Это означает, что он соответствует каждому элементу p
, который находится непосредственно рядом
www.snoopcode.com/css/examples/css-adjacent-sibling-selector
Если вы хотите рассмотреть другие пакеты, посмотрите pandas , который построен поверх numpy. Вы можете читать инструкции sql непосредственно в dataframe, затем фильтровать.
Например,
import pandas
sql = '''SELECT * FROM <table> WHERE <condition>'''
df = pandas.read_sql(sql, <connection>)
# Your output might look like the following:
0 1 2
0 12346 (135:2345678, 212:4354670, 198:9876545) (Flag1, Flag2, Flag3)
1 12345 (136:2343678, 212:4354670, 198:9876545) (Flag1, Flag2, Flag4)
# Format your records into rows
# This part will take some work, and really depends on how your data is formatted
# Do you have repeated values? Are the records always the same size?
# Select only the rows where relationship = 125
rel_125 = df[df['Relationship'] = 125]
Форматирование pandas более глубокое, чем подходит для Q & amp; A, но некоторые Хорошие ресурсы здесь: 10 минут до Pandas .
Вы также можете фильтровать строки напрямую, хотя это может быть не самым эффективным. Например, следующий запрос выбирает только строки, в которых отношения начинаются с «212».
df[df['Relationship'].apply(lambda x: any(y.startswith('212') for y in x))]