Python数据挖掘项目实战——自动售货机销售数据分析

news2024/11/20 0:44:52

摘要：本案例将主要结合自动售货机的实际情况，对销售的历史数据进行处理，利用pyecharts库、Matplotlib库进行可视化分析，并对未来4周商品的销售额进行预测，从而为企业制定相应的自动售货机市场需求分析及销售建议提供参考依据。更多详细内容请参考《Python数据挖掘：入门进阶与实用案例分析》一书。

请添加图片描述

01 案例背景

近年来，随着我国经济技术的不断提升，自动化机械在人们日常生活中扮演着越来越重要的角色，更多的被应用在不同的领域。而作为新的一种自动化零售业态，自动售货机在日常生活中应用越来越广泛。自动售货机销售产业在走向信息化、合理化同时，也面临着高度同质化、成本上升、毛利下降等诸多困难与问题，这也是大多数企业所会面临到的问题。

为了提高市场占有率和企业的竞争力，某企业在广东省某8个市部署了376台自动售货机，但经过一段时间后，发现其经营状况并不理想。而如何了解销售额、订单数量与自动售货机数量之间的关系，畅销或滞销的商品又有哪些，自动售货机的销售情况等，已成为该企业亟待解决的问题。

02 分析目标

获取了该企业某6个月的自动售货机销售数据，结合销售背景进行分析，并可视化展现销售现状，同时预测未来一段时间内的销售额，从而为企业制定营销策略提供一定的参考依据。

03 分析过程

请添加图片描述

04 数据预处理

1. 清洗数据

1.1 合并订单表并处理缺失值

由于订单表的数据是按月份分开存放的，为了方便后续对数据进行处理和可视化，所以需要对订单数据进行合并处理。同时，在合并订单表的数据后，为了了解订单表的缺失数据的基本情况，需要进行缺失值检测。合并订单表并进行缺失值检测，操作结果如图1所示。

请添加图片描述
由操作结果可知，合并后的订单数据有350867条记录，且订单表中含有缺失值的记录总共有279条，其数量相对较少，可直接使用删除法对其中的缺失值进行处理。

合并订单表、查看缺失值并处理缺失值，如代码清单1所示。

代码清单1 合并订单表、查看缺失值并处理缺失值

import pandas as pd

 

# 读取数据

data4 = pd.read_csv('../data/订单表2018-4.csv', encoding='gbk')

data5 = pd.read_csv('../data/订单表2018-5.csv', encoding='gbk')

data6 = pd.read_csv('../data/订单表2018-6.csv', encoding='gbk')

data7 = pd.read_csv('../data/订单表2018-7.csv', encoding='gbk')

data8 = pd.read_csv('../data/订单表2018-8.csv', encoding='gbk')

data9 = pd.read_csv('../data/订单表2018-9.csv', encoding='gbk')

# 合并数据

data = pd.concat([data4, data5, data6, data7, data8, data9], ignore_index=True)

print('订单表合并后的形状为', data.shape)

# 缺失值检测

print('订单表各属性的缺失值数目为：\n', data.isnull().sum())

data = data.dropna(how='any')  # 删除缺失值

1.2 增加“市”属性

为了满足后续的数据可视化需求，需要在订单表中增加“市”属性

请添加图片描述
增加“市”属性如代码清单2所示。

代码清单2 增加“市”属性


# 从省市区属性中提取市的信息，并创建新属性

data['市'] = data['省市区'].str[3: 6]

print('经过处理后的数据前5行为：\n', data.head())

1.3 处理订单表中的“商品详情”属性

通过浏览订单表数据发现，在“商品详情”属性中存在有异名同义的情况，即两个名称不同的值所代表的实际意义是一致的，如“脉动青柠X1;”“脉动青柠x1;”等。因为此情况会对后面的分析结果造成一定的影响，所以需要对订单表中的“商品详情”属性进行处理，增加“商品名称”属性，如代码清单3所示。

代码清单3 处理订单表中的“商品详情”属性

# 定义一个需剔除字符的列表error_str

error_str = [' ', '(', ')', '（', '）', '0', '1', '2', '3', '4', '5', '6',

             '7', '8', '9', 'g', 'l', 'm', 'M', 'L', '听', '特', '饮', '罐',

             '瓶', '只', '装', '欧', '式', '&', '%', 'X', 'x', ';']

