a_achengsong

一行代码搞定信用评分模型（python）

欢迎大家，上一篇博客【信用卡评分模型（R语言）】详细的讲解了如何开发评分卡，这片博客就不再详细介绍，为方便开发评分卡，本人根据自己经验写了一个python包，导入此包后仅需一行代码即可成功制作评分卡，默认参数已经设置好，如有疑问以及使用中出现BUG，可随时与我联系。
联系方式QQ：990020186
数据和实例已上传在我的github，如果觉得实用就star我的github，欢迎大家一起学习交流进步。

文章目录

安装说明
模型训练
模型结果

评分卡
各变量类型以及IV值
连续变量的切分点

模型效果检验
预测
补充-模型调试

变量IV值以及分箱分析
模型效果分析

补充-包的参数解释

安装说明

包已上传至PYPI官网，详见CreditScoreModel包

首次使用可以直接使用以下代码安装

pip install CreditScoreModel

模型训练

from CreditScoreModel.LogisticScoreCard import *
data=pd.read_csv('C:\\Users\\HP\\Desktop\\give me some credit\\data\\cs-training.csv')
data_predict=pd.read_csv('C:\\Users\\HP\\Desktop\\give me some credit\\data\\cs-test.csv')

del data['Unnamed: 0']
data.columns=['y','RevolvingUtilizationOfUnsecuredLines', 'age','NumberOfTime30-59DaysPastDueNotWorse', 'DebtRatio', 'MonthlyIncome','NumberOfOpenCreditLinesAndLoans', 'NumberOfTimes90DaysLate','NumberRealEstateLoansOrLines', 'NumberOfTime60-89DaysPastDueNotWorse','NumberOfDependents']
del data_predict['Unnamed: 0']

ls=logistic_score_card()
data_train, data_test = ls.get_data_train_test(data,test_size=0.25,random_state=1234)
ls.fit(data_train)

C:\ProgramData\Anaconda3\lib\site-packages\sklearn\utils\fixes.py:313: FutureWarning: numpy not_equal will not check object identity in the future. The comparison did not return the same result as suggested by the identity (`is`)) and will change.
  _nan_object_mask = _nan_object_array != _nan_object_array
2019 16:15:06 INFO 任务开始。。。
2019 16:15:06 INFO 连续和离散变量划分中。。。
2019 16:15:06 INFO 连续和离散变量划分完成！
2019 16:15:06 INFO 连续变量最优分组进行中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 23.53it/s]
2019 16:15:06 INFO 连续变量最优分组完成！
2019 16:15:06 INFO 根据cut离散化连续变量进行中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:04<00:00,  2.38it/s]
2019 16:15:11 INFO 根据cut离散化连续变量完成！
2019 16:15:11 INFO IV值计算中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 37.45it/s]
2019 16:15:11 INFO IV值计算完成！
2019 16:15:11 INFO WOE转换中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 11.36it/s]
2019 16:15:12 INFO WOE转换完成！
2019 16:15:12 INFO 根据IV值大于 0.1 且 相关性小于 0.6 ，以及l1正则选取变量进行中。。。
C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.
  FutureWarning)
2019 16:15:12 INFO 变量选取完成，总共 10 个变量，最终筛选出 5 个变量
2019 16:15:12 INFO 评分卡制作中。。。
2019 16:15:12 INFO 连续和离散变量划分中。。。
2019 16:15:12 INFO 连续和离散变量划分完成！
2019 16:15:12 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:02<00:00,  2.36it/s]
2019 16:15:14 INFO 根据cut离散化连续变量完成！
2019 16:15:14 INFO WOE转换中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00, 11.81it/s]
2019 16:15:15 INFO WOE转换完成！
C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.
  FutureWarning)
2019 16:15:18 INFO 评分卡制作完成！
2019 16:15:18 INFO 任务完成！

模型结果

评分卡

对应的变量中文名

[‘变量名’, ‘变量类型’, ‘切分点’, ‘切分分组’, ‘y为1的数量’, ‘y为0的数量’, ‘总数’, ‘y为1的数量占比’, ‘y为0的数量占比’, ‘总数占比’,‘y为1占总数比例’, ‘woe’, ‘各分组iv’, ‘变量iv值’, ‘logistic参数col_coef’, ‘logistic参数lr_intercept’, ‘分组分数’]

