数学建模复盘之 --- 2020数学建模国赛C-中小微企业的信贷决策
2024-04-20 10:49:00
说明
该项目为2020年，国赛数学建模，本学长帮助同学完成，共带5队，3个一等奖，2个二等奖，今天带大家进行复盘。
本次复盘非提供给同学的参赛项目，这里只做基础的简单分析，参赛作品不给予提供。
数据
数据一用提供了3个csv文件：
- 附件1：123家有信贷记录企业的相关数据.xlsx
- 附件2：302家无信贷记录企业的相关数据.xlsx
- 附件3：银行贷款年利率与客户流失率关系的统计数据.xlsx
观察数据
import pandas as pd
import numpy as npdf1_1 = pd.read_excel('../data/附件1：123家有信贷记录企业的相关数据.xlsx',sheet_name=0)
df1_2 = pd.read_excel('../data/附件1：123家有信贷记录企业的相关数据.xlsx',sheet_name=1)
df1_3 = pd.read_excel('../data/附件1：123家有信贷记录企业的相关数据.xlsx',sheet_name=2)df2_1 = pd.read_excel('../data/附件2：302家无信贷记录企业的相关数据.xlsx',sheet_name=0)
df2_2 = pd.read_excel('../data/附件2：302家无信贷记录企业的相关数据.xlsx',sheet_name=1)
df2_3 = pd.read_excel('../data/附件2：302家无信贷记录企业的相关数据.xlsx',sheet_name=2)df3 = pd.read_excel('../data/附件3：银行贷款年利率与客户流失率关系的统计数据.xlsx',sheet_name=0)display(df1_1.head())
display(df1_2.head())
display(df1_3.head())
display(df2_1.head())
display(df2_2.head())
display(df2_3.head())
建模
每个企业生存年限
'''
每家公司的成立年限，第一张发票时间到最后一张发票时间的差值，以月为单位
'''
# 支出表生存年限
live_time2 = df1_2[['企业代号','开票日期']]
live_time2_min = live_time2.groupby('企业代号').min().reset_index()
live_time2_max = live_time2.groupby('企业代号').max().reset_index()
live_time2 = pd.merge(live_time2_max,live_time2_min,on='企业代号')
live_time2['生存年限1'] = live_time2['开票日期_x'] - live_time2['开票日期_y']# 收入表生存年限
live_time3 = df1_3[['企业代号','开票日期']]
live_time3_min = live_time3.groupby('企业代号').min().reset_index()
live_time3_max = live_time3.groupby('企业代号').max().reset_index()
live_time3 = pd.merge(live_time3_max,live_time3_min,on='企业代号')
live_time3['生存年限2'] = live_time3['开票日期_x'] - live_time3['开票日期_y']# 找出生存年限最大的值作为生存年限
live_time = pd.merge(live_time2,live_time3,on='企业代号')[['企业代号','生存年限1','生存年限2']]
x1 = list(live_time['生存年限1'])
x2 = list(live_time['生存年限2'])
x = []
for i in range(len(x1)):if x1[i] >= x2[i]:x.append(x1[i])else:x.append(x2[i])
company_id = pd.DataFrame(live_time['企业代号'])
x = pd.DataFrame(x,columns=['生存年限'])
live_time = company_id.join(x)# 生存年限转为月份
live_time['生存年限'] = live_time['生存年限'].astype(str)
live_time['生存年限'] = live_time['生存年限'].str.split().str.get(0)
live_time['生存年限'] = live_time['生存年限'].map(lambda x: str(int(x) // 30) + '月')
live_time.head()
客户量
计算收入的发票数有多少
ustomer = df1_3[['企业代号','购方单位代号','发票状态']]
customer = customer[customer['发票状态'] == '有效发票']
customer = customer.drop_duplicates(subset=['企业代号','购方单位代号'])
customer = customer.groupby('企业代号')['购方单位代号'].count().reset_index()
customer.rename(columns={'购方单位代号': '客户数'},inplace=True)
customer.head()
公司类别
# 查看公司名字中都有哪些词
company = df1_1[['企业代号','企业名称']]
company_name = list(company['企业名称'])
company_name = ' '.join(company_name).replace('*','').\replace('有限公司','').replace('责任公司','').\replace('分公司','')# 词云
import jieba
import wordcloud
from scipy.misc import imread
w = wordcloud.WordCloud(background_color = 'white',width = 1000,height = 700,font_path = 'msyh.ttc',)
w.generate(company_name)
