Perlombongan data e-dagang berdasarkan pembelajaran mesin |

Artikel ini dicetak semula daripada akaun awam WeChat "Youerhut", yang ditulis oleh Youerhut. Untuk mencetak semula artikel ini, sila hubungi akaun awam Youerhut.

Hello semua, nama saya Peter~

Baru-baru ini saya memperoleh sekeping data e-dagang produk elektronik IC Saya akan menjalankan analisis data dan perlombongan pada 3 topik kemudian:

1. Peringkat pertama: analisis visualisasi statistik berdasarkan panda, numpy, matplotlib, seaborn, plotly dan perpustakaan lain
2. Peringkat kedua: analisis potret pengguna berdasarkan algoritma pengelompokan pembelajaran mesin dan model RFM
3. Peringkat ketiga: Perlombongan korelasi kategori jenama, produk dan produk berdasarkan algoritma peraturan persatuan

Artikel ini ialah peringkat pertama, dan kandungan utama termasuk:

• Pemprosesan Penyediaan Data
• EDA penerokaan data
• Analisis perbandingan berbilang sudut

Import perpustakaan

Dalam [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

Maklumat asas data

Baca data

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()

Peranan parameter penukar: semua medan id berbilang dalam data Ia adalah nombor, yang dianggap sebagai nombor (dinyatakan dalam notasi saintifik) dalam fail csv atau excel pada dasarnya ia adalah maklumat "rentetan" dan tidak mempunyai sebarang makna saiz; Anda perlu menentukan jenis semasa membaca.

Maklumat asas

Selepas membaca dalam, semak maklumat asas data:

Dalam [3 ]:

# 1、数据shape

df.shape

Keluar[3]:

(564169, 11)

Dalam [4]:

# 2、数据字段类型

df.dtypes

Keluar[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

Dalam [5]:

Statistik deskriptif adalah untuk medan angka:

# 3、数据描述统计信息

df.describe()

Keluar[5]:

<🎜 🎜>maks

harga

umur

kira

564169.000000

564169.00000>

min

208.269324

33.184388

std

304.559875

10.122088

min

0.000000

16.000000

25%

><🎜 23.130000

24.000000

50%

00.00.

33.000000

75%

277.750000

<🎜 🎜>

42.000000

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]:

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	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	<🎜5>119.

	month	order_id
0	1	10353
1	2	11461
2	3	12080
3	4	9001
4	5	30460
5	6	28978
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]:

In [28]:

order_by_month# 每月订单数

Out[28]:

	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	<🎜5>119.

	month	order_id
0	1	10353
1	2	11461
2	3	12080
3	4	9001
4	5	30460
5	6	28978
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	7768637.79	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]:

2388440981134580000145872342052388440981134600000><🎜4<🎜4 >

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]:

	order_id	product_id
234208	2388440981134640000	15021
234210	2388440981134660000	14891
234211	2388440981134670000	14845
234212	2388440981134680000	14765
234> 234200 >
<🎜4>18><🎜4 4610000	14571	234207
238844603011046<9811046 > 14443		234204
<🎜 🎜>14416	234206	2388440981134620000
234203	2388440981134590000	<🎜<>🎜> 14199 >

	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	26013770.86

<🎜>

In [35]:

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

Out[35]:

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]:

	local	order_id	user_id	price
6	浙江	12790	3485	6522657.59
8	湖北	12810	3488	5993820.57
3	天津	13058	3497	6433736.85
10	Chongqing	13058	3496	6479488.14
7	Hainan	13076	3587	6968674.41
2	Sichuan	13396	3589<🎜>	6770891.28
5	Jiangsu	13575	3598	6357286.87
<🎜	Hunan	13879	3481	6983078.88
1	Beijing	38118	5702	19137748.75
0<🎜>	Shanghai	39354	5680	1983794 🎜>
4	Guangdong	51471	6085	26013770.86

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
3	3	31555
4	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

Atas ialah kandungan terperinci Perlombongan data e-dagang berdasarkan pembelajaran mesin |. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Label berkaitan：

pembelajaran mesin Data e-dagang menggali

sumber：51cto.com

Artikel sebelumnya：Senjata rahsia untuk meningkatkan kualiti ramalan model pembelajaran mendalam—data peka konteks Artikel seterusnya：Microsoft berkongsi cerita pembangunan versi baharu Bing: Saya sangat kagum dengan demo ChatGPT sehingga saya segera memutuskan untuk menyepadukannya ke dalam Bing

