Pandas 数据的连接拼合_Pandas 入门教程-慕课网

松思园 · 更新于 2021-03-12

Pandas 的算术运算

Pandas 排序和排名操作

1. 前言

上一小节我们学习了 Pandas 库的算术运算，主要包括加法 add ()，减法 sub ()，乘法 mul () 和除法 div () 运算，以及每个操作中应该注意的事项，日常数据处理中，除了数据集之间的算术运算，我们有时候还需要像数据库查询那样进行数据的连接和合并操作，为进一步的数据分析做好铺垫。那作为强大的数据处理分析库 Pandas 中有没有专门提供数据集之间进行数据连接或合并的操作呢？

本节课我们将一起学习 Pandas 库对于数据连接和合并的操作，主要涉及两个操作函数 merge () 和 concat () ，接下来我们将详细的学习数据合并和连接的具体操作内容。

2. 数据的连接操作

Pandas 中我们有时候需要将两个数据集的数据进行连接，根据一个或多个键进行数据的连接，返回一个新的数据集供进一步的数据分析。针对数据连接操作，Panda 库中提供了 merge () 函数进行操作。

在讲解函数功能之前，我们这里准备了两个 Excel 数据，数据内容分别如下图：

数据文件：execl 数据 demo01.xlsx

图片描述

数据文件：execl 数据 demo02.xlsx

图片描述

我们通过 Pandas 进行数据解析：

# 导入pandas包
import pandas as pd
data_path_01="C:/Users/13965/Documents/myFuture/IMOOC/pandasCourse-progress/data_source/第14小节/execl数据demo01.xlsx"
data_path_02="C:/Users/13965/Documents/myFuture/IMOOC/pandasCourse-progress/data_source/第14小节/execl数据demo02.xlsx"

# 解析数据
data_01 = pd.read_excel(data_path_01)
data_02 = pd.read_excel(data_path_02)
print(data_01)
print(data_02)

# --- 输出结果 data_01 ---
     编程语言   编号   推出时间    价格                       主要创始人
0    java  1995010302  1995年  45.6               James Gosling
1  python  1991110502  1991年  67.0            Guido van Rossum
2       C  1972021222  1972年  33.9  Dennis MacAlistair Ritchie
3      js  1995040903  1995年  59.5                Brendan Eich
4     php  2012092312  2012年  69.9              Rasmus Lerdorf
5     C++  1983070316  1983年  75.0           Bjarne Stroustrup

# --- 输出结果 data_02 ---
       编号   推出时间  月平均销售数量 主要销售区域
0  1995010302  1995年      134     成都
1  1991110506  2006年      231     北京
2  1972021222  1972年       67     天津
3  1995040903  1995年      199     上海
4  2012092313  2013年       23     深圳
5  1983070316  1983年      323     合肥

输出解析：通过上面的描述可以看到，我们的数据集 data_01 和 data_02 他们都有 “编号” 和 “推出时间” 这两列，对应这两列两个数据集中有相同的数据，也有不同数据。

2.1 merge () 函数

该函数提供了丰富的参数，灵活的设置数据的连接方式，下面我们列举了该函数几个常用的参数。

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None,
         left_index=False, right_index=False, sort=True,
         suffixes=('_x', '_y'), copy=True, indicator=False,
         validate=None)

参数名	说明
left	连接的左侧的 DataFrame 数据集
right	连接
how	匹配方式的设置，有 inner，left，right 和 outer 四种模式，默认是 inner 模式
on	指定连接键
suffixes	传入元祖，设置重叠列的索引名的后缀，默认是（‘x’,‘y’）

1. how 参数

该参数有四个值:

inner：是默认的匹配方式，根据两个表的交集部分进行匹配连接；
left：以左边的数据表为基础，匹配右边的数据表，匹配不到的通过 NaN 进行填充；
right：以右边的数据表为基础，匹配左边的数据表，匹配不到的通过 NaN 进行填充；
outer：将两个数据表连接汇总成一个表，有匹配的展示结果，没有匹配的填充 NaN。

下面我们通过代码程序详细的演示一下四种模式的区别：

# data_01 和 data_02 是从两个excel表中解析出的数据集
# merge 函数，默认的 how = “inner”
data_res=pd.merge(data_01,data_02,how="inner")
print(data_res)

