jidongdaoshi

DataWhale会员数据化运营项目（个人练习）

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

plt.rcParams['font.family'] = ['SimHei']    # 显示中文,解决图中无法显示中文的问题
plt.rcParams['axes.unicode_minus']=False

# 建立sheet_name列表，对应excel种的每一个工作表
sheet_names = ['2015', '2016', '2017', '2018', '会员等级']

# 读取数据
sheet_datas = [pd.read_excel('sales.xlsx', sheet_name=i) for i in sheet_names]

sheet_datas_copy = sheet_datas.copy  #拷贝

# sheet_datas = sheet_datas_copy

# 利用循环查看每一个工作表的基本情况
for sheet_name, sheet_data in zip(sheet_names, sheet_datas):
    print('{}\n{}'.format(sheet_name, sheet_data.head()))
    print('描述性统计\n{}'.format(sheet_data.describe()))
    print('基本属性')
    print(sheet_data.info())
    print('特征缺失值数量\n{}'.format(sheet_data.isnull().sum()))

2015
          会员ID         订单号       提交日期    订单金额  Unnamed: 4  Unnamed: 5  \
0  15278002468  3000304681 2015-01-01   499.0         NaN         NaN   
1  39236378972  3000305791 2015-01-01  2588.0         NaN         NaN   
2  38722039578  3000641787 2015-01-01   498.0         NaN         NaN   
3  11049640063  3000798913 2015-01-01  1572.0         NaN         NaN   
4  35038752292  3000821546 2015-01-01    10.1         NaN         NaN   

   Unnamed: 6  Unnamed: 7  Unnamed: 8  Unnamed: 9  
0         NaN         NaN         NaN         NaN  
1         NaN         NaN         NaN         NaN  
2         NaN         NaN         NaN         NaN  
3         NaN         NaN         NaN         NaN  
4         NaN         NaN         NaN         NaN  
描述性统计
               会员ID           订单号           订单金额  Unnamed: 4  Unnamed: 5  \
count  3.077400e+04  3.077400e+04   30774.000000         0.0         0.0   
mean   2.918779e+10  4.020414e+09     960.991161         NaN         NaN   
std    1.385333e+10  2.630510e+08    2068.107231         NaN         NaN   
min    2.670000e+02  3.000305e+09       0.500000         NaN         NaN   
25%    1.944122e+10  3.885510e+09      59.000000         NaN         NaN   
50%    3.746545e+10  4.117491e+09     139.000000         NaN         NaN   
75%    3.923593e+10  4.234882e+09     899.000000         NaN         NaN   
max    3.954613e+10  4.282025e+09  111750.000000         NaN         NaN   

       Unnamed: 6  Unnamed: 7  Unnamed: 8  Unnamed: 9  
count         0.0         0.0         0.0         0.0  
mean          NaN         NaN         NaN         NaN  
std           NaN         NaN         NaN         NaN  
min           NaN         NaN         NaN         NaN  
25%           NaN         NaN         NaN         NaN  
50%           NaN         NaN         NaN         NaN  
75%           NaN         NaN         NaN         NaN  
max           NaN         NaN         NaN         NaN  
基本属性

RangeIndex: 30774 entries, 0 to 30773
Data columns (total 10 columns):
 #   Column      Non-Null Count  Dtype         
---  ------      --------------  -----         
 0   会员ID        30774 non-null  int64         
 1   订单号         30774 non-null  int64         
 2   提交日期        30774 non-null  datetime64[ns]
 3   订单金额        30774 non-null  float64       
 4   Unnamed: 4  0 non-null      float64       
 5   Unnamed: 5  0 non-null      float64       
 6   Unnamed: 6  0 non-null      float64       
 7   Unnamed: 7  0 non-null      float64       
 8   Unnamed: 8  0 non-null      float64       
 9   Unnamed: 9  0 non-null      float64       
dtypes: datetime64[ns](1), float64(7), int64(2)
memory usage: 2.3 MB
None
特征缺失值数量
会员ID              0
订单号               0
提交日期              0
订单金额              0
Unnamed: 4    30774
Unnamed: 5    30774
Unnamed: 6    30774
Unnamed: 7    30774
Unnamed: 8    30774
Unnamed: 9    30774
dtype: int64
2016
          会员ID         订单号       提交日期    订单金额  Unnamed: 4  Unnamed: 5  \
0  39288120141  4282025766 2016-01-01    76.0         NaN         NaN   
1  39293812118  4282037929 2016-01-01  7599.0         NaN         NaN   
2  27596340905  4282038740 2016-01-01   802.0         NaN         NaN   
3  15111475509  4282043819 2016-01-01    65.0         NaN         NaN   
4  38896594001  4282051044 2016-01-01    95.0         NaN         NaN   

