Python автоматизированный тест - используется для эффективной обработки панды тестовых данных

Во-первых, думаю,

Что 1.Pandas что?

• Чрезвычайно мощные библиотеки данных анализа
• Вы можете эффективно управлять различными наборами данных
  • Формат файла CSV
  • файлы Excel
  • HTML-файл
  • Формат файла XML
  • Формат файла JSON
  • Работа с базой данных

2. Классические вопросы лица

По вопросам лица приводит к теме, читатель может подумать, если вы столкнулись с этой проблемой, как ответить на это?

Во-вторых, использование панд для работы с файлами Excel

1. Установить

а. смонтирован PyPI

pip install pandas

б. смонтирован источник

git clone git://github.com/pydata/pandas.git
cd pandas
python setup.py install

2. Данные считываются по столбцам

Дело в lemon_cases.xlsx содержимое файла следующим образом :

import pandas as pd

# 读excel文件
# 返回一个DataFrame对象，多维数据结构
df = pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')
print(df)


# 1.读取一列数据
# df["title"] 返回一个Series对象，记录title这列的数据
print(df["title"])

# Series对象能转化为任何序列类型和dict字典类型
print(list(df['title']))    # 转化为列表
# title为DataFrame对象的属性
print(list(df.title))    # 转化为列表
print(tuple(df['title']))   # 转化为元组
print(dict(df['title']))    # 转化为字典，key为数字索引

# 2.读取某一个单元格数据
# 不包括表头，指定列名和行索引
print(df['title'][0])   # title列，不包括表头的第一个单元格

# 3.读取多列数据
print(df[["title", "actual"]])

3. Нажмите линию данных для чтения

import pandas as pd

# 读excel文件
df = pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')   # 返回一个DataFrame对象，多维数据结构
print(df)


# 1.读取一行数据
# 不包括表头，第一个索引值为0
# 获取第一行数据，可以将其转化为list、tuple、dict
print(list(df.iloc[0]))  # 转成列表
print(tuple(df.iloc[0]))  # 转成元组
print(dict(df.iloc[0]))  # 转成字典
print(dict(df.iloc[-1]))  # 也支持负索引

# 2.读取某一个单元格数据
# 不包括表头，指定行索引和列索引（或者列名）
print(df.iloc[0]["l_data"])   # 指定行索引和列名
print(df.iloc[0][2])    # 指定行索引和列索引

# 3.读取多行数据
print(df.iloc[0:3])

Метод 4.iloc и LOC

import pandas as pd

# 读excel文件
df = pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')   # 返回一个DataFrame对象，多维数据结构
print(df)


# 1.iloc方法
# iloc使用数字索引来读取行和列
# 也可以使用iloc方法读取某一列
print(df.iloc[:, 0])
print(df.iloc[:, 1])
print(df.iloc[:, -1])

# 读取多列
print(df.iloc[:, 0:3])

# 读取多行多列
print(df.iloc[2:4, 1:4])
print(df.iloc[[1, 3], [2, 4]])

# 2.loc方法
# loc方法，基于标签名或者索引名来选择
print(df.loc[1:2, "title"])             # 多行一列
print(df.loc[1:2, "title":"r_data"])    # 多列多行

# 基于布尔类型来选择
print(df["r_data"] > 5)  # 某一列中大于5的数值为True，否则为False
print(df.loc[df["r_data"] > 5])  # 把r_data列中大于5，所在的行选择出来
print(df.loc[df["r_data"] > 5, "r_data":"actual"])  # 把r_data到actual列选择出来

5. Прочитайте все данные

import pandas as pd

# 读excel文件
df = pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')   # 返回一个DataFrame对象，多维数据结构
print(df)


# 读取的数据为嵌套列表的列表类型，此方法不推荐使用
print(df.values)

# 嵌套字典的列表
datas_list = []
for r_index in df.index:
    datas_list.append(df.iloc[r_index].to_dict())

print(datas_list)

6. Запись данных

import pandas as pd

# 读excel文件
df = pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')   # 返回一个DataFrame对象，多维数据结构
print(df)


df['result'][0] = 1000
print(df)
with pd.ExcelWriter('lemon_cases_new.xlsx') as writer:
    df.to_excel(writer, sheet_name="New", index=False)

В-третьих, использование панд, чтобы работать файл CSV

1. Прочитайте файл CSV

Дело в data.log содержимого файла следующим образом :

TestID,TestTime,Success
0,149,0
1,69,0
2,45,0
3,18,1
4,18,1

import pandas as pd


# 读取csv文件
# 方法一，使用read_csv读取，列与列之间默认以逗号分隔（推荐方法）
# a.第一行为列名信息
csvframe = pd.read_csv('data.log')

# b.第一行没有列名信息，直接为数据
csvframe = pd.read_csv('data.log', header=None)

# c.第一行没有列名信息，直接为数据，也可以指定列名
csvframe = pd.read_csv('data.log', header=None, names=["Col1", "Col2", "Col3"])


# 方法二，read_table，需要指定列与列之间分隔符为逗号
csvframe = pd.read_table('data.log', sep=",")

2. Ответ вопросы интервью

import pandas as pd


# 1.读取csv文件
csvframe = pd.read_csv('data.log')

# 2.选择Success为0的行
new_csvframe = csvframe.loc[csvframe["Success"] == 0]
result_csvframe = new_csvframe["TestTime"]
avg_result = round(sum(result_csvframe)/len(result_csvframe), 2)
print("TestTime最小值为：{}\nTestTime最大值为：{}\nTestTime平均值为：{}".
      format(min(result_csvframe), max(result_csvframe), avg_result))

IV Резюме

• При анализе данных, визуализации данных, Пандас чрезвычайно универсальны; в крупномасштабных данных по нескольким видам эффективности обработки данных очень высока
• В области тестирования программного обеспечения также используется, но только если они используются для хранения данных испытаний первенствует, используйте немного панд «убойных кур Яньюн измельчитель» чувство, рекомендуется использовать специальный модуль для обработки (например, openpyxl )