数据分析--客户价值分析RFM（分箱法/标准化）

news2024/11/25 22:59:44

原数据

原数据如果有异常或者缺失等情况，要先对数据进行处理 ，再进行下面的操作，要不然会影响结果的正确性

一、根据RFM计算客户价值并对客户进行细分 

 1. 数据预处理

1.1 创建视图存储 R、F、M的最大最小值

创建视图存储R 、F、M 的最大最小值，为指标的离散提供数据 
create view RFM_maxmin24(maxR,minR,maxF,minF,maxM,minM)
as
SELECT MAX(Recency) , MIN(Recency), MAX(Frequency), MIN(Frequency), MAX(Monetary), MIN(Monetary) 
FROM customers1997 

视图

1.2 创建视图计算对R、F、M进行离散化

注意Recency 是越小越好指标，公式同 F 和 M 有所不同

计算RFM的各项分值：

★ R ，距离当前日期越近，得分越高，最该高5分，最低1分

★ F ，交易频率越高，得分越高，最该高5分，最低1分

★ M ，交易金额越高，得分越高，最该高5分，最低1分

create view Customer_RFM
as
SELECT customer_id, Recency, Frequency, Monetary,
 CASE 
   WHEN (maxR - Recency) <= (maxR - minR)/ 5 THEN 1
   WHEN (maxR - Recency) <= 2 * (maxR - minR)/ 5 THEN 2 
   WHEN (maxR - Recency) <= 3 * (maxR - minR)/ 5 THEN 3 
   WHEN (maxR - Recency) <= 4 * (maxR - minR)/ 5 THEN 4
   WHEN (maxR - Recency) <= 5 * (maxR - minR) / 5 THEN 5 
   ELSE NULL 
 END AS R, 
 CASE 
   WHEN (maxF - Frequency) <= (maxF - minF)/ 5 THEN 5 
   WHEN (maxF - Frequency) <= 2 * (maxF - minF) / 5 THEN 4 
   WHEN (maxF - Frequency) <= 3 * (maxF - minF) / 5 THEN 3 
   WHEN (maxF - Frequency) <= 4 * (maxF - minF) / 5 THEN 2
   WHEN (maxF - Frequency) <= 5 * (maxF - minF) / 5 THEN 1
   ELSE NULL 
 END AS F, 
 CASE 
   WHEN (maxM - Monetary) <= (maxM - minM) / 5 THEN 5 
   WHEN (maxM - Monetary) <= 2 * (maxM - minM)/ 5 THEN 4 
   WHEN (maxM - Monetary) <= 3 * (maxM - minM)/ 5 THEN 3 
   WHEN (maxM - Monetary) <= 4 * (maxM - minM)/ 5 THEN 2 
   WHEN (maxM - Monetary) <= 5 * (maxM - minM) / 5 THEN 1
   ELSE NULL 
 END AS M
FROM customers1997 CROSS JOIN rfm_maxmin24

结果：

1.3 建立客户评分表(客户行为变量表)

CREATE TABLE Customer_Value AS
SELECT customer_id, Recency, Frequency,Monetary, R, F, M, 
 R * 5 + F * 3 + M * 2 as value
FROM customer_rfm

 

2. 细分客户价值

df_rfm = pd.read_csv("Customer_Value.csv") #相对路径读取数据
# 客户细分
# 最佳客户（最有价值），常购客户，⼤额消费者，不确定客户（最不值钱）
# Top，High，Medium，Low
df_rfm['Segment'] = pd.cut(df_rfm['value'], 4, labels=['Low', 'Medium', 'High', 'Top'])
df_rfm

3. 创建气泡图，查看分布情况 

# 创建⽓泡图
print("创建⽓泡图")
# 为不同的 Segment 分配颜⾊
color_map = {'Low': 'blue', 'Medium': 'green', 'High': 'orange', 'Top': 'red'}
colors = df_rfm['Segment'].map(color_map)
# 创建⽓泡图
plt.figure(figsize=(10, 6))
bubble_size = df_rfm['Recency'] * 5 # 调整⽓泡⼤⼩，以便更好的可视化
plt.scatter(df_rfm['Frequency'], df_rfm['Monetary'], s=bubble_size, c=colors, alpha=0.5)
plt.title('Customer Segmentation Bubble Chart')
plt.xlabel('Frequency (F)')
plt.ylabel('Monetary (M)')
plt.grid(True)
# 计算 Frequency 和 Monetary 的平均值
avg_frequency = df_rfm['Frequency'].mean()
avg_monetary = df_rfm['Monetary'].mean()
# 添加平均值参考线
plt.axvline(x=avg_frequency, color='black', linestyle='--', linewidth=1.5, label=f'Avg Frequency: {avg_frequency:.2f}')
plt.axhline(y=avg_monetary, color='black', linestyle='--', linewidth=1.5, label=f'Avg Monetary: {avg_monetary:.2f}')
# 创建图例
for segment in color_map:
 plt.scatter([], [], color=color_map[segment], label=segment, alpha=0.5, s=100)
plt.legend(title='Segment', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()