   Unnamed: 6  
0         NaN  
1         NaN  
2         NaN  
3         NaN  
4         NaN  
描述性统计
               会员ID           订单号           订单金额  Unnamed: 4  Unnamed: 5  \
count  4.127800e+04  4.127800e+04   41277.000000         0.0         0.0   
mean   2.908415e+10  4.313583e+09     957.106694         NaN         NaN   
std    1.389468e+10  1.094572e+07    2478.560036         NaN         NaN   
min    8.100000e+01  4.282026e+09       0.100000         NaN         NaN   
25%    1.934990e+10  4.309457e+09      59.000000         NaN         NaN   
50%    3.730339e+10  4.317545e+09     147.000000         NaN         NaN   
75%    3.923182e+10  4.321132e+09     888.000000         NaN         NaN   
max    3.954554e+10  4.324911e+09  174900.000000         NaN         NaN   

       Unnamed: 6  
count         0.0  
mean          NaN  
std           NaN  
min           NaN  
25%           NaN  
50%           NaN  
75%           NaN  
max           NaN  
基本属性

RangeIndex: 41278 entries, 0 to 41277
Data columns (total 7 columns):
 #   Column      Non-Null Count  Dtype         
---  ------      --------------  -----         
 0   会员ID        41278 non-null  int64         
 1   订单号         41278 non-null  int64         
 2   提交日期        41278 non-null  datetime64[ns]
 3   订单金额        41277 non-null  float64       
 4   Unnamed: 4  0 non-null      float64       
 5   Unnamed: 5  0 non-null      float64       
 6   Unnamed: 6  0 non-null      float64       
dtypes: datetime64[ns](1), float64(4), int64(2)
memory usage: 2.2 MB
None
特征缺失值数量
会员ID              0
订单号               0
提交日期              0
订单金额              1
Unnamed: 4    41278
Unnamed: 5    41278
Unnamed: 6    41278
dtype: int64
2017
          会员ID         订单号       提交日期    订单金额  Unnamed: 4  Unnamed: 5  \
0  38765290840  4324911135 2017-01-01  1799.0         NaN         NaN   
1  39305832102  4324911213 2017-01-01   369.0         NaN         NaN   
2  34190994969  4324911251 2017-01-01   189.0         NaN         NaN   
3  38986333210  4324911283 2017-01-01   169.0         NaN         NaN   
4      4271359  4324911355 2017-01-01    78.0         NaN         NaN   

   Unnamed: 6  
0         NaN  
1         NaN  
2         NaN  
3         NaN  
4         NaN  
描述性统计
               会员ID           订单号           订单金额  Unnamed: 4  Unnamed: 5  \
count  5.083900e+04  5.083900e+04   50839.000000         0.0         0.0   
mean   2.882368e+10  4.332466e+09     963.587872         NaN         NaN   
std    1.409416e+10  4.404350e+06    2178.727261         NaN         NaN   
min    2.780000e+02  4.324911e+09       0.300000         NaN         NaN   
25%    1.869274e+10  4.328415e+09      59.000000         NaN         NaN   
50%    3.688044e+10  4.331989e+09     149.000000         NaN         NaN   
75%    3.923020e+10  4.337515e+09     898.000000         NaN         NaN   
max    3.954554e+10  4.338764e+09  123609.000000         NaN         NaN   

       Unnamed: 6  
count         0.0  
mean          NaN  
std           NaN  
min           NaN  
25%           NaN  
50%           NaN  
75%           NaN  
max           NaN  
基本属性

RangeIndex: 50839 entries, 0 to 50838
Data columns (total 7 columns):
 #   Column      Non-Null Count  Dtype         
---  ------      --------------  -----         
 0   会员ID        50839 non-null  int64         
 1   订单号         50839 non-null  int64         
 2   提交日期        50839 non-null  datetime64[ns]
 3   订单金额        50839 non-null  float64       
 4   Unnamed: 4  0 non-null      float64       
 5   Unnamed: 5  0 non-null      float64       
 6   Unnamed: 6  0 non-null      float64       
dtypes: datetime64[ns](1), float64(4), int64(2)
memory usage: 2.7 MB
None
特征缺失值数量
会员ID              0
订单号               0
提交日期              0
订单金额              0
Unnamed: 4    50839
Unnamed: 5    50839
Unnamed: 6    50839
dtype: int64
2018
          会员ID         订单号       提交日期    订单金额  Unnamed: 4  Unnamed: 5  \
0  39229691808  4338764262 2018-01-01  3646.0         NaN         NaN   
1  39293668916  4338764363 2018-01-01  3999.0         NaN         NaN   
2  35059646224  4338764376 2018-01-01    10.1         NaN         NaN   
3      1084397  4338770013 2018-01-01   828.0         NaN         NaN   
4      3349915  4338770121 2018-01-01  3758.0         NaN         NaN   