# 使用循环剔除指定字符

for i in error_str:

    data['商品详情'] = data['商品详情'].str.replace(i, '')

# 新建“商品名称”属性，用于新数据的存放

data['商品名称'] = data['商品详情']

1.4 处理“总金额（元）”属性

此外，当浏览订单表数据时，发现在“总金额（元）”属性中，存在极少订单的金额很小，如0、0.01等。在现实生活中，这种记录存在的情况极少，且这部分数据不具有分析意义。因此，在本案例中，对订单的金额小于0.5的记录进行删除处理
请添加图片描述
由操作结果可知，删除前的数据行列数目为(350617, 17)，删除后的数据行列数目为(350450, 17)。

删除“总金额（元）”属性中订单的金额较少的记录如代码清单4所示。

代码清单4 删除“总金额（元）”属性中订单的金额较少的记录


# 删除金额较少的订单前的数据行列数目

print(data.shape)

# 删除金额较少的订单后的数据行列数目

data = data[data['总金额（元）'] >= 0.5]

print(data.shape)

属性选择

因为订单表中的“手续费（元）”“收款方”“软件版本”“省市区”“商品详情”“退款金额（元）”等属性对本案例的分析没有意义，所以需要对其进行删除处理，选择合适的属性，操作的结果如图4所示。
请添加图片描述
属性选择如代码清单5所示。

代码清单5 属性选择


# 对于订单表数据选择合适的属性

data = data.drop(['手续费（元）', '收款方', '软件版本', '省市区', '商品详情', '退款金额（元）'], axis=1)

print('选择后，数据属性为：\n', data.columns.values)

3.属性规约

在订单表“下单时间”属性中含有的信息量较多，并且存在概念分层的情况，需要对属性进行数据规约，提取需要的信息。提取相应的“小时”属性和“月份”属性，进一步泛化“小时”属性为“下单时间段”属性，规则如下：

Ø当小时≤5时，为“凌晨”；

Ø当5＜小时≤8时，为“早晨”；

Ø当8＜小时≤11时，为“上午”；

Ø当11＜小时≤13时，为“中午”；

Ø当13＜小时≤16时，为“下午”；

Ø当16＜小时≤19时，为“傍晚”；

Ø当19＜小时≤24，为“晚上”。

在Python中规约订单表的属性，如代码清单6所示。

代码清单6 规约订单表的属性

# 将时间格式的字符串转换为标准的时间格式

data['下单时间'] = pd.to_datetime(data['下单时间'])

data['小时'] = data['下单时间'].dt.hour  # 提取时间中的小时

data['月份'] = data['下单时间'].dt.month  # 提取时间中的月份

data['下单时间段'] = 'time'  # 新增“下单时间段”属性，并将其初始化为time

exp1 = data['小时'] <= 5  # 判断小时是否小于等于5

# 若条件为真，则时间段为凌晨

data.loc[exp1, '下单时间段'] = '凌晨'

# 判断小时是否大于5且小于等于8

exp2 = (5 < data['小时']) & (data['小时'] <= 8)

# 若条件为真，则时间段为早晨

data.loc[exp2, '下单时间段'] = '早晨'

# 判断小时是否大于8且小于等于11

exp3 = (8 < data['小时']) & (data['小时'] <= 11)

# 若条件为真，则时间段为上午

data.loc[exp3, '下单时间段'] = '上午'

# 判断小时是否小大于11且小于等于13

exp4 = (11 < data['小时']) & (data['小时'] <= 13)

# 若条件为真，则时间段为中午

data.loc[exp4, '下单时间段'] = '中午'

# 判断小时是否大于13且小于等于16

exp5 = (13 < data['小时']) & (data['小时'] <= 16)

# 若条件为真，则时间段为下午

data.loc[exp5, '下单时间段'] = '下午'

# 判断小时是否大于16且小于等于19

exp6 = (16 < data['小时']) & (data['小时'] <= 19)

