Pandas实战：电商平台用户分析

数据分析

1.行为概况

首先，我们要对用户的行为类型有一定的理解，了解每个行为所代表的含义。

  • 浏览：作为用户与商品接触的第一个行为，它的数量级与其他行为类型相比而言是非常庞大的，因为：

    • 用户购买之前需要货比三家，可能会浏览很多个商品最后只下单一个，此时就是多个浏览对应一个下单。

    • 但大部分用户可能只是浏览了很多商品，但最终没下单的，此时就是多个浏览对应零个下单。

  • 收藏：代表用户对商品有了一定程度的意向，但不一定有购买计划。

  • 加购物车：代表用户对商品的购买意向进一步加强，但由于某种原因还在犹豫没最终决定，这个环节的成单率极高。

  • 下单：代表交易达成，此时新用户已成为老用户，老用户继续产生价值。

  • 评论：代表用户对商品反馈的活跃程度。

需求1：对所有行为类型统计数量和占比

# 行为类型数量统计
ser_type_cnt = df['type_map'].value_counts()
# 行为类型数量占比
ser_type_pct = df['type_map'].value_counts(normalize=True)
# 合并
pd.concat([ser_type_cnt, ser_type_pct],axis=1).style.format("{:.2%}",subset=['proportion']).bar(subset='proportion')

图片

观察结果：

  • 浏览行为占75.66%，印证了我们前面对的浏览行为的理解。

  • 加购物车占14.65%，下单仅占了6.97%，可以推出一些权益活动，吸引客户下单，提高下单率。

  • 此外用户评论和收藏的占比也较低，分别占2.46%和1.16%，应增强与用户之间的互动，提高评论数量和收藏率。

2.流量指标分析

指标设计可以很好的帮助我们了解业务状况、发现业务问题和异常。比如，xx企业将日活用户数作为北极星指标，针对该指标向下拆解各种细分指标，然后对各种细分指标进行优化提升，从而最终提升北极星指标，业绩大幅提升。

下面针对该项目数据中的行为类型设计一些常用的流量指标，用来监控用户行为的流量变化，比如浏览总量、浏览人数、日均访问量、人均访问数、消费用户人均访问量、消费用户人均消费次数、复购率等等。

访问量指标

针对浏览行为可以统计出一段时间内的访问量大小，即流量有多少。下面对数据中全部用户计算访问量的指标。

  • pv（page view）总访问量：一段时间内全部访问量的总和

  • uv（user view）总访客数：一段时间内全部访客的总和，注意用户是单独的个体因此需要计算唯一值

  • pv_per_day 日均访问量：一段时间内平均每天的访问量

  • pv_per_user 人均访问量：每个用户的平均访问量

需求2：计算出以上所有用户的访问量指标

# 总访问量
pv = df[df['type_map'] == '浏览']['user_id'].count()
print('总访问量:{}'.format(pv))# 总访客数
uv = df['user_id'].nunique()
print('总访客数:{}'.format(uv))# 日均访问量
pv_per_day = pv / df['date'].nunique()
print('日均访问量:%.0f' %pv_per_day)# 人均访问量=总访问量/总访客数
pv_per_user = pv / uv
print('人均访问量:%.2f' %pv_per_user)
------
总访问量:2757485
总访客数:440373
日均访问量:393926
人均访问量:6.26

