2021-0312-6 毕设--基于雨课堂平台的学生在线预习行为数据分析

  • 2021-0312-6 毕设--基于雨课堂平台的学生在线预习行为数据分析
    • 1 数据清洗及预处理
      • 1.1 在线数据学生预习行为数据集
        • 1、数据集的内容以及字段所表示的具体意义
        • 2、数据集前期处理
        • 3、对预习完成次数及提前完成次数算法设计与实现
        • 4、数据统计集成结果
    • 2 学生预习行为特征的聚类分析及算法优化
    • 3 学生预习行为特征与学习效果的相关性分析
    • 4 学生预习行为特征与学习效果的回归分析

2021-0312-6 毕设–基于雨课堂平台的学生在线预习行为数据分析

​ 前言：雨课堂是—种致力于为所有教学过程提供免费的数据化、智能化支持的在线学习平台。本章基于雨课堂平台的web程序设计与安全课程在线教学为例， 对教学平台产生的学生在线预习数据进行数据清洗和预处理、聚类分析、相关性分析以及回归性分析。

1 数据清洗及预处理

1.1 在线数据学生预习行为数据集

​ 在对在线学生预习行为分析之前，首先说明数据集的来源是周老师在雨课堂平台获取到的，然后再将这些数据汇总，得到本次数据分析的数据集。下面简单介绍数据集的内容以及字段所表示的具体意义。

​ 图3.1.1.1 打开的数据集

1、数据集的内容以及字段所表示的具体意义

​ 如图3.1.1.1所示，左下角的sheet表格是第几节课的课题，每个sheet表中的字段都是相同的，分别有字段：ID、观看总页数（共X页）、看了那些页、总时长以及完成时间。ID：与学生信息唯一对应；观看总页数（共X页）：你预习的时候预习了几页（此处包含你一秒一页的数据记录）；看了那些页：预习内容总共几页，你预习的页码；总时长：从开始预习到完成预习总共花费时间；完成时间：老师从发布预习任务开始到学生完成预习任务结束所花时间，无论你是否预习或是仅仅预习了几页，都会有相应的时刻记录在表中。

2、数据集前期处理

​ 直接从老师哪里获取到的数据源因为格式、类型、重复项等因素是不能直接用于数据分析的，所以我们需要对数据源进行数据清洗及预处理。

数据清洗及预处理步骤与源码：

Win+r进入命令提示行，进入data虚拟环境，输入jupyter notebook后回车，进入交互式环境。使用相应的代码完成任务的具体需求。使用相应的代码完成任务的具体需求。

数据预处理基础命令：

1）导入需要用到的包

import warnings
warnings.filterwarnings("ignore")
import numpy as np
import pandas as pd
import sqlalchemy
import pymysql
import math

2）读取数据

# d = pd.read_excel('E:\\Program Files\\Tencent\\QQ\\新疆大学\\大三暑假至大四上半学期\\科研实践\\雨课堂数据\\2019-08-28.xls',names=["学号","姓名","观看总页数","已看页数","用时","完成时间"],index_col=False,header=2)
d = pd.read_excel('E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/2019-08-28.xls',index_col=False,header=2)
# read_table(txt)  read_csvd.head(6)

3）查看各列数据类型

# 查看各列数据类型 float，string，int,datetime三种数据python类型
d.dtypes

4）数据信息查看

# 数据规模（维度）
d.shape
输出：(40,6)
# 列名
d.columns
# “总时长”数据维一值
d["看了哪些页"].unique()
d["看了哪些页"].values
pd.isnull(d).any(axis=0)
# 检测是否包含缺失数据
d.isnull().any(axis=1).head()
d.loc[d.isnull().any(axis=1)]
d.isnull().sum(axis=0)
#缺失值填充为0
d0=d.fillna(0,inplace=False)
d0.head()
# 缺失值填充为均值
d0=d.fillna(value={"观看总页数(共7页)":d["观看总页数(共7页)"].mean()},inplace=False)
d0.head()
# 两表的数据合并
d2=pd.concat([d,d1],ignore_index=True)
# 检测是否包含重复数据
d2.duplicated()
# 删除重复数据
d2=d2.drop_duplicates()
d2

