中,我必须调用url:

$response = file_get_contents('http://webserver-api:8005/api/test');

在哪里? Web服务器API 是服务器容器的名称,而不是网络的名称 .

https://docs.docker.com/compose/networking/

我发现列表理解通常比 map -他们都完成了,但前者省去了试图理解什么可能是复杂的心理负担 lambda 表达式。

还有一个面试在某个地方(我不能马上找到),那里有guido列表 兰姆达 s和函数作为他最后悔接受到python中的东西,所以你可以认为它们是非pythonic的。

你真的不应该在这里用字典,你甚至不需要 np.where . 使用 modulo operator

In [1]: import numpy as np
In [2]: np.arange(31)%24
Out[2]:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23,  0,  1,  2,  3,  4,  5, 6], dtype=int32)

你有24的数字,这是模块的教科书用例。所以完整的代码就是:

df['Hr1'] = df['Hr'] % 24

同样的道理,你可以在没有 在哪里 利用整数除法

df['Dt'] = df['Dt']+pd.DateOffset(Df['Hr']//24)

我是涡轮齿轮风扇,这正是原因所在:在控制和做正确的事情和简单的事情之间进行一个非常好的权衡。

当然,你得自己决定。也许你更喜欢少学,也许多学。也许是我喜欢知识/控制的领域(例如数据库),你不会不关心。不要误解。我并没有将任何框架描述为必然的困难或错误。这只是我的主观判断。

如果可能的话,我也会推荐涡轮齿轮2。当它出现的时候,我认为它会比1.0更好,因为它选择了默认值(genshi,pylons,sqlacalchemy)。