# --- 输出结果 ---
   编程语言    编号   推出时间    价格           主要创始人       月平均销售数量  主要销售区域
0  java  1995010302  1995年  45.6               James Gosling      134     成都
1     C  1972021222  1972年  33.9  Dennis MacAlistair Ritchie       67     天津
2    js  1995040903  1995年  59.5                Brendan Eich      199     上海
3   C++  1983070316  1983年  75.0           Bjarne Stroustrup      323     合肥

输出解析：默认的 inner 匹配方式，会通过两个数据集对应的列索引进行数据的匹配，寻找两个数据集中在 “编号” 和 “推出时间” 上匹配的数据进行连接。因为两个数据集在 “编号” 和 “推出时间” 上，只有四个共同数据，通过 inner 方式匹配，结果只有四行数据。

# data_01 和 data_02 是从两个excel表中解析出的数据集
# merge 函数， how = “left”
data_res=pd.merge(data_01,data_02,how="left")
print(data_res)

# --- 输出结果 ---
     编程语言   编号     推出时间    价格                主要创始人  月平均销售数量 主要销售区域
0    java  1995010302  1995年  45.6               James Gosling    134.0     成都
1  python  1991110502  1991年  67.0            Guido van Rossum      NaN    NaN
2       C  1972021222  1972年  33.9  Dennis MacAlistair Ritchie     67.0     天津
3      js  1995040903  1995年  59.5                Brendan Eich    199.0     上海
4     php  2012092312  2012年  69.9              Rasmus Lerdorf      NaN    NaN
5     C++  1983070316  1983年  75.0           Bjarne Stroustrup    323.0     合肥

输出解析：left 匹配方式，是以左侧数据集的连接键值为标准，通过连接键将右边的数据集进行连接，如果数据在连接键上相匹配，就把数据连接进来，如果左侧数据连接键的值没有找到右侧与之对应的数据，就在右侧数据填充 NaN 。

# data_01 和 data_02 是从两个excel表中解析出的数据集
# merge 函数， how = “right”
data_res=pd.merge(data_01,data_02,how="right")
print(data_res)

# --- 输出结果 ---
   编程语言   编号     推出时间    价格                主要创始人   月平均销售数量 主要销售区域
0  java  1995010302  1995年  45.6               James Gosling      134     成都
1   NaN  1991110506  2006年   NaN                         NaN      231     北京
2     C  1972021222  1972年  33.9  Dennis MacAlistair Ritchie       67     天津
3    js  1995040903  1995年  59.5                Brendan Eich      199     上海
4   NaN  2012092313  2013年   NaN                         NaN       23     深圳
5   C++  1983070316  1983年  75.0           Bjarne Stroustrup      323     合肥

输出解析：right 匹配方式，是以右侧数据集的连接键值为标准，通过连接键将左侧的数据集进行连接，如果在连接键上左侧数据和右侧数据相匹配，就把左侧的数据连接进来，右侧数据连接键上数据左侧数据没有与之匹配的数据，则以 NaN 进行填充。

# data_01 和 data_02 是从两个excel表中解析出的数据集
# merge 函数， how = “outer”
data_res=pd.merge(data_01,data_02,how="outer")
print(data_res)

# --- 输出结果 ---
    编程语言   编号   推出时间    价格                   主要创始人  月平均销售数量 主要销售区域
0    java  1995010302  1995年  45.6               James Gosling    134.0     成都
1  python  1991110502  1991年  67.0            Guido van Rossum      NaN    NaN
2       C  1972021222  1972年  33.9  Dennis MacAlistair Ritchie     67.0     天津
3      js  1995040903  1995年  59.5                Brendan Eich    199.0     上海
4     php  2012092312  2012年  69.9              Rasmus Lerdorf      NaN    NaN
5     C++  1983070316  1983年  75.0           Bjarne Stroustrup    323.0     合肥
6     NaN  1991110506  2006年   NaN                         NaN    231.0     北京
7     NaN  2012092313  2013年   NaN                         NaN     23.0     深圳

输出解析：outer 匹配方式，是以连接键为标准，将左右两边的数据集进行连接，如果连接键存中两个数据集存在匹配的数据，则把左右数据进行连接，如果有一个数据集不存在匹配数据，则用 NaN 进行填充。

2. on 参数

该参数用于指定数据集的连接键，默认的是两个数据集中共有的列索引，就像我们上面的 data_01 和 data_02 数据集，他们都有 “编号” 和 “推出时间” 列，因此这两列就是默认的连接键。当然我们也可以用 on 参数指定其中的一列为连接键，如下代码演示：

