2. 程式人生 > >天池 O2O 優惠券使用預測思路解析與程式碼實戰

天池 O2O 優惠券使用預測思路解析與程式碼實戰

阿新 • • 發佈：2019-01-06

個人網站：redstonewill.com

前陣子因為機器學習訓練營的任務安排，需要打一場 AI 比賽。然後就瞭解到最近熱度很高且非常適合新人入門的一場比賽：天池新人實戰賽o2o優惠券使用預測。今天，紅色石頭把這場比賽的一些初級理論分析和程式碼實操分享給大家。本文會講解的很細，目的是帶領大家走一遍比賽流程，實現機器學習理論分析到比賽實戰的進階。話不多說，我們開始吧！

比賽介紹

首先附上這場比賽的連結：

https://tianchi.aliyun.com/getStart/introduction.htm?spm=5176.100066.0.0.518433afBqXIKM&raceId=231593

本賽題的比賽背景是隨著移動裝置的完善和普及，移動網際網路+各行各業進入了高速發展階段，這其中以 O2O（Online to Offline）消費最為吸引眼球。本次大賽為參賽選手提供了 O2O 場景相關的豐富資料，希望參賽選手通過分析建模，精準預測使用者是否會在規定時間（15 天）內使用相應優惠券。

從機器學習模型的角度來說，這是一個典型的分類問題，其過程就是根據已有訓練集進行訓練，得到的模型再對測試進行測試並分類。整個過程如下圖所示：

在這裡插入圖片描述

評估方式

我們知道評估一個機器學習模型有多種方式，最常見的例如準確率（Accuracy）、精確率（Precision）、召回率（Recall）。一般使用精確率和召回率結合的方式 F1 score 能較好地評估模型效能（特別是在正負樣本不平衡的情況下）。而在本賽題，官方規定的評估方式是 AUC，即 ROC 曲線與橫座標圍成的面積。如下圖所示：

在這裡插入圖片描述

關於 ROC 和 AUC 的概念這裡不加解釋，至於為什麼要使用 ROC 和 AUC 呢？因為 ROC 曲線有個很好的特性：當測試集中的正負樣本的分佈變化的時候，ROC曲線能夠保持不變。也就是說能夠更好地處理正負樣本分佈不均的場景。

資料集匯入

對任何機器學習模型來說，資料集永遠是最重要的。接下來，我們就來看看這個比賽的資料集是什麼樣的。

首先來看一下大賽提供給我們的資料集：

在這裡插入圖片描述

總共有四個檔案，分別是：

  • ccf_offline_stage1_test_revised.csv

  • ccf_offline_stage1_train.csv

  • ccf_online_stage1_train.csv

  • sample_submission.csv

其中，第 2 個是線下訓練集，第 1 個是線下測試集，第 3 個是線上訓練集（本文不會用到），第 4 個是預測結果提交到官網的檔案格式（需按照此格式提交才有效）。也就是說我們使用第 2 個檔案來訓練模型，對第 1 個檔案進行預測，得到使用者在 15 天內使用優惠券的概率值。

接下來，對 2、1、4 檔案中欄位進行列舉，欄位解釋如下圖所示。

ccf_offline_stage1_train.csv：

在這裡插入圖片描述

ccf_offline_stage1_test_revised.csv：

在這裡插入圖片描述

sample_submission.csv：

在這裡插入圖片描述

重點記住兩個欄位：Date_received 是領取優惠券日期，Date 是消費日期。待會我將詳細介紹。

介紹完幾個資料檔案和欄位之後，我們就來編寫程式，匯入訓練集和測試集，同時匯入需要用到的庫。

# import libraries necessary for this project
import os, sys, pickle

import numpy as np
import pandas as pd

from datetime import date

from sklearn.model_selection import KFold, train_test_split, StratifiedKFold, cross_val_score, GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.linear_model import SGDClassifier, LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import log_loss, roc_auc_score, auc, roc_curve
from sklearn.preprocessing import MinMaxScaler