ls.score_card

	col	type	cuts	cut_points	1_num	0_num	total_num	1_pct	0_pct	total_pct	1_rate	woe	iv	total_iv	col_coef	lr_intercept	score
0	NumberOfTime30-59DaysPastDueNotWorse	continuous	[-inf, 0.0, 1.0, inf]	(-inf, 0.0]	3803	90648	94451	0.503509	0.863750	0.839564	0.040264	-0.539683	0.194416	0.737079	0.538172	-2.598254	20.950981
1	NumberOfTime30-59DaysPastDueNotWorse	continuous	[-inf, 0.0, 1.0, inf]	(0.0, 1.0]	1801	10249	12050	0.238448	0.097659	0.107111	0.149461	0.892673	0.125679	0.737079	0.538172	-2.598254	-34.654352
2	NumberOfTime30-59DaysPastDueNotWorse	continuous	[-inf, 0.0, 1.0, inf]	(1.0, inf]	1949	4050	5999	0.258043	0.038591	0.053324	0.324887	1.900110	0.416983	0.737079	0.538172	-2.598254	-73.763987
3	NumberOfTime60-89DaysPastDueNotWorse	continuous	[-inf, 0.0, inf]	(-inf, 0.0]	5469	101314	106783	0.724083	0.965383	0.949182	0.051216	-0.287618	0.069402	0.570277	0.403517	-2.598254	8.371879
4	NumberOfTime60-89DaysPastDueNotWorse	continuous	[-inf, 0.0, inf]	(0.0, inf]	2084	3633	5717	0.275917	0.034617	0.050818	0.364527	2.075741	0.500875	0.570277	0.403517	-2.598254	-60.419867
5	NumberOfTimes90DaysLate	continuous	[-inf, 0.0, inf]	(-inf, 0.0]	4953	101333	106286	0.655766	0.965564	0.944764	0.046601	-0.386908	0.119863	0.833081	0.528354	-2.598254	14.746114
6	NumberOfTimes90DaysLate	continuous	[-inf, 0.0, inf]	(0.0, inf]	2600	3614	6214	0.344234	0.034436	0.055236	0.418410	2.302207	0.713218	0.833081	0.528354	-2.598254	-87.743345
7	RevolvingUtilizationOfUnsecuredLines	continuous	[-inf, 0.22, 0.49, 0.86, inf]	(-inf, 0.22]	1320	62341	63661	0.174765	0.594024	0.565876	0.020735	-1.223477	0.512953	1.071693	0.643205	-2.598254	56.766152
8	RevolvingUtilizationOfUnsecuredLines	continuous	[-inf, 0.22, 0.49, 0.86, inf]	(0.22, 0.49]	916	16760	17676	0.121276	0.159700	0.157120	0.051822	-0.275223	0.010575	1.071693	0.643205	-2.598254	12.769650
9	RevolvingUtilizationOfUnsecuredLines	continuous	[-inf, 0.22, 0.49, 0.86, inf]	(0.49, 0.86]	1695	13027	14722	0.224414	0.124129	0.130862	0.115134	0.592169	0.059386	1.071693	0.643205	-2.598254	-27.475114
10	RevolvingUtilizationOfUnsecuredLines	continuous	[-inf, 0.22, 0.49, 0.86, inf]	(0.86, inf]	3622	12819	16441	0.479545	0.122147	0.146142	0.220303	1.367609	0.488779	1.071693	0.643205	-2.598254	-63.453483
11	age	continuous	[-inf, 35.0, 55.0, 62.0, inf]	(-inf, 35.0]	1801	14288	16089	0.238448	0.136145	0.143013	0.111940	0.560433	0.057334	0.239843	0.462719	-2.598254	-18.706199
12	age	continuous	[-inf, 35.0, 55.0, 62.0, inf]	(35.0, 55.0]	4061	45818	49879	0.537667	0.436582	0.443369	0.081417	0.208263	0.021052	0.239843	0.462719	-2.598254	-6.951426
13	age	continuous	[-inf, 35.0, 55.0, 62.0, inf]	(55.0, 62.0]	898	17050	17948	0.118893	0.162463	0.159538	0.050033	-0.312225	0.013604	0.239843	0.462719	-2.598254	10.421482
14	age	continuous	[-inf, 35.0, 55.0, 62.0, inf]	(62.0, inf]	793	27791	28584	0.104991	0.264810	0.254080	0.027743	-0.925134	0.147853	0.239843	0.462719	-2.598254	30.879240

各变量类型以及IV值

ls.col_type_iv

	col	type	iv
0	RevolvingUtilizationOfUnsecuredLines	continuous	1.071693
1	age	continuous	0.239843
2	NumberOfTime30-59DaysPastDueNotWorse	continuous	0.737079
3	DebtRatio	continuous	0.069471
4	MonthlyIncome	continuous	0.076410
5	NumberOfOpenCreditLinesAndLoans	continuous	0.073217
6	NumberOfTimes90DaysLate	continuous	0.833081
7	NumberRealEstateLoansOrLines	continuous	0.055378
8	NumberOfTime60-89DaysPastDueNotWorse	continuous	0.570277
9	NumberOfDependents	continuous	0.031616