   Unnamed: 6  
0         NaN  
1         NaN  
2         NaN  
3         NaN  
4         NaN  
描述性统计
               会员ID           订单号           订单金额  Unnamed: 4  Unnamed: 5  \
count  8.134900e+04  8.134900e+04   81348.000000         0.0         0.0   
mean   2.902317e+10  4.348372e+09     966.582792         NaN         NaN   
std    1.404116e+10  4.183774e+06    2204.969534         NaN         NaN   
min    2.780000e+02  4.338764e+09       0.000000         NaN         NaN   
25%    1.902755e+10  4.345654e+09      60.000000         NaN         NaN   
50%    3.740121e+10  4.349448e+09     149.000000         NaN         NaN   
75%    3.923380e+10  4.351639e+09     899.000000         NaN         NaN   
max    3.954614e+10  4.354235e+09  174900.000000         NaN         NaN   

       Unnamed: 6  
count         0.0  
mean          NaN  
std           NaN  
min           NaN  
25%           NaN  
50%           NaN  
75%           NaN  
max           NaN  
基本属性

RangeIndex: 81349 entries, 0 to 81348
Data columns (total 7 columns):
 #   Column      Non-Null Count  Dtype         
---  ------      --------------  -----         
 0   会员ID        81349 non-null  int64         
 1   订单号         81349 non-null  int64         
 2   提交日期        81349 non-null  datetime64[ns]
 3   订单金额        81348 non-null  float64       
 4   Unnamed: 4  0 non-null      float64       
 5   Unnamed: 5  0 non-null      float64       
 6   Unnamed: 6  0 non-null      float64       
dtypes: datetime64[ns](1), float64(4), int64(2)
memory usage: 4.3 MB
None
特征缺失值数量
会员ID              0
订单号               0
提交日期              0
订单金额              1
Unnamed: 4    81349
Unnamed: 5    81349
Unnamed: 6    81349
dtype: int64
会员等级
          会员ID  会员等级  Unnamed: 2  Unnamed: 3
0       100090     3         NaN         NaN
1  10012905801     1         NaN         NaN
2  10012935109     1         NaN         NaN
3  10013498043     1         NaN         NaN
4  10014087899     4         NaN         NaN
描述性统计
               会员ID           会员等级  Unnamed: 2  Unnamed: 3
count  1.543850e+05  154385.000000         0.0         0.0
mean   2.980055e+10       2.259701         NaN         NaN
std    1.365654e+10       1.346408         NaN         NaN
min    8.100000e+01       1.000000         NaN         NaN
25%    2.213894e+10       1.000000         NaN         NaN
50%    3.833022e+10       2.000000         NaN         NaN
75%    3.927932e+10       3.000000         NaN         NaN
max    3.954614e+10       5.000000         NaN         NaN
基本属性

RangeIndex: 154385 entries, 0 to 154384
Data columns (total 4 columns):
 #   Column      Non-Null Count   Dtype  
---  ------      --------------   -----  
 0   会员ID        154385 non-null  int64  
 1   会员等级        154385 non-null  int64  
 2   Unnamed: 2  0 non-null       float64
 3   Unnamed: 3  0 non-null       float64
dtypes: float64(2), int64(2)
memory usage: 4.7 MB
None
特征缺失值数量
会员ID               0
会员等级               0
Unnamed: 2    154385
Unnamed: 3    154385
dtype: int64

for i in range(4):
    sheet_datas[i] = sheet_datas[i].dropna(axis=1, thresh=2).dropna()  # 去除具有空值的行的同时，把空白列也去掉
    sheet_datas[i] = sheet_datas[i][sheet_datas[i]['订单金额'] > 1]  # 去除订单金额小于1的行
    sheet_datas[i]['max_year_date'] =  sheet_datas[i]['提交日期'].max()  # 添加一列日期最大值

data_merge = pd.concat(sheet_datas[:-1],axis=0)  # 合并四个工作表

data_merge

	会员ID	订单号	提交日期	订单金额	max_year_date
0	15278002468	3000304681	2015-01-01	499.0	2015-12-31
1	39236378972	3000305791	2015-01-01	2588.0	2015-12-31
2	38722039578	3000641787	2015-01-01	498.0	2015-12-31
3	11049640063	3000798913	2015-01-01	1572.0	2015-12-31
4	35038752292	3000821546	2015-01-01	10.1	2015-12-31
...	...	...	...	...	...
81344	39229485704	4354225182	2018-12-31	249.0	2018-12-31
81345	39229021075	4354225188	2018-12-31	89.0	2018-12-31
81346	39288976750	4354230034	2018-12-31	48.5	2018-12-31
81347	26772630	4354230163	2018-12-31	3196.0	2018-12-31
81348	39455580335	4354235084	2018-12-31	2999.0	2018-12-31

202827 rows × 5 columns

# 新增年份列，用于后续分组，并增加日期间隔列，通过lambda函数转换成整数
data_merge['日期间隔'] = (data_merge['max_year_date'] - data_merge['提交日期']).apply(lambda x:x.days)
data_merge['年份'] = data_merge['提交日期'].dt.year
data_merge

