表格columns拼接兩個后端返回的字段(以umi框架為例)

?????????在用組件對前端項目進行開發時,我們會遇到以下情況:項目原型中有取值范圍這個表字段,需要存放最小取值到最大取值。

? ? ? ? 而后端返回給我們的數據是返回了一個最小值和一個最大值,?

? ? ? ? 在columns中我們需要對這兩個字段進行拼接,使其在前端界面展示成min-max的樣式。下面是我的columns字段配置方式。

const columns = [{title: '取值范圍',dataIndex: 'minmax',hideInSearch: true,render: (text, a) => {console.log(text, a);return <span>{a.min}-{a.max}</span>}},
]

??render屬性是這段代碼中最為關鍵和靈活的部分。它是一個函數,用于自定義這一列每一行數據的渲染方式。這個函數接收兩個參數:

  • text:通常情況下,它應該是dataIndex對應字段的值。但在我們這個自定義渲染的例子中,text的值可能并非我們最終想要展示的內容,它在這里的作用相對有限。
  • a:這個參數代表當前行的數據對象。它包含了當前行所有字段及其對應的值,就像是一個包含了整行數據信息的小包裹。

????????在函數內部,首先使用console.log(text, a)打印出text和當前行的數據對象a。這一步在開發調試過程中非常有用,我們可以通過控制臺輸出,清晰地查看傳入的參數值,了解數據的具體情況,以便及時發現和解決可能出現的問題。

????????接著,函數返回一個<span>元素,其內容為{a.min}-{a.max}。這意味著在表格中 “取值范圍” 這一列的每一行,都會將當前行數據對象中的min字段值和max字段值用連字符-連接起來進行顯示。例如,如果某一行數據對象中min的值為10max的值為20,那么在表格的這一行 “取值范圍” 列中,就會顯示10 - 20。通過這種自定義的渲染方式,我們可以將原本分散在數據對象中的最小值和最大值,以一種直觀且符合需求的方式展示在表格中。

????????下面是前端界面展示效果

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/web/71776.shtml
繁體地址,請注明出處:http://hk.pswp.cn/web/71776.shtml
英文地址,請注明出處:http://en.pswp.cn/web/71776.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

使用Galaxy創建生物信息學工作流的步驟詳解

李升偉 整理 Galaxy 是一個基于 Web 的生物信息學平臺&#xff0c;提供了直觀的用戶界面和豐富的工具&#xff0c;幫助用戶創建和管理生物信息學工作流。以下是使用 Galaxy 創建生物信息學工作流的主要步驟&#xff1a; 1. 訪問 Galaxy 平臺 打開 Galaxy 的官方網站&#xff…

藍橋杯—走迷宮(BFS算法)

題目描述 給定一個NM 的網格迷宮 G。G 的每個格子要么是道路&#xff0c;要么是障礙物&#xff08;道路用 11表示&#xff0c;障礙物用 0 表示&#xff09;。 已知迷宮的入口位置為 (x1?,y1?)&#xff0c;出口位置為 (x2?,y2?)。問從入口走到出口&#xff0c;最少要走多少…

【GPT入門】第12課 FunctionCall 生成數據庫sql代碼

【GPT入門】第12課 FunctionCall 生成數據庫sql代碼 1.概述2. 代碼3.執行結果 1.概述 如下代碼的任務&#xff1a;自然語言問ai,自動生成sql并回答用戶 實現思路&#xff1a; 步驟1. ai會把用戶的問題&#xff0c;轉為sql 步驟2. 程序執行sql 步驟3.把執行的sql結果&#xff…

《白帽子講 Web 安全》之身份認證

目錄 引言 一、概述 二、密碼安全性 三、認證方式 &#xff08;一&#xff09;HTTP 認證 &#xff08;二&#xff09;表單登錄 &#xff08;三&#xff09;客戶端證書 &#xff08;四&#xff09;一次性密碼&#xff08;OTP&#xff09; &#xff08;五&#xff09;多因…

服務器python項目部署

角色&#xff1a;root, 其他用戶應該也可以 1. 安裝python3環境 #如果是新機器&#xff0c;盡量執行&#xff0c;避免未知報錯 yum -y update python -v yum install python3 python3 -v2. 使用virtualenvwrapper 創建虛擬環境,并使用workon切換不同的虛擬環境 # 安裝virtua…

更新vscode ,將c++11更新到c++20

要在CentOS系統中安裝最新版本的GCC&#xff0c;你可以使用SCL&#xff08;Software Collections&#xff09;倉庫&#xff0c;它提供了開發工具的最新版本。以下是安裝步驟&#xff1a; 1、 添加SCL倉庫&#xff1a; 首先&#xff0c;添加CentOS的SCL倉庫&#xff0c;該倉庫…

Deeplabv3+改進5:在主干網絡中添加EMAattention|助力漲點!

??【DeepLabv3+改進專欄!探索語義分割新高度】 ?? 你是否在為圖像分割的精度與效率發愁? ?? 本專欄重磅推出: ? 獨家改進策略:融合注意力機制、輕量化設計與多尺度優化 ? 即插即用模塊:ASPP+升級、解碼器 PS:訂閱專欄提供完整代碼 目錄 論文簡介 步驟一 步驟二…

基于自監督三維語義表示學習的視覺語言導航

前言 目前的視覺語言導航存在的問題&#xff1a; &#xff08;1&#xff09;在VLN任務中&#xff0c;大多數當前方法主要利用RGB圖像&#xff0c;忽略了環境固有的豐富三維語義數據。許多語義無關的紋理細節不可避免地被引入到訓練過程中&#xff0c;導致模型出現過擬合問題&…

網絡原理之HTTPS(如果想知道網絡原理中有關HTTPS的知識,那么只看這一篇就足夠了!)