连续变量的切分点

ls.col_continuous_cut_points

[['RevolvingUtilizationOfUnsecuredLines', [-inf, 0.22, 0.49, 0.86, inf]],
 ['age', [-inf, 35.0, 55.0, 62.0, inf]],
 ['NumberOfTime30-59DaysPastDueNotWorse', [-inf, 0.0, 1.0, inf]],
 ['DebtRatio', [-inf, 0.41, 0.67, 2.66, inf]],
 ['MonthlyIncome', [-inf, 1297.0, 4838.0, 6596.0, inf]],
 ['NumberOfOpenCreditLinesAndLoans', [-inf, 2.0, 3.0, 13.0, inf]],
 ['NumberOfTimes90DaysLate', [-inf, 0.0, inf]],
 ['NumberRealEstateLoansOrLines', [-inf, 0.0, 1.0, 2.0, inf]],
 ['NumberOfTime60-89DaysPastDueNotWorse', [-inf, 0.0, inf]],
 ['NumberOfDependents', [-inf, 0.0, 1.0, 2.0, inf]]]

模型效果检验

ls.plot_roc_ks(data_train,ls.score_card)

2019 16:15:18 INFO 预测用户分数中。。。
2019 16:15:18 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:02<00:00,  2.37it/s]
2019 16:15:20 INFO 根据cut离散化连续变量完成！

ls.plot_roc_ks(data_test,ls.score_card)

2019 16:15:21 INFO 预测用户分数中。。。
2019 16:15:21 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00,  6.97it/s]
2019 16:15:22 INFO 根据cut离散化连续变量完成！

预测

ls.predict_score_proba(data_test,ls.score_card)

2019 16:15:22 INFO 预测用户分数中。。。
2019 16:15:22 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00,  6.99it/s]
2019 16:15:23 INFO 根据cut离散化连续变量完成！

	NumberOfTime30-59DaysPastDueNotWorsescore	NumberOfTime60-89DaysPastDueNotWorsescore	NumberOfTimes90DaysLatescore	RevolvingUtilizationOfUnsecuredLinesscore	agescore	score	proba
0	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
1	20.950981	8.371879	14.746114	-63.453483	-18.706199	561.909292	0.112027
2	20.950981	8.371879	14.746114	56.766152	-6.951426	693.883700	0.019845
3	-34.654352	-60.419867	-87.743345	-27.475114	-6.951426	382.755896	0.601900
4	-73.763987	8.371879	14.746114	-63.453483	10.421482	496.322007	0.238491
5	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
6	20.950981	8.371879	-87.743345	-63.453483	-6.951426	471.174606	0.307389
7	20.950981	8.371879	14.746114	12.769650	-6.951426	649.887198	0.035921
8	20.950981	8.371879	14.746114	56.766152	10.421482	711.256608	0.015664
9	20.950981	8.371879	14.746114	-27.475114	-6.951426	609.642434	0.061116
10	20.950981	8.371879	14.746114	-27.475114	-6.951426	609.642434	0.061116
11	20.950981	8.371879	14.746114	56.766152	-6.951426	693.883700	0.019845
12	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
13	20.950981	8.371879	14.746114	56.766152	-6.951426	693.883700	0.019845
14	-34.654352	8.371879	14.746114	56.766152	10.421482	655.651276	0.033255
15	20.950981	8.371879	14.746114	-63.453483	10.421482	591.036974	0.077701
16	20.950981	8.371879	14.746114	-27.475114	-6.951426	609.642434	0.061116
17	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
18	20.950981	8.371879	-87.743345	-63.453483	-18.706199	459.419833	0.343125
19	20.950981	8.371879	14.746114	56.766152	-6.951426	693.883700	0.019845
20	20.950981	8.371879	14.746114	56.766152	-6.951426	693.883700	0.019845
21	20.950981	8.371879	-87.743345	-63.453483	-6.951426	471.174606	0.307389
22	-34.654352	8.371879	-87.743345	56.766152	30.879240	573.619574	0.096866
23	20.950981	8.371879	14.746114	56.766152	-6.951426	693.883700	0.019845
24	20.950981	8.371879	14.746114	12.769650	-6.951426	649.887198	0.035921
25	-73.763987	8.371879	14.746114	56.766152	30.879240	636.999398	0.042649
26	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
27	20.950981	8.371879	14.746114	-63.453483	30.879240	611.494731	0.059659
28	20.950981	8.371879	14.746114	12.769650	10.421482	667.260107	0.028452
29	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
...	...	...	...	...	...	...	...
37470	20.950981	8.371879	14.746114	12.769650	-6.951426	649.887198	0.035921
37471	-34.654352	8.371879	14.746114	12.769650	-6.951426	594.281865	0.074538
37472	20.950981	8.371879	-87.743345	-27.475114	-6.951426	507.152975	0.212299
37473	-73.763987	-60.419867	-87.743345	12.769650	-18.706199	372.136252	0.636593
37474	20.950981	8.371879	14.746114	56.766152	10.421482	711.256608	0.015664
37475	20.950981	8.371879	14.746114	56.766152	-18.706199	682.128926	0.023276
37476	20.950981	8.371879	14.746114	-63.453483	-6.951426	573.664065	0.096812
37477	20.950981	8.371879	14.746114	56.766152	-18.706199	682.128926	0.023276
37478	20.950981	8.371879	14.746114	56.766152	10.421482	711.256608	0.015664
37479	20.950981	8.371879	14.746114	-27.475114	-6.951426	609.642434	0.061116
37480	20.950981	8.371879	14.746114	56.766152	-6.951426	693.883700	0.019845
37481	-34.654352	8.371879	-87.743345	-63.453483	-6.951426	415.569274	0.489626
37482	20.950981	8.371879	14.746114	56.766152	-6.951426	693.883700	0.019845
37483	-73.763987	8.371879	14.746114	56.766152	-18.706199	587.413959	0.081378
37484	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
37485	20.950981	8.371879	14.746114	-63.453483	-18.706199	561.909292	0.112027
37486	20.950981	8.371879	14.746114	56.766152	-18.706199	682.128926	0.023276
37487	-73.763987	-60.419867	14.746114	-27.475114	-6.951426	446.135720	0.385743
37488	20.950981	8.371879	14.746114	56.766152	-18.706199	682.128926	0.023276
37489	20.950981	8.371879	-87.743345	-63.453483	-6.951426	471.174606	0.307389
37490	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
37491	20.950981	8.371879	14.746114	56.766152	-6.951426	693.883700	0.019845
37492	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
37493	-34.654352	8.371879	14.746114	56.766152	-6.951426	638.278367	0.041931
37494	20.950981	8.371879	14.746114	-27.475114	10.421482	627.015343	0.048671
37495	20.950981	8.371879	14.746114	12.769650	30.879240	687.717864	0.021578
37496	-34.654352	8.371879	14.746114	56.766152	-6.951426	638.278367	0.041931
37497	20.950981	8.371879	14.746114	12.769650	-6.951426	649.887198	0.035921
37498	20.950981	8.371879	14.746114	56.766152	30.879240	731.714366	0.011842
37499	20.950981	8.371879	14.746114	-27.475114	30.879240	647.473100	0.037099

