项目：预约挂号后患者实际就诊情况的数据分析

简介

预约挂号是近年来开展的一项便民就医服务，是为了缩短看病流程，节约患者时间而产生的挂号方式。预约挂号也是一种方便患者提前安排就医计划，减小候诊时间，便于医院提升管理水平，提高工作效率和医疗质量，降低医疗安全风险的门诊挂号方式。但是预约患者不可能做到100%应诊，目前国内报道的爽约率10%以上，甚至达50%，国外报道的爽约率为3&~34%。患者会因为各种主客观原因而爽约，造成医疗资源的极大浪费。因此研究这些浪费医疗资源的人特征，对医疗资源的合理分配有重要的意义。

本次采用的数据集是kaggle上的Medical Appointment No Shows数据集，包含10万条巴西预约挂号的求诊信息，其中每行数据录入了有关患者特点的多个数值。数据中的缺失值被标记为NaN。数据列名的含义如下：

PatientId：病人Id
AppointmentID: 预约Id
Gender: 性别
ScheduledDay: 预约日期 指患者具体预约就诊的日期
AppointmentDay: 就诊日期 指患者就诊的日期
Age: 年龄
Neighbourhood: 街区 指医院所在位置
Scholarship: 福利保障 说明病人是否是巴西福利项目 Bolsa Família 的保障人群
Hipertension: 高血压
Diabetes:  糖尿病
Alcoholism: 酗酒
Handcap: 残障人士（名称错误）
SMS_received: 接收到短信提醒
No-show: 表示病人是否已如约就诊 “No”表示病人已如约就诊，“Yes”说明病人未前往就诊。

本次分析主要研究以下问题：

就诊时间与预定时间间隔越短，如约就诊的可能性就越高么？

享受福利待遇的患者如约就诊率较高吗？

不同性别的患者如约就诊的情况如何？

不同年龄段的患者如约就诊的情况如何？

接受到短信提醒的患者是否如约就诊？

不同类型病的患者如约就诊的情况如何？

# 导入包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

数据整理

评估数据

# 加载数据并打印几行。
df = pd.read_csv('noshowappointments-kagglev2-may-2016.csv')
df.head()

Out[2]:

	PatientId	AppointmentID	Gender	ScheduledDay	AppointmentDay	Age	Neighbourhood	Hipertension	Diabetes	No-show
0	2.990000e+13	5642903	F	2016-04-29T18:38:08Z	2016-04-29T00:00:00Z	62	JARDIM DA PENHA	1	0	No
1	5.590000e+14	5642503	M	2016-04-29T16:08:27Z	2016-04-29T00:00:00Z	56	JARDIM DA PENHA	0	0	No
2	4.260000e+12	5642549	F	2016-04-29T16:19:04Z	2016-04-29T00:00:00Z	62	MATA DA PRAIA	0	0	No
3	8.680000e+11	5642828	F	2016-04-29T17:29:31Z	2016-04-29T00:00:00Z	8	PONTAL DE CAMBURI	0	0	No
4	8.840000e+12	5642494	F	2016-04-29T16:07:23Z	2016-04-29T00:00:00Z	56	JARDIM DA PENHA	1	1	No

#检查数据形状
df.shape#检查数据类型，以及是否有缺失数据或错误数据的情况。
df.info()#重复行数
sum(df.duplicated())#缺失值行数
df.isnull().any(axis = 1).sum()

#age的唯一值
df.Age.unique()

Out[7]:

array([ 62,  56,   8,  76,  23,  39,  21,  19,  30,  29,  22,  28,  54,15,  50,  40,  46,   4,  13,  65,  45,  51,  32,  12,  61,  38,79,  18,  63,  64,  85,  59,  55,  71,  49,  78,  31,  58,  27,6,   2,  11,   7,   0,   3,   1,  69,  68,  60,  67,  36,  10,35,  20,  26,  34,  33,  16,  42,   5,  47,  17,  41,  44,  37,24,  66,  77,  81,  70,  53,  75,  73,  52,  74,  43,  89,  57,14,   9,  48,  83,  72,  25,  80,  87,  88,  84,  82,  90,  94,86,  91,  98,  92,  96,  93,  95,  97, 102, 115, 100,  99,  -1],dtype=int64)

