首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Python pysqlite不接受我的qmark参数化

您好!您提到的问题是关于Python pysqlite库中的参数化查询问题。

在pysqlite中,您可以使用占位符?来表示参数,并使用元组或列表来传递参数值。例如:

代码语言:python
代码运行次数:0
复制
import sqlite3

conn = sqlite3.connect('example.db')
cursor = conn.cursor()

query = "SELECT * FROM users WHERE name=?"
cursor.execute(query, ('John',))

results = cursor.fetchall()
for row in results:
    print(row)

conn.close()

在这个例子中,我们使用了一个元组('John',)来传递参数值。如果您有多个参数,可以使用列表:

代码语言:python
代码运行次数:0
复制
query = "SELECT * FROM users WHERE name=? AND age=?"
cursor.execute(query, ('John', 30))

如果您使用的是pysqlite的另一个库sqlite3,则可以使用命名参数来表示参数,例如:

代码语言:python
代码运行次数:0
复制
import sqlite3

conn = sqlite3.connect('example.db')
cursor = conn.cursor()

query = "SELECT * FROM users WHERE name=:name"
cursor.execute(query, {'name': 'John'})

results = cursor.fetchall()
for row in results:
    print(row)

conn.close()

在这个例子中,我们使用了一个字典{'name': 'John'}来传递参数值。如果您有多个参数,可以使用字典:

代码语言:python
代码运行次数:0
复制
query = "SELECT * FROM users WHERE name=:name AND age=:age"
cursor.execute(query, {'name': 'John', 'age': 30})

希望这些信息能够帮助您解决问题!如果您有其他问题,请随时提问。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

ICML 2024 | 情境化的策略恢复:用自适应模仿学习来建模和解释医疗决策

今天为大家介绍的是来自卡内基·梅隆大学的Eric P. Xing团队的一篇论文。可解释策略学习旨在从观察到的行为中估计可理解的决策策略;然而,现有模型在准确性和可解释性之间存在权衡,这限制了基于数据的人类决策过程的解释。从根本上说,现有方法之所以受到这一权衡的困扰,是因为它们将底层决策过程表示为一个通用策略,而实际上人类决策是动态的,可以在不同情境下发生显著变化。因此,作者开发了情境化策略恢复(CPR),将复杂决策过程的建模问题重新定义为一个多任务学习问题,每个情境代表一个独特的任务,可以通过多个简单的情境特定策略逐步构建复杂的决策策略。CPR将每个情境特定策略建模为一个线性映射,并随着新的观测数据的加入生成新的策略模型。作者提供了两种CPR框架的实现方式:一种侧重于精确的局部可解释性,另一种保留了完整的全局可解释性。作者通过模拟数据和实际数据进行了评估,在预测重症监护病房中的抗生素处方和预测阿尔茨海默症患者的MRI处方方面,达到了最先进的性能。通过这一改进,CPR弥合了可解释方法和黑箱方法之间的准确性差距,允许对情境特定决策模型进行高分辨率的探索和分析。

01
领券