37500 rows × 7 columns

补充-模型调试

变量IV值以及分箱分析

#默认决策树分箱
ls.plot_col_woe_iv(data,'age')

	cut_points	cut_points_id	1_num	0_num	total_num	1_pct	0_pct	total_pct	1_rate	woe	iv	total_iv
1	(-inf, 36.0]	0	2628	21237	23865	0.262118	0.151721	0.159100	0.110119	0.546753	0.060360	0.250005
0	(36.0, 55.0]	1	5177	58953	64130	0.516357	0.421171	0.427533	0.080727	0.203760	0.019395	0.250005
3	(55.0, 63.0]	2	1345	26409	27754	0.134151	0.188671	0.185027	0.048461	-0.341036	0.018593	0.250005
2	(63.0, inf]	3	876	33375	34251	0.087373	0.238437	0.228340	0.025576	-1.003921	0.151657	0.250005

# 手动分箱
ls.plot_col_woe_iv(data,'age',[-inf,20,30,40,inf])

C:\ProgramData\Anaconda3\lib\site-packages\CreditScoreModel\LogisticScoreCard.py:152: RuntimeWarning: divide by zero encountered in log
  result['woe'] = np.log(result['1_pct'] / result['0_pct'])  # WOE

	cut_points	cut_points_id	1_num	0_num	total_num	1_pct	0_pct	total_pct	1_rate	woe	iv
3	(-inf, 20.0]	0	0	1	1	0.000000	0.000007	0.000007	0.000000	0.000000	0.000000
2	(20.0, 30.0]	1	1244	9513	10757	0.124077	0.067963	0.071713	0.115646	0.601948	0.033778
1	(30.0, 40.0]	2	2390	21949	24339	0.238380	0.156808	0.162260	0.098196	0.418847	0.034166
0	(40.0, inf]	3	6392	108511	114903	0.637542	0.775223	0.766020	0.055630	-0.195529	0.026921

# 不输出具体数据
ls.plot_col_woe_iv(data,'age',[-inf,20,30,40,inf],return_data=False)

C:\ProgramData\Anaconda3\lib\site-packages\CreditScoreModel\LogisticScoreCard.py:152: RuntimeWarning: divide by zero encountered in log
  result['woe'] = np.log(result['1_pct'] / result['0_pct'])  # WOE

模型效果分析

#默认参数跑出的结果
col_result=ls.col_result
col_continuous_cut_points=[col for col in ls.col_continuous_cut_points if col[0] in ls.col_result]
data_new=data_train[ls.col_result+['y']]

score_card=ls.get_logistic_socre_card(data_new,col_continuous_cut_points)
ls.plot_roc_ks(data_new,score_card)

2019 16:15:35 INFO 评分卡制作中。。。
2019 16:15:35 INFO 连续和离散变量划分中。。。
2019 16:15:35 INFO 连续和离散变量划分完成！
2019 16:15:35 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:02<00:00,  2.50it/s]
2019 16:15:38 INFO 根据cut离散化连续变量完成！
2019 16:15:38 INFO WOE转换中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00, 11.89it/s]
2019 16:15:38 INFO WOE转换完成！
C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.
  FutureWarning)
2019 16:15:40 INFO 评分卡制作完成！
2019 16:15:40 INFO 预测用户分数中。。。
2019 16:15:40 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:02<00:00,  2.41it/s]
2019 16:15:43 INFO 根据cut离散化连续变量完成！

