result = [] for s_li in data.columns: ## 打印列名 print(s_li) if '方药' in str(s_li) : result.append(data[s_li]) print(result) #pd.DataFrame(result).to_excel(r'F:\python_project\result.xls') # 保存的路径 data2 = pd.read_excel(file2, sheet_name=0, keep_default_na=False) sheet = data['方药'] for k in range(row_num): cell1_data = sheet.iloc[k] # 获取单元格的值 cell1_data = str(cell1_data) if cell1_data not in data2: print( k, cell1_data)

根据您提供的代码，我可以看到您正在处理`data`中的列和`data2`之间的比较。首先，您使用一个循环来遍历`data`的列名，并打印每个列名。然后，如果列名中包含字符串'方药'，您将该列的数据添加到`result`列表中。

接下来，您使用`pd.read_excel()`函数从`file2`中读取数据，并将其存储在`data2`变量中。然后，您从名为'方药'的工作表中检索数据，并使用一个循环来遍历每一行。在循环内部，您获取每个单元格的值，并将其转换为字符串类型。然后，您检查该值是否不存在于`data2`中，如果是，则打印出行号和单元格的值。

最后注释掉了保存结果到Excel文件的代码行，如果您想要保存结果到Excel文件，只需取消注释即可。

请记住，根据您的具体需求，您可能需要进一步处理或调整代码。

如果您有任何其他问题，请随时提问！

相关问题

优化代码df = df.iloc[:,:7].copy() for col_name in df.columns: # 取列名for col_name in X_copy.columns: col_data = df[[col_name]] # 根据列名拿列数据，两个方括号是因为要二维数组 stand_data = StandardScaler().fit_transform(col_data.values) # 标准化 df[col_name] = stand_data # 将数据替换成标准化后的数据 return X_copy def run_classifier(): # 将数据集分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=test, random_state=random) # 训练分类器 knn.fit(X_train, y_train) # 在训练集上计算分类器的准确率 score = knn.score(X_train, y_train) # 更新结果标签的文本 result_label5.config(text="训练集分类器的准确率为：{:.2f}".format(score))

这段代码中进行了一些优化，将标准化处理的部分提取出来作为一个单独的函数，并将其返回值赋给X_copy。另外，X_copy是通过df.iloc[:,:7].copy()得到的，因此不再需要在for循环中遍历X_copy.columns。最后，将优化后的X_copy作为训练集和测试集进行划分。整个优化后的代码如下：

def standardize_data(df):
    df = df.iloc[:,:7].copy()
    for col_name in df.columns:
        col_data = df[[col_name]]
        stand_data = StandardScaler().fit_transform(col_data.values)
        df[col_name] = stand_data
    return df

def run_classifier():
    # 对数据进行标准化处理
    X_copy = standardize_data(X) 
    
    # 将数据集分为训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(X_copy, y, test_size=test, random_state=random)
    
    # 训练分类器
    knn.fit(X_train, y_train)
    
    # 在训练集上计算分类器的准确率
    score = knn.score(X_train, y_train)
    
    # 更新结果标签的文本
    result_label5.config(text="训练集分类器的准确率为：{:.2f}".format(score))

这样做的好处是代码更加清晰，易于理解和维护。

将两段代码合成一个完整的df = df.iloc[:,:7].copy() for col_name in df.columns: # 取列名for col_name in X_copy.columns: col_data = df[[col_name]] # 根据列名拿列数据，两个方括号是因为要二维数组 stand_data = StandardScaler().fit_transform(col_data.values) # 标准化 df[col_name] = stand_data # 将数据替换成标准化后的数据 return X_copy def run_classifier(): # 将数据集分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=test, random_state=random) # 训练分类器 knn.fit(X_train, y_train) # 在训练集上计算分类器的准确率 score = knn.score(X_train, y_train) # 更新结果标签的文本 result_label5.config(text="训练集分类器的准确率为：{:.2f}".format(score))

这段代码可以合并成一个完整的代码如下：

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# 加载数据集
data = pd.read_csv("data.csv")

# 获取特征和标签
X = data.iloc[:,:7]
y = data.iloc[:,7]

# 对数据进行标准化处理
def standardize_data(df):
    df = df.iloc[:,:7].copy()
    for col_name in df.columns:
        col_data = df[[col_name]]
        stand_data = StandardScaler().fit_transform(col_data.values)
        df[col_name] = stand_data
    return df

# 将数据集分为训练集和测试集
X_copy = standardize_data(X) 
X_train, X_test, y_train, y_test = train_test_split(X_copy, y, test_size=test, random_state=random)

# 训练KNN分类器
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)

# 在训练集上计算分类器的准确率
score = knn.score(X_train, y_train)

# 更新结果标签的文本
result_label5.config(text="训练集分类器的准确率为：{:.2f}".format(score))

这段代码加载数据集，获取特征和标签，对数据进行标准化处理，将数据集分为训练集和测试集，训练KNN分类器，并在训练集上计算分类器的准确率。