w.to_file('../output/公司名称词云.png')
# 定义企业类型，销项，中小微
table = {'餐饮业':{'销项价税合计(年)':{'中':[2000,'正无穷'],'小':[100,2000],'微':['负无穷',100]}},'仓储业':{'销项价税合计(年)':{'中':[1000,'正无穷'],'小':[100,1000],'微':['负无穷',100]}},'信息传输业':{'销项价税合计(年)':{'中':[1000,'正无穷'],'小':[100,1000],'微':['负无穷',100]}},'软件和信息技术服务业':{'销项价税合计(年)':{'中':[1000,'正无穷'],'小':[50,1000],'微':['负无穷',50]}},'房地产开发经营':{'销项价税合计(年)':{'中':[5000,'正无穷'],'小':[2000,5000],'微':['负无穷',2000]}},'物业管理':{'销项价税合计(年)':{'中':[1000,'正无穷'],'小':[500,1000],'微':['负无穷',500]}},'租赁和上午服务业':{'销项价税合计(年)':{'中':[8000,'正无穷'],'小':[100,8000],'微':['负无穷',100]}},'农林牧渔业':{'销项价税合计(年)':{'中':[500,'正无穷'],'小':[50,500],'微':['负无穷',50]}},'工业':{'销项价税合计(年)':{'中':[2000,'正无穷'],'小':[300,2000],'微':['负无穷',300]}},'建筑业':{'销项价税合计(年)':{'中':[5000,'正无穷'],'小':[300,5000],'微':['负无穷',300]}},'批发业':{'销项价税合计(年)':{'中':[5000,'正无穷'],'小':[1000,5000],'微':['负无穷',1000]}},'零售业':{'销项价税合计(年)':{'中':[500,'正无穷'],'小':[100,500],'微':['负无穷',100]}},'交通运输业':{'销项价税合计(年)':{'中':[3000,'正无穷'],'小':[200,3000],'微':['负无穷',200]}},'邮政业':{'销项价税合计(年)':{'中':[2000,'正无穷'],'小':[100,2000],'微':['负无穷',100]}},'住宿业':{'销项价税合计(年)':{'中':[2000,'正无穷'],'小':[100,2000],'微':['负无穷',100]}},'其他':{'销项价税合计(年)':{'中':[2562,'正无穷'],'小':[325,2562],'微':['负无穷',325]}},
}
if ('工程' in s):return '建筑业'if ('木' in s) or ('林' in s) or ('花' in s) or ('农' in s):return '农、林、牧、渔业'if ('矿' in s):return '采矿业'else:return '其他'
company['企业类别'] = company['企业名称'].map(kind)
company
信誉等级时序图
ank = df1_3[df1_3['发票状态'] == '有效发票']
rank = rank[['企业代号','开票日期','价税合计']]# 开票日期转换为年月
rank['year'] = rank['开票日期'].dt.year
rank['year'] = rank['year'].astype(str)
rank['month'] = rank['开票日期'].dt.month
rank['month'] = rank['month'].astype(str)
rank['开票日期'] = rank['year'] + '-' + rank['month']rank = rank.groupby(['企业代号','开票日期'])['价税合计'].sum().reset_index()
rank = pd.merge(rank,df1_1,on='企业代号',how='left')
rank.head()
rank_a = rank[rank['信誉评级'] == 'A'] import seaborn as sns
import matplotlib.pyplot as plt# 设置这些配置，图标才能正常显示
#%matplotlib inline # 让图表直接在 jupyter notebook 中展现出来
plt.rcParams['font.sans-serif'] = ['SimHei'] # 解决中文乱码问题
plt.rcParams['axes.unicode_minus'] = False # 解决负号无法正常显示的问题
%config InlineBackend.figure_format = 'svg' # 将图标设置成矢量图格式显示，会更清晰
plt.style.use('ggplot') # 设置绘图样式
#display(plt.style.available) # 风格fig = plt.figure(figsize=(5,4), dpi=100)
sns_line_a=sns.lineplot(x="开票日期", y="价税合计",hue="企业代号",data=rank_a,markers=True, dashes=False)
sns_line_a
rank_b = rank[rank['信誉评级'] == 'B']
fig = plt.figure(figsize=(5,4), dpi=100)
sns_line_b=sns.lineplot(x="开票日期", y="价税合计",hue="企业代号",data=rank_b,markers=True, dashes=False)
sns_line_b
rank_c = rank[rank['信誉评级'] == 'C']
fig = plt.figure(figsize=(5,4), dpi=100)
sns_line_c=sns.lineplot(x="开票日期", y="价税合计",hue="企业代号",data=rank_c,markers=True, dashes=False)
sns_line_c
rank_d = rank[rank['信誉评级'] == 'D']
fig = plt.figure(figsize=(5,4), dpi=100)
sns_line_d=sns.lineplot(x="开票日期", y="价税合计",hue="企业代号",data=rank_d,markers=True, dashes=False)
