大家好，關(guān)于repository注解的作用很多朋友都還不太明白，不過沒關(guān)系，因?yàn)榻裉煨【幘蛠頌榇蠹曳窒黻P(guān)于mybatis的作用的知識點(diǎn)，相信應(yīng)該可以解決大家的一些困惑和問題，如果碰巧可以解決您的問題，還望關(guān)注下本站哦，希望對各位有所幫助！
jpa怎么封裝sql查詢
使用SpringDataJPA+QueryDSL+Hibernate?；镜脑鰟h改查和調(diào)用存儲過程通過SpringDataJPARepository來解決稍微復(fù)雜的查詢或是批量操作使用QueryDSL或SpringDataSpecification的API來解決特別特別復(fù)雜的查詢操作可以使用SpringDataJPARepository的注解定義nativesql來解決所有持久層底層操作都由Hibernate來支持，且為了保證效率和性能，不需要的包/特性就不需要引入，基本上使用core包就能夠解決問題，當(dāng)然如果有需要可以加上orm全過程脫離任何格式(.java除外)的配置文件，都使用JavaConfig的方式進(jìn)行配置，除了需要抽象出一套自己架構(gòu)的持久層的API以外，只需要提供一個獨(dú)立的空內(nèi)容.java配置文件(如果不需要多數(shù)據(jù)源配置的話)，在類上面配置RepositoryFactoryBean和Repository接口包路徑
全使用過程中，除了nativesql處以外，全部持久層操作都是類型安全的，特別是使用QueryDSL或Specification后...從此，mybatis根本就沒有存在的必要...
PS:推薦在SpringBoot基礎(chǔ)上進(jìn)行構(gòu)建，畢竟有插排和沒有插排構(gòu)架起來在效率和性能上是截然不同的...
Github:
beamofsoul/BusinessInfrastructurePlatformGroupVersion
springboot常用注解有哪些
springboot常用的注解有如下幾個：
1、SpringBootApplication；
2、Repository；
3、Service；
4、RestController；
5、ResponseBody；
6、Component等
springboot項(xiàng)目當(dāng)中寫sql怎么添加事物的
要在SpringBoot項(xiàng)目中為SQL操作添加事務(wù)支持，只需按照以下步驟：
1.在需要添加事務(wù)的方法上加上@Transactional注解。
2.確保配置了事務(wù)管理器。
3.確保配置了適當(dāng)?shù)臄?shù)據(jù)源。
這樣，在使用@Transactional注解的方法中執(zhí)行的SQL操作將自動在一個事務(wù)中進(jìn)行，出現(xiàn)異常時(shí)將回滾，否則將提交。
spring如何通過注解知道哪些類需要
?1、使用asm技術(shù)掃描.class文件，并將包含@Component及元注解為@Component的注解@Controller、@Service、@Repository或者其他自定義的的bean注冊到beanFactory中。
2、然后spring在注冊處理器。
3、實(shí)例化處理器，然后將其放到beanPostFactory中，然后我們就可以在類中進(jìn)行使用了。
4、創(chuàng)建bean時(shí)，會自動調(diào)用相應(yīng)的處理器進(jìn)行處理。
如何高效地使用Matplotlib
引言
對新手來說Python可視化實(shí)在有些令人挫敗。有很多不同的選項(xiàng)，如何選擇正確的選項(xiàng)是一個挑戰(zhàn)。例如，兩年前這篇文章《OverviewofPythonVisualizationTools》（http://pbpython.com/visualization-tools-1.html）仍然吸引了大量讀者。在那篇文章中，我否定了Matplotlib。但是，在使用過pandas、scikit-learn、seaborn和其他Python數(shù)據(jù)科學(xué)棧之后，我覺得之前否認(rèn)Matplotlib的行為有點(diǎn)不成熟。坦白講，當(dāng)時(shí)我不是很了解Matplotlib，也不懂如何在我的工作流中高效使用Matplotlib。
現(xiàn)在我學(xué)習(xí)了一些工具，了解了如何用Matplotlib使用這些工具，Matplotlib逐漸變成了必需工具。本文將展示如何使用Matplotlib。我堅(jiān)定地認(rèn)為Matplotlib是Python數(shù)據(jù)科學(xué)棧必不可少的一部分，希望這篇文章可以幫助大家了解如何使用Matplotlib進(jìn)行Python可視化。