# 若条件为真，则时间段为傍晚

data.loc[exp6, '下单时间段'] = '傍晚'

# 判断小时是否大于19且小于等于24

exp7 = (19 < data['小时']) & (data['小时'] <= 24)

# 若条件为真，则时间段为晚上

data.loc[exp7, '下单时间段'] = '晚上'

data.to_csv('../tmp/order.csv', index=False, encoding = 'gbk')

05 销售数据可视化分析

在销售数据中含有的数据量较多，作为企业管理人员以及决策制定者，无法直观了解目前自动售货机的销售状况。因此需要利用处理好的数据进行可视化分析，直观地展示销售走势以及各区销售情况等，为决策者提供参考。

1.销售额和自动售货机数量的关系

探索6个月销售额和自动售货机数量之间的关系，并按时间走势进行可视化分析，结果如图5所示。
请添加图片描述
4月至7月，自动售货机的数量在增加，销售额也随着自动售货机的数量增加而增加；8月，虽然自动售货机数量减少了4台，但是销售额还在增加；9月相比8月的自动售货机数量减少了6台，销售额也随着减少。可以推断出销售额与自动售货机的数量存在一定的相关性，增加自动售货机的数量将会带来销售额的增长。出现该情况可能是因为广东处于亚热带，气候相对炎热，而7、8、9月的气温也相对较高，人们使用自动售货机的频率也相对较高。

探索销售额和自动售货机数量之间的关系如代码清单7所示。

代码清单7 销售额和自动售货机数量之间的关系

import pandas as pd

import numpy as np

from pyecharts.charts import Line

from pyecharts import options as opts

import matplotlib.pyplot as plt

from pyecharts.charts import Bar

from pyecharts.charts import Pie

from pyecharts.charts import Grid

 

data = pd.read_csv('../tmp/order.csv', encoding='gbk')

def f(x):

    return len(list(set((x.values))))

# 绘制销售额和自动售货机数量之间的关系图

groupby1 = data.groupby(by='月份', as_index=False).agg({'设备编号': f, '总金额（元）': np.sum})

groupby1.columns = ['月份', '设备数量', '销售额']

line = (Line()

        .add_xaxis([str(i) for i in groupby1['月份'].values.tolist()])

        .add_yaxis('销售额', np.round(groupby1['销售额'].values.tolist(), 2))

        .add_yaxis('设备数量', groupby1['设备数量'].values.tolist(), yaxis_index=1,symbol='triangle')

        .set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='top', font_size=10))

        .set_global_opts(

            xaxis_opts=opts.AxisOpts(name='月份', name_location='center', name_gap=25),

            title_opts=opts.TitleOpts(title='销售额和自动售货机数量之间的关系'),

            yaxis_opts=opts.AxisOpts( name='销售额（元）', name_location='center', name_gap=60,

                axislabel_opts=opts.LabelOpts(

                formatter='{value}')))

        .extend_axis(

            yaxis=opts.AxisOpts( name='设备数量（台）', name_location='center', name_gap=40,

                axislabel_opts=opts.LabelOpts(

                formatter='{value}'), interval=50))

        )

line.render_notebook()

2.订单数量和自动售货机数量的关系

探索6个月订单数量和自动售货机数量之间的关系，并按时间走势进行可视化分析，结果如图6所示。
请添加图片描述
由图6可知，4月至7月，自动售货机数量呈上升趋势，订单数量也随着自动售货机数量增加而增加，而8月至9月，自动售货机数量在减少，订单数量也在减少。这说明了订单数量与自动售货机的数量是严格相关的，增加自动售货机会给用户带来便利，从而提高订单数量。同时，结合图5可知，订单数量和销售额的变化趋势基本保持一样的变化趋势，这也说明了订单数量和销售额存在一定的相关性。

由于各市的设备数量并不一致，所以探索各市自动售货机的平均销售总额，并进行对比分析，结果如图7所示。请添加图片描述
由图7可知，深圳市自动售货机平均销售总额最高，达到了6538.28元，排在其后的是珠海市和中山市。而最少的是清远市，其平均销售总额只有414.27元。出现此情况可能是因为不同区域的人流量不同，而深圳市相对于其他区域的人流量相对较大，清远市相对于其他区域的人流量相对较小。此外，广州市的人流量也相对较大，但其平均销售总额却相对较少，可能是因为自动售货机放置不合理导致的。