sns_line_d
企业进项，作废发票数，有效发票数
bill_outcome = df1_2[['企业代号','价税合计','发票状态']]# 有效发票数
yes_bill_outcome = bill_outcome[bill_outcome['发票状态'] == '有效发票']
yes_bill_outcome = yes_bill_outcome.groupby('企业代号')['发票状态'].count()
yes_bill_outcome = yes_bill_outcome.reset_index()# 作废发票数
no_bill_outcome = bill_outcome[bill_outcome['发票状态'] == '作废发票']
no_bill_outcome = no_bill_outcome.groupby('企业代号')['发票状态'].count()
no_bill_outcome = no_bill_outcome.reset_index()# 进项有效，作废发票数汇总
bill_outcome = pd.merge(yes_bill_outcome,no_bill_outcome,on='企业代号',how='left')
bill_outcome.rename(columns={'发票状态_x' : '进项有效发票数','发票状态_y' : '进项作废发票数'},inplace=True)
bill_outcome.head()
企业销项作废发票数，有效发票数
bill_income = df1_3[['企业代号','价税合计','发票状态']]# 有效发票数
yes_bill_income = bill_income[bill_income['发票状态'] == '有效发票']
yes_bill_income = yes_bill_income.groupby('企业代号')['发票状态'].count()
yes_bill_income = yes_bill_income.reset_index()# 作废发票数
no_bill_income = bill_income[bill_income['发票状态'] == '作废发票']
no_bill_income = no_bill_income.groupby('企业代号')['发票状态'].count()
no_bill_income = no_bill_income.reset_index()# 进项有效，作废发票数汇总
bill_income = pd.merge(yes_bill_income,no_bill_income,on='企业代号',how='left')
bill_income.rename(columns={'发票状态_x' : '销项有效发票数','发票状态_y' : '销项作废发票数'},inplace=True)
bill_income.head()
企业进项价,销项税合计
# 进项
outcome_sum = df1_2[['企业代号','价税合计']]
outcome_sum = outcome_sum.groupby('企业代号')['价税合计'].sum().reset_index()# 销项
income_sum = df1_3[['企业代号','价税合计']]
income_sum = income_sum.groupby('企业代号')['价税合计'].sum().reset_index()# 进项，销项汇总
outcome_income_sum = pd.merge(outcome_sum,income_sum,on='企业代号')
outcome_income_sum.rename(columns={'价税合计_x' : '进项价税合计','价税合计_y' : '销项价税合计'},inplace=True)
outcome_income_sum.head()
变量汇总
'''
字段为：企业代号，企业名称，信誉评级，是否违约，进项合计，销项合计，进项有效
发票数，进项作废发票数,销项有效发票数，进项作废发票数，成立时间，客户量
'''
import math
data = pd.merge(df1_1,live_time,on='企业代号')
data = pd.merge(data,customer,on='企业代号')
data = pd.merge(data,bill_outcome,on='企业代号')
data = pd.merge(data,bill_income,on='企业代号')
data = pd.merge(data,outcome_income_sum,on='企业代号')
data['利润'] = data['销项价税合计'] - data['进项价税合计']
data['生存年限'] = data['生存年限'].map(lambda x: int(x.replace('月','')))
data['生存年限'] = data['生存年限'].map(lambda x: math.ceil(x / 12))
data['收益率'] = (data['销项价税合计'] - data['进项价税合计']) / data['进项价税合计']
data['收益率'] = data['收益率'] / data['生存年限']
data.to_excel('../data/data.xlsx',encoding='utf8',index=False)LCR 模型，KMeans 聚类
LCR 建模
data.head()
'''
LCR 模型变量选取
L 成立年限
C 客户数
R 收益率
'''
LCR = data[['生存年限','客户数','收益率']]
#LCR['生存年限'] = LCR['生存年限'].map(lambda x: int(x.replace('月','')))
LCR.head()
聚类模型对企业分类
'''
from sklearn.cluster import KMeans
kms = KMeans(n_clusters=4)
kms.fit(LCR)
label = kms.labels_
label = pd.DataFrame(list(label))# 把企业类别汇总到 data.xlsx，并保存为 new_data.xlsx
data['种类'] = label
data.to_excel('../data/data_Kmeans.xlsx')
data.head()
聚类结果可视化
# 0 类型
kind_0 = data[data['种类'] == 0]
#kind_0['生存年限'] = kind_0['生存年限'].map(lambda x: int(x.replace('月','')))