Kenyataan Laman Web ini

Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Artikel terbaru oleh pengarang

• Cipta Masa Depan: Pengaturcaraan Java untuk Pemula Mutlak
  2024-10-13 13:32:21
• Anda Tidak Sendiri: Kuasai Python dengan Komuniti Menyokong di Sisi Anda
  2024-10-12 11:58:51
• Daripada Novis kepada Coder: Manfaatkan Kuasa Pengaturcaraan Python
  2024-10-11 20:06:51
• Think Like a Programmer: Belajar Asas Java
  2024-10-11 18:59:31
• Java Made Simple: Panduan Pemula untuk Kuasa Pengaturcaraan
  2024-10-11 18:30:51
• Bina Blog dengan PHP: Projek Mesra Permulaan
  2024-10-11 15:51:51
• Cakap Bahasa Sistem: Belajar C, Satu Baris pada Satu Masa
  2024-10-11 15:42:10
• Struktur Data dan Algoritma dalam C: Pendekatan Mesra Permulaan
  2024-10-11 14:41:20
• Pengekodan Tanpa Air Mata: Belajar C dengan Cara Mudah
  2024-10-11 14:08:31
• Analisis Data dengan Java: Panduan Pemula untuk Memproses Maklumat
  2024-10-11 13:42:21

Isu terkini

Bagaimana untuk memaparkan versi mudah alih Google Chrome Hello cikgu, bagaimana saya boleh menukar Google Chrome kepada versi mudah alih?

daripada 2024-04-23 00:22:19

0

9

1588

Apakah format pembolehubah dalam nilai pulangan? Saya seorang pelajar baru php. Saya menjumpai sekeping kod: if($x<time()){return[false,...

daripada 2024-04-06 21:55:20

0

1

778

Pemeriksa Sudoku tidak berfungsi? Bolehkah sesiapa membantu saya mengenal pasti ralat? Saya mencuba segala-galanya pada editor dalam talian tetapi masih mendapat ralat. Tetapi a...

daripada 2024-04-06 21:21:07

0

1

474

Penapis ungkapan biasa untuk kotak carian dan kotak semak tindanan MERN Saya cuba memahami cara tindanan MERN berfungsi bersama-sama dengan belajar dengan melakuk...

daripada 2024-04-06 14:53:12

0

1

425

Saya menghadapi masalah dengan grid CSS yang ketinggiannya tidak seperti yang saya jangkakan, apakah kesilapan yang mungkin saya lakukan? Saya sedang belajar grid CSS dan diminta untuk membuat kad ini dengan memecahkannya kepada...

daripada 2024-04-06 12:52:14

0

1

339

Topik-topik yang berkaitan

Lagi>

• python mengkonfigurasi pembolehubah persekitaran
• Pelabuhan 8080 telah diduduki
• Buku a5 dan b5
• Bagaimana untuk menggunakan fungsi jsreplace
• Fungsi tag span
• penggunaan lateks
• Bagaimana untuk membatalkan pembaharuan automatik Baidu Netdisk
• Mana yang lebih berbaloi untuk dipelajari, bahasa c atau python?

Cadangan popular

• Tutorial pantas 3 minit tentang cara menggunakan ChatGPT Gunakannya untuk membantu saya menulis resume saya.
• Apa itu ChatGPT? Apakah maksud G, P dan T?
• Ringkasan cara menggunakan ChatGPT dan soalan lazim
• Pintu masuk alamat web WHEE
• ColorOS 14 dan OriginOS 4.0 sekali lagi disahkan: Interaksi Pulau Pintar dan model besar AI!

Tutorial Popular

Lagi>

Tutorial berkaitan

Cadangan popular

Kursus terkini

• 
  Tutorial video perdana dunia ThinkPHP 5.1 terkini (60 hari untuk menjadi kursus latihan dalam talian pakar PHP)

  1425927
• 
  Tutorial pengenalan PHP satu: Belajar PHP dalam satu minggu

  4273478
• 
  Tutorial Video Permulaan JAVA

  2563162
• 
  Pengenalan berasaskan sifar Little Turtle untuk mempelajari tutorial video Python

  508964
• 
  Tutorial pengenalan berasaskan sifar PHP

  864836

• 
  Tutorial video perdana dunia ThinkPHP 5.1 terkini (60 hari untuk menjadi kursus latihan dalam talian pakar PHP)