# display for this notebook
%matplotlib inline
%config InlineBackend.figure_format = 'retina'

匯入資料：

dfoff = pd.read_csv('data/ccf_offline_stage1_train.csv')
dfon = pd.read_csv('data/ccf_online_stage1_train.csv')
dftest = pd.read_csv('data/ccf_offline_stage1_test_revised.csv')

dfoff.head(5)

是訓練集前 5 行顯示如下：

在這裡插入圖片描述

接下來，我們來做個簡單統計，看一看究竟使用者是否使用優惠券消費的情況。

print('有優惠卷，購買商品：%d' % dfoff[(dfoff['Date_received'] != 'null') & (dfoff['Date'] != 'null')].shape[0])
print('有優惠卷，未購商品：%d' % dfoff[(dfoff['Date_received'] != 'null') & (dfoff['Date'] == 'null')].shape[0])
print('無優惠卷，購買商品：%d' % dfoff[(dfoff['Date_received'] == 'null') & (dfoff['Date'] != 'null')].shape[0])
print('無優惠卷，未購商品：%d' % dfoff[(dfoff['Date_received'] == 'null') & (dfoff['Date'] == 'null')].shape[0])

有優惠卷，購買商品：75382
有優惠卷，未購商品：977900
無優惠卷，購買商品：701602
無優惠卷，未購商品：0

可見，很多人（701602）購買商品卻沒有使用優惠券，也有很多人（977900）有優惠券但卻沒有使用，真正使用優惠券購買商品的人（75382）很少！所以，這個比賽的意義就是把優惠券送給真正可能會購買商品的人。

特徵提取

毫不誇張第說，構建機器學習模型，特徵工程可能比選擇哪種演算法更加重要。接下來，我們就來研究一下哪些特徵可能對模型訓練有用。

1.打折率（Discount_rate）

首先，第一個想到的特徵應該是優惠卷的打折率。因為很顯然，一般情況下優惠得越多，使用者就越有可能使用優惠券。那麼，我們就來看一下訓練集中優惠卷有哪些型別。

print('Discount_rate 型別：\n',dfoff['Discount_rate'].unique())

Discount_rate 型別：
[‘null’ ‘150:20’ ‘20:1’ ‘200:20’ ‘30:5’ ‘50:10’ ‘10:5’ ‘100:10’ ‘200:30’ ‘20:5’ >‘30:10’ ‘50:5’ ‘150:10’ ‘100:30’ ‘200:50’ ‘100:50’ ‘300:30’ ‘50:20’ ‘0.9’ ‘10:1’ >‘30:1’ ‘0.95’ ‘100:5’ ‘5:1’ ‘100:20’ ‘0.8’ ‘50:1’ ‘200:10’ ‘300:20’ ‘100:1’ >‘150:30’ ‘300:50’ ‘20:10’ ‘0.85’ ‘0.6’ ‘150:50’ ‘0.75’ ‘0.5’ ‘200:5’ ‘0.7’ >‘30:20’ ‘300:10’ ‘0.2’ ‘50:30’ ‘200:100’ ‘150:5’]

根據列印的結果來看，打折率分為 3 種情況：

  • ‘null’ 表示沒有打折

  • [0,1] 表示折扣率

  • x:y 表示滿 x 減 y

那我們的處理方式可以構建 4 個函式，分別提取 4 種特徵，分別是：

  • 打折型別：getDiscountType()

  • 折扣率：convertRate()

  • 滿多少：getDiscountMan()

  • 減多少：getDiscountJian()

函式程式碼如下：

# Convert Discount_rate and Distance
def getDiscountType(row):
   if row == 'null':
       return 'null'
   elif ':' in row:
       return 1
   else:
       return 0

def convertRate(row):
   """Convert discount to rate"""
   if row == 'null':
       return 1.0
   elif ':' in row:
       rows = row.split(':')
       return 1.0 - float(rows[1])/float(rows[0])
   else:
       return float(row)
   
def getDiscountMan(row):
   if ':' in row:
       rows = row.split(':')
       return int(rows[0])
   else:
       return 0

def getDiscountJian(row):
   if ':' in row:
       rows = row.split(':')
       return int(rows[1])
   else:
       return 0
   
def processData(df):
   