為什么大家都在否定Matplotlib？
我認(rèn)為，Matplotlib對于新手來說比較難存在幾個原因。首先，Matplotlib有兩個界面。第一個界面基于MATLAB，使用基于狀態(tài)的接口。第二個界面是面向?qū)ο蟮慕涌?。本文就不展開介紹Matplotlib有兩個界面的原因，但了解這兩種方法在使用Matplotlib繪圖時(shí)會很重要。兩個界面會引起混淆的原因是堆棧溢出和通過谷歌搜索獲取的大量信息，新用戶將發(fā)現(xiàn)問題的多個解決方案，但是這些問題看起來類似卻不完全相同。從我的個人經(jīng)驗(yàn)來講，從以前的代碼中，我可以看出有一些Matplotlib代碼的混雜，我對此感覺很疑惑（盡管寫它們的人是我……）:-)
關(guān)鍵點(diǎn)
Matplotlib新手應(yīng)該學(xué)習(xí)和使用面向?qū)ο蟮慕涌凇?/p>
使用Matplotlib的另一個歷史性挑戰(zhàn)是一些默認(rèn)的樣式缺乏吸引力。在R使用ggplot就可以生成相當(dāng)不錯的圖的世界中，Matplotlib相對來說有點(diǎn)丑。好消息是Matplotlib2.0中的樣式好看了很多，你可以用最小的努力生成可視化。
第三個挑戰(zhàn)是你不確定什么時(shí)候該使用Matplotlib，什么時(shí)候該使用基于Matplotlib構(gòu)建的工具，如pandas或seaborn。大部分時(shí)候做一件事都有多種選擇，但是對于新手來說選擇正確的道路有些困難。這種混淆加上兩種不同API的混淆簡直就是挫敗本敗了……
為什么使用Matplotlib？
盡管Matplotlib有這么多問題，我還是喜歡用它，因?yàn)樗軓?qiáng)大。這個庫允許你創(chuàng)建幾乎所有可視化。此外，圍繞Matplotlib有一個豐富的Python工具生態(tài)環(huán)境，很多更高級的可視化工具使用Matplotlib作為基礎(chǔ)庫。如果你想在Python數(shù)據(jù)科學(xué)棧中進(jìn)行任何操作，你需要對如何使用Matplotlib有一些基礎(chǔ)了解。這就是本文其余部分的重點(diǎn)——提供一種高效使用Matplotlib的基礎(chǔ)方法。
前提
推薦以下步驟學(xué)習(xí)如何使用Matplotlib：
1.學(xué)習(xí)Matplotlib的基本術(shù)語，具體來說就是什么是Figure和Axes。
2.一直使用面向?qū)ο蟮慕缑?，養(yǎng)成習(xí)慣。
3.用基礎(chǔ)的pandas繪圖開始可視化。
4.使用seaborn進(jìn)行稍微復(fù)雜的數(shù)據(jù)可視化。
5.使用Matplotlib自定義pandas或seaborn可視化。
下圖非常重要，有助于理解圖的不同術(shù)語。
大部分術(shù)語很直接易懂，需要牢記的是Figure是可能包含一或多個axes的最終圖像。Axes代表單個圖。一旦你理解這些是什么以及如何通過面向?qū)ο蟮腁PI評估它們，其余步驟就很簡單了。
了解這個知識還有一個好處，就是當(dāng)你在網(wǎng)絡(luò)上看東西的時(shí)候有一個出發(fā)點(diǎn)。如果你花時(shí)間了解了這個點(diǎn)，那么其他的MatplotlibAPI才有意義。此外，很多高級Python包，如seaborn和ggplot依賴于Matplotlib構(gòu)建，因此理解了基礎(chǔ)，學(xué)習(xí)更強(qiáng)大的框架才更加容易。
最后，我不是說你應(yīng)該逃避其他優(yōu)秀選項(xiàng)，如ggplot（又名ggpy）、bokeh、plotly或altair。我只是認(rèn)為你需要對matplotlib+pandas+seaborn有一個基礎(chǔ)的了解。了解基礎(chǔ)可視化棧之后，你就可以探索其他優(yōu)秀工具，根據(jù)需求做出合適的選擇。
開始
下面主要介紹如何在pandas中創(chuàng)建基礎(chǔ)的可視化以及使用Matplotlib定制最常用的項(xiàng)。了解基礎(chǔ)流程有助于更直觀地進(jìn)行自定義。
我主要關(guān)注最常見的繪圖任務(wù)，如標(biāo)注軸、調(diào)整圖形界限（limit）、更新圖標(biāo)題、保存圖像和調(diào)整圖例。
開始，我打算設(shè)置輸入，讀取一些數(shù)據(jù)：
importpandasaspd
