【Python基础】案例分析：电商分析

news2024/11/15 17:26:26

电商分析

1 案例:某年淘宝双12部分购物数据

1.1 数据：某年淘宝双12部分购物数据；

来源：天池数据平台

1.2 分析目的：

  • 熟悉电商常用分析指标
  • 用户行为分析
  • 用户价值模型

2 熟悉数据

2.1 导入数据

import pandas as pd
fpath = r'data\data.csv'
pdata = pd.read_csv(fpath)
pdata.columns

Index(['user_id', 'item_id', 'behavior_type', 'user_geohash', 'item_category',
       'time'],
      dtype='object')
字段字段说明提取说明
user_id用户标识抽样&字段脱敏（非真实ID）
item_id商品标识字段脱敏（非真实ID）
behavior_type用户对商品的行为类型包括浏览、收藏、加购物车、购买，对应取值分别是1、2、3、4。
user_geohash用户位置的空间标识，可以为空由经纬度通过保密的算法生成
item_category商品分类标识字段脱敏
time行为时间精确到 a cell.
pdata
user_iditem_idbehavior_typeuser_geohashitem_categorytime
0980478372324315621NaN42452014-12-06 02
1977261363835835901NaN58942014-12-09 20
298607707647497121NaN28832014-12-18 11
398662432320593836196nn52n65622014-12-06 10
4981459082902085201NaN139262014-12-16 21
.....................
1225690193812622378365755195q6d6a112014-12-13 21
12256902938126221777247531NaN123112014-12-14 21
12256903938126222343914431NaN87652014-12-11 16
122569049381262226452000195q6dqc79512014-12-08 22
122569051084045353626997971NaN98472014-12-03 19

12256906 rows × 6 columns

# 数据量大小
len(pdata)

12256906

#判断缺失数据计算
missAll = pdata.isnull().sum()
missAll

user_id                0
item_id                0
behavior_type          0
user_geohash     8334824
item_category          0
time                   0
dtype: int64

#统计缺失字段
missField = missAll[missAll>0] 
missField

user_geohash    8334824
dtype: int64

2.2 基本分析

指标：PV与UV

  • PV(访问量)：Page View,览量/点击量(包括重复浏览)。
  • UV(独立访客)：Unique Visitor, 独立用户或者设备访问量。。
#将字符串时间转成Timestamp
pdata['ts'] = pd.to_datetime(pdata['time'])

pdata['hour'] = pdata.ts.map(lambda item: item.hour)
pdata['day'] =pdata.ts.map(lambda item: item.date())
pdata
user_iditem_idbehavior_typeuser_geohashitem_categorytimetshourday
0980478372324315621NaN42452014-12-06 022014-12-06 02:00:0022014-12-06
1977261363835835901NaN58942014-12-09 202014-12-09 20:00:00202014-12-09
298607707647497121NaN28832014-12-18 112014-12-18 11:00:00112014-12-18
398662432320593836196nn52n65622014-12-06 102014-12-06 10:00:00102014-12-06
4981459082902085201NaN139262014-12-16 212014-12-16 21:00:00212014-12-16
..............................
1225690193812622378365755195q6d6a112014-12-13 212014-12-13 21:00:00212014-12-13
12256902938126221777247531NaN123112014-12-14 212014-12-14 21:00:00212014-12-14
12256903938126222343914431NaN87652014-12-11 162014-12-11 16:00:00162014-12-11
122569049381262226452000195q6dqc79512014-12-08 222014-12-08 22:00:00222014-12-08
122569051084045353626997971NaN98472014-12-03 192014-12-03 19:00:00192014-12-03

