最新要闻
- OpenAI CEO承认害怕ChatGPT:AI会取代许多工作
- 环球快看:车主花32万买到全损事故车:获退1赔3、到手97.2万
- 群晖DS423入门级四盘位NAS发布:居然支持Docker了
- 今头条!小米真无线降噪耳机3《星球大战》联名版来了!明早10点正式公布
- 每日观察!家长发又有作业了被老师踢出群聊 还被电话教育:网友纷纷感同身受
- 当前报道:男子吐槽22元吃面 面量仅盖住碗底 店方:这是网红大碗
- 当前动态:一定的提问方法与一定的什么是控制访谈的两个重要因素_一定的与一定的是控制访谈的两个重要因素
- 2023年安卓之光!小米13 Ultra最新进展:还在打磨MIUI 14系统
- 焦点滚动:AMD Zen4低功耗锐龙7 7840U首次现身:28W就灭掉45W Zen3+
- 世界视点!南航重推“随心飞”产品:不限年龄无限飞行 服务器被挤爆
- 环球热点!推荐机制不再保密:马斯克宣布月底开放Twitter推荐算法
- P图侮辱女性 苏州大学凌晨通报:开除赵某某学籍
- 1254MB海量缓存+96核心!AMD霄龙9004X让对手彻底绝望
- 【全球聚看点】“密集恐惧症”真的是种病?看完也许会治好
- 每日快报!群晖DSM 7.2 Beta发布:Docker更名 相册大升级
- 焦点快播:诸葛亮的改动再度提上日程,诸葛亮真的需要这样调整吗?
手机
iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?
警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案
- iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?
- 警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案
- 男子被关545天申国赔:获赔18万多 驳回精神抚慰金
- 3天内26名本土感染者,辽宁确诊人数已超安徽
- 广西柳州一男子因纠纷杀害三人后自首
- 洱海坠机4名机组人员被批准为烈士 数千干部群众悼念
家电
数据挖掘第四周作业
(相关资料图)
第一部分——商品零售购物篮分析
代码一:查看数据特征
import numpy as npimport pandas as pdinputfile="D:\python_data\GoodsOrder.csv" #输入的数据文件data=pd.read_csv(inputfile,encoding="gbk") #读取数据data.info() #查看数据属性data=data["id"]description=[data.count(),data.min(),data.max()] #依次计算总数、最小值、最大值description=pd.DataFrame(description,index=["Count","Min","Max"]).Tprint("描述性统计结果:\n",np.round(description)) #输出结果RangeIndex: 43367 entries, 0 to 43366
Data columns (total 2 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 id 43367 non-null int64 1 Goods 43367 non-null objectdtypes: int64(1), object(1)memory usage: 677.7+ KB描述性统计结果: Count Min Max0 43367 1 9835代码二:分析热销商品
inputfile = "D:\python_data\GoodsOrder.csv"data = pd.read_csv(inputfile,encoding="gbk")group = data.groupby(["Goods"]).count().reset_index()sorted = group.sort_values("id",ascending=False)print("销量排行前10商品的销量:\n",sorted[:10])
销量排行前10商品的销量: Goods id7 全脂牛奶 25138 其他蔬菜 1903155 面包卷 1809134 苏打 1715150 酸奶 137299 瓶装水 108770 根茎类蔬菜 107285 热带水果 1032143 购物袋 969160 香肠 924
import matplotlib.pyplot as pltx = sorted[:10]["Goods"]y = sorted[:10]["id"]plt.figure(figsize=(8,4))plt.barh(x,y)plt.rcParams["font.sans-serif"] = "SimHei"plt.xlabel("销量")plt.ylabel("商品类别")plt.title("商品的销量TOP10 3129")plt.show()data_nums = data.shape[0]for idnex,row in sorted[:10].iterrows(): print(row["Goods"],row["id"],row["id"]/data_nums)