   # convert discount_rate
   df['discount_type'] = df['Discount_rate'].apply(getDiscountType)
   df['discount_rate'] = df['Discount_rate'].apply(convertRate)
   df['discount_man'] = df['Discount_rate'].apply(getDiscountMan)
   df['discount_jian'] = df['Discount_rate'].apply(getDiscountJian)
   
   print(df['discount_rate'].unique())
   
   return df

然後，對訓練集和測試集分別進行進行 processData（）函式的處理：

dfoff = processData(dfoff)
dftest = processData(dftest)

處理之後，我們可以看到訓練集和測試集都多出了 4 個新的特徵：discount_type、discount_rate、discount_man、discount_jian。

在這裡插入圖片描述

2.距離（Distance）

距離欄位表示使用者與商店的地理距離，顯然，距離的遠近也會影響到優惠券的使用與否。那麼，我們就可以把距離也作為一個特徵。首先看一下距離有哪些特徵值：

print('Distance 型別：',dfoff['Distance'].unique())

Distance 型別： [‘0’ ‘1’ ‘null’ ‘2’ ‘10’ ‘4’ ‘7’ ‘9’ ‘3’ ‘5’ ‘6’ ‘8’]

然後，定義提取距離特徵的函式：

# convert distance
dfoff['distance'] = dfoff['Distance'].replace('null', -1).astype(int)
print(dfoff['distance'].unique())
dftest['distance'] = dftest['Distance'].replace('null', -1).astype(int)
print(dftest['distance'].unique())

處理之後，我們可以看到訓練集和測試集都多出了 1 個新的特徵：distance。

在這裡插入圖片描述

3.領劵日期（Date_received）

是還有一點很重要的是領券日期，因為一般而言，週末領取優惠券去消費的可能性更大一些。因此，我們可以構建關於領券日期的一些特徵：

  • weekday : {null, 1, 2, 3, 4, 5, 6, 7}

  • weekday_type : {1, 0}（週六和週日為1，其他為0）

  • Weekday_1 : {1, 0, 0, 0, 0, 0, 0}

  • Weekday_2 : {0, 1, 0, 0, 0, 0, 0}

  • Weekday_3 : {0, 0, 1, 0, 0, 0, 0}

  • Weekday_4 : {0, 0, 0, 1, 0, 0, 0}

  • Weekday_5 : {0, 0, 0, 0, 1, 0, 0}

  • Weekday_6 : {0, 0, 0, 0, 0, 1, 0}

  • Weekday_7 : {0, 0, 0, 0, 0, 0, 1}

其中用到了獨熱編碼，讓特徵更加豐富。相應的這 9 個特徵的提取函式為：

def getWeekday(row):
   if row == 'null':
       return row
   else:
       return date(int(row[0:4]), int(row[4:6]), int(row[6:8])).weekday() + 1

dfoff['weekday'] = dfoff['Date_received'].astype(str).apply(getWeekday)
dftest['weekday'] = dftest['Date_received'].astype(str).apply(getWeekday)

# weekday_type :  週六和週日為1，其他為0
dfoff['weekday_type'] = dfoff['weekday'].apply(lambda x: 1 if x in [6,7] else 0)
dftest['weekday_type'] = dftest['weekday'].apply(lambda x: 1 if x in [6,7] else 0)

# change weekday to one-hot encoding 
weekdaycols = ['weekday_' + str(i) for i in range(1,8)]
#print(weekdaycols)

tmpdf = pd.get_dummies(dfoff['weekday'].replace('null', np.nan))
tmpdf.columns = weekdaycols
dfoff[weekdaycols] = tmpdf

tmpdf = pd.get_dummies(dftest['weekday'].replace('null', np.nan))
tmpdf.columns = weekdaycols
dftest[weekdaycols] = tmpdf