数据集没有缺失值，这对后面的分析来说是个大大的好消息。

数据清理

在评估数据时，发现数据集的"Handcap"列标签书写错误，为了保持列名的一致，将"No-show"列中的分隔符改成下划线。同时"ScheduledDay"列和"AppointmentDay"列都是时间列，应该将其转化成datetime数据类型。观察到"Age"列的唯一值中有-1，应该将其清除掉，同时为了便于分析，对"Age"列进行拆分，分成不同年龄段。

重命名列

为了与'PatientId'列名保持一致将'AppointmentID'改成'AppointmentId'，数据集中的"Handcap"列标签书写错误，将其改成"Handicap"，重命名"No-show"列标签将"-"替换为"_"。

时间化数据

使用 pandas 的 to_datetime() 方法来将数据集中的"ScheduledDay"列和"AppointmentDay"列转换为datetime 数据类型，同时计算时间间隔。

拆分年龄

Pandas 的 cut 函数可以让你将数据"切分"为组。利用pd.cut()将年纪拆分成不同的年龄段。其中0~6岁为儿童（childhood），7~17岁为少年（juvenile），18~40岁为青年（youth），41岁~65岁为中老年（middle_aged），66岁以上为老年人（elderly）

#重命名列名
df.rename(columns = {'AppointmentID':'AppointmentId','Handcap':'Handicap','No-show':'No_show'},inplace = True)

#时间化数据
df['ScheduledDay'] = pd.to_datetime(df['ScheduledDay'])
df['AppointmentDay'] = pd.to_datetime(df['AppointmentDay'])

#计算时间间隔
df['WaitingTime'] = df['AppointmentDay'] - df['ScheduledDay']

#WaitingTime列取天数,当天为-1，0
df['WaitingTime']= df['WaitingTime'].apply(lambda x: x.days)#过滤数据
df = df[df['WaitingTime']>=-1]df.WaitingTime.describe()

Out[10]:

count    110522.000000
mean          9.184253
std          15.255115
min          -1.000000
25%          -1.000000
50%           3.000000
75%          14.000000
max         178.000000
Name: WaitingTime, dtype: float64

#时间标签
time_names = ['Sameday','OneDay','OneWeek','TwoWeek','ThreeWeek','OneMonth']
#把数据“分割”成组的边缘列表
time_edges = [-2,0,1,7,13,18,179]

# 创建 WaitingDays 列
df['WaitingDays'] = pd.cut(df['WaitingTime'], time_edges, labels=time_names)

# 显示数据框的前几行，确认更改
df.head()

Out[11]:

	PatientId	AppointmentId	Gender	ScheduledDay	AppointmentDay	Age	Neighbourhood	Hipertension	Diabetes	No_show	WaitingTime	WaitingDays
0	2.990000e+13	5642903	F	2016-04-29 18:38:08	2016-04-29	62	JARDIM DA PENHA	1	0	No	-1	Sameday
1	5.590000e+14	5642503	M	2016-04-29 16:08:27	2016-04-29	56	JARDIM DA PENHA	0	0	No	-1	Sameday
2	4.260000e+12	5642549	F	2016-04-29 16:19:04	2016-04-29	62	MATA DA PRAIA	0	0	No	-1	Sameday
3	8.680000e+11	5642828	F	2016-04-29 17:29:31	2016-04-29	8	PONTAL DE CAMBURI	0	0	No	-1	Sameday
4	8.840000e+12	5642494	F	2016-04-29 16:07:23	2016-04-29	56	JARDIM DA PENHA	1	1	No	-1	Sameday

# 确定数据类型
df.info()

#清除年龄异常值
df = df[df['Age']>=0]

#将'Age'列拆分成不同年龄段
#时间标签
age_names = ['childhood','juvenile','youth','middle_aged','elderly']
#把数据“分割”成组的边缘列表
age_edges = [0,6,17,40,65,179]

# 创建 Generation 列
df['Generation'] = pd.cut(df['Age'], age_edges, labels=age_names)# 显示数据框的前几行，确认更改
df.head()

Out[13]:

