df.itertuples()

时间: 2024-04-27 15:23:05 浏览: 90
RAR

将Excel数据导入到MySQL数据库.rar

`df.itertuples()`是一个Pandas DataFrame对象的方法，它返回一个迭代器，用于按行迭代DataFrame中的数据。每一行都表示为一个命名元组，其中元组的字段名由DataFrame的列名组成。这个方法比较高效，因为它不需要将整个DataFrame加载到内存中，而是一行一行地处理数据。它通常用于需要逐行处理DataFrame数据的情况，如数据清洗、转换和分析。
阅读全文

相关推荐

Python自动办公实例-在Excel表格中将上下行相同内容的单元格自动合并.zip

for i, row in enumerate(df.itertuples(index=False)): for j, cell in enumerate(row): ws.cell(row=i+1, column=j+1).value = cell # 找到需要合并的区域并设置合并 for i in range(1, len(df)): if not df....
zip

Python代码源码-实操案例-框架案例-将DataFrame数据转换成列表.zip

for row in df.itertuples(index=False): list_data.append(list(row)) 在实际案例中，可能需要根据具体需求选择不同的转换方法。例如，在机器学习中，我们通常需要将DataFrame的数据转化为模型所需的格式，这...

df.itertuples():是什么类型对象

df.itertuples()返回的是一个可迭代的namedtuple对象，其中每个元素都代表DataFrame中的一行数据。这个namedtuple对象包含了行的索引值和每一列的值，可以通过属性名或者索引来访问每一列的值。namedtuple是...

for i_utt, (utt_id, start_samp_16k, n_end_samp_16k, speaker1_target_snr_db) in \ enumerate(mix_param_df.itertuples(index=False, name=None)): s1_path = os.path.join(wsj_path, S1_DIR, utt_id) s1_samples, _ = sf.read(s1_path) s2_path = os.path.join(wsj_path, S2_DIR, utt_id) s2_samples, _ = sf.read(s2_path)

其中，mix_param_df是一个包含混合参数的DataFrame，utt_id表示当前语音段的ID，start_samp_16k和n_end_samp_16k分别表示当前语音段的起始和终止采样点，speaker1_target_snr_db表示第一个说话人的目标...

def df2csv(df,fname,mats=[],sep=','): # 只追加前5列的数据，最后的data部分单独追加 if len(df.columns) <= 0: return Nd = len(df.columns) Nd_1 = Nd - 1 formats = mats[:] Nf = len(formats) # 确保对每个列都有对应的格式 if Nf < Nd: for ii in range(Nf,Nd): coltype = df[df.columns[ii]].dtype ff = '%s' if coltype == np.int64: ff = '%d' elif coltype == np.float64: ff = '%f' formats.append(ff) fh=open(fname,'w') fh.write(','.join(df.columns) + '\n') for row in df.itertuples(index=False): ss = '' for ii in range(Nd): if ii==Nd_1: # 因为原本的data数据里面有非常多的逗号（,）会影响切割csv的判断，所以我们在data前面添加双引号， # 同时data内部的"可能影响整体的判定，所以将单个双引号替换为2个双引号，只保留其作为单纯双引号的意义 ss += "\""+row[ii].replace("\"","\"\"")+"\"" continue ss += formats[ii] % row[ii] # ss += str(row[ii]) if ii < Nd_1: ss += sep fh.write(ss+'\n') fh.close()

它有四个参数，分别为df、fname、mats和sep。 df代表一个称为DataFrame的数据结构，通常由pandas模块生成。fname是一个字符串，代表输出的CSV文件名。mats是一个列表，包含了在输出的CSV文件中作为标题的字符串。...

from sklearn.model_selection import train_test_split train_data,test_data = train_test_split(df,test_size=0.2,random_state=21) train_data_matrix = np.zeros((n_users,n_items)) for line in train_data.itertuples(): train_data_matrix[line[1] - 1,line[2] - 1]=line[3] test_data_matrix = np.zeros((n_users,n_items)) for line in test_data.itertuples(): test_data_matrix[line[1] - 1,line[2] - 1]=line[3] print(train_data_matrix.shape) print(test_data_matrix.shape)怎么修改使他正常运行

这段代码的目的是将数据集df分成训练集和测试集，并将它们转换为稀疏矩阵的形式。在这个过程中，train_test_split函数将df数据集随机分为训练集和测试集，其中训练集占80％，测试集占20％。然后使用迭代器遍历...