探索订单数量和自动售货机数量之间的关系，以及各市自动售货机的平均销售总额如代码清单8所示。

代码清单8 订单数量和自动售货机数量之间的关系

groupby2 = data.groupby(by='月份', as_index=False).agg({'设备编号': f, '订单编号': f})

groupby2.columns = ['月份', '设备数量', '订单数量']

# 绘制图形

plt.figure(figsize=(10, 4))

plt.rcParams['font.sans-serif'] = ['SimHei']

plt.rcParams['axes.unicode_minus'] = False

fig, ax1 = plt.subplots()  # 使用subplots函数创建窗口

ax1.plot(groupby2['月份'], groupby2['设备数量'], '--')

ax1.set_yticks(range(0, 350, 50))  # 设置y1轴的刻度范围

ax1.legend(('设备数量',), loc='upper left', fontsize=10)

ax2 = ax1.twinx()  # 创建第二个坐标轴

ax2.plot(groupby2['月份'], groupby2['订单数量'])

ax2.set_yticks(range(0, 100000, 10000))  # 设置y2轴的刻度范围

ax2.legend(('订单数量',), loc='upper right', fontsize=10)

ax1.set_xlabel('月份')

ax1.set_ylabel('设备数量（台）')

ax2.set_ylabel('订单数量（单）')

plt.title('订单数量和自动售货机数量之间的关系')

plt.show()

 

gruop3 = data.groupby(by='市', as_index=False).agg({'总金额（元）':sum, '设备编号':f})

gruop3['销售总额'] = np.round(gruop3['总金额（元）'], 2)

gruop3['平均销售总额'] = np.round(gruop3['销售总额'] / gruop3['设备编号'], 2)

plt.bar(gruop3['市'].values.tolist(), gruop3['平均销售总额'].values.tolist(), color='#483D8B')

# 添加数据标注

for x, y in enumerate(gruop3['平均销售总额'].values):

    plt.text(x - 0.4, y + 100, '%s' %y, fontsize=8)

plt.xlabel('城市')

plt.ylabel('平均销售总额（元）')

plt.title('各市自动售货机平均销售总额')

plt.show()

3.畅销和滞销商品

查找6个月销售额排名前10和后10的商品，从而找出畅销商品和滞销商品，并对其销售额进行可视化分析，结果如图8、图9所示。请添加图片描述
请添加图片描述
探索6个月销售额排名前10和后10的商品如代码清单9所示。

代码清单9 10种畅销商品、10种滞销商品

# 销售额前10的商品

group4 = data.groupby(by='商品ID', as_index=False)['总金额（元）'].sum()

group4.sort_values(by='总金额（元）', ascending=False, inplace=True)

d = group4.iloc[: 10]

x_data = d['商品ID'].values.tolist()

y_data = np.round(d['总金额（元）'].values, 2).tolist()

bar = (Bar(init_opts=opts.InitOpts(width='800px',height='600px'))

       .add_xaxis(x_data)

       .add_yaxis('', y_data, label_opts=opts.LabelOpts(font_size=15))

       .set_global_opts(title_opts=opts.TitleOpts(title='畅销前10的商品'),

                        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(

                            formatter='{value}',font_size=15)),

                        xaxis_opts=opts.AxisOpts(type_='category',

                            axislabel_opts=opts.LabelOpts({'interval': '0'}, font_size=15, rotate=30))))

bar.render_notebook()

 

h = group4.iloc[-10: ]

x_data = h['商品ID'].values.tolist()

y_data = np.round(h['总金额（元）'].values, 2).tolist()

bar = (Bar()

       .add_xaxis(x_data)

       .add_yaxis('', y_data, label_opts=opts.LabelOpts(position='right'))

       .set_global_opts(title_opts=opts.TitleOpts(

                        title='滞销前10的商品'),

                        xaxis_opts=opts.AxisOpts(

                            axislabel_opts={'interval': '0'}))

