基于数据形式说明杜兰特的技术特点的分析（含Python实现讲解部分）
2024-05-30 05:32:54
---恢复内容开始---
注： 本博文系原创，转载请标明原处。
题外话：春节过后，回到学校无所事事，感觉整个人都生锈一般，没什么动力，姑且称为“春节后遗症”。在科赛官网得到关于NBA的详细数据，而且又想对于自己学习数据挖掘半年以来做一次系统性梳理，就打算做一份关于杜兰特的技术特点的数据分析报告（本人是杜迷），可以称得上寓学于乐吧。话不多说，开工。。。。。
1 杜兰特 VS Who？
既然要说杜兰特的技术特点，总是要对比吧，不然怎么知道他的特点呢？这里我主要是从几个方面选择：一、球员的位置小前锋和后卫，杜兰特是小前锋，当然也会打打后卫。二、基本是同一个时代的球员，前后差几年也是可以的（如科比）。三、可以称为巨星的球员。最终选择了以下几名球员作为对比：科比、詹姆斯、库里、威斯布鲁克、乔治、安东尼、哈登、保罗、伦纳德。对于新星和前辈们就不做对比，时代不一样数据的意义也有差别，新星的数据比较少，对比没有必要。当然选的人也不是很完美，个人主观选择（哈哈......）
2 数据
数据来源：https://www.kesci.com/apps/home/dataset/599a6e66c8d2787da4d1e21d/document
3 杀向数据的第一刀
巨星表演最佳舞台是季后赛，他们给予我们太多太多的经典时刻，而那些被我们所津津称道时刻就是他们荣誉加身的时刻。所以我打算从季后赛开始分析。。。（就是这么任性）
3.1 首先，我们先看看季后赛的数据有哪些
>>> import pandas as pd
data
>>> data_player_playoff = pd.read_csv('E:\Python\Program\NBA_Data\data\player_playoff.csv')
>>> data_player_playoff.head()球员 赛季 球队 结果 比分 时间 投篮 命中 出手 三分 ... \ 0 Kelenna Azubuike 11-12 DAL L OKC95-79DAL 5 0.333 1 3 1.0 ... 1 Kelenna Azubuike 06-07 GSW L UTA115-101GSW 1 NaN 0 0 NaN ... 2 Kelenna Azubuike 06-07 GSW W UTA105-125GSW 3 0.000 0 1 NaN ... 3 Kelenna Azubuike 06-07 GSW W DAL86-111GSW 2 1.000 1 1 NaN ... 4 Kelenna Azubuike 06-07 GSW L DAL118-112GSW 0 NaN 0 0 NaN ... 罚球出手 篮板 前场 后场 助攻 抢断 盖帽 失误 犯规 得分 0 0 1 1 0 0 1 0 1 0 3 1 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 1 0 3 0 0 0 0 0 0 0 0 0 2 4 0 0 0 0 0 0 0 0 0 0 [5 rows x 24 columns]
pd.head(n) 函数是对数据前n 行输出，默认5行，pd.tail() 对数据后几行的输出。
3.2 数据的基本信息
>>> data_player_playoff.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 49743 entries, 0 to 49742 Data columns (total 24 columns): 球员 49615 non-null object 赛季 49743 non-null object 球队 49743 non-null object 结果 49743 non-null object 比分 49743 non-null object 时间 49743 non-null int64 投篮 45767 non-null float64 命中 49743 non-null int64 出手 49743 non-null int64 三分 24748 non-null float64 三分命中 49743 non-null int64 三分出手 49743 non-null int64 罚球 29751 non-null float64 罚球命中 49743 non-null int64 罚球出手 49743 non-null int64 篮板 49743 non-null int64 前场 49743 non-null int64 后场 49743 non-null int64 助攻 49743 non-null int64 抢断 49743 non-null int64 盖帽 49743 non-null int64 失误 49743 non-null int64 犯规 49743 non-null int64 得分 49743 non-null int64 dtypes: float64(3), int64(16), object(5) memory usage: 9.1+ MB
3.3 由于中文的列名对后面的数据处理带来麻烦，更改列名
>>> data_player_playoff.columns = ['player','season','team','result','team_score','time','shoot','hit','shot','three_pts','three_pts_hit','three_pts_shot','free_throw','free_throw_hit','free_throw_shot','backboard','front_court','back_court','assists','steals','block_shot','errors','foul','player_score']
3.4 从数据表中选择杜兰特、科比、詹姆斯、库里、威斯布鲁克、乔治、安东尼、哈登、保罗、伦纳德的数据