解释代码import numpy as np import pandas as pd #数据文件格式用户id、商品id、评分、时间戳 header = ['user_id', 'item_id', 'rating', 'timestamp'] with open( "u.data", "r") as file_object: df=pd.read_csv(file_object,sep='\t',names=header) #读取u.data文件 print(df) n_users = df.user_id.unique().shape[0] n_items = df.item_id.unique().shape[0] print('Mumber of users = ' + str(n_users) + ' | Number of movies =' + str(n_items)) from sklearn.model_selection import train_test_split train_data, test_data = train_test_split(df, test_size=0.2, random_state=21) train_data_matrix = np.zeros((n_users, n_items)) for line in train_data.itertuples(): train_data_matrix[line[1] - 1, line[2] -1] = line[3] test_data_matrix = np.zeros((n_users, n_items)) for line in test_data.itertuples(): test_data_matrix[line[1] - 1, line[2] - 1] = line[3] print(train_data_matrix.shape) print(test_data_matrix.shape) from sklearn.metrics.pairwise import cosine_similarity #计算用户相似度 user_similarity = cosine_similarity(train_data_matrix) print(u"用户相似度矩阵: ", user_similarity.shape) print(u"用户相似度矩阵: ", user_similarity) def predict(ratings, similarity, type): # 基于用户相似度矩阵的 if type == 'user': mean_user_ratings = ratings.mean(axis=1) ratings_diff = (ratings - mean_user_ratings[:, np.newaxis] ) pred =mean_user_ratings[:, np.newaxis] + np.dot(similarity, ratings_diff)/ np.array( [np.abs(similarity).sum(axis=1)]).T print(u"预测值: ", pred.shape) return pred # 预测结果 user_prediction = predict(train_data_matrix, user_similarity, type='user') print(user_prediction)

这段代码实现了基于用户相似度的推荐系统。首先，代码读取了一个包含用户ID、商品ID、评分和时间戳的数据文件，并将其存储在一个Pandas数据框中。然后，代码将数据集分为训练集和测试集，并将它们转换为用户-物品...

解释下列代码# -*- coding: gbk-*- import numpy as np import pandas as pd header = ['user_id', 'item_id', 'rating', 'timestamp'] with open("u.data", "r") as file_object: df = pd.read_csv(file_object, sep='\t', names=header) print(df) n_users = df.user_id.unique().shape[0] n_items = df.item_id.unique().shape[0] print('Number of users = ' + str(n_users) + ' | Number of movies =' + str(n_items)) from sklearn.model_selection import train_test_split train_data, test_data = train_test_split(df, test_size=0.2, random_state=21) train_data_matrix = np.zeros((n_users, n_items)) for line in train_data.itertuples(): train_data_matrix[line[1] - 1, line[2] -1] = line[3] test_data_matrix = np.zeros((n_users, n_items)) for line in test_data.itertuples(): test_data_matrix[line[1] - 1, line[2] - 1] = line[3] print(train_data_matrix.shape) print(test_data_matrix.shape) from sklearn.metrics.pairwise import cosine_similarity item_similarity = cosine_similarity(train_data_matrix.T) print(u" 物品相似度矩阵 ：", item_similarity.shape) print(u"物品相似度矩阵: ", item_similarity) def predict(ratings, similarity, type): # 基于物品相似度矩阵的 if type == 'item': pred = ratings.dot(similarity) / np.array([np.abs(similarity).sum(axis=1)]) print(u"预测值: ", pred.shape) return pred # 预测结果 item_prediction = predict(train_data_matrix, item_similarity, type='item') print(item_prediction) from sklearn.metrics import mean_squared_error from math import sqrt def rmse(prediction, ground_truth): prediction = prediction[ground_truth.nonzero()].flatten() ground_truth = ground_truth[ground_truth.nonzero()].flatten() return sqrt(mean_squared_error(prediction, ground_truth)) item_prediction = np.nan_to_num(item_prediction) print('Item-based CF RMSE: ' + str(rmse(item_prediction, test_data_matrix)))