消费用户流量指标

以上是对全部用户的流量指标，如果我们想分析消费用户群体，可以针对消费用户设计相关的流量指标，比如有：

  • user_pay 消费用户数量：一段时间内有下单行为的总用户数量

  • pv_pay 消费用户总访问量：一段时间内所有消费用户的浏览数量总和

  • user_pay_rate 消费用户数占比：消费用户数占总用户数的比例

  • pv_per_buy_user 消费用户人均访问量：一段时间内每个消费用户浏览数量的均值

需求3：计算出以上消费用户的流量指标

# 消费用户的唯一id
user_pay = df[df['type_map'] == '下单']['user_id'].unique()
print('消费用户数量:{}'.format(len(user_pay)))# 消费用户的总访问量
pv_pay = df[df['user_id'].isin(user_pay)]['type_map'].value_counts()['浏览']
print('消费用户总访问量:{}'.format(pv_pay))# 消费用户数占比
user_pay_rate = len(user_pay) / uv
print('消费用户数占比:%.2f%%' %(user_pay_rate*100))# 消费用户人均访问量
pv_per_buy_user = pv_pay / len(user_pay)
print('消费用户人均访问量:%.2f' %pv_per_buy_user)# 消费用户人均消费次数
cnt_per_buy_user = df[df['type_map'] == '下单'].shape[0]/len(user_pay)
print('消费用户人均消费次数:%.2f' %cnt_per_buy_user)
------
消费用户数量:187549
消费用户总访问量:1400380
消费用户数占比:42.59%
消费用户人均访问量:7.47
消费用户人均消费次数:1.18

复购率

复购行为指的是一个客户的历史下单次数至少一次以上，即再第一次购买后，过了一段时间又有了第二次、第三次购买行为。

需求5：计算出下单次数一次以上的客户占总下单人数比例

注意：这里的复购逻辑是以人为维度，可以包括不同sku商品的下单，只要该用户总下单次数>1就算复购。因此我们对下单的用户分组统计总下单次数，然后筛选出下单次数>1的客户占总下单客户数的比例。

# 每个用户消费总次数
df_pay_num = df[df['type_map']=='下单'].groupby(['user_id'])['type'].count().to_frame(name='num')
# 消费次数>=2的客户数
repay_num = df_pay_num[df_pay_num['num']>1].shape[0]
# 消费总客户数
total_pay_num = df_pay_num.shape[0]
# 复购率
repay_rate =round(repay_num/total_pay_num,4)
print('用户维度的复购率:%.2f%%' %(repay_rate*100))
------
用户维度的复购率:11.55%

对于用户维度的复购率而言，11.55%是比较低的，有很大的提升空间。可以联合运营部门设计一些权益活动吸引老客下单，提升复购率。

需求6：计算出每个商品下单次数一次以上的客户占该商品总下单人数比例

以上的复购率口径是人的维度，只要在电商平台下单次数大于1次就算复购。如果我们从商品的角度出发，也可以分析每个商品的复购率。

# 对用户和商品id分组统计下单的次数
df_sku_user_pay = df[df['type_map']=='下单'].groupby(['sku_id','user_id'], as_index=False)['type'].count()
df_sku_user_pay.head()

图片

# 筛选每个商品下用户下单次数大于1的
df_sku_user_repay = df_sku_user_pay[df_sku_user_pay['type']>1]
df_sku_user_repay.head()

图片

# 对商品分组统计下单次数大于1的客户数
df_sku_repay_cnt = df_sku_user_repay.groupby(['sku_id'], as_index=False)['user_id'].count().sort_values(by='user_id',ascending=False)
# 对商品分组统计下单的总客户数
df_sku_pay_cnt = df.groupby(['sku_id'], as_index=False)['type'].count()
# 商品无复购客户的填充为0，计算复购率，按复购数量倒序排序
df_sku_repay_rate = (pd.merge(df_sku_pay_cnt,df_sku_repay_cnt, on='sku_id', how='left').fillna(0).rename(columns={'type':'pay_cnt','user_id':'repay_cnt'}).assign(repay_rate=lambda x:x['repay_cnt']/x['pay_cnt']).sort_values(by='repay_cnt',ascending=False))
df_sku_repay_rate.head(10)

图片

以上就得到了每个sku商品的复购率。下面通过可视化看下复购率大于0的分布状况，是明显的有偏分布，大多数sku的复购率都在10%以内，极少数高比如50%是因为总下单数量小，没有统计意义。

plt.subplots(figsize=(15, 5))
df_sku_repay_rate.loc[df_sku_repay_rate['repay_rate']>0,'repay_rate'].hist(bins=50)
plt.show()

