数学建模~~描述性分析---RFM用户分层模型聚类

news2024/11/16 7:26:05

目录

1.RFM用户分层模型介绍

2.获取数据，标准化处理

2.1获取数据

2.2时间类型转换

2.3计算时间间隔

3.对于R,F,M的描述性分析

3.1代码分析

3.2分析结果说明

3.3对于F的描述性分析

3.4对于M的描述性分析

4.数据分箱--等级划分

4.1分箱概念

4.3分箱特点

4.3分箱方式

4.4总结分析

5.综合评价

6.K中心聚类分析

1.1数据的标准化处理

1.2标准化处理的结果

1.3K均值聚类分析

1.4分析结果说明

1.RFM用户分层模型介绍

简单讲就是：recency:最近一次消费的时间间隔

                     frequency消费的频率

                     money消费的花钱多少

这个我们会根据一个电商的表单数据，进行这个RFM分别的描述性分析，我们可以知道这个：

R越大，就是这个最近一次消费到截止时间的间隔很大，说明这个用户活跃度越高；

F越大，说明这个用户消费次数很多，也可以去证明这个用户的活跃度很高；

M越大，说明这个用户每一次消费的钱很多，进而可以去说明这个用户的这个活跃度很高；

上面这个是对于这个模型的基本的认识，我们根据这三个指标的活跃与否，每一个指标都是有两个情况，那么三个指标通过排列组合就会有8个可能的情况，这个RFM模型就是把这个所有的用户划分为8种类型（不理解的可以使用树状图画出来）；

2.获取数据，标准化处理

2.1获取数据

我们首先对于这个电商的数据进行筛选出来我们想要的，

就是这个截止时间里面最近购买的时间间隔，这个表单里面使用的last_order_date进行表示的；

购买的频率就是我们这个地方的order_count就是订单的数量；

购买的金额就是这个地方的total_amount,我们的标准化处理就是基于这个表格里面的这三列的数据

2.2时间类型转换

==标准化处理==就是把这个表单里面的数据处理为我们容易使用python进行分析的，这个处理过程分为两个步骤：

第一个就是对于这个==时间类型==的转换，把这个字符串类型的数据转换为时间类型的数据，这个过程会使用到的函数就是to_datetime函数，这个函数的参数就是需要进行转换的这一列或者是这一行的数据；

# 导入pandas模块，简写为pd

import pandas as pd

# 读取文件，赋值给df

df = pd.read_csv("/Users/user_info/user_info.csv")

# 将"last_order_date"这一列，转为时间类型

df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 输出df

print(df)

2.3计算时间间隔

###对于这个时间价格的计算，我们的这个电商订单里面显示的是这个产品的下单时间，我们需要引进来一个参照的时间进行做减法，求出来这个时间的间隔；

###这个需要导入一个datetime模块；

###我们使用的就是这个datetime函数创建一个参照的时间，进行一个初始时间的设置，后续的这个时间间隔都是根据这个进行计算的；

###中间的时间间隔就是做减法，dt表示把这个时间间隔转换成为一个时间对象，方便我们进行后续的操作，days获得天数的信息，这个时候我们得到的就是一个整形的数据；

# 导入pandas模块
import pandas as pd 

'''读取并处理数据集'''
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

'''获取描绘R、F、M的数据'''
# 1. 获取描绘R的数据
# 导入datetime模块中的datetime
from datetime import datetime

# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)

# 计算endTime和"last_order_date"这一列的时间间隔
# 将结果添加为df的"time_gap"列
df["time_gap"] = endTime - df["last_order_date"]

# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

# 输出df["time_gap"]
print(df["time_gap"])

3.对于R,F,M的描述性分析

3.1代码分析

###首先就是对于R的描述性分析，groupby是对于这个处理后的数据进行分类，这个分类的依据就是这个函数的参数--也就是我们上面积算出来的时间间隔；

###因为我们的这个结果、一个总人数，我们想要得到的就是不同区间的人数的占比情况；

###代码里面还是对于这个编码进行设置，调用了可视化函数进行绘图，绘图函数的横纵坐标就是这个时间间隔比例的索引和对应的数值；

# 导入pandas模块
import pandas as pd 

'''获取描绘R、F、M的数据'''
# 1.1 读取并处理数据集
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 1.2 获取描绘R的数据
# 导入datetime模块中的datetime
from datetime import datetime

# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)

# 计算endTime和"last_order_date"这一列的时间间隔
df["time_gap"] = endTime - df["last_order_date"]

# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

'''对R、F、M进行描述性分析'''
# 2.1 对R进行描述性分析
# 根据time_gap分组聚合，赋值给R
R = df["time_gap"].groupby(df["time_gap"]).count()

# 计算各部分人数，对应的比例
R_percent = R / 51394

# 导入matplotlib.pyplot模块，简写为plt
import matplotlib.pyplot as plt

# 通过给 plt.rcParams["font.sans-serif"] 赋值
# 将字体设置为 Arial Unicode MS 
plt.rcParams["font.sans-serif"] = "Arial Unicode MS"

# 使用plt.bar()函数
# 以R_percent的index为x轴的值，R_percent的values为y轴的值
plt.bar(R_percent.index, R_percent.values)

# 展示图像
plt.show()

3.2分析结果说明

这个横轴表示的就是这个最近一次购买时间到这个参照时间的时间差值，我们可以看到这个函数的图形是一个下降的趋势，刚开始很快，后来变得很慢；

3.3对于F的描述性分析

这个和上面的完全一样，就是把这个对应的参数换成了订单的数量count;l

# 导入pandas模块
import pandas as pd 

'''获取描绘R、F、M的数据'''
# 1.1 读取并处理数据集
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 1.2 获取描绘R的数据
# 导入datetime模块中的datetime
from datetime import datetime

# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)

# 计算endTime和"last_order_date"这一列的时间间隔
df["time_gap"] = endTime - df["last_order_date"]

# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

'''对R、F、M进行描述性分析'''
# 2.2 对F进行描述性分析
# TODO 根据order_count分组聚合，赋值给F
F = df["order_count"].groupby(df["order_count"]).count()

# TODO 计算各部分人数，对应的比例，赋值给F_percent
F_percent=F/51394

# 导入matplotlib.pyplot模块，简写为plt
import matplotlib.pyplot as plt

# 通过给 plt.rcParams["font.sans-serif"] 赋值
# 将字体设置为 Arial Unicode MS 
plt.rcParams["font.sans-serif"] = "Arial Unicode MS"

# TODO 使用plt.bar()函数
# 以F_percent的index为x轴的值，F_percent的values为y轴的值
plt.bar(F_percent.index, F_percent.values)

# 展示图像
plt.show()

这个我们就可以看出来，count越大，这个对应的人数越少，这个存在一个长尾的现象，因为大部分的人的购买次数都很少；

3.4对于M的描述性分析

如果这个M我们依然使用上面的方法去进行分析，这个时候绘图的效果就不是很好，如下所示：

###因此这个我们调整绘图策略，把这个结果绘制成为直方图：

###直方图的绘制使用的就是hist函数，这个bins参数表示的就是这个对应的横轴上面的标度情况

# 导入pandas模块
import pandas as pd 

'''获取描绘R、F、M的数据'''
# 1.1 读取并处理数据集
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 1.2 获取描绘R的数据
from datetime import datetime

# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)

# 计算endTime和"last_order_date"这一列的时间间隔
df["time_gap"] = endTime - df["last_order_date"]

# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

'''对R、F、M进行描述性分析'''
# 2.3 对M进行描述性分析
# 导入matplotlib.pyplot模块，简写为plt
import matplotlib.pyplot as plt

# 通过给 plt.rcParams["font.sans-serif"] 赋值
# 将字体设置为 Arial Unicode MS 
plt.rcParams["font.sans-serif"] = "Arial Unicode MS"

# TODO 使用plt.hist()函数
# 将df["total_amount"]这一列数据传入，并传入参数bins =100
plt.hist(df["total_amount"], bins =100)

# 用show()函数展示图像
plt.show()

可以看出来这个消费的总金额越少，人数就会越多，金额越多，对应的消费人数就会越少；

4.数据分箱--等级划分

4.1分箱概念

4.3分箱特点

###相同的数值一定会在一个箱子里面；

###区间的特点是左开右闭的情况；

###相邻两个箱子的临界值是一样的（类似于这个数学上面分段函数的衔接点）

4.3分箱方式

按照数据进行分箱：例如这个分数90-100,80-90等等之类的----cut函数

###这个函数的参数有两个，第一个就是等待进行分箱的数据集，第二个就是分箱的边界数值，这个结果就是按照我们的参数把这个区间划分出来；

# 导入pandas模块
import pandas as pd 

'''获取描绘R、F、M的数据'''
# 1.1 读取并处理数据集
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 1.2 获取描绘R的数据
# 导入datetime模块中的datetime
from datetime import datetime

# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)

# 计算endTime和"last_order_date"这一列的时间间隔
df["time_gap"] = endTime - df["last_order_date"]

# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

'''依次划分R、F、M'''
# 1.1 划分R
# TODO 使用cut()函数，对"time_gap"进行数据分箱
# 以0,50,100,200,300,365为边界分为5组
# 将结果添加为df的"R"列
df["R"] = pd.cut(df["time_gap"], [0,50,100,200,300,365])

# TODO 使用value_counts()函数
# 计算df["R"]每个区间的值，赋值给R_value
R_value = df["R"].value_counts()

# 使用print输出R_value
print(R_value)

按照比例进行分箱：例如分数段里面的前10%，10%-20%之类的这样的分数段的划分---qcut函数

###这个函数的第二个参数是需要把这个数据集划分的区间的个数；

###我们也可以使用下面的labels参数进行这个区间的命名；

# 导入pandas模块
import pandas as pd 

'''获取描绘R、F、M的数据'''
# 1.1 读取并处理数据集
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 1.2 获取描绘R的数据
# 导入datetime模块中的datetime
from datetime import datetime

# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)

# 计算endTime和"last_order_date"这一列的时间间隔
df["time_gap"] = endTime - df["last_order_date"]

# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

'''依次划分R、F、M'''
# 使用qcut()函数，对"time_gap"进行数据分箱
# 均分为5组，将结果添加为df的"R"列
df["R"] = pd.qcut(df["time_gap"], q=5)

# 使用print输出df["R"]
print(df["R"])

对于FM的划分：

# 导入pandas模块
import pandas as pd 

'''获取描绘R、F、M的数据'''
# 1. 读取并处理数据集
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 2. 获取描绘R的数据
# 导入datetime模块中的datetime
from datetime import datetime
# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)
# 计算endTime和"last_order_date"这一列的时间间隔
df["time_gap"] = endTime - df["last_order_date"]
# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

'''依次划分R、F、M'''
# 1. 划分R
# 使用qcut()函数，将"time_gap"的数据分箱
# 均分为5组，区间标记命名为5-1，赋值给df["R"]
df["R"] = pd.qcut(df["time_gap"],q=5,labels=[5,4,3,2,1])

# 2. 划分F
# TODO 使用qcut()函数，将"order_count"的数据分箱
# 均分为5组，区间标记命名为1-5，赋值给df["F"]
df["F"] = pd.qcut(df["order_count"],q=5,labels=[1,2,3,4,5])

# 输出此时的df["F"]
print(df["F"])

对于M的划分：

# 导入pandas模块
import pandas as pd 

'''获取描绘R、F、M的数据'''
# 1. 读取并处理数据集
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 2. 获取描绘R的数据
# 导入datetime模块中的datetime
from datetime import datetime
# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)
# 计算endTime和"last_order_date"这一列的时间间隔
df["time_gap"] = endTime - df["last_order_date"]
# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

'''依次划分R、F、M'''
# 1. 划分R
# 使用qcut()函数，将"time_gap"的数据分箱
# 均分为5组，区间标记命名为5-1，赋值给df["R"]
df["R"] = pd.qcut(df["time_gap"],q=5,labels=[5,4,3,2,1])

# 2. 划分F
# 使用qcut()函数，将"order_count"的数据分箱
# 均分为5组，区间标记命名为1-5，赋值给df["F"]
df["F"] = pd.qcut(df["order_count"],q=5,labels=[1,2,3,4,5])