       .reversal_axis()

       )

grid = Grid(init_opts=opts.InitOpts(width='600px', height='400px'))

grid.add(bar, grid_opts=opts.GridOpts(pos_left='18%'))

grid.render_notebook()

4.自动售货机的销售情况

探索6个月销售额前10以及销售额后10的设备及其所在的城市，并进行可视化分析
请添加图片描述
请添加图片描述
销售额靠前的设备所在城市主要集中在中山市、广州市、东莞市和深圳市，其中，销售额前3的设备都集中在中山市。由图11可知，广州市的设备113024、112719、112748的销售额只有1元，而销售额后10的设备全部在广州市和中山市。

探索6个月销售额前10以及销售额后10的设备及其所在的城市如代码清单10所示。

代码清单10 销售额前10、后10的设备及其所在市

group5 = data.groupby(by=['市', '设备编号'], as_index=False)['总金额（元）'].sum()

group5.sort_values(by='总金额（元）', ascending=False, inplace=True)

b = group5[: 10]

label = []

# 销售额前10的设备及其所在市

for i in range(len(b)):

    a = b.iloc[i, 0] + str(b.iloc[i, 1])

    label.append(a)

x = np.round(b['总金额（元）'], 2).values.tolist()

y = range(10)

plt.bar(x=0, bottom=y, height=0.4, width=x, orientation='horizontal')

plt.xticks(range(0, 80000, 10000))  # 设置x轴的刻度范围

plt.yticks(range(10), label)

for y, x in enumerate(np.round(b['总金额（元）'], 2).values):

    plt.text(x + 500, y - 0.2, "%s" %x)

plt.xlabel('总金额（元）')

plt.title('销售额前10的设备及其所在市')

plt.show()

 

l = group5[-10: ]

label1 = []

for i in range(len(l)):

    a = l.iloc[i, 0] + str(l.iloc[i, 1])

    label1.append(a)

x = np.round(l['总金额（元）'], 2).values.tolist()

y = range(10)

plt.bar(x=0, bottom=y, height=0.4, width=x, orientation='horizontal')

plt.xticks(range(0, 4, 1))  # 设置x轴的刻度范围

plt.yticks(range(10), label1)

for y, x in enumerate(np.round(l['总金额（元）'], 2).values):

    plt.text(x, y, "%s" %x)

plt.xlabel('总金额（元）')

plt.title('销售额后10的设备及其所在市')

plt.show()

统计各城市销售额小于100的设备数量，并进行可视化分析
请添加图片描述

只展示部分内容后续更多精彩就在书中探索吧

推荐阅读

请添加图片描述
正版链接：https://item.jd.com/13814157.html

请添加图片描述

文末精彩福利

购买链接：https://item.jd.com/14141114.html

  • 🎁本次送书1~3本【取决于阅读量，阅读量越多，送的越多】👈
  • ⌛️活动时间：截止到2023-10月18号
  • ✳️参与方式：关注博主+三连（点赞、收藏、评论）

私信我进送书互三群有更多福利哦可以在文章末尾或主页添加微信
在这里插入图片描述

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：http://www.coloradmin.cn/o/1088723.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

国内常用源开发环境换源(flutter换源，python换源，Linux换源，npm换源)

国内常用源开发环境换源(flutter换源，python换源，Linux换源，npm换源)

flutter换源 使用环境变量:PUB_HOSTED_URL FLUTTER_STORAGE_BASE_URL&#xff0c; upgrade出问题时可能会提示设置FLUTTER_GIT_URL变量。 flutter中国 PUB_HOSTED_URLhttps://pub.flutter-io.cn FLUTTER_STORAGE_BASE_URLhttps://storage.flutter-io.cn FLUTTER_GIT_URLhtt…
阅读更多...
高并发下的服务容错

高并发下的服务容错

在微服务架构中&#xff0c;我们将业务拆分成一个个的服务&#xff0c;服务与服务之间可以相互调用&#xff0c;但是由于网络 原因或者自身的原因&#xff0c;服务并不能保证服务的100%可用&#xff0c;如果单个服务出现问题&#xff0c;调用这个服务就会 出现网络延迟&#xf…
阅读更多...
C# OCR服务测试程序

