某教育平台线上用户流失分析

最新推荐文章于 2024-09-03 17:37:40 发布
最新推荐文章于 2024-09-03 17:37:40 发布
阅读量887 收藏 26
点赞数 16
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/fhy12/article/details/135255509
版权

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

引用文本

项目背景

该数据集来源于2020年泰迪杯个人技能赛，其具体为某一教育平台的线上用户数据，包括用户登录信息、用户信息、用户学习记录表。2020年在新冠肺炎疫情冲击下，线上教育平台成为“互联网+教育”成果的重要发展领地，教育平台在此分析中，欲挖掘用户有关信息，分析用户流失情况，面向用户提供更优质的教育服务，同时反哺教育平台做大做强。数据链接分享：
(https://www.heywhale.com/mw/dataset/607cfa06f15a1d00171505e3)

1. 用户登录记录表(login表)基本信息

user_idlogin_timelogin_place
用户32018/9/6 9:32中国广东广州
用户32018/9/7 9:38中国广东广州
用户32018/9/7 9:57中国广东广州
用户42018/9/8 19:42中国福建福州
用户52018/10/6 9:32中国江苏南京、
  • login表：记录了用户从2018年9月6号产品上线以来的登录信息，同一用户同一天可有多条登录信息。
    • 在平台角度，通过该表可深入分析平台的流量时间变化情况；
    • 在用户角度，用户的登录频次、距今时长可反映用户的产品依赖水平、流失水平

2. 用户信息表(users表)基本信息

user_idregister_timerecently_loggednumber_of_classes_joinnumber_of_classes_outlearn_timeschool
用户442512020/6/18 9:492020/6/18 9:490041.25
用户442502020/6/18 9:472020/6/18 9:48000
用户442492020/6/18 9:432020/6/18 9:430016.22
用户442482020/6/18 9:092020/6/18 9:09000华南理工大学
  • 数据说明：该用户信息表展示了用户的基础信息，包括注册时间、最近登录时间、加入的班级数、离开的班级数、平台学习时长以及用户所在学校等，user_id为唯一标识符，仅出现一次。
    • 基于该信息，可了解用户的产品使用情况、学习时长、班级加入、是否填写学校等

3. 用户学习记录表(study_information表)基本信息

user_idcourse_idcourse_join_timelearn_processprice
用户3课程1062020/4/21 10:11width: 0%0
用户3课程1362020/3/25 11:44width: 12%0
用户3课程2052018/9/10 18:17width: 63%0
用户4课程262020/3/31 10:52width: 0%319
用户4课程342020/3/31 10:52width: 15%299
  • 数据说明: 该表记录了用户加入课程的记录，包括课程编号、加入时间、至今学习进度以及课程价格
    • 在用户角度: 可挖掘用户与课程之间的关系，得出用户的课程完播率、课程平均进度、消费水平等信息
    • 在平台角度: 可挖掘最受用户喜欢的课程信息，通过用户的课程选择相似度，可向用户推荐个性化课程

二、数据预处理

0)导入包

import pandas as pd
import numpy as np
import datetime
from chinese_calendar import is_workday
import jieba

1.用户登录记录表(login表)数据预处理

1) 缺失值观测

login = pd.read_csv('login.csv',encoding = 'gbk')
login.info()
#没有缺失值

2)时间字段拆分

login['login_time'] = pd.to_datetime(login['login_time'])
login['date'] = login['login_time'].dt.date
login['time'] = login['login_time'].dt.time
login['month'] = login['login_time'].dt.month
login['day'] = login['login_time'].dt.day
login['hours'] = login['login_time'].dt.hour
login['weekday'] = login['login_time'].dt.weekday
## 对login中的'login_time'字段进行处理，提取出时间的各个维度:年份、月份、\
工作日、具体时刻，以便后续观测流量的对应时间分布情况