# 3. 划分M
# 使用qcut()函数，将"total_amount"的数据分箱
# 均分为5组，赋值给df["M"]
df["M"] = pd.qcut(df["total_amount"],q=5)

# 使用value_counts()函数
# 计算df["M"]每个区间的值，赋值给M_value
M_value = df["M"].value_counts()

# 计算各部分人数，对应的比例，赋值给M_percent
M_percent = M_value / 51394

# 输出M_value
print(M_value)

# 输出M_percent
print(M_percent)

4.4总结分析

为什么这个地方进行分箱的时候，这个第一个R是label=54321,后面的两个的labels是12345，这个和我们的相关性有关，R是越小越好，FM都是越大越好，因此这个参数是不一样的，我们在最开始的时候就说明了这个问题；

5.综合评价

###这个地方的划分都是0、1划分，因此我们定一个函数，然后把这个函数的划分方式全部应用于这三个分箱结果上面；

# 导入pandas模块
import pandas as pd 

'''获取描绘R、F、M的数据'''
# 1. 读取并处理数据集
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 2. 获取描绘R的数据
# 导入datetime模块中的datetime
from datetime import datetime
# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)
# 计算endTime和"last_order_date"这一列的时间间隔
df["time_gap"] = endTime - df["last_order_date"]
# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

'''依次划分R、F、M'''
# 1. 划分R
# 使用qcut()函数，将"time_gap"的数据分箱
# 均分为5组，区间标记命名为5-1，赋值给df["R"]
df["R"] = pd.qcut(df["time_gap"],q=5,labels=[5,4,3,2,1])

# 2. 划分F
# 使用qcut()函数，将"order_count"的数据分箱
# 均分为5组，区间标记命名为1-5，赋值给df["F"]
df["F"] = pd.qcut(df["order_count"],q=5,labels=[1,2,3,4,5])

# 3. 划分M
# 使用qcut()函数，将"total_amount"的数据分箱
# 均分为5组，区间标记命名为1-5分，赋值给df["M"]
df["M"] = pd.qcut(df["total_amount"],q=5,labels=[1,2,3,4,5])

'''对用户标记分层结果'''
# 1. 简化分值
# 定义一个函数rfmTrans，如果参数x>3，就返回1；否则，就返回0
def rfmTrans(x):
    if x>3:
        return 1
    else:
        return 0

# 对R、F、M这三列数据，分别使用apply()函数
# 将函数名rfmTrans作为参数传入，并分别重新赋值给R、F、M这三列
df["R"] = df["R"].apply(rfmTrans)
df["F"] = df["F"].apply(rfmTrans)
df["M"] = df["M"].apply(rfmTrans)

# 使用print输出R、F、M这三列
print(df[["R","F","M"]])

接下俩的这个操作就是对于这个RFM各自的结果进行组合astype加起来，类似于这个二进制位一样的组合，然后把这个对应的评价用户评价类型进行匹配；

# 导入pandas模块
import pandas as pd 

'''获取描绘R、F、M的数据'''
# 1. 读取并处理数据集
# 读取文件
df = pd.read_csv("/Users/user_info/user_info.csv")
# 数据类型转换
df["last_order_date"] = pd.to_datetime(df["last_order_date"])

# 2. 获取描绘R的数据
# 导入datetime模块中的datetime
from datetime import datetime
# 使用datetime()函数，构建2019年4月1日的时间，赋值给endTime
endTime = datetime(2019,4,1)
# 计算endTime和"last_order_date"这一列的时间间隔
df["time_gap"] = endTime - df["last_order_date"]
# 通过.dt.days，将"time_gap"列的天数提取出来
df["time_gap"] = df["time_gap"].dt.days

'''依次划分R、F、M'''
# 1. 划分R
# 使用qcut()函数，将"time_gap"的数据分箱
# 均分为5组，区间标记命名为5-1，赋值给df["R"]
df["R"] = pd.qcut(df["time_gap"],q=5,labels=[5,4,3,2,1])

# 2. 划分F
# 使用qcut()函数，将"order_count"的数据分箱
# 均分为5组，区间标记命名为1-5，赋值给df["F"]
df["F"] = pd.qcut(df["order_count"],q=5,labels=[1,2,3,4,5])