5）数据提取与筛选

# 添加列
d["index"]=d.index
d.head()
#  删除指定列
# d=d.drop(columns="index")
d0=d
#  删除指定行
d0=d0.drop(index=[0,1,2,3,4])
d0.head()

6）数据排序

d0.sort_values(by="学号")
d0.head()
# 小到大 ascending=False是大到小
d0.sort_index("index",ascending=False).head()

7）数据汇总

d = pd.read_excel('E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/2019-08-28.xls',index_col=False,header=2)
d0=d.groupby(["学号"])["观看总页数(共7页)"].mean()
d0.head()

8）数据标准化

X=d["观看总页数(共7页)"]
#[0,1]标准化
def f1(x):x=(x-np.min(x))/(np.max(x)-np.min(x))return x
f1(X).head()
#Z-score标准化
# 基于均值与方差做数据均值为0方差为1的正态分布
def f2(x):x=(x-np.mean(x))/np.std(x)return x
f2(X).head()

9）数据存储

from sqlalchemy import create_engine
engine=create_engine('mysql+pymysql://root:123456@127.0.0.1:3306/data analysis?charset=utf8')
# print(engine)
formlist=pd.read_sql_query('select * from bc1',con=engine)
formlist.dtypes
d.to_sql("bc",con=engine,schema=None,if_exists='fail',index=True,index_label=None,dtype=None)  #存储到MySQL数据库中
# y.to_excel("*.xls",sheet_name="sheet1") #以xls格式存储在本地

尝试：

d = pd.read_excel('./1.xls',index_col=False,header=0)
d0=d
d0=d0.drop(columns="Unnamed: 0")
d0.head()
# d0['总时长'] = pd.to_datetime(d0['总时长'], format ='%H:%M:%S')
# d.axes
d0["总时长"].head()
# d0.to_excel("1.xls",sheet_name="sheet1")
d0["用时"] = pd.to_datetime(d0["总时长"],format = "%h:%m:%s",errors = 'coerce')
# d0["用时"]=pd.to_datetime(d0['总时长'])
d0
# d = pd.read_excel('E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/web安全程序设计_2018_92482_3.7.xls',index_col=False,header=0)
# # d1=d
# d1
def read(path):    f = pd.ExcelFile(path)f.sheet_names  # 获取工作表名称data = pd.DataFrame()for i in f.sheet_names:d = pd.read_excel(path, sheet_name=i,header=1)
#         status_dict = d['Unnamed: 4'].unique().tolist()
#         status_dict1 = d['Unnamed: 2'].unique().tolist()
#         d['完成时间数字标签']=d['Unnamed: 4'].apply(lambda x : status_dict.index(x))
#         d['已看页数标签']=d['Unnamed: 2'].apply(lambda x : status_dict1.index(x))data = pd.concat([data, d])return data
dd=read("E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/web安全程序设计_2018_92482_3.7.xls").head(45)
# names=["编号","观看总页数","已看页数","用时","完成时间"]# dd.to_excel("E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/处理后的雨课堂预习数据.xls")
dd

数据类型转换：

1）读取所有sheet表，整理字段名称并将所有表合并在同一张表中。

df = pd.read_excel("E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/web安全程序设计_2018_92482_3.7.xls", sheet_name="23 目标文件地址问题_课件推送",header=2,names=["编号","观看总页数","已看页数","用时","完成时间"])
df.head(13)