图片

sku_repay_avg = df_sku_repay_rate.loc[df_sku_repay_rate['repay_rate']>0,'repay_rate'].mean()
sku_repay_med = df_sku_repay_rate.loc[df_sku_repay_rate['repay_rate']>0,'repay_rate'].median()
sku_repay_max = df_sku_repay_rate.loc[df_sku_repay_rate['repay_cnt']>0,'repay_rate'].max()
print('sku商品复购率大于0的均值:%.2f%%' %(sku_repay_avg*100))
print('sku商品复购率大于0的中位数:%.2f%%' %(sku_repay_med*100))
print('sku商品复购率的最大值:%.2f%%' %(sku_repay_max*100))
------
sku商品复购率大于0的均值:3.82%
sku商品复购率大于0的中位数:1.61%
sku商品复购率的最大值:50.00%

3.转化漏斗分析

浏览->收藏->加购物车->下单->评论，是一个用户从了解商品->交易产品->熟悉产品的过程。在这个过程中，由于每一个转化环节都会有一定流量的损失，因此流量最终会形成一个漏斗。

比如有10个用户浏览了商品，但最后加入购物车或者下单的只有7个，其他3个只是看看并没有后续行为，那么此时浏览到下单的转化率就是70%，其他环节的转化漏斗也是同理。

清楚地了解各环节转化率后，有助于我们发现薄弱环节并进行优化。同样地，各环节转化率也可以作为我们关注的指标，并按周期进行监测。

需求7：计算用户从浏览到下单的转化率及漏斗可视化

# 筛选用户的浏览数据
df_pv = df[df['type_map']=='浏览']
# 筛选客户的下单数据
df_pay = df[df['type_map']=='下单']cols = ['user_id','sku_id','action_time','type_map']
# 将用户浏览和下单行为进行匹配
df_pv_pay = pd.merge(df_pv[cols], df_pay[cols], on=['user_id','sku_id'], how='inner', suffixes=('_pv', '_pay'))
df_pv_pay.head()

图片

以上通过内连接将同用户同商品下存在浏览和下单行为的匹配出来。

但此时的数据还不能直接统计使用，仍需要两个关键的步骤。

第一个是，因为浏览到下单是有先后顺序的，我们的条件是下单时间一定要晚于浏览时间，因此这里我们对这个时间进一步筛选。

# 筛选下单时间在浏览时间之后的数据
t_0 = df_pv_pay.shape[0]
df_pv_pay = df_pv_pay[df_pv_pay['action_time_pay'] > df_pv_pay['action_time_pv']]
t_1 = df_pv_pay.shape[0]
print('时间筛选前数量 %.0f'%t_0)
print('时间筛选后数量 %.0f'%t_1)
print('时间筛选后减少数量 %.0f'%(t_0-t_1))
------
时间筛选前数量 300673
时间筛选后数量 215070
时间筛选后减少数量 85603

第二个是，用户在下单一个商品之前可能有不止一次的浏览，即多个浏览对应一个下单，同理也存在一个浏览对应多个下单记录的情况（如下图所示）。

要分析从浏览到下单的转化率，我们需要以用户+商品的维度考虑，即对于同一用户同一商品下的多重行为记录要进行去重处理。举例说就是，同用户用商品下不论有多少次浏览行为，只要下单了那么都算作为一个转化，不应算作多个。

图片

基于以上去重逻辑，我们使用groupby对同用户同商品的重复行为进行去重。

pv_pay_dict= {}
# 去重后的浏览用户数
pv_cnt = df_pv.groupby(['user_id','sku_id'])['type_map'].count().shape[0]
# 去重后的下单用户数
pay_cnt = df_pv_pay.groupby(['user_id','sku_id'])['type_map_pv'].count().shape[0]pv_pay_rate = round(pay_cnt*100/pv_cnt,4)
pv_pay_dict['浏览'] = 100
pv_pay_dict['下单'] = pv_pay_rate
print('浏览用户数 %.0f'%pv_cnt)
print('浏览到下单的用户数 %.0f'%pay_cnt)
print('浏览->下单转化率 %.2f%%'%pv_pay_rate)
------
浏览用户数 2228233
浏览到下单的用户数 162772
浏览->下单转化率 7.30%

