会员服务3-3_Lib

最新推荐文章于 2024-11-26 09:56:20 发布
原创 最新推荐文章于 2024-11-26 09:56:20 发布 · 512 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Library

这篇博客记录了会员服务开发中的库使用经验，包括锁屏解屏时的生命周期管理、异常处理、资源文件命名规范、自定义ActionBar、TabLayout的使用细节以及Fragment与TabLayout的交互。重点探讨了如何在不同场景下正确操作和优化应用行为。

这是记录会员服务开发时的一些Lib，仅供再次翻阅。

1.锁屏，解屏时的生命周期

在做指纹解锁时，需要判定当前的屏幕状态是不是锁屏。
按照我的理解，指纹解锁应该是传感器，使用它需要获取Authenticate。当锁屏的状态下，需要两次指纹解锁，锁屏到开屏时的指纹解锁，以及我们程序的指纹解锁。但是如果这个Authenticate被系统获取，那么软件中需要重新获取；如果Authenticate被软件获取，系统就不能用指纹开锁。所以监听了屏幕状态，在锁屏时释放Authenticate，解屏时获取Authenticate。

关于锁屏解屏时的生命周期可看这篇文章：关于锁屏和回到桌面的activity生命周期的疑问

在onPause() 和 onResume() 方法中分别释放Authenticate和获取Authenticate。

2.异常

异常信息：Calling startActivity() from outside of an Activity context requires the FLAG_ACTIVITY_NEW_TASK flag.
错误原因：在adapter中设计点击Intent跳转activity事件，传入的Context不是activity的context
解决办法：intent.addFlags(Intent.FLAG_ACTIVITY_NEW_TASK);

FLAG_ACTIVITY_NEW_TASK：默认的跳转类型,它会重新创建一个新的Activity，不过与这种情况，比如说Task1中有A,B,C三个Activity,此时在C中启动D的话，如果在AndroidManifest.xml文件中给D添加了Affinity的值和Task中的不一样的话，则会在新标记的Affinity所存在的Task中压入这个Activity。如果是默认的或者指定的Affinity和Task一样的话，就和标准模式一样了启动一个新的Activity.

3.tips

一个项目，有很多module,或者lib,或者aar引用，记得使用的资源文件名，特别是layout,mipmap,drawable文件名，不要重名。

否则就会出现，多module时，依赖包加载的仍是主module的资源

4.actionBar相关

actionBar有一个setCustomView( int layoutId )函数，用于自定义actionbar样式。注意下高度和侧边。

5.tablayout

( 1 ) 改变选中不同tab时的背景颜色

tablayout改变字体颜色倒是方便，动态改变背景颜色确实有点麻烦

首先定义一个drawable

<selector xmlns:android="http://schemas.android.com/apk/res/android">
    <item android:drawable="@drawable/mem_tab_select" android:state_selected="true" />
    <item android:drawable="@drawable/mem_tab_unselect" android:state_focused="false" android:state_selected="false" />
</selector>

其次，定义drawable/mem_tab_select 

<shape xmlns:android="http://schemas.android.com/apk/res/android">
    <solid android:color="#0b0b0c" />
</shape>

其次，在style文件中设置以下格式：

<style name="Base.Widget.Design.TabLayout" parent="android:Widget">
        <item name="tabBackground">@drawable/mem_tab_bg</item>
        <item name="tabIndicatorHeight">0dp</item>
    </style>

最后，代码中setupWithViewPager后，执行以下方法：

  for (int i = 0; i < titles.length; i++) {
            tab.getTabAt(i).setText(titles[i]);
        }

        for (int i = 0; i < tab.getTabCount(); i++) {
            TabLayout.Tab tabLittle = this.tab.getTabAt(i);
            if (tabLittle != null) {
                tabLittle.setCustomView(getTabView(i));
            }
        }

上面代码片中的getTabView()方法如下：

 private View getTabView(int pos) {

        View view = LayoutInflater.from(HomeMainActivity.this).inflate(R.layout.mem_tab, null);
        TextView tv = ((TextView) view.findViewById(R.id.mem_tab_txt));
        tv.setText(titles[pos]);
        ImageView image = ((ImageView) view.findViewById(R.id.mem_tab_pic));
        image.setImageDrawable(drawable);
        return view;
    }
( 2 ) 在子fragment中获取父activity的控件的问题

首先，父activity定义一个方法

public TabLayout getTab() {
        return tab;
    }

其次，子fragment获取activity（注意判断是否为空以及是否是父activity类型）

if (getActivity() != null && getActivity() instanceof HomeMainActivity) {
            TabLayout tab = ((HomeMainActivity) getActivity()).getTab();
            }
( 3 )子fragment监听tablayout的切换

此处在项目中的需求是，当切换tab后，当前fragment正在播放的音频停止；
由于viewpager中只有三个fragment，viewpager切换fragment的时候不能重走生命周期【重走的话相当于重新加载，那么这个viewpager负担的也太重了】，因此只能从tablayout下手。

tablayout提供了一个回调：addOnTabSelectedListener

tab.addOnTabSelectedListener(new TabLayout.OnTabSelectedListener() {
                @Override
                public void onTabSelected(TabLayout.Tab tab) {
                    if (tab.getPosition() == 2) {
                                            //当前tab（位于第三个的位置）被选中
                                    }
                }

                @Override
                public void onTabUnselected(TabLayout.Tab tab) {
                    if (tab.getPosition() == 2) {
                        //选中了其他tab，调用这个回调后切换tab
                }

                @Override
                public void onTabReselected(TabLayout.Tab tab) {

                }
            });