>>> kd_data_off = data_player_playoff[data_player_playoff .player == 'Kevin Durant'] >>> jh_data_off = data_player_playoff [data_player_playoff .player == 'James Harden'] >>> kb_data_off = data_player_playoff [data_player_playoff .player == 'Kobe Bryant'] >>> lj_data_off = data_player_playoff [data_player_playoff .player == 'LeBron James'] >>> kl_data_off = data_player_playoff [data_player_playoff .player == 'Kawhi Leonard'] >>> sc_data_off = data_player_playoff [data_player_playoff .player == 'Stephen Curry'] >>> rw_data_off = data_player_playoff [data_player_playoff .player == 'Russell Westbrook'] >>> pg_data_off = data_player_playoff [data_player_playoff .player == 'Paul George'] >>> ca_data_off = data_player_playoff [data_player_playoff .player == 'Carmelo Anthony'] >>> cp_data_off = data_player_playoff [data_player_playoff .player == 'Chris Paul'] >>> super_data_off = pd.DataFrame () >>> super_data_off = pd.concat([kd_data_off ,kb_data_off ,jh_data_off ,lj_data_off ,sc_data_off ,kl_data_off ,cp_data_off ,rw_data_off ,pg_data_off ,ca_data_off ]) >>> super_data_off .info()
<class 'pandas.core.frame.DataFrame'> Int64Index: 1087 entries, 9721 to 904 Data columns (total 24 columns): player 1087 non-null object season 1087 non-null object team 1087 non-null object result 1087 non-null object team_score 1087 non-null object time 1087 non-null int64 shoot 1085 non-null float64 hit 1087 non-null int64 shot 1087 non-null int64 three_pts 1059 non-null float64 three_pts_hit 1087 non-null int64 three_pts_shot 1087 non-null int64 free_throw 1015 non-null float64 free_throw_hit 1087 non-null int64 free_throw_shot 1087 non-null int64 backboard 1087 non-null int64 front_court 1087 non-null int64 back_court 1087 non-null int64 assists 1087 non-null int64 steals 1087 non-null int64 block_shot 1087 non-null int64 errors 1087 non-null int64 foul 1087 non-null int64 player_score 1087 non-null int64 dtypes: float64(3), int64(16), object(5) memory usage: 212.3+ KB
3.5 把这十个人的数据单独存放到一文件里
>>> super_data_off .to_csv('super_star_playoff.csv',index = False )4 数据分析
4.1 先看看他们参加了多少场季后赛
>>> super_data_off.player.value_counts()
Kobe Bryant 220 LeBron James 217 Kevin Durant 106 James Harden 88 Kawhi Leonard 87 Russell Westbrook 87 Chris Paul 76 Stephen Curry 75 Carmelo Anthony 66 Paul George 65 Name: player, dtype: int64
这里可以看出詹姆斯的年年总决赛的霸气，只比科比少三场，今年就会超过科比了，而且老詹还要进几年总决赛啊。杜兰特的场数和詹姆斯相差比较大的，估计最后和科比的场数差不多。
4.2 简单粗暴，直接看看他们的季后赛的得分
