asp.net中dataset如何获得多个datatable表的集合（datatable表结构相同），以实现在页面上显示所有表？

Posted 2023-04-02

if (dt != null && dt.Rows.Count > 0)

foreach (DataRow dr in dt.Rows)

string conStr = Utility.GetConnectionString(dr["ip"].ToString(),dr["db"].ToString(),ende.Decrypt(dr["un"].ToString()),ende.Decrypt(dr["pwd"].ToString()));
string sql = "select * from R_Count";
SqlConnection conn = new SqlConnection(conStr);
SqlCommand cmd = new SqlCommand(sql,conn);
SqlDataAdapter ada = new SqlDataAdapter(cmd);
DataTable _dt = new DataTable();
ada.Fill(_dt);
ds.Merge(_dt);
this.GridView1.DataSource = ds;
this.GridView1.DataBind();


dt中存放了连接数据库的字符串。遍历dt中的行，连接多个服务器上的数据库。想要实现在一个页面上显示来自不同服务器上同一张表的有数据数据。本人的程序只显示了连接信息最后一条所连数据库的信息。

最好是能帮忙改一下代码。

参考技术A foreach(DataTable table in ds.Tables() )

...这里table就是你要获取的
本回答被提问者和网友采纳

从 Tensorflow 中的多个 tf.data.Datasets 中随机采样

【中文标题】从 Tensorflow 中的多个 tf.data.Datasets 中随机采样

【英文标题】：Randomly sample from multiple tf.data.Datasets in Tensorflow

【发布时间】：2018-09-19 20:11:48

【问题描述】：

假设我有 N tf.data.Datasets 和 N 个概率列表（总和为 1），现在我想创建数据集，以便示例从具有给定概率的 N 个数据集中采样。

我希望这适用于任意概率 -> 每个数据集中具有固定数量示例的简单 zip/concat/flatmap 可能不是我想要的。

在 TF 中可以做到这一点吗？谢谢！

【问题讨论】：

您对使用所有数据不感兴趣吗？我在问，因为如果你是，概率只会影响生成示例的顺序（因为最终所有样本都将从所有数据集中生成）。您能否澄清您在这方面的问题？

我假设每个数据集无限重复，因此较小的数据集可以循环多次，然后“完成”较大的数据集。

【参考方案1】：

从 1.12 开始，tf.data.experimental.sample_from_datasets 提供此功能： https://www.tensorflow.org/api_docs/python/tf/data/experimental/sample_from_datasets

编辑：看起来在早期版本中这可以通过tf.contrib.data.sample_from_datasets 访问

【讨论】：

如果不同数据集的长度明显不同，请务必小心。在这种情况下，您将不得不手动执行较小数据集的重复或截断较长数据集在应用tf.data.experimental.sample_from_datasets 方法之前。更多详情见this

有没有办法从数据集中对单个元素进行采样？如果a 是一个数据集，我可以使用a.take(1) 访问第一个样本。我可以制作类似a.takerandom(1) 的东西吗？

【参考方案2】：

如果p 是概率的Tensor（或未归一化的相对概率），其中p[i] 是选择数据集i 的概率，则可以将tf.multinomial 与tf.contrib.data.choose_from_datasets 结合使用：

# create some datasets and their unnormalized probability of being chosen
datasets = [
    tf.data.Dataset.from_tensors(['a']).repeat(),
    tf.data.Dataset.from_tensors(['b']).repeat(),
    tf.data.Dataset.from_tensors(['c']).repeat(),
    tf.data.Dataset.from_tensors(['d']).repeat()]
p = [1., 2., 3., 4.]  # unnormalized

# random choice function
def get_random_choice(p):
  choice = tf.multinomial(tf.log([p]), 1)
  return tf.cast(tf.squeeze(choice), tf.int64)

# assemble the "choosing" dataset
choice_dataset = tf.data.Dataset.from_tensors([0])  # create a dummy dataset
choice_dataset = choice_dataset.map(lambda x: get_random_choice(p))  # populate it with random choices
choice_dataset = choice_dataset.repeat()  # repeat

# obtain your combined dataset, assembled randomly from source datasets
# with the desired selection frequencies. 
combined_dataset = tf.contrib.data.choose_from_datasets(datasets, choice_dataset)

注意数据集需要初始化（不能使用简单的make_one_shot_iterator）：

choice_iterator = combined_dataset.make_initializable_iterator()
choice = choice_iterator.get_next()
with tf.Session() as sess:
  sess.run(choice_iterator.initializer)
  print ''.join([sess.run(choice)[0] for _ in range(20)])

>> ddbcccdcccbbddadcadb

【讨论】：

还没试过，但这似乎是最佳解决方案。谢谢

【参考方案3】：

我觉得你可以使用tf.contrib.data.rejection_resample来实现目标分发。

【讨论】：

好的，这可以工作，谢谢...如果我理解正确，我会统一交错数据集并在数据集中的张量中添加一个数据集标识符，然后这个rejection_resample会丢弃这个大的交错数据集以匹配提供的分布？这似乎是一种非常缓慢且低效的做事方式:(

@serycjon，是的，你没看错。是的，我认为这将是低效的。

接受这个直到有人找到有效的解决方案。

@serycjon，我可以提出更有效的解决方案，但我需要了解更多细节。您的数据集的来源是什么？是 TFRecords，只是文件还是其他什么？

我知道可以通过各种方式有效地组合不同的数据集，但是，我的问题只是关于 tf.data.Datasets -> 数据的来源是什么并不重要。让我们假设我有几个 Dataset 对象，不管它们的来源是什么。从逻辑上讲，从这些 N 个数据集中随机抽样应该很容易完成，性能损失几乎为零。问题是——在 tensorflow 中有可能吗？