# 3. 划分M
# 使用qcut()函数，将"total_amount"的数据分箱
# 均分为5组，区间标记命名为1-5分，赋值给df["M"]
df["M"] = pd.qcut(df["total_amount"],q=5,labels=[1,2,3,4,5])

'''对用户标记分层结果'''
# 1. 简化分值
# 定义一个函数rfmTrans，如果参数x>3，就返回1；否则，就返回0
def rfmTrans(x):
    if x>3:
        return 1
    else:
        return 0

# 对R、F、M这三列数据，分别使用apply()函数
# 将函数名rfmTrans作为参数传入，并分别重新赋值给R、F、M这三列
df["R"] = df["R"].apply(rfmTrans)
df["F"] = df["F"].apply(rfmTrans)
df["M"] = df["M"].apply(rfmTrans)

# 2. 获取数值标签
# 用astype()函数将R、F、M这三列转化为字符串格式
# 再用"+"把字符串拼接在一起，组成一个新的列"mark"
df["mark"] = df["R"].astype(str)+df["F"].astype(str)+df["M"].astype(str)

# 3. 标记用户层级
# 定义一个函数rfmType，将数据标签，转化为对应的用户分层
def rfmType(x):
    if x=="111":
        return "高价值用户"
    elif x=="101":
        return "重点发展用户"
    elif x=="011":
        return "重点唤回用户"
    elif x=="001":
        return "重点潜力用户"
    elif x=="110":
        return "一般潜力用户"
    elif x=="100":
        return "一般发展用户"
    elif x=="010":
        return "一般维系用户"
    else:
        return "低价值用户"

# TODO 对"mark"列，使用apply()函数
# 将函数名rfmType作为参数传入，并将结果赋值给df["customer_type"]
df["customer_type"] = df["mark"].apply(rfmType)

# 输出"customer_type"这一列
print(df["customer_type"])

6.K中心聚类分析

1.1数据的标准化处理

我们对于拿到的这个数据，可以看到一共是三类数据，一类是这个煤炭的消耗量，一类是这个电的消耗量，一类是这个单位工业增加值煤的消耗量，他们的数量级有很大的差异，不便于我们进行计算，我们首先使用描述性分析对于这个数据进行标准化处理；

我们勾选下面的这个把标准化另存为变量，这个就是我们的描述性分析想要达到的结果；

1.2标准化处理的结果

在原来的指标上面，标准化处理之后成为新的变量，方便我们后续的操作；

1.3K均值聚类分析

变量使用的就是我们标准化之后的变量，标注依据就是我们不同的地区，这个聚类数量可以从默认的2更改为3；

1.4分析结果说明

可以看到这个分析之后是被划分为三类，这个第一类就是三个指标都很低，第三类就是三个指标都很高，如何查看这个分类结果呢，在不关闭这个窗口的前提下，我们切换到原来的窗口，也就是数据窗口，就可以看到这个表格里多了一列QCL，这一类就是显示每一个城市对应的1,2,3类的结果

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/2068099.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

区间合并+并查集

区间合并+并查集

前言&#xff1a;写完这个题目的时候没意识到这个和区间合并是等价的&#xff0c;现在看起来确实是一个区间合并的题目 &#xff08;注意这个多米诺骨牌是可以连续推倒的&#xff09; #include<bits/stdc.h> using namespace std;#define int long long int t; int n,m; …
阅读更多...
转发和重定向的区别

转发和重定向的区别

转发和重定向的区别 转发是一次请求。因此浏览器地址栏上的地址不会发生变化。 重定向是两次请求。因此浏览器地址栏上的地址会发生变化 转发的代码实现&#xff1a;request.getRequestDispatcher(“/index”).forward(request,response); 重定向的代码实现&#xff1a;resp…
阅读更多...
学习 Java 和数据库：从前端到全栈的进阶之路

学习 Java 和数据库：从前端到全栈的进阶之路

作为一名前端开发者&#xff0c;掌握 Java 和数据库知识不仅能提升你的技术水平&#xff0c;还能让你在全栈开发的道路上走得更远&#xff08;主要是涨薪&#xff09;。本文将为你提供一个详尽的学习大纲&#xff0c;帮助你从零开始学习 Java 和数据库&#xff0c;并解释为什么…
阅读更多...
Windows离线安装openSSH服务实现远程访问