importmatplotlib.pyplotasplt
frommatplotlib.tickerimportFuncFormatter
df=pd.read_excel("https://github.com/chris1610/pbpython/blob/master/data/sample-salesv3.xlsx?raw=true")
df.head()
數(shù)據(jù)包括2014年的銷售交易額。為簡短起見，我將總結(jié)這些數(shù)據(jù)，列出前十名客戶的采購次數(shù)和交易額。繪圖時(shí)我將對各列進(jìn)行重命名。
top_10=(df.groupby('name')['extprice','quantity'].agg({'extprice':'sum','quantity':'count'})
.sort_values(by='extprice',ascending=False))[:10].reset_index()
top_10.rename(columns={'name':'Name','extprice':'Sales','quantity':'Purchases'},inplace=True)
下圖是數(shù)據(jù)。
現(xiàn)在數(shù)據(jù)在簡單的表格形式呈現(xiàn)，我們再來看一下如何將數(shù)據(jù)繪制成條形圖。如前所述，Matplotlib具備多種不同風(fēng)格，可用于渲染圖表。你可以使用plt.style.available查看你的系統(tǒng)可用的風(fēng)格。
plt.style.available
['seaborn-dark',
'seaborn-dark-palette',
'fivethirtyeight',
'seaborn-whitegrid',
'seaborn-darkgrid',
'seaborn',
'bmh',
'classic',
'seaborn-colorblind',
'seaborn-muted',
'seaborn-white',
'seaborn-talk',
'grayscale',
'dark_background',
'seaborn-deep',
'seaborn-bright',
'ggplot',
'seaborn-paper',
'seaborn-notebook',
'seaborn-poster',
'seaborn-ticks',
'seaborn-pastel']
使用如下簡單風(fēng)格：
plt.style.use('ggplot')
我鼓勵大家使用不同的風(fēng)格，找到自己喜歡的。
現(xiàn)在我們有了好看的風(fēng)格，第一步就是使用標(biāo)準(zhǔn)pandas繪圖函數(shù)繪制數(shù)據(jù)：
top_10.plot(kind='barh',y="Sales",x="Name")
推薦使用pandas繪圖的原因在于它是一種快速便捷地建立可視化原型的方式。
自定義圖表
如果你對該圖表的重要部分都很滿意，那么下一步就是對它執(zhí)行自定義。一些自定義（如添加標(biāo)題和標(biāo)簽）可以使用pandasplot函數(shù)輕松搞定。但是，你可能會發(fā)現(xiàn)自己需要在某個時(shí)刻跳出來。這就是我推薦你養(yǎng)成以下習(xí)慣的原因：
fig,ax=plt.subplots()
top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)
生成的圖表和原始圖表基本一樣，不過我們向plt.subplots()添加了一個額外的調(diào)用，并將ax傳輸至繪圖函數(shù)。為什么要這么做呢？還記得我說在Matplotlib中獲取軸和圖像非常關(guān)鍵嗎？這里所做的就是為了達(dá)到該目的。通過ax或fig對象可以執(zhí)行任何自定義。
我們利用pandas實(shí)現(xiàn)快速繪圖，現(xiàn)在利用Matplotlib獲取所有功能。通過使用命名慣例，調(diào)整別人的解決方案適應(yīng)自己的需求變得更加直接簡單了。
假設(shè)我們想調(diào)整x極限，改變一些軸標(biāo)簽。現(xiàn)在我們在ax變量中有多個軸，可以進(jìn)行一些操作：
fig,ax=plt.subplots()
top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)
ax.set_xlim([-10000,140000])
ax.set_xlabel('TotalRevenue')
ax.set_ylabel('Customer');
