90万条数据玩转RFM用户分析模型
RFM，是一种经典的用户分类、价值分析模型：
R，Rencency，即每个客户有多少天没回购了，可以理解为最近一次购买到现在隔了多少天。
F，Frequency，是每个客户购买了多少次。
M，Monetary，代表每个客户平均购买金额，也可以是累计购买金额。
这三个维度，是RFM模型的精髓所在，帮助我们把混杂一体的客户数据分成标准的8类，然后根据每一类用户人数占比、金额贡献等不同的特征，进行人、货、场三重匹配的精细化运营。
用Python建立RFM模型，整体建模思路分为五步，分别是数据概览、数据清洗、维度打分、分值计算和客户分层。
一：数据概览
开发环境：jupyter Notebook, python 3.6
import pandas as pd
import numpy as np
import os os.chdir('F:\\50mat') df = pd.read_excel('PYTHON-RFM实战数据.xlsx')
df.head()
# 打印结果
品牌名称 买家昵称 付款日期 订单状态 实付金额 邮费 省份 城市 购买数量
0 一只阿木木 棒西瓜皮的店 2019-04-18 11:05:26 交易成功 210 0 北京 北京市 1
1 一只阿木木 8fiona_c8 2019-04-18 11:08:03 交易成功 53 0 上海 上海市 4
2 一只阿木木 3t_1479778131547_04 2019-04-18 11:13:01 交易成功 169 0 上海 上海市 1
3 一只阿木木 0kexintiantian20 2019-04-18 11:13:19 付款以后用户退款成功，交易自动关闭 107 0 北京 北京市 1
4 一只阿木木 ysxxgx 2019-04-18 11:18:07 付款以后用户退款成功，交易自动关闭 254 0 江苏省 苏州市 2
在订单状态中，交易成功、用户退款导致交易关闭的，那还包括其他状态吗？退款订单对于我们模型价值不大，需要在后续清洗中剔除。
df['订单状态'].unique()
# 打印结果
array(['交易成功', '付款以后用户退款成功，交易自动关闭', '订单状态'], dtype=object)
再观察数据的类型和缺失情况：
df.info()
# 打印结果
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 922658 entries, 0 to 922657
Data columns (total 9 columns):
品牌名称 922658 non-null object
买家昵称 922658 non-null object
付款日期 922658 non-null object
订单状态 922658 non-null object
实付金额 922658 non-null object
邮费 922658 non-null object
省份 922658 non-null object
城市 922626 non-null object
购买数量 922658 non-null object
dtypes: object(9)
memory usage: 31.7+ MB
数据类型方面，付款日期是时间格式，实付金额、邮费和购买数量是数值型，其他均为字符串类型。
二：数据清洗
2.1 剔除退款
在观察阶段，我们明确了第一个清洗的目标，就是剔除退款数据：
df = df.loc[df['订单状态'] == '交易成功',:]
print('剔除退款后还剩:%d行' % len(df))
打印结果
剔除退款后还剩:889372行
2.2 关键字段提取
剔除之后，觉得我们订单的字段还是有点多，而RFM模型只需要买家昵称，付款时间和实付金额这3个关键字段，所以提取之：
df = df[['买家昵称','付款日期','实付金额']]
df.head()
# 打印结果
买家昵称 付款日期 实付金额
0 棒西瓜皮的店 2019-04-18 11:05:26 210
1 8fiona_c8 2019-04-18 11:08:03 53
2 3t_1479778131547_04 2019-04-18 11:13:01 169
7 2jill27 2019-01-01 10:00:11 121
8 yjessieni 2019-01-01 10:00:14 211
2.3 关键字段构造
R 值构造 。
R值，即每个用户最后一次购买时间距今多少天。
- 如果用户只下单过一次，用现在的日期减去付款日期即可；
- 若是用户多次下单，需先筛选出这个用户最后一次付款的时间，再用今天减去它。
距离今天越近，时间也就越“大”，
pd.to_datetime('2019-11-11') > pd.to_datetime('2019-1-1')
# 打印结果
True
用户最近一次付款时间，只需要按买家昵称分组，再选取付款日期的最大值即可：
