理论基础知识可以看我之前的博客：

1、python之Numpy知识点详细总结

2、python最最最重要的数据分析工具之pandas

3、pandas之表连接与高级查询

也可以进入我的专栏：欢迎订阅哦，持续更新

python数据分析

废话不多说了，直接开始吧！

# 导入库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime
import warnings
from datetime import datetimeplt.style.use('ggplot')                       # 画图风格为ggplot 美化
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体为黑体，解决图形中不显示中文的问题
plt.rcParams['axes.unicode_minus'] = False   # 正常显示负号
warnings.filterwarnings("ignore")             # 忽略警告

一、数据预处理

数据预处理分为：数据缺失值处理、数据重复值处理、数据异常值处理

1.0、数据格式转化

df = pd.read_csv('data.csv',sep=',',index_col=0)  # 读取数据 分割符',' 将第一列作为索引列
df.columns = ['订单时间','订单id','产品id','产品种类id','种类','品牌','价钱','用户id','年龄','性别','地区'] # 修改列名
df.head(2)订单时间  订单id    产品id    产品种类id  种类  品牌  价钱  用户id    年龄  性别  地区
0   2020-04-24 11:50:39 UTC 2294359932054536986 1515966223509089906 2.268105e+18   electronics.tablet  samsung 162.01  1.515916e+18   24.0    女   海南
1   2020-04-24 11:50:39 UTC 2294359932054536986 1515966223509089906 2.268105e+18   electronics.tablet  samsung 162.01  1.515916e+18   24.0    女   海南# 修改字段格式
df['订单id'] = df['订单id'].astype('object')
df['产品id'] = df['产品id'].astype('object')
df['产品种类id'] = df['产品种类id'].astype('object')
df['用户id'] = df['用户id'].astype('object')
df['年龄'] = df['年龄'].astype('int')
df['订单时间'] = df['订单时间'].astype('datetime64')
df.info()<class 'pandas.core.frame.DataFrame'>
Int64Index: 564169 entries, 0 to 2633520
Data columns (total 11 columns):#   Column  Non-Null Count   Dtype
---  ------  --------------   -----         0   订单时间    564169 non-null  datetime64[ns]1   订单id    564169 non-null  object        2   产品id    564169 non-null  object        3   产品种类id  564169 non-null  object        4   种类      434799 non-null  object        5   品牌      536945 non-null  object        6   价钱      564169 non-null  float64       7   用户id    564169 non-null  object        8   年龄      564169 non-null  int32         9   性别      564169 non-null  object        10  地区      564169 non-null  object
dtypes: datetime64[ns](1), float64(1), int32(1), object(8)
memory usage: 49.5+ MB

1.1、数据缺失值处理

• 是否删除需要根据数据的重要性判断，如果用不到的字段有缺失，可以将这一列进行删除；如果字段比较重要且缺失值在20%以内也可以删除，若缺失值过多，最好不要删除否则可能会影响结果分析，我们可以看看是否可以通过原数据(的均值、众数等)进行补全；

# 从上面的结果可以知道：总数据有564169条,种类列缺失十万条数据,不能删除;品牌列缺失4万条数据,可以删除
# 缺失较多的用M替补
df['种类'] = df['种类'].fillna('M')
# 缺失较少的直接删除不影响结果
df = df[df['品牌'].notnull()]
df.info()<class 'pandas.core.frame.DataFrame'>
Int64Index: 536945 entries, 0 to 2633520
Data columns (total 11 columns):#   Column  Non-Null Count   Dtype
---  ------  --------------   -----         0   订单时间    536945 non-null  datetime64[ns]1   订单id    536945 non-null  object        2   产品id    536945 non-null  object        3   产品种类id  536945 non-null  object        4   种类      536945 non-null  object        5   品牌      536945 non-null  object        6   价钱      536945 non-null  float64       7   用户id    536945 non-null  object        8   年龄      536945 non-null  int32         9   性别      536945 non-null  object        10  地区      536945 non-null  object
dtypes: datetime64[ns](1), float64(1), int32(1), object(8)
memory usage: 47.1+ MB