	会员ID	订单号	提交日期	订单金额	max_year_date	日期间隔	年份
0	15278002468	3000304681	2015-01-01	499.0	2015-12-31	364	2015
1	39236378972	3000305791	2015-01-01	2588.0	2015-12-31	364	2015
2	38722039578	3000641787	2015-01-01	498.0	2015-12-31	364	2015
3	11049640063	3000798913	2015-01-01	1572.0	2015-12-31	364	2015
4	35038752292	3000821546	2015-01-01	10.1	2015-12-31	364	2015
...	...	...	...	...	...	...	...
81344	39229485704	4354225182	2018-12-31	249.0	2018-12-31	0	2018
81345	39229021075	4354225188	2018-12-31	89.0	2018-12-31	0	2018
81346	39288976750	4354230034	2018-12-31	48.5	2018-12-31	0	2018
81347	26772630	4354230163	2018-12-31	3196.0	2018-12-31	0	2018
81348	39455580335	4354235084	2018-12-31	2999.0	2018-12-31	0	2018

202827 rows × 7 columns

# 对年份、id进行分组，并通过计算日期间隔最小值，提交日期次数，订单总额来分别计算rfm
rfm_gb = data_merge.groupby(['年份', '会员ID'], as_index=False).agg({'日期间隔':'min', '提交日期':'count', '订单金额':'sum'})
rfm_gb.columns = ['year', '会员ID', 'R', 'F', 'M']
rfm_gb

	year	会员ID	R	F	M
0	2015	267	197	2	105.0
1	2015	282	251	1	29.7
2	2015	283	340	1	5398.0
3	2015	343	300	1	118.0
4	2015	525	37	3	213.0
...	...	...	...	...	...
148586	2018	39538034299	272	1	49.0
148587	2018	39538034662	189	1	3558.0
148588	2018	39538035729	179	1	3699.0
148589	2018	39545237824	275	1	49.0
148590	2018	39546136285	163	1	19.9

148591 rows × 5 columns

# 观察RFM的分布
rfm_col = ['R', 'F', 'M']
rfm_gb[rfm_col].describe().T

	count	mean	std	min	25%	50%	75%	max
R	148591.0	165.524043	101.988472	0.0	79.0	156.0	255.0	365.0
F	148591.0	1.365002	2.626953	1.0	1.0	1.0	1.0	130.0
M	148591.0	1323.741329	3753.906883	1.5	69.0	189.0	1199.0	206251.8

# 通过直方图可视化观察分布情况，发现R属性相对均匀，但另外两个属性分布差距较大
for i in rfm_col:
    plt.figure(figsize=(6,4))
    plt.hist(rfm_gb[i], bins=20)
    plt.title(i)
    plt.show()

# 将rfm表格与会员等级表格连接
rfm_merge = pd.merge(rfm_gb, sheet_datas[-1], on='会员ID', how='inner')
rfm_merge.head()

	year	会员ID	R	F	M	会员等级	Unnamed: 2	Unnamed: 3
0	2015	267	197	2	105.0	1	NaN	NaN
1	2015	282	251	1	29.7	5	NaN	NaN
2	2017	282	314	2	12992.0	5	NaN	NaN
3	2018	282	19	5	30027.0	5	NaN	NaN
4	2015	283	340	1	5398.0	4	NaN	NaN

# 通过随机森林模型来获得RFM因子得分
from sklearn.ensemble import RandomForestClassifier

clf = RandomForestClassifier(random_state=42).fit(rfm_merge[rfm_col], rfm_merge['会员等级'])
print(clf.feature_importances_)

[0.39694201 0.00605384 0.59700415]

# 设置区间，左开右闭
R_bins = [-1,79,255,365] # 注意起始边界小于最小值
F_bins = [0,2,5,130]
M_bins = [0,69,1199,206252]

# 分箱
rfm_gb['R_score'] = pd.cut(rfm_gb['R'], bins=R_bins, labels=[3,2,1])
rfm_gb['F_score'] = pd.cut(rfm_gb['F'], bins=F_bins, labels=[1,2,3])
rfm_gb['M_score'] = pd.cut(rfm_gb['M'], bins=M_bins, labels=[1,2,3])
rfm_gb

	year	会员ID	R	F	M	R_score	F_score	M_score
0	2015	267	197	2	105.0	2	1	2
1	2015	282	251	1	29.7	2	1	1
2	2015	283	340	1	5398.0	1	1	3
3	2015	343	300	1	118.0	1	1	2
4	2015	525	37	3	213.0	3	2	2
...	...	...	...	...	...	...	...	...
148586	2018	39538034299	272	1	49.0	1	1	1
148587	2018	39538034662	189	1	3558.0	2	1	3
148588	2018	39538035729	179	1	3699.0	2	1	3
148589	2018	39545237824	275	1	49.0	1	1	1
148590	2018	39546136285	163	1	19.9	2	1	1