C# OCR服务测试程序

效果 项目 代码 using NLog; using RestSharp; using RestSharp.Contrib; using System; using System.Drawing; using System.IO; using System.Net; using System.Text; using System.Threading; using System.Threading.Tasks; using System.Windows.Forms;namespace OCRSe…
阅读更多...
解决react样式组合时css module动态样式失效的问题

解决react样式组合时css module动态样式失效的问题

现象&#xff1a; <button disabled{invalid} className{ "btn btn-primary btn-lg" invalid ? styles.btnDisabled : "" } > 注册 </button> 上面采用字符串拼接的方式&#xff0c;组合class&#xff0c;但是css module的动态样式style…
阅读更多...
docker部署-Linux

docker部署-Linux

Docker yum源部署 YUM源可以使用官方YUM源、清华大学开源镜像站配置YUM源&#xff0c;也可以使用阿里云开源镜像站提供的YUM源&#xff0c;建议选择使用阿里云开源镜像站提供的YUM源&#xff0c;原因速度快。 获取阿里云开源镜像站YUM源文件 地址&#xff1a;https://develope…
阅读更多...
探索RFID技术在新能源电池中的应用及其潜在优势

探索RFID技术在新能源电池中的应用及其潜在优势

探索RFID技术在新能源电池中的应用及其潜在优势 随着科技的发展&#xff0c;新能源电池已成为现代社会能源供应的重要一环。而在新能源电池的生产、运输、存储和回收等各个环节中&#xff0c;RFID&#xff08;无线射频识别&#xff09;技术的应用&#xff0c;无疑为提高效率、…
阅读更多...
二叉树查找值为x的节点

二叉树查找值为x的节点

递归的思路&#xff1a;先判断是不是空树如果的空就返回NULL; 在判断节点的值是否是x,如果是的话就返回这个节点 不是的话就继续递归 BTNode* BinaryTreeFind(BTNode* root, int x) {if (root NULL){return NULL;}if (root->val x){return root;}BTNode* ret NULL;ret B…
阅读更多...
css 如何让元素内部文本和外部文本 一块显示省略号

css 如何让元素内部文本和外部文本 一块显示省略号

实际上还是有这样的需求的 <div class"container"><span>啊啊啊啊啊啊啊啊</span>你好啊撒撒啊撒撒撒撒啊撒撒撒撒撒说</div>还是有这样的需求的哦。 div.container {width: 200px;white-space: nowrap;text-overflow: ellipsis;overflow:…
阅读更多...
Python学习基础笔记六十六——对象的方法

Python学习基础笔记六十六——对象的方法

我们已经学习到的对象类型&#xff1a; 整数类型的对象 字符串类型的对象 列表类型的对象 元组类型的对象 对象通常都有属于自己的方法&#xff08;method&#xff09; 调用对象的方法和调用函数差不多&#xff0c;只要在前面加上所属对象的一个点。 var1 [1, 2, 3,4, 5,…
阅读更多...
centos7安装db2 version11.1

centos7安装db2 version11.1

centos7安装DB2 操作系统 linux centos7 DB2版本 11.1 1、取包 IBM MRS Tool 将安装包放在 /home/software 下面 mkdir -p /home/software cd /home/software wget https://iwm.dhe.ibm.com/sdfdl/v2/regs2/db2pmopn/Express-C/DB2ExpressC11/Xa.2/Xb.aA_60_-i7wWKFMFpbW1xl1…
阅读更多...
08 | Jackson 注解在实体里面如何应用？常见的死循环问题如何解决？

08 | Jackson 注解在实体里面如何应用？常见的死循环问题如何解决？

我们用 Spring Boot 里面默认集成的 fasterxml.jackson 加以说明&#xff0c;这看似和 JPA 没什么关系&#xff0c;但是一旦我们和 Entity 一起使用的时候&#xff0c;就会遇到一些问题&#xff0c;特别是新手同学&#xff0c;我们这一课时详细介绍一下用法。先来跟着我了解一下…
阅读更多...
C#调用C++类，托管C++方式实现（创建C++ CLR dll项目）