1.2、数据重复值处理

• 数据不同，处理重复值的方法也不同，有些可以直接删除重复值，而有些则不能；例如在这里，存在634个重复值，由于是订单信息，可能用户购买了多份产品，后台统计订单时将其分成n条数据了，这个时候我们就不能删除了，否则影响销量结果统计。

df.duplicated().sum()  #是否存在重复值
634
# 存在重复值,但是换个角度去想,这些重复值就是同笔订单下了多个数量的订单

1.3、数据异常值处理

df['订单时间'].dt.year.value_counts()
2020    535699
1970      1246
Name: 订单时间, dtype: int64
# 存在1970年的数据，原因可能是下单了但未付款，最终导致下单失败；也有可能只是数据错误。通过查看1970年的数据，发现日期仅有一个时刻的数据，因此可以确定数据出现错误，直接删除。
df = df[df['订单时间'].dt.year!=1970]
df.describe().Tcount          mean         std      min      25%     50%    75%     max
价钱  535699.0    214.647845  305.982110  0.0     24.98   99.51   289.33  11574.05
年龄  535699.0    33.175421   10.127858   16.0    24.00   33.00   42.00   50.00# 价钱的3/4位数和max差距有点打,我们可以看一下价钱>10000的是什么产品
df[df['价钱']>10000]订单时间 订单id    产品id    产品种类id  种类  品牌  价钱  用户id    年龄  性别  地区
1627981 2020-07-03 11:59:01 2353288509000777918 2273948305316643078 2.26811e+18    electronics.video.tv    lg  11574.05    1.51592e+18    34  男   北京
2270999 2020-09-16 06:46:10 2388440981134484484 1515966223520801280 2.3745e+18 electronics.video.tv    samsung 10416.64    1.51592e+18    34  男   上海
# 产品种类属于电子产品且属于video类，品牌为三星和lg属于高端产品 说明价钱并不异常 不需要处理df.reset_index(drop=True,inplace=True)  # 重置索引并替换原数据

二、销量前十的品牌

brand_cnt = df.groupby('品牌')['订单id'].count().sort_values(ascending=False)plt.figure(figsize=(10,6))
plt.bar(np.arange(10),brand_cnt[0:10],color='skyblue')
plt.title('销量前10得品牌')
plt.xticks(np.arange(10),brand_cnt[0:10].index,size=15,rotation=30)
plt.show()

三、用户画像分析

3.0、什么是用户画像呢

• 用户画像指真实用户的虚拟代表，是建立在一系列属性数据之上的目标用户模型。说白了就是个人标签。用户画像的内容不固定，需根据行业和产品的不同所关注的用户特征也不同。对于大部分互联网公司，用户画像都会包含用户基本属性和用户行为特征。有了这些特征，我们进而挖掘产品或app等的用户特征，了解使用app或产品的使用与购物的人群，进而可以精准化营销产品，带来更多的利益。
• 人口基本属性主要指用户本身特征：包含年龄、性别、所在省份和城市、教育程度、行业职业等。
• 用户行为特征主要包含活跃度、忠诚度等指标，电商行业(淘宝、pdd等)购物时会有浏览、收藏、加入购物车等，从而也可以计算转化率等信息，这些也属于用于行为分析的范畴。

