BP或FI12维护银行账户,报错“银行帐户编号XXX必须具有长度 18”

一、报错场景1:BP

维护业务伙伴“支付交易”中的银行信息,输入银行账户报错如下所示:
在这里插入图片描述

二、报错场景2:FI12维护银行账户

FI12维护公司代码开户银行账户,出现相同的报错信息,如下所示
在这里插入图片描述

三、解决方法

上述问题的出现,和国家代码相关的银行数据属性检查有关。

路径:

SPRO -> SAP NetWeaver -> 常规设置 -> 设置国家 -> 设置国家特定的检查
在这里插入图片描述
点击“设置国家特定的检查”
在这里插入图片描述
实际业务相关的国家为CN,双击CN
在这里插入图片描述
“银行账户号码”的检查规则设置为3,导致对银行账户的长度进行强制检查。
改变检查规则为5,保存
在这里插入图片描述

四、效果验证

4.1 场景1-BP

维护完银行账户,保存,提示保存成功
在这里插入图片描述

4.2 FI12维护银行账户

维护完银行账户,保存,提示创建银行账户成功
在这里插入图片描述

五、相关配置点导致的其他类似问题

此处配置可能还可能导致出现的问题包括:邮政编码长度、银行号长度、税号允许长度等

5.1 类似问题1:银行主数据维护和查看(FI01/FI02/FI03)银行编号(BNKLZ)字段显示长度小于15位问题解决方法

参考如下链接:
https://blog.csdn.net/wangjolly/article/details/107917294

六、相关后台表

T012K 开户行帐户(开户行、账户标识、银行账号等信息)
V_T012T_BAM 总表
T012 开户行
FCLM_BAM_ACLINK2 银行账户

  • 2
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
以下是使用Python和Keras库实现BP神经网络进行银行客户流失预测的代码示例: ``` # 导入所需的库 import pandas as pd import numpy as np from keras.models import Sequential from keras.layers import Dense from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 读取数据集 data = pd.read_csv('bank_data.csv') # 预处理数据 X = data.iloc[:, 3:13].values y = data.iloc[:, 13].values label_encoder_y = LabelEncoder() y = label_encoder_y.fit_transform(y) sc = StandardScaler() X = sc.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) # 初始化BP神经网络 classifier = Sequential() # 添加输入层和第一个隐藏层 classifier.add(Dense(units=6, kernel_initializer='uniform', activation='relu', input_dim=10)) # 添加第二个隐藏层 classifier.add(Dense(units=6, kernel_initializer='uniform', activation='relu')) # 添加输出层 classifier.add(Dense(units=1, kernel_initializer='uniform', activation='sigmoid')) # 编译神经网络模型 classifier.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 训练模型 classifier.fit(X_train, y_train, batch_size=10, epochs=100) # 预测测试集结果 y_pred = classifier.predict(X_test) y_pred = (y_pred > 0.5) # 计算混淆矩阵 from sklearn.metrics import confusion_matrix cm = confusion_matrix(y_test, y_pred) print(cm) # 计算准确率 from sklearn.metrics import accuracy_score accuracy = accuracy_score(y_test, y_pred) print(accuracy) ``` 上述代码中,我们首先使用Pandas库读取银行客户数据集,然后使用LabelEncoder库将标签转换为数值,使用StandardScaler库将特征进行标准化处理。接着,我们将数据集划分为训练集和测试集,并使用Keras库构建BP神经网络模型。在训练模型之后,我们使用测试集进行预测,并计算混淆矩阵和准确率来评估模型的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

王小磊

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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