這樣，我們就會在訓練集和測試集上發現增加了 9 個關於領券日期的特徵：

在這裡插入圖片描述

好了，經過以上簡單的特徵提取，我們總共得到了 14 個有用的特徵：

  • discount_rate

  • discount_type

  • discount_man

  • discount_jian

  • distance

  • weekday

  • weekday_type

  • weekday_1

  • weekday_2

  • weekday_3

  • weekday_4

  • weekday_5

  • weekday_6

  • weekday_7

好了，我們的主要工作已經完成了大半！

標註標籤 Label

有了特徵之後，我們還需要對訓練樣本進行 label 標註，即確定哪些是正樣本（y = 1），哪些是負樣本（y = 0）。我們要預測的是使用者在領取優惠券之後 15 之內的消費情況。所以，總共有三種情況：

1.Date_received == ‘null’：

表示沒有領到優惠券，無需考慮，y = -1

2.(Date_received != ‘null’) & (Date != ‘null’) & (Date - Date_received <= 15)：

表示領取優惠券且在15天內使用，即正樣本，y = 1

3.(Date_received != ‘null’) & ((Date == ‘null’) | (Date - Date_received > 15))：

表示領取優惠券未在在15天內使用，即負樣本，y = 0

好了，知道規則之後，我們就可以定義標籤備註函數了。

def label(row):
   if row['Date_received'] == 'null':
       return -1
   if row['Date'] != 'null':
       td = pd.to_datetime(row['Date'], format='%Y%m%d') - pd.to_datetime(row['Date_received'], format='%Y%m%d')
       if td <= pd.Timedelta(15, 'D'):
           return 1
   return 0

dfoff['label'] = dfoff.apply(label, axis=1)

我們可以使用這個函式對訓練集進行標註，看一下正負樣本究竟有多少：

print(dfoff['label'].value_counts())

0 988887
-1 701602
1 64395
Name: label, dtype: int64

很清晰地，正樣本共有 64395 例，負樣本共有 988887 例。顯然，正負樣本數量差別很大。這也是為什麼會使用 AUC 作為模型效能評估標準的原因。

建立模型

接下來就是最主要的建立機器學習模型了。首先確定的是我們選擇的特徵是上面提取的 14 個特徵，為了驗證模型的效能，需要劃分驗證集進行模型驗證，劃分方式是按照領券日期，即訓練集：20160101-20160515，驗證集：20160516-20160615。我們採用的模型是簡單的 SGDClassifier。

1.劃分訓練集和驗證集

# data split
df = dfoff[dfoff['label'] != -1].copy()
train = df[(df['Date_received'] < '20160516')].copy()
valid = df[(df['Date_received'] >= '20160516') & (df['Date_received'] <= '20160615')].copy()
print('Train Set: \n', train['label'].value_counts())
print('Valid Set: \n', valid['label'].value_counts())

2.構建模型

def check_model(data, predictors):
   
   classifier = lambda: SGDClassifier(
       loss='log',  # loss function: logistic regression
       penalty='elasticnet', # L1 & L2
       fit_intercept=True,  # 是否存在截距，預設存在
       max_iter=100, 
       shuffle=True,  # Whether or not the training data should be shuffled after each epoch
       n_jobs=1, # The number of processors to use
       class_weight=None) # Weights associated with classes. If not given, all classes are supposed to have weight one.