3.1、地区、年龄和性别分布

# 1、地区分布，按地区分布对用户计数  nunique() 去重后计数
df_area = df.groupby('地区')['用户id'].nunique().sort_values(ascending=False)
df_area地区
广东    21382
上海    16031
北京    15928
江苏     5561
海南     5449
四川     5445
浙江     5370
湖北     5355
重庆     5342
天津     5337
湖南     5330
Name: 用户id, dtype: int64# 2、性别分布：对性别分组，对人数计数
df_sex = df.groupby('性别')['用户id'].nunique().sort_values(ascending=False)
df_sex性别
男    47628
女    47235
Name: 用户id, dtype: int64# 3、年龄段分布：将年龄切分为若干段后，再对用户进行计数
box = [10,20,30,40,50,60]
df['年龄段'] = pd.cut(df['年龄'],bins=box,right=False)  # 分箱
df_age = df.groupby('年龄段')['用户id'].nunique().sort_values(ascending=False)
df_age年龄段
[20, 30)    27596
[30, 40)    27451
[40, 50)    27308
[10, 20)    10917
[50, 60)     2724
Name: 用户id, dtype: int64# 4、可视化地区分布、性别分布及年龄段分布
fig = plt.figure(figsize=(12,8),facecolor='#E6E6FA')  # 设置画布大小和背景颜色# 第一个子图：性别分布
ax1 = fig.add_subplot(221)
patch,l_text,p_text = ax1.pie(df_sex.values,labels=df_sex.index,colors=['b','r'],autopct='%.2f%%')
for i,j in zip(l_text,p_text):  # 设置标签文字大小 l_text外面的文字标签 p_text里面的百分数 i.set_size(15)j.set_size(15)
ax1.set_title('性别分布')  # 子图标题# 第二个子图：年龄分布
ax2 = fig.add_subplot(222)
patch,l_text,p_text = ax2.pie(df_age.values,labels=df_age.index,autopct='%.2f%%',colors=['skyblue','SpringGreen','DarkTurquoise','Gold','#FF4500'])
for i,j in zip(l_text,p_text): i.set_size(12)j.set_size(12)
ax2.set_title('年龄分布')# 第三个子图 ：地区分布柱状图
ax3 = fig.add_subplot(212)  # 212将原来的2行2列图变为2行1列图 212 2行1列中的第二幅图
ax3.bar(df_area.index,df_area.values)for i,j in enumerate(df_area.values): # 标签位置与显示plt.text(i-0.3,j+40,j)ax3.set_title('地区分布')
ax3.set_ylabel('人数(人)')
# 采用ggplot风格时，会显示网格线和灰色背景
# 不显示网格线
plt.grid(False)
# 子图的背景色透明
ax3.patch.set_alpha(0)# 上和右边框不可见
ax3.spines['top'].set_visible(False)
ax3.spines['right'].set_visible(False)plt.show()

• 从图中可以看出：
  • 年龄分布：男女比列差不多，男性比例稍高一点点。
  • 年龄分布：较多的群体是20岁到50岁的用户群体，说明这些产品深受年轻人和青年人信赖。因此，厂商可以多多研发年轻化的产品。
  • 地区分布：广东省高居第一位、其次上海市和北京市，说明北上广的用户消费的居多，消费水平也高，而且北上广还是一线城市。 其余的省份消费人数才是北上广的1/3，消费人数较少。