C#调用C++类，托管C++方式实现（创建C++ CLR dll项目）

由于C#编写的是托管代码&#xff0c;编译生成微软中间语言&#xff0c;而C代码则编译生成本地机器码&#xff08;这种C也有叫做本地C或者非托管C&#xff0c;VC6.0就是用于开发非托管C代码的平台&#xff09;&#xff0c;这两种语言进行混合编程就存在一定困难。比较常用的方法…
阅读更多...
JWT的原理及实际使用

JWT的原理及实际使用

&#x1f3ac; 艳艳耶✌️&#xff1a;个人主页 &#x1f525; 个人专栏 &#xff1a;《Spring与Mybatis集成整合》《Vue.js使用》 ⛺️ 生活的理想&#xff0c;为了不断更新自己 ! 目录 1.JWT是什么&#xff1f; 2. jwt工具类介绍 3. jwt集成spa项目 1.JWT是什么&#…
阅读更多...
MS5611的ZYNQ驱动试验之二 控制器功能考虑

MS5611的ZYNQ驱动试验之二 控制器功能考虑

上一篇BLOG简单介绍了MS5611的基本情况。这里我们考虑一下如何在ZYNQ里面实现&#xff0c;也就是规划PS和PL如何分工实现。 一般这种有一定简单时序的外设控制器我们可以采用两个方式编写&#xff1a; 1&#xff0c;用PL构造时序&#xff0c;做成所谓的加速器。 2&#xff0…
阅读更多...
鲜花植物配送商城小程序的作用是什么

鲜花植物配送商城小程序的作用是什么

鲜花植物的市场需求非常高&#xff0c;尤其节假日或装饰/采购等需求更大&#xff0c;除了线下经销商外&#xff0c;还有鲜花植物供应商批发等&#xff0c;但其市场高需求的同时&#xff0c;经营痛点也比较明显。 通过【雨科】平台搭建鲜花植物商城&#xff0c;实现全产品线上展…
阅读更多...
pg 字符相关操作

pg 字符相关操作

1. 字符串连接 1.1使用concat_ws&#xff08;a&#xff0c;b&#xff0c;c&#xff09; 语义&#xff1a;按a分隔bc 2.使用||连接 2.字符编码转换 3.获取字符串长度 4.大小写转换 5.替换
阅读更多...
CentOS 7系统安装配置Zabbix 5.0LTS 步骤

CentOS 7系统安装配置Zabbix 5.0LTS 步骤

目录 一、查看Zabbix官方教程&#xff08;重点&#xff09; 二、安装 Docker 创建 Mysql 容器 安装 Docker 依赖包 添加 Docker 官方仓库 安装 Docker 引擎 启动 Docker 服务并设置开机自启 验证 Docker 是否成功安装 拉取 MySQL 镜像 查看本地镜像 运行容器 停止和启…
阅读更多...
Linux进程概念（二）--进程状态进程优先级

Linux进程概念（二）--进程状态进程优先级

继上回书Linux进程概念&#xff08;一&#xff09;&#xff0c;我们初步了解了进程的一些相关概念以及如何创建和查看进程&#xff0c;对其原理和一些进程现象进行了分析和解释&#xff0c;那么今天&#xff0c;我们学习下一个进程知识-进程概念。 目录 1.操作系统的进程状态 …
阅读更多...
vue3 新特性(defineOptions defineModel)

vue3 新特性(defineOptions defineModel)

Vue3.3 新特性-defineOptions 背景说明&#xff1a; 有 <script setup> 之前&#xff0c;如果要定义 props, emits 可以轻而易举地添加一个与 setup 平级的属性。 但是用了 <script setup> 后&#xff0c;就没法这么干了 setup 属性已经没有了&#xff0c;自然无法…
阅读更多...
发布vue3组件到npm

发布vue3组件到npm

目录 准备你的组件 创建项目 创建步骤 创建组件 封装我们要得组件 导出组件 打包 使用组件 发布包 创建npm账户 登录npm 切换npm源 发布到npm package.json package.json字段 确定版本号 版本号格式 版本号递增逻辑 vite 打包库模式 库模式配置 build配…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023