r = df.groupby('买家昵称')['付款日期'].max().reset_index()
r.head()
#打印结果
买家昵称 付款日期
0 .blue_ram 2019-02-04 17:49:34.000
1 .christiny 2019-01-29 14:17:15.000
2 .willn1 2019-01-11 03:46:18.000
3 .托托m 2019-01-11 02:26:33.000
4 0000妮 2019-06-28 16:53:26.458
用今天减去每位用户最近一次付款时间，就得到R值了，测试样本数据是1月至6月上半年的数据，所以我们把“2019-7-1”当作“今天”：
r['R'] = (pd.to_datetime('2019-7-1') - r['付款日期']).dt.days
r = r[['买家昵称','R']]
r.head()
#打印结果
买家昵称 R
0 .blue_ram 146
1 .christiny 152
2 .willn1 170
3 .托托m 170
4 0000妮 2
F 值构造
F值，即每个用户累计购买频次。
我们明确“单个用户一天内多次下单行为看作整体一次”，引入一个精确到天的日期标签，依照“买家昵称”和“日期标签”进行分组，把每个用户一天内的多次下单行为合并
统计购买次数：
# F 值构造 # 引入日期标签
df['日期标签'] = df['付款日期'].astype(str).str[:10] #把单个用户一天内订单合并
dup_f = df.groupby(['买家昵称','日期标签'])['付款日期'].count().reset_index() #对合并后的用户统计频次
f = dup_f.groupby('买家昵称')['付款日期'].count().reset_index()
f.columns = ['买家昵称','F']
f.head()
# 打印结果
买家昵称 F
0 .blue_ram 1
1 .christiny 1
2 .willn1 1
3 .托托m 1
4 0000妮 1
M 值构造
客户平均购买金额，需要得到每个用户总金额，再用总金额除以购买频次即可。
# M 值构造
sum_m = df.groupby('买家昵称')['实付金额'].sum().reset_index()
sum_m.columns = ['买家昵称','总支付金额']
com_m = pd.merge(sum_m,f,left_on = '买家昵称',right_on = '买家昵称',how = 'inner') #计算用户平均支付金额
com_m['M'] = com_m['总支付金额'] / com_m['F']
com_m.head()
# 打印结果
买家昵称 总支付金额 F M
0 .blue_ram 1568 1 1568.0
1 .christiny 5856 1 5856.0
2 .willn1 1088 1 1088.0
3 .托托m 1184 1 1184.0
4 0000妮 5248 1 5248.0
R F M 三值合并
# R F M 值构造并合并
rfm = pd.merge(r,com_m,left_on = '买家昵称',right_on = '买家昵称',how = 'inner')
rfm = rfm[['买家昵称','R','F','M']]
rfm.head()
# 打印结果
买家昵称 R F M
0 .blue_ram 146 1 1568.0
1 .christiny 152 1 5856.0
2 .willn1 170 1 1088.0
3 .托托m 170 1 1184.0
4 0000妮 2 1 5248.0
三：维度打分
此部分不涉及代码。
维度确认的核心是分值确定，按照设定的标准，我们给每个消费者的R/F/M值打分，分值的大小取决于我们的偏好，即我们越喜欢的行为，打的分数就越高：
- R值 用户有多少天没来下单，所以R越大，用户流失的可能性越大，分值越小。
- F值 用户购买频次，数值越大，得分越高
- M值 用户平均支付金额，数值越大，得分越高
RFM模型中打分一般采取5分制，有两种比较常见的方式，
- 一种是按照数据的分位数来打分
- 一种是依据数据和业务的理解进行分值的划分
这里使用的是第二种，即提前制定好不同数值对应的分值，加深对数据的理解。
R值根据行业经验，设置为30天一个跨度，区间左闭右开：
| R 分 | R 值 |
|---|---|
| 1 | [120, +%) |
| 2 | [90, 120) |
| 3 | [60, 90) |
| 4 | [30, 60) |
| 5 | [0, 30） |
F值 F值和购买频次挂钩，每多一次购买，分值就多加一分：
| F 分 | F 值 |
|---|---|
| 1 | 1 |
| 2 | 2 |
| 3 | 3 |
| 4 | 4 |
| 5 | [5, +%） |