   # 管道機制使得引數集在新資料集（比如測試集）上的重複使用，管道機制實現了對全部步驟的流式化封裝和管理。
   model = Pipeline(steps=[
       ('ss', StandardScaler()), # transformer
       ('en', classifier())  # estimator
   ])

   parameters = {
       'en__alpha': [ 0.001, 0.01, 0.1],
       'en__l1_ratio': [ 0.001, 0.01, 0.1]
   }

   # StratifiedKFold用法類似Kfold，但是他是分層取樣，確保訓練集，測試集中各類別樣本的比例與原始資料集中相同。
   folder = StratifiedKFold(n_splits=3, shuffle=True)
   
   # Exhaustive search over specified parameter values for an estimator.
   grid_search = GridSearchCV(
       model, 
       parameters, 
       cv=folder, 
       n_jobs=-1,  # -1 means using all processors
       verbose=1)
   grid_search = grid_search.fit(data[predictors], 
                                 data['label'])
   
   return grid_search

模型採用的是 SGDClassifier，使用了 Python 中的 Pipeline 管道機制，可以使引數集在新資料集（比如測試集）上的重複使用，管道機制實現了對全部步驟的流式化封裝和管理。交叉驗證採用 StratifiedKFold，其用法類似 Kfold，但是 StratifiedKFold 是分層取樣，確保訓練集，測試集中各類別樣本的比例與原始資料集中相同。

3.訓練

接下來就可以使用該模型對訓練集進行訓練了，整個訓練過程大概 1-2 分鐘的時間。

predictors = original_feature
model = check_model(train, predictors)

4.驗證

然後對驗證集中每個優惠券預測的結果計算 AUC，再對所有優惠券的 AUC 求平均。計算 AUC 的時候，如果 label 只有一類，就直接跳過，因為 AUC 無法計算。

# valid predict
y_valid_pred = model.predict_proba(valid[predictors])
valid1 = valid.copy()
valid1['pred_prob'] = y_valid_pred[:, 1]
valid1.head(5)

注意這裡得到的結果 pred_prob 是概率值（預測樣本屬於正類的概率）。

最後，就可以對驗證集計算 AUC。直接呼叫 sklearn 庫自帶的計算 AUC 函式即可。

# avgAUC calculation
vg = valid1.groupby(['Coupon_id'])
aucs = []
for i in vg:
   tmpdf = i[1] 
   if len(tmpdf['label'].unique()) != 2:
       continue
   fpr, tpr, thresholds = roc_curve(tmpdf['label'], tmpdf['pred_prob'], pos_label=1)
   aucs.append(auc(fpr, tpr))
print(np.average(aucs))

0.532344469452

最終得到的 AUC 就等於 0.53。

測試

訓練完模型之後，就是使用訓練好的模型對測試集進行測試了。並且將測試得到的結果（概率值）按照規定的格式儲存成一個 .csv 檔案。

# test prediction for submission
y_test_pred = model.predict_proba(dftest[predictors])
dftest1 = dftest[['User_id','Coupon_id','Date_received']].copy()
dftest1['Probability'] = y_test_pred[:,1]
dftest1.to_csv('submit.csv', index=False, header=False)
dftest1.head(5)

值得注意的是，這裡得到的結果是概率值，最終的 AUC 是提交到官網之後平臺計算的。因為測試集真正的 label 我們肯定是不知道的。

提交結果

好了，最後一步就是在比賽官網上提交我們的預測結果，即這裡的 submit.csv 檔案。提交完之後，過幾個小時就可以看到成績了。整個比賽的流程就完成了。

優化模型

其實，本文所述的整個比賽思路和演算法是比較簡單的，得到的結果和成績也只能算是合格，名次不會很高。我們還可以運用各種手段優化模型，簡單來說分為以下三種：

  • 特徵工程

  • 機器學習

  • 模型融合

總結

本文的主要目的是帶領大家走一遍整個比賽的流程，培養一些比賽中特徵提取和演算法應用方面的知識。這個天池比賽目前還是比較火熱的，雖然沒有獎金，但是參賽人數已經超過 1.1w 了。看完本文之後，希望大家有時間去參加感受一下機器學習比賽的氛圍，將理論應用到實戰中去。

