DeepInjectSQL - 基于 AI 生成對抗網絡（GAN）的下一代 SQL 注入自動化漏洞獵手

概述

????????SQLMap本身是一個成熟的自動化SQL注入工具，可以與GAN結合起來，讓GAN生成的Payload替代傳統的手工或規則生成的測試用例，從而提高檢測的覆蓋率和效率。

  • 分析可行性

????????GAN通常用于生成類似真實數據分布的數據，例如圖片、文本等。在SQL注入的場景下，使用GAN生成Payload的核心在于如何讓生成器生成有效的攻擊代碼，再整合SQLMap進行測試，根據測試結果優化模型，最后形成閉環工具鏈，看起來是可行，但是其中也是存在一些挑戰。

  • 可能的挑戰
  1. GAN生成的Payload需要具備語法正確性，否則無法被目標系統正確解析從而觸發漏洞；
  2. 如何定義判別器的反饋信號，因為傳統GAN的判別器判斷的是真實與否，但在SQL注入中需要判斷是否成功利用漏洞，這可能難以直接建模；
  3. 此外，目標系統的反饋（如響應時間、錯誤信息、頁面內容變化）是判斷Payload是否成功的依據，如何將這些反饋轉化為GAN訓練的信號也是一個問題；
  4. 接下來要考慮如何整合SQLMap。SQLMap本身有自動檢測漏洞的能力，可以將其作為判別器的一部分。例如，將GAN生成的Payload傳遞給SQLMap進行測試，根據測試結果調整生成器的參數。但這樣的循環可能效率較低，因為SQLMap的檢測過程本身比較耗時，而且GAN的訓練需要大量的迭代；
  5. 技術實現方面，生成器可以使用RNN或Transformer結構來生成SQL語句，判別器則需要根據Payload的響應（如網頁返回的內容）判斷其有效性。由于GAN訓練不穩定，可能需要采用一些改進的GAN變體，如Wasserstein GAN，或者結合預訓練模型來提升生成質量；
  6. 還需要考慮數據集的問題。訓練GAN需要大量的正負樣本，即有效的SQL注入Payload和無效的Payload。可以使用現有的SQL注入數據集，或者通過SQLMap生成的部分結果作為訓練數據。

詳細的實現路徑和技術方案

一、技術架構設計

整體架構分為 Payload 生成（GAN） 和 漏洞驗證（SQLMap集成） 兩個核心模塊：

+---------------------+      +------------------------+
| GAN 模型（生成器）   | ---> | SQLMap 集成驗證模塊     |
| (生成 SQL 注入載荷)  | <--- | (檢測漏洞并反饋結果)    |
+---------------------+      +------------------------+

二、GAN 模塊實現

1. 生成器（Generator）設計

?? ? ? 2. SQLMap 接口調用

?使用 Python 調用 SQLMap 的 --batch 和 --results-file 參數實現自動化：

  • 目標: 生成潛在的 SQL 注入攻擊載荷（Payload）。
  • 模型選擇: 基于?Transformer 或 LSTM?的序列生成模型。
  • 輸入/輸出:
    • 輸入: 隨機噪聲向量（如正態分布采樣）。
    • 輸出: SQL 注入字符串（如?' OR 1=1; --）。
  • TensorFlow 實現示例： 
    from tensorflow.keras.layers import LSTM, Dense, Input
from tensorflow.keras.models import Modeldef build_generator():input_layer = Input(shape=(100,))  # 噪聲向量維度x = Dense(128)(input_layer)x = LSTM(64, return_sequences=True)(x)x = LSTM(32)(x)output_layer = Dense(1, activation='tanh')(x)  # 生成文本類數據需調整return Model(input_layer, output_layer)

    2. 判別器（Discriminator）設計

  • 目標: 判斷一個 Payload 是否可能觸發漏洞。
  • 輸入: SQL 注入字符串。
  • 輸出: 概率值（0~1），表示 Payload 的有效性。
  • 關鍵點: 需要對 SQL 語法和注入邏輯有先驗知識（可結合預訓練模型）。
  • TensorFlow 實現示例： 
    def build_discriminator():input_layer = Input(shape=(max_payload_length,))x = Embedding(vocab_size, 64)(input_layer)x = LSTM(32)(x)x = Dense(1, activation='sigmoid')(x)return Model(input_layer, x)