3.2、各年龄段的下单数量及消费金额

df_age_money = pd.DataFrame(df.groupby('年龄段')['价钱'].sum())
df_age_num = pd.DataFrame(df.groupby('年龄段')['订单id'].nunique())
age_money_num = df_age_money.merge(df_age_num,left_index=True,right_index=True)
age_money_num.columns = ['总消费金额','订单数量']
age_money_num['平均每单价钱'] = age_money_num['总消费金额']/age_money_num['订单数量']
age_money_num总消费金额   订单数量   平均每单价钱
年龄段
[10, 20)    1.237316e+07   41846   295.683236   # 各年龄段的平均消费水平还是差不太多的
[20, 30)    3.336561e+07   112086  297.678664
[30, 40)    3.211958e+07   108307  296.560528
[40, 50)    3.391897e+07   115426  293.859046
[50, 60)    3.209309e+06   11077   289.727280# 可视化
fig = plt.figure(figsize=(15,5))
ax1 = fig.add_subplot(111)
ax1.bar(np.arange(len(age_money_num)),age_money_num['总消费金额'],color='red',width=0.2)
for i, j in enumerate(age_money_num['总消费金额']):plt.text(i, j, '%s' %round((j/1e7),2))ax1.set_ylabel('总消费金额（千万）')   ax2 = ax1.twinx() # 共用x轴
ax2.bar(np.arange(len(age_money_num))+0.2,age_money_num['订单数量'],color='skyblue',width=0.2)
for i, j in enumerate(age_money_num['订单数量']):plt.text(i+0.2, j, '%s' %round((j/1e4),2))ax2.grid(False)
ax2.set_ylabel('订单数量（万）')
plt.xticks(np.arange(len(age_money_num))+0.1,age_money_num.index)
plt.yticks(np.arange(0,130000,20000),np.arange(0,13,2))plt.show()

• 可以看出：无论是消费金额还是订单数量，20—50岁的用户始终是消费的重要群体。

3.3、男性女性的消费金额及下单数量

df_sex_money = pd.DataFrame(df.groupby('性别')['价钱'].sum())
df_sex_num = pd.DataFrame(df.groupby('性别')['订单id'].nunique())
sex_money_num = df_sex_money.merge(df_sex_num,left_index=True,right_index=True)
sex_money_num.columns = ['总消费金额','订单数量']
sex_money_num['平均每单价钱'] = sex_money_num['总消费金额']/sex_money_num['订单数量']
sex_money_num总消费金额  订单数量    平均每单价钱
性别
女   5.710846e+07   192394  296.830757
男   5.787818e+07   196348  294.773460# 从性别上看，男性的总消费金额比较高，但是男性的平均消费水平较女性低，说明女生个人消费比男生高一点。

四、二八定律

• 二八定律也称帕累托法则，即20％的人口掌握了80％的社会财富。这个结论对大多数国家的社会财富分配情况都成立。因此，该法则又被称为80/20法则。例如：当一家公司发现自己80%的利润来自于20%的顾客时，公司就该着重注意这20%的顾客，不能让他们流失掉。这样做，不但比把注意力平均分散给所有的顾客更容易，也更值得。再者，如果公司发现80%的利润来自于20%的产品，那么这家公司应该全力来销售那些高利润的产品。

user_pay = pd.DataFrame(df.groupby('用户id')['价钱'].sum().sort_values(ascending=False)).reset_index()
user_pay['累计消费金额'] = user_pay['价钱'].cumsum()
user_pay['累计百分比%'] = round(user_pay['累计消费金额'] / np.max(user_pay['累计消费金额']) * 100,2)
user_pay用户id                  价钱         累计消费金额 累计百分比%
0   1515915625512422912 160604.07   1.606041e+05   0.14
1   1515915625513695488 158277.37   3.188814e+05   0.28
2   1515915625512377088 149967.06   4.688485e+05   0.41
3   1515915625513577472 135672.84   6.045213e+05   0.53
4   1515915625514597888 133945.88   7.384672e+05   0.64# 累计金额第一次出现80%
sy = user_pay[user_pay['累计百分比%']==80].index[0]  # 索引plt.figure(figsize=(16,4))
plt.plot(np.arange(len(user_pay)),user_pay['累计百分比%'])plt.text(sy,85,'80%',size=20)
plt.scatter(sy,80,marker='o',c='blue',s=100)plt.show()print(sy) # 25384  累计金额占比第一次出现80% 的索引
print(round(sy/len(user_pay)*100,2))  # 27.36  提供了80%的消费金额的人数/总人数
# 说明27.36%的人提供了80%的消费金额  符合二八定律 应该着重注意这27%的用户,收入来源主要是这些用户。