3)地区字段拆分
eg: 将”中国广东广州“拆分出国家、省份、地区三个维度; 此外，对来自其他国家地区的字段通过jieba进行智能拆分

for i in range(login.shape[0]):
    if login.loc[i,'login_place'][0:2] == '中国':
        login.loc[i,'国家'] = '中国'
        if '黑龙江' in login.loc[i,'login_place']:
            login.loc[i,'省份'] = '黑龙江'
            if len (login.loc[i,'login_place'])>5:
                login.loc[i,'地区'] = login.loc[i,'login_place'][5:]
            else:pass
        if '新疆维吾尔' in login.loc[i,'login_place']:
            login.loc[i,'省份'] = '新疆维吾尔'
            if len(login.loc[i,'login_place'])>7:
                login.loc[i,'地区'] = login.loc[i,'login_place'][7:]
            else:pass
        if '内蒙古' in login.loc[i,'login_place']:
            login.loc[i,'省份']='内蒙古'
            if len(login.loc[i,'login_place'])>5:
                login.loc[i,'地区']=login.loc[i,'login_place'][5:]
            else:pass
        else:
            login.loc[i,'省份']=login.loc[i,'login_place'][2:4]
            login.loc[i,'地区']=login.loc[i,'login_place'][4:]
    else:
        li = [word for word in jieba.cut(login.iloc[i,2])]
        if len(li) == 2:
            login.loc[i,'国家'] = li[0]
            login.loc[i,'省份'] = li[1]
        else:
            login.loc[i,'国家'] = li[0]
    if i%10000 == 0:
        print(f"{round(i*100/(int(login.shape[0])),2)}%")

4) 深入挖掘信息: 由用户的登录信息可得到最近一次的登录信息，计算出距今非活跃天数

# 以最近的时间为基准，计算出用户每一次登录距离现在的时间
login['时间差1'] = pd.to_datetime(login['login_time']).max() - pd.to_datetime(login['login_time'])
login_time = dict(login.groupby('user_id').login_timt.max())
  • 至此已将login表基本处理完毕，得到login表以及仅记录用户距今非活跃天数的login_time字典

2.用户信息表(users表)数据预处理

1)缺失值情况分析

users.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 43983 entries, 0 to 43982
Data columns (total 7 columns):
 #   Column                  Non-Null Count  Dtype  
---  ------                  --------------  -----  
 0   user_id                 43916 non-null  object 
 1   register_time           43983 non-null  object 
 2   recently_logged         43983 non-null  object 
 3   number_of_classes_join  43983 non-null  int64  
 4   number_of_classes_out   43983 non-null  int64  
 5   learn_time              43983 non-null  float64
 6   school                  10571 non-null  object 
dtypes: float64(1), int64(2), object(4)
memory usage: 2.3+ MB
 #  考虑到用户ID是用户的唯一标识，确实为缺失情况，而非正常可不填选项，且缺失的数据相对较少，因此删除数据。学校数据字段缺失严重，考虑为实际选填数据，暂时保留,并且创建是否填写学校信息
users = users[~users.user_id.isnull()]
# 将是否填写学校信息设置为0、1变量，作为后续可能有用的信息
users['是否填写学校信息'] = users['school']
users.是否填写学校信息[~users['是否填写学校信息'].isnull()]=1
users.是否填写学校信息[users['是否填写学校信息'].isnull()]=0
users.是否填写学校信息.value_counts()

2)异常值分析

  • 可以看出有一些recently_logged时间和现在的时间很接近，有一些很远，因此可以将‘–’进行进一步分析
    • 用户注册后未登录
    • 用户注册后就未退出登录 使用login中的最新登录信息进行替换 因此考虑使用学习时间加上注册的时间作为其最近的登录时间，且设置一天学习8小时为上限
login_time = dict(login.groupby('user_id').login_time.max())
u_2 = users[users.recently_logged!='--']
u_1 = users[users.recently_logged=='--']
for i in range(u_1.shape[0]):
    if u_1.iloc[i,0] in login_time.keys():
        u_1.iloc[i,2] = pd.to_datetime(login_time[u_1.iloc[i,0]])
    else:
        if pd.to_datetime(u_1.iloc[i,1]) + datetime.timedelta(days = int(u_1.iloc[i,5])/480 ) > pd.to_datetime('2020-06-18'):
            u_1.iloc[i,2] = pd.to_datetime('2020-06-18')
            print('修改为最新时间')
        else:
            u_1.iloc[i,2] = pd.to_datetime(u_1.iloc[i,1])+datetime.timedelta(days = int(u_1.iloc[i,5])/480)
users = pd.concat([u_1,u_2])