    三、集成 SQLMap 完成閉環驗證

    1. 聯動邏輯

  • GAN 生成一批候選 Payload。
  • 通過 SQLMap 的 API 或命令行對目標 URL 測試這些 Payload。
  • 根據 SQLMap 的檢測結果（如漏洞存在性、響應時間、錯誤類型）生成反饋信號。
  • 用反饋信號調整 GAN 的損失函數（如強化學習的獎勵機制）。

????2. SQLMap 接口調用

使用 Python 調用 SQLMap 的 --batch 和 --results-file 參數實現自動化：

import subprocessdef run_sqlmap(url, payload):cmd = f"sqlmap -u {url} --data='param={payload}' --batch --output-dir=results"result = subprocess.run(cmd, shell=True, capture_output=True)return parse_sqlmap_result("results/output.log")def parse_sqlmap_result(file_path):# 解析 SQLMap 結果文件，提取漏洞類型、置信度等指標with open(file_path, 'r') as f:log = f.read()if "injection" in log:return 1.0  # 有效 Payloadelse:return 0.0  # 無效 Payload

?????3. 反饋信號與 GAN 訓練結合

將 SQLMap 的檢測結果作為判別器的標簽，優化生成器：

# 偽代碼
for epoch in range(epochs):noise = np.random.normal(0, 1, (batch_size, noise_dim))gen_payloads = generator.predict(noise)# 測試 Payload，獲取真實標簽rewards = [run_sqlmap(target_url, p) for p in gen_payloads]# 訓練判別器d_loss = discriminator.train_on_batch(gen_payloads, rewards)# 訓練生成器（通過 GAN 組合模型）g_loss = combined_model.train_on_batch(noise, valid_labels)

四、關鍵優化策略

1. 數據增強

  • 種子數據集: 從公開的 SQL 注入數據集（如?payloadbox/sql-injection-payload-list）中提取樣本。
  • 動態擴展: 將 SQLMap 驗證成功的 Payload 加入訓練數據集。

2. 對抗性提升

  • 白盒攻擊: 使用生成器針對預定義的 WAF（Web應用防火墻）規則生成繞過 Payload。
  • Black-Box 優化: 結合強化學習（如 DQN）動態調整 GAN 的生成策略。

3. 多維度判別器輸入

除了 Payload 本身，引入目標系統的 響應特征 作為判別器輸入：

  • 響應狀態碼（如 500 錯誤）
  • 頁面相似度（與正常響應的對比）
  • 響應時間（用于盲注檢測）

五、實驗與評估

1. 評估指標

  • 檢出率?(True Positive Rate): 成功觸發的漏洞數量 / 總測試用例。
  • 誤報率?(False Positive Rate): 錯誤標記為漏洞的數量 / 總測試用例。
  • 多樣性?(Payload 唯一性): 生成的 Payload 的熵值。

2. 對比實驗

  • 基準方法: 傳統 SQLMap 規則庫、隨機生成 Payload。
  • 實驗目標: 驗證 GAN 生成的 Payload 在繞過 WAF 和檢測未知漏洞上的優勢。

六、倫理與合規性

  • 授權測試: 僅限用于擁有合法授權的目標系統。
  • 數據脫敏: 訓練和生成的 Payload 需去除敏感信息。
  • 防御對抗: 研究成果應用于提升 WAF 規則庫的魯棒性。

七、工具鏈部署

# 環境依賴
pip install tensorflow==2.10 sqlmap# 代碼結構
├── gan_sqli/
│   ├── generator.py       # GAN 生成器
│   ├── discriminator.py   # GAN 判別器
│   ├── sqlmap_api.py      # SQLMap 接口封裝
│   └── train.py           # 訓練循環

????????通過此方案，可構建一個動態、自適應的 SQL 注入漏洞挖掘工具。最終目標是讓 GAN 生成高隱蔽性、高成功率的 Payload，與 SQLMap 的漏洞驗證能力形成閉環，從而提升檢測效率。

完整demo和使用文檔

代碼結構

gan_sqli/
├── config.py            # 配置文件（超參、路徑）
├── data_loader.py       # 數據集加載與預處理
├── generator.py         # GAN 生成器模型
├── discriminator.py     # GAN 判別器模型
├── sqlmap_client.py     # SQLMap API 接口封裝
├── train.py             # GAN 訓練邏輯
├── requirements.txt     # 依賴項
└── README.md            # 使用說明