本文完整的程式碼我已經放在了 GitHub 上，有需要的請自行領取：

https://github.com/RedstoneWill/MachineLearningInAction-Camp/tree/master/Week4/o2o%20Code_Easy

同時，本比賽第一名的程式碼也開源了，一同放出，供大家學習：

https://github.com/wepe/O2O-Coupon-Usage-Forecast

在這裡插入圖片描述

相關推薦

天池 O2O 優惠券使用預測思路解析與程式碼實戰

個人網站：redstonewill.com 前陣子因為機器學習訓練營的任務安排，需要打一場 AI 比賽。然後就瞭解到最近熱度很高且非常適合新人入門的一場比賽：天池新人實戰賽o2o優惠券使用預測。今天，紅色石頭把這場比賽的一些初級理論分析和程式碼實操分享給大家。本文會講解

天池O2O優惠券使用預測比賽--總結

1.        賽題簡介 以優惠券盤活老使用者或吸引新客戶進店消費是O2O的一種重要營銷方式。然而隨機投放的優惠券對多數使用者造成無意義的干擾。對商家而言，濫發的優惠券可能降低品牌聲譽，同時難以估算營銷成本。 個性化投放是提高優惠券核銷率的重要技術，它可以讓具有一定偏好

Android 圖片三級快取載入框架原理解析與程式碼實現

本文主要介紹三級快取的原理解析與實現方式。以前一直覺得三級快取圖片載入是一個很難理解的東西，但是自己看了一下午再試著寫了一遍之後感覺還是隻要沉下心思考還時很容易熟悉掌握的。 所謂三級快取：首先是記憶體-檔案(外存)-網路三級快取機制。 首先： 框架需要一個接入方法NGIm

POJ 1163 The Triangle 問題解析與程式碼 解法一

1.問題分析 原題連結：http://poj.org/problem?id=1163 本題可以抽象為求最大路徑，但這種解法屬於較大複雜度的解法，放在後續的解法二中進行講解。解法一進行進一步簡化，從底部向上進行計算，如下圖所示： 當從下向上進行考慮時，有公式： 由於每一

POJ 1045 Bode Plot問題解析與程式碼

1.問題分析： 原題連結：http://poj.org/problem?id=1045 這道題主要的難點在於利用兩個公式對電阻值這一未知量Vr進行推導，並且在最後應該消去這個變數。然鵝，在做這道題的時候，我的數學和物理知識都已經退還給了老師們，所以並沒有感覺這道題是特別水的水題，emmm

《大規模分散式儲存系統：原理解析與架構實戰》pdf附網盤下載連結送給還在迷茫的你

技術書閱讀方法論 一.速讀一遍（最好在1~2天內完成） 人的大腦記憶力有限，在一天內快速看完一本書會在大腦裡留下深刻印象，對於之後複習以及總結都會有特別好的作用。 對於每一章的知識，先閱讀標題，弄懂大概講的是什麼主題，再去快速看一遍，不懂也沒有關係，但是一定要在不懂的

Android NDK開發之旅(6)：JNI函式完全解析與專案實戰

對於基本型別而言，JNI與Java之間的對映是一對一的，比如Java中的int型別直接對應於C/C++中的jint；而對引用型別的處理卻是不同的，JNI把Java中的物件當作一個C指標傳遞到本地函式中，這個指標指向JVM中的內部資料結構，而內部資料結構在記憶體

Hadoop原始碼解析與開發實戰視訊教程

第一部分內容：I. Hadoop的起源與生態系統介紹。要點：瞭解什麼是大資料；Google的三篇論文；圍繞Hadoop形成的一系列的生態系統；各個子專案簡要介紹II. Hadoop叢集配置與搭建。要點：Hadoop安裝與部署；如何寫配置檔案；執行簡單的wordcount程式；Hadoop程式結構介紹 實戰：

o2o優惠券使用預測--天池新人實戰賽--Baseline程式碼及說明 ( 35 )

