E-Commerce-Data-Mining basierend auf maschinellem Lernen |

Dieser Artikel stammt aus dem öffentlichen WeChat-Konto „Youerhut“, verfasst von Youerhut. Um diesen Artikel erneut zu drucken, wenden Sie sich bitte an das öffentliche Youerhut-Konto.

Hallo zusammen, ich bin Peter~

Ich habe kürzlich ein Stück E-Commerce-Daten zu IC-Elektronikprodukten erhalten und werde später Datenanalyse und Mining zu drei Themen durchführen:

1. Phase 1: Basierend auf Pandas, Numpy, Matplotlib, Seaborn, Plotly und andere Bibliotheken
2. Zweite Stufe: Benutzerporträtanalyse basierend auf dem Clustering-Algorithmus für maschinelles Lernen und dem RFM-Modell
3. Dritte Stufe: Marken-, Produkt- und Produktkategorie-Korrelations-Mining basierend auf dem Assoziationsregelalgorithmus

Dieser Artikel ist die erste Stufe . Der Hauptinhalt umfasst:

• Datenvorverarbeitung
• Datenexploration EDA
• Multi-Angle-Vergleichsanalyse

Importbibliothek

In [1]:

import pandas as pd
import numpy as np

import time
import os
from datetime import datetime
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
#设置中文编码和负号的正常显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

import plotly_express as px
import plotly.graph_objects as go

import missingno as ms

from sklearn.cluster import KMeans
from sklearn.preprocessing import MinMaxScaler

Grundlegende Dateninformationen

Daten lesen

df = pd.read_csv(
"ic_sale.csv",
 encoding="utf-8",# 指定编码
 cnotallow={"order_id":str,"product_id":str,"category_id":str,"user_id":str} # 指定字段类型
)
df.head()

Die Rolle des Konverterparameters: Die mehreren ID-Felder in den Daten sind alle Zahlen, die in der CSV- oder Excel-Datei als Zahlen behandelt werden (ausgedrückt in wissenschaftlicher Notation); im Wesentlichen handelt es sich um „Zeichenfolgen“. „Informationen gibt es nicht.“ irgendeine Bedeutung. Sie müssen beim Lesen den Typ angeben.

Basisinformationen

Überprüfen Sie nach dem Einlesen die Basisinformationen der Daten:

In [3]:

# 1、数据shape

df.shape

Out[3]:

(564169, 11)

In [4]:

# 2、数据字段类型

df.dtypes

Out [4 ]:

event_timeobject
order_idobject
product_idobject
category_id object
category_code object
brand object
pricefloat64
user_id object
ageint64
sex object
local object
dtype: object

In [5]:

Beschreibende Statistiken gelten für numerische Felder:

# 3、数据描述统计信息

df.describe()

Out[5]:

208.269324std

Preis

Alter: 564169,000000

33.184388

304.559875 0... 50 %

87,940000

33,000000

75 %

277,750000

42.000000

max

18328.680000

50.000000

In [6]:

# 4、总共多少个不同客户

df["user_id"].nunique()

Out[6]:

6908

In [7]:

# 5、总共多少个不同品牌

df["brand"].nunique()

Out[7]:

868

In [8]:

# 6、总共多少个订单

df["order_id"].nunique()

Out[8]:

234232

In [9]:

# 7、总共多少个产品

df["product_id"].nunique()

Out[9]:

3756

数据预处理

数据筛选

从描述统计信息中发现price字段的最小值是0，应该是没有成交的数据；我们选择price大于0的信息：

In [10]:

df = df[df["price"] > 0]

缺失值处理

缺失值情况

In [11]:

df.isnull().sum()

Out[11]:

event_time0
order_id0
product_id0
category_id 0
category_code129344
brand 27215
price 0
user_id 0
age 0
sex 0
local 0
dtype: int64

可以看到缺失值体现在字段：

• category_code：类别
• brand：品牌

In [12]:

ms.bar(df,color="blue")# 缺失值可视化

plt.show()

缺失值填充

In [13]:

df.fillna("missing",inplace=True)

In [14]:

df.isnull().sum()# 填充之后无缺失值

Out[14]:

event_time 0
order_id 0
product_id 0
category_id0
category_code0
brand0
price0
user_id0
age0
sex0
local0
dtype: int64

