模型映射器0.4.5
modelmapper的Python项目详细描述
======
自动生成orm模型，以**确定性**的方式直接从csv文件推断规范化和清理功能。
===
日期时间，十进制等值。
-具有数百个字段的CSV
-基于所有这些变体手工创建ORM和API。
-为模型手工创建API端点。
csvs.
安装
=
``pip install modelmapper``
注意：modelmapper需要python 3.6或更高版本。
如何安装？
====
>1。逐个导入每个培训csv
2。根据设置中定义的规则规范字段名：
``field_name_full_conversion``和``field_name_part_conversion`
3。分析每个csv每个字段的所有值，以推断
数据的类型，以及清除数据并将数据转换为数据库的正确格式所需的功能。
4。将每个csv的分析结果写入单个toml文件。在
这一点上，没有对CSV进行比较。
5.将不同CSV之间的结果组合起来，以确定应
某个字段的最终决策。
6。如果系统对
某些字段信心不足，请提示用户。
7。用户可以选择覆盖
单独覆盖toml文件中的字段信息。
8。最后决定字段类型并写入orm
模型文件。
9。用户可以继续并验证插入到orm模型中的字段是否正确。
10。现在，用户可以通过执行alembic
自动生成来生成alembic迁移文件。modelmapper提供了在插入数据库之前清除每行数据的功能。但是，用户可以使用该功能。
工作流
==
1。安装modelmapper
``pip安装modelmapper`
2。启动模型的设置
``modelmapper init mymodel`
向导将指导您进行配置。
3.将培训csv文件复制到同一文件夹
4。git commit，这样您就可以看到生成内容的差异。
5。生成sqlalchemy模型和清理数据所需的一切！
`` modelmapper运行mymodel_setup.toml`
6。验证生成的模型
7。运行alembic autogenerate创建数据库迁移文件
8。迁移数据库
9。通过modelmapper导入数据：启动路径为
的映射程序到您的setup toml文件，并通过
get_csv_data_cleaned函数读取清除csv。
10。如何将清理后的数据插入
数据库，由用户决定。CSV中有新字段或发生了更改？不要直接修改生成的模型。相反，将此csv添加到设置toml文件中的培训csv列表中。重新训练系统。使用
git diff查看已更改的内容。
等，并快速遍历您的模型。
通过运行
``modelmapper init[identifier]`
示例：
…代码：：toml
[设置]
空值=["\\n"，"na"，"unk"，"null"，"none"，"nan"，"1/0/00"，"1/0/1900"，"-"]\"1"]任何应被视为布尔真的字符串
布尔假=["假"，"f"，"否"，"n"，"0"]任何应被视为布尔假的字符串
美元到美分=真；如果是，则当字段标记为货币字段时，csv中的值将乘以100在整数字段中存储为分。即使原始数据是十进制的。
percent_to_decimal=true；如果是，则当字段标记为percent values时，csv值将除以100放入数据库。示例：10变为0.10
add_digits_to_decimal_field=2；这是用于填充十进制字段。如果训练CSV中最大的十进制大小是例如xx.xxx，则每边填充2将定义一个可以容纳xxxx.xxxxx的数据库字段
将字符串字段的填充添加到字符串长度=32。如果训练CSV中的最大字符串长度为X，则DB字段大小将为X+填充。
DateTime允许的字符数="0123456789/：-"；如果训练CSV中的字符串值包含DateTime允许的字符数的子集，然后，将评估该字符串值是否可能具有datetime值。
datetime_formats=[%m/%d/%y"，%m/%d/%y，%y%m%d]所有培训CSV中任何可能的datetime格式的列表。
field戋u full戋conversion=[]使用此命令告诉modelmapper哪个字段名称应视为同一字段。如果字段名在不同的csv之间发生更改，则这非常有用。例如，[[['field 1'，'field a']，['field 2'，'field b']]
br/>br/>field \;;35;;35;;;35\353535;;"数字"，["（e/N）"，["（Y/N）"，""，["（S）"，，，["（E，S）"，""，，[["（E，S）"，，，[[y y yyyymmdd"，""，"，，，["，"，，，，[，"，["，"，"，，"，[，，，"，"，"，"，，"，"，，，"，"，"，，，"？"，["-"，"？"，["%"，"？""，"[ ] ]"，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，相等的"，["，"，"，"，["，""]]字段名中应替换为另一个单词的单词列表。
如果字段名中有"美元"值，则将其视为"货币"字段。只有当dollar_to_cent为真时才重要
non_string_fields_are_all_nullable=true；如果是，任何非string字段都将自动为空。否则，只有在培训csv中有空值时，才会将其标记为可空。