从浏览到下单的转化率仅为7.3%，还有很大的优化空间。

接下来，我们使用pyecharts第三方包漏斗可视化。

from pyecharts import options as opts
from pyecharts.charts import Funnel
from pyecharts.globals import CurrentConfig, NotebookType
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LABpv_pay=(Funnel(opts.InitOpts(width="600px", height="300px")).add(series_name="",data_pair=[[k,v] for  k,v in pv_pay_dict.items()],tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{b} : {c}%"),label_opts=opts.LabelOpts(is_show=True, position="inside"),itemstyle_opts=opts.ItemStyleOpts(border_color="#fff", border_width=1)))
pv_pay.load_javascript()
pv_pay.render_notebook()

图片

需求8：计算用户从浏览->加购物车->下单的转化率及漏斗可视化

多了一个环节，但分析过程与上面一样。

首先我们分别对浏览和加购物车、加购物车和下单做内连接的匹配。

这里注意一下：因为两次都是内连接，这意味着最终下单的客户一定是有浏览->加购物车->下单的行为轨迹的。但实际业务场景中，有的用户从浏览直接下单而不加入购物车，所以这种直接下单的用户群是没有包含在内的。

# 筛选用户的加购物车数据
df_cart = df[df['type_map']=='加购物车']
# 浏览用户与加购物车匹配
df_pv_cart = pd.merge(df_pv[cols], df_cart[cols], on=['user_id','sku_id'], how='inner', suffixes=('_pv', '_cart'))
# 加购物车用户与下单匹配
df_cart_pay = pd.merge(df_cart[cols], df_pay[cols], on=['user_id','sku_id'], how='inner', suffixes=('_cart', '_pay'))
# 加购物车用户与下单匹配
df_pv_cart_pay = pd.merge(df_pv_cart, df_cart_pay, on=['user_id','sku_id','action_time_cart','type_map_cart'], how='inner')

同样按照行为时间顺序进一步筛选。

# 加购物车时间大于浏览时间
t_0 = df_pv_cart.shape[0]
df_pv_cart = df_pv_cart[df_pv_cart['action_time_cart'] > df_pv_cart['action_time_pv']]
t_1 = df_pv_cart.shape[0]
print('时间筛选前数量 %.0f'%t_0)
print('时间筛选后数量 %.0f'%t_1)
print('时间筛选后减少数量 %.0f'%(t_0-t_1))
------
时间筛选前数量 895540
时间筛选后数量 569174
时间筛选后减少数量 326366# 下单时间大于加购物车时间
t_0 = df_cart_pay.shape[0]
df_cart_pay = df_cart_pay[df_cart_pay['action_time_pay'] > df_cart_pay['action_time_cart']]
t_1 = df_cart_pay.shape[0]
print('时间筛选前数量 %.0f'%t_0)
print('时间筛选后数量 %.0f'%t_1)
print('时间筛选后减少数量 %.0f'%(t_0-t_1))
------
时间筛选前数量 196214
时间筛选后数量 182881
时间筛选后减少数量 13333

然后使用groupby对同用户同商品的重复行为进行去重。

pv_pay_cart_dict= {}
# 去重后浏览客户数
pv_cnt = df_pv.groupby(['user_id','sku_id'])['type_map'].count().shape[0]
# 去重后加购物车用户数
cart_cnt = df_pv_cart.groupby(['user_id','sku_id'])['type_map_pv'].count().shape[0]
# 去重后下单用户数
pay_cnt = df_cart_pay.groupby(['user_id','sku_id'])['type_map_cart'].count().shape[0]
# 浏览到加购物车转化率
pv_cart_rate = round(cart_cnt*100/pv_cnt,4)
# 浏览到加购物车到下单的转化率
pv_cart_pay_rate = round(pay_cnt*100/pv_cnt,4)
# 加购物车到下单的转化率
cart_pay_rate = round(pay_cnt*100/cart_cnt,4)pv_pay_cart_dict['浏览'] = 100
pv_pay_cart_dict['加购物车'] = pv_cart_rate
pv_pay_cart_dict['下单'] = cart_pay_rate
print('浏览用户数 %.0f'%pv_cnt)
print('加购物车用户数 %.0f'%cart_cnt)
print('下单的用户数 %.0f'%pay_cnt)
print('浏览->加购物车转化率 %.2f%%'%pv_cart_rate)
print('浏览->加购物车->下单转化率 %.2f%%'%pv_cart_pay_rate)
print('加购物车->下单转化率 %.2f%%'%cart_pay_rate)
------
浏览用户数 2228233
加购物车用户数 354064
下单的用户数 137195
浏览->加购物车转化率 15.89%
浏览->加购物车->下单转化率 6.16%
加购物车->下单转化率 38.75%