6.tips

（1）在Library文件中不可使用 switch( view.getId() ) 方法
（2）TextView中字段间的行距间距设置：

android:lineSpacingExtra
android:lineSpacingMultiplier。
使用Docker-Compose部署MySQL一主二从同步高可用MHA集群
我是Java程序员廖志伟，感谢朋友们的支持！
01-05 3218
使用Docker-Compose部署MySQL一主二从同步高可用MHA集群，图文视频结合。
AI绘画御三家SD3强势发布! 又没完全发布？(附三种使用方法)
m0_59162248的博客
10-11 849
Stable Diffusion3只是正式开放他的API接口，每人能够体验但不能像之前一样本地部署，无限使用。我们需要先申请APIKey。
史上最全的 Stable Diffusion 3 白嫖方法总结，还不赶紧收藏！
xiaokangss的博客
11-26 1323
先来简单看一下 SD3的介绍。2024年2月22日，
4个AI绘画神级网站！免费白嫖，偷偷用就行了！
zzz777qqq的博客
10-24 6761
AI绘画技术如今已经发展得相当成熟，目前流行的主要是MJ和SD两种技术。MJ技术虽然效果出色，但需要付费成为会员，而且费用相对较高。而SD技术则对电脑的配置有一定要求，并且需要用户自行安装和设置。
LibLib送一万算力，登录就有
hjx_dou的专栏
05-16 1142
网址 https://www.liblib.art/ 看到别人分享的LibLib周年送一万算力，登录上去确实是送了，一段时间内的生图有保障了
LiblibAI哩布哩布AI：满血不收费的ai生图真的来了！过万授权模型免费用！
热门推荐
andy_68147772的博客
03-18 1万+
‍♂️ 诸位好，我是斜杠君。全栈技术，跨界斜杠青年。分享探索AI技术，副业赚钱，个人成长等干货内容。LiblibAI, 中文名:哩布哩布AI是原创AI模型分享社区，这里有最新、最热门的模型素材，你可以在这里分享优秀的作品，与中国原创模型作者交流,共同探索AI绘画。，就可以开始生成图片了，根据模型不同，每张图一般需要1-3个算力值。你也可以训练自己的LORA模型，但这个就需要升级会员操作了。2.非会员免费算力只能用于生图，不能用于训练LoRA。填好提示词并调好参数就可以生成了。若此文对您有所裨益，敬请。
-extdir java_java.ext.dirs 作用
weixin_33463850的博客
02-23 1897
extdirs 覆盖已安装的扩展的位置 -verbose 有关 Javadoc...下面是关于几个类加载 器的说明: a)Bootstrap:一般用本地代码实现,负责加载 JVM 基础核心类库(rt.jar); b)Extension:从 java.ext.dirs 系统属性所指定的目录......? ? Bootstrap:一般用本地代码实现,负责加载 JVM 基础核心类库(rt.jar); ...
优化（学习）公司的webpack配置(一)
XiaoYi
03-25 1621
优化（学习）公司的webpack配置 2021年遇到的项目中，我遇到了一些特别难受的问题： webpack 编译慢，多达50多秒( 我觉得是文件结构深，很多文件冗余的原因) 打包体积大，优化过后还有90M CI/CD慢，一个小bug，因为CI/CD慢，甚至半天一天久过去了（当然也没有一把过的原因） 项目首屏加载慢 node_module 体积超级大，达到惊人的1.4G 昨天，就是3.23号，我试着优化了node_module，经过一天的努力，我还是决定还是先不要搞这个问题，但是也不是一无所获。 导致n
不需要会员的文档下载器
04-25
标题 "不需要会员的文档下载器" 暗示了我们讨论的主题是关于一款能够帮助用户免费下载各种在线文档的工具，无需订阅或购买网站的会员服务。这种软件通常适用于那些提供付费阅读或下载服务的平台，例如学术论文库、...
# -*- coding: utf-8 -*- """ 京东高价值客户识别与全链路行为预测系统 作者：李梓翀 李富生 数据来源：京东公开数据（模拟生成） """ import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime, timedelta import random import time import os from faker import Faker from sklearn.preprocessing import LabelEncoder, StandardScaler from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.linear_model import LogisticRegression from sklearn.cluster import KMeans from sklearn.metrics import (roc_auc_score, precision_score, recall_score, f1_score, mean_absolute_error, roc_curve) from sklearn.decomposition import PCA # -------------------------- # 数据爬取与模拟生成 # -------------------------- def generate_jd_simulation_data(num_users=5000, num_records=50000): """ 模拟生成京东用户行为数据 """ print("开始生成模拟京东数据...") fake = Faker(&#39;zh_CN&#39;) np.random.seed(42) # 创建用户基础数据 users = pd.DataFrame({ &#39;user_id&#39;: [f&#39;U{str(i).zfill(6)}&#39; for i in range(1, num_users+1)], &#39;age&#39;: np.random.randint(18, 65, num_users), &#39;gender&#39;: np.random.choice([&#39;男&#39;, &#39;女&#39;], num_users, p=[0.55, 0.45]), &#39;city&#39;: [fake.city() for _ in range(num_users)], &#39;is_plus_member&#39;: np.random.choice([0, 1], num_users, p=[0.7, 0.3]), &#39;join_date&#39;: [fake.date_between(start_date=&#39;-3y&#39;, end_date=&#39;today&#39;) for _ in range(num_users)] }) # 创建行为数据 behavior_types = [&#39;浏览&#39;, &#39;加购&#39;, &#39;购买&#39;, &#39;评价&#39;, &#39;收藏&#39;] categories = { &#39;家电&#39;: [&#39;冰箱&#39;, &#39;洗衣机&#39;, &#39;空调&#39;, &#39;电视&#39;, &#39;微波炉&#39;], &#39;手机&#39;: [&#39;智能手机&#39;, &#39;配件&#39;, &#39;平板&#39;, &#39;智能手表&#39;], &#39;电脑&#39;: [&#39;笔记本&#39;, &#39;台式机&#39;, &#39;显示器&#39;, &#39;外设&#39;], &#39;数码&#39;: [&#39;相机&#39;, &#39;耳机&#39;, &#39;音箱&#39;, &#39;存储设备&#39;], &#39;家居&#39;: [&#39;家具&#39;, &#39;家纺&#39;, &#39;厨具&#39;, &#39;灯具&#39;] } records = [] for _ in range(num_records): user_id = f&#39;U{str(np.random.randint(1, num_users+1)).zfill(6)}&#39; behavior_time = fake.date_time_between(start_date=&#39;-90d&#39;, end_date=&#39;now&#39;) # 随机选择品类和子类 main_cat = random.choice(list(categories.keys())) sub_cat = random.choice(categories[main_cat]) # 行为类型概率分布 behavior_prob = [0.5, 0.2, 0.15, 0.1, 0.05] behavior_type = np.random.choice(behavior_types, p=behavior_prob) # 订单相关数据 order_amount = 0 if behavior_type == &#39;购买&#39;: # 高价商品概率 if main_cat == &#39;家电&#39; and np.random.random() < 0.3: order_amount = np.random.uniform(3000, 20000) else: order_amount = np.random.uniform(100, 3000) # 促销活动参与 