kind_0 = kind_0[["生存年限","客户数","收益率"]].mean()
kind_0
# 1 类型
kind_1 = data[data['种类'] == 1]
#kind_1['生存年限'] = kind_1['生存年限'].map(lambda x: int(x.replace('月','')))
kind_1 = kind_1[["生存年限","客户数","收益率"]].mean()
kind_1
# 2 类型
kind_2 = data[data['种类'] == 2]
#kind_2['生存年限'] = kind_2['生存年限'].map(lambda x: int(x.replace('月','')))
kind_2 = kind_2[["生存年限","客户数","收益率"]].mean()
kind_2kind_3 = data[data['种类'] == 3]
#kind_3['生存年限'] = kind_3['生存年限'].map(lambda x: int(x.replace('月','')))
kind_3 = kind_3[["生存年限","客户数","收益率"]].mean()
kind_3# 雷达图
from pyecharts import options as opts
from pyecharts.globals import ThemeType
from pyecharts.charts import Radarvalue_0 = [list(kind_0.values)
]
value_1 = [list(kind_1.values)
]
value_2 = [list(kind_2.values)
]
value_3 = [list(kind_3.values)
]
c_schema = [{"name": "成立年限", "max": 5, "min": 0},{"name": "客户数", "max": 8500, "min": 0},{"name": "收益率", "max": 4425, "min": 0},
]
c = (Radar(init_opts=opts.InitOpts(theme=ThemeType.DARK)).add_schema(schema=c_schema, shape="circle").add("0", value_0, color="#f9713c").add("1", value_1, color="#b3e4a1").add("2", value_2, color="#bd10e0").add("3", value_3, color="#FFFF00").set_series_opts(label_opts=opts.LabelOpts(is_show=False)).set_global_opts(title_opts=opts.TitleOpts(title="企业聚类结果"))
)
c.render('../output/聚类结果.html')
c.render_notebook()
建立 KNN 分类模型预测附件2 企业等级
附件1最终数据作为训练集
data = data.fillna(0)x_train = data.drop(columns=['企业代号','企业名称','信誉评级','是否违约','种类'])
y_train = data['信誉评级']# 模型建立
from sklearn.neighbors import KNeighborsClassifier as KNN
knn = KNN(n_neighbors=2) # 当有一个新样本时，选取离他最近的 3 个，类别最多的，那新样本也属于这个类别
knn.fit(x_train,y_train)# 预测准确度评估
an = knn.predict(x_train)
from sklearn.metrics import accuracy_score
score = accuracy_score(an, y_train)
score
附件2处理为需要用到的数据
'''
每家公司的成立年限，第一张发票时间到最后一张发票时间的差值，以月为单位
'''
# 支出表生存年限
live_time2 = df2_2[['企业代号','开票日期']]
live_time2_min = live_time2.groupby('企业代号').min().reset_index()
live_time2_max = live_time2.groupby('企业代号').max().reset_index()
live_time2 = pd.merge(live_time2_max,live_time2_min,on='企业代号')
live_time2['生存年限1'] = live_time2['开票日期_x'] - live_time2['开票日期_y']# 收入表生存年限
live_time3 = df2_3[['企业代号','开票日期']]
live_time3_min = live_time3.groupby('企业代号').min().reset_index()
live_time3_max = live_time3.groupby('企业代号').max().reset_index()
live_time3 = pd.merge(live_time3_max,live_time3_min,on='企业代号')
live_time3['生存年限2'] = live_time3['开票日期_x'] - live_time3['开票日期_y']# 找出生存年限最大的值作为生存年限
live_time = pd.merge(live_time2,live_time3,on='企业代号')[['企业代号','生存年限1','生存年限2']]
x1 = list(live_time['生存年限1'])
x2 = list(live_time['生存年限2'])
x = []
for i in range(len(x1)):if x1[i] >= x2[i]:x.append(x1[i])else:x.append(x2[i])
company_id = pd.DataFrame(live_time['企业代号'])
x = pd.DataFrame(x,columns=['生存年限'])
live_time = company_id.join(x)# 生存年限转为月份
live_time['生存年限'] = live_time['生存年限'].astype(str)
live_time['生存年限'] = live_time['生存年限'].str.split().str.get(0)