完整代碼

1. 配置文件?config.py

# -*- coding: utf-8 -*-
class Config:# 數據路徑dataset_path = "data/sql_injection_samples.txt"vocab_path = "data/vocab.txt"# 模型參數noise_dim = 100          # 噪聲向量維度max_payload_length = 50  # Payload 最大長度vocab_size = 128         # 字符表大小（ASCII 可打印字符）# 訓練參數epochs = 1000batch_size = 64lr_generator = 0.0001lr_discriminator = 0.0001# SQLMap 配置target_url = "http://test.com/vuln_page.php?id=1"sqlmap_output_dir = "sqlmap_results"

2. 數據加載?data_loader.py

# -*- coding: utf-8 -*-
import numpy as np
from config import Configdef load_dataset():# 從 payloadbox 數據集加載樣本with open(Config.dataset_path, 'r', encoding='utf-8', errors='ignore') as f:payloads = [line.strip() for line in f if line.strip()]# 構建字符表（ASCII 可打印字符）vocab = [chr(i) for i in range(32, 127)]char2idx = {c: i for i, c in enumerate(vocab)}# 將 Payload 編碼為數字序列encoded_payloads = []for p in payloads:encoded = [char2idx.get(c, 0) for c in p[:Config.max_payload_length]]encoded += [0] * (Config.max_payload_length - len(encoded))encoded_payloads.append(encoded)return np.array(encoded_payloads), char2idx

3. 生成器模型?generator.py

# -*- coding: utf-8 -*-
import tensorflow as tf
from config import Configdef build_generator():model = tf.keras.Sequential([tf.keras.layers.Dense(256, input_dim=Config.noise_dim),tf.keras.layers.BatchNormalization(),tf.keras.layers.LeakyReLU(0.2),tf.keras.layers.Reshape((1, 256)),tf.keras.layers.LSTM(128, return_sequences=True),tf.keras.layers.LSTM(64),tf.keras.layers.Dense(Config.max_payload_length * Config.vocab_size, activation='softmax'),tf.keras.layers.Reshape((Config.max_payload_length, Config.vocab_size))])return model

4. 判別器模型?discriminator.py

# -*- coding: utf-8 -*-
import tensorflow as tf
from config import Configdef build_discriminator():model = tf.keras.Sequential([tf.keras.layers.InputLayer(input_shape=(Config.max_payload_length,)),tf.keras.layers.Embedding(Config.vocab_size, 64),tf.keras.layers.LSTM(64),tf.keras.layers.Dense(1, activation='sigmoid')])return model

5. SQLMap 接口?sqlmap_client.py

# -*- coding: utf-8 -*-
import subprocess
import os
from config import Configdef test_payload(payload):# 生成臨時測試文件with open("tmp_payload.txt", 'w') as f:f.write(payload)# 調用 SQLMap 檢測漏洞cmd = f"sqlmap -u {Config.target_url} --batch --output-dir={Config.sqlmap_output_dir} --answers='follow=N' --risk=3 --level=5 --file='tmp_payload.txt'"result = subprocess.run(cmd, shell=True, stdout=subprocess.PIPE, stderr=subprocess.PIPE)# 解析結果：檢查是否發現注入漏洞if b'injection' in result.stdout:return 1.0  # 有效載荷else:return 0.0  # 無效載荷