3)数据提取: 各类时间差、加入的班级数，根据最近登录距今时间差划分活跃用户和非活跃用户

def str_datetime(df,column_name = 'login_time'):
    df[column_name] = pd.to_datetime(df[column_name])
    df[column_name] = df[column_name].apply(lambda x:x.strftime('%Y-%m-%d'))
    return df
str_datetime(users,column_name = 'register_time')
str_datetime(users,column_name = 'recently_logged')
users['register_logged_time'] = pd.to_datetime(users['recently_logged']) - pd.to_datetime(users['register_time'])
users['register_now_time'] = pd.to_datetime(users['register_time']).max() - pd.to_datetime(users['register_time'])
users['logged_now_time'] = pd.to_datetime(users['recently_logged']).max() - pd.to_datetime(users['recently_logged'])
# 现在加入的班级的数量
users['number_of_classes_now'] = users['number_of_classes_join'] - users['number_of_classes_out']
users
# 确定用户活跃程度类型
def 确定用户类型(x):
    if x > 90:
        y = "流失用户"
    elif x<=90 and x>60:
        y = "潜水用户"
    elif x<=60 and x>30:
        y = "低活跃用户"
    else:
        y = "高活跃用户"
    return y
users['用户类型'] = users['logged_now_time'].apply(lambda x:确定用户类型(x))
users.loc[stu_info1['用户类型']=='流失用户','是否流失'] = 1
users.loc[stu_info1['用户类型']!='流失用户','是否流失'] = 0

3.用户学习记录表(study_information表)数据预处理

1)缺失值+重复值处理

stu_info = stu_info.drop_duplicates()
stu_info.info()
# 缺失值查看，其中课程价格列存在缺失
<class 'pandas.core.frame.DataFrame'>
Int64Index: 194974 entries, 0 to 194973
Data columns (total 5 columns):
 #   Column            Non-Null Count   Dtype  
---  ------            --------------   -----  
 0   user_id           194974 non-null  object 
 1   course_id         194974 non-null  object 
 2   course_join_time  194974 non-null  object 
 3   learn_process     194974 non-null  object 
 4   price             190736 non-null  float64
dtypes: float64(1), object(4)
memory usage: 8.9+ MB

2)查看课程价格情况

stu_info[stu_info.price.isnull()].course_id.value_counts()
课程51    4011
课程96     227
Name: course_id, dtype: int64
stu_course = stu_info.groupby(['course_id']).agg({'price':['max','min']})
stu_course[(stu_course['price']['max']-stu_course['price']['min'])!=0]
# 不存在差异定价，且51和96课程价格为nan，其中51和96课程共计4238条数据，暂时不做处理

3)同login表的时间处理方式相同，对stu_info时间列进行处理

  • 最终依据user_id列将login表、stu_info表、以及users表进行合并. 进行后续分析

三、tableau进行数据分析

tableau为数据可视化工具，其将数据分为两类——度量型数据、维度型数据. 度量型数据描述数据的大小、规模、尺寸等信息，维度型数据描述数据的特点、个性、分布等定性信息，在图形中区分不同信息. 通过拖拽的方式，形成有轴图形或无轴图形.

1. 主题确定：教育平台用户流失水平

  • 基于现有的三数据表，围绕教育平台用户流失水平主题进行分析，可拆解出以下问题：
    • 了解教育平台现状：
      • 教育平台用户登录流量现状如何
      • 教育平台用户的分布特点
      • 教育平台用户的流失用户占比
    • 深入分析流失用户情况:
      • 用户流失时间分布
      • 用户类型(流失类型) 与 用户的行为属性(消费、完播率、学习时长等因素之间的关系)