	PatientId	AppointmentId	Gender	ScheduledDay	AppointmentDay	Age	Neighbourhood	Hipertension	Diabetes	No_show	WaitingTime	WaitingDays	Generation
0	2.990000e+13	5642903	F	2016-04-29 18:38:08	2016-04-29	62	JARDIM DA PENHA	1	0	No	-1	Sameday	middle_aged
1	5.590000e+14	5642503	M	2016-04-29 16:08:27	2016-04-29	56	JARDIM DA PENHA	0	0	No	-1	Sameday	middle_aged
2	4.260000e+12	5642549	F	2016-04-29 16:19:04	2016-04-29	62	MATA DA PRAIA	0	0	No	-1	Sameday	middle_aged
3	8.680000e+11	5642828	F	2016-04-29 17:29:31	2016-04-29	8	PONTAL DE CAMBURI	0	0	No	-1	Sameday	juvenile
4	8.840000e+12	5642494	F	2016-04-29 16:07:23	2016-04-29	56	JARDIM DA PENHA	1	1	No	-1	Sameday	middle_aged

探索性数据分析

1、就诊时间与预定时间间隔越短，如约就诊的可能性就越高么？

#绘图函数
def CP_plot(df,index,df_P,key=''):fig, ax1 = plt.subplots(figsize=(8,5))df.plot(kind = 'bar',rot=0,ax=ax1)# 标题和标签plt.ylabel('Counts',fontsize = 14)plt.xlabel('{:s}'.format(key),fontsize = 14)plt.title('Probability of the {:s}'.format(key),fontsize = 14)
ax2 = ax1.twinx()  #plt second data set using second(right) axisax2.set_ylim([0, 0.5])#plt.plot(['0','1'],[No_SMS_received_P,SMS_received_P],'r>-')sns.pointplot(x=index, y=df_P, color='r', ax=ax2)plt.ylabel('Probability',fontsize = 14)return None

#计算不同的时间间隔，如约就诊的可能性
WaitingDays_Count = df.query('No_show == "Yes"').WaitingDays.value_counts(sort=False)
No_WaitingDays_Count = df.query('No_show == "No"').WaitingDays.value_counts(sort=False)
df_1 = pd.DataFrame({'Yes':WaitingDays_Count,'No':No_WaitingDays_Count})


WaitingDays_P = df.query('No_show == "Yes"').WaitingDays.value_counts(sort=False)/df['WaitingDays'].value_counts(sort=False)

#绘图
CP_plot(df_1,WaitingDays_P.index, WaitingDays_P,key='WaitingDays')

df.groupby('WaitingDays')['No_show'].value_counts()

WaitingDays  No_show
Sameday      No         40870Yes         2905
OneDay       No          5123Yes         1602
OneWeek      No         16852Yes         5727
TwoWeek      No          6699Yes         2994
ThreeWeek    No          3948Yes         1878
OneMonth     No         14715Yes         7208
Name: No_show, dtype: int64

df.groupby('WaitingDays')['No_show'].value_counts().unstack()

#WaitingDays_P = df.query('No_show == "Yes"').WaitingDays.value_counts(sort=False)/df['WaitingDays'].value_counts(sort=False)
fig,ax1 = plt.subplots(figsize = (8,5))df.groupby('WaitingDays')['No_show'].value_counts().unstack().plot(kind='bar',rot=0,ax=ax1)
plt.ylabel('Count',fontsize = 14)ax2 = ax1.twinx()  #plt second data set using second(right) axis
ax2.set_ylim([0, 0.5])
sns.pointplot(x=WaitingDays_P.index, y=WaitingDays_P, color='r', ax=ax2)
plt.ylabel('Probability',fontsize = 14)
plt.title('Probability of the WaitingDays',fontsize = 14)

当天预约，当天就诊的人数最多；

预约时间与就诊时间间隔越短，如约就诊的可能性越高，而且随着间隔时间越长，爽约率越高。

2、享受福利待遇的患者如约就诊率较高吗？

 #计算福利待遇患者如约就诊率
Scholarship_Count = df.query('No_show == "Yes"').Scholarship.value_counts()
No_Scholarship_Count = df.query('No_show == "No"').Scholarship.value_counts()
df_2 = pd.DataFrame({'Yes':Scholarship_Count,'No':No_Scholarship_Count})

Scholarship_P = (df.query('Scholarship == 1')['No_show'] == "Yes").mean()
No_Scholarship_P = (df.query('Scholarship == 0')['No_show'] == "Yes").mean()#绘图
CP_plot(df_2,['0','1'],[No_Scholarship_P,Scholarship_P],key='Scholarship')

