Notes数据直接在Excel中统计

这篇具有很好参考价值的文章主要介绍了Notes数据直接在Excel中统计。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

大家好,才是真的好。

我希望你看过前面两篇内容《Domino REST API安装和运行》和《Domino REST API安装和运行》,因为今天我们正是使用REST API方式在Excel中查询和统计Notes数据。

不过首先你得知道一个OData协议,全名Open Data Protocol(OData),它是一个开源的协定,由微软在2007年发起,2014年3月17日,开放数据协议经由OASIS批准,正式成为开放工业标准。OData的目的是以简单和标准的方法,通过RESTful API来查询和操作不同系统之间的数据。

对的,通过Domino REST API,Domino也支持OData协议,而且非常简单。

如果你在Domino REST API管理界面中,配置了Notes应用程序的Schema和Scope,现在就可以直接在浏览器中输入Domino的IP地址或者Internet域名地址,后面加上端口号8880,再就是标准的odata访问格式例如/api/v1/odata/scopename/formname,或/api/v1/odata/scopename/viewname。

我们这里实例化一下就是http://192.168.253.131:8880/api/v1/odata/datascope/data

看到么?全是Notes里面的数据,效果如下图所示:
Notes数据直接在Excel中统计,excel,Domino,Notes,OData,Domino REST API
现在我们可以打开一个Excel(微软制定的标准,微软的产品都支持),点击点击文件菜单->自其他源->选择从OData源,如下图所示:
Notes数据直接在Excel中统计,excel,Domino,Notes,OData,Domino REST API
接着在弹出的对话框当中输入上面我们写的URL地址http://192.168.253.131:8880/api/v1/odata/datascope/data你也可以直接再点击确定。或者勾选高级选项,然后输入基本验证用户名和密码(例如Domino管理员名和密码):
Notes数据直接在Excel中统计,excel,Domino,Notes,OData,Domino REST API
Notes数据直接在Excel中统计,excel,Domino,Notes,OData,Domino REST API
当我们点击连接按钮的时候,就可以在Excel当中看到notes库里面的所有数据(这里没做过滤):
Notes数据直接在Excel中统计,excel,Domino,Notes,OData,Domino REST API
也就是说从Excel当中直接读取到的Notes数据库当中的所有数据,也可以读取指定的文件夹或者视图里面的数据;当然你也可以进行过滤,只需要在URL当中输入OData中支持的过滤方式,例如 s e l e c t 、 select、 selectTop和$Filter等,我们这里的数据并不多,就不做过滤了。

接着,在Excel当中可以选中工资和用户名这一栏,然后进行拼图统计,如下图所示:这样我们可以很容易的统计看出人员工资占比的情况:
Notes数据直接在Excel中统计,excel,Domino,Notes,OData,Domino REST API
是不是又快又简单?关键就在于我们前面讲的Domino REST API。

Excel对于统计数百上千甚至上万条数据问题应该不大,但是一旦到了大几万或上十万的数量级,则会力不从心,这时我们可以考虑使用专门的报表工具。

是的,我们通过OData方式可以支持专门的报表工具来进行数据统计分析。不过,今天的内容也不少,就先介绍到这里吧。

更多文章请关注微信公号:协作者文章来源地址https://www.toymoban.com/news/detail-756051.html

到了这里,关于Notes数据直接在Excel中统计的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【Sklearn】基于决策树算法的数据分类预测(Excel可直接替换数据)

    决策树是一种基于树状结构的分类和回归模型,它通过一系列的决策规则来将数据划分为不同的类别或预测值。决策树的模型原理和数学模型如下: 决策树的基本思想是从根节点开始,通过一系列的节点和分支,根据不同特征的取值将数据集划分成不同的子集,直到达到叶节

    2024年02月13日
    浏览(28)
  • 【Sklearn】基于逻辑回归算法的数据分类预测(Excel可直接替换数据)

    逻辑回归是一种用于二分类问题的统计学习方法,尽管名字中含有“回归”,但实际上是一种分类算法。它的基本原理是通过建立一个线性模型,然后将线性输出映射到一个概率值,最终将这个概率值转换成二分类的预测结果。 下面是逻辑回归的基本原理: 线性模型: 首先