同样用pyecharts进行漏斗可视化。

pv_cart_pay=(Funnel(opts.InitOpts(width="600px", height="400px")).add(series_name="",sort_='none',data_pair=[[k,v] for  k,v in pv_pay_cart_dict.items()],tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{b} : {c}%")))
pv_cart_pay.render_notebook()

图片

我们观察到，需求7中得到的转化率为7.3%，而需求8中得到的转化率为6.16%，同样都是从浏览到下单的转化，为什么结果却是不一样的呢？

这是因为，加购物车与下单并不是一种包含关系，而是一种相交的关系。二者的关系有以下三种情况（如下图）。

  • 用户将商品加入购物车然后下单

  • 用户没有加购物车直接下单

  • 用户加入购物车但最后没下单

所以，需求7中的转化率更大，因为从浏览直接到下单，既包括了加购物车后下单也包括了直接下单；而需求8中的转化是从浏览，到加购物车，再到下单，是包含在需求7内的，所以转化率小。

图片

4.消费时长分析

用户从浏览到下单的过程中，可能会有不同的路径，比如，浏览->下单，浏览->加购物车->下单，浏览->收藏->加购物车->下单。

不同的行为路径可能有不同的特性，比如消费时长。

为了更深入研究用户行为，下面我们分析不同路径用户的消费时长，即用户从浏览开始到下单之前所用的总时长，并统计时长的分布。

需求9：统计浏览->加购物车->下单的用户消费时长分布，并进行分布可视化

需求8中我们将浏览->加购物车->下单行为进行了内连接，下面对用户和商品进行分组统计浏览与下单的时间差。其中浏览时间筛选最早浏览时间，代表第一次接触商品，下单时间筛选最早的下单时间，代表浏览和加购物车后最近的下单。

pcp_interval = (df_pv_cart_pay.groupby(['user_id', 'sku_id'],as_index=False).apply(lambda x: (x.action_time_pay.min() - x.action_time_pv.min())).rename(columns={None:'interval'}))

图片

以上我们得到了下单与浏览行为的时间间隔，但此时的interval变量是timedelta时间差类型，我们需要进一步转化成数值类型。

# 获取时间差成分，筛选小时数
pcp_interval['interval'] = pcp_interval['interval'].dt.components['hours']

这是使用了components方法将时间差分解，并最终转换为0-24小时的小时数值。最后使用seaborn对时间间隔进行了分布可视化。

# 时间间隔分布可视化
fig, ax = plt.subplots(figsize=[16,6])
sns.countplot(x='interval', data=pcp_interval, palette='Set1')
# 消费时长分布占比的注释
for p in ax.patches:ax.annotate('{:.2f}%'.format(100*p.get_height()/len(pcp_interval['interval'])), (p.get_x() + 0.1, p.get_height() + 100))
ax.set_yscale("log")
plt.title('消费时间间隔')

图片

通过分布结果来看，大部分用户在一个小时内完成了商品下单，大部分用户的消费意愿比较明确。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/194863.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Spring-Boot---项目创建和使用

Spring-Boot---项目创建和使用

文章目录 什么是Spring-Boot？Spring-Boot项目的创建使用Idea创建使用网页创建 项目目录介绍项目启动 什么是Spring-Boot？ Spring的诞生是为了简化Java程序开发的；而Spring-Boot的诞生是为了简化Spring程序开发的。 Spring-Boot具有很多优点…
阅读更多...
【risc-v】易灵思efinix FPGA sapphire_soc IP配置参数分享