Windows离线安装openSSH服务实现远程访问

1、问题概述？ 在企业的实际的开发环境中，我们的计算机可能是没有网络的，这种时候我们安装openSSH就需要通过离线的方式安装。 1.1、下载openSSH离线包 离线下载地址：https://github.com/PowerShell/Win32-OpenSSH/releases msi格式可以在windows中直接安装 下载之后直接…
阅读更多...
机器人拾取系统关节机械臂通过NY-PN-EIPZ进行命令控制

机器人拾取系统关节机械臂通过NY-PN-EIPZ进行命令控制

关节机械臂是一种精密的机器&#xff0c;旨在模拟人类手臂在订单拣选操作中的运动。这些多功能机器人由多个关节组成&#xff0c;通常有 4 到 7 个轴&#xff0c;使它们能够高度自由地移动&#xff0c;并在仓库内以各种方向和位置接触物品。 制造工厂智能仓库系统中的关节机械臂…
阅读更多...
centos7.9系统安装cloudpods（一）

centos7.9系统安装cloudpods（一）

1. 简介&#xff1a; Cloudpods 是一款简单、可靠的企业IaaS资源管理软件。帮助未云化企业全面云化IDC物理资源&#xff0c;提升企业IT管理效率。 Cloudpods 帮助客户在一个地方管理所有云计算资源。统一管理异构IT基础设施资源&#xff0c;极大简化多云架构复杂度和难度&…
阅读更多...
Datawhale X 李宏毅苹果书 AI夏令营(深度学习进阶)taks1

Datawhale X 李宏毅苹果书 AI夏令营(深度学习进阶)taks1

深度学习的基础 常见的临界点的种类为局部最小值和鞍点 1.局部最小值 对于任何目标函数f(x)&#xff0c;如果在x处对应的f(x)值小于在x附近任意其他点的f(x)值&#xff0c;那么f(x)可能是局部最小值。如果f(x)在x处的值是整个域中目标函数的最小值&#xff0c;那么f(x)是全局…
阅读更多...
如何将LaTeX数学公式嵌入到PowerPoint中

如何将LaTeX数学公式嵌入到PowerPoint中

如何将LaTeX数学公式嵌入到PowerPoint中 简介 在学术演示或技术报告中&#xff0c;清晰且专业地展示数学公式是至关重要的。PowerPoint虽然提供了一些基本的公式编辑功能&#xff0c;但如果你需要更复杂或格式严格的公式&#xff0c;使用LaTeX生成公式并嵌入到PPT中是一个极佳…
阅读更多...
huggingface下载model

huggingface下载model

0x00 背景 服务器的普通用户&#xff0c;不具有root权限服务器网络不稳定 0x01 解决办法 使用镜像【HF-Mirror】提供的工具hfd 方法三&#xff1a;使用 hfd hfd 是本站开发的 huggingface 专用下载工具&#xff0c;基于成熟工具 gitaria2&#xff0c;可以做到稳定下载不断…
阅读更多...
安卓中 onClick(View v) 方法在主线程还是子线程运行

安卓中 onClick(View v) 方法在主线程还是子线程运行

在Android开发中&#xff0c;onClick(View v) 方法通常是在主线程&#xff08;也称为UI线程&#xff09;中运行的。这个方法是在用户与界面元素&#xff08;如按钮&#xff09;进行交互时&#xff0c;由系统框架自动调用的。由于Android的UI操作必须是线程安全的&#xff0c;并…
阅读更多...
MySQL 数据库深度解析：安装、语法与高级查询实战

MySQL 数据库深度解析：安装、语法与高级查询实战

一、引言 在现代软件开发和数据管理领域中&#xff0c;MySQL 数据库凭借其高效性、稳定性、开源性以及广泛的适用性&#xff0c;成为了众多开发者和企业的首选。无论是小型项目还是大型企业级应用&#xff0c;MySQL 都能提供可靠的数据存储和管理解决方案。本文将深入探讨 MyS…
阅读更多...
QT Creator UI中文输入跳出英文