2）使用df.dtypes命令查看字段数据类型

数据类型转换尝试

d=df
status_dict = d['完成时间'].unique().tolist()
status_dict1 = d['已看页数'].unique().tolist()
d['完成时间数字标签']=d['完成时间'].apply(lambda x : status_dict.index(x))
d['已看页数标签']=d['已看页数'].apply(lambda x : status_dict1.index(x))
d.head(12)
# d["用时转换"]=pd.to_datetime(d["用时"],format='%H时%M分%S秒')
# d=d.drop(columns="用时转换")
# d["用时"].dtypes
# print(d['用时'])
d["用时转换"]=d["用时"].replace("- -","00时00分00秒")
d.head(13)
# print(pd.to_datetime(["00时04分53秒","00时20分11秒","00时04分53秒","00时00分00秒"],format='%H时%M分%S秒'))
d["用时转换"]=pd.to_datetime(d["用时转换"],format='%H时%M分%S秒')
d.dtypes
d['预习时长'] =d['用时转换'].dt.minute
d=d.drop(columns=["已看页数","用时","完成时间","用时转换"])
# # d=d.drop(columns="完成率")
# d=d.drop(columns="用时转换")
d
# d["完成率"]=(d["观看总页数"]/d["观看总页数"].max())
# d["完成率"] = d[u'完成率'].apply(lambda x: format(x, '.2%'))
# d.head(13)
# d.drop(columns="完成率")
d.describe()
d[d['预习时长'].isin([4])]
d['预习时长'].quantile()
a=df.sort_values(by="预习时长")
c=(a['预习时长'].quantile(q=0.75))/2
c=math.ceil(c)
# 向上取整
c
df.head(13)
# df=df.drop(columns=["已看页数","用时","完成时间","完成率"])
# df=df.drop(columns=["用时转换"])
# d.loc["预习时长",2]=6
df.loc[3,"预习时长"]=9
df.head(6)
def f(a):for i in range(38):if a.loc[i,"预习时长"]<c:a.loc[i,"核对总页数"]=math.ceil(a.loc[i,"观看总页数"]/2)else:a.loc[i,"核对总页数"]=a.loc[i,"观看总页数"]return a
b=d
b.head(6)
f(b)
# from sqlalchemy import create_engine
# engine=create_engine('mysql+pymysql://root:123456@127.0.0.1:3306/data analysis?charset=utf8')
# # print(engine)
# formlist=pd.read_sql_query('select * from bc1',con=engine)
# formlist.dtypes
# b.to_sql("已处理雨课堂预习数据",con=engine,schema=None,if_exists='fail',index=True,index_label=None,dtype=None)
# b.to_excel("已处理雨课堂预习数据.xls")
# dd.to_excel("E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/处理后的雨课堂预习数据.xls")
dd=pd.read_excel("E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/雨课堂预习数据集成精简.xls")
dd=dd.drop(columns="Unnamed: 0")
dd
from sqlalchemy import create_engine
engine=create_engine('mysql+pymysql://root:123456@127.0.0.1:3306/data analysis?charset=utf8')
f.to_sql("简化集成",con=engine,schema=None,if_exists='fail',index=True,index_label=None,dtype=None)
d=dd.drop_duplicates()
d["用时转换"]=d["总时长"].replace(["- -","总时长"],["00时00分00秒","00时00分00秒"])
d["用时转换"]=pd.to_datetime(d["用时转换"],format='%H时%M分%S秒')
d.head(6)
d['预习时长'] =d['用时转换'].dt.minute
d.head(6)
# if 0<=d.loc[1,"预习时长"]<=1:
#     print(666)
len(d)
def fun(d):a=d.sort_values(by="预习时长")c=(a['预习时长'].quantile(q=0.75))/2c=math.ceil(c)for i in range(len(d)):if 0<=d.loc[i,"预习时长"]<=1:d.loc[i,"核对总页数"]= 0if 1<d.loc[i,"预习时长"]<c:d.loc[i,"核对总页数"]=math.ceil(d.loc[i,'观看信息']/2)if d.loc[i,"预习时长"]>=c:d.loc[i,"核对总页数"]=d.loc[i,"观看信息"]d["完成率"]=(d["核对总页数"]/d["核对总页数"].max())d["完成率"] = d[u'完成率'].apply(lambda x: format(x, '.2%'))return d

3）字段类型转换：上文中可以看到字段看了那些页、总时长以及完成时间都是string型格式，然后我们需要的类型分别是整形int以及时间格式为datetime且这些表都是分散的，不适合整个数据分析，因此就需要对数据集进行数据集成及字段类型转换：