这段代码主要是实现了基于物品相似度矩阵的推荐系统，具体流程如下： 1. 读取 u.data 数据集文件，用 pandas 库将其转换成 DataFrame 格式，并输出该数据集； 2. 计算该数据集中有多少个用户和多少个物品；...

优化代码 self.treeview.delete(*self.treeview.get_children()) self.treeview["columns"] = tuple(df.columns) self.treeview["show"] = "headings" for col in df.columns: self.treeview.heading(col, text=col) for idx, row in df.iterrows(): values = [str(value) for value in row.values.tolist()] self.treeview.insert("", "end", text=str(idx), values=values) except AttributeError: # 如果未选择文件则弹出对话框提示用户选择文件 filedialog.showinfo(title="错误", message="请选择要处理的数据文件")

3. 将 df.iterrows() 替换为 df.itertuples()，使用元组形式的行来遍历数据，这样可以获得更好的性能。 4. 将 str(value) 替换为 str(value) if value is not None else ""，避免空值导致的异常。 5. 将 ...

优化代码# 将数据显示到表格控件中 self.treeview.delete(*self.treeview.get_children()) self.treeview["columns"] = tuple(df.columns) self.treeview["show"] = "headings" for col in df.columns: self.treeview.heading(col, text=col) for idx, row in df.iterrows(): values = [str(value) for value in row.values.tolist()] self.treeview.insert("", "end", text=str(idx), values=values) except AttributeError: # 如果未选择文件则弹出对话框提示用户选择文件 filedialog.showinfo(title="错误", message="请选择要处理的数据文件")

3. 使用 Pandas 提供的方法 df.itertuples() 可以比 df.iterrows() 更快地遍历数据框。使用该方法可以避免将每一行数据转换为列表，然后再插入表格控件中。 下面是优化后的代码： def show_data(self, df)...

import tkinter as tk import pandas as pd from tkinter import messagebox # 读取Excel表格数据 df = pd.read_excel(r'C:\Users\bing3_chen\Desktop\1.xlsx', sheet_name='總表') # 创建GUI窗口 window = tk.Tk() window.title('物料进出库管理') window.geometry('400x200') # 进货函数 def add_inventory(): # 获取物料名称和数量 name = name_entry.get() quantity = int(quantity_entry.get()) # 查找相同名称的数据并进行加操作 group = df.groupby('名稱').sum() if name in group.index: group.loc[name, '數量'] += quantity else: group.loc[name] = [quantity] group.reset_index(inplace=True) # 将修改后的数据写回Excel表格 group.to_excel(r'C:\Users\bing3_chen\Desktop\1.xlsx', index=False, sheet_name='總表', mode='a', header=False) # 清空文本框 name_entry.delete(0, tk.END) quantity_entry.delete(0, tk.END) # 出货函数 def remove_inventory(): # 获取物料名称和数量 name = name_entry.get() quantity = int(quantity_entry.get()) # 查找相同名称的数据并进行减操作 group = df.groupby('名稱').sum() if name in group.index and group.loc[name, '數量'] >= quantity: group.loc[name, '數量'] -= quantity else: messagebox.showerror('Error', '物料不足！') return group.reset_index(inplace=True) # 将修改后的数据写回Excel表格 group.to_excel(r'C:\Users\bing3_chen\Desktop\1.xlsx', index=False, sheet_name='總表', mode='a', header=False) # 清空文本框 name_entry.delete(0, tk.END) quantity_entry.delete(0, tk.END) # 添加控件 tk.Label(window, text='物料名称：').grid(row=0, column=0) name_entry = tk.Entry(window) name_entry.grid(row=0, column=1) tk.Label(window, text='物料数量：').grid(row=1, column=0) quantity_entry = tk.Entry(window) quantity_entry.grid(row=1, column=1) tk.Button(window, text='进货', command=add_inventory).grid(row=2, column=0) tk.Button(window, text='出货', command=remove_inventory).grid(row=2, column=1) window.mainloop()TypeError: NDFrame.to_excel() got an unexpected keyword argument 'mode報這個錯誤怎麽修改可以修改成openpyxl庫嗎