4. 分析 

只分析了 top,其他方法一样 

print("top用户分析")
top_customers = df_rfm[df_rfm['Segment'] == 'Top']
# 设置⻛格
sns.set(style="whitegrid")
# 创建可视化
plt.figure(figsize=(15, 5))
# Recency分布
plt.subplot(1, 3, 1)
sns.barplot(x='customer_id', y='Recency', data=top_customers, palette='cool')
plt.title('Top Customers Recency')
# Frequency分布
plt.subplot(1, 3, 2)
sns.barplot(x='customer_id', y='Frequency', data=top_customers, palette='cool')
plt.title('Top Customers Frequency')
# Monetary分布
plt.subplot(1, 3, 3)
sns.barplot(x='customer_id', y='Monetary', data=top_customers, palette='cool')
plt.title('Top Customers Monetary')
plt.tight_layout()
plt.show()

# 计算平均RFM值
avg_recency = top_customers['Recency'].mean()
avg_frequency = top_customers['Frequency'].mean()
avg_monetary = top_customers['Monetary'].mean()
# 输出结果
print(f"Top Average Recency: {avg_recency}")
print(f"Top Average Frequency: {avg_frequency}")
print(f"Top Average Monetary: {avg_monetary}")
print("top人数： ", len(top_customers))

 

5. 轮廓系数

df_rfm0 = df_rfm[['Recency','Frequency', 'Monetary']]
print("轮廓系数：",metrics.silhouette_score(df_rfm0, df_rfm['Segment'],metric='euclidean'))

 

 二、5 分法分箱（等宽/等频）对客户进行细分

分析和建模

 1.“客户行为变量”表 

a. 等宽 

print('数据——“客户⾏为变量”表')
df #数据——“客户⾏为变量”表
# 对RFM值进⾏标准化或打分
df['R_Score'] = pd.cut(df['Recency'], 5, labels=[5, 4, 3, 2, 1])
# print(df.groupby('R_Score').R_Score.count())  # 统计各分区人数
df['F_Score'] = pd.cut(df['Frequency'], 5, labels=[1, 2, 3, 4, 5])
df['M_Score'] = pd.cut(df['Monetary'], 5, labels=[1, 2, 3, 4, 5])

# 计算RFM总分
df['RFM_Score'] = df['R_Score'].astype(int) * 5 + df['F_Score'].astype(int) * 3+ df['M_Score'].astype(int)*2

b. 等频

划分的函数qcut()和等宽的cut()不一样，其他的操作都一样 

print("等频")
# 利⽤等频算法将Recency划分为5个区间
df['r_discretized_2'] = pd.qcut(r, 5, labels=range(5))
print(df.groupby('r_discretized_2').r_discretized_2.count())

2. 细分客户 

# 客户细分
# 最佳客户（最有价值），常购客户，⼤额消费者，不确定客户（最不值钱）
# Top，High，Medium，Low
df['Segment'] = pd.cut(df['RFM_Score'], 4, labels=['Low', 'Medium', 'High', 'Top'])
df

3. 气泡图

# 创建⽓泡图
print("创建⽓泡图")
# 为不同的 Segment 分配颜⾊
color_map = {'Low': 'blue', 'Medium': 'green', 'High': 'orange', 'Top': 'red'}
colors = df['Segment'].map(color_map)
# 创建⽓泡图
plt.figure(figsize=(10, 6))
bubble_size = df['Recency'] * 5 # 调整⽓泡⼤⼩，以便更好的可视化
plt.scatter(df['Frequency'], df['Monetary'], s=bubble_size, c=colors, alpha=0.5)
plt.title('Customer Segmentation Bubble Chart')
plt.xlabel('Frequency (F)')
plt.ylabel('Monetary (M)')
plt.grid(True)
# 计算 Frequency 和 Monetary 的平均值
avg_frequency = df['Frequency'].mean()
avg_monetary = df['Monetary'].mean()
# 添加平均值参考线
plt.axvline(x=avg_frequency, color='black', linestyle='--', linewidth=1.5, label=f'Avg Frequency: {avg_frequency:.2f}')
plt.axhline(y=avg_monetary, color='black', linestyle='--', linewidth=1.5, label=f'Avg Monetary: {avg_monetary:.2f}')
# 创建图例
for segment in color_map:
 plt.scatter([], [], color=color_map[segment], label=segment, alpha=0.5, s=100)
plt.legend(title='Segment', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()

