实战|朝阳医院药品销售分析案例
点击标题下「蓝色微信名」可快速关注
本文所有代码都通过运行！
数据分析的基本过程一般分为以下几个部分： 提出问题、理解数据、数据清洗、构建模型、数据可视化
本项目带你根据以上过程详细分析朝阳医院药品销售数据！欢迎Fork后自主运行学习~
每日一句
是谁说伟大才值得被歌颂，乘风破浪后也不一定成功。生命只能向前，坚定信念的人都是英雄。
1.提出问题
在数据分析之前，我们先要明确分析目标是什么，这样可以避免我们像无头苍蝇一样拿着数据无从下手，也可以帮助我们更高效的选取数据，进行分析研究。
本次的分析目标是从销售数据中分析出以下业务指标：
1）月均消费次数
2）月均消费金额
3）客单价
4）消费趋势
有了分析目标，我们再来关注一下数据情况。
2.理解数据
1）导入数据包，提取数据文件
In [1]:
#导入numpy、pandas包import numpy as npimport pandas as pd#导入数据salesDf = pd.read_excel('/home/kesci/input/medical9242/朝阳医院2018年销售数据.xlsx')2）查看导入数据的基本状况
In [2]:
#查看导入数据的类型type(salesDf)Out[2]:
pandas.core.frame.DataFrameIn [3]:
salesDf.dtypesOut[3]:
购药时间 object
社保卡号 float64
商品编码 float64
商品名称 object
销售数量 float64
应收金额 float64
实收金额 float64
dtype: objectIn [4]:
salesDf.shapeOut[4]:
(6578, 7)In [5]:
#查看列名salesDf.columnsOut[5]:
Index(['购药时间', '社保卡号', '商品编码', '商品名称', '销售数量', '应收金额', '实收金额'], dtype='object')In [6]:
#查看每列数据的统计数目salesDf.count()Out[6]:
购药时间 6576
社保卡号 6576
商品编码 6577
商品名称 6577
销售数量 6577
应收金额 6577
实收金额 6577
dtype: int64In [7]:
#查看前五列salesDf.head()Out[7]:
| 购药时间 | 社保卡号 | 商品编码 | 商品名称 | 销售数量 | 应收金额 | 实收金额 | |
|---|---|---|---|---|---|---|---|
| 0 | 2018-01-01 星期五 | 1.616528e+06 | 236701.0 | 强力VC银翘片 | 6.0 | 82.8 | 69.00 |
| 1 | 2018-01-02 星期六 | 1.616528e+06 | 236701.0 | 清热解毒口服液 | 1.0 | 28.0 | 24.64 |
| 2 | 2018-01-06 星期三 | 1.260283e+07 | 236701.0 | 感康 | 2.0 | 16.8 | 15.00 |
| 3 | 2018-01-11 星期一 | 1.007034e+10 | 236701.0 | 三九感冒灵 | 1.0 | 28.0 | 28.00 |
| 4 | 2018-01-15 星期五 | 1.015543e+08 | 236701.0 | 三九感冒灵 | 8.0 | 224.0 | 208.00 |
3.数据清洗
取得了数据，并不能马上就开始进行数据分析。我们得到的数据通常并不是完全符合我们分析要求的，而且可能存在缺失值、异常值，这些数据都会使我们的分析结果产生偏差。所以在分析之前，需要进行子集选择、缺失数据补充、异常值处理、数据类型转换等多个步骤。这些都属于数据清理的范畴。 在数据分析中，通常有多达60%的时间是花在数据清洗中的。通常的清洗步骤有以下几步： • 选择子集
• 列名重命名
• 缺失数据处理
• 数据类型转换
• 数据排序
• 异常值处理
这些步骤有些不是一步就能完成的，可能需要重复操作。
现在开始对药店销售数据进行数据清洗。
1）选择子集
药店销售数据中，项目较少，选择子集可以忽略，我们从列名重命名开始。
2）列名重命名
销售数据集，购药时间显示为销售时间更为合理，我们先把这个项目名称做一下变更。
In [8]:
#购药时间->销售时间nameChangeDict = {'购药时间':'销售时间'}#参数inplace=True表示覆盖元数据集salesDf.rename(columns = nameChangeDict,inplace=True)3）缺失数据处理
对于缺失数据，我们可以有几种处理方法：
▪ 删除
当缺失数据占总数据量的比例很小的时候，我们通常采用删除的处理方法。
▪ 合理值填充
在某些不适合删除的场合，我们有时候也会对缺失数据进行合理值填充，如平均值，中位数，相邻数据等等。
In [9]:
#首先查看一下哪些项目存在缺失值salesDf.isnull().any()Out[9]:
销售时间 True
社保卡号 True
商品编码 True
商品名称 True
销售数量 True
应收金额 True
实收金额 True
dtype: bool好吧，每个项目都存在缺失值。在这个销售数据中，销售时间和社保卡号是必须项目，不可或缺。所以我们在这里只把销售时间和社保卡号有缺失的数据做删除处理。我们来查看一下销售时间和社保卡缺失的数据大小，然后做删除处理。