# data_01 和 data_02 是从两个excel表中解析出的数据集
# merge 函数， on = “编号”
data_res=pd.merge(data_01,data_02,on=["编号"])
print(data_res)

# --- 输出结果 ---
   编程语言    编号 推出时间_x    价格          主要创始人   推出时间_y  月平均销售数量  主要销售区域 
0  java  1995010302  1995年  45.6               James Gosling  1995年  134       成都  
1     C  1972021222  1972年  33.9  Dennis MacAlistair Ritchie  1972年  67        天津
2    js  1995040903  1995年  59.5                Brendan Eich  1995年  199       上海 
3   C++  1983070316  1983年  75.0           Bjarne Stroustrup  1983年  323       合肥

输出解析：这里我们指定了关键键为” 编号 “列，因此在数据匹配时，将以该列进行数据的匹配连接操作，因为两个数据集中均有” 推出时间 “列，因此会默认加上后缀 ”x“，”y“ 作为区分，当然后面我们会讲到对后缀的修改操作。

Tips：在这里我们需要注意指定连接键时传入的是列表数据，可以是多个数据列，但一定要是连接数据集中都有的列索引，否则会报错 KeyError ，如下面代码所示。

# data_01 和 data_02 是从两个excel表中解析出的数据集
# merge 函数， on = “主要创始人”
data_res=pd.merge(data_01,data_02,on=["主要创始人"])
print(data_res)

# --- 输出结果 ---
   ……
    1561             values = self.axes[axis].get_level_values(key)._values
   1562         else:
-> 1563             raise KeyError(key)
   1564 
   1565         # Check for duplicates
KeyError: '主要创始人'

输出解析：这里可以看到，我们指定了连接键是 “主要创始人”，并不是两个数据集中都有的列索引，因此会报错。

3. suffixes 参数

该参数用于指定连接后数据集中重复列索引的后缀，默认的是（‘x’,‘y’）：

# data_01 和 data_02 是从两个excel表中解析出的数据集
# merge 函数，suffixes
data_res=pd.merge(data_01,data_02,on=["编号"],suffixes=("AA","BB") )
print(data_res)

# --- 输出结果 ---
  编程语言   编号 推出时间AA    价格               主要创始人 推出时间BB  月平均销售数量 主要销售区域 
0  java  1995010302  1995年  45.6               James Gosling  1995年      134   成都
1     C  1972021222  1972年  33.9  Dennis MacAlistair Ritchie  1972年       67   天津
2    js  1995040903  1995年  59.5                Brendan Eich  1995年      199   上海
3   C++  1983070316  1983年  75.0           Bjarne Stroustrup  1983年      323   合肥

输出解析：通过 suffixes 参数指定重复列索引值所添加的后缀值，通过输出结果可以看出 “推出时间” 分别加上上 AA， BB 的后缀。

3. 数据的合并操作

除了连接数据集，我们有时候需要对数据集在行或者列上进行数据的拓展，这就要涉及到多个数据集的合并操作了，Pandas 中提供了 concat () 函数用于数据集的合并操作。

同样的在正式讲解该函数使用之前，我们先准备一下数据源。

数据文件：execl 数据 demo03.xlsx

图片描述

数据文件：execl 数据 demo04.xlsx

图片描述

数据文件：execl 数据 demo05.xlsx

图片描述

通过 Pandas 将数据解析出来，数据对象分别为：data_03 ，data_04 ，data_05

# 导入pandas包
import pandas as pd
data_path_03="C:/Users/13965/Documents/myFuture/IMOOC/pandasCourse-progress/data_source/第14小节/execl数据demo03.xlsx"
data_path_04="C:/Users/13965/Documents/myFuture/IMOOC/pandasCourse-progress/data_source/第14小节/execl数据demo04.xlsx"
data_path_05="C:/Users/13965/Documents/myFuture/IMOOC/pandasCourse-progress/data_source/第14小节/execl数据demo05.xlsx"