4. 分析

print("top用户分析")
top_customers = df[df['Segment'] == 'Top']
# 设置⻛格
sns.set(style="whitegrid")
# 创建可视化
plt.figure(figsize=(15, 5))
# Recency分布
plt.subplot(1, 3, 1)
sns.barplot(x='customer_id', y='Recency', data=top_customers, palette='cool')
plt.title('Top Customers Recency')
# Frequency分布
plt.subplot(1, 3, 2)
sns.barplot(x='customer_id', y='Frequency', data=top_customers, palette='cool')
plt.title('Top Customers Frequency')
# Monetary分布
plt.subplot(1, 3, 3)
sns.barplot(x='customer_id', y='Monetary', data=top_customers, palette='cool')
plt.title('Top Customers Monetary')
plt.tight_layout()
plt.show()

# 计算平均RFM值
avg_recency = top_customers['Recency'].mean()
avg_frequency = top_customers['Frequency'].mean()
avg_monetary = top_customers['Monetary'].mean()
# 输出结果
print(f"Top Average Recency: {avg_recency}")
print(f"Top Average Frequency: {avg_frequency}")
print(f"Top Average Monetary: {avg_monetary}")

print("“Top”客户群体不仅活跃（低Recency值）⽽且⾮常忠诚（⾼Frequency值）⾼消费能⼒")
# ⼈数统计分析
education_levels = top_customers['education'].value_counts()
gender_distribution = top_customers['gender'].value_counts()
print(education_levels)
print("top人数： ")
top_counts =  len(top_customers)
print(top_counts)

 

5. 轮廓系数

from sklearn import metrics
df_rfm = df[['Recency','Frequency', 'Monetary']]
print("轮廓系数：",metrics.silhouette_score(df_rfm, df['Segment'],metric='euclidean'))

 

 三、RFM数据标准化归一化（0-1）

import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import scipy.stats as stats
from sklearn import metrics
# pip install scikit-learn
from sklearn.preprocessing import StandardScaler, MinMaxScaler
from sklearn.impute import SimpleImputer
import warnings
warnings.filterwarnings('ignore')
%matplotlib inline

### 设置⼯作⽬录
os.chdir('/Users/mac/Documents/**/数据分析/作业/探究客户价值') #数据所在⽬录
### 数据抽取，读⼊数据
df = pd.read_csv("customers1997.csv") #相对路径读取数据
# print(df.info())
# 描述性统计
print(df.describe())

常用的规范化/标准化：

数据规范化是调整数据尺度的⼀种⽅法，以便在不同的数据集之间进⾏公平⽐较。

  • 最⼤-最⼩规范化：将数据缩放到0到1之间，是⼀种常⽤的归⼀化⽅法，有助于处理那些标准化假设正态分布的⽅法不适⽤的情况。
  • Z分数规范化：通过数据的标准偏差来度量数据点的标准分数，有助于数据的异常值处理和去除偏差。
  • ⼩数定标规范化：通过移动数据的⼩数点位置（取决于数据的最⼤绝对值）来转换数据，使得数据更加稳定和标准化。
df_fm = df[['Frequency', 'Monetary']]
# 最⼤-最⼩规范化
scaler_minmax = MinMaxScaler()
data_minmax = scaler_minmax.fit_transform(df_fm)
# Z分数规范化
scaler_standard = StandardScaler()
data_standard = scaler_standard.fit_transform(df_fm)
# ⼩数定标规范化
df_fm = df[['Frequency', 'Monetary']]
max_vals = df_fm.abs().max()
scaling_factor = np.power(10, np.ceil(np.log10(max_vals)))
df_fm_scaled = df_fm / scaling_factor

wAAACH5BAEKAAAALAAAAAABAAEAAAICRAEAOw==

  1. 数据归一化

print('将数据归一化（0-1）')
scaler_minmax = MinMaxScaler()
df_rfm = df[['Recency','Frequency', 'Monetary']]

df_rfm[['Recency','Frequency', 'Monetary']] = scaler_minmax.fit_transform(df_rfm)
print("打分")
df_rfm['R_S'] = pd.cut(df_rfm['Recency'], 5, labels=[5, 4, 3, 2, 1])
df_rfm['F_S'] = pd.cut(df_rfm['Frequency'], 5, labels=[1, 2, 3, 4, 5])
df_rfm['M_S'] = pd.cut(df_rfm['Monetary'], 5, labels=[1, 2, 3, 4, 5])
df_rfm