五、用户分层：RFM模型

• RFM模型是通过客户的最近一次购买距今天数、购买的总体频率以及花了多少钱3个维度来描述该客户价值状况的客户分类模型，这3个维度分别表示为：
  • 最近一次消费距离现在的时间 (Recency)：顾客的最近一次购物时间越近，购物越积极
  • 某段时间内消费频率次数 (Frequency)：顾客的消费频次越高，对商家的忠诚度就越高
  • 某段时间内消费金额 (Monetary)：顾客的消费金额越高即消费能力越强，对商家贡献度越高
• 这3个维度可以根据实际业务来确定，比如针对社交类产品，最近一次活跃距离现在的时间比最近一次消费距离现在的时间更适合。

RFM得分标准(根据公司情况自定义)

r值分段	得分	f值分段	得分	m值分段	得分
60天未购买	5	购买1次	1	100元以下	1
60—120天未购买	4	购买2次	2	100—200元	2
120—180天未购买	3	购买3次	3	200—500元	3
180—240天未购买	2	购买4次	4	500—1000元	4
240天以上未购买	1	购买5次以上	5	1000元以上	5

• 但最好R、F、M都仅有两值(0或1)，所以还要根据第一次得分的平均值分为0或1。得到最终得用户的R值、F值、M值，接下来把他们放入分类器中，汇总如下：

用户类别划分

R	F	M	RFM	用户分类
1	1	1	111	重要价值客户
1	0	1	101	重要发展客户
0	1	1	011	重要保持客户
0	0	1	001	重要挽留客户
1	1	0	110	一般价值客户
1	0	0	100	一般发展客户
0	1	0	010	一般保持客户
0	0	0	000	一般挽留客户

• 最好可根据用户分层对用户进行精准营销。

df2 = df[['用户id','订单时间','价钱','订单id']]
df2['订单日期'] = pd.to_datetime(df['订单时间'].dt.strftime('%Y-%m-%d'))
df2.drop_duplicates(inplace=True)# 假设以2020-11-30为基准 计算用户每次购物距离11-30多少天
df2['距今天数'] =  (pd.to_datetime('2020-11-30') - df2['订单日期']).dt.days
# 用户最近一次购物距离11-30多少天 距今天数最小的就是最近一次购物
r = pd.DataFrame(df2.groupby('用户id')['距今天数'].min())
#  计算每个用户的消费金额
m = pd.DataFrame(df2.groupby('用户id')['价钱'].sum())
# 计算 每个用户的消费频次
f = pd.DataFrame(df2.groupby('用户id')['订单时间'].nunique())
rfm = pd.concat([r,f,m],axis=1).reset_index()
rfm.columns = ['用户id','r','f','m']
rfm['用户id'] = rfm['用户id'].astype('object')
rfm.head(4)用户id r   f   m
0   1515915625439951872 144 1   416.64
1   1515915625440038400 33  2   56.43
2   1515915625440051712 14  4   6054.37
3   1515915625440099840 22  16  4790.99rfm.describe().Tcount       mean       std       min  25%     50%      75%   max
r   92755.0 107.589219  54.526879   9.0 70.00   110.00  136.00  330.00
f   92755.0 4.186502    17.566106   1.0 1.00    2.00    3.00    632.00
m   92755.0 1228.356784 4080.831984 0.0 145.81  451.37  1133.98 159999.66# r：距离现在最远的是330天没有购物了,最近的是9天前
# f：购物频次最低的是1次,最高的是632次了,平均一天购物两次
# m：购物最小总金额0，可能是只购买了1次且是免费产品, 最大总金额159999元

# 根据RFM标准创建函数
def user_r(x):if x <= 60:return 5elif 60<x<=120:return 4elif 120<x<=180:return 3elif 180<x<=240:return 2else:return 1def user_f(x):if x == 1:return 1elif x == 2:return 2elif x == 3:return 3elif x ==4:return 4else:return 5def user_m(x):if x <= 100:return 1elif 100<x<=200:return 2elif 200<x<=500:return 3elif 500<x<=1000:return 4else:return 5