【risc-v】易灵思efinix FPGA sapphire_soc IP配置参数分享

系列文章目录 分享一些fpga内使用riscv软核的经验，共大家参考。后续内容比较多，会做成一个系列。 本系列会覆盖以下FPGA厂商 易灵思 efinix 赛灵思 xilinx 阿尔特拉 Altera 本文内容隶属于【易灵思efinix】系列。 前言 在efinix fpga中使用riscv是一…
阅读更多...
算法基础--双指针

算法基础--双指针

前面已经写了两篇关于算法方面的文章，这几天想了下，决定把这个算法整理成一个系列，除了是帮助自己巩固算法知识外，还能够把自己总结的每种算法的套路保存下来并分享给大家，这样以后即使是哪天想要重拾起来，…
阅读更多...
实验六 单脉冲触发中断实验(汇编与微机原理)

实验六 单脉冲触发中断实验(汇编与微机原理)

实验目的： 掌握可编程中断控制器8259一般的使用方法。 掌握8259初始化的编程方法及中断服务程序的编写方法，中断程序的调试方法。 实验内容： 用单脉冲按钮的正脉冲输出作为中断控制器8259的中断源产生中断请求，在中断服务程序…
阅读更多...
prometheus基础，结合node_exporter监控节点

prometheus基础，结合node_exporter监控节点

文章目录 一、Prometheus是什么二、exporters是什么三、node_exporter四、安装 Prometheus 和 node_exporter下载运行 prometheus运行 node_exporter 五、配置 Prometheus 收集监控数据总结 一、Prometheus是什么 Prometheus 是一个开源的监控和警报工具，它记录任何…
阅读更多...
Centos7安装docker、java、python环境

Centos7安装docker、java、python环境

文章目录 前言一、docker的安装二、docker-compose的安装三、安装python3和配置pip3配置python软链接（关键） 四、Centos 7.6操作系统安装JAVA环境 前言 每次vps安装docker都要看网上的文章，而且都非常坑，方法千奇百怪&#xff0c…
阅读更多...
go elasticsearch 测试实例

go elasticsearch 测试实例

// 查询列表数据 func QueryOperateList(ctx context.Context, esClient *elastic.Client, index string, pageNum, pageSize int, start, end int64, execSql string, list []interface{}, operateAccount string, operateAddr string, maxRows, minRows int, dbAddr, namespa…
阅读更多...
【USRP】5G / 6G 原型系统 5g / 6G prototype system

【USRP】5G / 6G 原型系统 5g / 6G prototype system

面向5G/6G科研应用 USRP专门用于5G/6G产品的原型开发与验证。该系统可以在实验室搭建一个真实的5G 网络，基于开源的代码，专为科研用户设计。 软件无线电架构，构建真实5G移动通信系统 X410 采用了目前流行的异构式系统，融合了FP…
阅读更多...
【毕业设计】基于雷达与深度学习的摔倒检测——微多普勒效应

【毕业设计】基于雷达与深度学习的摔倒检测——微多普勒效应

运动物体的微多普勒效应为人体动作识别提供了可能，基于雷达的居家检测具有良好的隐私保护性，且不易受环境因素影响（如光照、温度等），近年来已受到国内外学者的广泛关注。由于雷达信号的非平稳特性，通过短时…
阅读更多...
Oracle-CDB容器数据库修改service_names踩坑

Oracle-CDB容器数据库修改service_names踩坑

前言: 最近在对一套Oracle容器数据库进行迁移测试时，为了保持新环境与旧环境的服务名一致，需要在新环境添加旧环境的服务名，在CDB的根容器通过service_name参数添加旧环境的服务名之后，发现数据库PDB的服务名全部被注销&#xff0…
阅读更多...
自动驾驶学习笔记（十四）——感知算法

自动驾驶学习笔记（十四）——感知算法

#Apollo开发者# 学习课程的传送门如下，当您也准备学习自动驾驶时，可以和我一同前往： 《自动驾驶新人之旅》免费课程—> 传送门 《Apollo Beta宣讲和线下沙龙》免费报名—>传送门 文章目录 前言 感知算法 开发过程 测试和评价 前言…
阅读更多...
鸿蒙4.0开发笔记之ArkTS装饰器语法基础@Prop@Link@State状态装饰器（十二）