M值 先对M值做个简单的区间统计，然后分组，这里我们按照1600元的一个区间来进行划分：
| M 分 | M 值 |
|---|---|
| 1 | [0, 1600) |
| 2 | [1600, 3200) |
| 3 | [3200, 4800) |
| 4 | [4800, 6400) |
| 5 | [6400, +%） |
我们确定了一个打分框架，每一位用户的每个指标，都有了与之对应的分值。
四：分值计算
第一次计算
R值:
# 4 R 值计算 rfm['R-SCORE'] = pd.cut(rfm['R'],bins = [0,30,60,90,120,1000000],labels = [5,4,3,2,1],right = False).astype(float)
rfm.head()
# 打印结果
买家昵称 R F M R-SCORE
0 .blue_ram 146 1 1568.0 1.0
1 .christiny 152 1 5856.0 1.0
2 .willn1 170 1 1088.0 1.0
3 .托托m 170 1 1184.0 1.0
4 0000妮 2 1 5248.0 5.0
F M 值计算
# F M 值计算
rfm['F-SCORE'] = pd.cut(rfm['F'],bins = [1,2,3,4,5,1000000],labels = [1,2,3,4,5],right = False).astype(float)
rfm['M-SCORE'] = pd.cut(rfm['M'],bins = [0,1600,3200,4800,6400,10000000],labels = [1,2,3,4,5],right = False).astype(float)
rfm.head()
# 打印结果
买家昵称 R F M F-SCORE M-SCORE
0 .blue_ram 146 1 1568.0 1.0 1.0
1 .christiny 152 1 5856.0 1.0 4.0
2 .willn1 170 1 1088.0 1.0 1.0
3 .托托m 170 1 1184.0 1.0 1.0
4 0000妮 2 1 5248.0 1.0 4.0
第二次计算
过多的分类和不分类本质是一样的。所以，我们通过判断每个客户的R、F、M值是否大于平均值，来简化分类结果。
因为每个客户和平均值对比后的R、F、M，只有0和1（0表示小于平均值，1表示大于平均值）两种结果，整体组合下来共有8个分组，是比较合理的一个情况。我们来判断用户的每个分值是否大于平均值：
# 第二次计算
rfm['R是否大于均值'] = (rfm['R-SCORE'] > rfm['R-SCORE'].mean()) * 1
rfm['F是否大于均值'] = (rfm['F-SCORE'] > rfm['F-SCORE'].mean()) * 1
rfm['M是否大于均值'] = (rfm['M-SCORE'] > rfm['M-SCORE'].mean()) * 1
rfm.head()
# 打印结果
买家昵称 R F M R-SCORE F-SCORE M-SCORE R是否大于均值 F是否大于均值 M是否大于均值
0 .blue_ram 146 1 1568.0 1.0 1.0 1.0 0 0 0
1 .christiny 152 1 5856.0 1.0 1.0 4.0 0 0 1
2 .willn1 170 1 1088.0 1.0 1.0 1.0 0 0 0
3 .托托m 170 1 1184.0 1.0 1.0 1.0 0 0 0
4 0000妮 2 1 5248.0 5.0 1.0 4.0 1 0 1
代码为什么 * 1，这是由于Python中判断后返回的结果是True和False，对应着数值1和0，只要把这个布尔结果乘上1，True就变成了1，False变成了0，处理之后更加易读。
知识点：
Pandas的cut函数：
- 第一个参数传入要切分的数据列。
- bins参数代表我们按照什么区间进行分组，上面我们已经确定了R值按照30天的间隔进行分组，输入[0,30,60,90,120,1000000]即可，最后一个数值设置非常大，是为了给分组一个容错空间，允许出现极端大的值。
- right表示了右侧区间是开还是闭，即包不包括右边的数值，如果设置成False，就代表[0,30)，包含左侧的分组数据而不含右侧，若设置为True，则是[0,30]，首尾都包含。
- labels和bins切分的数组前后呼应，什么意思呢？bins设置了6个数值，共切分了5个分组，labels则分别给每个分组打标签，0-30是5分，30-60是4分，依此类推。
五：客户分层
清洗完之后我们确定了打分逻辑，然后分别计算每个用户的R、F、M分值（SCORE)，随后，用分值和对应的平均值进行对比，得到了是否大于均值的三列结果。那么客户分层如何处理呢。
| R 大于均值 | F 大于均值 | M 大于均值 | 一般分类 | RFM 分类 | 释义 |