# 按照RFM得分标准应用函数
rfm['r'] = rfm['r'].apply(user_r)
rfm['f'] = rfm['f'].apply(user_f)
rfm['m'] = rfm['m'].apply(user_m)
# 要将得分转化为0-1格式，若得分>均值返回1，否则返回0
rfm['r'] = rfm['r'].apply(lambda x: '1' if x>=np.mean(rfm['r']) else '0')
rfm['f'] = rfm['f'].apply(lambda x: '1' if x>=np.mean(rfm['f']) else '0')
rfm['m'] = rfm['m'].apply(lambda x: '1' if x>=np.mean(rfm['m']) else '0')
# 直接相加 这也是前面为什么返回字符串'1'和'0'；若是返回数字，默认直接做加法运算
rfm['RFM'] = rfm['r'] + rfm['f'] + rfm['m']
rfm.head(2)用户id             r   f   m   RFM
0   1515915625439951872 0   0   0   000
1   1515915625440038400 1   0   0   100

def RFM(j):if j == '111':return '重要价值客户'elif j == '101':return  '重要发展客户'elif j == '011':return  '重要保持客户'elif j == '001':return  '重要挽留客户'elif j == '110':return  '一般价值客户'elif j == '100':return '一般发展客户'elif j == '010':return  '一般保持客户'elif j == '000':return  '一般挽留客户'
rfm['用户类型'] = rfm['RFM'].apply(lambda x : RFM(x))
rfm.head(2)用户id             r   f   m   RFM 用户类型
0   1515915625439951872 0   0   0   000 一般挽留客户
1   1515915625440038400 1   0   0   100 一般发展客户user_RFM = rfm.groupby('用户类型')['用户id'].nunique().sort_values(ascending=False)
user_RFM用户类型
重要价值客户    23371
一般挽留客户    23306
一般发展客户    19673
重要发展客户    10486
重要挽留客户     6336
一般价值客户     4125
重要保持客户     3751
一般保持客户     1707
Name: 用户id, dtype: int64

# 自定义颜色
colors = ['#2F4F4F','#008B8B','#008080','#48D1CC','#20B2AA','#40E0D0','#7FFFD4','#66CDAA']
plt.figure(figsize=(10,6))patch,l_text,p_text = plt.pie(user_RFM.values  # 值,autopct='%.2f%%'  # 显示两位百分数,labels=user_RFM.index # 标签,labeldistance=1.1  # 标签距离圆心距离,colors=colors  # 颜色,explode=[0,0,0,0,0,0.1,0.2,0.1]) # 扇形突出位置
for i,j in zip(l_text,p_text): # 设置标签及百分数字体大小i.set_size(13)j.set_size(12)
plt.title('用户分层占比情况')
plt.show()

python数据分析实战之用户分析及RFM模型分析相关推荐

1. Python数据分析实战,，美国总统大选数据可视化分析[基于pandas]

   目录 前言 一.任务详情 二.数据集来源 三.实现过程 四.运行代码 前言 在学习Python数据分析的过程中,是离不开实战的. 今天跟大家带来数据分析可视化经典项目,美国总统大选数据可视化分析,希望 ...

2. 如何量化你的用户价值？——RFM模型分析实战

   1.分析模板 2.什么是RFM分析模型 3.实现思路 4.分析结果辅助业务决策 5.RFM模型深化 6.BI分析效果 pdf地址 https://download.csdn.net/download/ ...

3. Python数据分析实战之用户消费行为数据分析

   任务1:数据预处理 表格数据资源如下百度网盘

4. Python 数据分析实战案例：基于电商销售数据的 RFM 模型构建

   目录 1.背景 2.分析目标 3.数据准备 4.数据清洗 4.1 查看是否含有缺失值 4.2 查看是否有异常值 4.3 数据整理 5.具体目标分析 5.1 分析每年销售额的增长率 5.2 各个地区分店 ...