全脂牛奶 2513 0.05794728710770863其他蔬菜 1903 0.0438812922268084面包卷 1809 0.04171374547466968苏打 1715 0.039546198722530956酸奶 1372 0.031636958978024765瓶装水 1087 0.025065141697604168根茎类蔬菜 1072 0.024719256577582033热带水果 1032 0.023796896257523购物袋 969 0.022344178753430026香肠 924 0.021306523393363617代码三:各类别商品的销量及其占比
inputfile1 = "D:\python_data\GoodsOrder.csv"inputfile2 = "D:\python_data\GoodsTypes.csv"data = pd.read_csv(inputfile1,encoding = "gbk")types = pd.read_csv(inputfile2,encoding = "gbk") # 读入数据group = data.groupby(["Goods"]).count().reset_index()sort = group.sort_values("id",ascending = False).reset_index()data_nums = data.shape[0] # 总量del sort["index"]sort_links = pd.merge(sort,types) # 根据type合并两个datafreame# 根据类别求和,每个商品类别的总量,并排序sort_link = sort_links.groupby(["Types"]).sum().reset_index()sort_link = sort_link.sort_values("id",ascending = False).reset_index()del sort_link["index"] # 删除“index”列# 求百分比,然后更换列名,最后输出到文件sort_link["count"] = sort_link.apply(lambda line: line["id"]/data_nums,axis=1)sort_link.rename(columns = {"count":"percent"},inplace = True)print("各类别商品的销量及其占比:\n",sort_link)outfile1 = "D:\python_data\percent.csv"sort_link.to_csv(outfile1,index = False,header = True,encoding="gbk") # 保存结果# 画饼图展示每类商品销量占比import matplotlib.pyplot as pltdata = sort_link["percent"]labels = sort_link["Types"]plt.figure(figsize=(8, 6)) # 设置画布大小plt.pie(data,labels=labels,autopct="%1.2f%%")plt.rcParams["font.sans-serif"] = "SimHei"plt.title("每类商品销量占比3129",fontdict={"size": 20}) # 设置标题plt.show()
各类别商品的销量及其占比:Types id percent0 非酒精饮料 7594 0.1751101 西点 7192 0.1658402 果蔬 7146 0.1647803 米粮调料 5185 0.1195614 百货 5141 0.1185465 肉类 4870 0.1122976 酒精饮料 2287 0.0527367 食品类 1870 0.0431208 零食 1459 0.0336439 熟食 541 0.012475
代码四:非酒精饮料内部商品的销量及其占比
# 先筛选“非酒精饮料”类型的商品,然后求百分比,然后输出结果到文件。selected = sort_links.loc[sort_links["Types"] == "非酒精饮料"] # 挑选商品类别为“非酒精饮料”并排序child_nums = selected["id"].sum() # 对所有的“非酒精饮料”求和selected["child_percent"] = selected.apply(lambda line: line["id"]/child_nums,axis = 1) # 求百分比selected.rename(columns = {"id":"count"},inplace = True)print("非酒精饮料内部商品的销量及其占比:\n",selected)outfile2 = "D:\python_data\percent.csv"sort_link.to_csv(outfile2,index = False,header = True,encoding="gbk") # 输出结果
0 全脂牛奶 2513 非酒精饮料 0.3309193 苏打 1715 非酒精饮料 0.2258365 瓶装水 1087 非酒精饮料 0.14313916 水果/蔬菜汁 711 非酒精饮料 0.09362722 咖啡 571 非酒精饮料 0.07519138 超高温杀菌的牛奶 329 非酒精饮料 0.04332445 其他饮料 279 非酒精饮料 0.03674051 一般饮料 256 非酒精饮料 0.033711101 速溶咖啡 73 非酒精饮料 0.009613125 茶 38 非酒精饮料 0.005004144 可可饮料 22 非酒精饮料 0.002897