# 解析数据
data_03 = pd.read_excel(data_path_03)
data_04 = pd.read_excel(data_path_04)
data_05 = pd.read_excel(data_path_05)

print(data_03)
# --- 输出结果 data_03 ---
   编程语言   推出时间    价格
0    java  1995年  45.6
1  python  1991年  67.0
2       C  1972年  33.9
3      js  1995年  59.5
4     php  2012年  69.9
5     C++  1983年  75.0

print(data_04)
# --- 输出结果 data_04---
   推出时间  月平均销售数量 主要销售区域
0  1995年      134     成都
1  2006年      231     北京
2  1972年       67     天津

print(data_05)
# --- 输出结果 ---
   推出时间  月份 发行地点
0  1995年  12   广州
1  2006年   2   上海
2  1972年   4   南京
3  2017年   5   北京

输出解析：我们构造了三个数据集，他们都有 "推出时间" 数据列，其他列名均不一样，在数据的量上也存在差异，data_03 有 6 条数据，data_04 有 3 条数据，data_05 有 4 条数据。

3.1 concat () 函数

对于多个数据集的合并操作，concat () 函数提供了丰富的设置参数，满足我们灵活的合并需要，这里我们列举几个常用的参数进行详细讲解。

pd.concat(objs, axis='0', join:'outer', ignore_index: 'False', keys='None', levels='None', names='None', verify_integrity: 'False', sort: 'False', copy:'True')

参数名	说明
objs	要合并的数据列表，可以是 Series、 DataFrame
axis	合并的方向，axis=0 纵向合并 (默认)，axis=1 横向合并
join	数据合并的方式，包含 inner 和 outer 两种，默认是 outer
ignore_index	忽略合并方向上轴的索引值，从 0 开始重新进行索引值排序，默认为 ignore_index=False

下面我们通过代码程序进行详细学习这些参数的使用。

1. axis 参数

该参数用于设置数据合并的方向。

# data_03，data_04，data_05 是上面从三个excel表中解析出的数据集
# concat 函数，axis=0 是纵向上按行合并。
data_res=pd.concat([data_03,data_04,data_05],axis=0)
print(data_res)
# --- 输出结果 ---
   编程语言 推出时间  价格  月平均销售数量 主要销售区域  月份 发行地点
0    java  1995年  45.6      NaN    NaN   		NaN  NaN
1  python  1991年  67.0      NaN    NaN   		NaN  NaN
2       C  1972年  33.9      NaN    NaN   		NaN  NaN
3      js  1995年  59.5      NaN    NaN   		NaN  NaN
4     php  2012年  69.9      NaN    NaN   		NaN  NaN
5     C++  1983年  75.0      NaN    NaN   		NaN  NaN
0     NaN  1995年   NaN    134.0     成都   		NaN  NaN
1     NaN  2006年   NaN    231.0     北京   		NaN  NaN
2     NaN  1972年   NaN     67.0     天津   		NaN  NaN
0     NaN  1995年   NaN      NaN    NaN  		12.0   广州
1     NaN  2006年   NaN      NaN    NaN   		2.0   上海
2     NaN  1972年   NaN      NaN    NaN   		4.0   南京
3     NaN  2017年   NaN      NaN    NaN   		5.0   北京
# 输出解析：通过设置 axis=0 在纵向上合并数据，总的行数据量是3个数据集的总和，扩充了行数据。

# concat 函数，axis=1 设置在横向上合并。
data_res=pd.concat([data_03,data_04,data_05],axis=1)
print(data_res)
# --- 输出结果 ---
   编程语言 推出时间  价格   推出时间  月平均销售数量 主要销售区域   推出时间  月份  发行地点
0    java  1995年  45.6  1995年    134.0     		成都  	1995年  	12.0   广州
1  python  1991年  67.0  2006年    231.0     		北京  	2006年   2.0    上海
2       C  1972年  33.9  1972年     67.0     		天津  	1972年   4.0    南京
3      js  1995年  59.5    NaN      NaN    		NaN  	  2017年   5.0    北京
4     php  2012年  69.9    NaN      NaN    		NaN    		NaN   NaN  	 NaN
5     C++  1983年  75.0    NaN      NaN    		NaN    		NaN   NaN  	 NaN
# 输出解析：通过设置 axis=1 在横向上合并数据，总的列数据量是3个数据集的总和，扩充了列数据。

2. join 参数

该参数设置数据集合并的方式，有两个值：

inner：数据集之间的交集，行合并时取列索引值的相同的数据，列合并时取行索引值相同的数据；
outer：取数据集之间的并集，没有数据的用 NaN 进行填充，默认是这种合并方式。