2. 子主题分析一：教育平台现状

1) 教育平台用户登录流量现状

  • 数据表：login表
  • 图形类型：为表现登录流量的变化情况，进行对比、变化分析，可制作成折线图、面积图或柱状图
  1. 登录人数变化
    登录人数变化
  • tableau操作：login_time 拖拽到列，度量值(计数)拖拽到行，标记区设为线
  • 结果：该教育平台在2018年-2020年2月2日使用人数较少，但在2020年2月2日(疫情起始)后使用人数暴涨，在同年4月份回落，平台流量没有良好的留存水平，需要深入分析用户留存率低的原因。
  1. 每日登录分布
    每日登录分布
  • tableau操作：login表中"hours"列设定为度量型数据(目的为分组聚合), 并拖拽至列，度量值(计数)拖拽至行，标记区设标记为"区域”
  • 结果: 在该平台中，用户集中在三个时间段登录，上午9:00-11:00，下午14:00-17:00，晚上20:00-21:00三个高峰.
  • 建议: 在线教育平台可在该时间段加强系统维护，保证课程流畅度。可在该时间段多植入相关课程广告以及相关课程销售活动，以此留住更多客户。
  1. 工作日登录人数对比分析
    工作日登录人数对比分析
  • tableau操作: login表中"weekday"列设定为度量型数据(目的为分组聚合), 并拖拽至列，度量值(计数)拖拽至行，标记区设标记为“条形图”
  • 结果：在区分工作日和非工作日时，工作日的登录人数整体大于非工作日的登录人数，这符合学生的学习习惯。

2) 教育平台用户的分布特点

  • 数据表：login表为主表, users表以user_id列与主表进行连接
  • 图形类型：为表现教育平台用户的分布特点，可使用饼图、树立图等
  1. 登录人数的省份分布
    登录人数省份分布
  • tableau操作: 标记区中放入"省份"(维度型变量)，放入"计数(sheet)"(度量型变量)，标记设为“饼图”
  • 结果: 教育平台的基本盘在广东地区，需要在广东、湖北、河南、贵州等地区多开展营销活动，巩固基本盘。
  1. 登录人数的地区分布
  • 在登录人数最多的前四大省份中探索登录人数的地区分布情况
    登录人数与地区之间关系
  • taleau操作: 设置筛选器，依据"省份"仅提取广东、湖北、河南、贵州四大省份，“地区”(维度型变量)放入“列”，行放入"计数(sheet)"(度量型变量)，标记设为“线”
  • 结果: 了解教育平台的地区分布情况，不仅仅在各省的省会有大量的用户，由各个重点省市地区的分布情况来看，可以看出各个省市中都存在一个或两个重点地区，如武汉、贵阳、广州、周口和郑州等地。该地区的存在使得省份的占比数据大幅提升。因此，后续在进一步的细分研究中，可以对以上地区进行重点调查。

3) 教育平台用户的流失用户占比

  • 数据表：以users表为主表，users 表中已依据用户的最近一次登录时间距今时长对用户的类型进行划分。其中最近一次登录时间差大于90天定义为“流失用户”，在60天至90天之间定义为“潜水用户”，在30天至60天之间定义为“低活跃用户”，在30天以内定义为高活跃用户。
    用户类型分布
  • tableau操作: 标记区放入“用户类型”(维度型数据)和(计数:user_id)度量型数据，标记设为“饼图”
  • 结论: 该平台在2年的运营时间内，积累了大量的流失用户，由于平台刚刚起步，正值窗口期，需要对流失用户的流失原因进行分析，并加以改进。

2. 子主题分析二：深入分析流失用户情况

  • 数据集：基于user表、stu_info表等

1）用户流失时间、地区情况

  1. 流失时间热力图
    流失时间热力图
  • python操作: 根据users表中的流失时间划分为"大于150天"、“大于90天"等等 , 生成变量"流失时间划分”
  • tableau操作：“流失时间划分”(维度变量)放于列，“省份”(维度变量)放于行, “计数user_id”放于标记区，标记设置为“方型”，同时为 “计数user_id”赋予“颜色”属性，即可根据计数大小给予不同的颜色深度区分。
  • 结果：从地区角度，广东地区流失人数较多，此次是北京、湖北、上海、江苏等，需对重点地区进行相关的用户召回营销。

2) 用户类型(流失类型) 与 用户的行为属性(消费、完播率、学习时长等因素之间的关系)