6. 訓練邏輯?train.py

# -*- coding: utf-8 -*-
import numpy as np
import tensorflow as tf
from generator import build_generator
from discriminator import build_discriminator
from data_loader import load_dataset
from sqlmap_client import test_payload
from config import Configdef main():# 加載數據payloads, char2idx = load_dataset()# 構建模型generator = build_generator()discriminator = build_discriminator()# 優化器opt_generator = tf.keras.optimizers.Adam(Config.lr_generator)opt_discriminator = tf.keras.optimizers.Adam(Config.lr_discriminator)# 訓練循環for epoch in range(Config.epochs):# 生成噪聲noise = np.random.normal(0, 1, (Config.batch_size, Config.noise_dim))# 生成 Payloadgen_logits = generator(noise, training=True)gen_payloads = tf.random.categorical(gen_logits, 1)[:, :, 0]# 轉換為字符串并測試rewards = []for payload in gen_payloads.numpy():payload_str = ''.join([chr(c) if c in char2idx.values() else '' for c in payload])reward = test_payload(payload_str)rewards.append(reward)# 訓練判別器with tf.GradientTape() as tape:real_output = discriminator(payloads, training=True)fake_output = discriminator(gen_payloads, training=True)d_loss = tf.reduce_mean(fake_output) - tf.reduce_mean(real_output)grads = tape.gradient(d_loss, discriminator.trainable_variables)opt_discriminator.apply_gradients(zip(grads, discriminator.trainable_variables))# 訓練生成器（Wasserstein GAN 損失）with tf.GradientTape() as tape:fake_output = discriminator(generator(noise, training=True), training=False)g_loss = -tf.reduce_mean(fake_output)grads = tape.gradient(g_loss, generator.trainable_variables)opt_generator.apply_gradients(zip(grads, generator.trainable_variables))# 打印訓練狀態print(f"Epoch {epoch}: D Loss={d_loss.numpy():.4f}, G Loss={g_loss.numpy():.4f}")if __name__ == "__main__":main()

使用文檔

1. 環境安裝

# 安裝依賴
pip install -r requirements.txt# 下載 SQL 注入數據集
git clone https://github.com/payloadbox/sql-injection-payload-list
mkdir -p data
cp sql-injection-payload-list/*.txt data/sql_injection_samples.txt

2. 配置文件修改

在 config.py 中設置您的目標 URL 和超參數：

class Config:target_url = "http://your-target-site/vulnerable-page.php?id=1"  # 修改為您的目標# 其他參數根據需求調整

3. 運行訓練

python train.py# 輸出示例
Epoch 0: D Loss=-0.1234, G Loss=0.4567
Epoch 1: D Loss=-0.2312, G Loss=0.3891

4. 生成高隱蔽性 Payload

訓練完成后，生成器會保存在 generator.h5 中，通過以下代碼生成新 Payload：

generator = tf.keras.models.load_model('generator.h5')
noise = np.random.normal(0, 1, (1, Config.noise_dim))
gen_payload = generator.predict(noise)
payload_str = decode_payload(gen_payload)  # 轉換為字符串
print(f"Generated Payload: {payload_str}")

5. 倫理與合規性

  • 僅限授權測試：禁止用于非法滲透。
  • 數據脫敏：確保訓練數據不含敏感信息。
  • 結果處置：及時刪除測試產生的臨時文件。

關鍵優化點

  1. 多樣性控制：通過調節溫度參數（temperature）在?tf.random.categorical?中生成不同隨機性的 Payload。
  2. 多線程加速：使用 Python 的?concurrent.futures?加速 SQLMap 的并行測試。
  3. 動態學習率：根據判別器準確率動態調整生成器和判別器的學習率。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/bicheng/80353.shtml
繁體地址，請注明出處：http://hk.pswp.cn/bicheng/80353.shtml
英文地址，請注明出處：http://en.pswp.cn/bicheng/80353.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

Python 爬蟲之 XPath 元素定位

Python 爬蟲之 XPath 元素定位

XPath 簡介 XPath (XML Path Language) 最初是為了在 XML 文檔中進行導航而設計的語言&#xff0c;后來被廣泛應用于 HTML 文檔的解析。與 BeautifulSoup 相比&#xff0c;XPath 有以下特點&#xff1a; 語法強大&#xff1a;可以通過簡潔的表達式精確定位元素跨平臺性&#…
閱讀更多...
聊聊自動化辦公未來趨勢

聊聊自動化辦公未來趨勢

1. 自動化辦公未來趨勢 1.1 智能化與AI融合加深 隨著人工智能技術的不斷成熟&#xff0c;其在自動化辦公中的應用將更加廣泛和深入。未來&#xff0c;辦公軟件將具備更強的智能交互能力&#xff0c;能夠理解自然語言指令&#xff0c;自動完成復雜的任務&#xff0c;如文檔編輯…
閱讀更多...
智慧工會服務平臺建設方案Word(23頁)

智慧工會服務平臺建設方案Word(23頁)