时间字段处理

字段类型转化

读进来的数据中时间字段是object类型，需要将其转成时间格式的类型

In [15]:

df["event_time"][:5] # 处理前

Out[15]:

02020-04-24 11:50:39 UTC
12020-04-24 11:50:39 UTC
22020-04-24 14:37:43 UTC
32020-04-24 14:37:43 UTC
42020-04-24 19:16:21 UTC
Name: event_time, dtype: object

In [16]:

# 去掉最后的UTC
df["event_time"] = df["event_time"].apply(lambda x: x[:19])

In [17]:

# 时间数据类型转化：字符类型---->指定时间格式

df['event_time'] = pd.to_datetime(df['event_time'], format="%Y-%m-%d %H:%M:%S")

字段衍生

In [18]:

# 提取多个时间相关字段

df['month']=df['event_time'].dt.month
df['day'] = df['event_time'].dt.day
df['dayofweek']=df['event_time'].dt.dayofweek
df['hour']=df['event_time'].dt.hour

In [19]:

df["event_time"][:5] # 处理后

Out[19]:

0 2020-04-24 11:50:39
1 2020-04-24 11:50:39
2 2020-04-24 14:37:43
3 2020-04-24 14:37:43
4 2020-04-24 19:16:21
Name: event_time, dtype: datetime64[ns]

可以看到字段类型已经发生了变化

整体趋势分析

分析1：每月成交金额多少？

In [20]:

amount_by_month = df.groupby("month")["price"].sum().reset_index()
amount_by_month

Out[20]:

	month	price
0	1	1953358.17
1	2	2267809.88
2	3	2897486.26
3	4	1704422.41
4	5	7768637.79
5	6	7691244.33
6	7	16354029.27
7	8	27982605.44
8	9	17152310.57
9	10	19765680.76
10	11	11961511.52

In [21]:

fig = px.scatter(amount_by_month,x="month",y="price",size="price",color="price")

fig.update_layout(height=500, width=1000, title_text="每月成交金额")

fig.show()

可以看到：

• 8月份是整个销售的顶峰
• 下半年的整体销售会好于下半年

分析2：月订单量如何变化？

In [22]:

order_by_month = df.groupby("month")["order_id"].nunique().reset_index()
order_by_month

Out[22]:

	month	order_id
0	1	10353
1	2	11461
2	3	12080
3	4	9001
4	5	30460
5	6	289 78
6	7	57659
7	8	73897
8	9	345
9	10	14
10	11	6

In [23]:

fig = px.line(order_by_month,x="month",y="order_id")

fig.update_layout(height=500, width=1000, title_text="每月成交订单量")

fig.show()

关于订单量：

• 从1到8月份是一个逐渐上升的趋势；尤其是4到8月份；可能是五一假期或者暑假、开学季引起的
• 9、10月份订单量陡降：开学之后销量下降快

分析3：月消费人数/人次如何变化？

In [24]:

# nunique：对每个user_id进行去重：消费人数
# count：统计user_id 的次数；消费人次（存在一人多次购买）

people_by_month = df.groupby("month")["user_id"].agg(["nunique","count"]).reset_index()
people_by_month

Out[24]:

	month	nunique	count
0	1	1388	15575
1	2	1508	17990
2	3	1597	18687
3	4	1525	11867
4	5	3168	40332
5	6	3966	41355
6	7	5159	76415
7	8	6213	100006
8	9	5497	70496
9	10	4597	104075
10	11	3134	67332

In [25]:

fig = px.line(people_by_month,x="month",y="nunique")

fig.update_layout(height=500, width=1000, title_text="每月成交人数")

fig.show()

fig = px.line(people_by_month,x="month",y="count")

fig.update_layout(height=500, width=1000, title_text="每月成交人次")

fig.show()

分析4：每月订单价多少？

In [27]:

amount_by_month# 每月成交金额

Out[27]:

	month	price
0	1	1953358.17
1	2	2267809.88
2	3	2897486.26
3	4	1704422.41
4	5	7768637.79
5	6	7691244.33
6	7	16354029.27
7	8	27982605.44
8	9	17152310.57
9	10	19765680.76
10	11	11961511.52

In [28]:

order_by_month# 每月订单数

Out[28]:

	month	order_id
0	1	10353
1	2	11461
2	3	12080
3	4	9001
4	5	30460
5	6	289 78
6	7	57659
7	8	73897
8	9	345
9	10	14
10	11	6