# 画饼图展示非酒精饮品内部各商品的销量占比import matplotlib.pyplot as pltdata = selected["child_percent"]labels = selected["Goods"]plt.figure(figsize = (8,6)) # 设置画布大小explode = (0.02,0.03,0.04,0.05,0.06,0.07,0.08,0.08,0.3,0.1,0.3) # 设置每一块分割出的间隙大小plt.pie(data,explode = explode,labels = labels,autopct = "%1.2f%%", pctdistance = 1.1,labeldistance = 1.2)plt.rcParams["font.sans-serif"] = "SimHei"plt.title("非酒精饮料内部各商品的销量占比3129",fontdict={"size": 20}) # 设置标题plt.axis("equal")plt.show() # 展示图形
代码五:数据转换
inputfile=open("D:\python_data\GoodsOrder.csv")data = pd.read_csv(inputfile,encoding = "gbk")# 根据id对“Goods”列合并,并使用“,”将各商品隔开data["Goods"] = data["Goods"].apply(lambda x:","+x)data = data.groupby("id").sum().reset_index()# 对合并的商品列转换数据格式data["Goods"] = data["Goods"].apply(lambda x :[x[1:]])data_list = list(data["Goods"])# 分割商品名为每个元素data_translation = []for i in data_list: p = i[0].split(",") data_translation.append(p)print("数据转换结果的前5个元素:\n", data_translation[0:5])
数据转换结果的前5个元素: [["柑橘类水果", "人造黄油", "即食汤", "半成品面包"], ["咖啡", "热带水果", "酸奶"], ["全脂牛奶"], ["奶油乳酪", "肉泥", "仁果类水果", "酸奶"], ["炼乳", "长面包", "其他蔬菜", "全脂牛奶"]]
代码六:构建关联规则模型
from numpy import *def loadDataSet(): return [["a", "c", "e"], ["b", "d"], ["b", "c"], ["a", "b", "c", "d"], ["a", "b"], ["b", "c"], ["a", "b"], ["a", "b", "c", "e"], ["a", "b", "c"], ["a", "c", "e"]]def createC1(dataSet): C1 = [] for transaction in dataSet: for item in transaction: if not [item] in C1: C1.append([item]) C1.sort() # 映射为frozenset唯一性的,可使用其构造字典 return list(map(frozenset, C1))# 从候选K项集到频繁K项集(支持度计算)def scanD(D, Ck, minSupport): ssCnt = {} for tid in D: # 遍历数据集 for can in Ck: # 遍历候选项 if can.issubset(tid): # 判断候选项中是否含数据集的各项 if not can in ssCnt: ssCnt[can] = 1 # 不含设为1 else: ssCnt[can] += 1 # 有则计数加1 numItems = float(len(D)) # 数据集大小 retList = [] # L1初始化 supportData = {} # 记录候选项中各个数据的支持度 for key in ssCnt: support = ssCnt[key] / numItems # 计算支持度 if support >= minSupport: retList.insert(0, key) # 满足条件加入L1中 supportData[key] = support return retList, supportDatadef calSupport(D, Ck, min_support): dict_sup = {} for i in D: for j in Ck: if j.issubset(i): if not j in dict_sup: dict_sup[j] = 1 else: dict_sup[j] += 1 sumCount = float(len(D)) supportData = {} relist = [] for i in dict_sup: temp_sup = dict_sup[i] / sumCount if temp_sup >= min_support: relist.append(i) # 此处可设置返回全部的支持度数据(或者频繁项集的支持度数据) supportData[i] = temp_sup return relist, supportData# 改进剪枝算法def aprioriGen(Lk, k): retList = [] lenLk = len(Lk) for i in range(lenLk): for j in range(i + 1, lenLk): # 两两组合遍历 L1 = list(Lk[i])[:k - 2] L2 = list(Lk[j])[:k - 2] L1.sort() L2.sort() if L1 == L2: # 前k-1项相等,则可相乘,这样可防止重复项出现 # 进行剪枝(a1为k项集中的一个元素,b为它的所有k-1项子集) a = Lk[i] | Lk[j] # a为frozenset()集合 a1 = list(a) b = [] # 遍历取出每一个元素,转换为set,依次从a1中剔除该元素,并加入到b中 for q in range(len(a1)): t = [a1[q]] tt = frozenset(set(a1) - set(t)) b.append(tt) t = 0 for w in b: # 当b(即所有k-1项子集)都是Lk(频繁的)的子集,则保留,否则删除。 if w in Lk: t += 1 if t == len(b): retList.append(b[0] | b[1]) return retListdef apriori(dataSet, minSupport=0.2): # 前3条语句是对计算查找单个元素中的频繁项集 C1 = createC1(dataSet) D = list(map(set, dataSet)) # 使用list()转换为列表 L1, supportData = calSupport(D, C1, minSupport) L = [L1] # 加列表框,使得1项集为一个单独元素 k = 2 while (len(L[k - 2]) > 0): # 是否还有候选集 Ck = aprioriGen(L[k - 2], k) Lk, supK = scanD(D, Ck, minSupport) # scan DB to get Lk supportData.update(supK) # 把supk的键值对添加到supportData里 L.append(Lk) # L最后一个值为空集 k += 1 del L[-1] # 删除最后一个空集 return L, supportData # L为频繁项集,为一个列表,1,2,3项集分别为一个元素# 生成集合的所有子集def getSubset(fromList, toList): for i in range(len(fromList)): t = [fromList[i]] tt = frozenset(set(fromList) - set(t)) if not tt in toList: toList.append(tt) tt = list(tt) if len(tt) > 1: getSubset(tt, toList)def calcConf(freqSet, H, supportData, ruleList, minConf=0.7): for conseq in H: # 遍历H中的所有项集并计算它们的可信度值 conf = supportData[freqSet] / supportData[freqSet - conseq] # 可信度计算,结合支持度数据 # 提升度lift计算lift = p(a & b) / p(a)*p(b) lift = supportData[freqSet] / (supportData[conseq] * supportData[freqSet - conseq]) if conf >= minConf and lift > 1: print(freqSet - conseq, "-->", conseq, "支持度", round(supportData[freqSet], 6), "置信度:", round(conf, 6), "lift值为:", round(lift, 6)) ruleList.append((freqSet - conseq, conseq, conf))# 生成规则def gen_rule(L, supportData, minConf=0.7): bigRuleList = [] for i in range(1, len(L)): # 从二项集开始计算 for freqSet in L[i]: # freqSet为所有的k项集 # 求该三项集的所有非空子集,1项集,2项集,直到k-1项集,用H1表示,为list类型,里面为frozenset类型, H1 = list(freqSet) all_subset = [] getSubset(H1, all_subset) # 生成所有的子集 calcConf(freqSet, all_subset, supportData, bigRuleList, minConf) return bigRuleListif __name__ == "__main__": dataSet = data_translation L, supportData = apriori(dataSet, minSupport=0.02) rule = gen_rule(L, supportData, minConf=0.35)