148591 rows × 8 columns

# 将分类型标签转换为数值型，并加权得出RFM分数
rfm_gb = rfm_gb.apply(np.int64)

weight = clf.feature_importances_
rfm_gb['RFM_score'] = rfm_gb['R_score'] * weight[0] + rfm_gb['F_score'] * weight[1] + rfm_gb['M_score'] * weight[2]
rfm_gb

	year	会员ID	R	F	M	R_score	F_score	M_score	RFM_score
0	2015	267	197	2	105	2	1	2	1.993946
1	2015	282	251	1	29	2	1	1	1.396942
2	2015	283	340	1	5398	1	1	3	2.194008
3	2015	343	300	1	118	1	1	2	1.597004
4	2015	525	37	3	213	3	2	2	2.396942
...	...	...	...	...	...	...	...	...	...
148586	2018	39538034299	272	1	49	1	1	1	1.000000
148587	2018	39538034662	189	1	3558	2	1	3	2.590950
148588	2018	39538035729	179	1	3699	2	1	3	2.590950
148589	2018	39545237824	275	1	49	1	1	1	1.000000
148590	2018	39546136285	163	1	19	2	1	1	1.396942

148591 rows × 9 columns

# 对RFM标签进行组合
rfm_gb['R_score'] = rfm_gb['R_score'].astype('str')
rfm_gb['F_score'] = rfm_gb['F_score'].astype('str')
rfm_gb['M_score'] = rfm_gb['M_score'].astype('str')

rfm_gb['RFM_label'] = rfm_gb['R_score'] + rfm_gb['F_score'] + rfm_gb['M_score']
rfm_gb

	year	会员ID	R	F	M	R_score	F_score	M_score	RFM_score	RFM_label
0	2015	267	197	2	105	2	1	2	1.993946	212
1	2015	282	251	1	29	2	1	1	1.396942	211
2	2015	283	340	1	5398	1	1	3	2.194008	113
3	2015	343	300	1	118	1	1	2	1.597004	112
4	2015	525	37	3	213	3	2	2	2.396942	322
...	...	...	...	...	...	...	...	...	...	...
148586	2018	39538034299	272	1	49	1	1	1	1.000000	111
148587	2018	39538034662	189	1	3558	2	1	3	2.590950	213
148588	2018	39538035729	179	1	3699	2	1	3	2.590950	213
148589	2018	39545237824	275	1	49	1	1	1	1.000000	111
148590	2018	39546136285	163	1	19	2	1	1	1.396942	211

148591 rows × 10 columns

rfm_gb.to_csv('rfm_vip.csv', index=False, encoding='utf-16', sep='\t')