In [29]:

amount_by_userid = pd.merge(amount_by_month,order_by_month)

amount_by_userid

Out[29]:

	month	price	order_id
0	1	1953358.17	10353
1	2	2267809.88	11461
2	3	2897486.26	12080
3	4	1704422.41	9001
4	5	776 8637,79	30460
5	6	7691244.33	28978
6	7	16354029.27	57659
7	8	27982605.44	73897
8	9	17152310.57	345
9	10	19765680,76	14
10	11	11961511.52	6

In [30]:

amount_by_userid["average"] = amount_by_userid["price"] / amount_by_userid["order_id"]

amount_by_userid

fig = px.line(amount_by_userid,x="month",y="average")

fig.update_layout(height=500, width=1000, title_text="每月客单价")

fig.show()

从上面的折线图可以看出来：

1. 1到8月份月订单量基本持平；可能是有很多批量的订单；通过量大带来利润：量的路线
2. 9到10月份：月单价急剧上升；订单量少，但是金额；可能存在大额消费的用户：质的路线

分析5：每个订单包含多少产品

In [32]:

product_by_order = df.groupby("order_id")["product_id"].count().reset_index().sort_values("product_id",ascending=False)

product_by_order.head(10)

Out[32]:

	order_id	product_id
234208	2388440981134640000	15021
234210	2388440981134660000	14891
234211	2388440981134670000	14845
234212	2388440981134680000	14765
234202	2388409811345800	14587
234205	2388440981134610000	14571
234207	2388440981134630000 0
234203	2388440981134590000	14194

In [33]:

fig = px.bar(product_by_order[:20],
 x="order_id",
 y="product_id",
 text="product_id"
)

fig.show()

一个订单下包含的产品数量是不同；上万的订单可能是小型的ic元器件产品。

不同省份对比

分析6：订单量、用户量和成交金额对比

不同省份下的订单量、用户量和成交金额对比

In [34]:

local = df.groupby("local").agg({"order_id":"nunique","user_id":"nunique","price":sum}).reset_index()
local.head()

Out[34]:

	local	order_id	user_id	price
0	上海	39354	5680	19837942.20
1	北京	38118	5702	19137748.75
2	Sichuan	13396	3589	6770891.28
3	Tianjin	13058	3497	6433736.85
4	guangdong	51471	6085	260 13770.86

In [35]:

df1 = local.sort_values("order_id",ascending=True)# 订单量升序
df1

Out[35]:

1305834966479488.147hainan1307635876968674.412schichuan 13396358919137748.75#🎜 🎜# #🎜 🎜#

local

order_id

user_id

price

6

浙江

12790

3485

6522657.59

8

湖北

12810

3488

5993820.57

3

天津

13058

6770891,28

6357286.87

9

Hunan

13879

3481

6983078,88 702

0

上海

39354

5680# 🎜🎜 #

19837942.20

4

#🎜🎜 ##🎜🎜 #

广东

51471

6085

26013770.86

In [36]:

fig = px.pie(df1, names="local",labels="local",values="price")

fig.update_traces(
textpositinotallow="inside",
textinfo="percent+label"
)

fig.show()

无疑：广东省No.1

每个省份的订单量对比：

fig = px.bar(df1,x="order_id",y="local",orientatinotallow="h")

fig.show()

# 整体的可视化效果

fig = px.scatter_3d(local,
x="order_id",
y="user_id",
z="price",
color="order_id",
hover_name="local"
 )

fig.show()

通过3D散点图我们发现：广东省真的是一骑绝尘！

• 订单量多；订单金额也大：主打搞钱
• 除去北上广，湖南和江苏的用户群是最多的，有前景

分析7：不同省份的客户钟爱哪些品牌？

In [39]:

local_brand = df.groupby(["local","brand"]).size().to_frame().reset_index()

local_brand.columns = ["local","brand","number"]# 修改字段名

local_brand

# 根据local和number进行排序
local_brand.sort_values(["local","number"],ascending=[True,False],inplace=True,ignore_index=True)
local_brand = local_brand[local_brand["brand"] != "missing"]
# 每个local下面最受欢迎的前3个品牌
local_brand = local_brand.groupby("local").head(3)
local_brand

fig = px.bar(local_brand,
 x="brand",
 y="number",
 color="number",
 facet_col="local")

fig.update_layout(height=500,width=1000)

fig.show()