for row in group.itertuples(): name, quantity = row[1], row[2] if name in worksheet['A']: cell = worksheet.cell(row=worksheet['A'].index(name) + 1, column=2) cell.value += quantity else: row_...

pandas itertuples()

for row in df.itertuples(index=True): print(f"Index: {row.Index}, Name: {row.Name}, Age: {row.Age}, City: {row.City}") 2. **使用**itertuples(index=False)**以不包含索引的方式**[^2]: ...

pandas中itertuples使用方法

for row in df.itertuples(): print(row) 输出结果为： Pandas(Index=0, name='Alice', age=20, gender='F') Pandas(Index=1, name='Bob', age=25, gender='M') Pandas(Index=2, name='Charlie', age=30,...

iterrows()或itertuples()函数的使用

for row in df.itertuples(): print(row.Index, row.a, row.b) 输出： 0 1 3 1 2 4 需要注意的是，iterrows()和itertuples()都会以Python的速度运行，迭代大型DataFrame时可能会很慢，因此应该考虑...

'Series' object has no attribute 'itertuples'

在Pandas中，'Series'对象没有'itertuples'属性。'itertuples'方法只适用于DataFrame对象。如果你想要迭代一个Series对象，你可以使用'iteritems'方法...for row in df.itertuples(): print(row.Index, row.value)

panda 遍历DF

按元素遍历可以使用itertuples()方法，该方法返回一个命名元组，包含每一个元素的行索引、列索引和数据。 如果你需要对DataFrame进行一些特定的操作，遍历DF是一个非常重要的工作。因此，你需要熟悉各种遍历方式...

用python，不用load_workbook代码将新建的df按两列分组，两个列名分别为表名和sheeet名，把分组后的df表头填充为浅蓝色，全表加边框，按顺序输出到已有excel中的倒数第二个sheet

for table_name, sheet_name, data in grouped_df.itertuples(index=False): ws.cell(row=current_row, column=1, value=table_name).fill = fill ws.cell(row=current_row, column=2, value=sheet_name).fill = ...

用python将新建df按两列分组后，分组的两个列名分别为表名和sheet名，批量写入现在excel中倒数第2个新SHEET

for row in group.itertuples(index=False): new_sheet.append(list(row)) # 保存excel文件 workbook.save('example.xlsx') 这个代码块会读取名为"new_data.csv"的CSV文件，按照"表名"和"sheet名"这两列进行...

dataframe for 循环 数据格式 python_Python笔记：for...else...循环

for row in df.itertuples(): print(row.Index, row.name, row.age, row.gender) 需要注意的是，在循环中使用 DataFrame 的值时，最好使用 loc 或 iloc 方法，以避免引用副本而不是视图。 另外，Python 中的 ...

最新推荐

recommend-type

对Python中DataFrame按照行遍历的方法

for row in df.itertuples(index=False): print(row[0:-1]) ``` 3. **通过`.loc`访问器**： `.loc`访问器允许我们基于标签（而不是索引位置）来选取数据。如果我们知道索引值，可以直接使用`.loc`遍历。 ```...
recommend-type