关于沟通这件事，项目经理不需要每次都面对面进行流程大师兄
很多项目经理都会遇到这样的问题，项目中由于事情太多，根本没有足够的时间去召开会议，那在这种情况下如何去有效地管理项目中的利益相关者？当然，不建议电子邮件也不需要开会的话，建议可以采取下面几种方式来形成有效的沟通，这几种方式可以帮助你努力的通过各种办法来保持和各方面的联系。项目经理首先要问自己几个问题，项目中哪些利益相关者是必须要进行沟通的？可以列出项目中所有的利益相关者清单，同时也整理出项目中哪些
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
OC语言多界面传值五大方式 Magnetic_h ios ui 学习 objective-c 开发语言
前言在完成暑假仿写项目时，遇到了许多需要用到多界面传值的地方，这篇博客来总结一下比较常用的五种多界面传值的方式。属性传值属性传值一般用前一个界面向后一个界面传值，简单地说就是通过访问后一个视图控制器的属性来为它赋值，通过这个属性来做到从前一个界面向后一个界面传值。首先在后一个界面中定义属性@interfaceBViewController:UIViewController@propertyNSSt
element实现动态路由+面包屑软件技术NINI vue案例 vue.js 前端
el-breadcrumb是ElementUI组件库中的一个面包屑导航组件，它用于显示当前页面的路径，帮助用户快速理解和导航到应用的各个部分。在Vue.js项目中，如果你已经安装了ElementUI，就可以很方便地使用el-breadcrumb组件。以下是一个基本的使用示例：安装ElementUI（如果你还没有安装的话）:你可以通过npm或yarn来安装ElementUI。bash复制代码npmi
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
如何在 Fork 的 GitHub 项目中保留自己的修改并同步上游更新？github_fork_update iBaoxing github
如何在Fork的GitHub项目中保留自己的修改并同步上游更新？在GitHub上Fork了一个项目后，你可能会对项目进行一些修改，同时原作者也在不断更新。如果想要在保留自己修改的基础上，同步原作者的最新更新，很多人会不知所措。本文将详细讲解如何在不丢失自己改动的情况下，将上游仓库的更新合并到自己的仓库中。问题描述假设你在GitHub上Fork了一个项目，并基于该项目做了一些修改，随后你发现原作者对
抖音乐买买怎么加入赚钱?赚钱方法是什么测评君高省
你会在抖音买东西吗?如果会，那么一定要免费注册一个乐买买，抖音直播间，橱窗，小视频里的小黄车买东西都可以返佣金!省下来都是自己的，分享还可以赚钱乐买买是好省旗下的抖音返佣平台，乐买买分析社交电商的价值，乐买买属于今年难得的副业项目风口机会，2019年错过做好省的搞钱的黄金时期，那么2022年千万别再错过乐买买至于我为何转到高省呢？当然是高省APP佣金更高，模式更好，终端用户不流失。【高省】是一个自
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
GitHub上克隆项目 bigbig猩猩 github
从GitHub上克隆项目是一个简单且直接的过程，它允许你将远程仓库中的项目复制到你的本地计算机上，以便进行进一步的开发、测试或学习。以下是一个详细的步骤指南，帮助你从GitHub上克隆项目。一、准备工作1.安装Git在克隆GitHub项目之前，你需要在你的计算机上安装Git工具。Git是一个开源的分布式版本控制系统，用于跟踪和管理代码变更。你可以从Git的官方网站（https://git-scm.
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
git - Webhook让部署自动化大猪大猪
我们现在有一个需求，将项目打包上传到gitlab或者github后，程序能自动部署，不用手动地去服务器中进行项目更新并运行，如何做到？这里我们可以使用gitlab与github的挂钩，挂钩的原理就是，每当我们有请求到gitlab与github服务器时，这时他俩会根据我们配置的挂钩地扯进行访问，webhook挂钩程序会一直监听着某个端口请求，一但收到他们发过来的请求，这时就知道用户有请求提交了，这时
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&#
Faiss Tips：高效向量搜索与聚类的利器焦习娜Samantha
FaissTips：高效向量搜索与聚类的利器faiss_tipsSomeusefultipsforfaiss项目地址:https://gitcode.com/gh_mirrors/fa/faiss_tips项目介绍Faiss是由FacebookAIResearch开发的一个用于高效相似性搜索和密集向量聚类的库。它支持多种硬件平台，包括CPU和GPU，能够在海量数据集上实现快速的近似最近邻搜索（AN
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
冬天短期的暴利小生意有哪些？那些小生意适合新手做？一起高省
短期生意不失为创业的一个商机，不过短期生意的商机是转瞬即逝的，而且这类生意也很难作为长期的生意去做，那冬天短期暴利小生意查看更多关于短期暴利小生意的文章有哪些呢?给大家先推荐一个2023年风口项目吧，真很不错的项目，全程零投资，当做副业来做真的很稳定，不管你什么阶层的人，或多或少都网购吧？你们知道网购是可以拿提成，拿返利，拿分佣的吗？你们知道很多优惠券群里面，天天群主和管理发一些商品吗？他们其实在
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
高级 ECharts 技巧：自定义图表主题与样式 SnowMan1993 echarts 信息可视化数据分析
ECharts是一个强大的数据可视化库，提供了多种内置主题和样式，但你也可以根据项目的设计需求，自定义图表的主题与样式。本文将介绍如何使用ECharts自定义图表主题，以提升数据可视化的吸引力和一致性。1.什么是ECharts主题？ECharts的主题是指定义图表样式的配置项，包括颜色、字体、线条样式等。通过预设主题，你可以快速更改图表的整体风格，而自定义主题则允许你在此基础上进行个性化设置。2.
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
01-Git初识 Meereen Git git
01-Git初识概念：一个免费开源，分布式的代码版本控制系统，帮助开发团队维护代码作用：记录代码内容。切换代码版本，多人开发时高效合并代码内容如何学：个人本机使用：Git基础命令和概念多人共享使用：团队开发同一个项目的代码版本管理Git配置用户信息配置：用户名和邮箱，应用在每次提交代码版本时表明自己的身份命令：查看git版本号git-v配置用户名gitconfig--globaluser.name