可以看出享受福利待遇的患者，如约就诊的可能性低于没有享受福利待遇的患者，说明福利待遇没有提高按时就诊率。

3、不同性别、年龄段的患者如约就诊的情况如何？

A.不同性别的患者如约就诊率如何？

 #计算不同性别的患者如约就诊率
Gender_Count = df.query('No_show == "Yes"').Gender.value_counts()
No_Gender_Count = df.query('No_show == "No"').Gender.value_counts()
df_3 = pd.DataFrame({'Yes':Gender_Count,'No':No_Gender_Count})

Female_Yes = (df.query('Gender == "F"')['No_show'] == "Yes").mean()
Male_Yes = (df.query('Gender == "M"')['No_show'] == "Yes").mean()

#绘图
CP_plot(df_3,['Female','Male'],[Female_Yes,Male_Yes],key='Gender')

男性患者如约就诊的可能性比女性患者略低一点。

B.不同年龄段的患者如约就诊率如何？

#计算不同年龄段的患者如约就诊率
Generation_Count = df.query('No_show == "Yes"').Generation.value_counts(sort=False)
No_Generation_Count = df.query('No_show == "No"').Generation.value_counts(sort=False)
df_4 = pd.DataFrame({'Yes':Generation_Count,'No':No_Generation_Count})

Generation_P = df.query('No_show == "Yes"').Generation.value_counts(sort=False)/df['Generation'].value_counts(sort=False)
#No_WaitingDays_P = df.query('No_show == "No"').WaitingDays.value_counts(sort=False)/df['WaitingDays'].value_counts(sort=False)

#绘图
CP_plot(df_4,Generation_P.index, Generation_P,key='Generation')

中老年患者如约就诊的人数最多；

65岁以后的老年患者如约就诊的可能性最高，青少年患者如约就诊的可能性较低。

C.不同性别、年龄段的患者如约就诊的情况如何？

#计算不同性别，每个年龄段如约就诊的数量
female_counts = df.query('Gender == "F"').groupby(['No_show','Generation'])['Age'].count()
male_counts = df.query('Gender == "M"').groupby(['No_show','Generation'])['Age'].count()#计算男性患者的每个年龄段的如约就诊率和爽约率
Female_Yes = female_counts['Yes']/df.query('Gender == "F"').groupby(['Generation'])['Age'].count()
Male_Yes = male_counts['Yes']/df.query('Gender == "M"').groupby(['Generation'])['Age'].count()
df_111 = pd.DataFrame({'F':Female_Yes,'M':Male_Yes})

#绘图
df_111.plot(figsize=(8,5),style = 'o-')
# 标题和标签
plt.ylabel('Probability',fontsize = 14)
plt.xlabel('Generation',fontsize = 14)
labels = ['childhood', 'juvenile', 'youth', 'middle_aged', 'elderly']  # x 坐标刻度标签
plt.xticks(np.arange(len(Female_Yes)),labels)
plt.title('Probability of the Generation and Gender',fontsize = 14);

男性患者和女性患者，少年爽约率均最高，老年爽约率均最低。

#获取女性每个年龄段等级数量
female_counts = df.query('Gender == "F"').groupby(['No_show','Generation'])['Age'].count()
Female_No = female_counts['No']
Female_Yes = female_counts['Yes']

#获取男性每个年龄段等级数量
male_counts = df.query('Gender == "M"').groupby(['No_show','Generation'])['Age'].count()
Male_No = male_counts['No']
Male_Yes = male_counts['Yes']

#绘制不同性别每个年龄段的如约就诊人数图
fig, ax = plt.subplots(figsize = (15,5))
ind = np.arange(len(Female_No))  # 组的 x 坐标位置
width = 0.35

plt.subplot(1, 2, 1)
# 绘制条柱
No_bars = plt.bar(ind, Female_No, width, color='r', alpha=.7, label='No')
Yes_bars = plt.bar(ind + width, Female_Yes, width, color='b', alpha=.7, label='Yes')

# 标题和标签
plt.ylabel('Counts')
plt.xlabel('Generation')
plt.title('Female')
locations = ind + width / 2  # x 坐标刻度位置
labels = ['childhood', 'juvenile', 'youth', 'middle_aged', 'elderly']  # x 坐标刻度标签
plt.xticks(locations, labels)
#plt.axhline(y=Male_No,color = 'g',linewidth = 0.5);