  1. 用户类型下的消费与学习进度散点图
    在这里插入图片描述
  • tableau操作: 平均值_learn Process(度量型变量)放入列，平均值_price(度量型变量)放入行，同时将“用户类型”放于标记区，设置为“形状”即可
  • 结果: 区分不同的用户类型时，随着活跃水平的上升，用户的平均学习进度和平均课程消费是逐步上升的。活跃水平高的用户，其线上课程参与深度是相对更高的，愿意花费资金购买线上课程，更有耐心观看线上课程。其次“学习进度”可以视为代表用户的体验感受水平的指标之一，只有课程质量好，用户愿意看，其学习进度水平才会高。进而提出猜测：用户的体验感受水平越好， 其学习进度水平更高，其消费意愿更充分，消费金额与学习进度之间可能存在正相关关系。
  1. 流失率与学习进度关系
    流失率与学习进度关系
  • python操作:uses表将已将用户定义成各类用户类型, 故而将用户类型为"流失用户"的标为“1”, 非流失用户的标为0，生成“是否流失”列
  • tableau操作: 将平均值Learn Process(度量型变量)放在列上,平均值"是否流失"(度量型变量)放在行上，将“省份”(维度型变量)放在标记区上，并用"颜色"加以区分
  • 结果：
    • 从散点图可以看到，流失率与学习进度呈现负相关关系。随着流失率的上升，用户的学习进度为下降的趋势。一方面可能因为太多低学习进度的流失用户拉低省份的学习进度水平，另一方面也可能反映了流失率与学习进度水平之间的关系，正如前面所说的学习进度代表着用户的体验感受，体验感受低的自然流失水平高。
    • 从地区角度：其中我们可以看到“北京、天津、香港、上海”等教育资源丰富的地区流失度比较高，也可能推测出线下教育资源丰富的地区可能并非教育平台的首要推广用户，而教育资源相对差的比如“宁夏、贵州、广西”等省份可能更需要线上教育资源对其进行补充，该地区的用户有更多的线上课程需求。
  1. 消费与学习进度之间的关系
    消费与学习进度之间关系
  • tebleau操作: 将平均值_price放在列上， 将平均值Learn Process放在行上, “省份”放在标记区上，同时标记设为"形状"
  • 结果: 消费与学习进度之间呈正相关, 用户的累计消费金额随学习进度的提升而提升。一方面。学习进度意味着用户体验水平，体验水平上升带动消费水平上升，另一方面，付了费的课程可能会更注重课程的学习进度。
  1. 课程价格与学习进度关系
    课程价格与学习进度关系
  • tableau操作: 将课程价格price修改成“维度型变量”，将其放于列中，平均值LearnProcess放于行中，标记为"线"。
  • 结果：随着价格水平的上升，用户的平均学习进度波动逐渐增大。花费了较大金额，但用户的学习进度在50%下的情况偶有出现。一旦付费课程质量不高，用户花了钱却不忍浪费继续观看时，用户体验水平会断崖式下跌。因此，需要注重用户的付费课程学习感受。

四、报表分析

1. 项目总结

本项目基于某教育平台的用户登录信息、用户个人信息以及用户课程学习记录三信息表，挖掘了平台流量以及用户流失等信息。使用python对数据进行预处理，使用tableau进行数据可视化分析。最终得出以下基本结论：

  1. 该教育平台正值窗口期，平台流量没有良好的留存水平，但有良好的发展趋势，需要深入分析用户留存率低，做好招新促活营销。
  2. 该教育平台的基本盘在广东、湖北、河南、贵州等省份，线上教育的潜在用户可能更多分布在线下教育资源不充足、受疫情影响更为严重的地区。
  3. 该教育平台两年间的用户流失率水平较高，在78.3%左右，分析用户的流失率与用户的行为属性之间的关系，比如消费、学习进度等。其中学习进度指标可视为教育平台的关键指示指标之一，与流失率、消费金额等息息相关。
  • 基于以上结论，认为教育平台的招新促活营销可从以下方面展开：
    • 重点省份、地区开展教育平台招新促活活动，同时不忽视线下教育资源差但网络基础设施完善的地区的平台推广
    • 在用户的重点使用时段做好平台维护，保障用户的使用感受
    • 平台运营活动以“用户的学习进度”为关键指示指标，用来评估各类运营活动的运营成效
    • 为提高用户的“学习进度”指标，因开展、上传更多的、高质量教育资源，实打实的帮助用户学习。