12256906 rows × 9 columns

#PV分析：每天访问量
daily_pv = pdata.groupby('day')['user_id'].count()
daily_pv

day
2014-11-18    366701
2014-11-19    358823
2014-11-20    353429
2014-11-21    333104
2014-11-22    361355
2014-11-23    382702
2014-11-24    378342
2014-11-25    370239
2014-11-26    360896
2014-11-27    371384
2014-11-28    340638
2014-11-29    364697
2014-11-30    401620
2014-12-01    394611
2014-12-02    405216
2014-12-03    411606
2014-12-04    399952
2014-12-05    361878
2014-12-06    389610
2014-12-07    399751
2014-12-08    386667
2014-12-09    398025
2014-12-10    421910
2014-12-11    488508
2014-12-12    691712
2014-12-13    407160
2014-12-14    402541
2014-12-15    398356
2014-12-16    395085
2014-12-17    384791
2014-12-18    375597
Name: user_id, dtype: int64

# UV分析：每天独立用户数
tmp = pdata.groupby('day')['user_id']
#每个分组去重，并统计数量
daily_uv = tmp.apply(lambda x:x.drop_duplicates().count())

daily_uv

day
2014-11-18    6343
2014-11-19    6420
2014-11-20    6333
2014-11-21    6276
2014-11-22    6187
2014-11-23    6373
2014-11-24    6513
2014-11-25    6351
2014-11-26    6357
2014-11-27    6359
2014-11-28    6189
2014-11-29    6224
2014-11-30    6379
2014-12-01    6544
2014-12-02    6550
2014-12-03    6585
2014-12-04    6531
2014-12-05    6367
2014-12-06    6440
2014-12-07    6422
2014-12-08    6564
2014-12-09    6566
2014-12-10    6652
2014-12-11    6894
2014-12-12    7720
2014-12-13    6776
2014-12-14    6668
2014-12-15    6787
2014-12-16    6729
2014-12-17    6643
2014-12-18    6582
Name: user_id, dtype: int64

#PV与UV的数据可视化
import matplotlib.pyplot as plt
%matplotlib inline
plt.figure(figsize=(10,4))
plt.plot(daily_pv.index.values,daily_pv.values, 'r')
plt.xticks(rotation=30)
plt.figure(figsize=(10,4))
plt.plot(daily_uv.index.values,daily_uv.values, 'g')
plt.xticks(rotation=30)
plt.show()

在这里插入图片描述
在这里插入图片描述

用户购买次数分布：

  • 这一期间每个用户支付次数
  • 统计每个用户支付次数
  • 使用直方图展示

步骤：

  • 过滤数据：行为为支付
  • 分组：根据user_id分组,groupby
  • 统计：使用count方法分组
  • 可视化：使用hist方法直方图显示方法直方图显示
user_bynums=pdata[pdata.behavior_type==4].groupby('user_id')['behavior_type'].count()
user_bynums.plot.hist()

<AxesSubplot: ylabel='Frequency'>

​
在这里插入图片描述

​

user_bynums

user_id
4913          6
6118          1
7528          6
7591         21
12645         8
             ..
142376113     1
142412247    12
142430177     5
142450275    40
142455899    13
Name: behavior_type, Length: 8886, dtype: int64

用户复购

  • 复购：用户两天以上有购买行为

复购率：复购行为用户数/有购买行为的用户总数

#实现方式1
#根据用户与时间分组,并查看数据
redata =pdata[pdata.behavior_type==4].groupby(['user_id', 'day']).count()
redata
item_idbehavior_typeuser_geohashitem_categorytimetshour
user_idday
49132014-12-011101111
2014-12-072222222
2014-12-111101111
2014-12-131101111
2014-12-161101111
...........................
1424558992014-11-241101111
2014-11-262202222
2014-11-301101111
2014-12-031101111
2014-12-042202222

49201 rows × 7 columns

#重置索引
redata = redata.reset_index()
redata
user_iddayitem_idbehavior_typeuser_geohashitem_categorytimetshour
049132014-12-011101111
149132014-12-072222222
249132014-12-111101111
349132014-12-131101111
449132014-12-161101111
..............................
491961424558992014-11-241101111
491971424558992014-11-262202222
491981424558992014-11-301101111
491991424558992014-12-031101111
492001424558992014-12-042202222