效果： 

权重根据需要填写 

# 计算RFM总分
df_rfm['RFM_S'] = df_rfm['R_S'].astype(int) * 5 + df_rfm['F_S'].astype(int) * 3+ df_rfm['M_S'].astype(int)*2

2. 客户细分

# 客户细分
# 最佳客户（最有价值），常购客户，⼤额消费者，不确定客户（最不值钱）
# Top，High，Medium，Low
df_rfm['Segment'] = pd.cut(df_rfm['RFM_S'], 4, labels=['Low', 'Medium', 'High', 'Top'])
df_rfm

3. 气泡图

# 创建⽓泡图
print("创建⽓泡图")
# 为不同的 Segment 分配颜⾊
color_map = {'Low': 'blue', 'Medium': 'green', 'High': 'orange', 'Top': 'red'}
colors = df_rfm['Segment'].map(color_map)
# 创建⽓泡图
plt.figure(figsize=(10, 6))
bubble_size = df_rfm['Recency'] * 20 # 调整⽓泡⼤⼩，以便更好的可视化
plt.scatter(df_rfm['Frequency'], df_rfm['Monetary'], s=bubble_size, c=colors, alpha=0.5)
plt.title('Customer Segmentation Bubble Chart')
plt.xlabel('Frequency (F)')
plt.ylabel('Monetary (M)')
plt.grid(True)
# 计算 Frequency 和 Monetary 的平均值
avg_frequency = df_rfm['Frequency'].mean()
avg_monetary = df_rfm['Monetary'].mean()
# 添加平均值参考线
plt.axvline(x=avg_frequency, color='black', linestyle='--', linewidth=1.5, label=f'Avg Frequency: {avg_frequency:.2f}')
plt.axhline(y=avg_monetary, color='black', linestyle='--', linewidth=1.5, label=f'Avg Monetary: {avg_monetary:.2f}')
# 创建图例
for segment in color_map:
 plt.scatter([], [], color=color_map[segment], label=segment, alpha=0.5, s=100)
plt.legend(title='Segment', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()

4.分析

print("top用户分析")
top_customers = df_rfm[df_rfm['Segment'] == 'Top']

# 计算平均RFM值
avg_recency = top_customers['Recency'].mean()
avg_frequency = top_customers['Frequency'].mean()
avg_monetary = top_customers['Monetary'].mean()
# 输出结果
print(f"Top Average Recency: {avg_recency}")
print(f"Top Average Frequency: {avg_frequency}")
print(f"Top Average Monetary: {avg_monetary}")
print("top人数： ", len(top_customers))

 

print("“Top”客户群体不仅活跃（低Recency值）⽽且⾮常忠诚（⾼Frequency值）⾼消费能⼒")

5. 轮廓系数

df_rfm0 = df_rfm[['Recency','Frequency', 'Monetary']]
print("轮廓系数：",metrics.silhouette_score(df_rfm0, df_rfm['Segment'],metric='euclidean'))

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/1639629.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

CHiME-8多通道远场语音识别Baseline介绍

CHiME-8多通道远场语音识别Baseline介绍

语音领域每年都有很多比赛&#xff0c;每个比赛都有自己的侧重点&#xff0c;其中CHiME系列比赛的侧重点就是多通道远场语音识别&#xff0c;与其他的语音识别比赛有所区别的是&#xff0c;CHiME提供分布式麦克风和麦克风阵列数据&#xff0c;这样可以选择合适的前端算法以降低…
阅读更多...
【C++ | 语句】条件语句(if、switch)、循环语句(while、do while、for、范围for)、跳转语句、try语句块和异常处理

【C++ | 语句】条件语句(if、switch)、循环语句(while、do while、for、范围for)、跳转语句、try语句块和异常处理

&#x1f601;博客主页&#x1f601;&#xff1a;&#x1f680;https://blog.csdn.net/wkd_007&#x1f680; &#x1f911;博客内容&#x1f911;&#xff1a;&#x1f36d;嵌入式开发、Linux、C语言、C、数据结构、音视频&#x1f36d; ⏰发布时间⏰&#xff1a;2024-05-02 2…
阅读更多...
【工具类安装教程】IDEA Ui设计器JFormDesigner

