Python 教程之 Django(8)在 Django 管理界面中渲染模型

简介: Python 教程之 Django(8)在 Django 管理界面中渲染模型

在 Django 管理界面中渲染模型

要在 Django 管理员中渲染模型,我们需要修改应用/管理员.py。转到极客应用程序中的 admin.py,然后输入以下代码。从 models.py 导入相应的模型,并将其注册到管理界面。

from django.contrib import admin
# 在此处注册我们的型号。
from .models import GeeksModel
admin.site.register(GeeksModel)

现在我们可以检查模型是否已在Django Admin中呈现,Django管理界面可用于以图形方式实现CRUD(创建,检索,更新,删除)。

image.png

Django CRUD – 插入、更新和删除数据

Django允许我们使用称为ORM(对象关系映射器)的数据库抽象API与其数据库模型进行交互,即添加,删除,修改和查询对象。我们可以通过在项目目录中运行以下命令来访问 Django ORM。

python manage.py shell

添加对象

要创建模型 Album 的对象并将其保存到数据库中,我们需要编写以下命令:

>>>> a = GeeksModel(
         title = "GeeksForGeeks",  
         description = "A description here",
         img = "geeks/abc.png"
         )
>>> a.save()

检索对象

要检索模型的所有对象,我们编写以下命令:

>>> GeeksModel.objects.all()
<QuerySet [<GeeksModel: Divide>, <GeeksModel: Abbey Road>, <GeeksModel: Revolver>]>

修改现有对象

我们可以按如下方式修改现有对象:

>>> a = GeeksModel.objects.get(id = 3)
>>> a.title = "Pop"
>>> a.save()

删除对象

要删除单个对象,我们需要编写以下命令:

>>> a = Album.objects.get(id = 2)
>>> a.delete()


目录
相关文章
|
1天前
|
数据可视化 Python
Python模型评估与选择:面试必备知识点
【4月更文挑战第17天】本文深入探讨了Python模型评估与选择在面试中的关键点,包括性能度量、过拟合与欠拟合识别、模型比较与选择、模型融合和偏差-方差权衡。强调了避免混淆评估指标、忽视模型验证和盲目追求高复杂度模型的常见错误,并提供相关代码示例,如交叉验证、网格搜索和超参数调优。通过理解这些概念和技巧,可在面试中展示出色的数据科学能力。
26 12
|
3天前
|
机器学习/深度学习 数据可视化 Linux
python用ARIMA模型预测CO2浓度时间序列实现
python用ARIMA模型预测CO2浓度时间序列实现
|
4天前
|
Python 数据可视化 索引
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
18 0
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
|
4天前
|
机器学习/深度学习 Python 数据处理
Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据
Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据
25 0
Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据
|
4天前
|
数据挖掘 vr&ar Python
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
25 10
|
4天前
|
机器学习/深度学习 存储 算法
PYTHON集成机器学习:用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化
PYTHON集成机器学习:用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化
25 7
|
4天前
|
vr&ar Python
Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列4
Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列
26 0
|
4天前
|
机器学习/深度学习 算法 数据可视化
python用支持向量机回归(SVR)模型分析用电量预测电力消费
python用支持向量机回归(SVR)模型分析用电量预测电力消费
26 7
|
4天前
|
数据可视化 算法 Python
python中的copula:Frank、Clayton和Gumbel copula模型估计与可视化
python中的copula:Frank、Clayton和Gumbel copula模型估计与可视化
16 0
|
4天前
|
机器学习/深度学习
模型选择与调优:scikit-learn中的交叉验证与网格搜索
【4月更文挑战第17天】在机器学习中,模型选择和调优至关重要,scikit-learn提供了交叉验证和网格搜索工具。交叉验证(如k折、留一法和分层k折)用于评估模型性能和参数调优。网格搜索(如GridSearchCV和RandomizedSearchCV)遍历或随机选择参数组合以找到最优设置。通过实例展示了如何使用GridSearchCV对随机森林模型进行调优,强调了理解问题和数据的重要性。