一、程式碼說明 1.程式碼為一個baseline程式碼，處理特徵和使用的模型都非常簡單，將會在後期完善。 2.程式碼中只使用offline資料 3.只是簡單對日期和優惠券特徵進行了簡單的處理。 4.程式碼中使用邏輯迴歸進行分類 二、python原始碼 # -*-

『 天池競賽』O2O優惠券使用預測思路總結

目錄 解決方案 資料劃分 特徵工程 線下評估 回顧 正式開始做是從十月底開始的，我之前參加了新手賽，而這一次正式賽可以說是真正認真做的一次，中間和隊友一起學習了很多，也有小小的收穫，不管這次成績如何，以後還有機會。

天池大賽o2o優惠券第一名程式碼解讀(3)

感謝大神！！！ #提取商品的特徵 #對於資料集3 merchant3 = feature3[['merchant_id','coupon_id','distance','date_received','date']] t = merchant3[['m

天池大賽o2o優惠券第一名程式碼解讀(2)

感謝！！！！ #提取優惠券的相關特徵 def calc_discount_rate(s): s = str(s) s = s.split(':') if len(s) == 1: return float(s[0]

機器學習 （十六）電商O2O優惠券使用預測-2

介紹        這篇文章是想繼續總結一遍優惠券預測，寫寫感受並進行一個記錄總結，零零散散以作為記錄整理之用。 本篇是選了三點本人覺得專案中重要的寫了一下，其它內容暫時略過 第一部分：資料清洗資料分析程式碼

機器學習 （十三) 電商O2O優惠券使用預測-1

描述        發放優惠券是各大公司一種重要的營銷手段，如電商平臺、打車平臺、線下門店等等，幾乎所有涉及到客戶消費的行業都有優惠券的發放，那麼如何精準定位傳送優惠券，保證傳送的優惠券是真正想使用優惠券的人呢，或者我能預測

java-圖形使用者介面（GUI）之AWT程式設計-整體思路與程式碼架構

1、整體思路 　　任何視窗都可以被分解成一個空的容器，容器中盛放了大量的基本元件，通過設定這些基本元件的大小、位置等屬性，就可以將該空的容器和基本元件組成一個整體的視窗。具體實現思路： 　　1）建立一個Frame頂層視窗 　　2）設定頂層視窗的佈局（如果需要的話）：f.setLayout（new xxx

JS-預解析（提升）與程式碼執行過程

  1，預解析的過程。 2，程式碼的執行過程。   預解析：程式在執行過程，會先將程式碼讀取到記憶體中檢查，會將所有的宣告在此處進行標記，所謂的標記就是讓js解析器知道這個名字，後面在使用這個名字的時候，不會出現未定義的錯誤，‘這個標記過程就是提升。   ## 宣告：

flask框架上傳檔案思路過程以及程式碼解析

import os import uuid from PIL import Image from flask import Flask, render_template, request from flask_bootstrap import Bootstrap from

O2O優惠券使用預測

一、背景 通過分析使用者線上線下的消費行為，建立模型，預測現階段使用者是否會在規定時間內使用相應優惠券，以便商家個性化投放，提高優惠券核銷率。 資料為使用者在2016年1月1日至2016年6月30日之間真實線上線下消費行為，預測使用者在2016年7月領取優惠券後

【天池競賽系列】阿里移動推薦演算法思路解析

賽題地址：http://tianchi.aliyun.com/competition/information.htm?raceId=1 登入即可下載資料 從4月到7月，學習了很多也收穫了很多 題目就不多說了，一句話表達就是根據過去一個月的行為預測14年12月19

JavaScript “跑馬燈”抽獎活動程式碼解析與優化（一）

最近的專案中做了一個“跑馬燈”的抽獎特效外掛。上篇文章已經分享過html和css 的相關知識。這篇文章主要分享一些 JavaScript 相關的知識。這幾天在寫這篇文章的時候，也順便把自己的程式碼重構了一下。 這裡主要是來寫寫自己的優化過程。俗話說：