У меня есть qtableview, который позволяет пользователям редактировать значения в ячейках и обновлять базовую модель. Это отлично работает для небольших моделей (размер строки * столбца от 100 до 500), но становится неуправляемым при> 1000, а некоторые из моих моделей могут стать огромными (> 20000). Я подумал о том, чтобы позволить пользователю видеть подобласти модели и просматривать модель в табличном представлении. Но я не вижу методов, которые позволили бы мне это сделать, если только я не создам свой собственный. Я пропустил это? Было бы лучшим методом скрыть и показать большую часть модели? (Я думал о 4 кнопках, которые будут пролистывать данные (модель) вверх/вниз и влево-вправо)
Просмотр подобласти Qtableview
16.02.2018
- вверх вниз влево вправо ?? модели не графические, если вы собираетесь обрабатывать много данных и у вас проблемы с эффективностью, не используйте QStandardItemModel, создайте свою собственную модель. часть отображения информации обрабатывается QTableView, она оптимизирована для отображения такой информации. что ты хочешь делать? 16.02.2018
- Чтобы было ясно - общие функции QTableView и QStandardItemModel работают нормально. То, что я ищу, это ТОЛЬКО смотреть на N строк данных, начинающихся со смещения базовой строки X, и M количество столбцов данных, начинающихся со смещения базового столбца Y. 16.02.2018
- хорошо, теперь я понимаю, вы хотите показать подмодель. :D 16.02.2018
- PyQt4 или PyQt5? 16.02.2018
- PyQt5 — это то, что я использую в эти дни. 16.02.2018
- @ТимКарнахан. Используйте пользовательскую модель. См. этот ответ для базового сравнения (он использует pyqt4/qtablewidget, но принцип точно такой же). 16.02.2018
Ответы:
1
Если вы хотите получить только часть модели, вы можете использовать прокси, в этом случае мы создаем класс, который наследуется от QAbstractProxyModel
:
class SubProxyModel(QAbstractProxyModel):
def __init__(self, x, y, nrows, ncols, parent=None):
QAbstractProxyModel.__init__(self, parent)
self._x = x
self._y = y
self._rows = nrows
self._cols = ncols
def setX(self, x):
self._x = x
self.modelReset.emit()
def setY(self, y):
self._y = y
self.modelReset.emit()
def setNRows(self, nrows):
self._rows = nrows
self.modelReset.emit()
def setNCols(self, ncols):
self._cols = ncols
self.modelReset.emit()
def parent(self, child):
return QModelIndex()
def rowCount(self, parent=QModelIndex()):
return self._rows
def columnCount(self, parent=QModelIndex()):
return self._cols
def mapToSource(self, proxyIndex):
r = proxyIndex.row()
c = proxyIndex.column()
nr = r + self._x
nc = c + self._y
return self.sourceModel().index(nr, nc)
def mapFromSource(self, sourceIndex):
ix = QModelIndex()
if sourceIndex.isValid():
r = sourceIndex.row()
c = sourceIndex.column()
nr = r - self._x
nc = c - self._y
ix = self.index(nr, nc)
return ix
def index(self, row, column, parent=QModelIndex()):
return self.createIndex(row, column)
Пример:
class Widget(QWidget):
def __init__(self, *args, **kwargs):
QWidget.__init__(self, *args, **kwargs)
xoffset, yoffset, nRows, nCols = 3, 4, 5, 6
self.xSpinBox = QSpinBox()
self.rowsSpinBox = QSpinBox()
self.ySpinBox = QSpinBox()
self.colsSpinBox = QSpinBox()
glay = QGridLayout()
glay.addWidget(QLabel("x offset:"), 0, 0)
glay.addWidget(self.xSpinBox, 0, 1)
glay.addWidget(QLabel("number of rows:"), 0, 2)
glay.addWidget(self.rowsSpinBox, 0, 3)
glay.addWidget(QLabel("y offset:"), 1, 0)
glay.addWidget(self.ySpinBox, 1, 1)
glay.addWidget(QLabel("number of cols:"), 1, 2)
glay.addWidget(self.colsSpinBox, 1, 3)
lay = QVBoxLayout(self)
lay.addLayout(glay)
self.table = QTableView()
model = QStandardItemModel(1000, 1000)
for i in range(model.rowCount()):
for j in range(model.columnCount()):
model.setItem(i, j, QStandardItem(f"{i}{j}"))
proxy = SubProxyModel(xoffset, yoffset, nRows, nCols)
self.xSpinBox.setValue(xoffset)
self.ySpinBox.setValue(yoffset)
self.rowsSpinBox.setValue(nRows)
self.colsSpinBox.setValue(nCols)
proxy.setSourceModel(model)
self.table.setModel(proxy)
lay.addWidget(self.table)
self.xSpinBox.valueChanged.connect(self.onXValueChanged)
self.ySpinBox.valueChanged.connect(self.onYValueChanged)
self.rowsSpinBox.valueChanged.connect(self.onRowsValueChanged)
self.colsSpinBox.valueChanged.connect(self.onColsValueChanged)
self.xSpinBox.setMaximum(model.rowCount() - 1)
self.ySpinBox.setMaximum(model.columnCount() - 1)
def onRowsValueChanged(self, value):
self.table.model().setNRows(value)
def onColsValueChanged(self, value):
self.table.model().setNCols(value)
def onXValueChanged(self, value):
self.rowsSpinBox.setMaximum(self.table.model().sourceModel().rowCount() - value)
self.table.model().setX(value)
def onYValueChanged(self, value):
self.colsSpinBox.setMaximum(self.table.model().sourceModel().columnCount() - value)
self.table.model().setY(value)
if __name__ == '__main__':
app = QApplication(sys.argv)
w = Widget()
w.show()
sys.exit(app.exec_())
по следующей ссылке вы можете найти полный пример:
16.02.2018
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..