# 图例
plt.legend();

plt.subplot(1, 2, 2)
# 绘制条柱
No_bars = plt.bar(ind, Male_No, width, color='r', alpha=.7, label='No')
Yes_bars = plt.bar(ind + width, Male_Yes, width, color='b', alpha=.7, label='Yes')


# 标题和标签
plt.ylabel('Counts')
plt.xlabel('Generation')
plt.title('Male')
locations = ind + width / 2  # x 坐标刻度位置
labels = ['childhood', 'juvenile', 'youth', 'middle_aged', 'elderly']  # x 坐标刻度标签
plt.xticks(locations, labels)
#plt.axhline(y=Male_No,color = 'g',linewidth = 0.5);

# 图例
plt.legend();

女性患者在40~65岁的如约就诊人数最多，在0~6岁的如约就诊人数和爽约人数均最少。

男性患者在40~65岁的如约就诊人数最多，在65岁以上的如约就诊人数和爽约人数均最少；

男性患者和女性患者的如约就诊率最高的年龄段都是65岁以上。

5、接收到短信提醒的患者如约就诊率如何？

#计算接收到短信提醒的患者如约就诊率
SMS_received_Count = df.query('No_show == "Yes"').SMS_received.value_counts(sort=False)
No_SMS_received_Count = df.query('No_show == "No"').SMS_received.value_counts(sort=False)
df_s = pd.DataFrame({'Yes':SMS_received_Count,'No':No_SMS_received_Count})

SMS_received_P = (df.query('SMS_received == 1')['No_show'] == "Yes").mean()
No_SMS_received_P = (df.query('SMS_received == 0')['No_show'] == "Yes").mean()

#绘图
CP_plot(df_s,['0','1'],[No_SMS_received_P,SMS_received_P],key='SMS_received')

可以看出接收到短信提醒的患者如约就诊率低于没有收到短信提醒的患者，即短信提醒功能没有提高如约就诊率。

6、不同种类病患者如约就诊率如何？

A.不同疾病的年龄分布状况

#设置背景及标题
sns.set_style('dark')

f, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 4), sharex=True)
f.suptitle('Age distribution of different types of Diseases')

#作图
sns.distplot(df.query('Hipertension == 1')['Age'],ax=ax1)
sns.distplot(df.query('Diabetes == 1')['Age'],color='g',ax=ax2)
sns.distplot(df.query('Alcoholism == 1')['Age'],color='r',ax=ax3)
ax1.legend('Hipertension')
ax2.legend('Diabetes')
ax3.legend('Alcoholism');

#不同疾病，不同年龄段的患者数量
m = df.groupby('Generation').sum()

#设置背景及标题
sns.set_style('dark')

f, ax = plt.subplots(1, 3, figsize=(15, 4), sharex=True)
f.suptitle('Generation distribution of different types of Diseases')

#作图

plt.subplot(131)
m.Hipertension.plot(kind = 'pie',autopct='%.0f%%')

plt.subplot(132)
m.Diabetes.plot(kind = 'pie',autopct='%.0f%%')

plt.subplot(133)
m.Alcoholism.plot(kind = 'pie',autopct='%.0f%%')

可以看出，高血压、糖尿病患者人群集中在50~70岁之间，而醺酒患者人群集中在50岁左右。按年龄段看，三种疾病中儿童和少年阶段的患者太少，中老年患病人数是最多的。

B.不同疾病的如约就诊率

#计算不同年龄段如约就诊的概率
m1 = df.query('No_show == "Yes"').groupby('Generation').sum()/df.groupby('Generation').sum()

#绘图
#设置背景及标题
sns.set_style('dark')

f, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(6, 6), sharex=True)
f.suptitle('Age distribution of different types of Diseases')

#作图
sns.pointplot(m1.index,m1.Hipertension,ax=ax1)
sns.pointplot(m1.index,m1.Diabetes,color='g',ax=ax2)
sns.pointplot(m1.index,m1.Alcoholism,color='r',ax=ax3);

可以看出高血压和糖尿病这两种病，儿童患者的爽约率较高，醺酒患者爽约率最高的是儿童和少年，但对于这三种病来说，儿童和少年患者的样本量太小，这个结果没有实际意义。但从其他三个年龄段看的话，我们可以得知，各种病患者年纪越大，如约就诊的可能性越大。