前言&#xff1a;隨著互聯網安全問題日益嚴重&#xff0c;HTTPS已成為保障數據傳輸安全的標準協議&#xff0c;通過加密技術和身份驗證&#xff0c;HTTPS有效防止數據竊取、篡改和中間人攻擊&#xff0c;確保通信雙方的安全和信任。 ???這里是秋刀魚不做夢的BLOG ???想要…

【江協科技STM32】ADC數模轉換器-學習筆記

ADC簡介 ADC&#xff08;Analog-Digital Converter&#xff09;模擬-數字轉換器ADC可以將引腳上連續變化的模擬電壓轉換為內存中存儲的數字變量&#xff0c;建立模擬電路到數字電路的橋梁&#xff0c;ADC是一種將連續的模擬信號轉換為離散的數字信號的設備或模塊12位逐次逼近型…

文件系統文件管理

文件緩沖區&#xff08;內核級&#xff0c;OS內部的&#xff09;存在的意義&#xff1a;系統調用將數據寫入緩沖區后函數即可返回&#xff0c;是從內存到內存的&#xff0c;提高了程序的效率。之后將緩沖區數據刷新到硬盤則是操作系統的事了。無論讀寫&#xff0c;OS都會把數據…

HTML 標簽語義化指南:讓網頁更易讀

HTML 語義化標簽是指在 HTML 中使用具有明確含義的標簽來標記網頁內容的結構和意義。這些標簽可以提供更多的語義信息&#xff0c;有助于搜索引擎理解網頁內容&#xff0c;并為使用輔助技術的用戶提供更好的訪問體驗。 以下是一些常見的HTML語義化標簽及其含義和用途&#xff…

機器學習:線性回歸,梯度下降,多元線性回歸

線性回歸模型 (Linear Regression Model) 梯度下降算法 (Gradient Descent Algorithm) 的數學公式 多元線性回歸&#xff08;Multiple Linear Regression&#xff09;

共繪智慧升級,看永洪科技助力由由集團起航智慧征途

在數字化洪流洶涌澎湃的當下&#xff0c;企業如何乘風破浪&#xff0c;把握轉型升級的黃金機遇&#xff0c;已成為所有企業必須直面的時代命題。由由集團&#xff0c;作為房地產的領航者&#xff0c;始終以前瞻視野引領變革&#xff0c;堅決擁抱數字化浪潮&#xff0c;攜手數字…

laravel es 相關代碼 ElasticSearch

來源&#xff1a; github <?phpnamespace App\Http\Controllers;use Elastic\Elasticsearch\ClientBuilder; use Illuminate\Support\Facades\DB;class ElasticSearch extends Controller {public $client null;public function __construct(){$this->client ClientB…

阿里發布新開源視頻生成模型Wan-Video,支持文生圖和圖生圖,最低6G就能跑,ComFyUI可用!

Wan-Video 模型介紹&#xff1a;包括 Wan-Video-1.3B-T2V 和 Wan-Video-14B-T2V 兩個版本&#xff0c;分別支持文本到視頻&#xff08;T2V&#xff09;和圖像到視頻&#xff08;I2V&#xff09;生成。14B 版本需要更高的 VRAM 配置。 Wan2.1 是一套全面開放的視頻基礎模型&…

閉包函數是什么?

閉包函數是 JavaScript 中一個非常重要且強大的概念&#xff0c;下面將從定義、形成條件、作用、示例以及優缺點等方面詳細介紹閉包函數。 定義 閉包是指有權訪問另一個函數作用域中的變量的函數。簡單來說&#xff0c;即使該函數執行完畢&#xff0c;其作用域內的變量也不會…

nuxt2 打包優化使用“compression-webpack-plugin”插件

在使用 Nuxt.js 構建項目時&#xff0c;為了提高性能&#xff0c;通常會考慮對靜態資源進行壓縮。compression-webpack-plugin 是一個常用的 Webpack 插件&#xff0c;用于在生產環境中對文件進行 Gzip 壓縮。這對于減少網絡傳輸時間和提高頁面加載速度非常有幫助。下面是如何在…

大型語言模型訓練的三個階段:Pre-Train、Instruction Fine-tuning、RLHF (PPO / DPO / GRPO)

前言 如果你對這篇文章可感興趣&#xff0c;可以點擊「【訪客必讀 - 指引頁】一文囊括主頁內所有高質量博客」&#xff0c;查看完整博客分類與對應鏈接。 當前的大型語言模型訓練大致可以分為如下三個階段&#xff1a; Pre-train&#xff1a;根據大量可獲得的文本資料&#…

模型壓縮技術(二),模型量化讓模型“輕裝上陣”

一、技術應用背景 在人工智能蓬勃發展的浪潮下&#xff0c;大模型在自然語言處理、計算機視覺等諸多領域大放異彩&#xff0c;像知名的GPT以及各類開源大語言模型&#xff0c;其規模與復雜度持續攀升。然而&#xff0c;這一發展也帶來了挑戰&#xff0c;模型越大&#xff0c;對…