temp_data = [pd.read_csv(osp.join(dir_csv_curr, file)) for file in sorted(os.listdir(dir_csv_curr)) if 'csv' in file]

这行代码的作用是读取一个文件夹中所有以 ".csv" 结尾的文件，并将它们存储在 `temp_data` 列表中。

具体来说，代码首先使用 `os.listdir()` 函数列出指定文件夹 `dir_csv_curr` 中的所有文件，然后使用 `sorted()` 函数按字典序对它们进行排序。接下来，使用列表推导式遍历所有文件，如果文件名中包含 "csv"，则使用 `pd.read_csv()` 函数读取该文件，并将结果添加到 `temp_data` 列表中。

最终，`temp_data` 列表将包含所有以 ".csv" 结尾的文件的数据，每个文件的数据将作为一个 Pandas DataFrame 对象存储在列表中的一个元素中。

相关问题

解释这段代码：import os.path as osp import pandas as pd import torch from sentence_transformers import SentenceTransformer from torch_geometric.data import HeteroData, download_url, extract_zip from torch_geometric.transforms import RandomLinkSplit, ToUndirected url = 'https://files.grouplens.org/datasets/movielens/ml-latest-small.zip' root = osp.join(osp.dirname(osp.realpath(__file__)), '../../data/MovieLens') extract_zip(download_url(url, root), root) movie_path = osp.join(root, 'ml-latest-small', 'movies.csv') rating_path = osp.join(root, 'ml-latest-small', 'ratings.csv') def load_node_csv(path, index_col, encoders=None, **kwargs): df = pd.read_csv(path, index_col=index_col, **kwargs) mapping = {index: i for i, index in enumerate(df.index.unique())} x = None if encoders is not None: xs = [encoder(df[col]) for col, encoder in encoders.items()] x = torch.cat(xs, dim=-1) return x, mapping def load_edge_csv(path, src_index_col, src_mapping, dst_index_col, dst_mapping, encoders=None, **kwargs): df = pd.read_csv(path, **kwargs) src = [src_mapping[index] for index in df[src_index_col]] dst = [dst_mapping[index] for index in df[dst_index_col]] edge_index = torch.tensor([src, dst]) edge_attr = None if encoders is not None: edge_attrs = [encoder(df[col]) for col, encoder in encoders.items()] edge_attr = torch.cat(edge_attrs, dim=-1) return edge_index, edge_attr class SequenceEncoder(object): # The 'SequenceEncoder' encodes raw column strings into embeddings. def __init__(self, model_name='all-MiniLM-L6-v2', device=None): self.device = device self.model = SentenceTransformer(model_name, device=device) @torch.no_grad() def __call__(self, df): x = self.model.encode(df.values, show_progress_bar=True, convert_to_tensor=True, device=self.device) return x.cpu() class GenresEncoder(object)

这段代码是一个Python脚本，主要用于加载MovieLens数据集中的电影和评分数据，并将其转换为图形数据，以便进行图形嵌入。其中，使用了以下库：

- os.path：用于处理文件路径的库。
- pandas：用于处理数据的库。
- torch：用于深度学习的库。
- sentence_transformers：用于生成句子嵌入的库。
- torch_geometric：用于处理图形数据的库。

首先，定义了一个URL和根目录，用于下载和存储MovieLens数据集。然后，定义了两个函数load_node_csv和load_edge_csv，用于加载节点和边的CSV文件，并将它们转换为PyTorch张量。最后，定义了一个名为SequenceEncoder的类，用于将序列数据转换为嵌入向量。