字符串字段可以是空的=假的；通常字符串字段不应该是空的，因为它们只能是空的。如果将其设置为true，则如果任何训练CSV中的字符串字段中有空值，则它将标记该字段为空。
training_csvs=[]\training CSV的相对路径列表
output_model_file=''\ORM模型文件的相对路径输出生成的模型将被插入。
[settings.max_int]
32767="smallinteger"训练csv中包含此值以下所有数字的整数字段将被标记为smallinteger。如果不需要任何smallintegerfields，请删除这一行。
2147483647="integer"在训练csv中，一个包含所有数字的整数字段，但至少一个大于smallinteger的字段将标记为integer
9223372036854775807="biginger"一个包含所有数字的整数字段低于此值但至少有一个高于培训CSV中的整数将标记为bigInteger
f.a.q
=
ModelMapper是一次性工具吗？
——设计成确定性的。如果它不能推断出训练csv中的任何数据类型更改，那么它应该保持模型的完整性。我们的想法是，您的数据应该定义您的模型，而不是以其他方式定义。只有当modelmapper从
您的数据推断需要更改orm架构时，它才会更新您的模型。
我的orm模型中有某些字段不在培训csv中。这是怎么回事？
——您可以在这些标记之外使用任何其他字段和功能
，并且modelmapper不会接触这些标记。
modelmapper似乎很容易受到sql注入的影响
服务器。
ModelMapper仅用于开发时。它关注的是帮助开发人员以自动方式做出正确的选择。它甚至不需要考虑sql注入。在将数据放入
数据库之前，必须使用
orm推荐的方法来转义数据。| Circleci图像：：https://circleci.com/gh/wearefair/modelmapper.svg？style=svg
：目标：https://circleci.com/gh/wearefair/modelmapper
主页：https://github.com/wearefair/modelmapper
作者：sep dehpour
作者电子邮件：sepd@fair.com
许可证：未知
下载网址：https://github.com/wearefair/modelmapper/tarball/master
描述：未知
平台：未知
分类器：目标受众：：开发人员
分类器：操作系统：：操作系统无关
分类器：主题：：软件开发
分类器：编程语言：：python:：3.6
分类器：编程语言：：python：：3.7
分类器：开发状态：：4-beta
自动生成orm模型，以**确定性**的方式直接从csv文件推断规范化和清理功能。
===
日期时间，十进制等值。
-具有数百个字段的CSV
-基于所有这些变体手工创建ORM和API。
-为模型手工创建API端点。
csvs.
安装
=
``pip install modelmapper``
注意：modelmapper需要python 3.6或更高版本。
如何安装？
====
>1。逐个导入每个培训csv
2。根据设置中定义的规则规范字段名：
``field_name_full_conversion``和``field_name_part_conversion`
3。分析每个csv每个字段的所有值，以推断
数据的类型，以及清除数据并将数据转换为数据库的正确格式所需的功能。
4。将每个csv的分析结果写入单个toml文件。在
这一点上，没有对CSV进行比较。
5.将不同CSV之间的结果组合起来，以确定应
某个字段的最终决策。
6。如果系统对
某些字段信心不足，请提示用户。
7。用户可以选择覆盖
单独覆盖toml文件中的字段信息。
8。最后决定字段类型并写入orm
模型文件。
9。用户可以继续并验证插入到orm模型中的字段是否正确。
10。现在，用户可以通过执行alembic
自动生成来生成alembic迁移文件。modelmapper提供了在插入数据库之前清除每行数据的功能。但是，用户可以使用该功能。
工作流
==
1。安装modelmapper
``pip安装modelmapper`
2。启动模型的设置
``modelmapper init mymodel`
向导将指导您进行配置。
3.将培训csv文件复制到同一文件夹
4。git commit，这样您就可以看到生成内容的差异。
5。生成sqlalchemy模型和清理数据所需的一切！
`` modelmapper运行mymodel_setup.toml`
6。验证生成的模型
7。运行alembic autogenerate创建数据库迁移文件
8。迁移数据库
9。通过modelmapper导入数据：启动路径为
的映射程序到您的setup toml文件，并通过
get_csv_data_cleaned函数读取清除csv。
10。如何将清理后的数据插入
数据库，由用户决定。CSV中有新字段或发生了更改？不要直接修改生成的模型。相反，将此csv添加到设置toml文件中的培训csv列表中。重新训练系统。使用
git diff查看已更改的内容。
等，并快速遍历您的模型。
通过运行
``modelmapper init[identifier]`
示例：
…代码：：toml
[设置]