49201 rows × 9 columns

#根据user_id分组，并统计day的数量
ret = redata.groupby('user_id')['day'].count()
ret

user_id
4913         5
6118         1
7528         6
7591         9
12645        4
            ..
142376113    1
142412247    7
142430177    5
142450275    8
142455899    7
Name: day, Length: 8886, dtype: int64

#获取数量大于1的数据，计算复购率
ret[ret>1].count()/ret.count()

0.8717083051991897

#实现方式2
#根据user_id分组
re_data=pdata[pdata.behavior_type==4].groupby('user_id')
re_data

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001D4D067CA50>

'''
使用apply方法对分组数据进行处理，
每个apply方法处理的user_id对应的series对象
使用unique获取唯一值
使用len方法获取长度
'''
re_data = re_data['day'].apply(lambda x:len(x.unique()))
re_data

user_id
4913         5
6118         1
7528         6
7591         9
12645        4
            ..
142376113    1
142412247    7
142430177    5
142450275    8
142455899    7
Name: day, Length: 8886, dtype: int64

#计算复购率
re_data[re_data>1].count()/re_data.count()

0.8717083051991897

用户复购时间间隔

复购间隔：

  • 按时间排序
  • 用户第1次购物时间：day1
  • 用户第2次购物时间：day2 , 间隔：day2-day1
  • 用户第3次购物时间：day3 , 间隔：day3-day2
  • 用户第N次购物时间：dayn , 间隔：dayn-dayn-1

要求：时间间隔大于0间间隔大于0

p = pd.Series([1,2,7,4,10])
p.diff(1)

0    NaN
1    1.0
2    5.0
3   -3.0
4    6.0
dtype: float64

#删除缺省值
p.diff(2).dropna()

2    6.0
3    2.0
4    3.0
dtype: float64

#分组
userbuy=pdata[pdata.behavior_type==4].groupby('user_id')
#对天进行处理
#lambda的每个x为分组后的series对象
# series对象排序，并使用diff方法计算，并去除缺省值
day_interval = userbuy.day.apply(lambda x:x.sort_values().diff(1).dropna())

C:\Users\26822\AppData\Local\Temp\ipykernel_22972\2976211149.py:6: FutureWarning: The behavior of array concatenation with empty entries is deprecated. In a future version, this will no longer exclude empty items when determining the result dtype. To retain the old behavior, exclude the empty entries before the concat operation.
  day_interval = userbuy.day.apply(lambda x:x.sort_values().diff(1).dropna())

day_interval

user_id            
4913       7829893    6 days
           10689246   0 days
           11629048   4 days
           3285878    2 days
           11629584   3 days
                       ...  
142455899  6697898    0 days
           9798799    4 days
           6698066    3 days
           1345137    1 days
           7372987    0 days
Name: day, Length: 111319, dtype: timedelta64[ns]

day_interval=day_interval.map(lambda x:x.days)
day_interval

user_id            
4913       7829893     6
           10689246    0
           11629048    4
           3285878     2
           11629584    3
                      ..
142455899  6697898     0
           9798799     4
           6698066     3
           1345137     1
           7372987     0
Name: day, Length: 111319, dtype: int64

day_interval = day_interval[day_interval>0]
day_interval

user_id            
4913       7829893     6
           11629048    4
           3285878     2
           11629584    3
7528       9688333     4
                      ..
142455899  6698002     2
           4209399     2
           9798799     4
           6698066     3
           1345137     1
Name: day, Length: 40315, dtype: int64

#统计每个时间数量，并绘制柱状图
day_interval.value_counts().plot(kind='bar')
plt.title('times')
plt.xlabel('days')
_ = plt.ylabel('gap_count')