# data_03，data_04，data_05 是上面从三个excel表中解析出的数据集
# concat 函数，axis=1,join="outer" 设置合并的方式。
data_res=pd.concat([data_03,data_04,data_05],axis=1,join="outer")
print(data_res)
# --- 输出结果 ---
   编程语言  推出时间  价格  推出时间  月平均销售数量 主要销售区域   推出时间  月份     发行地点
0    java  	1995年  45.6  1995年    134.0    	    成都	  	1995年  	12.0   	广州
1  python  	1991年  67.0  2006年    231.0     	北京      2006年   2.0   	上海
2       C  	1972年  33.9  1972年     67.0         天津      1972年   4.0   	南京
3      js  	1995年  59.5    NaN      NaN    	     NaN      2017年   5.0     北京
4     php  	2012年  69.9    NaN      NaN    	     NaN       NaN     NaN     NaN
5     C++  	1983年  75.0    NaN      NaN    	     NaN       NaN     NaN     NaN
# 输出解析：这里设置在横向上合并列数据，合并方式为 outer ，所以将所有数据集的行索引取了并集，data_03 的行索引值为0-5，data_04 的行索引值为0-2，data_5 的行索引值为0-3，他们的并集就是 data_03 的从0到5，对于 data_04 和 data_05 在对应的行索引上不存在数据的，则以 NaN 进行填充。

# concat 函数，axis=0,join="outer" 设置合并的方式。
data_res=pd.concat([data_03,data_04,data_05],axis=0,join="outer")
print(data_res)
# --- 输出结果 ---
  编程语言 推出时间  价格  月平均销售数量 主要销售区域    月份 发行地点
0    java  1995年  45.6      NaN    NaN   		 NaN  NaN
1  python  1991年  67.0      NaN    NaN  		 NaN  NaN
2       C  1972年  33.9      NaN    NaN  		 NaN  NaN
3      js  1995年  59.5      NaN    NaN   		 NaN  NaN
4     php  2012年  69.9      NaN    NaN   		 NaN  NaN
5     C++  1983年  75.0      NaN    NaN   		 NaN  NaN
0     NaN  1995年   NaN    134.0     成都   		NaN  NaN
1     NaN  2006年   NaN    231.0     北京   		NaN  NaN
2     NaN  1972年   NaN     67.0     天津   		NaN  NaN
0     NaN  1995年   NaN      NaN    NaN  		12.0   广州
1     NaN  2006年   NaN      NaN    NaN   		2.0   上海
2     NaN  1972年   NaN      NaN    NaN   		4.0   南京
3     NaN  2017年   NaN      NaN    NaN   		5.0   北京
# 输出解析： 这里设置了在纵向上的行合并，合并方式为 outer，在列索引上取了并集，为{“编程语言”，“推出时间”，“价格”，“月平均销售数量”，“主要销售区域”，“月份”，“发行地点”}，合并行中如果不存在对应列的数据，则以 NaN 进行填充。

# concat 函数，axis=1,join="inner" 设置合并的方式。
data_res=pd.concat([data_03,data_04,data_05],axis=1,join="inner")
print(data_res)
# --- 输出结果 ---
   编程语言 推出时间  价格  推出时间  月平均销售数量 主要销售区域   推出时间  月份 发行地点
0    java  1995年  45.6  1995年      134    	 成都  		1995年  12   广州
1  python  1991年  67.0  2006年      231     	 北京  		2006年   2   上海
2       C  1972年  33.9  1972年       67     	 天津  		1972年   4   南京
# 输出解析：这里设置了在横向上合并列数据，合并方式为 inner ，在行索引值中去交集，data_03 的行索引值为0-5，data_04 的行索引值为0-2，data_5 的行索引值为0-3，他们的交集也就是0到2，可以看到输出结果合并了列，取了三行数据。

# concat 函数，axis=0,join="inner" 设置合并的方式。
data_res=pd.concat([data_03,data_04,data_05],axis=0,join="inner")
print(data_res)
# --- 输出结果 ---
    推出时间
0  1995年
1  1991年
2  1972年
3  1995年
4  2012年
5  1983年
0  1995年
1  2006年
2  1972年
0  1995年
1  2006年
2  1972年
3  2017年
# 输出解析：通过设置在行上进行数据合并，用的 inner 方式合并，在列的数据上，他们的交集只有“推出时间”，通过输出可以看到效果。