空值=["\\n"，"na"，"unk"，"null"，"none"，"nan"，"1/0/00"，"1/0/1900"，"-"]\"1"]任何应被视为布尔真的字符串
布尔假=["假"，"f"，"否"，"n"，"0"]任何应被视为布尔假的字符串
美元到美分=真；如果是，则当字段标记为货币字段时，csv中的值将乘以100在整数字段中存储为分。即使原始数据是十进制的。
percent_to_decimal=true；如果是，则当字段标记为percent values时，csv值将除以100放入数据库。示例：10变为0.10
add_digits_to_decimal_field=2；这是用于填充十进制字段。如果训练CSV中最大的十进制大小是例如xx.xxx，则每边填充2将定义一个可以容纳xxxx.xxxxx的数据库字段
将字符串字段的填充添加到字符串长度=32。如果训练CSV中的最大字符串长度为X，则DB字段大小将为X+填充。
DateTime允许的字符数="0123456789/：-"；如果训练CSV中的字符串值包含DateTime允许的字符数的子集，然后，将评估该字符串值是否可能具有datetime值。
datetime_formats=[%m/%d/%y"，%m/%d/%y，%y%m%d]所有培训CSV中任何可能的datetime格式的列表。
field戋u full戋conversion=[]使用此命令告诉modelmapper哪个字段名称应视为同一字段。如果字段名在不同的csv之间发生更改，则这非常有用。例如，[[['field 1'，'field a']，['field 2'，'field b']]
br/>br/>field \;;35;;35;;;35\353535;;"数字"，["（e/N）"，["（Y/N）"，""，["（S）"，，，["（E，S）"，""，，[["（E，S）"，，，[[y y yyyymmdd"，""，"，，，["，"，，，，[，"，["，"，"，，"，[，，，"，"，"，"，，"，"，，，"，"，"，，，"？"，["-"，"？"，["%"，"？""，"[ ] ]"，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，相等的"，["，"，"，"，["，""]]字段名中应替换为另一个单词的单词列表。
如果字段名中有"美元"值，则将其视为"货币"字段。只有当dollar_to_cent为真时才重要
non_string_fields_are_all_nullable=true；如果是，任何非string字段都将自动为空。否则，只有在培训csv中有空值时，才会将其标记为可空。
字符串字段可以是空的=假的；通常字符串字段不应该是空的，因为它们只能是空的。如果将其设置为true，则如果任何训练CSV中的字符串字段中有空值，则它将标记该字段为空。
training_csvs=[]\training CSV的相对路径列表
output_model_file=''\ORM模型文件的相对路径输出生成的模型将被插入。
[settings.max_int]
32767="smallinteger"训练csv中包含此值以下所有数字的整数字段将被标记为smallinteger。如果不需要任何smallintegerfields，请删除这一行。
2147483647="integer"在训练csv中，一个包含所有数字的整数字段，但至少一个大于smallinteger的字段将标记为integer
9223372036854775807="biginger"一个包含所有数字的整数字段低于此值但至少有一个高于培训CSV中的整数将标记为bigInteger
f.a.q
=
ModelMapper是一次性工具吗？
——设计成确定性的。如果它不能推断出训练csv中的任何数据类型更改，那么它应该保持模型的完整性。我们的想法是，您的数据应该定义您的模型，而不是以其他方式定义。只有当modelmapper从
您的数据推断需要更改orm架构时，它才会更新您的模型。
我的orm模型中有某些字段不在培训csv中。这是怎么回事？
——您可以在这些标记之外使用任何其他字段和功能
，并且modelmapper不会接触这些标记。
modelmapper似乎很容易受到sql注入的影响
服务器。
ModelMapper仅用于开发时。它关注的是帮助开发人员以自动方式做出正确的选择。它甚至不需要考虑sql注入。在将数据放入
数据库之前，必须使用
orm推荐的方法来转义数据。| Circleci图像：：https://circleci.com/gh/wearefair/modelmapper.svg？style=svg
：目标：https://circleci.com/gh/wearefair/modelmapper
主页：https://github.com/wearefair/modelmapper
作者：sep dehpour
作者电子邮件：sepd@fair.com
许可证：未知
下载网址：https://github.com/wearefair/modelmapper/tarball/master
描述：未知
平台：未知
分类器：目标受众：：开发人员
分类器：操作系统：：操作系统无关
分类器：主题：：软件开发
分类器：编程语言：：python:：3.6
分类器：编程语言：：python：：3.7
分类器：开发状态：：4-beta
欢迎加入QQ群-->： 979659372