is_promotion = 1 if np.random.random() < 0.4 else 0 # 物流评分 delivery_rating = np.random.randint(3, 6) if behavior_type == &#39;购买&#39; else 0 records.append({ &#39;user_id&#39;: user_id, &#39;behavior_time&#39;: behavior_time, &#39;behavior_type&#39;: behavior_type, &#39;main_category&#39;: main_cat, &#39;sub_category&#39;: sub_cat, &#39;order_amount&#39;: order_amount, &#39;is_promotion&#39;: is_promotion, &#39;delivery_rating&#39;: delivery_rating }) # 创建DataFrame df = pd.DataFrame(records) # 添加未来行为标签（模拟未来3个月行为） print("添加未来行为标签...") user_purchase_future = df[df[&#39;behavior_type&#39;] == &#39;购买&#39;].groupby(&#39;user_id&#39;)[&#39;order_amount&#39;].sum().reset_index() # 修正语法错误：括号匹配 user_purchase_future[&#39;will_buy_high_end&#39;] = np.where( (user_purchase_future[&#39;order_amount&#39;] > 5000) & (np.random.random(len(user_purchase_future)) > 0.3), 1, 0) # PLUS会员续费倾向 - 修正语法错误 plus_users = users[users[&#39;is_plus_member&#39;] == 1][&#39;user_id&#39;].tolist() user_purchase_future[&#39;will_renew_plus&#39;] = np.where( user_purchase_future[&#39;user_id&#39;].isin(plus_users), np.random.choice([0, 1], len(user_purchase_future)), 0) # 合并数据 df = pd.merge(df, users, on=&#39;user_id&#39;, how=&#39;left&#39;) df = pd.merge(df, user_purchase_future[[&#39;user_id&#39;, &#39;will_buy_high_end&#39;, &#39;will_renew_plus&#39;]], on=&#39;user_id&#39;, how=&#39;left&#39;).fillna(0) # 保存数据 os.makedirs(&#39;data&#39;, exist_ok=True) df.to_csv(&#39;data/jd_simulated_data.csv&#39;, index=False) print(f"模拟数据生成完成，共 {len(df)} 条记录，保存至 data/jd_simulated_data.csv") return df # -------------------------- # 数据预处理 # -------------------------- def preprocess_data(df): """数据预处理与特征工程""" print("\n开始数据预处理与特征工程...") # 1. 数据清洗 # 过滤异常订单（金额异常） df = df[df[&#39;order_amount&#39;] <= 50000] # 修复时间戳错误（示例：修复未来时间戳） current_date = datetime.now() df = df[df[&#39;behavior_time&#39;] <= current_date] # 2. 特征工程 - 基础特征 # 计算用户活跃天数（最近90天） active_days = df.groupby(&#39;user_id&#39;)[&#39;behavior_time&#39;].apply( lambda x: x.dt.date.nunique()).reset_index(name=&#39;active_days&#39;) # 促销敏感度（参与促销活动比例） promo_sensitivity = df[df[&#39;is_promotion&#39;] == 1].groupby(&#39;user_id&#39;).size().reset_index(name=&#39;promo_count&#39;) total_actions = df.groupby(&#39;user_id&#39;).size().reset_index(name=&#39;total_actions&#39;) promo_sensitivity = pd.merge(promo_sensitivity, total_actions, on=&#39;user_id&#39;) promo_sensitivity[&#39;promo_sensitivity&#39;] = promo_sensitivity[&#39;promo_count&#39;] / promo_sensitivity[&#39;total_actions&#39;] # 品类浏览集中度 category_concentration = df.groupby([&#39;user_id&#39;, &#39;main_category&#39;]).size().reset_index(name=&#39;category_count&#39;) category_concentration = category_concentration.groupby(&#39;user_id&#39;)[&#39;category_count&#39;].apply( lambda x: (x.max() / x.sum())).reset_index(name=&#39;category_concentration&#39;) # 3. 高价值客户标签定义 high_value_criteria = df.groupby(&#39;user_id&#39;).agg( total_spend=(&#39;order_amount&#39;, &#39;sum&#39;), purchase_count=(&#39;behavior_type&#39;, lambda x: (x == &#39;购买&#39;).sum()), category_count=(&#39;main_category&#39;, &#39;nunique&#39;) ).reset_index() high_value_criteria[&#39;is_high_value&#39;] = np.where( (high_value_criteria[&#39;total_spend&#39;] > 5000) | (high_value_criteria[&#39;purchase_count&#39;] > 8) | (high_value_criteria[&#39;category_count&#39;] >= 3), 1, 0) # 4. 合并特征 features = pd.merge(active_days, promo_sensitivity[[&#39;user_id&#39;, &#39;promo_sensitivity&#39;]], on=&#39;user_id&#39;) features = pd.merge(features, category_concentration, on=&#39;user_id&#39;) features = pd.merge(features, high_value_criteria[[&#39;user_id&#39;, &#39;is_high_value&#39;]], on=&#39;user_id&#39;) # 5. 添加用户基本信息 user_base = df[[&#39;user_id&#39;, &#39;age&#39;, &#39;gender&#39;, &#39;city&#39;, &#39;is_plus_member&#39;, &#39;join_date&#39;]].drop_duplicates() features = pd.merge(features, user_base, on=&#39;user_id&#39;) # 6. 添加时间相关特征 df[&#39;last_activity&#39;] = df.groupby(&#39;user_id&#39;)[&#39;behavior_time&#39;].transform(&#39;max&#39;) features[&#39;last_activity_gap&#39;] = (datetime.now() - features[&#39;join_date&#39;]).dt.days # 7. 