In [10]:
#查看一下缺失值的数量#通常可以用isnull函数来查找缺失值salesDf[salesDf[['销售时间','社保卡号']].isnull().values == True]Out[10]:
| 销售时间 | 社保卡号 | 商品编码 | 商品名称 | 销售数量 | 应收金额 | 实收金额 | |
|---|---|---|---|---|---|---|---|
| 6570 | NaN | 11778628.0 | 2367011.0 | 高特灵 | 10.0 | 56.0 | 56.00 |
| 6571 | 2018-04-25 星期二 | NaN | 2367011.0 | 高特灵 | 2.0 | 11.2 | 9.86 |
| 6574 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 6574 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
In [11]:
#序号6574因为销售时间和社保卡号都缺失，所以会出现两次。所以我们要去掉一下重复数据。naDf = salesDf[salesDf[['销售时间','社保卡号']].isnull().values == True].drop_duplicates()naDfOut[11]:
| 销售时间 | 社保卡号 | 商品编码 | 商品名称 | 销售数量 | 应收金额 | 实收金额 | |
|---|---|---|---|---|---|---|---|
| 6570 | NaN | 11778628.0 | 2367011.0 | 高特灵 | 10.0 | 56.0 | 56.00 |
| 6571 | 2018-04-25 星期二 | NaN | 2367011.0 | 高特灵 | 2.0 | 11.2 | 9.86 |
| 6574 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
从上面可以清楚看出销售时间和社保卡号缺失的数据一共有三条，当数据量大的时候我们可以只显示条数，不显示数据内容
In [12]:
#缺失数据行数naDf.shape[0]Out[12]:
3现在把这些缺失数据进行删除
In [13]:
#含有销售时间和社保卡号的缺失数据删除salesDf = salesDf.dropna(subset=['销售时间','社保卡号'],how = 'any')#删除后数据集规模显示salesDf.shapeOut[13]:
(6575, 7)在数据删除后要及时更新一下最新的序号，不然可能会产生问题。
In [14]:
#重命名行名（index）：排序后的列索引值是之前的行号，需要修改成从0到N按顺序的索引值salesDf=salesDf.reset_index(drop=True)4）数据类型转换
▪ 数量、金额项目:从字符串类型转换为数值（浮点型）类型
In [15]:
salesDf['销售数量'] = salesDf['销售数量'].astype('float')salesDf['应收金额'] = salesDf['应收金额'].astype('float')salesDf['实收金额'] = salesDf['实收金额'].astype('float')print('转换后的数据类型：\n',salesDf.dtypes)转换后的数据类型：销售时间 object
社保卡号 float64
商品编码 float64
商品名称 object
销售数量 float64
应收金额 float64
实收金额 float64
dtype: object▪ 日期项目:从字符串类型转换为日期类型 销售日期中包含了日期和星期，我们只要保留日期内容即可。这里用一个自定义的函数dateChange来实现这个功能。
In [16]:
#日期转换def dateChange(dateSer):dateList = []for i in dateSer:#例如2018-01-01 星期五，分割后为：2018-01-01str = i.split(' ')[0]dateList.append(str)dateChangeSer = pd.Series(dateList)return dateChangeSerdateChangeSer = dateChange(salesDf['销售时间'])dateChangeSerOut[16]:
0 2018-01-01
1 2018-01-02
2 2018-01-06
3 2018-01-11
4 2018-01-15
5 2018-01-20
6 2018-01-31
7 2018-02-17
8 2018-02-22
9 2018-02-24
10 2018-03-05
11 2018-03-05
12 2018-03-05
13 2018-03-07
14 2018-03-09
15 2018-03-15
16 2018-03-15
17 2018-03-15
18 2018-03-20
19 2018-03-22
20 2018-03-23
21 2018-03-24
22 2018-03-24
23 2018-03-28
24 2018-03-29
25 2018-04-05
26 2018-04-07
27 2018-04-13
28 2018-04-22
29 2018-05-01...