>>> super_data_off.groupby('player').player_score.describe()count mean std min 25% 50% 75% max player Carmelo Anthony 66.0 25.651515 8.471658 2.0 21.0 25.0 31.00 42.0 Chris Paul 76.0 21.434211 7.691269 4.0 16.0 21.5 27.00 35.0 James Harden 88.0 20.681818 10.485398 0.0 13.0 19.0 28.00 45.0 Kawhi Leonard 87.0 16.459770 8.428640 2.0 11.0 16.0 21.00 43.0 Kevin Durant 106.0 28.754717 6.979987 10.0 25.0 29.0 33.75 41.0 Kobe Bryant 220.0 25.636364 9.856715 0.0 20.0 26.0 32.00 50.0 LeBron James 217.0 28.400922 7.826865 7.0 23.0 28.0 33.00 49.0 Paul George 65.0 18.984615 9.299685 2.0 12.0 19.0 26.00 39.0 Russell Westbrook 87.0 25.275862 8.187753 7.0 19.0 26.0 30.00 51.0 Stephen Curry 75.0 26.200000 8.109054 6.0 21.5 26.0 32.50 44.0
从这里可以看出杜兰特是个得分高手，隐隐约约可以看出稳如狗
得分的直方图来了，坐稳
#coding:utf-8import matplotlib.pyplot as plt
import pandas as pd
# 中文乱码的处理
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
super_data_off = pd.read_csv('super_star_playoff.csv')
kd_off_score = super_data_off[super_data_off .player == 'Kevin Durant'] .player_score.describe()
super_off_mean_score = super_data_off .groupby('player').mean()['player_score']
labels = [u'场数',u'均分',u'标准差',u'最小值','25%','50%','75%',u'最大值']
print super_off_mean_score .index
super_name = [u'安东尼',u'保罗',u'哈登',u'伦纳德',u'杜兰特',u'科比',u'詹姆斯',u'乔治',u'威少',u'库里']
# 绘图
plt.bar(range(len(super_off_mean_score )),super_off_mean_score ,align = 'center')plt.ylabel(u'得分')
plt.title(u'巨星季后赛得分数据对比')
#plt.xticks(range(len(labels)),labels)
plt.xticks(range(len(super_off_mean_score )),super_name)
plt.ylim(15,35)
for x,y in enumerate (super_off_mean_score ):plt.text (x, y+1, '%s' % round(y, 2) , ha = 'center')
plt.show()
从得分的角度看杜兰特和詹姆斯是一档，安东尼、科比、威少和库里是一档，保罗、哈登、伦纳德、乔治一档。哈登今年应该会有比较明显的提升，毕竟他是从第六人打的季后赛。杜兰特的四个得分王不是白拿的，在得分方面确实联盟的超巨。
再看看巨星的每个赛季的季后赛的平均值的走势
season_kd_score = super_data_off[super_data_off .player == 'Kevin Durant'] .groupby('season').mean()['player_score']
plt.figure()
plt.subplot(321)
plt.title(u'杜兰特赛后季平均得分',color = 'red')
#plt.xlabel(u'赛季')
plt.ylabel(u'得分')
plt.plot(season_kd_score,'k',season_kd_score,'bo')
for x,y in enumerate (season_kd_score ):plt.text (x,y+0.2, '%s' % round(y,2), ha = 'center')season_lj_score = super_data_off [super_data_off .player == 'LeBron James'].groupby('season').mean()['player_score']
plt.subplot(322)
plt.title(u'詹姆斯赛后季平均得分',color = 'red')
#plt.xlabel(u'赛季')
plt.ylabel(u'得分')
plt.plot(season_lj_score ,'k',season_lj_score ,'bo')
for x,y in enumerate (season_lj_score ):plt.text (x,y+0.2, '%s' % round(y,2), ha = 'center')season_kb_score = super_data_off[super_data_off.player == 'Kobe Bryant'].groupby('season').mean()['player_score']
a = season_kb_score [0:-4]
b =season_kb_score [-4:]
season_kb_score = pd.concat([b,a])
plt.subplot(323)
plt.title(u'科比赛季后赛平均得分',color = 'red')
#plt.xlabel(u'赛季')
plt.ylabel(u'得分')
plt.xticks(range(len(season_kb_score )),season_kb_score.index)