看来大家都很喜欢: samsung 、apple、ava

不同时间对比

分析8：下单时间对比

In [43]:

df.columns

Out[43]:

Index(['event_time', 'order_id', 'product_id', 'category_id', 'category_code',
 'brand', 'price', 'user_id', 'age', 'sex', 'local', 'month', 'day',
 'dayofweek', 'hour'],
dtype='object')

In [44]:

df2 = df.groupby("dayofweek")["order_id"].nunique().reset_index()
df2

Out[44]:

315554# 🎜 🎜#

In [45]:

plt.figure(figsize=(12,7))

df2["order_id"].plot.bar()

plt.xticks(range(7),['周一','周二','周三','周四','周五','周六','周日'],rotatinotallow=0)
plt.xlabel('星期')
plt.ylabel('订单量')
plt.title('订单数随星期变化')

plt.show()

分析9：每小时订单量

In [46]:

df3 = df.groupby("hour")["order_id"].nunique().reset_index()
df3.head(10)

Out[46]:

	dayofweek	order_id
0	0	35690
1	1	34256
2	2	#31249 🎜🎜 #
	#🎜 🎜 # 4	33010
5# 🎜 🎜#	5	34772
6	6	33922 #🎜🎜 ## 🎜🎜#

	hour	order_id
0	0	2865
1	1	2711
2	2	3981
3	3	6968
4	4	12176
5	5	16411
6	6	18667
7	7	20034
8	8	20261
9	9	20507

In [47]:

plt.figure(figsize=(14,8))
df3["order_id"].plot()

plt.xlabel('小时')
plt.ylabel('订单数量')
plt.title('订单随小时数变化')

plt.grid()
plt.show()

用户都喜欢在上午8、9、10点下单；可能是刚开始上班工作，大家更积极

不同用户消费行为分析

分析10：消费次数和消费金额

In [48]:

df4 = df.groupby("user_id").agg({"order_id":"nunique", "price":sum})

fig = px.scatter(df4,
x="order_id",
y="price",
color="price",
size="price")

fig.show()

• 同时存在低频高额和高频高额用户

分析11：用户消费周期

In [50]:

# 用户消费周期

# shift函数：移动一个单位

purchase_time=df.groupby('user_id').apply(lambda x: x['event_time'] - x['event_time'].shift()).dt.days
purchase_time

Out[50]:

user_id
151591562543995000096014NaN
1515915625440030000374760 NaN
 48492735.0
1515915625440050000463812 NaN
 473430 1.0
 ... 
1515915625514880000564132 0.0
 564143 0.0
 564164 0.0
1515915625514890000564158 NaN
 564165 0.0
Name: event_time, Length: 564130, dtype: float64

In [51]:

purchase_time[purchase_time>0].describe()

Out[51]:

count120629.000000
mean 35.494500
std 663.803583
min 1.000000
25% 2.000000
50% 4.000000
75%12.000000
max 18466.000000
Name: event_time, dtype: float64

说明：

1. 至少消费两次的用户的消费周期是4天
2. 有75%的客户消费周期在12天

分析12：用户复购行为

In [52]:

pivoted_counts = df.pivot_table(index='user_id',
 columns='month',
 values='order_id',
 aggfunc='nunique').fillna(0)

pivoted_counts

Out[52]:

pivoted_counts_map.sum() / pivoted_counts_map.count()

# 结果
month
1 0.406340
2 0.439655
3 0.474640
4 0.700328
5 0.829861
6 0.792990
7 0.891452
8 0.920328
9 0.781153
100.609963
110.419592
dtype: float64

(pivoted_counts_map.sum()/pivoted_counts_map.count()).plot(figsize=(12,6))

plt.xticks(range(11),columns_month)

plt.title('复购率')
plt.show()

• 复购的高峰期在4、6、9月份
• 10月份开始，销售开始冷淡；复购急降

Das obige ist der detaillierte Inhalt vonE-Commerce-Data-Mining basierend auf maschinellem Lernen |. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Verwandte Etiketten：

机器学习 电商数据 挖掘

Quelle：51cto.com

Vorheriger Artikel：Die Geheimwaffe zur Verbesserung der Vorhersagequalität von Deep-Learning-Modellen – kontextsensitive Daten Nächster Artikel：Microsoft teilt die Entwicklungsgeschichte der neuen Version von Bing: Die ChatGPT-Demo war so beeindruckend, dass ich mich sofort dazu entschlossen habe, sie in Bing zu integrieren