6545 2018-04-05
6546 2018-04-05
6547 2018-04-09
6548 2018-04-10
6549 2018-04-10
6550 2018-04-10
6551 2018-04-12
6552 2018-04-13
6553 2018-04-13
6554 2018-04-14
6555 2018-04-15
6556 2018-04-15
6557 2018-04-15
6558 2018-04-15
6559 2018-04-16
6560 2018-04-17
6561 2018-04-18
6562 2018-04-21
6563 2018-04-22
6564 2018-04-24
6565 2018-04-25
6566 2018-04-25
6567 2018-04-25
6568 2018-04-26
6569 2018-04-26
6570 2018-04-27
6571 2018-04-27
6572 2018-04-27
6573 2018-04-27
6574 2018-04-28
Length: 6575, dtype: objectIn [17]:
salesDf['销售时间'] = dateChangeSersalesDf.head()Out[17]:
| 销售时间 | 社保卡号 | 商品编码 | 商品名称 | 销售数量 | 应收金额 | 实收金额 | |
|---|---|---|---|---|---|---|---|
| 0 | 2018-01-01 | 1.616528e+06 | 236701.0 | 强力VC银翘片 | 6.0 | 82.8 | 69.00 |
| 1 | 2018-01-02 | 1.616528e+06 | 236701.0 | 清热解毒口服液 | 1.0 | 28.0 | 24.64 |
| 2 | 2018-01-06 | 1.260283e+07 | 236701.0 | 感康 | 2.0 | 16.8 | 15.00 |
| 3 | 2018-01-11 | 1.007034e+10 | 236701.0 | 三九感冒灵 | 1.0 | 28.0 | 28.00 |
| 4 | 2018-01-15 | 1.015543e+08 | 236701.0 | 三九感冒灵 | 8.0 | 224.0 | 208.00 |
在做完转化后再观察一下有没有产生新的缺失值
In [18]:
salesDf['销售时间'].isnull().any()Out[18]:
FalseIn [19]:
salesDf.dtypesOut[19]:
销售时间 object
社保卡号 float64
商品编码 float64
商品名称 object
销售数量 float64
应收金额 float64
实收金额 float64
dtype: object数据没有产生新的缺失，我们继续向下，把销售时间的数据类型转为日期型。
In [20]:
dateSer=pd.to_datetime(salesDf['销售时间'], format = '%Y-%m-%d', errors='coerce')dateSerOut[20]:
0 2018-01-01
1 2018-01-02
2 2018-01-06
3 2018-01-11
4 2018-01-15
5 2018-01-20
6 2018-01-31
7 2018-02-17
8 2018-02-22
9 2018-02-24
10 2018-03-05
11 2018-03-05
12 2018-03-05
13 2018-03-07
14 2018-03-09
15 2018-03-15
16 2018-03-15
17 2018-03-15
18 2018-03-20
19 2018-03-22
20 2018-03-23
21 2018-03-24
22 2018-03-24
23 2018-03-28
24 2018-03-29
25 2018-04-05
26 2018-04-07
27 2018-04-13
28 2018-04-22
29 2018-05-01...