添加行为统计特征 behavior_counts = pd.crosstab(df[&#39;user_id&#39;], df[&#39;behavior_type&#39;]).reset_index() features = pd.merge(features, behavior_counts, on=&#39;user_id&#39;) # 8. 品类偏好特征 for cat in [&#39;家电&#39;, &#39;手机&#39;, &#39;电脑&#39;, &#39;数码&#39;, &#39;家居&#39;]: cat_users = df[df[&#39;main_category&#39;] == cat][&#39;user_id&#39;].unique() features[f&#39;prefers_{cat}&#39;] = np.where(features[&#39;user_id&#39;].isin(cat_users), 1, 0) print(f"特征工程完成，共生成 {len(features.columns)} 个特征") return features # -------------------------- # 探索性数据分析 (EDA) # -------------------------- def perform_eda(df, features): """执行探索性数据分析""" print("\n开始探索性数据分析...") # 设置绘图风格 sns.set_style("whitegrid") plt.figure(figsize=(18, 12)) # 1. 用户行为类型分布 plt.subplot(2, 2, 1) behavior_counts = df[&#39;behavior_type&#39;].value_counts() sns.barplot(x=behavior_counts.index, y=behavior_counts.values, palette="viridis") plt.title(&#39;用户行为类型分布&#39;) plt.ylabel(&#39;数量&#39;) # 2. PLUS会员与非会员客单价对比 plt.subplot(2, 2, 2) purchase_df = df[df[&#39;behavior_type&#39;] == &#39;购买&#39;] sns.boxplot(x=&#39;is_plus_member&#39;, y=&#39;order_amount&#39;, data=purchase_df, palette="Set2") plt.title(&#39;PLUS会员 vs 非会员客单价对比&#39;) plt.xlabel(&#39;PLUS会员&#39;) plt.ylabel(&#39;订单金额&#39;) # 3. 物流评分与复购率关系 plt.subplot(2, 2, 3) # 计算复购率 repurchase_users = purchase_df.groupby(&#39;user_id&#39;).filter(lambda x: len(x) > 1)[&#39;user_id&#39;].unique() purchase_df[&#39;is_repurchase&#39;] = purchase_df[&#39;user_id&#39;].isin(repurchase_users).astype(int) # 按物流评分分组计算复购率 delivery_repurchase = purchase_df.groupby(&#39;delivery_rating&#39;)[&#39;is_repurchase&#39;].mean().reset_index() sns.lineplot(x=&#39;delivery_rating&#39;, y=&#39;is_repurchase&#39;, data=delivery_repurchase, marker=&#39;o&#39;, linewidth=2.5, color=&#39;darkorange&#39;) plt.title(&#39;物流评分对复购率的影响&#39;) plt.xlabel(&#39;物流评分&#39;) plt.ylabel(&#39;复购率&#39;) plt.ylim(0, 1) # 4. 高价值客户特征热力图 plt.subplot(2, 2, 4) corr_matrix = features[[&#39;active_days&#39;, &#39;promo_sensitivity&#39;, &#39;category_concentration&#39;, &#39;购买&#39;, &#39;加购&#39;, &#39;is_high_value&#39;]].corr() sns.heatmap(corr_matrix, annot=True, cmap=&#39;coolwarm&#39;, fmt=".2f") plt.title(&#39;行为特征相关性&#39;) plt.tight_layout() plt.savefig(&#39;results/eda_results.png&#39;, dpi=300) plt.show() # 5. 高价值客户人口统计特征 plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) sns.countplot(x=&#39;gender&#39;, hue=&#39;is_high_value&#39;, data=features, palette="Set1") plt.title(&#39;高价值客户性别分布&#39;) plt.xlabel(&#39;性别&#39;) plt.ylabel(&#39;数量&#39;) plt.subplot(1, 2, 2) sns.boxplot(x=&#39;is_high_value&#39;, y=&#39;age&#39;, data=features, palette="Set2") plt.title(&#39;高价值客户年龄分布&#39;) plt.xlabel(&#39;是否高价值客户&#39;) plt.ylabel(&#39;年龄&#39;) plt.tight_layout() plt.savefig(&#39;results/high_value_demographics.png&#39;, dpi=300) plt.show() print("EDA分析完成，结果保存至 results/ 目录") # -------------------------- # 预测模型构建 # -------------------------- def build_prediction_models(features, target_column): """构建预测模型""" print(f"\n构建预测模型: {target_column}") # 1. 数据准备 # 选择特征 model_features = features.drop([&#39;user_id&#39;, &#39;join_date&#39;, &#39;will_buy_high_end&#39;, &#39;will_renew_plus&#39;], axis=1, errors=&#39;ignore&#39;) # 处理分类变量 categorical_cols = [&#39;gender&#39;, &#39;city&#39;] model_features = pd.get_dummies(model_features, columns=categorical_cols, drop_first=True) # 定义目标变量 y = features[target_column] # 2. 划分训练集/测试集 X_train, X_test, y_train, y_test = train_test_split( model_features, y, test_size=0.25, random_state=42, stratify=y) # 3. 模型初始化 models = { &#39;XGBoost&#39;: RandomForestClassifier( n_estimators=150, max_depth=8, min_samples_split=10, class_weight=&#39;balanced&#39;, random_state=42 ), &#39;随机森林&#39;: RandomForestClassifier( n_estimators=150, max_depth=8, min_samples_split=10, class_weight=&#39;balanced&#39;, random_state=42 ), &#39;逻辑回归&#39;: LogisticRegression( max_iter=1000, class_weight=&#39;balanced&#39;, penalty=&#39;l2&#39;, C=0.1, random_state=42, solver=&#39;liblinear&#39; ) } # 4. 