plt.plot(list(season_kb_score) ,'k',list(season_kb_score),'bo')
for x,y in enumerate (season_kb_score ):plt.text (x,y+0.2, '%s' % round(y,2), ha = 'center')season_rw_score = super_data_off[super_data_off.player == 'Russell Westbrook'].groupby('season').mean()['player_score']
plt.subplot(324)
plt.title(u'威少赛季后赛平均得分',color = 'red')
#plt.xlabel(u'赛季')
plt.ylabel(u'得分')
plt.plot(season_rw_score ,'k',season_rw_score ,'bo')
for x,y in enumerate (season_rw_score ):plt.text (x,y+0.2, '%s' % round(y,2), ha = 'center')season_sc_score = super_data_off[super_data_off.player == 'Stephen Curry'].groupby('season').mean()['player_score']
plt.subplot(325)
plt.title(u'库里赛季后赛平均得分',color = 'red')
#plt.xlabel(u'赛季')
plt.ylabel(u'得分')
plt.plot(season_sc_score ,'k',season_sc_score ,'bo')
for x,y in enumerate (season_sc_score ):plt.text (x,y+0.2, '%s' % round(y,2), ha = 'center')season_ca_score = super_data_off[super_data_off.player == 'Carmelo Anthony'].groupby('season').mean()['player_score']
plt.subplot(326)
plt.title(u'安东尼赛季后赛平均得分',color = 'red')
#plt.xlabel(u'赛季')
plt.ylabel(u'得分')
plt.plot(season_ca_score ,'k',season_ca_score ,'bo')
for x,y in enumerate (season_ca_score ):plt.text (x,y+0.2, '%s' % round(y,2), ha = 'center')plt.show()
再使用饼状图观察他们的的得分分布
super_name_E = ['Kevin Durant','LeBron James','Kobe Bryant','Russell Westbrook','Stephen Curry','Carmelo Anthony']
super_name_C = [u'杜兰特',u'詹姆斯',u'科比',u'威少',u'库里',u'安东尼']
plt.figure(facecolor= 'bisque')
colors = ['red', 'yellow', 'peru', 'springgreen']
for i in range(len(super_name_E)):player_labels = [u'20分以下',u'20~29分',u'30~39分',u'40分以上']explode = [0,0.1,0,0] # 突出得分在20~29的比例player_score_range = []player_off_score_range = super_data_off[super_data_off .player == super_name_E [i]]player_score_range.append(len(player_off_score_range [player_off_score_range['player_score'] < 20])*1.0/len(player_off_score_range ))player_score_range.append(len(pd.merge(player_off_score_range[19 < player_off_score_range.player_score],player_off_score_range[player_off_score_range.player_score < 30],how='inner')) * 1.0 / len(player_off_score_range))player_score_range.append(len(pd.merge(player_off_score_range[29 < player_off_score_range.player_score],player_off_score_range[player_off_score_range.player_score < 40],how='inner')) * 1.0 / len(player_off_score_range))player_score_range.append(len(player_off_score_range[39 < player_off_score_range.player_score]) * 1.0 / len(player_off_score_range))plt.subplot(231 + i)plt.title(super_name_C [i] + u'得分分布', color='blue')plt.pie(player_score_range, labels=player_labels, colors=colors, labeldistance=1.1,autopct='%.01f%%', shadow=False, startangle=90, pctdistance=0.8, explode=explode)plt.axis('equal')