​
在这里插入图片描述

​

#用户购物行为及分组
#时间间隔大于1天
day_interval = pdata[pdata.behavior_type == 4].groupby('user_id').day.apply(lambda x:x.sort_values().diff(1).dropna())
#获取天数
day_interval = day_interval.map(lambda x:x.days)
#统计数量，并绘制柱状图
day_interval.value_counts().plot(kind='bar')
plt.title('times')
plt.xlabel('days')
_ = plt.ylabel('interval_count')

C:\Users\26822\AppData\Local\Temp\ipykernel_22972\1184355078.py:3: FutureWarning: The behavior of array concatenation with empty entries is deprecated. In a future version, this will no longer exclude empty items when determining the result dtype. To retain the old behavior, exclude the empty entries before the concat operation.
  day_interval = pdata[pdata.behavior_type == 4].groupby('user_id').day.apply(lambda x:x.sort_values().diff(1).dropna())

在这里插入图片描述

AARRR模型

  • Acquisition 用户获取
  • Activation 用户激活
  • Retention 提高留存
  • Revenue 增加收入
  • Referral 传播推荐

AARRR模型描述了用户/客户/访客需经历的五个环节，以便企业获取价值。

关键点：通过模型提高留存和转化率

  • 获取用户：获取用户方式，获取用户渠道，获取用户成本，用户定位等，例如：应用下载量，安装量，注册量
  • 活跃度：日活，月活，使用时长，启动次数等
  • 留存率：次日留存，周留存率，不同邻域用户，留存周期不同，例如：微博，1周未登录，可以视为流失用户；
  • 收入：APA(活跃付费用户数),ARPU(平均每用户收入), ARPPU(平均每付费用户收入)；提高活跃度、提高留存率是增加收入基础。
  • 传播推荐：用户自发传播，例如平多多砍价，核心：产品过硬：产品过硬率
event_type_count = pdata.groupby('behavior_type').size()
#重置索引并修改列名
event_type_count = event_type_count.reset_index().rename(columns={0:'total'})
#重置索引
event_type_count = event_type_count.set_index('behavior_type')
event_type_count
total
behavior_type
111550581
2242556
3343564
4120205
# 将层级1视为基准
event_type_count['pre'] = (event_type_count.total/event_type_count.total[1])*100
event_type_count
totalpre
behavior_type
111550581100.000000
22425562.099946
33435642.974430
41202051.040684
字段字段说明提取说明
user_id用户标识抽样&字段脱敏（非真实ID）
item_id商品标识字段脱敏（非真实ID）
behavior_type用户对商品的行为类型包括浏览、收藏、加购物车、购买，对应取值分别是1、2、3、4。
user_geohash用户位置的空间标识，可以为空由经纬度通过保密的算法生成
item_category商品分类标识字段脱敏
time行为时间精确到小时级别

3 用户价值分析

RFM模型是衡量当前用户价值和客户潜在价值的重要工具和手段

  • R:最近一次消费（Recency）
  • F:消费频率（Frequency）
  • M:消费金额（Monetary）

3.1 R理解：

  • 用户最近一次消费
  • R值越小，说明用户的价值越高，例如：最近一次消费1个月，最近一次消费10个月
  • R值非常大，说明该用户可能为流失用户；

3.2 F理解：

  • 消费频率，指定时间内购买次数；
  • 问题：一些商品购买频次较低，所以会将时间忽略，以购买次数为主；
  • 不同品类产品，对F的理解不一样；例如：电子类产品频率较低；化妆品，衣服等消费品购买频次较高