    2024年02月13日
    浏览(29)
  • 【Sklearn】基于随机森林算法的数据分类预测(Excel可直接替换数据)

    随机森林(Random Forest)是一种集成学习方法,通过组合多个决策树来构建强大的分类或回归模型。随机森林的模型原理和数学模型如下: 随机森林是一种集成学习方法,它结合了多个决策树来改善预测的准确性和鲁棒性。每个决策树都是独立地训练,并且它们的预测结果综

    2024年02月12日
    浏览(27)
  • 【Sklearn】基于AdaBoost算法的数据分类预测(Excel可直接替换数据)

    AdaBoost(Adaptive Boosting)是一种集成学习算法,它通过组合多个弱分类器来构建一个更强大的分类器。下面是AdaBoost分类模型的基本原理和数学公式: 原理: AdaBoost使用一系列弱分类器(通常是决策树)来进行分类,这些弱分类器可以是任意的,通常是针对训练数据集的分类效

    2024年02月12日
    浏览(25)
  • 【Sklearn】基于线性判别法的数据分类预测(Excel可直接替换数据)

    线性判别分析(Linear Discriminant Analysis,简称LDA)是一种经典的模式识别和分类方法,它的目标是找到一个投影,将数据投影到低维空间,使得不同类别的样本在投影后的空间中有最大的类别间距,同时最小化类内方差。 模型原理如下: 假设有d维的数据,分为K个类别。我们

    2024年02月12日
    浏览(27)
  • 【Sklearn】基于多层感知器算法的数据分类预测(Excel可直接替换数据)

    多层感知器(Multilayer Perceptron,MLP)是一种前馈神经网络,用于解决分类和回归问题。它包含输入层、若干个隐藏层和输出层,每个神经元都与前一层的所有神经元连接,而隐藏层和输出层的神经元通过权重进行连接。这些权重在训练过程中调整以最小化损失函数,从而使模

    2024年02月12日
    浏览(29)
  • 【Sklearn】基于梯度提升树算法的数据分类预测(Excel可直接替换数据)

    梯度提升树(Gradient Boosting Trees)是一种集成学习方法,用于解决分类和回归问题。它通过将多个弱学习器(通常是决策树)组合成一个强学习器,以逐步减小预测误差。下面是梯度提升树的模型原理和数学公式的解释。 模型原理: 损失函数(Loss Function): 在梯度提升树中

    2024年02月12日
    浏览(27)
  • 【Sklearn】基于朴素贝叶斯算法的数据分类预测(Excel可直接替换数据)

    模型原理: 朴素贝叶斯分类是基于贝叶斯定理的一种分类方法。它假设特征之间相互独立(朴素性),从而简化计算过程。朴素贝叶斯分类器适用于文本分类、垃圾邮件过滤、情感分析等多种应用场景。 贝叶斯定理: 在朴素贝叶斯分类中,我们使用贝叶斯定理来计算后验概

    2024年02月13日
    浏览(24)
  • 【Sklearn】基于随机梯度下降算法的数据分类预测(Excel可直接替换数据)

    随机梯度下降(Stochastic Gradient Descent,SGD)是一种优化算法,用于训练模型的参数以最小化损失函数。在分类任务中,SGD也可以用于训练分类模型。下面是SGD分类预测的模型原理和数学公式的概述。 模型原理 SGD分类器是基于线性模型的分类器,它使用随机梯度下降优化算法

    2024年02月12日
    浏览(25)
  • 【Sklearn】基于K邻近算法的数据分类预测(Excel可直接替换数据)

    K最近邻(K-Nearest Neighbors,KNN)是一种基本的监督学习算法,用于分类和回归任务。其模型原理如下: 模型原理: 对于分类任务,KNN的原理可以概括为以下几个步骤: 训练阶段: 将训练数据集中的每个数据点与其标签一起存储。这些数据点和标签构成了训练样本。 预测阶段

    2024年02月12日
    浏览(26)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包