live_time['生存年限'] = live_time['生存年限'].map(lambda x: str(int(x) // 30) + '月')'''
客户量：计算收入的发票数有多少
'''
customer = df2_2[['企业代号','购方单位代号','发票状态']]
customer = customer[customer['发票状态'] == '有效发票']
customer = customer.drop_duplicates(subset=['企业代号','购方单位代号'])
customer = customer.groupby('企业代号')['购方单位代号'].count().reset_index()
customer.rename(columns={'购方单位代号': '客户数'},inplace=True)'''
每个企业的进项，作废发票数，有效发票数
'''
bill_outcome = df2_3[['企业代号','价税合计','发票状态']]# 有效发票数
yes_bill_outcome = bill_outcome[bill_outcome['发票状态'] == '有效发票']
yes_bill_outcome = yes_bill_outcome.groupby('企业代号')['发票状态'].count()
yes_bill_outcome = yes_bill_outcome.reset_index()# 作废发票数
no_bill_outcome = bill_outcome[bill_outcome['发票状态'] == '作废发票']
no_bill_outcome = no_bill_outcome.groupby('企业代号')['发票状态'].count()
no_bill_outcome = no_bill_outcome.reset_index()# 进项有效，作废发票数汇总
bill_outcome = pd.merge(yes_bill_outcome,no_bill_outcome,on='企业代号',how='left')
bill_outcome.rename(columns={'发票状态_x' : '进项有效发票数','发票状态_y' : '进项作废发票数'},inplace=True)'''
每个企业的销项作废发票数，有效发票数
'''
bill_income = df2_3[['企业代号','价税合计','发票状态']]# 有效发票数
yes_bill_income = bill_income[bill_income['发票状态'] == '有效发票']
yes_bill_income = yes_bill_income.groupby('企业代号')['发票状态'].count()
yes_bill_income = yes_bill_income.reset_index()# 作废发票数
no_bill_income = bill_income[bill_income['发票状态'] == '作废发票']
no_bill_income = no_bill_income.groupby('企业代号')['发票状态'].count()
no_bill_income = no_bill_income.reset_index()# 进项有效，作废发票数汇总
bill_income = pd.merge(yes_bill_income,no_bill_income,on='企业代号',how='left')
bill_income.rename(columns={'发票状态_x' : '销项有效发票数','发票状态_y' : '销项作废发票数'},inplace=True)'''
每个企业进项价,销项税合计
'''
# 进项
outcome_sum = df2_2[['企业代号','价税合计']]
outcome_sum = outcome_sum.groupby('企业代号')['价税合计'].sum().reset_index()# 销项
income_sum = df2_3[['企业代号','价税合计']]
income_sum = income_sum.groupby('企业代号')['价税合计'].sum().reset_index()# 进项，销项汇总
outcome_income_sum = pd.merge(outcome_sum,income_sum,on='企业代号')
outcome_income_sum.rename(columns={'价税合计_x' : '进项价税合计','价税合计_y' : '销项价税合计'},inplace=True)'''
变量汇总
'''
import math
data1 = pd.merge(df2_1,live_time,on='企业代号')
data1 = pd.merge(data1,customer,on='企业代号')
data1 = pd.merge(data1,bill_outcome,on='企业代号')
data1 = pd.merge(data1,bill_income,on='企业代号')
data1 = pd.merge(data1,outcome_income_sum,on='企业代号')
data1['利润'] = data1['销项价税合计'] - data1['进项价税合计']
data1['生存年限'] = data1['生存年限'].map(lambda x: int(x.replace('月','')))
data1['生存年限'] = data1['生存年限'].map(lambda x: math.ceil(x / 12))
data1['收益率'] = (data1['销项价税合计'] - data1['进项价税合计']) / data1['进项价税合计']
data1['收益率'] = data1['收益率'] / data['生存年限']
data1.to_excel('../data/data2.xlsx',encoding='utf8',index=False)
结束语
数学建模精选资料共享，研究生学长数模指导，建模比赛思路分享，关注我不迷路！
建模指导，比赛协助，有问必答，欢迎打扰
数学建模复盘之 --- 2020数学建模国赛C-中小微企业的信贷决策相关推荐
- 2022高教社杯数学建模思路 - 复盘:中小微企业的信贷决策
2022 高教社杯(国赛数学建模)思路解析 2022高教社杯ABCD赛题思路解析: https://blog.csdn.net/dc_sinor/article/details/126211983 数 ...