解读Servlet原理篇二---GenericServlet与HttpServlet 周凡杨 java HttpServlet 源理 GenericService 源码
在上一篇《解读Servlet原理篇一》中提到，要实现javax.servlet.Servlet接口（即写自己的Servlet应用），你可以写一个继承自javax.servlet.GenericServletr的generic Servlet ，也可以写一个继承自java.servlet.http.HttpServlet的HTTP Servlet（这就是为什么我们自定义的Servlet通常是exte
MySQL性能优化 bijian1013 数据库 mysql
性能优化是通过某些有效的方法来提高MySQL的运行速度，减少占用的磁盘空间。性能优化包含很多方面，例如优化查询速度，优化更新速度和优化MySQL服务器等。本文介绍方法的主要有： a.优化查询 b.优化数据库结构
ThreadPool定时重试 dai_lm java ThreadPool thread timer timertask
项目需要当某事件触发时，执行http请求任务，失败时需要有重试机制，并根据失败次数的增加，重试间隔也相应增加，任务可能并发。由于是耗时任务，首先考虑的就是用线程来实现，并且为了节约资源，因而选择线程池。为了解决不定间隔的重试，选择Timer和TimerTask来完成 package threadpool; public class ThreadPoolTest {
Oracle 查看数据库的连接情况周凡杨 sql oracle 连接
首先要说的是，不同版本数据库提供的系统表会有不同，你可以根据数据字典查看该版本数据库所提供的表。 select * from dict where table_name like '%SESSION%'; 就可以查出一些表，然后根据这些表就可以获得会话信息 select sid,serial#,status,username,schemaname,osuser,terminal,ma
类的继承朱辉辉33 java
类的继承可以提高代码的重用行，减少冗余代码；还能提高代码的扩展性。Java继承的关键字是extends 格式:public class 类名（子类）extends 类名（父类）{ } 子类可以继承到父类所有的属性和普通方法，但不能继承构造方法。且子类可以直接使用父类的public和 protected属性，但要使用private属性仍需通过调用。子类的方法可以重写，但必须和父类的返回值类
android 悬浮窗特效肆无忌惮_ android
最近在开发项目的时候需要做一个悬浮层的动画，类似于支付宝掉钱动画。但是区别在于，需求是浮出一个窗口，之后边缩放边位移至屏幕右下角标签处。效果图如下：一开始考虑用自定义View来做。后来发现开线程让其移动很卡，ListView+动画也没法精确定位到目标点。后来想利用Dialog的dismiss动画来完成。自定义一个Dialog后，在styl
hadoop伪分布式搭建林鹤霄 hadoop
要修改4个文件 1: vim hadoop-env.sh 第九行 2: vim core-site.xml <configuration> &n
gdb调试命令 aigo gdb
原文：http://blog.csdn.net/hanchaoman/article/details/5517362 一、GDB常用命令简介 r run 运行.程序还没有运行前使用 c cuntinue
Socket编程的HelloWorld实例 alleni123 socket
public class Client { public static void main(String[] args) { Client c=new Client(); c.receiveMessage(); } public void receiveMessage(){ Socket s=null; BufferedRea
线程同步和异步百合不是茶线程同步异步
多线程和同步 : 如进程、线程同步，可理解为进程或线程A和B一块配合，A执行到一定程度时要依靠B的某个结果，于是停下来，示意B运行；B依言执行，再将结果给A；A再继续操作。所谓同步，就是在发出一个功能调用时，在没有得到结果之前，该调用就不返回，同时其它线程也不能调用这个方法多线程和异步:多线程可以做不同的事情,涉及到线程通知 &
JSP中文乱码分析 bijian1013 java jsp 中文乱码
在JSP的开发过程中，经常出现中文乱码的问题。首先了解一下Java中文问题的由来： Java的内核和class文件是基于unicode的，这使Java程序具有良好的跨平台性，但也带来了一些中文乱码问题的麻烦。原因主要有两方面，
js实现页面跳转重定向的几种方式 bijian1013 JavaScript 重定向
js实现页面跳转重定向有如下几种方式：一.window.location.href <script language="javascript"type="text/javascript"> window.location.href="http://www.baidu.c
【Struts2三】Struts2 Action转发类型 bit1129 struts2
在【Struts2一】 Struts Hello World http://bit1129.iteye.com/blog/2109365中配置了一个简单的Action，配置如下 <!DOCTYPE struts PUBLIC "-//Apache Software Foundation//DTD Struts Configurat
【HBase十一】Java API操作HBase bit1129 hbase
Admin类的主要方法注释： 1. 创建表 /** * Creates a new table. Synchronous operation. * * @param desc table descriptor for table * @throws IllegalArgumentException if the table name is res
nginx gzip ronin47 nginx gzip
Nginx GZip 压缩 Nginx GZip 模块文档详见：http://wiki.nginx.org/HttpGzipModule 常用配置片段如下： gzip on; gzip_comp_level 2; # 压缩比例，比例越大，压缩时间越长。默认是1 gzip_types text/css text/javascript; # 哪些文件可以被压缩 gzip_disable &q
java-7.微软亚院之编程判断俩个链表是否相交给出俩个单向链表的头指针，比如 h1 ， h2 ，判断这俩个链表是否相交 bylijinnan java
public class LinkListTest { /** * we deal with two main missions: * * A. * 1.we create two joined-List(both have no loop) * 2.whether list1 and list2 join * 3.print the join