OPPO 推搜广多业务多场景的统一预估引擎实践 (1).pdf

OPPO 推搜广多业务多场景的统一预估引擎实践 (1).pdf
recommend-type

平尾装配工作平台运输支撑系统设计与应用

资源摘要信息:"该压缩包文件名为‘行业分类-设备装置-用于平尾装配工作平台的运输支撑系统.zip’，虽然没有提供具体的标签信息，但通过文件标题可以推断出其内容涉及的是航空或者相关重工业领域内的设备装置。从标题来看，该文件集中讲述的是有关平尾装配工作平台的运输支撑系统，这是一种专门用于支撑和运输飞机平尾装配的特殊设备。 平尾，即水平尾翼，是飞机尾部的一个关键部件，它对于飞机的稳定性和控制性起到至关重要的作用。平尾的装配工作通常需要在一个特定的平台上进行，这个平台不仅要保证装配过程中平尾的稳定，还需要适应平尾的搬运和运输。因此，设计出一个合适的运输支撑系统对于提高装配效率和保障装配质量至关重要。 从‘用于平尾装配工作平台的运输支撑系统.pdf’这一文件名称可以推断，该PDF文档应该是详细介绍这种支撑系统的构造、工作原理、使用方法以及其在平尾装配工作中的应用。文档可能包括以下内容： 1. 支撑系统的设计理念：介绍支撑系统设计的基本出发点，如便于操作、稳定性高、强度大、适应性强等。可能涉及的工程学原理、材料学选择和整体结构布局等内容。 2. 结构组件介绍：详细介绍支撑系统的各个组成部分，包括支撑框架、稳定装置、传动机构、导向装置、固定装置等。对于每一个部件的功能、材料构成、制造工艺、耐腐蚀性以及与其他部件的连接方式等都会有详细的描述。 3. 工作原理和操作流程：解释运输支撑系统是如何在装配过程中起到支撑作用的，包括如何调整支撑点以适应不同重量和尺寸的平尾，以及如何进行运输和对接。操作流程部分可能会包含操作步骤、安全措施、维护保养等。 4. 应用案例分析：可能包含实际操作中遇到的问题和解决方案，或是对不同机型平尾装配过程的支撑系统应用案例的详细描述，以此展示系统的实用性和适应性。 5. 技术参数和性能指标：列出支撑系统的具体技术参数，如载重能力、尺寸规格、工作范围、可调节范围、耐用性和可靠性指标等，以供参考和评估。 6. 安全和维护指南：对于支撑系统的使用安全提供指导，包括操作安全、应急处理、日常维护、定期检查和故障排除等内容。 该支撑系统作为专门针对平尾装配而设计的设备，对于飞机制造企业来说，掌握其详细信息是提高生产效率和保障产品质量的重要一环。同时，这种支撑系统的设计和应用也体现了现代工业在专用设备制造方面追求高效、安全和精确的趋势。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

MATLAB遗传算法探索：寻找随机性与确定性的平衡艺术

![MATLAB多种群遗传算法优化](https://img-blog.csdnimg.cn/39452a76c45b4193b4d88d1be16b01f1.png) # 1. 遗传算法的基本概念与起源 遗传算法（Genetic Algorithm, GA）是一种模拟自然选择和遗传学机制的搜索优化算法。起源于20世纪60年代末至70年代初，由John Holland及其学生和同事们在研究自适应系统时首次提出，其理论基础受到生物进化论的启发。遗传算法通过编码一个潜在解决方案的“基因”，构造初始种群，并通过选择、交叉（杂交）和变异等操作模拟生物进化过程，以迭代的方式不断优化和筛选出最适应环境的
recommend-type

如何在S7-200 SMART PLC中使用MB_Client指令实现Modbus TCP通信？请详细解释从连接建立到数据交换的完整步骤。

为了有效地掌握S7-200 SMART PLC中的MB_Client指令，以便实现Modbus TCP通信，建议参考《S7-200 SMART Modbus TCP教程：MB_Client指令与功能码详解》。本教程将引导您了解从连接建立到数据交换的整个过程，并详细解释每个步骤中的关键点。 参考资源链接：[S7-200 SMART Modbus TCP教程：MB_Client指令与功能码详解](https://wenku.csdn.net/doc/119yes2jcm?spm=1055.2569.3001.10343) 首先，确保您的S7-200 SMART CPU支持开放式用户通
recommend-type