# 例如：选取全部变量，并按以下切分点分箱
col_result=['y', 'RevolvingUtilizationOfUnsecuredLines', 'age',
           'NumberOfTime30-59DaysPastDueNotWorse', 'DebtRatio', 'MonthlyIncome',
           'NumberOfOpenCreditLinesAndLoans', 'NumberOfTimes90DaysLate',
           'NumberRealEstateLoansOrLines', 'NumberOfTime60-89DaysPastDueNotWorse',
           'NumberOfDependents']
col_continuous_cut_points=[['RevolvingUtilizationOfUnsecuredLines', [-inf, 0.22, 0.49, 0.86, inf]],
                         ['age', [-inf, 35.0, 55.0, 62.0, inf]],
                         ['NumberOfTime30-59DaysPastDueNotWorse', [-inf, 0.0, 1.0, inf]],
                         ['DebtRatio', [-inf, 0.41, 0.67, 2.66, inf]],
                         ['MonthlyIncome', [-inf, 1297.0, 4838.0, 6596.0, inf]],
                         ['NumberOfOpenCreditLinesAndLoans', [-inf, 2.0, 3.0, 13.0, inf]],
                         ['NumberOfTimes90DaysLate', [-inf, 0.0, inf]],
                         ['NumberRealEstateLoansOrLines', [-inf, 0.0, 1.0, 2.0, inf]],
                         ['NumberOfTime60-89DaysPastDueNotWorse', [-inf, 0.0, inf]],
                         ['NumberOfDependents', [-inf, 0.0, 1.0, 2.0, inf]]]
data_new=data_train[col_result]

score_card=ls.get_logistic_socre_card(data_new,col_continuous_cut_points)
ls.plot_roc_ks(data_new,score_card)

2019 16:15:43 INFO 评分卡制作中。。。
2019 16:15:43 INFO 连续和离散变量划分中。。。
2019 16:15:43 INFO 连续和离散变量划分完成！
2019 16:15:43 INFO 根据cut离散化连续变量进行中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:04<00:00,  2.49it/s]
2019 16:15:48 INFO 根据cut离散化连续变量完成！
2019 16:15:48 INFO WOE转换中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 12.17it/s]
2019 16:15:49 INFO WOE转换完成！
C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.
  FutureWarning)
2019 16:15:54 INFO 评分卡制作完成！
2019 16:15:54 INFO 预测用户分数中。。。
2019 16:15:54 INFO 根据cut离散化连续变量进行中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:04<00:00,  2.13it/s]
2019 16:15:58 INFO 根据cut离散化连续变量完成！

补充-包的参数解释

def __init__(self,
         max_depth=None,  # 决策树的深度
         max_leaf_nodes=4,  # 决策树的子节点数
         min_samples_leaf=0.05,  # 分节点最小划分比例
         base_score=600,  # 基础分
         increase_score=50,  # 增加分（概率增加一份所增加的分数）
         min_iv=0.1,  # 特征筛选（选取IV值大于0.1的值）
         max_corr=0.6,  # 特征筛选（选取相关性小于0.6的值）
         C=0.01,  # 特征筛选（L1正则化系数）
         penalty='l1',  # 特征筛选（L1正则化）
         round_num=2  # 所有变量保留两位有效数
         ):

    # 参数选择
    self.max_depth = max_depth
    self.max_leaf_nodes = max_leaf_nodes
    self.min_samples_leaf = min_samples_leaf
    self.base_score = base_score
    self.increase_score = increase_score
    self.min_iv = min_iv
    self.max_corr = max_corr
    self.C = C
    self.penalty = penalty
    self.round_num = round_num

    # 保存变量结果
    self.col_type_iv = None  # 各变量类型以及IV值
    self.col_continuous_cut_points = None  # 连续变量的切分点
    self.col_result = None  # 最终评分卡选择的变量
    self.score_card = None  # 评分卡

你可能感兴趣的:(评分,python,机器学习,风控,信用,数据挖掘(python))