Erklärung dieser Website

Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Neueste Artikel des Autors

• Gestalten Sie die Zukunft: Java-Programmierung für absolute Anfänger
  2024-10-13 13:32:21
• Sie sind nicht allein: Beherrschen Sie Python mit einer unterstützenden Community an Ihrer Seite
  2024-10-12 11:58:51
• Vom Anfänger zum Programmierer: Nutzen Sie die Leistungsfähigkeit der Python-Programmierung
  2024-10-11 20:06:51
• Denken Sie wie ein Programmierer: Erlernen der Grundlagen von Java
  2024-10-11 18:59:31
• Java leicht gemacht: Ein Leitfaden für Anfänger zur Programmierleistung
  2024-10-11 18:30:51
• Erstellen Sie einen Blog mit PHP: Ein anfängerfreundliches Projekt
  2024-10-11 15:51:51
• Sprechen Sie die Sprache der Systeme: Lernen Sie C, Zeile für Zeile
  2024-10-11 15:42:10
• Datenstrukturen und Algorithmen in C: Ein anfängerfreundlicher Ansatz
  2024-10-11 14:41:20
• Programmieren ohne Tränen: C auf einfache Weise lernen
  2024-10-11 14:08:31
• Datenanalyse mit Java: Ein Leitfaden für Anfänger zur Informationsverarbeitung
  2024-10-11 13:42:21

Aktuelle Ausgaben

So zeigen Sie die mobile Version von Google Chrome an Hallo Lehrer, wie kann ich Google Chrome in eine mobile Version umwandeln?

Aus 2024-04-23 00:22:19

0

9

1588

Welches Format haben die Variablen im Rückgabewert? Ich bin ein PHP-Neuling. Ich habe einen Code gefunden: if($x<time()){return[false,'erro...

Aus 2024-04-06 21:55:20

0

1

778

Sudoku-Checker funktioniert nicht? Kann mir jemand helfen, den Fehler zu identifizieren? Ich habe alles im Online-Editor versucht, erhalte aber immer noch die Fehlermeldung. Aber ...

Aus 2024-04-06 21:21:07

0

1

474

Regulärer Ausdrucksfilter für MERN-Stack-Suchfelder und Kontrollkästchen Ich versuche durch Learning by Doing zu verstehen, wie der MERN-Stack zusammenarbeitet, un...

Aus 2024-04-06 14:53:12

0

1

425

Ich habe Probleme mit einem CSS-Raster, dessen Höhe nicht meinen Erwartungen entspricht. Welche Fehler könnte ich machen? Ich lerne gerade CSS-Raster und wurde gebeten, diese Karte zu erstellen, indem ich sie in ...

Aus 2024-04-06 12:52:14

0

1

339

verwandte Themen

Mehr>

• Merkmale der Ruby-Sprache
• Der Unterschied zwischen div und span
• Was sind die Vorteile des Java-Factory-Musters?
• ETH-Währungspreis heutiger Marktpreis USD
• WLAN zeigt an, dass keine IP zugewiesen ist
• So verwenden Sie fprintf in Matlab
• Top Ten der Rangliste der digitalen Geldwechsel
• So erhalten Sie die Länge eines Arrays in js

Beliebte Empfehlungen

• 3-minütiges Kurz-Tutorial zur Verwendung von ChatGPT. Verwenden Sie es, um mir beim Schreiben meines Lebenslaufs zu helfen.
• Was ist ChatGPT? Wofür stehen G, P und T?
• Zusammenfassung der Verwendung von ChatGPT und häufig gestellte Fragen
• Zugang zur WHEE-Webadresse
• ColorOS 14 und OriginOS 4.0 sind erneut bestätigt: Smart Island-Interaktion und KI-Großversion!