MAX-MIN Ant System：用MATLAB解决旅行商问题

资源摘要信息:"Solve TSP by MMAS: Using MAX-MIN Ant System to solve Traveling Salesman Problem - matlab开发" 本资源为解决经典的旅行商问题（Traveling Salesman Problem, TSP）提供了一种基于蚁群算法（Ant Colony Optimization, ACO）的MAX-MIN蚁群系统（MAX-MIN Ant System, MMAS）的Matlab实现。旅行商问题是一个典型的优化问题，要求找到一条最短的路径，让旅行商访问每一个城市一次并返回起点。这个问题属于NP-hard问题，随着城市数量的增加，寻找最优解的难度急剧增加。 MAX-MIN Ant System是一种改进的蚁群优化算法，它在基本的蚁群算法的基础上，对信息素的更新规则进行了改进，以期避免过早收敛和局部最优的问题。MMAS算法通过限制信息素的上下界来确保算法的探索能力和避免过早收敛，它在某些情况下比经典的蚁群系统（Ant System, AS）和带有局部搜索的蚁群系统（Ant Colony System, ACS）更为有效。 在本Matlab实现中，用户可以通过调用ACO函数并传入一个TSP问题文件（例如"filename.tsp"）来运行MMAS算法。该问题文件可以是任意的对称或非对称TSP实例，用户可以从特定的网站下载多种标准TSP问题实例，以供测试和研究使用。 使用此资源的用户需要注意，虽然该Matlab代码可以免费用于个人学习和研究目的，但若要用于商业用途，则需要联系作者获取相应的许可。作者的电子邮件地址为***。 此外，压缩包文件名为"MAX-MIN%20Ant%20System.zip"，该压缩包包含Matlab代码文件和可能的示例数据文件。用户在使用之前需要将压缩包解压，并将文件放置在Matlab的适当工作目录中。 为了更好地理解和应用该资源，用户应当对蚁群优化算法有初步了解，尤其是对MAX-MIN蚁群系统的基本原理和运行机制有所掌握。此外，熟悉Matlab编程环境和拥有一定的编程经验将有助于用户根据个人需求修改和扩展算法。 在实际应用中，用户可以根据问题规模调整MMAS算法的参数，如蚂蚁数量、信息素蒸发率、信息素增量等，以获得最优的求解效果。此外，也可以结合其他启发式或元启发式算法，如遗传算法、模拟退火等，来进一步提高算法的性能。 总之，本资源为TSP问题的求解提供了一种有效的算法框架，且Matlab作为编程工具的易用性和强大的计算能力，使得该资源成为算法研究人员和工程技术人员的有力工具。通过本资源的应用，用户将能够深入探索并实现蚁群优化算法在实际问题中的应用，为解决复杂的优化问题提供一种新的思路和方法。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

【实战指南】MATLAB自适应遗传算法调整：优化流程全掌握

![MATLAB多种群遗传算法优化](https://img-blog.csdnimg.cn/39452a76c45b4193b4d88d1be16b01f1.png) # 1. 遗传算法基础与MATLAB环境搭建 遗传算法（Genetic Algorithm, GA）是模拟生物进化过程的搜索启发式算法，它使用类似自然选择和遗传学的原理在潜在解空间中搜索最优解。在MATLAB中实现遗传算法需要先搭建合适的环境，设置工作路径，以及了解如何调用和使用遗传算法相关的函数和工具箱。 ## 1.1 遗传算法简介 遗传算法是一种全局优化算法，它的特点是不依赖于问题的梯度信息，适用于搜索复杂、多峰等难
recommend-type

在Spring AOP中，如何实现一个环绕通知并在方法执行前后插入自定义逻辑？

在Spring AOP中，环绕通知（Around Advice）是一种强大的通知类型，它在方法执行前后提供完全的控制，允许开发者在目标方法执行前后插入自定义逻辑。要实现环绕通知，你需要创建一个实现`org.aopalliance.intercept.MethodInterceptor`接口的类，并重写`invoke`方法。 参考资源链接：[Spring AOP：前置、后置、环绕通知深度解析](https://wenku.csdn.net/doc/1tvftjguwg?spm=1055.2569.3001.10343) 下面是一个环绕通知的实现示例，我们将通过Spring配置启用这个