plt.show()
从这些饼状图可知，杜兰特和詹姆斯在得分的稳定性上一骑绝尘，得分主要集中在 20 ~ 40 之间，占到全部的八成左右。他们的不仅得分高，而且稳定性也是极高。其中40+的得分中占比最高的是詹姆斯，其次是库里和杜兰特。这也从侧面得知杜兰特是这些球员中得分最稳的人，真是稳如狗！！！！从数据上看稳定性，那么下面我给出他们的得分的标准差的直方图：
std = super_data_off.groupby('player').std()['player_score']
color = ['red','red','red','red','blue','red','red','red','red','red',]
print std
plt.barh(range(10), std, align = 'center',color = color ,alpha = 0.8)
plt.xlabel(u'标准差',color = 'blue')
plt.ylabel(u'球员', color = 'blue')
plt.yticks(range(len(super_name )),super_name)
plt.xlim(6,11)
for x,y in enumerate (std):plt.text(y + 0.1, x, '%s' % round(y,2), va = 'center')
plt.show()
标准差的直方图可以明显地说明杜兰特的稳定性极高（标准差越小说明数据的平稳性越好）
4.3 投篮方式和效率
在评价一个球员时，往往其投篮的区域和命中率是一项很重要的指标，可以把分为神射手，三分投手、中投王和冲击内线（善突），当然也有造犯规的高手，如哈登。
super_name_E = [u'Carmelo Anthony', u'Chris Paul', u'James Harden', u'Kawhi Leonard', u'Kevin Durant', u'Kobe Bryant',u'LeBron James', u'Paul George', u'Russell Westbrook', u'Stephen Curry']
bar_width = 0.25
import numpy as np
shoot = super_data_off.groupby('player') .mean()['shoot']
three_pts = super_data_off.groupby('player') .mean()['three_pts']
free_throw = super_data_off.groupby('player') .mean()['free_throw']
plt.bar(np.arange(10),shoot,align = 'center',label = u'投篮命中率',color = 'red',width = bar_width )
plt.bar(np.arange(10)+ bar_width, three_pts ,align = 'center',color = 'blue',label = u'三分命中率',width = bar_width )
plt.bar(np.arange(10)+ 2*bar_width, free_throw ,align = 'center',color = 'green',label = u'罚球命中率',width = bar_width )
for x,y in enumerate (shoot):plt.text(x, y+0.01, '%s' % round(y,2), ha = 'center')
for x,y in enumerate (three_pts ):plt.text(x+bar_width , y+0.01, '%s' % round(y,2), ha = 'center')
for x,y in enumerate (free_throw):plt.text(x+2*bar_width , y+0.01, '%s' % round(y,2), ha = 'center')
plt.legend ()
plt.ylim(0.3,1.0)
plt.title(u'球员的命中率的对比')
plt.xlabel(u'球员')
plt.xticks(np.arange(10)+bar_width ,super_name)
plt.ylabel(u'命中率')
plt.show()
投篮命中率、三分球命中率和罚球命中率最高的依次是伦纳德、库里和库里，由此可见，库里三分能力的强悍。杜兰特这三项的数据都是排在第三位，表明他的得分的全面性。
super_name_E = [u'Carmelo Anthony', u'Chris Paul', u'James Harden', u'Kawhi Leonard', u'Kevin Durant', u'Kobe Bryant',u'LeBron James', u'Paul George', u'Russell Westbrook', u'Stephen Curry']
bar_width = 0.25
import numpy as np
three_pts = super_data_off.groupby('player').sum()['three_pts_hit']
free_throw_pts = super_data_off.groupby('player').sum()['free_throw_hit']
sum_pts = super_data_off.groupby('player').sum()['player_score']
three_pts_rate = np.array(list(three_pts ))*3.0 /np.array(list(sum_pts ))
free_throw_pts_rate = np.array(list(free_throw_pts ))*1.0/np.array(list(sum_pts ))