Beliebte Tutorials

Mehr>

Verwandte Tutorials

Beliebte Empfehlungen

Aktuelle Kurse

• 
  最新ThinkPHP 5.1全球首发视频教程(60天成就PHP大牛线上培训班课)

  1414811
• 
  php入门教程之一周学会PHP

  4252903
• 
  JAVA 初级入门视频教程

  2460620
• 
  小甲鱼零基础入门学习Python视频教程

  502519
• 
  PHP 零基础入门教程

  842586

• 
  最新ThinkPHP 5.1全球首发视频教程(60天成就PHP大牛线上培训班课)

  1414811 Lernzeiten
• 
  JAVA 初级入门视频教程

  2460620 Lernzeiten
• 
  小甲鱼零基础入门学习Python视频教程

  502519 Lernzeiten
• 
  Web前端开发极速入门

  215149 Lernzeiten
• 
  零基础精通 PS 视频教程

  872796 Lernzeiten

• 
  【web前端】Node.js快速入门

  6087 Lernzeiten
• 
  国外Web开发全栈课程全集

  4636 Lernzeiten
• 
  Go语言实战之 GraphQL

  3996 Lernzeiten
• 
  550W粉丝大佬手把手从零学JavaScript

  595 Lernzeiten
• 
  python大神Mosh，零基础小白6小时完全入门

  20377 Lernzeiten

Neueste Downloads

Mehr>

Web-Effekte

Quellcode der Website

Website-Materialien

Frontend-Vorlage

• [表单按钮] jQuery企业留言表单联系代码
• [播放器特效] HTML5 MP3音乐盒播放特效
• [菜单导航] HTML5炫酷粒子动画导航菜单特效
• [表单按钮] jQuery可视化表单拖拽编辑代码
• [播放器特效] VUE.JS仿酷狗音乐播放器代码
• [html5特效] 经典html5推箱子小游戏
• [图片特效] jQuery滚动添加或减少图片特效
• [相册特效] CSS3个人相册封面悬停放大特效

• [Frontend-Vorlage] Website-Vorlage für Reinigungs- und Reparaturdienste für Inneneinrichtungen
• [Frontend-Vorlage] Persönliche Lebenslauf-Leitfaden-Seitenvorlage in frischen Farben
• [Frontend-Vorlage] Web-Vorlage für kreativen Job-Lebenslauf für Designer
• [Frontend-Vorlage] Website-Vorlage eines modernen Ingenieurbauunternehmens
• [Frontend-Vorlage] Responsive HTML5-Vorlage für Bildungseinrichtungen
• [Frontend-Vorlage] Vorlage für die Website eines Online-E-Book-Shops für Einkaufszentren
• [Frontend-Vorlage] IT-Technologie löst Website-Vorlage für Internetunternehmen
• [Frontend-Vorlage] Website-Vorlage für Devisenhandelsdienste im violetten Stil

• [PNG素材] 可爱的夏天元素矢量素材(EPS+PNG)
• [PNG素材] 四个红的的 2023 毕业徽章矢量素材(AI+EPS+PNG)
• [banner图] 唱歌的小鸟和装满花朵的推车设计春天banner矢量素材(AI+EPS)
• [PNG素材] 金色的毕业帽矢量素材(EPS+PNG)
• [PNG素材] 黑白风格的山脉图标矢量素材(EPS+PNG)
• [PNG素材] 不同颜色披风和不同姿势的超级英雄剪影矢量素材(EPS+PNG)
• [banner图] 扁平风格的植树节banner矢量素材(AI+EPS)
• [PNG素材] 九个漫画风格的爆炸聊天气泡矢量素材(EPS+PNG)

• [Frontend-Vorlage] Website-Vorlage für Reinigungs- und Reparaturdienste für Inneneinrichtungen
• [Frontend-Vorlage] Persönliche Lebenslauf-Leitfaden-Seitenvorlage in frischen Farben
• [Frontend-Vorlage] Web-Vorlage für kreativen Job-Lebenslauf für Designer
• [Frontend-Vorlage] Website-Vorlage eines modernen Ingenieurbauunternehmens
• [Frontend-Vorlage] Responsive HTML5-Vorlage für Bildungseinrichtungen
• [Frontend-Vorlage] Vorlage für die Website eines Online-E-Book-Shops für Einkaufszentren
• [Frontend-Vorlage] IT-Technologie löst Website-Vorlage für Internetunternehmen
• [Frontend-Vorlage] Website-Vorlage für Devisenhandelsdienste im violetten Stil

Über uns Haftungsausschluss Sitemap

Chinesische PHP-Website：Online-PHP-Schulung für das Gemeinwohl，Helfen Sie PHP-Lernenden, sich schnell weiterzuentwickeln！