|---|---|---|---|---|---|
| 1 | 1 | 1 | 重要价值客户 | 重要价值客户 | 近购、高频、高消费 |
| 1 | 1 | 0 | 重要潜力客户 | 消费潜力客户 | 近购、高频、低消费 |
| 1 | 0 | 1 | 重要深耕客户 | 频次深耕客户 | 近购、低频、高消费 |
| 1 | 0 | 0 | 新客户 | 新客户 | 近购、低频、低消费 |
| 0 | 1 | 1 | 重要唤回客户 | 重要价值流失预警客户 | 近未购、高频、高消费 |
| 0 | 1 | 0 | 一般客户 | 一般客户 | 近未购、高频、低消费 |
| 0 | 0 | 1 | 重要挽回客户 | 高消费唤回客户 | 近未购、低频、高消费 |
| 0 | 0 | 0 | 流失客户 | 流失客户 | 近未购、低频、低消费 |
潜力是针对消费（平均支付金额），深耕是为了提升消费频次，以及重要唤回客户其实和重要价值客户非常相似，只是最近没有回购了而已，应该做流失预警等等。
5.1 构建合并指标
先引入一个人群数值的辅助列，把之前判断的R\F\M是否大于均值的三个值给串联起来：
# 5 客户分层，构建合并指标 rfm['人群数值'] = (rfm['R是否大于均值'] * 100) + (rfm['F是否大于均值'] * 10) + (rfm['M是否大于均值'] * 1)
rfm.head()
# 打印结果
买家昵称 R F M R-SCORE F-SCORE M-SCORE R是否大于均值 F是否大于均值 M是否大于均值 人群数值
0 .blue_ram 146 1 1568.0 1.0 1.0 1.0 0 0 0 0
1 .christiny 152 1 5856.0 1.0 1.0 4.0 0 0 1 1
2 .willn1 170 1 1088.0 1.0 1.0 1.0 0 0 0 0
3 .托托m 170 1 1184.0 1.0 1.0 1.0 0 0 0 0
4 0000妮 2 1 5248.0 5.0 1.0 4.0 1 0 1 101
人群数值是数值类型，所以位于前面的0就自动略过，比如1代表着“001”的高消费唤回客户人群，10对应着“010”的一般客户。
5.2 基于指标给客户打标签
为了得到最终人群标签，再定义一个判断函数，通过判断人群数值的值，来返回对应的分类标签：
#判断R/F/M是否大于均值
def transform_label(x):
if x == 111:
label = '重要价值客户'
elif x == 110:
label = '消费潜力客户'
elif x == 101:
label = '频次深耕客户'
elif x == 100:
label = '新客户'
elif x == 11:
label = '重要价值流失预警客户'
elif x == 10:
label = '一般客户'
elif x == 1:
label = '高消费唤回客户'
elif x == 0:
label = '流失客户'
return label
5.3 标签应用
rfm['人群类型'] = rfm['人群数值'].apply(transform_label)
rfm.head()
# 打印结果
买家昵称 R F M R-SCORE F-SCORE M-SCORE R是否大于均值 F是否大于均值 M是否大于均值 人群数值 人群类型
0 .blue_ram 146 1 1568.0 1.0 1.0 1.0 0 0 0 0 流失客户
1 .christiny 152 1 5856.0 1.0 1.0 4.0 0 0 1 1 高消费唤回客户
2 .willn1 170 1 1088.0 1.0 1.0 1.0 0 0 0 0 流失客户
3 .托托m 170 1 1184.0 1.0 1.0 1.0 0 0 0 0 流失客户
4 0000妮 2 1 5248.0 5.0 1.0 4.0 1 0 1 101 频次深耕客户
RFM 建模，每一位客户都有了属于自己的RFM标签。
六：RFM 模型结果探索性分析
切模型结果最终都要服务于业务，所以我们基于现有模型结果做一些拓展、探索性分析。
6.1 人数统计
# 6.1 人数分析
count = rfm['人群类型'].value_counts().reset_index()
count.columns = ['客户类型','人数']
count['人数占比'] = count['人数'] / count['人数'].sum()
count
# 打印结果
客户类型 人数 人数占比
0 高消费唤回客户 7338 0.288670
1 流失客户 6680 0.262785
2 频次深耕客户 5427 0.213493
3 新客户 4224 0.166168
4 重要价值客户 756 0.029740
5 消费潜力客户 450 0.017703
6 重要价值流失预警客户 360 0.014162
7 一般客户 185 0.007278