- 2020年高教社杯全国大学生数学建模：中小微企业的信贷决策
C题 中小微企业的信贷决策 下面的代码仅供参考,最优代码和思路如愿付费可加我qq,文末有 在实际中,由于中小微企业规模相对较小,也缺少抵押资产,因此银行通常是依据信贷政策.企业的交易票据信息和上下游企 ...
- 2020国赛C思路分析：中小微企业的信贷决策
文章目录 题目 第一问 分析 数据预处理 第二问 分析 第三问 分析 方法总结 题目 在实际中,由于中小微企业规模相对较小,也缺少抵押资产,因此银行通常是依据信贷政策.企业的交易票据信息和上下游企业的 ...
- 2020数模国赛c题论文latex
一个新手小组的论文,记录第一篇 \documentclass{ctexart} % \documentclass[12pt, a4paper]{article} \usepackage{url}\us ...
- 第十六届智能车竞赛国赛队伍中节能信标组无线电能接收方案
§01 无线充电 在 第十六届智能车竞速赛 中,有一组"节能信标组".该组别的队伍车模允许自行设计,并且需要设计无线充电电路,从 比赛信标系统中 获取车模运行所需要的电能. 由于节 ...
- 【数学建模类比赛经验分享】——国赛
! 前前言 博主目前本科,因此所分享的经验也是关于本科类竞赛.如果某些比赛描述带有歧义,一律按针对本科生的竞赛处理. 0 前言 博主本人参加2019年数学建模国赛,获国家级一等奖,并于2020年参加美 ...
- 华为杯数学建模优秀论文_数学建模经典例题（2011年国赛A题与优秀论文）
数学建模经典例题 (更多往期经典例题可点击文章最后相关推荐哦) 试题中的附件1.2和3请点击"阅读原文"查看 相关推荐数学建模经典例题(2000年国赛A题与优秀论文)数学建模经典例 ...
- 华为杯数学建模优秀论文_数学建模经典例题（2016年国赛B题与优秀论文）
数学建模经典例题 (更多往期经典例题可点击文章最后相关推荐哦) 相关推荐 数学建模经典例题(2000年国赛B题与解题思路) 数学建模经典例题(2001年国赛A题与优秀论文) 数学建模经典例题(2001 ...
- 华为杯数学建模优秀论文_数学建模经典例题（2013年国赛A题与优秀论文）
数学建模经典例题 (更多往期经典例题可点击文章最后相关推荐哦) 相关推荐 数学建模经典例题(2000年国赛B题与解题思路) 数学建模经典例题(2001年国赛A题与优秀论文) 数学建模经典例题(2001 ...
最新文章
- 在wpf中运行EXE文件
- Java中long和Long有什么区别
- 【揭秘】网易云视频点播加解密系统架构
- java图像处理之自动对比度
- Vue/Angular中父窗口新开的子窗口关闭的时候刷新父窗口
- C++服务器设计（七）：聊天系统服务端实现
- JVM中GC Root对象有哪些？
- tp5.0计划任务删除日志方法
- 【学习率预热】Warm up
- 编写一个程序，要求输入一个ASCII码值（如66），然后输入相应的字符`
- linux服务器规格查看
- Gstreamer调用pulseaudio播放流程(十三)
- php 当前时间 当前时间戳和数据库里取出的时间datetime格式进行比较大小
- rarlinux 安装与使用
- 时间序列数据的平稳性检验
- python unpack_关于python中的struct.unpack（）
- 信托公司消金小额贷款项目的现金流预测
- python爬新闻并保存csv_Python简单爬虫导出CSV文件的实例讲解
- P255Java练习
- G3D 渲染引擎简介