def read(path):    f = pd.ExcelFile(path)f.sheet_names  # 获取工作表名称data = pd.DataFrame()for i in f.sheet_names:d = pd.read_excel(path, sheet_name=i,header=1)
#         print(d.columns)d["Unnamed: 4"]=d["Unnamed: 4"].replace(["未预习","完成时间","未完成预习"],["2018-12-31 00:00:00","2018-12-31 00:00:00","2018-12-31 00:00:00"])d["Unnamed: 3"]=d["Unnamed: 3"].replace(["- -","总时长"],["00时00分00秒","00时00分00秒"])d.rename(columns={'Unnamed: 0': 'ID',"观看信息":"观看总页数","Unnamed: 2":"看了哪些页","Unnamed: 3":"用时","Unnamed: 4":"完成时间"},inplace=True)d=d.drop(columns="看了哪些页")d=d.dropna(axis=0)d["完成时间"]=pd.to_datetime(d["完成时间"])d["用时"]=pd.to_datetime(d["用时"],format='%H时%M分%S秒')fun(d)data = pd.concat([data, d])data=data.drop(columns=["用时","完成时间","及时预习时间间隔"])data['ID'] = data['ID'].astype("int64")data['观看总页数'] = data['观看总页数'].astype("int64")data['刷课次数'] = data['刷课次数'].astype("int64")data['超时完成次数'] = data['超时完成次数'].astype("int64")data['预习完成次数'] = data['预习完成次数'].astype("int64")#     d["预习用时"].astype("int")return data
# Unnamed: 0    观看信息    Unnamed: 2  Unnamed: 3  Unnamed: 4  完成时间数字标签    已看页数标签
#     NaN   观看总页数(共7页)  看了哪些页   总时长 完成时间    0   0

此处调用了fun()函数，在之后的文章中会提到。

3、对预习完成次数及提前完成次数算法设计与实现

在先前处理过的基础数据源中，参考价值并没有那么明显，所以需要对之前的数据源进行扩展：

def fun(dd):for i in range(1,len(dd)+1):dd.loc[i,"及时预习时间间隔"]=dd.loc[i,"完成时间"]-dd["完成时间"].min()if dd["用时"].dt.hour[i]==0 and dd["用时"].dt.minute[i]==0 and dd["用时"].dt.second[i]==0:dd.loc[i,"预习用时"]=0elif dd["用时"].dt.hour[i]==0 and dd["用时"].dt.minute[i]==0 and dd["用时"].dt.second[i]!=0:dd.loc[i,"预习用时"]=1elif 0<dd["用时"].dt.second[i]<30:dd.loc[i,"预习用时"]=dd["用时"].dt.hour[i]*60+dd["用时"].dt.minute[i]elif 30<=dd["用时"].dt.second[i]<=59:dd.loc[i,"预习用时"]=dd["用时"].dt.hour[i]*60+dd["用时"].dt.minute[i]+1else:dd.loc[i,"预习用时"]=dd["用时"].dt.hour[i]*60+dd["用时"].dt.minute[i]a=dd.sort_values(by="预习用时")c=math.ceil(a['预习用时'].quantile(q=0.5))/2
#     for i in range(1,len(dd)+1):if dd.loc[i,"预习用时"]==0:dd.loc[i,"刷课次数"]=1
#                 dd.loc[i,"预习次数"]=1elif 0<dd.loc[i,"预习用时"]<c:dd.loc[i,"刷课次数"]=1elif c<=dd.loc[i,"预习用时"]<90:dd.loc[i,"刷课次数"]=0else:dd.loc[i,"刷课次数"]=1if dd.loc[i,"刷课次数"]==1:dd.loc[i,"超时完成次数"]=0elif dd["及时预习时间间隔"].dt.days[i]<=3:dd.loc[i,"超时完成次数"]=1else:dd.loc[i,"超时完成次数"]=0if dd.loc[i,"刷课次数"]==1:dd.loc[i,"预习完成次数"]=0elif dd.loc[i,"观看总页数"]==dd["观看总页数"].max():dd.loc[i,"预习完成次数"]=1else:dd.loc[i,"预习完成次数"]=0return dd

其中，对刷课次数这一字段进行处理时，存在预习用时的阈值设定。决定阈值的原理是：因为需要普遍性，所以我们取到预习用时的中位数，但是这样会出现近一半同学会在本章存在刷客行为，考虑到这点，阈值在之前的基础之上再对该值向上取整之后取一半，如此就完成了预习用时这块阈值的设置。