這是另一種改變標(biāo)題和標(biāo)簽的簡單方式：
fig,ax=plt.subplots()
top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)
ax.set_xlim([-10000,140000])
ax.set(title='2014Revenue',xlabel='TotalRevenue',ylabel='Customer')
為了進(jìn)一步展示該方法，我們還可以調(diào)整圖像大小。使用plt.subplots()函數(shù)可以定義figsize，以英寸為單位。我們還可以使用ax.legend().set_visible(False)移除圖例。
fig,ax=plt.subplots(figsize=(5,6))
top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)
ax.set_xlim([-10000,140000])
ax.set(title='2014Revenue',xlabel='TotalRevenue')
ax.legend().set_visible(False)
要想修改這個圖像，你可能需要執(zhí)行很多操作。圖中最礙眼的可能是總收益額的格式。Matplotlib可以使用FuncFormatter解決這一問題。該函數(shù)用途多樣，允許用戶定義的函數(shù)應(yīng)用到值，并返回格式美觀的字符串。
以下是貨幣格式化函數(shù)，用于處理數(shù)十萬美元區(qū)間的數(shù)值：
defcurrency(x,pos):
'Thetwoargsarethevalueandtickposition'
ifx>=1000000:
return'${:1.1f}M'.format(x*1e-6)
return'${:1.0f}K'.format(x*1e-3)
現(xiàn)在我們有了格式化程序函數(shù)，就需要定義它，并將其應(yīng)用到x軸。完整代碼如下：
fig,ax=plt.subplots()
top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)
ax.set_xlim([-10000,140000])
ax.set(title='2014Revenue',xlabel='TotalRevenue',ylabel='Customer')
formatter=FuncFormatter(currency)
ax.xaxis.set_major_formatter(formatter)
ax.legend().set_visible(False)
這張圖美觀多了，非常好地展示了自定義問題解決方案的靈活性。最后要說的自定義特征是向圖表添加注釋。你可以使用ax.axvline()畫垂直線，使用ax.text()添加自定義文本。就以上示例，我們可以畫一條表示平均值的線，包括代表3個新客戶的標(biāo)簽。以下是完整代碼：
#Createthefigureandtheaxes
fig,ax=plt.subplots()
#Plotthedataandgettheaveraged
top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)
avg=top_10['Sales'].mean()
#Setlimitsandlabels
ax.set_xlim([-10000,140000])
ax.set(title='2014Revenue',xlabel='TotalRevenue',ylabel='Customer')
#Addalinefortheaverage
ax.axvline(x=avg,color='b',label='Average',linestyle='--',linewidth=1)
#Annotatethenewcustomers
forcustin[3,5,8]:
ax.text(115000,cust,"NewCustomer")
#Formatthecurrency
formatter=FuncFormatter(currency)
ax.xaxis.set_major_formatter(formatter)
#Hidethelegend
ax.legend().set_visible(False)
這可能不是最壯觀的圖，但它確實(shí)展示了使用該方法的力量。
圖表
目前，我們所做的所有改變都是針對單個圖表。我們還能夠在圖像上添加多個表，使用不同的選項(xiàng)保存整個圖像。