3.3 M理解：

  • 一定时间范围内，用户消费金额，消费金额越大，价值越高3.3 M理解：
#计算R，最近购物时间
#排序
tmp = pdata.sort_values('day')
#过滤数据，只保留购物的数据
tmp = tmp[tmp['behavior_type']==4]
#保留最后一个值，生成bool索引,删除最后一个，对应值为Flase
tindex = tmp.duplicated(subset=['user_id'], keep='last')
#boolean索引变化, 将False设置为True
sindex = tindex == False
#获取过滤后数据
tdata = tmp[sindex]
tdata
user_iditem_idbehavior_typeuser_geohashitem_categorytimetshourday
694662249598175176268691497rjjab112702014-11-18 182014-11-18 18:00:00182014-11-18
79176591418783263798146894NaN80952014-11-18 112014-11-18 11:00:00112014-11-18
754922461454609134625812499ui5e6120672014-11-18 192014-11-18 19:00:00192014-11-18
10056408869850411058213004NaN66692014-11-18 102014-11-18 10:00:00102014-11-18
19618581124859592285348734NaN2922014-11-18 112014-11-18 11:00:00112014-11-18
..............................
3195761315142582811726634NaN15142014-12-18 102014-12-18 10:00:00102014-12-18
118885911238480071069824004956k2js117502014-12-18 142014-12-18 14:00:00142014-12-18
32271674987159847827433496kajt426312014-12-18 112014-12-18 11:00:00112014-12-18
669691413647086134783665949rf42od104722014-12-18 102014-12-18 10:00:00102014-12-18
86189138195859233230327849r5frl3132882014-12-18 172014-12-18 17:00:00172014-12-18

8886 rows × 9 columns

#数量
len(tmp.groupby('user_id'))

8886

pd.to_datetime(tdata['day'])

6946622    2014-11-18
7917659    2014-11-18
7549224    2014-11-18
10056408   2014-11-18
1961858    2014-11-18
              ...    
319576     2014-12-18
11888591   2014-12-18
3227167    2014-12-18
6696914    2014-12-18
8618913    2014-12-18
Name: day, Length: 8886, dtype: datetime64[ns]

tdl = pd.to_datetime('2014-12-20') - pd.to_datetime(tdata['day'])
tdata['tdays'] = tdl.dt.days
tdata

SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  tdata['tdays'] = tdl.dt.days
user_iditem_idbehavior_typeuser_geohashitem_categorytimetshourdaytdays
694662249598175176268691497rjjab112702014-11-18 182014-11-18 18:00:00182014-11-1832
79176591418783263798146894NaN80952014-11-18 112014-11-18 11:00:00112014-11-1832
754922461454609134625812499ui5e6120672014-11-18 192014-11-18 19:00:00192014-11-1832
10056408869850411058213004NaN66692014-11-18 102014-11-18 10:00:00102014-11-1832
19618581124859592285348734NaN2922014-11-18 112014-11-18 11:00:00112014-11-1832
.................................
3195761315142582811726634NaN15142014-12-18 102014-12-18 10:00:00102014-12-182
118885911238480071069824004956k2js117502014-12-18 142014-12-18 14:00:00142014-12-182
32271674987159847827433496kajt426312014-12-18 112014-12-18 11:00:00112014-12-182
669691413647086134783665949rf42od104722014-12-18 102014-12-18 10:00:00102014-12-182
86189138195859233230327849r5frl3132882014-12-18 172014-12-18 17:00:00172014-12-182

8886 rows × 10 columns

#重置索引
rdata = tdata.set_index('user_id')
#设置R值
rdata['R'] = (rdata.tdays <= rdata.tdays.mean()).astype('i')
#过滤R列
rdata = rdata[['R']]
rdata
R
user_id
495981750
1418783260
614546090
869850410
1124859590
......
1315142581
1238480071
498715981
1364708611
819585921

8886 rows × 1 columns

#计算F
#根据user_id分组，并且根据购物时间进行数量统计
fdata = tmp.groupby(['user_id']).time.count()
#重置索引
fdata = fdata.reset_index()
fdata = fdata.set_index('user_id')
fdata.columns = ['F']
fdata.F = pd.qcut(fdata.F, 2,['0','1'])
fdata
F
user_id
49130
61180
75280
75911
126450
......
1423761130
1424122471
1424301770
1424502751
1424558991