4、数据统计集成结果

使用f.loc[f.isnull().any(axis=1)]命令查看数据空值情况：

2 学生预习行为特征的聚类分析及算法优化

聚类分析：

import pandas as pd
import numpy as np
from pandas import DataFrame,Series
from sklearn.cluster import KMeans
from sklearn.cluster import Birch
import warnings
warnings.filterwarnings("ignore")#读取文件
datafile = u'E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/统计汇总.xls'#文件所在位置，u为防止路径中有中文名称，此处没有，可以省略
outfile = u'E:\Program Files\Tencent\QQ\新疆大学\大三暑假至大四上半学期\科研实践\雨课堂数据\聚类\聚类.xls'#设置输出文件的位置
data = pd.read_excel(datafile)#datafile是excel文件，所以用read_excel,如果是csv文件则用read_csv
d = DataFrame(data)
d = d.drop(columns=["ID","预习总用时","刷课总次数","预习未完成总次数"])
# ,"观看总页数","预习总用时","预习未完成总次数"
f = d[["观看总页数","超前完成总次数"]]
f['观看总页数'] = f['观看总页数'].astype("float")
# f['预习完成总次数'] = f['预习完成总次数'].astype("float")
f['超前完成总次数'] = f['超前完成总次数'].astype("float")
#聚类mod = KMeans(n_clusters=3, n_jobs = 4, max_iter = 500,init='random')#聚成3类数据,并发数为4，最大循环次数为500
mod.fit_predict(d)#y_pred表示聚类的结果#聚成3类数据，统计每个聚类下的数据量，并且求出他们的中心
r1 = pd.Series(mod.labels_).value_counts()
r2 = pd.DataFrame(mod.cluster_centers_)
r = pd.concat([r2, r1], axis = 1)
r.columns = list(d.columns) + [u'类别数目']
print(r)#给每一条数据标注上被分为哪一类
r = pd.concat([d, pd.Series(mod.labels_, index = d.index)], axis = 1)
r.columns = list(d.columns) + [u'聚类类别']
print(r.head(15))
# r.to_excel(outfile)#如果需要保存到本地，就写上这一列
#K-means聚类结果可视化
import matplotlib.pyplot as plt
datafile = u'E:/Program Files/Tencent/QQ/新疆大学/大三暑假至大四上半学期/科研实践/雨课堂数据/统计汇总.xls'#文件所在位置，u为防止路径中有中文名称，此处没有，可以省略
outfile = u'E:\Program Files\Tencent\QQ\新疆大学\大三暑假至大四上半学期\科研实践\雨课堂数据\聚类\聚类.xls'#设置输出文件的位置
d = pd.read_excel(datafile)#datafile是excel文件，所以用read_excel,如果是csv文件则用read_csv
da = d.drop(columns=["ID","预习总用时","刷课总次数","预习未完成总次数"])
# print(da.head())
ts = TSNE()
ts.fit_transform(da)
ts = pd.DataFrame(ts.embedding_, index = r.index)
# print(ts)
# 绘制聚簇中心
import time
r = time.time()
kmeans = KMeans(n_clusters=3,max_iter = 500,init='random')
kmeans.fit(ts)
print("随机聚类花费时间为:",time.time()-r)
print(kmeans.cluster_centers_)
r = pd.concat([da, pd.Series(mod.labels_, index = d.index)], axis = 1)
r.columns = list(da.columns) + [u'聚类类别']
print(r.head(11))
print(ts[r[u'聚类类别'] == 1])
colors = ['r', 'g', 'b']for i in range(3):p=ts[r[u"聚类类别"]==i]plt.scatter(p[0],p[1], c=colors[i],label="Cluster {}".format(i))
#         plt.scatter(kmeans.cluster_centers_[:, 0],kmeans.cluster_centers_[:, 1], s=66, color='black',label='Centers')
plt.title("Cluster With Ground Truth")
plt.legend()
# # f.savefig("9485OS_03-17")

聚类结果：


￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥
干饭了，干饭了。
￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥

3 学生预习行为特征与学习效果的相关性分析

4 学生预习行为特征与学习效果的回归分析

学生在线预习行为数据分析-1相关推荐

  1. 七月在线python数据分析_七月在线Python基础+数据分析班+爬虫项目

    资源介绍 七月在线Python基础+数据分析班+爬虫项目 目录 ├─Python基础入门班2017年 ││代码.rar │└─视频 │xa0 xa0 01.第1课 入门基础.rar │xa0 xa0 ...

  2. jsp mysql在线考试系统源码_jsp+ssm+mysql实现的学生在线考试系统项目源码附带视频导入运行教程...