通过上面的代码演示可以看到，因为 outer 取得是并集，合并结果中可能会出现 NaN 的填充数据，而 inner 取的是交集，合并数据结果集中不会出现 NaN 的缺失数据。

3. ignore_index 参数

该参数可以设置在合并方向上的索引值自动生成，从 0 开始的整数序列。

# data_03，data_04，data_05 是上面从三个excel表中解析出的数据集
# concat 函数，ignore_index 重新生成索引序列。
data_res=pd.concat([data_03,data_04,data_05],axis=1,ignore_index=False)
print(data_res)
# --- 输出结果 ignore_index=False（默认的值）---
     编程语言   推出时间    价格   推出时间  月平均销售数量 主要销售区域   推出时间    月份 发行地点
0    java  1995年  45.6  1995年    134.0     成都  1995年  12.0   广州
1  python  1991年  67.0  2006年    231.0     北京  2006年   2.0   上海
2       C  1972年  33.9  1972年     67.0     天津  1972年   4.0   南京
3      js  1995年  59.5    NaN      NaN    NaN  2017年   5.0   北京
4     php  2012年  69.9    NaN      NaN    NaN    NaN   NaN  NaN
5     C++  1983年  75.0    NaN      NaN    NaN    NaN   NaN  NaN

data_res=pd.concat([data_03,data_04,data_05],axis=1,ignore_index=True)
print(data_res)
# --- 输出结果 ignore_index=True ---
        0      1     2      3      4    5      6     7    8
0    java  1995年  45.6  1995年  134.0   成都  1995年  12.0   广州
1  python  1991年  67.0  2006年  231.0   北京  2006年   2.0   上海
2       C  1972年  33.9  1972年   67.0   天津  1972年   4.0   南京
3      js  1995年  59.5    NaN    NaN  NaN  2017年   5.0   北京
4     php  2012年  69.9    NaN    NaN  NaN    NaN   NaN  NaN
5     C++  1983年  75.0    NaN    NaN  NaN    NaN   NaN  NaN

输出解析：这里通过 ignore_index 参数设置的对比，可以看到在列索引上的索引值的变化。

4. 小结

本节课程我们主要学习了 Pandas 对多个数据集之间的连接和合并操作，对数据的拼接和扩展有重要的帮助，主要涉及到了两个操作函数以及每个操作函数中常用的参数意义。本节课程的重点如下：

merge () 函数的适用场景，以及该函数常用的参数设置；
concat () 函数的适用场景，以及该函数常用的参数设置。

图片描述

Pandas 的算术运算

Pandas 排序和排名操作

我要提出意见反馈

热搜

最近搜索 清空

我的购物车

已加入门课程

购物车里空空如也

Pandas 入门教程

前端开发

JavaScript

JavaScript 入门教程

TypeScript 入门教程

Vue 入门教程

Ajax 入门教程

ES6-10 入门教程

Yarn 入门教程

ECharts 入门教程

HTML & CSS

CSS3 入门教程

雪碧图入门教程

移动端布局教程

Html5 入门教程

Sass 入门教程

HTML 入门教程

canvas 入门教程

uni-app 入门教程

服务端相关

服务器

Nginx 入门教程

HTTP 入门教程

Docker 入门教程

Shell 入门教程

Linux 入门教程

开发工具

Gradle 入门教程

Vim 编辑器教程

RESTful 规范教程

Dreamweaver 教程

Markdown 入门教程

Maven 入门教程

Eclipse 编辑器教程

GitHub 入门教程

Android Studio 编辑器教程

PyCharm 编辑器教程

Sublime Text 使用教程

Postman 教程

Git入门教程

热门服务端语言

C 语言入门教程

Go 入门教程

Kotlin 教程

Ruby 入门教程

ThinkPHP 入门教程

Java

基础应用

Java 入门教程

Android 入门教程

算法入门教程

数据结构入门教程

Lambda 表达式教程

Java 并发原理入门教程

设计模式入门教程

Java并发工具

JVM 入门教程

RabbitMQ 入门教程

网络编程入门教程

后端通用面试教程

框架应用

Spring Boot 入门教程

Spring 入门教程

Hibernate 入门教程

MyBatis 入门教程

Spring MVC 入门教程

Swagger 入门教程

Zookeeper 入门教程

Netty 教程

Spring Security

微服务

Spring Cloud Hystrix

Python

基础应用

Python 入门语法教程

最近搜索清空