8886 rows × 1 columns

# 数据集合并(R与F)
rfdata = pd.merge(rdata, fdata, left_index=True, right_index=True)
rfdata['RF'] = rfdata.R.astype(str).str.cat(rfdata.F)
rfdata
RFRF
user_id
495981750000
1418783260000
614546090000
869850410000
1124859590000
............
1315142581111
1238480071111
498715981111
1364708611111
819585921111

8886 rows × 3 columns

def func(value):
    v = '一般用户'
    if value == '00':
        v = '一般用户'
    elif value == '01':
        v = '重要保持'
    elif value == '10':
        v = '重要发展'
    elif value == '11':
        v = '重要价值'
    return v

rfdata['level'] = rfdata.RF.map(func)
rfdata
RFRFlevel
user_id
495981750000一般用户
1418783260000一般用户
614546090000一般用户
869850410000一般用户
1124859590000一般用户
...............
1315142581111重要价值
1238480071111重要价值
498715981111重要价值
1364708611111重要价值
819585921111重要价值

8886 rows × 4 columns

#分组统计
rf = rfdata.groupby('RF').F.count()
#创建DataFrame对象
rf = rf.reset_index()
#修改列名
rf = rf.rename(columns = {'F':'count'})

rf
RFcount
0002540
101966
2101948
3113432
_ = rf.plot.bar(x = 'RF', y='count')

​
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/1436233.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

Vscode编译运行多个C++文件

Vscode编译运行多个C++文件

1.摘要 在使用Vscode编译单个文件网上很多教程&#xff0c;但是对多个文件编译会发现经常出问题&#xff0c;通过不断的借阅网友的教程改进终于完成C运行多个文件教程如下&#xff1a; 2.编译运行过程 2.1 初始配置过程 &#xff08;1&#xff09;Vscode以及MinGW配置教程很…
阅读更多...
EasyRecovery数据恢复软件2024最新特别绿色版下载

EasyRecovery数据恢复软件2024最新特别绿色版下载

EasyRecovery数据恢复软件是一款功能强大的工具&#xff0c;最新版本通常包含更多优化和新增功能&#xff0c;以提升用户体验和数据恢复成功率。由于软件版本会不断更新&#xff0c;我无法提供特定于最新版本的详细介绍&#xff0c;但我可以概述EasyRecovery的一般功能以及下载…
阅读更多...
20240206在WIN10下下载安装RX580的驱动程序

20240206在WIN10下下载安装RX580的驱动程序

20240206在WIN10下下载安装RX580的驱动程序 2024/2/6 19:24 百度搜索&#xff1a;RX580 驱动 我用的是X99主板的渲染服务器&#xff0c;只能装WIN10的64位系统。直接下载并安装最新的驱动程序就可以了&#xff01; 另&#xff1a;我以前的电脑插的是RX550的显卡&#xff0c;直接…
阅读更多...
推动海外云手机发展的几个因素

推动海外云手机发展的几个因素

随着科技的不断发展&#xff0c;海外云手机作为一种新兴技术&#xff0c;在未来呈现出令人瞩目的发展趋势。本文将在用户需求、技术创新和全球市场前景等方面&#xff0c;探讨海外云手机在未来的发展。 1. 用户需求的引领&#xff1a; 随着人们对移动性和便捷性的需求不断增长&…
阅读更多...
【数据结构和算法】--- 基于c语言排序算法的实现（1）

【数据结构和算法】--- 基于c语言排序算法的实现（1）

目录 一、排序的概念及其应用1.1排序的概念1.2 排序的应用1.3 常见的排序算法 二、插入排序2.1直接插入排序2.2 希尔排序2.2.1 预排序2.2.2 缩小gap2.2.3 小结 三、选择排序3.1 直接选择排序3.2 堆排序 一、排序的概念及其应用 1.1排序的概念 排序&#xff1a; 所谓排序&…
阅读更多...
R语言 Error in make.names(col.names, unique = TRUE) : invalid multibyte string at ‘＜b1＞＜ea＞＜cc＞＜e2＞‘