two_pts_rate = 1.0 - three_pts_rate - free_throw_pts_rate
print two_pts_rate
plt.bar(np.arange(10),two_pts_rate ,align = 'center',label = u'二分球得分占比',color = 'red',width = bar_width )
plt.bar(np.arange(10)+ bar_width, three_pts_rate ,align = 'center',color = 'blue',label = u'三分球得分占比',width = bar_width )
plt.bar(np.arange(10)+ 2*bar_width, free_throw_pts_rate ,align = 'center',color = 'green',label = u'罚球得分占比',width = bar_width )
for x,y in enumerate (two_pts_rate):plt.text(x, y+0.01, '%s' % round(y,2), ha = 'center')
for x,y in enumerate (three_pts_rate ):plt.text(x+bar_width , y+0.01, '%s' % round(y,2), ha = 'center')
for x,y in enumerate (free_throw_pts_rate):plt.text(x+2*bar_width , y+0.01, '%s' % round(y,2), ha = 'center')
plt.legend ()
plt.title(u'球员的得分方式的对比')
plt.xlabel(u'球员')
plt.xticks(np.arange(10)+bar_width ,super_name)
plt.ylabel(u'占比率')
plt.show()
可以看出，二分球占比、三分球占比和罚球占比最高依次是：安东尼和科比、库里 、哈登。这也跟我们的主观相符的，安东尼绝招中距离跳投，科比的后仰跳投，库里不讲理的三分，哈登在罚球的造诣之高，碰瓷王不是白叫的。当然，詹姆斯的二分球占比也是很高，跟他的身体的天赋分不开的。而杜兰特这三项的数据都是中规中矩，也保持着中距离的特点，这也说明了他的进攻的手段的丰富性和全面性。
4.4 防守端的数据
球星的能力不光光体现进攻端，而防守端的能力也是一个重要的指标。强如乔丹、科比和詹姆斯都是最佳防守阵容的常客，所以，这里给出他们在攻防两端的数据值。
import seaborn as sns
import numpy as np
player_adavance = pd.read_csv('super_star_advance_data.csv')
player_labels = [ u'篮板率', u'助攻率', u'抢断率', u'盖帽率',u'失误率', u'使用率', u'胜利贡献值', u'霍格林效率值']
player_data = player_adavance[['player','total_rebound_rate','assist_rate','steals_rate','cap_rate','error_rate','usage_rate','ws','per']] .groupby('player').mean()
num = [100,100,100,100,100,100,1,1]
np_num = np.array(player_data)*np.array(num)
plt.title(u'球员攻防两端的能力热力图')
sns.heatmap(np_num , annot=True,xticklabels= player_labels ,yticklabels=super_name ,cmap='YlGnBu')
plt.show()
在篮板的数据小前锋的数据差不多，都是11 左右，而后卫中最能抢板是威少，毕竟是上赛季的场均三双（历史第二人）。助攻率最高的当然是保罗，其次是威少和詹姆斯；而杜兰特的助攻率比较平庸，但在小前锋里面也是不错了。抢断率方面是保罗和伦纳德的优势明显，显示了伦纳德的死亡缠绕的效果了。盖帽率最高的是杜兰特，身体的优势在这项数据的体现的很明显；在这个赛季杜兰特的盖帽能力又是提升了一个层次，高居联盟前五（杜中锋，哈哈）。失误率方面后卫高于前锋，最高的是威少。使用率最高的是威少，其次是詹姆斯，可以看出他们的球权都是挺大，伦纳德只有22（波波老爷子的整体篮球控制力真强）。贡献值最高是詹姆斯，毕竟球队都是围绕他建立的，现在更是一个人扛着球队前行；其次是保罗，毕竟球队的大脑；杜兰特第三，也是符合杀神的称号的。效率值的前三和贡献值一样，老詹真是强，不服不行啊。。。。
5 小结
在数据面前，可以得出：从进攻的角度讲，杜兰特是最强的，主要体现在：高得分、稳定性强、得分方式全面和得分效率高。从防守的方面，杜兰特善于封盖，而串联球队方面，杜兰特还是与詹姆斯有着明显差距。这两年杜兰特的防守是越来越好了，希望这个赛季能进入最佳防守阵容。这些数据显示与平时对杜兰特的了解相差不大，可以说数据验证了主观的认识。季后赛的数据就分析就到这里了，对模块padans、numpy 、seaborn 和 matplotlib 系统的梳理一遍吧，也算是新学期的热身吧。常规赛的数据分析就不分析了，什么时候有兴趣了再搞。
---恢复内容结束---
转载于:https://www.cnblogs.com/pursued-deer/p/8489357.html
基于数据形式说明杜兰特的技术特点的分析（含Python实现讲解部分）相关推荐
- 软件定义数据中心—Windows Server SDDC技术与实践
<软件定义数据中心-Windows Server SDDC技术与实践>是国内第一本讲解微软Windows Server 软件定义数据中心的中文图书,书中系统.全面地介绍了微软Windows ...
- 【金猿技术展】基于数据控制三维组态的方法及装置——实现数据驱动三维模型的精准运转技术...