6.2 金额统计
# 6.2 金额分析
rfm['购买总金额'] = rfm['F'] * rfm['M']
mon = rfm.groupby('人群类型')['购买总金额'].sum().reset_index()
mon.columns = ['客户类型','消费金额']
mon['金额占比'] = mon['消费金额'] / mon['消费金额'].sum()
mon
# 打印结果
客户类型 消费金额 金额占比
0 一般客户 825696.0 0.007349
1 新客户 8667808.0 0.077143
2 流失客户 14227744.0 0.126625
3 消费潜力客户 2050506.0 0.018249
4 重要价值客户 8615698.0 0.076679
5 重要价值流失预警客户 3732550.0 0.033219
6 频次深耕客户 31420996.0 0.279644
7 高消费唤回客户 42819846.0 0.381092
6.3 客户类型
result = pd.merge(count,mon,left_on = '客户类型',right_on = '客户类型')
result
# 打印结果
客户类型 人数 人数占比 消费金额 金额占比
0 高消费唤回客户 7338 0.288670 42819846.0 0.381092
1 流失客户 6680 0.262785 14227744.0 0.126625
2 频次深耕客户 5427 0.213493 31420996.0 0.279644
3 新客户 4224 0.166168 8667808.0 0.077143
4 重要价值客户 756 0.029740 8615698.0 0.076679
5 消费潜力客户 450 0.017703 2050506.0 0.018249
6 重要价值流失预警客户 360 0.014162 3732550.0 0.033219
7 一般客户 185 0.007278 825696.0 0.007349
七：模型封装 ENTER
模型封装，一个回车就能返回结果
import pandas as pd
import numpy as np
import os os.chdir('F:\\50mat') #输入源数据文件名
def get_rfm(name = 'PYTHON-RFM实战数据.xlsx'):
# 数据概览
df = pd.read_excel(name)
# 数据清洗
df = df.loc[df['订单状态'] == '交易成功',:]
print('剔除退款后还剩:%d行' % len(df))
df = df[['买家昵称','付款日期','实付金额']] # 构造 R 值，Recency 即每个用户最后一次购买时间距今多少天。
r = df.groupby('买家昵称')['付款日期'].max().reset_index()
r['R'] = (pd.to_datetime('2019-7-1') - r['付款日期']).dt.days
r = r[['买家昵称','R']] # 构造 F 值，Frequency 即每个用户累计购买频次。
#引入日期标签辅助列
df['日期标签'] = df['付款日期'].astype(str).str[:10] #把单个用户一天内订单合并
dup_f = df.groupby(['买家昵称','日期标签'])['付款日期'].count().reset_index() #对合并后的用户统计频次
f = dup_f.groupby('买家昵称')['付款日期'].count().reset_index()
f.columns = ['买家昵称','F'] # M 值构造，Monetary 客户平均购买金额
sum_m = df.groupby('买家昵称')['实付金额'].sum().reset_index()
sum_m.columns = ['买家昵称','总支付金额']
com_m = pd.merge(sum_m,f,left_on = '买家昵称',right_on = '买家昵称',how = 'inner') #计算用户平均支付金额
com_m['M'] = com_m['总支付金额'] / com_m['F'] rfm = pd.merge(r,com_m,left_on = '买家昵称',right_on = '买家昵称',how = 'inner')
rfm = rfm[['买家昵称','R','F','M']] rfm['R-SCORE'] = pd.cut(rfm['R'],bins = [0,30,60,90,120,1000000],labels = [5,4,3,2,1],right = False).astype(float)
rfm['F-SCORE'] = pd.cut(rfm['F'],bins = [1,2,3,4,5,1000000],labels = [1,2,3,4,5],right = False).astype(float)