R语言 Error in make.names(col.names, unique = TRUE) : invalid multibyte string at ‘＜b1＞＜ea＞＜cc＞＜e2＞‘

R语言导入CSV文件的时候&#xff0c;代码如下&#xff1a; data<-read.csv("data.csv") 出现以下报错&#xff1a; Error in make.names(col.names, unique TRUE) : invalid multibyte string at <b1><ea><cc><e2> Error in make.n…
阅读更多...
LeetCode、17. 电话号码的字母组合【中等，dfs回溯】

LeetCode、17. 电话号码的字母组合【中等，dfs回溯】

文章目录 前言LeetCode、17. 电话号码的字母组合【中等&#xff0c;dfs回溯】题目与类型思路递归回溯优化&#xff1a;StringBuilder来回溯补充代码&#xff1a;2024.1.31&#xff08;简化&#xff09; 资料获取 前言 博主介绍&#xff1a;✌目前全网粉丝2W&#xff0c;csdn博…
阅读更多...
Transformer实战-系列教程6：Vision Transformer 源码解读4

Transformer实战-系列教程6：Vision Transformer 源码解读4

&#x1f6a9;&#x1f6a9;&#x1f6a9;Transformer实战-系列教程总目录 有任何问题欢迎在下面留言 本篇文章的代码运行界面均在Pycharm中进行 本篇文章配套的代码资源已经上传 Vision Transformer 源码解读1 Vision Transformer 源码解读2 Vision Transformer 源码解读3 Vis…
阅读更多...
mac检查CPU温度和风扇速度软件：Macs Fan Control Pro 1.5.17中文版

mac检查CPU温度和风扇速度软件：Macs Fan Control Pro 1.5.17中文版

Macs Fan Control Pro for Mac是一款专业的电脑风扇控制工具&#xff0c;旨在帮助Mac用户有效控制电脑的风扇速度&#xff0c;提高电脑的运行效率和稳定性。 软件下载&#xff1a;Macs Fan Control Pro 1.5.17中文版 该软件支持多种风扇控制模式和预设方案&#xff0c;用户可以…
阅读更多...
【leetcode】206. 反转链表（简单）题解学习

【leetcode】206. 反转链表（简单）题解学习

题目描述&#xff1a; 给你单链表的头节点 head &#xff0c;请你反转链表&#xff0c;并返回反转后的链表。 示例 1&#xff1a; 输入&#xff1a;head [1,2,3,4,5] 输出&#xff1a;[5,4,3,2,1]示例 2&#xff1a; 输入&#xff1a;head [1,2] 输出&#xff1a;[2,1]示例 …
阅读更多...
VLM 系列——Llava1.6——论文解读

VLM 系列——Llava1.6——论文解读

一、概述 1、是什么 Llava1.6 是llava1.5 的升级暂时还没有论文等&#xff0c;是一个多模态视觉-文本大语言模型&#xff0c;可以完成&#xff1a;图像描述、视觉问答、根据图片写代码&#xff08;HTML、JS、CSS&#xff09;&#xff0c;潜在可以完成单个目标的视觉定位、名画…
阅读更多...
【JavaScript 漫游】【006】数据类型 array

【JavaScript 漫游】【006】数据类型 array

文章简介 本文为【JavaScript 漫游】专栏的第 006 篇文章&#xff0c;记录笔者在了解 JS 数据类型 array 中摘录的知识点。 数组的本质是对象属组的 length 属性for ... in 循环和数组的遍历数组的空位类数组对象 除了上述 5 个重要知识点&#xff0c;学习数组更为重要的是掌…
阅读更多...
MySQL组复制的介绍