QQ群采集助手，精准引流必备神器 2401_87347160 其他经验分享
功能概述微信群查找与筛选工具是一款专为微信用户设计的辅助工具，它通过关键词搜索功能，帮助用户快速找到相关的微信群，并提供筛选是否需要验证的群组的功能。主要功能关键词搜索：用户可以输入关键词，工具将自动查找包含该关键词的微信群。筛选功能：工具提供筛选机制，用户可以选择是否只显示需要验证或不需要验证的群组。精准引流：通过上述功能，用户可以更精准地找到目标群组，进行有效的引流操作。3.设备需求该工具可以
机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
2021-08-26 影幽
在生活中，女人与男人的感悟往往有所不同。人生最大的舞台就是生活，大幕随时都可能拉开，关键是你愿不愿意表演都无法躲避。在生活中，遇事不要急躁，不要急于下结论，尤其生气时不要做决断，要学会换位思考，大事化小小事化了，把复杂的事情尽量简单处理，千万不要把简单的事情复杂化。永远不要扭曲，别人善意，无药可救。昨天是张过期的支票，明天是张信用卡，只有今天才是现金，要善加利用！执着的攀登者不必去与别人比较自己的
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
python os.environ 江湖偌大 python 深度学习
os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
Python中os.environ基本介绍及使用方法鹤冲天Pro #Python python 服务器开发语言
文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Python教程：一文了解使用Python处理XPath 旦莫 Python进阶 python 开发语言
目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
python是什么意思中文-在python中%是什么意思编程大乐趣
Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
python八股文面试题分享及解析(1) Shawn________ python
#1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
Python 实现图片裁剪（附代码） | Python工具剑客阿良_ALiang
前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选**1.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
python os 环境变量 CV矿工 python 开发语言 numpy
环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
Python爬虫解析工具之xpath使用详解 eqa11 python 爬虫开发语言
文章目录Python爬虫解析工具之xpath使用详解一、引言二、环境准备1、插件安装2、依赖库安装三、xpath语法详解1、路径表达式2、通配符3、谓语4、常用函数四、xpath在Python代码中的使用1、文档树的创建2、使用xpath表达式3、获取元素内容和属性五、总结Python爬虫解析工具之xpath使用详解一、引言在Python爬虫开发中，数据提取是一个至关重要的环节。xpath作为一门
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
下一站深圳默琊
昨天已经买好3/15到深圳的机票了，原本上周还有点拖延症发作，不太积极，所以昨天就直接逼迫自己买机票，然后在订房，下周就是确认行业和把具体的面谈日程定下来。行业的选择上目前没有太大的偏好，上一份工作主要是风控和客服，客服部分也算是个小组长，有负责培训和一些案件SOP流程的制定等工作。总感觉客服这个职位的职涯发展只能是垂直的往更高的管理层走，对于横向发展似乎不容易，而鉴于做客服1年的感受，我不太喜欢
Python中深拷贝与浅拷贝的区别 yuxiaoyu.
转自：http://blog.csdn.net/u014745194/article/details/70271868定义：在Python中对象的赋值其实就是对象的引用。当创建一个对象，把它赋值给另一个变量的时候，python并没有拷贝这个对象，只是拷贝了这个对象的引用而已。浅拷贝：拷贝了最外围的对象本身，内部的元素都只是拷贝了一个引用而已。也就是，把对象复制一遍，但是该对象中引用的其他对象我不复
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python编译器鹿鹿~ Python编译器 Python python 开发语言后端
嘿嘿嘿我又来了啊有些小盆友可能不知道Python其实是有编译器的，也就是PyCharm。你们可能会问到这个是干嘛的又不可以吃也不可以穿好像没有什么用，其实你还说对了这个还真的不可以吃也不可以穿，但是它用来干嘛的呢。用来编译你所打出的代码进行运行（可能这里说的有点不对但是只是个人认为）现在我们来说说PyCharm是用来干嘛的。PyCharm是一种PythonIDE，带有一整套可以帮助用户在使用Pyt
一文掌握python面向对象魔术方法（二）程序员neil python python 开发语言
接上篇：一文掌握python面向对象魔术方法（一）-CSDN博客目录六、迭代和序列化：1、__iter__(self):定义迭代器，使得类可以被for循环迭代。2、__getitem__(self,key):定义索引操作，如obj[key]。3、__setitem__(self,key,value):定义赋值操作，如obj[key]=value。4、__delitem__(self,key):定义
sql统计相同项个数并按名次显示朱辉辉33 java oracle
现在有如下这样一个表： A表 ID Name time ------------------------------ 0001 aaa 2006-11-18 0002 ccc 2006-11-18 0003 eee 2006-11-18 0004 aaa 2006-11-18 0005 eee 2006-11-18 0004 aaa 2006-11-18 0002 ccc 20
Android+Jquery Mobile学习系列-目录白糖_ JQuery Mobile