    今天给大家演示的是一款由jsp+mysql+ssm框架实现的学生在线考试系统,以前我们也发布过两个考试系统,但比较简单,今天这个考试系统功能比较完善,支持单选.多选.简答题型,试题可以批量导入,导入时 ...

  3. 用机器学习进行学生成绩预测的数据分析（入门向 附可用源码）

    用机器学习进行学生成绩预测的数据分析(入门向 附可用源码) 声明 思路 检查数据 图像化处理 分析 相关性分析 构建模型 代码实现 可运行代码 声明 文章代码修改于kaggle博主DIPAMVASAN ...

  4. 计算机类学生考试系统,学生在线考试系统.doc

    PAGE II 编号 毕业设计论文 题目: 学生姓名 学 号 系 部 专 业 班 级 指导教师 评阅教师 2012 年 5 月 学生在线考试系统 Student Online Examination ...

  5. 简单的学生在线练习系统（PHP版）

    简单的学生在线练习系统(PHP版) 前一段时间课程需要弄了一下,现在答辩完了,打算把共享出来 开发系统:windows 10 开发环境:PHP , Apache 环境配置:教程详解,参考个人CSDN博 ...

  6. 基于SSM框架的学生在线教育教学课程管理系统

    基于SSM框架的学生在线教育教学课程管理系统 1.1 项目概述 开发语言:Java8 数据库:Mysql5 前端技术:echarts图表 渲染数据:thymeleaf模板引擎 ${ } 后端框架:Sp ...

  7. mysql创建学生答题系统_jsp+ssm+mysql实现的学生在线考试系统

    jsp+mysql+ssm框架实现的学生在线考试系统 https://www.yuanlrc.com/product/details.html?pid=169&fuid=6666 系统功能比较 ...

  8. 基于javaweb+mysql的学生在线选课系统(管理员、教师、学生)

    基于javaweb+mysql的学生在线选课系统(管理员.教师.学生) 运行环境 Java≥8.MySQL≥5.7.Tomcat≥8 开发工具 eclipse/idea/myeclipse/sts等均 ...

  9. 基于Java毕业设计学生在线评教系统源码+系统+mysql+lw文档+部署软件

    基于Java毕业设计学生在线评教系统源码+系统+mysql+lw文档+部署软件 基于Java毕业设计学生在线评教系统源码+系统+mysql+lw文档+部署软件 本源码技术栈: 项目架构:B/S架构 开 ...

最新文章

  1. ubuntu指令缩写前的单词
  2. Google正式收购百度
  3. Django Rest Framework 视图和路由
  4. php实现两个大整数求和,PHP计算两个特别大的整数实例代码
  5. Eclipse使用Team explorer everywhere进行代码管理
  6. Mybatis源码阅读（四）：核心接口4.2——Executor（上）
  7. ASP.NET Web Game 构架设计3--业务逻辑服务器之计时器
  8. linux 查看手机硬件信息失败,linux下硬件信息的查看总结
  9. 简述java异常机制处理,简述Java中的异常处理机制
  10. JavaScriptCore框架在iOS7中的对象交互和管理
  11. poj2777线段树
  12. 阿里云，并不是比谁聪明，而是更早面临那些疼痛
  13. FF14 界面 字变得很小 一种适用于高分辨率笔记本或屏幕下FF14窗口或无边框模式的性能优化方法
  14. amr转mp3，amr怎么转换mp3？
  15. 消息中间件（消息队列）
  16. 未来科技感UI界面设计欣赏
  17. idea合并分支代码怎么操作呢？
  18. 数字图像处理：图像金字塔
  19. 梨花众创PDF文本转换器
  20. 页面自动弹出加qq对话框

热门文章

  1. EXP－00091 Exporting questionable statistics.
  2. access对比数据_七大数据库产品测评Sqlserver完美胜出，五大理由告诉你最好选择...
  3. [项目]Vue+ElementUi疫情监测平台纯前端项目(一)添加数据
  4. Django的DetailView的使用
  5. java计算机毕业设计ssm农产品追溯系统设计与实现_e59uz（附源码、数据库）
  6. SAS学习之变量输入
  7. 苹果iwatch手表_适用于applewatch 1/2/3/4/5代苹果手表门禁表带iwatch NFC门卡
  8. 罗芬激光COHERENT相干pmb电源维修HPC840
  9. TP-LINK 桥接
  10. PMP考试重点总结九——收尾