QT Creator UI中文输入跳出英文

笔者用的是QQ拼音输入&#xff0c;发现只要在UI中加入了QTableWidget&#xff0c;输入多几次中文&#xff0c;就会跳入英文。 后面改用搜狗拼音稍微好一些&#xff0c;但是偶尔还是插入了空格。
阅读更多...
JavaScript静态方法

JavaScript静态方法

介绍 在 JavaScript 中&#xff0c;static 方法是与类本身关联的方法&#xff0c;而不是与类的实例关联。也就是说&#xff0c;static 方法可以通过类直接调用&#xff0c;而不需要创建类的实例。 class PersonCl {constructor(fullName, birthYear) {this.fullName fullNam…
阅读更多...
2024湖南自考报考详细流程建议收藏！！

2024湖南自考报考详细流程建议收藏！！

&#x1f4e2;湖南自考报考时间 &#x1f449;新考生入籍时间&#xff1a;8月19日9:00 至 8月28日 12:00 &#x1f449;考生理论课程报考时间&#xff1a;8 月 27日 9:00 至 9月4 日 17:00 &#x1f4e2;湖南自考报考流程 &#x1f449;登录“湖南省高等教育自学考试综合管理平…
阅读更多...
《机器学习》 AUC性能测试、回归树、随机森林

《机器学习》 AUC性能测试、回归树、随机森林

目录 一、AUC性能测试 1、什么是AUC 2、什么是AUC-ROC曲线 1&#xff09;TPR、FPR • TPR&#xff1a;真实值为1&#xff0c;预测值为1的概率 • FPR&#xff1a;真实值为0&#xff0c;预测值为1的概率 2&#xff09;如何绘制图示曲线 3、最理想的AUC-ROC曲线图 4、案…
阅读更多...
C语言占领游戏

C语言占领游戏

目录 开头程序程序的流程图程序的效果结尾 开头 大家好&#xff0c;我叫这是我58。 程序 #define _CRT_SECURE_NO_WARNINGS 1 #include <stdio.h> #include <stdlib.h> #include <string.h> #include <time.h> #include <Windows.h> void pri…
阅读更多...
C语言 自定义类型-结构体 #结构体类型的声明 #结构体的自引用 #结构体内存对齐 #结构体位段的实现

C语言 自定义类型-结构体 #结构体类型的声明 #结构体的自引用 #结构体内存对齐 #结构体位段的实现

文章目录 前言 一、结构体类型的声明 1、结构体的基础知识 2、结构体的声明 3、特殊声明 二、结构体的自引用 三、结构体变量的定义和初始化 1、结构体的定义分为两类 2、结构体的初始化 四、结构体内存对齐 1、结构体在内存中是怎样存放的呢&#xff1f; 2、结构体的对齐规则&…
阅读更多...
数字卫星：「超实时仿真」实现处理器性能5倍提升

数字卫星：「超实时仿真」实现处理器性能5倍提升

01.数字孪生in卫星 卫星及其附属系统在航天领域具有十分重要的意义。近年来&#xff0c;卫星产业发展迅猛&#xff0c;数字化、网络化、智能化、服务化转型升级需求日益增长。为进一步完善星务软件验证工作、获取在轨卫星模拟数据&#xff0c;“数字卫星”成为当下主流趋势。 …
阅读更多...
考研数学快9月了才开始强化，《660》《880》哪本优先？

考研数学快9月了才开始强化，《660》《880》哪本优先？

快9月了&#xff0c;如果你刚开始强化&#xff0c;那要抓点紧了&#xff01; 很多使用660880这两本习题册的同学提问&#xff1a;《660》《880》哪本优先&#xff1f; 其实&#xff0c;不管先做那本&#xff0c;都一样&#xff0c;做题的目的是为了查缺补漏&#xff0c;而不是…
阅读更多...
一起学Java(5)-[起步篇]教你掌握本协作项目中的Gralde相关配置文件（下）

一起学Java(5)-[起步篇]教你掌握本协作项目中的Gralde相关配置文件（下）

接上篇《一起学Java(4)-java-all-in-one协作项目相关文件研究&#xff08;Gradle篇-上&#xff09;》&#xff0c;本文继续研究项目中Gradle相关文件。 全文详见个人独立博客&#xff1a;https://www.coderli.com/java-go-5-project-config-files-intro-gradle-two/ 一起学Ja…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023