1. 引言 隨著信息技術的快速發展&#xff0c;傳統工會服務模式面臨挑戰&#xff0c;智慧工會服務平臺應運而生。該平臺旨在通過數字化手段&#xff0c;整合工會資源&#xff0c;優化服務流程&#xff0c;提高工作效率&#xff0c;為會員提供更加便捷、高效、個性化的服務體驗。…
閱讀更多...
React Hooks 深入淺出

React Hooks 深入淺出

目錄 引言&#xff1a;React Hooks 的革命基礎 Hooks useState&#xff1a;狀態管理的新方式useEffect&#xff1a;組件生命周期的替代方案useContext&#xff1a;簡化 Context API 額外的 Hooks useReducer&#xff1a;復雜狀態邏輯的管理useCallback 與 useMemo&#xff1a;…
閱讀更多...
【應急響應】- 日志流量如何分析？

【應急響應】- 日志流量如何分析？

【應急響應】- 日志流量如何下手&#xff1f;https://mp.weixin.qq.com/s/dKl8ZLZ0wjuqUezKo4eUSQ
閱讀更多...
stm32 debug卡在0x1FFFxxxx

stm32 debug卡在0x1FFFxxxx

自己畫的一個四軸飛機電路板&#xff0c;之前還能debug&#xff0c;改了一下mos管兩端的電阻&#xff0c;還能正常下載&#xff0c;藍牙接收也正常&#xff0c;但是debug出問題了&#xff0c;剛下載就自動運行&#xff0c;然后程序就在0x1FFFxxxx附近循環運行&#xff0c;這一塊…
閱讀更多...
java-----------------多態

java-----------------多態

多態&#xff0c;當前指的是 java 所呈現出來的一個對象 多態 定義 多態是指同一個行為具有多個不同表現形式或形態的能力。在面向對象編程中&#xff0c;多態通過方法重載和方法重寫來實現。 強弱類型語言 javascript 或者python 是弱類型語言 C 語言&#xff0c;或者 C…
閱讀更多...
Java 23種設計模式 - 結構型模式7種

Java 23種設計模式 - 結構型模式7種

Java 23種設計模式 - 結構型模式7種 1 適配器模式 適配器模式把一個類的接口變換成客戶端所期待的另一種接口&#xff0c;從而使原本因接口不匹配而無法在一起工作的兩個類能夠在一起工作。 優點 將目標類和適配者類解耦增加了類的透明性和復用性&#xff0c;將具體的實現封…
閱讀更多...
Git clone時出現SSL certificate problem unable to get local issuer certificate

Git clone時出現SSL certificate problem unable to get local issuer certificate

正確解決方法 git config --global http.sslVerify false錯誤解決方法&#xff1a;&#xff08;主要是看錯了嘿嘿&#xff0c;但是如果是 OpenSSL SSL_read: Connection was reset, errno 10054 Failed to connect to github.com port 443: Timed out 原…
閱讀更多...
DevExpressWinForms-AlertControl-使用教程

DevExpressWinForms-AlertControl-使用教程

文章目錄 AlertControl-使用教程一、將 AlertControl 添加到 Form二、編輯 AlertControl 的 HtmlTemplateHTML Template Editor介紹編輯HTML Template 三、使用AlertControl彈出AlertAlert中的按鈕事件獲取 Alert 標題等信息向Alert傳遞參數 總結源碼 AlertControl-使用教程 一…
閱讀更多...
制作項目進度表常用的 8 款項目管理工具分享

制作項目進度表常用的 8 款項目管理工具分享

在數字化管理和高效協作的今天&#xff0c;項目進度表軟件已經成為企業管理不可或缺的工具。無論是中小型企業還是大型機構&#xff0c;都需要通過精準的項目計劃和實時的進度跟蹤來確保業務目標的順利達成。這篇文章將聚焦項目進度表軟件&#xff0c;深入探討市場上8款主流產品…
閱讀更多...
SecureCRT網絡穿透/代理

SecureCRT網絡穿透/代理

場景 公司的辦公VPN軟件只有Windows系統版本&#xff0c;沒有Macos系統版本&#xff0c;而日常開發過程中需要先登錄VPN后&#xff0c;然后才能登錄應用服務器。 目的&#xff1a;Macos系統在使用SecureCRT時&#xff0c;登錄服務器&#xff0c;需要走Parallels Desktop進行網絡…
閱讀更多...
【計算機網絡-傳輸層】傳輸層協議-TCP核心機制與可靠性保障