5. Python数据分析实战：降雨量统计分析报告分析

   本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. 以下文章来源于菜J学Python ,作者小小明 最近遇到一个有点烧脑的需求,其实也不算烧pytho ...

6. python数据分析实战之超市零售分析

   文章目录 1.明确需求和目的 2.数据收集 3.数据预处理 3.1 数据整合 3.1.1 加载相关库和数据集 3.1.2 数据概览 3.2 数据清洗 3.2.1 列名重命名 3.2.2 数据类型处理 ...

7. rfm模型python_数据分析实战——用RFM模型分析客户价值

   数据分析实战--用RFM模型分析客户价值 阿雷边学边教python数据分析第4期--数据可视化 一.介绍什么是RFM模型和作用 1.什么是RFM模型 RFM模型是衡量客户价值的一种工具,该模型通过客户 ...

8. Python数据分析实战：上海二手房价分析

   1 数据搜集 使用 urllib 库中的request 模块爬取赶集网发布的上海二手房信息,包括包括户型.面积.单价等,再使用BeautifulSoup 库解析爬取的HTML数据,最终将数据保存到CS ...

9. 用户分析与RFM模型实战｜一个可以写在简历上的项目（下）

   大家好,我是芒果. 接上文:用户分析与RFM模型实战|一个可以写在简历上的项目(上) 本篇会继续对此数据对产品维度和用户分层维度进行分析. 依然结论先行: 重要结论

最新文章

1. jenkins运行日志时间与linux,持续集成之Jenkins结合脚本实现代码自动化部署及一键回滚至上一版本...
2. opencv KNN 模型不能保存的问题
3. BAT都在使用的开源接口管理平台，你用了吗？
4. java将两个区间范围合并_Java如何将若干时间区间进行合并的方法步骤
5. 学计算机的人玩什么游戏,亲戚眼中的大学专业：学的计算机啊，游戏打的肯定贼好吧...
6. 彩礼钱你是留给爸妈还是自己带走？
7. win11如何取消开机自检 windows11取消开机自检的设置方法
8. 企业微信开发服务端报错汇总（手把手教你企业微信开发五）
9. php 导出excel 设置列宽,php – 导出Excel文件时调整列宽
10. 密码学之前后向安全性
11. 怎么彻底删除users下的文件夹_users中的那些文件可以删除。。。。。。。有哪些文件是不能删除呢？...
12. 利用matlab构建自己的colormap（色彩搭配）
13. 脑科学磁共振成像（MRI)初学者必看——功能脑网络、小世界网络、FDR校正、脑电信号频率变换、模板、假设检验、广义线性模型、独立成分分析、影像组学、任务态和静息态方法汇总
14. dva 配置antd
15. 微信小程序源代码_移动端商城（微信小程序）
16. Sa-Token中接口的限流
17. Android版本与Linux内核版本的关系
18. ASP＋Access的安全隐患
19. 几款游戏引擎技术对比
20. 移动端键盘弹起底部固定模块会被顶上去

热门文章

1. vue项目启动报错Cannot find module ‘xxx’
2. 武汉的樱花开了！出不了门别担心，线上带你开樱花！[Python画樱花]
3. 小台灯内部电路原理图,仅供参考（实际测量自己的台灯的输入电压是直流135V。时间2021.3.9）
4. Oracle索引梳理系列（四）- Oracle索引种类之位图索引
5. Java接口性能优化万金油之缓存
6. 使用gpg工具实现公钥加密
7. 向右看齐Look Up
8. 解压chm后由hhc生成html索引页面
9. python爬取微博热搜
10. vue源码深入解读MVVM(视图模板引擎),你真的了解双向绑定(v-model),数据劫持(observe),发布订阅模式吗？带你手鲁mvvm引擎。源码奉上(详细注释)！