模型训练与评估 results = {} feature_importances = {} for name, model in models.items(): print(f"训练 {name} 模型...") start_time = time.time() model.fit(X_train, y_train) train_time = time.time() - start_time # 预测 y_pred = model.predict(X_test) y_proba = model.predict_proba(X_test)[:, 1] if hasattr(model, &#39;predict_proba&#39;) else [0]*len(y_test) # 关键指标计算 auc = roc_auc_score(y_test, y_proba) if len(np.unique(y_test)) > 1 else 0.5 precision = precision_score(y_test, y_pred, zero_division=0) recall = recall_score(y_test, y_pred, zero_division=0) f1 = f1_score(y_test, y_pred, zero_division=0) # 自定义加权MAE（高价商品权重更高） weights = np.where(features.loc[y_test.index, &#39;is_high_value&#39;] == 1, 2.0, 1.0) mae = mean_absolute_error(y_test, y_proba, sample_weight=weights) if len(np.unique(y_test)) > 1 else 0 results[name] = { &#39;AUC&#39;: auc, &#39;精确率&#39;: precision, &#39;召回率&#39;: recall, &#39;F1分数&#39;: f1, &#39;加权MAE&#39;: mae, &#39;训练时间(秒)&#39;: train_time } # 保存重要特征 if hasattr(model, &#39;feature_importances_&#39;): feat_imp = pd.Series(model.feature_importances_, index=X_train.columns) feature_importances[name] = feat_imp.sort_values(ascending=False) # 绘制ROC曲线 if len(np.unique(y_test)) > 1: plt.figure(figsize=(8, 6)) fpr, tpr, _ = roc_curve(y_test, y_proba) plt.plot(fpr, tpr, label=f&#39;{name} (AUC = {auc:.2f})&#39;) plt.plot([0, 1], [0, 1], &#39;k--&#39;) plt.xlabel(&#39;假阳性率&#39;) plt.ylabel(&#39;真阳性率&#39;) plt.title(f&#39;{target_column} ROC曲线&#39;) plt.legend() plt.savefig(f&#39;results/{target_column}_{name}_roc_curve.png&#39;, dpi=300) plt.close() # 5. 特征重要性可视化 for model_name, imp in feature_importances.items(): plt.figure(figsize=(10, 8)) imp.head(15).sort_values().plot(kind=&#39;barh&#39;) plt.title(f&#39;{model_name} - 特征重要性 (Top 15)&#39;) plt.tight_layout() plt.savefig(f&#39;results/{target_column}_{model_name}_feature_importance.png&#39;, dpi=300) plt.close() return results, models # -------------------------- # 客户分群与画像 # -------------------------- def customer_segmentation(features): """客户分群与画像生成""" print("\n进行客户分群...") # 选择特征 cluster_features = features[[ &#39;active_days&#39;, &#39;promo_sensitivity&#39;, &#39;category_concentration&#39;, &#39;浏览&#39;, &#39;加购&#39;, &#39;购买&#39;, &#39;age&#39; ]] # 标准化 scaler = StandardScaler() X_cluster = scaler.fit_transform(cluster_features) # KMeans聚类 kmeans = KMeans(n_clusters=5, random_state=42, n_init=10) features[&#39;cluster&#39;] = kmeans.fit_predict(X_cluster) # 分析群体特征 cluster_profiles = features.groupby(&#39;cluster&#39;).agg({ &#39;active_days&#39;: &#39;mean&#39;, &#39;promo_sensitivity&#39;: &#39;mean&#39;, &#39;category_concentration&#39;: &#39;mean&#39;, &#39;浏览&#39;: &#39;mean&#39;, &#39;加购&#39;: &#39;mean&#39;, &#39;购买&#39;: &#39;mean&#39;, &#39;age&#39;: &#39;mean&#39;, &#39;is_high_value&#39;: &#39;mean&#39;, &#39;will_buy_high_end&#39;: &#39;mean&#39;, &#39;will_renew_plus&#39;: &#39;mean&#39;, &#39;is_plus_member&#39;: &#39;mean&#39; }).reset_index() # 重命名集群 cluster_names = { 0: &#39;低价值观望者&#39;, 1: &#39;高价值忠诚客户&#39;, 2: &#39;年轻活跃用户&#39;, 3: &#39;促销敏感型用户&#39;, 4: &#39;高消费低频用户&#39; } cluster_profiles[&#39;cluster_name&#39;] = cluster_profiles[&#39;cluster&#39;].map(cluster_names) features[&#39;cluster_name&#39;] = features[&#39;cluster&#39;].map(cluster_names) # 可视化 - 群体价值分布 plt.figure(figsize=(10, 6)) sns.barplot(x=&#39;cluster_name&#39;, y=&#39;is_high_value&#39;, data=cluster_profiles, palette="viridis") plt.title(&#39;各客户群体高价值比例&#39;) plt.xlabel(&#39;客户群体&#39;) plt.ylabel(&#39;高价值客户比例&#39;) plt.xticks(rotation=15) plt.tight_layout() plt.savefig(&#39;results/cluster_high_value_distribution.png&#39;, dpi=300) plt.close() # 保存客户画像 cluster_profiles.to_csv(&#39;results/customer_cluster_profiles.csv&#39;, index=False) features.to_csv(&#39;results/customer_segmented_data.csv&#39;, index=False) print("客户分群完成，结果保存至 results/ 目录") return cluster_profiles # -------------------------- # 生成业务报告 # -------------------------- def generate_business_report(cluster_profiles, model_results): """生成业务策略报告""" print("\n生成业务策略报告...") report = """ # 京东高价值客户识别与行为预测分析报告 ## 1. 项目概述 本项目通过分析京东用户行为数据，构建高价值客户识别模型并预测其全链路行为。研究目标包括： - 建立高价值客户评估体系 - 预测高价商品购买概率(家电3C等) - 预测PLUS会员续费倾向 - 提出精准营销策略 ## 2. 