如果我們確定要在同一個圖像上放置兩個表，那么我們應(yīng)該對如何做有一個基礎(chǔ)了解。首先，創(chuàng)建圖像，然后創(chuàng)建軸，再將它們繪制成圖表。使用plt.subplots()可以完成該操作：
fig,(ax0,ax1)=plt.subplots(nrows=1,ncols=2,sharey=True,figsize=(7,4))
在這個例子中，我使用nrows和ncols指定大小，這對新用戶來說比較清晰易懂。
在示例代碼中，你會經(jīng)?？吹阶兞咳?、2。我認(rèn)為使用命名參數(shù)便于稍后查看代碼時(shí)理解代碼。
我還使用sharey=True以使y軸共享相同的標(biāo)簽。
該示例很靈活，因?yàn)椴煌妮S可以解壓成ax0和ax1?，F(xiàn)在我們有了這些軸，就可以像上述示例中那樣繪圖，然后把一個圖放在ax0上，另一個圖放在ax1。
#Getthefigureandtheaxes
fig,(ax0,ax1)=plt.subplots(nrows=1,ncols=2,sharey=True,figsize=(7,4))
top_10.plot(kind='barh',y="Sales",x="Name",ax=ax0)
ax0.set_xlim([-10000,140000])
ax0.set(title='Revenue',xlabel='TotalRevenue',ylabel='Customers')
#Plottheaverageasaverticalline
avg=top_10['Sales'].mean()
ax0.axvline(x=avg,color='b',label='Average',linestyle='--',linewidth=1)
#Repeatfortheunitplot
top_10.plot(kind='barh',y="Purchases",x="Name",ax=ax1)
avg=top_10['Purchases'].mean()
ax1.set(title='Units',xlabel='TotalUnits',ylabel='')
ax1.axvline(x=avg,color='b',label='Average',linestyle='--',linewidth=1)
#Titlethefigure
fig.suptitle('2014SalesAnalysis',fontsize=14,fontweight='bold');
#Hidethelegends
ax1.legend().set_visible(False)
ax0.legend().set_visible(False)
現(xiàn)在，我已經(jīng)在jupyternotebook中用%matplotlibinline展示了很多圖像。但是，在很多情況下你需要以特定格式保存圖像，將其和其他呈現(xiàn)方式整合在一起。
Matplotlib支持多種不同文件保存格式。你可以使用fig.canvas.get_supported_filetypes()查看系統(tǒng)支持的文件格式：
fig.canvas.get_supported_filetypes()
{'eps':'EncapsulatedPostscript',
'jpeg':'JointPhotographicExpertsGroup',
'jpg':'JointPhotographicExpertsGroup',
'pdf':'PortableDocumentFormat',
'pgf':'PGFcodeforLaTeX',
'png':'PortableNetworkGraphics',
'ps':'Postscript',
'raw':'RawRGBAbitmap',
'rgba':'RawRGBAbitmap',
'svg':'ScalableVectorGraphics',
'svgz':'ScalableVectorGraphics',
'tif':'TaggedImageFileFormat',
'tiff':'TaggedImageFileFormat'}
我們有fig對象，因此我們可以將圖像保存成多種格式：
fig.savefig('sales.png',transparent=False,dpi=80,bbox_inches="tight")
該版本將圖表保存為不透明背景的png文件。我還指定dpi和bbox_inches="tight"以最小化多余空白。
結(jié)論
希望該方法可以幫助大家理解如何更有效地使用Matplotlib進(jìn)行日常數(shù)據(jù)分析。
文章到此結(jié)束，如果本次分享的repository注解的作用和mybatis的作用的問題解決了您的問題，那么我們由衷的感到高興！