2. 项目可视化报表展示_tableau操作

教育平台线上用户流失分析

FHY??
关注
  • 16
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
教育平台线上课程用户行为分析
xijialuxj的博客
11-08 3237
教育平台线上课程用户行为分析 一. 分析的背景和目的 1. 分析背景 因为新冠疫情的影响，越来越多的教育平台开启了线上课程。线上课程相较于传统的线下课程，不论时间还是地点都更加的灵活，人们开始更加倾向于选择线上学习。但是现在还是线上课程的发展阶段，还有很多方面需要加强。本报告 2. 分析目的 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 二. 分析维度 1. 活跃用户分析 活跃用户数 流失率 2. 用户分布分
教育平台线上课程项目分析
m0_61843588的博客
03-16 495
本项目通过某线上教育平台的数据，对用户行为进行分析。
SQL图解面试题：如何分析红包领取情况？（多表连接、分组汇总、条件统计）
前景
08-05 313
SQL图解面试题：如何分析红包领取情况？（多表连接、分组汇总、条件统计）
某教育平台线上课程用户行为数据分析报告
amanoaki的博客
05-10 4799
目录 项目背景 分析思路 1.链路分析 2.指标拆解 探索数据(EDA) 数据处理 用户活跃度分析 1.区域维度 2.时间维度 用户流失分析 流失预警模型 1.流失用户定义 2.特种工程 3.特征筛选 4.数据建模 完整代码下载 项目背景 此数据集来自于2020年泰迪杯个人技能赛，为某线上教育平台真实数据。此次数据分析的基本目的有两个： 1.探索该线上教育平台的用户行为特征 2.发现业务增长点或业务问题，并用数据建模或其他方式提供相应支持 分析思路 首先...
某教育平台线上课程运营分析
m0_59800678的博客
08-27 400
某教育平台线上课程运营分析及课程推荐策略 一、 背景介绍 近年来，随着互联网与通信技术的高速发展，学习资源的建设与共享呈现出新的发展趋势，各种网课、慕课、直播课等层出不穷，各种在线教育平台和学习应用纷纷涌现。尤其是 2020 年春季学期，受新冠疫情影响，在教育部“停课不停学”的要求下，网络平台成为“互联网+教育”成果的重要展示阵地。因此，如何根据教育平台的线上用户信息和学习信息，通过数据分析为教育平台和用户提供精准的课程推荐服务就成为线上教育的热点问题。 本赛题提供了某教...
教育平台线上课程数据分析
weixin_43362838的博客
07-08 2099
本项目从数据集给出字段出发，围绕用户登录注册→开始试听课程，免费试学→试听后开始付费学习→结束课程学习→推荐其他课程的完整业务流程，深入到各个阶段，通过数据分析为产品部门、运营部门提供可落地的建议，赋能业务增长。
A题：教育平台的线上课程智能推荐策略1
08-04
本题关注的是如何通过数据分析来制定教育平台的线上课程推荐策略，以提高用户活跃度和服务质量。 标签：c# k12 主要内容概述： 该题目是一次数据分析职业技能大赛的题目，目标是分析教育平台用户活跃情况、构建...
Transiting from CUDA to HIP （二）
最新发布
weixin_44500921的博客
09-03 909
为了解决这个问题，HIP（Heterogeneous-compute Interface for Portability）提供了一套宏定义，使得开发者可以编写可移植的代码，这些代码可以在 NVIDIA 的 CUDA 平台和 AMD 的 ROCm 平台上运行。是一个预定义的宏，用于指示当前编译的代码所针对的 NVIDIA GPU 的计算能力（Compute Capability）。为了正确编译包含 HIP 代码的文件，您需要确保编译器能够找到 HIP 的头文件，并且定义了正确的宏。
mongodb在Java中条件分组聚合查询并且分页(时间戳，按日期分组，年月日...)
简单发点工作中用到的，或者记录下小知识点
09-03 1194
按时间 年月日条件分组，筛选数据，统计数据，聚合查询 打印出mongo的SQL语句
CSS解析:定位和层叠上下文
晓风残月淡的博客
08-31 1883
许多开发人员对定位的理解很粗略，如果不完全了解定位，就很容易给自己挖坑。有时候可能会把错误的元素放在其他元素前面，要解决这个问题却没有那么简单。一般的布局方法是用各种操作来控制文档流的行为。定位则不同：它将元素彻底从文档流中移走。它允许你将元素放在屏幕的任意位置。还可以将一个元素放在另一个元素的前面或后面，彼此重叠。