关键发现 ### 2.1 高价值客户特征 - 高价值客户占比: {:.1f}% - 高价值客户主要特征: - 活跃天数比普通客户高{:.1f}倍 - 促销敏感度比普通客户高{:.1f}% - 跨品类消费比例比普通客户高{:.1f}倍 ### 2.2 客户群体分析 我们识别出5类典型客户群体: """.format( cluster_profiles[&#39;is_high_value&#39;].mean() * 100, cluster_profiles[cluster_profiles[&#39;is_high_value&#39;] > 0.5][&#39;active_days&#39;].mean() / cluster_profiles[cluster_profiles[&#39;is_high_value&#39;] < 0.3][&#39;active_days&#39;].mean(), (cluster_profiles[cluster_profiles[&#39;is_high_value&#39;] > 0.5][&#39;promo_sensitivity&#39;].mean() - cluster_profiles[cluster_profiles[&#39;is_high_value&#39;] < 0.3][&#39;promo_sensitivity&#39;].mean()) * 100, cluster_profiles[cluster_profiles[&#39;is_high_value&#39;] > 0.5][&#39;category_concentration&#39;].mean() / cluster_profiles[cluster_profiles[&#39;is_high_value&#39;] < 0.3][&#39;category_concentration&#39;].mean() ) for _, row in cluster_profiles.iterrows(): report += "- **{}**: {:.1f}%为高价值客户，平均年龄{:.1f}岁，主要特征：{}\n".format( row[&#39;cluster_name&#39;], row[&#39;is_high_value&#39;] * 100, row[&#39;age&#39;], get_cluster_description(row) ) report += "\n### 2.3 预测模型性能\n" # 高价商品购买预测结果 report += "**高价商品购买预测**:\n" for model, metrics in model_results[&#39;will_buy_high_end&#39;].items(): report += ("- {}: AUC={:.3f}, 精确率={:.3f}, 召回率={:.3f}, " "F1={:.3f}\n").format( model, metrics[&#39;AUC&#39;], metrics[&#39;精确率&#39;], metrics[&#39;召回率&#39;], metrics[&#39;F1分数&#39;]) # PLUS会员续费预测结果 report += "\n**PLUS会员续费预测**:\n" for model, metrics in model_results[&#39;will_renew_plus&#39;].items(): report += ("- {}: AUC={:.3f}, 精确率={:.3f}, 召回率={:.3f}, " "F1={:.3f}\n").format( model, metrics[&#39;AUC&#39;], metrics[&#39;精确率&#39;], metrics[&#39;召回率&#39;], metrics[&#39;F1分数&#39;]) report += """ ## 3. 业务建议 ### 3.1 高价值客户运营策略 - **高价值忠诚客户**: 提供专属客服、优先配送和限量商品访问权限 - **高消费低频用户**: 通过个性化推荐提高购买频率，推送高端新品 - **促销敏感型用户**: 定向发送优惠券和限时促销信息 ### 3.2 PLUS会员增长策略 - 针对高价值客户群体提供专属会员优惠 - 预测有流失风险的会员，提供续费激励 - 为新会员提供首单立减优惠 ### 3.3 家电3C品类增长策略 - 对高价商品潜在购买者提供分期免息服务 - 结合用户浏览行为推送相关配件和延保服务 - 针对跨品类用户提供组合优惠 ## 4. 实施计划 1. 部署预测模型到京东营销系统 2. 开发客户分群运营平台 3. 设计个性化营销活动 4. 建立效果监测指标体系 """ # 保存报告 os.makedirs(&#39;results&#39;, exist_ok=True) with open(&#39;results/business_report.md&#39;, &#39;w&#39;, encoding=&#39;utf-8&#39;) as f: f.write(report) print("业务报告生成完成，保存至 results/business_report.md") return report def get_cluster_description(row): """生成客户群体描述""" desc_map = { &#39;低价值观望者&#39;: "浏览多购买少，促销敏感度低", &#39;高价值忠诚客户&#39;: "高活跃、高消费、多品类购买", &#39;年轻活跃用户&#39;: "活跃度高但消费水平中等", &#39;促销敏感型用户&#39;: "对促销活动高度敏感，购买集中在促销期", &#39;高消费低频用户&#39;: "购买频次低但单次消费金额高" } return desc_map.get(row[&#39;cluster_name&#39;], "未知群体") # -------------------------- # 主执行流程 # -------------------------- if __name__ == "__main__": # 创建结果目录 os.makedirs(&#39;data&#39;, exist_ok=True) os.makedirs(&#39;results&#39;, exist_ok=True) # 生成模拟数据 if not os.path.exists(&#39;data/jd_simulated_data.csv&#39;): df = generate_jd_simulation_data() else: df = pd.read_csv(&#39;data/jd_simulated_data.csv&#39;, parse_dates=[&#39;behavior_time&#39;]) print("加载现有模拟数据...") # 预处理与特征工程 features = preprocess_data(df) # 探索性数据分析 perform_eda(df, features) # 构建预测模型 model_results = {} high_end_results, high_end_models = build_prediction_models(features, &#39;will_buy_high_end&#39;) model_results[&#39;will_buy_high_end&#39;] = high_end_results plus_renew_results, plus_models = build_prediction_models(features, &#39;will_renew_plus&#39;) model_results[&#39;will_renew_plus&#39;] = plus_renew_results # 客户分群 cluster_profiles = customer_segmentation(features) # 生成业务报告 report = generate_business_report(cluster_profiles, model_results) print("\n" + "="*50) print("京东高价值客户分析完成！") print("="*50) print("结果文件:") print("- 原始数据: data/jd_simulated_data.csv") print("- 特征数据: results/customer_segmented_data.csv") print("- 客户画像: results/customer_cluster_profiles.csv") print("- 分析报告: results/business_report.md") print("- 可视化图表: results/ 目录下的图片文件") 这段代码报了如下的错误 Cell In[2], line 564 561 print("加载现有模拟数据...") 563 # 预处理与特征工程 --> 564 features = preprocess_data(df) 566 # 探索性数据分析 567 perform_eda(df, features) Cell In[2], line 180 178 # 6. 添加时间相关特征 179 df[&#39;last_activity&#39;] = df.groupby(&#39;user_id&#39;)[&#39;behavior_time&#39;].transform(&#39;max&#39;) --> 180 features[&#39;last_activity_gap&#39;] = (datetime.now() - features[&#39;join_date&#39;]).dt.days 182 # 7. 添加行为统计特征 183 behavior_counts = pd.crosstab(df[&#39;user_id&#39;], df[&#39;behavior_type&#39;]).reset_index() File c:\Users\lzc\anaconda3\envs\lzc\lib\site-packages\pandas\core\ops\common.py:72, in _unpack_zerodim_and_defer.