rfm['M-SCORE'] = pd.cut(rfm['M'],bins = [0,1600,3200,4800,6400,10000000],labels = [1,2,3,4,5],right = False).astype(float) rfm['R是否大于均值'] = (rfm['R-SCORE'] > rfm['R-SCORE'].mean()) * 1
rfm['F是否大于均值'] = (rfm['F-SCORE'] > rfm['F-SCORE'].mean()) * 1
rfm['M是否大于均值'] = (rfm['M-SCORE'] > rfm['M-SCORE'].mean()) * 1 rfm['人群数值'] = (rfm['R是否大于均值'] * 100) + (rfm['F是否大于均值'] * 10) + (rfm['M是否大于均值'] * 1) rfm['人群类型'] = rfm['人群数值'].apply(transform_label) count = rfm['人群类型'].value_counts().reset_index()
count.columns = ['客户类型','人数']
count['人数占比'] = count['人数'] / count['人数'].sum() rfm['购买总金额'] = rfm['F'] * rfm['M']
mon = rfm.groupby('人群类型')['购买总金额'].sum().reset_index()
mon.columns = ['客户类型','消费金额']
mon['金额占比'] = mon['消费金额'] / mon['消费金额'].sum() result = pd.merge(count,mon,left_on = '客户类型',right_on = '客户类型') return result #判断R/F/M是否大于均值
def transform_label(x):
if x == 111:
label = '重要价值客户'
elif x == 110:
label = '消费潜力客户'
elif x == 101:
label = '频次深耕客户'
elif x == 100:
label = '新客户'
elif x == 11:
label = '重要价值流失预警客户'
elif x == 10:
label = '一般客户'
elif x == 1:
label = '高消费唤回客户'
elif x == 0:
label = '流失客户'
return label res = get_rfm(name = 'PYTHON-RFM实战数据.xlsx')
res
# 打印结果
剔除退款后还剩:889372行
客户类型 人数 人数占比 消费金额 金额占比
0 高消费唤回客户 7338 0.288670 42819846.0 0.381092
1 流失客户 6680 0.262785 14227744.0 0.126625
2 频次深耕客户 5427 0.213493 31420996.0 0.279644
3 新客户 4224 0.166168 8667808.0 0.077143
4 重要价值客户 756 0.029740 8615698.0 0.076679
5 消费潜力客户 450 0.017703 2050506.0 0.018249
6 重要价值流失预警客户 360 0.014162 3732550.0 0.033219
7 一般客户 185 0.007278 825696.0 0.007349
by:一只阿木木90万条数据玩转RFM用户分析模型的更多相关文章
- JavaScript如何一次性展示几万条数据
有一位同事跟大家说他在网上看到一道面试题:“如果后台传给前端几万条数据,前端怎么渲染到页面上?”,如何回答? 于是办公室沸腾了, 同事们讨论开了, 你一言我一语说出自己的方案. 有的说直接循环遍历生成 ...
- （转）Python网络爬虫实战：世纪佳缘爬取近6万条数据
又是一年双十一了,不知道从什么时候开始,双十一从“光棍节”变成了“双十一购物狂欢节”,最后一个属于单身狗的节日也成功被攻陷,成为了情侣们送礼物秀恩爱的节日. 翻着安静到死寂的聊天列表,我忽然惊醒,不行 ...
- Mvc+Dapper+存储过程分页10万条数据
10万条数据采用存储过程分页实现(Mvc+Dapper+存储过程) 有时候大数据量进行查询操作的时候,查询速度很大强度上可以影响用户体验,因此自己简单写了一个demo,简单总结记录一下: 技术:Mvc ...
- mysql快速导入5000万条数据过程记录(LOAD DATA INFILE方式)
mysql快速导入5000万条数据过程记录(LOAD DATA INFILE方式) 首先将要导入的数据文件top5000W.txt放入到数据库数据目录/var/local/mysql/data/${d ...