【計算機網絡-傳輸層】傳輸層協議-TCP核心機制與可靠性保障

&#x1f4da; 博主的專欄 &#x1f427; Linux | &#x1f5a5;? C | &#x1f4ca; 數據結構 | &#x1f4a1;C 算法 | &#x1f152; C 語言 | &#x1f310; 計算機網絡 上篇文章&#xff1a;傳輸層協議-UDP 下篇文章&#xff1a; 網絡層 我們的講解順序是&…
閱讀更多...
OpenMagnetic的介紹與使用

OpenMagnetic的介紹與使用

1. Background OM&#xff08;OpenMagnetic&#xff09;OpenMagnetics&#xff0c;能涵蓋氣隙磁阻&#xff0c;磁導率&#xff0c;鐵芯損耗、磁滯損耗、渦流電流損耗、渦流效應、漏感、溫升的計算與仿真[1]。 鐵損計算模型&#xff1a;改進的Steinmetz方程[2] 氣隙阻抗計算&…
閱讀更多...
【JVM】從零開始深度解析JVM

【JVM】從零開始深度解析JVM

本篇博客給大家帶來的是JVM的知識點, 重點在類加載和垃圾回收機制上. &#x1f40e;文章專欄: JavaEE初階 &#x1f680;若有問題 評論區見 ? 歡迎大家點贊 評論 收藏 分享 如果你不知道分享給誰,那就分享給薯條. 你們的支持是我不斷創作的動力 . 王子,公主請閱&#x1f680; …
閱讀更多...
字符串---Spring字符串基本處理

字符串---Spring字符串基本處理

一、String類的特性 不可變性 String對象一旦創建&#xff0c;內容不可更改&#xff0c;任何修改操作都會生成新對象。字符串常量池 字符串字面量&#xff08;如"abc"&#xff09;直接存儲在常量池中&#xff0c;重復字面量共享同一內存地址。創建方式 雖然都是字符…
閱讀更多...
26考研——中央處理器_CPU 的功能和基本結構（5）

26考研——中央處理器_CPU 的功能和基本結構（5）

408答疑 文章目錄 一、CPU 的功能和基本結構CPU 的功能CPU 的基本結構運算器控制器 CPU 的寄存器運算器中的寄存器控制器中的寄存器 八、參考資料鮑魚科技課件26王道考研書 九、總結 一、CPU 的功能和基本結構 CPU 的功能 中央處理器&#xff08;CPU&#xff09;由運算器和控…
閱讀更多...
傳統數據展示 vs 可視化：誰更打動人心？

傳統數據展示 vs 可視化：誰更打動人心？

數據&#xff0c;每天都在我們身邊流動&#xff1a;從你手機里的健康步數&#xff0c;到企業財報中的營收增長&#xff0c;再到國家發布的經濟指標。但問題是——你怎么“看”這些數據&#xff1f; 過去&#xff0c;我們習慣用表格、文字和報告來展示數據&#xff0c;這種方式…
閱讀更多...
Base64 編碼原理詳細解析

Base64 編碼原理詳細解析

Base64 編碼是一種常見的數據編碼方式&#xff0c;它將二進制數據轉化為可打印的 ASCII 字符串。Base64 編碼廣泛應用于電子郵件、URL 編碼、HTTP 請求和響應中等場景。它的核心作用是讓二進制數據可以通過僅支持文本的協議或媒介進行傳輸。本文將更深入地探討 Base64 編碼的原…
閱讀更多...
一周學會Pandas2 Python數據處理與分析-Pandas2數據排序操作

一周學會Pandas2 Python數據處理與分析-Pandas2數據排序操作

鋒哥原創的Pandas2 Python數據處理與分析 視頻教程&#xff1a; 2025版 Pandas2 Python數據處理與分析 視頻教程(無廢話版) 玩命更新中~_嗶哩嗶哩_bilibili Pandas 2提供了多種靈活的數據排序方法&#xff0c;主要針對 DataFrame 和 Series 對象。 1. 按值排序&#xff1a;s…
閱讀更多...
最新文章

Copyright @ 2022~2023