  1425927 kali belajar
• 
  Tutorial Video Permulaan JAVA

  2563162 kali belajar
• 
  Pengenalan berasaskan sifar Little Turtle untuk mempelajari tutorial video Python

  508964 kali belajar
• 
  Pengenalan pantas kepada pembangunan bahagian hadapan web

  216098 kali belajar
• 
  Kuasai tutorial video PS dari awal

  895875 kali belajar

• 
  [Web front-end] Permulaan pantas Node.js

  7944 kali belajar
• 
  Koleksi lengkap kursus timbunan penuh pembangunan web asing

  6333 kali belajar
• 
  Gunakan GraphQL praktikal bahasa

  5226 kali belajar
• 
  Master kipas 550W mempelajari JavaScript dari awal langkah demi langkah

  722 kali belajar
• 
  Sarjana Python Mosh, seorang pemula dengan pengetahuan asas sifar boleh bermula dalam masa 6 jam

  26371 kali belajar

Muat turun terkini

Lagi>

kesan web

Kod sumber laman web

Bahan laman web

Templat hujung hadapan

• [butang borang] kod hubungan borang mesej perusahaan jQuery
• [Kesan khas pemain] Kesan main balik kotak muzik MP3 HTML5
• [Navigasi menu] HTML5 kesan khas menu navigasi animasi zarah sejuk
• [butang borang] jQuery bentuk visual seret dan lepas kod penyuntingan
• [Kesan khas pemain] Kod pemain muzik Kugou tiruan VUE.JS
• [kesan khas html5] Permainan kotak menolak html5 klasik
• [Gambar kesan khas] menatal jQuery untuk menambah atau mengurangkan kesan imej
• [Kesan album foto] Kesan zum hover kulit album peribadi CSS3

• [Templat bahagian hadapan] Templat Laman Web Syarikat Pembersihan dan Pembaikan Hiasan Rumah
• [Templat bahagian hadapan] Templat halaman panduan resume peribadi berwarna segar
• [Templat bahagian hadapan] Templat Web Resume Kerja Kreatif Pereka
• [Templat bahagian hadapan] Templat laman web syarikat pembinaan kejuruteraan moden
• [Templat bahagian hadapan] Templat HTML5 responsif untuk institusi perkhidmatan pendidikan
• [Templat bahagian hadapan] Templat laman web pusat membeli-belah kedai e-buku dalam talian
• [Templat bahagian hadapan] Teknologi IT menyelesaikan templat tapak web syarikat Internet
• [Templat bahagian hadapan] Templat laman web perkhidmatan perdagangan pertukaran asing gaya ungu

• [bahan PNG] Bahan vektor elemen musim panas yang comel (EPS+PNG)
• [bahan PNG] Empat bahan vektor lencana tamat pengajian 2023 merah (AI+EPS+PNG)
• [gambar sepanduk] Burung nyanyian dan troli diisi dengan bahan vektor sepanduk musim bunga reka bentuk bunga (AI+EPS)
• [bahan PNG] Bahan vektor topi pengijazahan emas (EPS+PNG)
• [bahan PNG] Bahan vektor ikon gunung gaya hitam putih (EPS+PNG)
• [bahan PNG] Bahan vektor siluet superhero (EPS+PNG) dengan jubah warna yang berbeza dan pose yang berbeza
• [gambar sepanduk] Bahan vektor sepanduk Hari Arbor gaya rata (AI+EPS)
• [bahan PNG] Sembilan bahan vektor buih sembang meletup gaya komik (EPS+PNG)

• [Templat bahagian hadapan] Templat Laman Web Syarikat Pembersihan dan Pembaikan Hiasan Rumah
• [Templat bahagian hadapan] Templat halaman panduan resume peribadi berwarna segar
• [Templat bahagian hadapan] Templat Web Resume Kerja Kreatif Pereka
• [Templat bahagian hadapan] Templat laman web syarikat pembinaan kejuruteraan moden
• [Templat bahagian hadapan] Templat HTML5 responsif untuk institusi perkhidmatan pendidikan
• [Templat bahagian hadapan] Templat laman web pusat membeli-belah kedai e-buku dalam talian
• [Templat bahagian hadapan] Teknologi IT menyelesaikan templat tapak web syarikat Internet
• [Templat bahagian hadapan] Templat laman web perkhidmatan perdagangan pertukaran asing gaya ungu

Latihan PHP dalam talian kebajikan awam，Bantu pelajar PHP berkembang dengan cepat！

Tentang kita Penafian Sitemap

© php.cn All rights reserved