计算机毕业设计PySpark+Scrapy农产品推荐系统 农产品爬虫 农产品商城 农产品大数据 农产品数据分析可视化 PySpark Hadoop
从业计算机毕业设计10年，打算用一年时间分享10年毕设经验！
09-01 1498
计算机毕业设计PySpark+Scrapy农产品推荐系统 农产品爬虫 农产品商城 农产品大数据 农产品数据分析可视化 PySpark Hadoop
使用 DrissionPage 和 2Captcha 处理 Turnstile 验证并获取 Faucet 签名
qq_41631913的博客
08-30 1616
本教程介绍了两种获取 Cloudflare Turnstile 验证值并使用 faucet 签名 API 的方法。第一种方法通过 DrissionPage 模拟浏览器操作，手动获取验证码值。第二种方法则通过 2Captcha 服务，自动化解决验证码问题。
计算机毕业设计选题推荐-任务管理系统-项目任务分配系统-Java/Python项目实战
IT研究室的博客
09-03 542
随着信息化技术的迅猛发展，各类企业和组织越来越依赖于高效的任务管理系统以保证其日常运营的顺利进行。根据IDC（国际数据公司）发布的报告显示，全球企业在数字化转型上的投入已达数千亿美元，其中相当一部分资金用于提升企业内部的管理效率。任务管理系统作为企业信息化的重要组成部分，能有效帮助企业分配、监控和反馈任务，从而提高工作效率。然而，尽管市场上已有多种任务管理系统，它们在功能、用户体验和适用性上存在显著差异。
Python的socket库详细介绍
小仙女的博客
09-03 670
socket库是Python标准库的一部分，提供了底层的网络接口，可以用于实现各种网络协议的通信。在网络编程中，socket（套接字）是一种在网络设备之间通信的端点。Python的socket库使得网络编程变得简单且高效，能够处理TCP/IP、UDP等协议。
【扇贝编程】使用Selenium模拟浏览器获取动态内容笔记
m0_73676887的博客
09-03 1266
文章目录selenium安装 selenium下载浏览器驱动获取数据处理数据查找一个元素查找所有符合条件的元素控制浏览器 selenium selenium是爬虫的好帮手， 可以控制你的浏览器，模仿人浏览网页，从而获取数据，自动操作等。 我们只要让 selenium 自动控制浏览器，实现爬取数据、自动抢票…… selenium要打开浏览器并控制它，占用的资源会更多，爬取数据的效率也会有所降低。 安装 selenium pip install selenium 下载浏览器驱动 根据你使用的浏览器（如 Chr
CUDA编程08 - 并行编程思维
GPU全栈博主-程序哥
09-02 1075
到目前为止，我们集中于学习并行编程的实用知识，包括CUDA编程接口特性、GPU架构、性能优化技术、并行模式和应用案例研究。在本章中，我们将讨论更为抽象的概念。我们将并行编程概括为一种思维过程，即设计或选择并行算法，并将一个实际问题分解基本的工作单元，这些工作单元可以由所选的算法高效地执行。具备强大思维技能的程序员不仅会分析问题，还会转变实际问题的结构：哪些部分本质上是串行的，哪些部分适合并行执行，以及将前者的部分转移到后者所涉及的一些权衡。
《python语言程序设计》第8章第9题将二进制数作为字符串转换十六进制print和return的区别
电饭叔
08-31 234
在这里我发现了return和print的区别如果运行的是“print如果运行"return"
Python 高级特效 - 生成器 ( Generator)
weixin_48591974的博客
08-31 503
生成器是一种一边循环一边计算的机制,通过列表生成式，可以直接创建一个列表，但是受到内存的限制，列表容量是有限的，当列表元素很 大的时候，会很浪费内存空间。所以可以通过生成器 Generator 生成，它的作用相比列表，内存占用少，节约资源
泰迪杯数据分析大赛：教育平台线上课程智能推荐策略
首先，分析平台用户的活跃情况是制定推荐策略的基础。这包括计算用户的流失率，即识别那些长时间未访问平台的用户，以便采取措施重新吸引他们。此外，理解用户的活跃时段，如工作日与非工作日的登录次数，可以帮助...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值