数字冰雹技术 本项目由数字冰雹投递并参与"数据猿年度金猿策划活动--2021大数据产业创新技术突破榜榜单及奖项"评选. 数据智能产业创新服务媒体 --聚焦数智 · 改变商业 基于数 ...
- 基于大数据POI基因图谱的再生技术研究
摘要:本文从海量POI数据中找出再生特征,构建基因图谱,基于大数据技术提出了POI数据横向扩展.地理描述纠正.错误信息的最优处理标准和方案. 关键词:大数据 POI再生技术 1.引言 伴随着网络数字地 ...
- 段路由SR（Segment Routing）是基于源路由理念而设计的在网络上转发数据包的一种技术架构
一.SR背景 段路由SR(Segment Routing)是基于源路由理念而设计的在网络上转发数据包的一种技术架构. SR-MPLS可以通过多个MPLS形成路径(基于标签转发) SRv6可以通 ...
- ArcGIS土地利用数据制备、分析及基于FLUS模型土地利用预测实践技术
土地资源对人类至关重要,土地是人类赖以生存和发展的物质基础,是一切生产和一起存在的源泉.利用现代化的技术手段及时.准确地获取土地利用现状,以及充分认识土地利用和土地覆盖变化规律,能极大地提高制定土地利 ...
- 银行客户用户画像_技术分享 | 基于数据中台的银行客户画像体系构建
背景 1.金融消费行为的改变,企业无法接触到客户 80后.90后总计3.4亿人口,日益成为金融企业主要的消费者,但是他们的金融消费习惯正在改变,他们不愿意到金融网点办理业务,不喜欢被动接受金融产品和服 ...
- 人工智能的另一方向：基于忆阻器的存算一体技术
2020-05-06 22:10:35 作者 | 刘千惠.邢东 编辑 | 蒋宝尚 过去的十年以深度神经网络为代表的人工智能技术深刻影响了人类社会.但深度神经网络的发展已经进入瓶颈期,我们仍处于弱人工智 ...
- 新文速递 | 盒装数据：一种基于数据盒的数据产品形态
主题词 数据产品:盒装数据:产品形态:数据市场 近年来,国内数据交易机构探索通过数据交易方式实现大数据流通的机制和可行路径,但在未能明确数据产品形态的情况下,数据的计量计价机制难以形成,数据交易面临难 ...
- 基于ISM的大数据在建筑领域中的应用障碍分析
点击上方蓝字关注我们 基于ISM的大数据在建筑领域中的应用障碍分析 纪颖波1, 赵子豪1, 姚福义2 1 北方工业大学土木工程学院,北京 100144 2 重庆大学管理科学与房地产学院,重庆 4000 ...
- 数据自治开放的加密技术挑战
数据自治开放的加密技术挑战 黄霖1,2, 黎源1,2, 汪星辰1,2, 赵运磊1,2 1. 复旦大学计算机科学技术学院,上海 201203 2. 上海市数据科学重点实验室,上海 201203 摘要:数 ...
最新文章
- Cytoscape: MCODE增强包的网络模块化分析
- 走出“搜索引擎营销”三个误区
- jQuery的祖先遍历
- 【转】细数中国十大名校的IT牛人
- st edmunds和emmanuel college
- python创建多个txt文件-python-在目录中创建多个文本文件的字数字...
- Spring过滤器组件自动扫描
- 梦幻手游最新服务器,梦幻西游手游12月18日新服务器开服公告
- asp.net 中ascx、asmx、ashx等文件类型说明
- 我画着图，FluentAPI 她自己就生成了
- 整合apache和JBoss，配置虚拟主机
- Vuex使用详解，附加项目遇到的问题（简单明了）
- C++学习_第1章_从C到C++
- 数据库工作笔记001---mysql 修改字符集_修改排序规则
- React Native 交互管理器InteractionManager
- IS-IS详解（十九）——IS-IS 与IPv6
- 关于后台模块的理解。
- express框架下载及使用
- 哆点Linux客户端上网
- 手把手教你注册和备案域名