【工具类安装教程】IDEA Ui设计器JFormDesigner

1、下载插件 File->Settings->Plugins->JFormDesigner 2、注册教程 2.1注册机下载 链接&#xff1a;https://pan.baidu.com/s/1Rb1EMva5HIYbyBcYgCxIsw 提取码&#xff1a;6666 2.2找到目录 1、找到idea目录 2.3进入plugins目录 找到在JFormDesigner文件夹下lib文…
阅读更多...
Flutter笔记：使用Flutter私有类涉及的授权协议问题

Flutter笔记：使用Flutter私有类涉及的授权协议问题

Flutter笔记 使用Flutter私有类涉及的授权协议问题 - 文章信息 - Author: 李俊才 (jcLee95) Visit me at CSDN: https://jclee95.blog.csdn.netMy WebSite&#xff1a;http://thispage.tech/Email: 291148484163.com. Shenzhen ChinaAddress of this article:https://blog.cs…
阅读更多...
【51单片机LCD1602显示矩阵键盘原始键值】2023-6-1

【51单片机LCD1602显示矩阵键盘原始键值】2023-6-1

缘由https://ask.csdn.net/questions/7955623 #include "reg52.h" sbit LCD1602_RS P3^5;//RS端数据命令选择(H/L) sbit LCD1602_RW P3^6;//RW端读写选择(H/L) sbit LCD1602_EN P3^7;//EN端使能信号上升沿25ns void PanDuan1602(/*LCD1602忙判断*/) { LCD1602…
阅读更多...
Word文件导出为PDF

Word文件导出为PDF

Word文件导出为PDF 方法一、使用Word自带另存为PDF功能 打开需要转换为PDF格式的Word文件&#xff0c;依次点击【文件】➡【另存为】➡选择文件保存类型为.PDF 使用这种方法导出的PDF可能存在Word中书签丢失的情况&#xff0c;在导出界面点击&#xff0c;选项进入详细设置 勾…
阅读更多...
钉钉手机端调试前端H5项目流程

钉钉手机端调试前端H5项目流程

此流程以Vue项目为例 一、操作步骤 在根目录下 vue.config.js 文件中将 devServer.host 设置为 0.0.0.0 // vue.config.js module.exports {devServer: {host: 0.0.0.0,...},...}本地启动项目&#xff0c;获取 Network App running at:- Local: http://localhost:8080/ -…
阅读更多...
C语言--贪吃蛇小游戏

C语言--贪吃蛇小游戏

目录 一、Win32API介绍 1.1Win32API 1.2控制台程序 1.3控制台屏幕上的坐标COORD 1.4GetStdHandle 1.5GetConsoleCursorInfo 1.6 CONSOLE_CURSOR_INFO 1.7 SetConsoleCursorInfo 1.8SetConsoleCursorPosition 1.9GetAsyncKeyState 二、贪吃蛇游戏设计与分析 2.1地图 …
阅读更多...
设计模式之MVC模式

设计模式之MVC模式

在编程江湖闯荡多年&#xff0c;我手中打磨过的设计模式多如繁星&#xff0c;但论及经典与实用&#xff0c; MVC&#xff08;Model-View-Controller&#xff09;模式 绝对是个中翘楚&#xff01;它不仅是Web应用的骨架&#xff0c;更是软件架构的智慧结晶。今天&#xff0c;咱们…
阅读更多...
『跨端框架』Flutter环境搭建

『跨端框架』Flutter环境搭建

『跨端框架』Flutter环境搭建 资源网站简介跨平台高性能发展历程跨平台框架的比较成功案例 环境搭建&#xff08;windows&#xff09;基础环境搭建Windows下的安卓环境搭建Mac下的安卓环境配置资源镜像JDKAndroid StudioFlutter SDK问题一问题二问题三修改项目中的Flutter版本 …
阅读更多...
解码Starknet Verifier：深入逆向工程之旅

解码Starknet Verifier：深入逆向工程之旅

1. 引言 Sandstorm为&#xff1a; 能提交独立proof给StarkWare的Ethereum Verifier&#xff0c;的首个开源的STARK prover。 开源代码见&#xff1a; https://github.com/andrewmilson/sandstorm&#xff08;Rust&#xff09; L2Beat 提供了以太坊上Starknet的合约架构图&…
阅读更多...
全新TOF感知RGBD相机 | 高帧率+AI，探索3D感知新境界