鸿蒙4.0开发笔记之ArkTS装饰器语法基础@Prop@Link@State状态装饰器（十二）

文章目录 一、哪些是状态装饰器二、StatePropLink状态传递的核心规则三、状态装饰器练习 一、哪些是状态装饰器 1、State：被装饰拥有其所属组件的状态，可以作为其子组件单向和双向同步的数据源。当其数值改变时，会引起相关组件的渲染刷新。 …
阅读更多...
思维模型 赫洛克效应

思维模型 赫洛克效应

本系列文章 主要是 分享 思维模型，涉及各个领域，重在提升认知。及时反馈，激发动力。 1 赫洛克效应的应用 1.1 赫洛克效应在管理中的应用 美国惠普公司是一家全球知名的科技公司，该公司非常注重员工的激励和认可。在惠普公司&…
阅读更多...
网络和Linux网络_9(应用层和传输层_笔试选择题)

网络和Linux网络_9(应用层和传输层_笔试选择题)

目录 一. 常见应用协议等等 1. 以下不是合法HTTP请求方法的是( ) 2. 文件传输使用的协议是（） 3. HTTP1.1的请求方法不包括？() 4. http状态码中，( )表示访问成功，( )表示坏请求，( )表示服务不可用。() …
阅读更多...
mysql的几种索引

mysql的几种索引

mysql可以在表的一列、或者多列上创建索引，索引的类型可以选择，如下： 普通索引（KEY） 普通索引可以提高查询效率。在表的一列、或者多列上创建索引。 每个表可以创建多个普通索引。 例如，下面示例&#…
阅读更多...
智能优化算法应用：基于海洋捕食者算法无线传感器网络(WSN)覆盖优化 - 附代码

智能优化算法应用：基于海洋捕食者算法无线传感器网络(WSN)覆盖优化 - 附代码

智能优化算法应用：基于海洋捕食者算法无线传感器网络(WSN)覆盖优化 - 附代码 文章目录 智能优化算法应用：基于海洋捕食者算法无线传感器网络(WSN)覆盖优化 - 附代码1.无线传感网络节点模型2.覆盖数学模型及分析3.海洋捕食者算法4.实验参数设定5.算法结果…
阅读更多...
实现一个简单的网络通信下（udp）

实现一个简单的网络通信下（udp）

时间过去好久了，先回忆一下上一篇博客的代码！！ 目前来看，我们客户端发一条消息，我服务器收到这一条消息之后呢，服务器也知道了是谁给我发来的消息，紧接这就把这条消息放进buffer当中&#xff0c…
阅读更多...
51单片机项目（18）——基于51单片机的大棚环境监测系统

51单片机项目（18）——基于51单片机的大棚环境监测系统

1.功能描述 首先使用DS18B20，测量土壤温度，并显示在OLED屏幕左边。然后使用土壤湿度传感器测量土壤湿度，因为这个传感器输出的值是模拟量，所以需要使用AD转换模块。本次使用ADC0832，这是一个8位精度的AD转换模块&#…
阅读更多...
大数据技术学习笔记（七）—— Zookeeper

大数据技术学习笔记（七）—— Zookeeper

目录 1 Zookeeper 概述1.1 Zookeeper 定义1.2 Zookeeper 工作机制1.3 Zookeeper 特点1.4 数据结构1.5 应用场景 2 Zookeeper 安装3 客户端命令行操作4 Zookeeper 的 Java 客户端操作4.1 IDEA 环境搭建4.2 初始化 ZooKeeper 客户端4.3 创建子节点4.4 获取子节点4.5 判断Znode是否…
阅读更多...
深入理解 Kafka 集群搭建与管理

深入理解 Kafka 集群搭建与管理

Apache Kafka 作为分布式流处理平台的核心，其集群搭建与管理是确保高可用性和高性能的关键。本文将深入研究 Kafka 集群的构建、配置、工作原理、节点角色以及一些高级管理策略，以助力读者更深层次地理解和灵活运用 Kafka 集群。 Kafka 集群基础 1 集群…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023