frozenset({"水果/蔬菜汁"}) --> frozenset({"全脂牛奶"}) 支持度 0.02664 置信度: 0.368495 lift值为: 1.44216frozenset({"人造黄油"}) --> frozenset({"全脂牛奶"}) 支持度 0.024199 置信度: 0.413194 lift值为: 1.617098frozenset({"仁果类水果"}) --> frozenset({"全脂牛奶"}) 支持度 0.030097 置信度: 0.397849 lift值为: 1.557043frozenset({"牛肉"}) --> frozenset({"全脂牛奶"}) 支持度 0.021251 置信度: 0.405039 lift值为: 1.58518frozenset({"冷冻蔬菜"}) --> frozenset({"全脂牛奶"}) 支持度 0.020437 置信度: 0.424947 lift值为: 1.663094frozenset({"本地蛋类"}) --> frozenset({"其他蔬菜"}) 支持度 0.022267 置信度: 0.350962 lift值为: 1.813824frozenset({"黄油"}) --> frozenset({"其他蔬菜"}) 支持度 0.020031 置信度: 0.361468 lift值为: 1.868122frozenset({"本地蛋类"}) --> frozenset({"全脂牛奶"}) 支持度 0.029995 置信度: 0.472756 lift值为: 1.850203frozenset({"黑面包"}) --> frozenset({"全脂牛奶"}) 支持度 0.025216 置信度: 0.388715 lift值为: 1.521293frozenset({"糕点"}) --> frozenset({"全脂牛奶"}) 支持度 0.033249 置信度: 0.373714 lift值为: 1.462587frozenset({"酸奶油"}) --> frozenset({"其他蔬菜"}) 支持度 0.028876 置信度: 0.402837 lift值为: 2.081924frozenset({"猪肉"}) --> frozenset({"其他蔬菜"}) 支持度 0.021657 置信度: 0.375661 lift值为: 1.941476frozenset({"酸奶油"}) --> frozenset({"全脂牛奶"}) 支持度 0.032232 置信度: 0.449645 lift值为: 1.759754frozenset({"猪肉"}) --> frozenset({"全脂牛奶"}) 支持度 0.022166 置信度: 0.38448 lift值为: 1.504719frozenset({"根茎类蔬菜"}) --> frozenset({"全脂牛奶"}) 支持度 0.048907 置信度: 0.448694 lift值为: 1.756031frozenset({"根茎类蔬菜"}) --> frozenset({"其他蔬菜"}) 支持度 0.047382 置信度: 0.434701 lift值为: 2.246605frozenset({"凝乳"}) --> frozenset({"全脂牛奶"}) 支持度 0.026131 置信度: 0.490458 lift值为: 1.919481frozenset({"热带水果"}) --> frozenset({"全脂牛奶"}) 支持度 0.042298 置信度: 0.403101 lift值为: 1.577595frozenset({"柑橘类水果"}) --> frozenset({"全脂牛奶"}) 支持度 0.030503 置信度: 0.36855 lift值为: 1.442377frozenset({"黄油"}) --> frozenset({"全脂牛奶"}) 支持度 0.027555 置信度: 0.497248 lift值为: 1.946053frozenset({"酸奶"}) --> frozenset({"全脂牛奶"}) 支持度 0.056024 置信度: 0.401603 lift值为: 1.571735frozenset({"其他蔬菜"}) --> frozenset({"全脂牛奶"}) 支持度 0.074835 置信度: 0.386758 lift值为: 1.513634frozenset({"酸奶", "其他蔬菜"}) --> frozenset({"全脂牛奶"}) 支持度 0.022267 置信度: 0.512881 lift值为: 2.007235frozenset({"酸奶", "全脂牛奶"}) --> frozenset({"其他蔬菜"}) 支持度 0.022267 置信度: 0.397459 lift值为: 2.054131frozenset({"其他蔬菜", "根茎类蔬菜"}) --> frozenset({"全脂牛奶"}) 支持度 0.023183 置信度: 0.48927 lift值为: 1.914833frozenset({"全脂牛奶", "根茎类蔬菜"}) --> frozenset({"其他蔬菜"}) 支持度 0.023183 置信度: 0.474012 lift值为: 2.44977