全新TOF感知RGBD相机 | 高帧率+AI，探索3D感知新境界

海康机器人在近期的机器视觉新品发布会上推出的全新TOF感知RGBD相机，无疑是对当前机器视觉技术的一次革新。这款相机不仅融合了高帧率、轻松集成、体积小巧以及供电稳定等诸多优点，更重要的是，它将AI与3D感知技术完美结合，通过高帧率+AI算法，实现了对不同场景的快速捕捉与…
阅读更多...
莫比乌斯变换的数学原理

莫比乌斯变换的数学原理

一、说明 关于莫比乌斯变换&#xff0c;是一个代数几何变换的重要概念。也是双曲几何的重要理论&#xff0c;比如庞加莱盘就是建立在这个理论上&#xff0c;那么这个变换到底有哪些内容&#xff1f;本文将做出详细的解读。 二、线性变换和逆变换 在本节中&#xff0c;我们研…
阅读更多...
SQL 基础 | AS 的用法介绍

SQL 基础 | AS 的用法介绍

SQL&#xff08;Structured Query Language&#xff09;是一种用于管理和操作数据库的标准编程语言。 在SQL中&#xff0c;AS关键字有几种不同的用法&#xff0c;主要用于重命名表、列或者查询结果。 以下是AS的一些常见用法&#xff1a; 重命名列&#xff1a;在SELECT语句中&a…
阅读更多...
AI图书推荐：用ChatGPT快速创建在线课程

AI图书推荐：用ChatGPT快速创建在线课程

您是否是您领域的专家&#xff0c;拥有丰富的知识和技能可以分享&#xff1f;您是否曾想过创建一个在线课程&#xff0c;但被这个过程吓倒了&#xff1f;那么&#xff0c;是时候把这些担忧放在一边&#xff0c;迈出这一步了&#xff01;有了这本指南和ChatGPT的帮助&#xff0c…
阅读更多...
python学习笔记B-16：序列结构之字典--字典的遍历与访问

python学习笔记B-16：序列结构之字典--字典的遍历与访问

下面是字典的访问和遍历方法&#xff1a; d {10:"hello",20:"python",30:"world"} print(d[10],"--",d[20],"--",d[30]) print(d.get(10)) print("以上两种访问方式的区别是&#xff0c;d[key]若键是空值&#xff0c…
阅读更多...
SMB 协议详解之-TreeID原理和SMB数据包分析技巧

SMB 协议详解之-TreeID原理和SMB数据包分析技巧

在前面分析SMB协议数据包的过程中，这里，可以看到在SMB协议中存在很多的ID，即Unique Identifiers。那么这些ID表示什么含义？在实际分析数据包的过程中如何根据这些ID进行过滤分析？本文将介绍SMB/SMB2中的tree id ，并介绍如何通过tree id 快速的分析SMB数据包中各种命令交互…
阅读更多...
抖音评论区精准获客自动化获客释放双手

抖音评论区精准获客自动化获客释放双手

挺好用的&#xff0c;评论区自动化快速获客&#xff0c;如果手动点引流涨&#xff0c;那就很耗费时间了&#xff0c;不是吗&#xff1f; 网盘自动获取 链接&#xff1a;https://pan.baidu.com/s/1lpzKPim76qettahxvxtjaQ?pwd0b8x 提取码&#xff1a;0b8x
阅读更多...
【跟马少平老师学AI】-【神经网络是怎么实现的】（四）卷积神经网络

【跟马少平老师学AI】-【神经网络是怎么实现的】（四）卷积神经网络

一句话归纳&#xff1a; 1&#xff09;用1个小粒度的模式&#xff0c;逐个与图像的局部区域进行运算&#xff0c;运算结果反映模式与区域的匹配程度。 2&#xff09;卷积神经网络与全连接神经网络的区别&#xff1a; 卷积神经网络的输出只与局部输入有连接。参数较少&#xff0…
阅读更多...
【保姆级教程】用IDEA2023版本给RuoYi-Vue添加子模块

【保姆级教程】用IDEA2023版本给RuoYi-Vue添加子模块

文章目录 前言添加子模块新建子模块新建子模块界面&#xff1f;新建子模块界面&#xff01; 修改pom依赖配置RuoYiApplication添加测试接口配置接口权限测试 前言 若依前后端分离框架能够极大方便当前开发任务&#xff0c;并且使用的技术栈也相当丰富&#xff0c;但是目前只提…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023