6545 2018-04-05
6546 2018-04-05
6547 2018-04-09
6548 2018-04-10
6549 2018-04-10
6550 2018-04-10
6551 2018-04-12
6552 2018-04-13
6553 2018-04-13
6554 2018-04-14
6555 2018-04-15
6556 2018-04-15
6557 2018-04-15
6558 2018-04-15
6559 2018-04-16
6560 2018-04-17
6561 2018-04-18
6562 2018-04-21
6563 2018-04-22
6564 2018-04-24
6565 2018-04-25
6566 2018-04-25
6567 2018-04-25
6568 2018-04-26
6569 2018-04-26
6570 2018-04-27
6571 2018-04-27
6572 2018-04-27
6573 2018-04-27
6574 2018-04-28
Name: 销售时间, Length: 6575, dtype: datetime64[ns]In [21]:
dateSer.isnull().any()Out[21]:
TrueIn [22]:
compareDf = pd.DataFrame(dateSer[dateSer.isnull()],salesDf[dateSer.isnull()]['销售时间'])compareDfOut[22]:
| 销售时间 | |
|---|---|
| 销售时间 | |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
| 2018-02-29 | NaT |
查看了下数据，产生空值的原因是因为数据中出现了'2018-02-29'这样实际不存在的日期。在实际应用中，最好能向业务部门询问一下产生的原因，看下是不是因为日期推算不正确导致了这样原因的产生，需不需要将这样的数据进行一下必要的修正。这里就简单的把数据进行删除。
In [23]:
salesDf['销售时间'] = dateSersalesDf.dtypesOut[23]:
销售时间 datetime64[ns]
社保卡号 float64
商品编码 float64
商品名称 object
销售数量 float64
应收金额 float64
实收金额 float64
dtype: objectIn [24]:
salesDf=salesDf.dropna(subset=['销售时间','社保卡号'],how='any')salesDf.shapeOut[24]:
(6552, 7)In [25]:
salesDf=salesDf.reset_index(drop=True)5）数据排序 销售记录一般是以销售时间为顺序排列的，所以我们对数据进行一下排序
In [26]:
#按销售时间排序salesDf = salesDf.sort_values(by='销售时间')#再次更新一下序号salesDf = salesDf.reset_index(drop = True)6）异常值处理
在下面数据集的描述指标中可以看出，存在销售数量为负的数据，这明显是不合理的，我们把这部分数据也进行删除
In [27]:
salesDf.describe()Out[27]:
| 社保卡号 | 商品编码 | 销售数量 | 应收金额 | 实收金额 | |
|---|---|---|---|---|---|
| count | 6.552000e+03 | 6.552000e+03 | 6552.000000 | 6552.00000 | 6552.000000 |
| mean | 6.095150e+09 | 1.015031e+06 | 2.384158 | 50.43025 | 46.266972 |
| std | 4.888430e+09 | 5.119572e+05 | 2.374754 | 87.68075 | 81.043956 |
| min | 1.616528e+06 | 2.367010e+05 | -10.000000 | -374.00000 | -374.000000 |
| 25% | 1.014290e+08 | 8.614560e+05 | 1.000000 | 14.00000 | 12.320000 |
| 50% | 1.001650e+10 | 8.615070e+05 | 2.000000 | 28.00000 | 26.500000 |
| 75% | 1.004898e+10 | 8.687840e+05 | 2.000000 | 59.60000 | 53.000000 |
| max | 1.283612e+10 | 2.367012e+06 | 50.000000 | 2950.00000 | 2650.000000 |
In [28]:
#删除异常值：通过条件判断筛选出数据#查询条件querySer=salesDf.loc[:,'销售数量']>0#应用查询条件print('删除异常值前：',salesDf.shape)salesDf=salesDf.loc[querySer,:]print('删除异常值后：',salesDf.shape)删除异常值前： (6552, 7)
删除异常值后： (6509, 7)数据清洗完了之后，我们终于可以来搭建我们的模型啦。当然如果在模型搭建过程中再次发现数据异常情况，我们还是要对数据进行进一步的清洗。
4.构建模型
1）业务指标1:月均消费次数=总消费次数 / 月份数
总消费次数：同一天内，同一个人发生的所有消费算作一次消费。这里我们根据列名（销售时间，社区卡号）结合，如果这两个列值同时相同，只保留1条，将重复的数据删除
月份数：数据已经按照销售时间进行排序，只需将最后的数据与第一条数据相减就可换算出月份数
In [29]:
#总消费次数计算kpDf = salesDf.drop_duplicates(subset=['销售时间','社保卡号'])total = kpDf.shape[0]print('总消费次数为：',total)总消费次数为： 5345In [30]:
#月份数计算startDay = salesDf.loc[0,'销售时间']print('开始日期:',startDay)endDay = salesDf.loc[salesDf.shape[0]-1,'销售时间']print('结束日期:',endDay)monthCount = (endDay - startDay).days//30print('月份数:',monthCount)开始日期: 2018-01-01 00:00:00
结束日期: 2018-07-18 00:00:00
月份数: 6In [31]:
#业务指标1:月均消费次数=总消费次数 / 月份数kpi1 = total / monthCountprint('业务指标1：月均消费次数=',kpi1)业务指标1：月均消费次数= 890.83333333333342）指标2：月均消费金额 = 总消费金额 / 月份数
In [32]:
totalMoney = salesDf['实收金额'].sum()kpi2 = totalMoney / monthCountprint('业务指标2：月平均消费金额=',kpi2)业务指标2：月平均消费金额= 50672.4949999999953）指标3：客单价=总消费金额 / 总消费次数
In [33]:
kpi3 = kpi2 / kpi1print('业务指标3：客单价=',kpi3)业务指标3：客单价= 56.882127221702524）指标4：消费趋势，画图：折线图
In [34]:
#在进行操作之前，先把数据复制到另一个数据框中，防止对之前清洗后的数据框造成影响groupDf=salesDf#第1步：重命名行名（index）为销售时间所在列的值groupDf.index=groupDf['销售时间']groupDf.head()Out[34]:
| 销售时间 | 社保卡号 | 商品编码 | 商品名称 | 销售数量 | 应收金额 | 实收金额 | |
|---|---|---|---|---|---|---|---|
| 销售时间 | |||||||
| 2018-01-01 | 2018-01-01 | 1.616528e+06 | 236701.0 | 强力VC银翘片 | 6.0 | 82.8 | 69.0 |
| 2018-01-01 | 2018-01-01 | 1.078916e+08 | 861456.0 | 酒石酸美托洛尔片(倍他乐克) | 2.0 | 14.0 | 12.6 |
| 2018-01-01 | 2018-01-01 | 1.616528e+06 | 861417.0 | 雷米普利片(瑞素坦) | 1.0 | 28.5 | 28.5 |
| 2018-01-01 | 2018-01-01 | 1.007397e+10 | 866634.0 | 硝苯地平控释片(欣然) | 6.0 | 111.0 | 92.5 |
| 2018-01-01 | 2018-01-01 | 1.001429e+10 | 866851.0 | 缬沙坦分散片(易达乐) | 1.0 | 26.0 | 23.0 |
In [35]:
#第2步：分组gb=groupDf.groupby(groupDf.index.month)#第3步：应用函数，计算每个月的消费总额mounthDf=gb.sum()mounthDfOut[35]:
| 社保卡号 | 商品编码 | 销售数量 | 应收金额 | 实收金额 | |
|---|---|---|---|---|---|
| 销售时间 | |||||
| 1 | 6.257155e+12 | 1.073329e+09 | 2527.0 | 53561.6 | 49461.19 |
| 2 | 4.702493e+12 | 7.438598e+08 | 1858.0 | 42028.8 | 38790.38 |
| 3 | 6.124761e+12 | 1.007946e+09 | 2225.0 | 45318.0 | 41597.51 |
| 4 | 7.620230e+12 | 1.226705e+09 | 3010.0 | 54324.3 | 48812.70 |
| 5 | 5.898556e+12 | 1.004573e+09 | 2225.0 | 51263.4 | 46925.27 |
| 6 | 5.421001e+12 | 9.289637e+08 | 2328.0 | 52300.8 | 48327.70 |
| 7 | 3.608900e+12 | 6.259256e+08 | 1483.0 | 32568.0 | 30120.22 |
In [36]:
import matplotlib.pyplot as pltimport seaborn as snsimport matplotlib as mplmpl.rcParams['font.sans-serif'] = ['SimHei']mpl.rcParams['font.serif'] = ['SimHei']sns.set_style("darkgrid",{"font.sans-serif":['simhei', 'Arial']})import matplotlib.pyplot as plt%matplotlib inline#绘制销售数量图plt.plot(mounthDf['销售数量'],color = 'b')Out[36]:
[<matplotlib.lines.Line2D at 0x7fa6e872e550>]findfont: Font family ['sans-serif'] not found. Falling back to DejaVu Sans.
四月份为最高点，二月份为前期一个最低点，而且在四月份以后销售一直处于向下的趋势，在记录的日期中，七月份达到了历史最低水平。
注
数据集获取方式
关注公众号，后台回复“医院”关键字获取哦~
实战|朝阳医院药品销售分析案例相关推荐
- python销售数据分析方法_Python数据分析之药品销售案例分析（上）
一.一维数组 1.1 一维数据可以由numpy中的Array函数或者Pandas包中的Series函数创建,series函数是建立在array函数基础上,功能更加强大一些. 1.2Array 函数 利 ...
- 数据分析案例1.0——药品销售分析
药品销售分析 前言 数据获取 数据清洗 选择子集 列名重命名 缺失数据处理 数据类型转换 数据排序 异常值处理 构建模型 业务指标1:月均消费次数 业务指标2:月均消费金额 业务指标3:客单价 数据可 ...