Spring源码学习-JdbcTemplate batchUpdate批量操作 bylijinnan java spring
Spring JdbcTemplate的batch操作最后还是利用了JDBC提供的方法，Spring只是做了一下改造和封装 JDBC的batch操作： String sql = "INSERT INTO CUSTOMER " + "(CUST_ID, NAME, AGE) VALUES (?, ?, ?)";
[JWFD开源工作流]大规模拓扑矩阵存储结构最新进展 comsci 工作流
生成和创建类已经完成,构造一个100万个元素的矩阵模型,存储空间只有11M大,请大家参考我在博客园上面的文档"构造下一代工作流存储结构的尝试",更加相信的设计和代码将陆续推出......... 竞争对手的能力也很强.......,我相信..你们一定能够先于我们推出大规模拓扑扫描和分析系统的....
base64编码和url编码 cuityang base64 url
import java.io.BufferedReader; import java.io.IOException; import java.io.InputStreamReader; import java.io.PrintWriter; import java.io.StringWriter; import java.io.UnsupportedEncodingException;
web应用集群Session保持 dalan_123 session
关于使用 memcached 或redis 存储 session ，以及使用 terracotta 服务器共享。建议使用 redis，不仅仅因为它可以将缓存的内容持久化，还因为它支持的单个对象比较大，而且数据类型丰富，不只是缓存 session，还可以做其他用途，一举几得啊。1、使用 filter 方法存储这种方法比较推荐，因为它的服务器使用范围比较多，不仅限于tomcat ，而且实现的原理比较简
Yii 框架里数据库操作详解-[增加、查询、更新、删除的方法 'AR模式'] dcj3sjt126com 数据库
public function getMinLimit () { $sql = "..."; $result = yii::app()->db->createCo
solr StatsComponent（聚合统计） eksliang solr聚合查询 solr stats
StatsComponent 转载请出自出处：http://eksliang.iteye.com/blog/2169134 http://eksliang.iteye.com/ 一、概述 Solr可以利用StatsComponent 实现数据库的聚合统计查询，也就是min、max、avg、count、sum的功能二、参数
百度一道面试题 greemranqq 位运算百度面试寻找奇数算法 bitmap 算法
那天看朋友提了一个百度面试的题目：怎么找出{1,1,2,3,3,4,4,4,5,5,5,5} 找出出现次数为奇数的数字. 我这里复制的是原话，当然顺序是不一定的，很多拿到题目第一反应就是用map,当然可以解决，但是效率不高。还有人觉得应该用算法xxx,我是没想到用啥算法好...！还有觉得应该先排序... 还有觉
Spring之在开发中使用SpringJDBC ihuning spring
在实际开发中使用SpringJDBC有两种方式： 1. 在Dao中添加属性JdbcTemplate并用Spring注入； JdbcTemplate类被设计成为线程安全的，所以可以在IOC 容器中声明它的单个实例，并将这个实例注入到所有的 DAO 实例中。JdbcTemplate也利用了Java 1.5 的特定(自动装箱，泛型，可变长度
JSON API 1.0 核心开发者自述 | 你所不知道的那些技术细节 justjavac json
2013年5月，Yehuda Katz 完成了JSON API(英文，中文) 技术规范的初稿。事情就发生在 RailsConf 之后，在那次会议上他和 Steve Klabnik 就 JSON 雏形的技术细节相聊甚欢。在沟通单一 Rails 服务器库—— ActiveModel::Serializers 和单一 JavaScript 客户端库——&
网站项目建设流程概述 macroli 工作
一.概念网站项目管理就是根据特定的规范、在预算范围内、按时完成的网站开发任务。二.需求分析项目立项　　我们接到客户的业务咨询，经过双方不断的接洽和了解，并通过基本的可行性讨论够，初步达成制作协议，这时就需要将项目立项。较好的做法是成立一个专门的项目小组，小组成员包括：项目经理，网页设计，程序员，测试员，编辑/文档等必须人员。项目实行项目经理制。客户的需求说明书　　第一步是需
AngularJs 三目运算表达式判断 qiaolevip 每天进步一点点学习永无止境众观千象 AngularJS
事件回顾：由于需要修改同一个模板，里面包含2个不同的内容，第一个里面使用的时间差和第二个里面名称不一样，其他过滤器，内容都大同小异。希望杜绝If这样比较傻的来判断if-show or not，继续追究其源码。 var b = "{{", a = "}}"; this.startSymbol = function(a) {
Spark算子：统计RDD分区中的元素及数量 superlxw1234 spark spark算子 Spark RDD分区元素
关键字：Spark算子、Spark RDD分区、Spark RDD分区元素数量 Spark RDD是被分区的，在生成RDD时候，一般可以指定分区的数量，如果不指定分区数量，当RDD从集合创建时候，则默认为该程序所分配到的资源的CPU核数，如果是从HDFS文件创建，默认为文件的Block数。可以利用RDD的mapPartitionsWithInd
Spring 3.2.x将于2016年12月31日停止支持 wiselyman Spring 3
Spring 团队公布在2016年12月31日停止对Spring Framework 3.2.x（包含tomcat 6.x）的支持。在此之前spring团队将持续发布3.2.x的维护版本。请大家及时准备及时升级到Spring
fis纯前端解决方案fis-pure zccst JavaScript
作者：zccst FIS通过插件扩展可以完美的支持模块化的前端开发方案，我们通过FIS的二次封装能力，封装了一个功能完备的纯前端模块化方案pure。 1，fis-pure的安装 $ fis install -g fis-pure $ pure -v 0.1.4 2，下载demo到本地 git clone https://github.com/hefangshi/f

DataWhale会员数据化运营项目（个人练习）

你可能感兴趣的:(机器学习个人练习项目,python,pandas,数据分析)