MySQL组复制的介绍

前言 本文介绍关于MySQL组复制的背景信息和基本原理。包括&#xff0c;介绍MySQL传统复制方法的原理和隐患、介绍组复制的原理&#xff0c;单主模式和多主模式等等。通过结合原理图学习这些概念&#xff0c;可以很好的帮助我们理解组复制技术这一MySQL高可用方案&#xff0c;有…
阅读更多...
Linux系统中安装JDK

Linux系统中安装JDK

天行健&#xff0c;君子以自强不息&#xff1b;地势坤&#xff0c;君子以厚德载物。 每个人都有惰性&#xff0c;但不断学习是好好生活的根本&#xff0c;共勉&#xff01; 文章均为学习整理笔记&#xff0c;分享记录为主&#xff0c;如有错误请指正&#xff0c;共同学习进步。…
阅读更多...
深入探究：JSONCPP库的使用与原理解析

深入探究：JSONCPP库的使用与原理解析

君子不器 &#x1f680;JsonCPP开源项目直达链接 文章目录 简介Json示例小结 JsoncppJson::Value序列化Json::Writer 类Json::FastWriter 类Json::StyledWriter 类Json::StreamWriter 类Json::StreamWriterBuilder 类示例 反序列化Json::Reader 类Json::CharReader 类Json::Ch…
阅读更多...
VScode上无法运行TSC命令，Typescript

VScode上无法运行TSC命令，Typescript

如何解决问题 第一步&#xff1a;使用 winx 快捷键&#xff0c;会出现如下弹窗&#xff0c;鼠标左键单击Windows PowerShell 即可打开shell 第二步&#xff1a;运行 set-ExecutionPolicy RemoteSigned 命令&#xff0c;在询问更改执行策略的时候选择敲Y或者A 第三步&#xff…
阅读更多...
python_蓝桥杯刷题记录_笔记_全AC代码_入门5

python_蓝桥杯刷题记录_笔记_全AC代码_入门5

前言 关于入门地刷题到现在就结束了。 题单目录 1.P1579 哥德巴赫猜想&#xff08;升级版&#xff09; 2.P1426 小鱼会有危险吗 1.P1579 哥德巴赫猜想&#xff08;升级版&#xff09; 一开始写的代码是三重循环&#xff0c;结果提交上去一堆地TLE&#xff0c;然后我就给减少…
阅读更多...
数据库学习案例20240206-ORACLE NEW RAC agent and resource关系汇总。

数据库学习案例20240206-ORACLE NEW RAC agent and resource关系汇总。

1 集群架构图 整体集群架构图如下&#xff1a; 1 数据库启动顺序OHASD层面 操作系统进程init.ohasd run启动ohasd.bin init.ohasd run 集群自动启动是否被禁用 crsctl enable has/crsGIHOME所在文件系统是否被正常挂载。管道文件npohasd是否能够被访问&#xff0c; cd /var/t…
阅读更多...
Etsy做什么店铺比较靠谱? 什么叫做真人店？

Etsy做什么店铺比较靠谱? 什么叫做真人店？

作为Etsy是美国最大的原创手工在线销售平台之一&#xff0c;以其店铺利润高、平台佣金低、平台同质化不严重的优点在跨境电商里颇具竞争力。然而Etsy开店却不是件容易事&#xff0c;原因是Etsy真人店对于环境以及卖家的运营操作要求较高&#xff0c;下面就给各位有意入局Etsy的…
阅读更多...
2024版细致idea解读（包含下载，安装，破解，讲解怎么使用）

2024版细致idea解读（包含下载，安装，破解，讲解怎么使用）

前言 我们历经了对应的javase开发&#xff0c;使用的软件从eclipse也逐步升级到了idea&#xff0c;IntelliJ旗下的产品之一 内部复函很大的集成平台插件供大家使用 下载介绍 IntelliJ IDEA – 领先的 Java 和 Kotlin IDE 这个是他的网站地址 进入之后我们可以看到对应的界面…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023