- 【阅读笔记】联邦学习实战——联邦个性化推荐案例
联邦学习实战--联邦个性化推荐案例 前言 1. 引言 2. 传统的集中式个性化推荐 2.1 矩阵分解 2.2 因子分解机 3. 联邦矩阵分解 3.1 算法详解 3.2 详细实现 4 联邦因子分解机 4 ...
- c++实战（OpenCV C++案例实战九《对象计数》）
c++实战(OpenCV C++案例实战九<对象计数>) 一.OpenCV C++案例实战九<对象计数> 一.OpenCV C++案例实战九<对象计数> OpenC ...
- DDD系列 实战一 应用设计案例 (golang)
DDD系列 实战一 应用设计案例 (golang) 基于 ddd 的设计思想, 核心领域需要由纯内存对象+基础设施的抽象的接口组成 独立于外部框架: 比如 web 框架可以是 gin, 也可以是 be ...
- 案例学习|Python实现某医院药品销售分析
数据分析的基本过程一般分为以下几个部分: 提出问题 获取并理解数据 数据清洗 构建模型 数据可视化 1.提出问题 在数据分析之前,我们先要明确分析目标,可以帮助我们更高效的选取数据,进行分析研究. 本 ...
- 【Flutter从入门到实战】⑪、豆瓣案例-1、星星评分Widget、虚线Widget、TabbarWidget、BottomNavigationBarItem的封装、初始化配置抽取
Flutter从入门到实战 一共分为23个系列 ①(Flutter.Dart环境搭建篇) 共3个内容 已更新 ②(Dart语法1 篇) 共4个内容 已更新 ③(Dart语法2 篇) 共2个内容 已更新 ...
- python医药数据分析_Python数据分析案例-药品数据分析案例
最近学习了python数据分析的一些基础知识,有numpy,pandas,matplotlib等,找了一个药品数据分析的小项目练一下手. 数据分析的步骤一般可以分为6个: 1,明确分析的目的 2,数据 ...
- python预测药_Python数据分析实例－药品销售分析
学习了Python的各种基础语法和常用包后,你是否对如何使用Python在实际工作中进行数据分析一头雾水?如果是,今天这篇文章一定能带给你一些用数据分析解决实际问题的思路. 数据分析的目的决定了你的分 ...
- 机器学习实战-泰坦尼克号生存预测案例
泰坦尼克号生存预测案例 操作平台:Jupyter Notebook 实验数据:从官方下载的泰坦尼克号测试集与训练集 使用语言:python 实验步骤: 安装我们所需要的第三方库,本次实验需要额外下载安 ...
最新文章
- 如何使用C＃中的WebClient将数据发布到特定URL
- 一个html有几个css,几个CSS的黑科技_html/css_WEB-ITnose
- 【poj2464】树状数组
- jQuery css
- python多线程调度_python并发编程之进程、线程、协程的调度原理(六)
- ALSA播放时杂音问题
- 代码制作数字流星雨_C语言实现流星雨
- 微软应用商店显示服务器错误代码,微软应用商店打不开 显示错误代码: 0x80131500...
- maven的pom详解
- JS根据身份证号码获取性别
- SSL证书以及其验证过程
- 电磁屏蔽一般可分为三种
- 城市场景车路协同网络该怎么建？
- 戴尔服务器修改主板IP,Dell R410, R710设置iDRAC(远控卡)的ip地址
- scikit-learn广义线性模型之最小二乘法
- Python 数据分析 —— Numpy
- 使用matplotlib,pylab进行python绘图
- 《神经科学：探索脑》学习笔记（第13章 运动的脊髓控制）
- 美丽天天秒系统开发模式与美丽天天秒系统源码分享
- 美国CPSIA关于玩具和儿童产品的测试要求，CPC证书要求
热门文章
- 软考软件设计师下午真题-面向对象的程序设计与实现-组合设计模式（2021年上半年试题六））Java代码讲解
- 计算机如何保护数据,保护数据-避免丢失
- 【UE4_蓝图】录制麦克风声音/系统声音并输出保存WAV文件
- F450无人机组装与调试
- 电驴搜索服务器正在连接,电驴 电驴连接不上服务器-完美教程资讯
- Android 12之启动画面Splash Screens（一） -- 适配
- VC++_2010_学习版_未能下载以下组件解决方案和microsoft应用程序错误报告
- 支持二级汉字的 php 汉字助记码生成
- linux uart驱动协议
- Fujitsu(富士通)扫描仪——fi-6130z 无感安装设置