优化以下Oracle语句： SELECT SUBSTR(msn.serial_number, 1, 10) genset_sn, msi2.segment1 Genset_BOM_NUM, msi2.inventory_item_id, msi.segment1 key_component, mut1.serial_number component_sn, msi.description component_desc, wdj.date_completed, (SELECT MAX(aps.vendor_name) FROM ap_suppliers aps, bom_resources bor, mtl_unit_transactions mut, po_headers_all poh, po_lines_all pol, wip_osp_resources_val_v wor WHERE aps.vendor_id = poh.vendor_id AND bor.resource_id = wor.resource_id AND poh.po_header_id = pol.po_header_id AND pol.item_id = bor.purchase_item_id AND wor.wip_entity_id = mut.transaction_source_id AND mut.serial_number = mut1.serial_number AND mut.inventory_item_id = mut1.inventory_item_id AND mut.organization_id = mut1.organization_id AND mut.receipt_issue_type = 2 AND mut.transaction_source_type_id = 5 ) supplier FROM mtl_material_transactions mmt1, mtl_material_transactions mmt2, mtl_parameters mpa, mtl_serial_numbers msn, mtl_system_items msi, mtl_system_items msi2, mtl_transaction_types mtt1, mtl_transaction_types mtt2, mtl_unit_transactions mut1, mtl_unit_transactions mut2, wip_discrete_jobs_v wdj WHERE mmt1.inventory_item_id = mut1.inventory_item_id AND mmt1.organization_id = mut1.organization_id AND WDJ.PRIMARY_ITEM_ID = msi2.INVENTORY_ITEM_ID AND mmt1.transaction_id = mut1.transaction_id AND mmt1.transaction_source_id = wdj.wip_entity_id AND mmt1.transaction_type_id = mtt1.transaction_type_id AND mtt1.transaction_type_name = 'WIP Issue' AND NOT EXISTS (SELECT 'WIP Negative Issue or WIP Return' FROM mtl_material_transactions mmt3, mtl_transaction_types mtt3, mtl_unit_transactions mut3 WHERE mmt3.transaction_id = mut3.transaction_id AND mmt3.transaction_type_id = mtt3.transaction_type_id AND mmt3.transaction_date > mmt1.transaction_date AND mtt3.transaction_type_name IN ('WIP Negative Issue', 'WIP Return') AND mut3.serial_number = mut1.serial_number AND mut3.inventory_item_id = mut1.inventory_item_id) AND mmt2.transaction_id = mut2.transaction_id AND mmt2.transaction_source_id = wdj.wip_entity_id AND mmt2.transaction_type_id = mtt2.transaction_type_id AND mtt2.transaction_type_name = 'WIP Completion' AND mpa.organization_code = 'WHP' AND msn.current_organization_id = mpa.organization_id AND LENGTH(msn.serial_number) >= 10 AND msi.inventory_item_id = mmt1.inventory_item_id AND msi.organization_id = mmt1.organization_id AND (msi.planning_make_buy_code = 2 OR msi.segment1 LIKE 'SO%') AND mut2.serial_number = msn.serial_number AND mut2.inventory_item_id = msn.inventory_item_id AND mut2.organization_id = mpa.organization_id AND msi2.ORGANIZATION_ID = '323'

优化Oracle语句的一种方式是通过合理的索引设计来提高查询性能。根据给定的语句，以下是可能的索引优化建议：

1. 在以下表中创建索引：mtl_material_transactions、mtl_unit_transactions、mtl_system_items、mtl_parameters、mtl_transaction_types、mtl_serial_numbers、wip_discrete_jobs_v 和 bom_resources。
- 在 mtl_material_transactions 表上创建索引：inventory_item_id、organization_id、transaction_id、transaction_source_id 和 transaction_type_id。
- 在 mtl_unit_transactions 表上创建索引：serial_number、inventory_item_id、organization_id 和 transaction_id。
- 在 mtl_system_items 表上创建索引：inventory_item_id、organization_id 和 planning_make_buy_code。
- 在 mtl_parameters 表上创建索引：organization_code 和 organization_id。
- 在 mtl_transaction_types 表上创建索引：transaction_type_id 和 transaction_type_name。
- 在 mtl_serial_numbers 表上创建索引：current_organization_id、serial_number 和 inventory_item_id。
- 在 wip_discrete_jobs_v 表上创建索引：PRIMARY_ITEM_ID 和 wip_entity_id。
- 在 bom_resources 表上创建索引：resource_id 和 purchase_item_id。

2. 优化子查询：
- 确保子查询中的相关列都有适当的索引。
- 检查子查询是否可以使用连接操作（JOIN）来代替。
- 确保子查询的性能得到优化，可以使用合适的索引或重写子查询。

3. 检查 WHERE 子句中的条件顺序，将最具选择性的条件放在前面。

请注意，优化策略可能因实际数据和数据库配置而异，建议在执行任何更改之前先在测试环境中进行测试和验证。另外，确保数据库统计信息是最新的，以便优化器能够做出更好的执行计划决策。