结论

通过上面的分析，我们可以得出的结论如下：

就诊时间与预定时间间隔越短，如约就诊的可能性就越高,当天预约如约的可能性越高。
享受福利待遇和短信提醒服务对提高如约就诊率没有帮助。
单就性别来看，患者如约就诊率差别不大。
中老年患者如约就诊的人数最多,65岁以后的老年患者如约就诊的可能性最高，青少年患者如约就诊的可能性较低。。
女性患者在40~65岁的如约就诊人数最多，在0~6岁的如约就诊人数和爽约人数均最少。男性患者在40~65岁的如约就诊人数最多，在65岁以上的如约就诊人数和爽约人数均最少。65岁以上的男性患者和女性患者的如约就诊率均是最高的。
对于高血压和糖尿病这两种病，患者人群集中在50~70岁之间，醺酒患者人群集中在50岁左右，这三种病儿童和少年的患者人数微乎其微，各种病患者年龄越大，如约就诊的可能性也就越大。

说明

本次数据采用的巴西预约挂号的求诊信息，由于只有一个国家的数据信息，因此对于其他国家，未必适用。

超好用的 pandas 之 groupby:https://www.jianshu.com/p/42f1d2909bb6

预约挂号后患者实际就诊情况的数据分析相关推荐

宁波医院挂号网上预约,为什么跳出本网站部允许代理服务器,当心！预约挂号后爽约会怎样？后果有点重…...
原标题:当心!预约挂号后爽约会怎样?后果有点重- 日前,为加强预约挂号管理,提高号源利用率,规范就医行为,市卫生计生委组织编写了<宁波市预约挂号退号与爽约管理规范>.预约挂号后爽约会怎样? ...
预约挂号对患者医生医院都有利
北京市卫生局局长方来英归纳了实行预约挂号的六点好处:首先是方便患者,使患者免去长时间排队等候.二是能使患者得到连续诊疗,有利于保障医疗安全质量.三是通过预约挂号,安排病人在人比较少的时段来看病,可以分 ...
【程序源代码】医院预约挂号小程序
" 关键字: "医院预约挂号小程序 " 01 ---- [总体介绍] 医院预约挂号小程序管理员模块 5.2.1 登陆界面提供登陆界面:使用系统的用户(管理员)可以使 ...
医院如何玩转微信预约挂号服务
早晨起床刷微信朋友圈,跟朋友出去吃饭用微信AA付款,出门打车用微信滴滴,购物充值用微信支付.是的,人类已经无法阻止微信的脚步.如果身体不适想去医院看病,又不愿去排队怎么办?没关系,微信预约挂号的时代已 ...
预约挂号系统技术点详解(二)
一.微服务间服务的调用介绍 1. 需求(医院接口远程调用数据字典) service-hosp服务调用service-cmn服务 2. 实现步骤 ⑴ 搭建service-client父模块修改pom文 ...
mysql设计预约系统_医院网上预约挂号系统的设计与实现(SSH,MySQL)
医院网上预约挂号系统的设计与实现(SSH,MySQL)(任务书,开题报告,中期检查表,文献综述,外文翻译,毕业论文15000字,程序代码,MySQL数据库) 本系统基于广域网的B/S结构平台,具有生动 ...
医院、诊所|使用微信预约挂号系统，部分老年患者不会用怎么办？
以往患者看病就医,受门诊患者流量.挂号时段.个人时间等诸多原因,患者往往大部分时间精力都花费在诊前,用于排队.挂号.候诊等.是患者"看病难"的一种体现. 线上预约挂号的本质在于服务 ...
儿科医院短信群发模板：预约挂号、就诊提醒、疫苗通知
儿科医院短信模板医疗机构预约挂号短信: 医疗短信平台优势状态可追踪实时监控发送状态,实时呈现短信发送效果,可视化报表一目了然 99.9%以上到达率失败即时自动补发,黑名单号码.携号转网号码也能 ...
网上预约挂号系统的设计与实现
项目描述临近学期结束,还是毕业设计,你还在做java程序网络编程,期末作业,老师的作业要求觉得大了吗?不知道毕业设计该怎么办?网页功能的数量是否太多?没有合适的类型或系统?等等.这里根据疫情当下,你 ...

预约挂号后患者实际就诊情况的数据分析