最近在研究学习基于Android的移动应用开发，准备给家里人做一个应用程序用用。向公司手机移动团队咨询了下，觉得使用Android的WebView上手最快，因为WebView等于是一个内置浏览器，可以基于html页面开发，不用去学习Android自带的七七八八的控件。然后加上Jquery mobile的样式渲染和事件等，就能非常方便的做动态应用了。从现在起，往后一段时间，我打算
如何给线程池命名 daysinsun 线程池
在系统运行后，在线程快照里总是看到线程池的名字为pool-xx，这样导致很不好定位，怎么给线程池一个有意义的名字呢。参照ThreadPoolExecutor类的ThreadFactory，自己实现ThreadFactory接口，重写newThread方法即可。参考代码如下： public class Named
IE 中"HTML Parsing Error:Unable to modify the parent container element before the 周凡杨 html 解析 error readyState
错误： IE 中"HTML Parsing Error:Unable to modify the parent container element before the child element is closed" 现象：同事之间几个IE 测试情况下，有的报这个错，有的不报。经查询资料后，可归纳以下原因。
java上传 g21121 java
我们在做web项目中通常会遇到上传文件的情况，用struts等框架的会直接用的自带的标签和组件，今天说的是利用servlet来完成上传。我们这里利用到commons-fileupload组件，相关jar包可以取apache官网下载：http://commons.apache.org/ 下面是servlet的代码： //定义一个磁盘文件工厂 DiskFileItemFactory fact
SpringMVC配置学习 510888780 spring mvc
spring MVC配置详解现在主流的Web MVC框架除了Struts这个主力外，其次就是Spring MVC了，因此这也是作为一名程序员需要掌握的主流框架，框架选择多了，应对多变的需求和业务时，可实行的方案自然就多了。不过要想灵活运用Spring MVC来应对大多数的Web开发，就必须要掌握它的配置及原理。　　一、Spring MVC环境搭建：（Spring 2.5.6 + Hi
spring mvc-jfreeChart 柱图(1) 布衣凌宇 jfreechart
第一步：下载jfreeChart包，注意是jfreeChart文件lib目录下的，jcommon-1.0.23.jar和jfreechart-1.0.19.jar两个包即可；第二步：配置web.xml; web.xml代码如下 <servlet> <servlet-name>jfreechart</servlet-nam
我的spring学习笔记13-容器扩展点之PropertyPlaceholderConfigurer aijuans Spring3
PropertyPlaceholderConfigurer是个bean工厂后置处理器的实现，也就是BeanFactoryPostProcessor接口的一个实现。关于BeanFactoryPostProcessor和BeanPostProcessor类似。我会在其他地方介绍。PropertyPlaceholderConfigurer可以将上下文（配置文件）中的属性值放在另一个单独的标准java P
java 线程池使用 Runnable&Callable&Future antlove java thread Runnable callable future
1. 创建线程池 ExecutorService executorService = Executors.newCachedThreadPool(); 2. 执行一次线程，调用Runnable接口实现 Future<?> future = executorService.submit(new DefaultRunnable()); System.out.prin
XML语法元素结构的总结百合不是茶 xml 树结构
1.XML介绍1969年 gml (主要目的是要在不同的机器进行通信的数据规范)1985年 sgml standard generralized markup language1993年 html(www网)1998年 xml extensible markup language
改变eclipse编码格式 bijian1013 eclipse 编码格式
1.改变整个工作空间的编码格式改变整个工作空间的编码格式，这样以后新建的文件也是新设置的编码格式。 Eclipse->window->preferences->General->workspace-
javascript中return的设计缺陷 bijian1013 JavaScript AngularJS
代码1： <script> var gisService = (function(window) { return { name:function () { alert(1); } }; })(this); gisService.name(); &l
【持久化框架MyBatis3八】Spring集成MyBatis3 bit1129 Mybatis3
pom.xml配置 Maven的pom中主要包括： MyBatis MyBatis-Spring Spring MySQL-Connector-Java Druid applicationContext.xml配置 <?xml version="1.0" encoding="UTF-8"?> &
java web项目启动时自动加载自定义properties文件 bitray java Web 监听器相对路径
创建一个类 public class ContextInitListener implements ServletContextListener 使得该类成为一个监听器。用于监听整个容器生命周期的，主要是初始化和销毁的。类创建后要在web.xml配置文件中增加一个简单的监听器配置，即刚才我们定义的类。 <listener> <des
用nginx区分文件大小做出不同响应 ronin47
昨晚和前21v的同事聊天，说到我离职后一些技术上的更新。其中有个给某大客户(游戏下载类)的特殊需求设计，因为文件大小差距很大——估计是大版本和补丁的区别——又走的是同一个域名，而squid在响应比较大的文件时，尤其是初次下载的时候，性能比较差，所以拆成两组服务器，squid服务于较小的文件，通过pull方式从peer层获取，nginx服务于较大的文件，通过push方式由peer层分发同步。外部发布
java-67-扑克牌的顺子.从扑克牌中随机抽5张牌，判断是不是一个顺子，即这5张牌是不是连续的.2-10为数字本身，A为1，J为11，Q为12，K为13，而大 bylijinnan java