代码七:西点内部商品的销量及其占比
import seaborn as sns#西点selected = sort_links.loc[sort_links["Types"] == "西点"] # 挑选商品类别为“西点”并排序# 绘制西点类别中不同商品占比的条形图plt.figure(figsize=(10, 5))sns.barplot(x=list(selected["id"]), y=list(selected["Goods"]))plt.xlabel("商品销量")plt.ylabel("商品类别")plt.rcParams["font.sans-serif"] = "SimHei"plt.title("西点类别中不同商品的销量3129")plt.show()# 先筛选“西点”类型的商品,然后求百分比,然后输出结果到文件。selected = sort_links.loc[sort_links["Types"] == "西点"] # 挑选商品类别为“西点”并排序child_nums = selected["id"].sum() # 对所有的“西点”求和selected["child_percent_xidian"] = selected.apply(lambda line: line["id"]/child_nums,axis = 1) # 求百分比selected.rename(columns = {"id":"count"},inplace = True)print("西点内部商品的销量及其占比:\n",selected)outfile3 = "D:\python_data\child_percent_xidian.csv"sort_link.to_csv(outfile3,index = False,header = True,encoding="gbk") # 输出结果# 画饼图展示西点内部各商品的销量占比data = selected["child_percent_xidian"]labels = selected["Goods"]plt.figure(figsize = (8,6)) # 设置画布大小explode = (0.05,0.04,0.04,0.05,0.06,0.07,0.03,0.03,0.03,0.02,0.03,0.02,0.02,0.02,0.02,0.08,0.3,0.34,0.38,0.4,0.8) # 设置每一块分割出的间隙大小plt.pie(data,explode = explode,labels = labels,autopct = "%1.2f%%", pctdistance = 1.1,labeldistance = 1.2)plt.rcParams["font.sans-serif"] = "SimHei"plt.title("西点内部各商品的销量占比3129",fontdict={"size": 20}) # 设置标题plt.axis("equal")plt.show() # 展示图形
2 面包卷 1809 西点 0.25152910 糕点 875 西点 0.12166318 黑面包 638 西点 0.08871031 白面包 414 西点 0.05756432 奶油乳酪 390 西点 0.05422733 威化饼 378 西点 0.05255834 咸点心 372 西点 0.05172435 长面包 368 西点 0.05116836 甜点 365 西点 0.05075148 酪 275 西点 0.03823754 切片奶酪 241 西点 0.03350955 硬奶酪 241 西点 0.03350964 半成品面包 174 西点 0.02419468 软奶酪 168 西点 0.02335974 风味蛋糕 130 西点 0.01807692 甜食 89 西点 0.01237594 特色奶酪 84 西点 0.011680103 面包干 68 西点 0.009455116 干面包 50 西点 0.006952117 凝乳酪 50 西点 0.006952152 奶油 13 西点 0.001808
关键词:
数据挖掘第四周作业
conda环境下使用nvcc -V报错nvcc: command not found的一种解决方法
环球快资讯:【论文笔记】SegNet
OpenAI CEO承认害怕ChatGPT:AI会取代许多工作
前端设计模式——原型模式
全球短讯!69.处理类型
环球快看:车主花32万买到全损事故车:获退1赔3、到手97.2万
群晖DS423入门级四盘位NAS发布:居然支持Docker了
今头条!小米真无线降噪耳机3《星球大战》联名版来了!明早10点正式公布
每日观察!家长发又有作业了被老师踢出群聊 还被电话教育:网友纷纷感同身受
当前报道:男子吐槽22元吃面 面量仅盖住碗底 店方:这是网红大碗
当前动态:一定的提问方法与一定的什么是控制访谈的两个重要因素_一定的与一定的是控制访谈的两个重要因素
环球看热讯:MySQL如何正确查询字符串长度
每日速看!C. Sequence Master
2023年安卓之光!小米13 Ultra最新进展:还在打磨MIUI 14系统
焦点滚动:AMD Zen4低功耗锐龙7 7840U首次现身:28W就灭掉45W Zen3+
世界视点!南航重推“随心飞”产品:不限年龄无限飞行 服务器被挤爆
全球微资讯!看看这份2023年MySQL终级面试题,提升你的内力,给你面试助力
环球热点!推荐机制不再保密:马斯克宣布月底开放Twitter推荐算法