- [Python] 通过采集两万条数据，对《无名之辈》影评分析
一.说明 本文主要讲述采集猫眼电影用户评论进行分析,相关爬虫采集程序可以爬取多个电影评论. 运行环境:Win10/Python3.5. 分析工具:jieba.wordcloud.pyecharts.m ...
- 绝对干货，教你4分钟插入1000万条数据到mysql数据库表，快快进来
我用到的数据库为,mysql数据库5.7版本的 1.首先自己准备好数据库表 其实我在插入1000万条数据的时候遇到了一些问题,现在先来解决他们,一开始我插入100万条数据时候报错,控制台的信息如下: ...
- 1000万条数据导入mysql
今天需要将一个含有1000万条数据的文本内容插入到数据库表中,最初自然想到的是使用Insertinto '表名'values(),(),()...这种插入方式,但是发现这种方式对1000万条数据量的情 ...
- QTreeView处理大量数据（使用1000万条数据，每次都只是部分刷新）
如何使QTreeView快速显示1000万条数据,并且内存占用量少呢?这个问题困扰我很久,在网上找了好多相关资料,都没有找到合理的解决方案,今天在这里把我的解决方案提供给朋友们,供大家相互学习. 我开 ...
- 极限挑战—C#+ODP 100万条数据导入Oracle数据库仅用不到1秒
链接地址:http://www.cnblogs.com/armyfai/p/4646213.html 要:在这里我们将看到的是C#中利用ODP实现在Oracle数据库中瞬间导入百万级数据,这对快速批量 ...
随机推荐
- Java工程师阅读源码的一些见解
一.为何阅读源码 就是说,通过阅读源码能给你带来什么好处. 学习如何从需求-设计-实现,开阔你的思维,提升你的架构设计能力: 帮助更好地理解原理和架构设计: 帮助更快地定位线上问题BUG 可以根据自己 ...
- 物理ceph集群+K8s
前提条件 在Ceph为k8s创建一个pool ceph osd pool create k8s 128 创建admin用户 ceph auth get-or-create client.admin m ...
- js面试题之手写节流函数和防抖函数
函数节流:不断触发一个函数后,执行第一次,只有大于设定的执行周期后才会执行第二次 /* 节流函数:fn:要被节流的函数,delay:规定的时间 */ function throttle(fn,dela ...
- Codeforces Round #609 (Div. 2)前五题题解
Codeforces Round #609 (Div. 2)前五题题解 补题补题…… C题写挂了好几个次,最后一题看了好久题解才懂……我太迟钝了…… 然后因为longlong调了半个小时…… A.Eq ...
- JWT (一)：认识 JSON Web Token
JWT(一):认识 JSON WebToken JWT(二):使用 Java 实现 JWT 什么是 JWT? JSON Web Token(JWT)是一种开放标准(RFC 7519),它定义了一种紧凑 ...
- vue设置选中时的样式名称
第一种方式:在router中全局设置 export default new Router({ mode:'history', linkActiveClass:'index', routes: [ { ...
- Spring Boot从零入门3_创建Hello World及项目剖析
目录 1 前言 2 名词术语 3 创建Hello World项目 3.1 基于STS4创建项目 3.2 使用Spring Initializr Website创建项目并导入 3.3 基于Spring ...
- extract函数的使用
EXTRACT(field FROM source) extract函数从日期/时间数值里抽取子域,比如年.小时等. source必须是一个timestamp, time, interval类型的值表 ...
- Asp.Net Core 3.0 Kestrel服务器下 高性能 WebSocket Server
最近研究.net core 的各种高性能类型,内存池之类的东西,基于kestrel 服务器的websocket ,写个例子练下手 把原生的Websocket用ArrayPool<T>,Me ...
- 消息队列rabbitmq的五种工作模式（go语言版本）
前言:如果你对rabbitmq基本概念都不懂,可以移步此篇博文查阅消息队列RabbitMQ 一.单发单收 二.工作队列Work Queue 三.发布/订阅 Publish/Subscribe 四.路由 ...