package com.ljn.base; import java.util.Arrays; import java.util.Random; public class ContinuousPoker { /** * Q67 扑克牌的顺子从扑克牌中随机抽5张牌，判断是不是一个顺子，即这5张牌是不是连续的。 * 2-10为数字本身，A为1，J为1
翟鸿燊老师语录 ccii 翟鸿燊
一、国学应用智慧TAT之亮剑精神A 1. 角色就是人格就像你一回家的时候，你一进屋里面，你已经是儿子，是姑娘啦，给老爸老妈倒怀水吧，你还觉得你是老总呢？还拿派呢？就像今天一样，你们往这儿一坐，你们之间是什么，同学，是朋友。还有下属最忌讳的就是领导向他询问情况的时候，什么我不知道，我不清楚，该你知道的你凭什么不知道
[光速与宇宙]进行光速飞行的一些问题 comsci 问题
在人类整体进入宇宙时代，即将开展深空宇宙探索之前，我有几个猜想想告诉大家仅仅是猜想。。。未经官方证实 1：要在宇宙中进行光速飞行，必须首先获得宇宙中的航行通行证，而这个航行通行证并不是我们平常认为的那种带钢印的证书，是什么呢？下面我来告诉
oracle undo解析 cwqcwqmax9 oracle
oracle undo解析2012-09-24 09:02:01 我来说两句作者：虫师收藏我要投稿 Undo是干嘛用的？ &nb
java中各种集合的详细介绍 dashuaifu java 集合
一，java中各种集合的关系图 Collection 接口的接口对象的集合 ├ List 子接口 &n
卸载windows服务的方法 dcj3sjt126com windows service
卸载Windows服务的方法在Windows中，有一类程序称为服务，在操作系统内核加载完成后就开始加载。这里程序往往运行在操作系统的底层，因此资源占用比较大、执行效率比较高，比较有代表性的就是杀毒软件。但是一旦因为特殊原因不能正确卸载这些程序了，其加载在Windows内的服务就不容易删除了。即便是删除注册表中的相应项目，虽然不启动了，但是系统中仍然存在此项服务，只是没有加载而已。如果安装其他
Warning: The Copy Bundle Resources build phase contains this target's Info.plist dcj3sjt126com ios xcode
http://developer.apple.com/iphone/library/qa/qa2009/qa1649.html Excerpt: You are getting this warning because you probably added your Info.plist file to your Copy Bundle
2014之C++学习笔记（一） Etwo C++Etwo Etwo iterator 迭代器
已经有很长一段时间没有写博客了，可能大家已经淡忘了Etwo这个人的存在，这一年多以来，本人从事了AS的相关开发工作，但最近一段时间，AS在天朝的没落，相信有很多码农也都清楚，现在的页游基本上达到饱和，手机上的游戏基本被unity3D与cocos占据，AS基本没有容身之处。so。。。最近我并不打算直接转型
js跨越获取数据问题记录 haifengwuch jsonp json Ajax
js的跨越问题，普通的ajax无法获取服务器返回的值。第一种解决方案，通过getson，后台配合方式，实现。 Java后台代码： protected void doPost(HttpServletRequest req, HttpServletResponse resp) throws ServletException, IOException { String ca
蓝色jQuery导航条 ini JavaScript html jquery Web html5
效果体验：http://keleyi.com/keleyi/phtml/jqtexiao/39.htmHTML文件代码： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <title>jQuery鼠标悬停上下滑动导航条 - 柯乐义<
linux部署jdk,tomcat,mysql kerryg jdk tomcat linux mysql
1、安装java环境jdk: 一般系统都会默认自带的JDK,但是不太好用，都会卸载了，然后重新安装。 1.1）、卸载：（rpm -qa :查询已经安装哪些软件包； rmp -q 软件包：查询指定包是否已
DOMContentLoaded VS onload VS onreadystatechange mutongwu jquery js
1. DOMContentLoaded 在页面html、script、style加载完毕即可触发，无需等待所有资源（image/iframe）加载完毕。（IE9+） 2. onload是最早支持的事件，要求所有资源加载完毕触发。 3. onreadystatechange 开始在IE引入，后来其它浏览器也有一定的实现。涉及以下 document , applet, embed, fra
sql批量插入数据 qifeifei 批量插入
hi，自己在做工程的时候，遇到批量插入数据的数据修复场景。我的思路是在插入前准备一个临时表，临时表的整理就看当时的选择条件了，临时表就是要插入的数据集，最后再批量插入到数据库中。 WITH tempT AS ( SELECT item_id AS combo_id, item_id, now() AS create_date FROM a
log4j打印日志文件如何实现相对路径到项目工程下 thinkfreer Web log4j 应用服务器日志
最近为了实现统计一个网站的访问量，记录用户的登录信息，以方便站长实时了解自己网站的访问情况，选择了Apache 的log4j,但是在选择相对路径那块卡主了，X度了好多方法(其实大多都是一样的内用，还一个字都不差的)，都没有能解决问题，无奈搞了2天终于解决了，与大家分享一下需求：用户登录该网站时，把用户的登录名,ip,时间。统计到一个txt文档里，以方便其他系统调用此txt。项目名
linux下mysql-5.6.23.tar.gz安装与配置笑我痴狂 mysql linux unix
1.卸载系统默认的mysql [root@localhost ~]# rpm -qa | grep mysql mysql-libs-5.1.66-2.el6_3.x86_64 mysql-devel-5.1.66-2.el6_3.x86_64 mysql-5.1.66-2.el6_3.x86_64 [root@localhost ~]# rpm -e mysql-libs-5.1