P图侮辱女性 苏州大学凌晨通报:开除赵某某学籍
.NET中的winform、wpf、winui和maui你都知道吗?
1254MB海量缓存+96核心!AMD霄龙9004X让对手彻底绝望
【全球聚看点】“密集恐惧症”真的是种病?看完也许会治好
每日快报!群晖DSM 7.2 Beta发布:Docker更名 相册大升级
焦点快播:诸葛亮的改动再度提上日程,诸葛亮真的需要这样调整吗?
今日热闻!独特的散热设计与人机交互触控屏!微星海皇戟X2主机评测:顶级游戏性能
【全球快播报】《你的名字。》导演新海诚新作!《铃芽之旅》预售票房突破3000万
天天微动态丨C++ | 运算符重载
每日快播:BUUCTF-MISC-面具下的flag(vmdk的解压和Brainfuck与Ook解密)
天天微动态丨比亚迪智能手表亮相:一键控车 可完美替代车钥匙
买了电动牙刷 没想到越用牙越废
观天下!宝马X3变X6!男子买二手宝马X3买到全损事故车 退1赔3得97万
印度机长飞行中吃早餐 咖啡直接放在油门把手上!双双被罚
看New Bing回答世纪难题:女友和妈妈掉水里先救谁
24层楼高!首艘国产大型邮轮预计年底交付:零件数是复兴号高铁13倍
环球热点评!xj威客网可信不_xj威客网
全球热点评!暴雪火速排查《暗黑4》排队问题
天天讯息:别等降价了!长城坦克推全年保价政策 年底前官降返差价
全球快资讯丨《名侦探柯南》里出现九转大肠厨师和评委:网友直呼瞬间出戏
环球简讯:知名车评人吐槽宝马漏机油养活他家修理厂 原因直指塑料气门室盖
【世界热闻】探究C# dynamic动态类型本质
天天新资讯:郭帆谈《流浪地球2》“50岁以上出列”拍摄:喊停了外国群演还在哭
全球短讯!给蚊子送上夏天第一拍!雅格电蚊拍大促:10.9元到手
今日要闻!迪士尼正版授权 泰国乳胶凉席三件套大促!原价190 券后90
检查 Linux 系统是运行在虚拟机上还是物理机上
远大前程多少集_远大前程介绍
全球热资讯!《寂静岭2:重制版》美术谈护士穿丝袜:曾被指责皮肤暴露
最尴尬的新造车:称车主可活100岁 碰撞测试得分0
50吨!山东探获一大型金矿床:服务年限可达20年以上
世界视点!读Java性能权威指南(第2版)笔记21_垃圾回收H
优化利器In-Memory开启和效果
全球关注:谈谈 Vue toRef 和 reactive
天天报道:博主带卷尺吃披萨发现尺寸不够:99元12寸披萨直径少2.5厘米
女子称点外卖备注送上楼被骑手教育:四块钱还想让送上楼
三亚骂游客导游被吊销导游证罚款5万:网友点赞 低价团慎重参与
重庆东站一项目招标条件被指“量身定做”:招标人答疑,公管局正处理投诉
mysql 索引(InnoDB)
环球关注:快速带你入门css
世界热门:Git常用命令总结
环球热门:马龙樊振东会师决赛:国乒包揽大满贯5冠
当前热议!俞敏洪谈野生虾事件:犯了错误 就要去改正
世界最资讯丨情侣称住41层酒店被“玻璃人”看光引热议:网友支持酒店已提示
热文:数据安全始终是一个不可忽视的问题
世界最资讯丨数据结构-绪论
全球讯息:职工医保报销比例2022_职工医保报销比例
全球观点:OpenAI CEO谈GPT4:人类迄今开发的最伟大技术 有点害怕了
即时:曹曦月方否认带货3个月成交278元:拿证据说话
希尔排序、快速排序、KMP算法
环球热推荐:008爬虫之短短20行代码下载周杰伦所有歌曲
一次 Hyperf 注解失效问题分析
全球看热讯:Qt+百度AI文字识别OCR小工具
国内外多名大胃王意外死亡 有人胖到320斤有人开播前突然昏迷:专家科普
热点在线丨2023省选16天
著名的Breach黑客论坛管理员被捕
环球微头条丨男子整形后称没法靠颜值吃饭了:丢了工作
《暗黑4》公测性能实测:RTX 4090显卡流畅跑8K
世界短讯!SSL/TLS协议运行机制的概述
最新资讯:重学c#系列—— explicit、implicit与operator[三十四]
世界要闻:李彦宏谈文心一言:市场反馈符合预期 股价波动没必要解释
焦点滚动:挺能藏啊!男子电动滑板车藏84个SSD入境被海关查获
【天天快播报】webpack原理(2):ES6 module在Webpack中如何Tree-shaking构建
CTF show 信息收集篇
Quicker 快速开发,控制脚本关闭(示例,鼠标连点器)
天天微头条丨卡佩罗:那不勒斯和国米将晋级 迈尼昂和奥纳纳是米兰双雄的关键
每日观点:曹姓明星收20万带货3月成交278元 被判退还13.9万:要量力而行
13代酷睿躺赢了 4nm锐龙7000跳票:此前规格被砍2刀
已知球面经纬度求方位角和反方位角(awk一行代码实现)
环球观热点:《流浪地球2》门框机器人科幻十足 设计师详解:还能晾衣服能甩干
东北首条海下/跨海地铁!大连地铁5号线正式运营
世界热讯:Linux学习笔记
报道:插件化架构设计(2):插件化从设计到实践该考量的问题汇总
【天天新要闻】Vins 前端中高效的去畸变的方式解析
动态焦点:暴雪:《暗黑》系列能成功多亏了韩国玩家热情和爱戴
全球观点:朱雀二号遥一运载火箭发射失利:已查明飞行故障 通过归零评审
全球热头条丨《雷霆沙赞2》豆瓣开分6.5:加朵女神加分、剧情被批幼稚低级
【全球独家】万字血书Vue—Vue的核心概念
张兰被曝国外欠债9.8亿,海外家庭信托被追债,拼命带货疑为还债
Ocelot使用与设置路由Routing
环球速递!arthas排查线上问题真是太好用了!
肯德基全家桶被曝吃出生的炸鸡!店家回应是锅出现故障