<locals>.new_method(self, other) 68 return NotImplemented 70 other = item_from_zerodim(other) ---> 72 return method(self, other) File c:\Users\lzc\anaconda3\envs\lzc\lib\site-packages\pandas\core\arraylike.py:114, in OpsMixin.__rsub__(self, other) 112 @unpack_zerodim_and_defer("__rsub__") 113 def __rsub__(self, other): --> 114 return self._arith_method(other, roperator.rsub) ... File c:\Users\lzc\anaconda3\envs\lzc\lib\site-packages\pandas\core\roperator.py:15, in rsub(left, right) 14 def rsub(left, right): ---> 15 return right - left TypeError: unsupported operand type(s) for -: &#39;Timestamp&#39; and &#39;datetime.date&#39;这个报错是怎么回事，帮我改进一下
06-04
另外，引用[3]给出了一个示例，展示了如何计算两个日期之间的天数：他们先将一个字符串转换为pandas的Timestamp（使用`pd.to_datetime`），然后减去一个列（该列应该是Timestamp类型），得到的是一个Timedelta，再...
OpenStack云计算快速入门
Evan的专栏
02-17 1265
云计算是一种计算模型，它将诸如运算能力、存储、网络和软件等资源抽象成为服务，以便让用户通过互联网远程享用，付费的形式也如同传统公共服务设施一样。因需而定、提供方便、动态改变和无限的虚拟化扩展能力是云计算的几个重要特征。不同的“云”对应着不同的基础设施。
<?php /** * 鸿宇多用户商城 在线客服聊天系统-前台 * ============================================================================ * 版权所有 2015-2018 鸿宇多用户商城科技有限公司，并保留所有权利。 * 网站地址: http://bbs.hongyuvip.com； * ---------------------------------------------------------------------------- * 仅供学习交流使用，如需商用请购买正版版权。鸿宇不承担任何法律责任。 * 踏踏实实做事，堂堂正正做人。 * ============================================================================ * $Author: 鸿宇多用户商城 $ * $Id: category.php 17217 2015-02-10 06:29:08Z 鸿宇多用户商城 $ */ define(&#39;IN_ECS&#39;, true); require (&#39;includes/init.php&#39;); require (&#39;includes/lib_chat.php&#39;); /* 载入语言文件 */ require_once (ROOT_PATH . &#39;languages/&#39; . $_CFG[&#39;lang&#39;] . &#39;/user.php&#39;); $action = isset($_REQUEST[&#39;act&#39;]) ? trim($_REQUEST[&#39;act&#39;]) : &#39;chat&#39;; /* 检查用户是否已登录 */ if(empty($_SESSION[&#39;user_id&#39;]) && $action != &#39;act_login&#39; && $action != &#39;check_login&#39;) { // $captcha = intval($_CFG[&#39;captcha&#39;]); // if(($captcha & CAPTCHA_LOGIN) && (! ($captcha & CAPTCHA_LOGIN_FAIL) || (($captcha & CAPTCHA_LOGIN_FAIL) && $_SESSION[&#39;login_fail&#39;] > 2)) && gd_version() > 0) // { // $GLOBALS[&#39;smarty&#39;]->assign(&#39;enabled_captcha&#39;, 1); // $GLOBALS[&#39;smarty&#39;]->assign(&#39;rand&#39;, mt_rand()); // } // 如果未登录跳转到登录页面 /** $smarty->assign(&#39;lang&#39;, $_LANG); $smarty->assign(&#39;back_act&#39;, &#39;&#39;); $smarty->assign(&#39;action&#39;, &#39;login&#39;); $smarty->display(&#39;chat_passport.dwt&#39;); **/ show_message(&#39;您还未登录系统，请先登录！&#39;, array(&#39;登录&#39;, &#39;返回上一页&#39;), array(&#39;user.php?act=login&#39;, &#39;index.php&#39;), &#39;info&#39;); return; } //路由 $function_name = &#39;action_&#39; . $action; if(function_exists($function_name)) { call_user_func($function_name); } else { exit(&#39;函数&#39; . $function_name . &#39;不存在&#39;); } /** * 检查用户是否登录 */ function action_check_login() { $is_login = empty($_SESSION[&#39;user_id&#39;]) ? &#39;false&#39; : &#39;true&#39;; exit($is_login); } /** * 处理会员登录 */ function action_act_login () { $user_id = $_SESSION[&#39;user_id&#39;]; $smarty = get_smarty(); $ecs = get_ecs(); $db = get_database(); /* 处理会员的登录 */ $username = isset($_POST[&#39;username&#39;]) ? trim($_POST[&#39;username&#39;]) : &#39;&#39;; $password = isset($_POST[&#39;password&#39;]) ? trim($_POST[&#39;password&#39;]) : &#39;&#39;; $back_act = isset($_POST[&#39;back_act&#39;]) ? trim($_POST[&#39;back_act&#39;]) : &#39;&#39;; $captcha = intval($_CFG[&#39;captcha&#39;]); if(($captcha & CAPTCHA_LOGIN) && (! ($captcha & CAPTCHA_LOGIN_FAIL) || (($captcha & CAPTCHA_LOGIN_FAIL) && $_SESSION[&#39;login_fail&#39;] > 2)) && gd_version() > 0) { if(empty($_POST[&#39;captcha&#39;])) { $smarty->assign(&#39;lang&#39;, $_LANG); $smarty->assign(&#39;action&#39;, &#39;login&#39;); $smarty->assign(&#39;error&#39;, $_LANG[&#39;invalid_captcha&#39;]); $smarty->display(&#39;chat_passport.dwt&#39;); return; } /* 检查验证码 */ include_once (&#39;includes/cls_captcha.php&#39;); $validator = new captcha(); $validator->session_word = &#39;captcha_login&#39;; if(! $validator->check_word($_POST[&#39;captcha&#39;])) { $smarty->assign(&#39;lang&#39;, $_LANG); $smarty->assign(&#39;action&#39;, &#39;login&#39;); $smarty->assign(&#39;error&#39;, $_LANG[&#39;invalid_captcha&#39;]); $smarty->display(&#39;chat_passport.dwt&#39;); return; } } if(is_email($username)) { $sql = "select user_name from " . $ecs->table(&#39;users&#39;) . " where email=&#39;" . $username . "&#39;"; $username_e = $db->getOne($sql); if($username_e) $username = $username_e; } if(is_telephone($username)) { $sql = "select user_name from " . $ecs->table(&#39;users&#39;) . " where mobile_phone=&#39;" . $username . "&#39;"; $username_res = $db->query($sql); $kkk = 0; while($username_row = $db->fetchRow($username_res)) { $username_e = $username_row[&#39;user_name&#39;]; $kkk = $kkk + 1; } if($kkk > 1) { $smarty->assign(&#39;lang&#39;, $_LANG); $smarty->assign(&#39;action&#39;, &#39;login&#39;); $smarty->assign(&#39;error&#39;, &#39;本网站有多个会员ID绑定了和您相同的手机号，请使用其他登录方式，如：邮箱或用户名。&#39;); $smarty->display(&#39;chat_passport.dwt&#39;); return; } if($username_e) { $username = $username_e; } } if($GLOBALS[&#39;user&#39;]->login($username, $password, isset($_POST[&#39;remember&#39;]))) { update_user_info(); recalculate_price(); // 登录成功 $ucdata = isset($user->ucdata) ? $user->ucdata : &#39;&#39;; // show_message($_LANG[&#39;login_success&#39;] . $ucdata , // array($_LANG[&#39;back_up_page&#39;], $_LANG[&#39;profile_lnk&#39;]), // array($back_act,&#39;user.php&#39;), &#39;info&#39;); // 刷新user_id $user_id = $_SESSION[&#39;user_id&#39;]; header(&#39;Location: chat.php?act=chat&#39;); } else { $_SESSION[&#39;login_fail&#39;] ++; $smarty->assign(&#39;lang&#39;, $_LANG); $smarty->assign(&#39;action&#39;, &#39;login&#39;); $smarty->assign(&#39;error&#39;, $_LANG[&#39;login_failure&#39;]); $smarty->display(&#39;chat_passport.dwt&#39;); return; } } /* ------------------------------------------------------ */ // -- 在线客服聊天 --> 请求聊天 // 聊天窗口右侧默认展示最近订单，如果想要展示商品、订单、店铺则需要在当前页面中设置隐藏域，name必须为 chat_goods_id, // chat_order_id, chat_supp_id /* ------------------------------------------------------ */ function action_chat () { $user_id = $_SESSION[&#39;user_id&#39;]; $smarty = get_smarty(); $ecs = get_ecs(); $db = get_database(); /** * 判断当前用户是为聊天系统的注册用户 */ $exist = check_of_username_exist($user_id); // 获取用户头像 if(! empty($user_id)) { $sql = "select password, headimg from " . $ecs->table(&#39;users&#39;) . " where user_id = &#39;$user_id&#39;"; $row = $db->getRow($sql); $headimg = $row[&#39;headimg&#39;]; $password = $row[&#39;password&#39;]; $smarty->assign(&#39;headimg&#39;, $headimg); } if(! $exist) { // 查询ECShop内用户信息 $sql = &#39;select a.user_id, a.password, a.email, a.user_name from &#39; . $ecs->table(&#39;users&#39;) . &#39; AS a where a.user_id = "&#39; . $user_id . &#39;"&#39;; $user = $GLOBALS[&#39;db&#39;]->getRow($sql); if(empty($user)) { // 根据user_id未查找到任何用户信息 } // 用户不存在,创建用户信息 $username = $user_id; $password = $user[&#39;password&#39;]; $name = $user[&#39;user_name&#39;]; $email = $user[&#39;email&#39;]; $type = 10; $shop_id = - 1; // $result = create_of_user($username, $password, $name, $email, $type, $shop_id);(修改前）) $of_password = md5($password); $result = create_of_user($username, $of_password, $name, $email, $type, $shop_id); if($result) { // 创建成功 } else { // 创建失败 } } // 获取前端传来的商品编号、订单编号、店铺编号等 // 商品编号则显示商品信息 // 订单编号则显示订单信息 // 店铺编号则显示店铺信息 $goods_id = null; $supp_id = - 1; $order_id = null; $customers = null; // 获取客服信息 $tab_items = array(); // 客服类型 $cus_types = CUSTOMER_SERVICE; // 记录需要发给客服的URL if(! empty($_REQUEST[&#39;chat_goods_id&#39;])) { /* 咨询商品信息 */ $goods_id = $_REQUEST[&#39;chat_goods_id&#39;]; $goods = goods_info($goods_id); $smarty->assign(&#39;chat_goods&#39;, $goods); $smarty->assign(&#39;chat_goods_id&#39;, $goods_id); $tab_items[] = array( "id" => "chat_goods","name" => "咨询商品" ); // 客服+售前 $cus_types = CUSTOMER_SERVICE . &#39;,&#39; . CUSTOMER_PRE; } if(! empty($_REQUEST[&#39;chat_order_id&#39;])) { /* 咨询订单信息 */ require (&#39;includes/lib_order.php&#39;); $order_id = $_REQUEST[&#39;chat_order_id&#39;]; // 获取商品和店铺信息 $goods_id = null; $order = order_info($order_id); $supp_id = $order[&#39;supplier_id&#39;]; $order[&#39;order_status_text&#39;] = $GLOBALS[&#39;_LANG&#39;][&#39;os&#39;][$order[&#39;order_status&#39;]] . &#39;,&#39; . $GLOBALS[&#39;_LANG&#39;][&#39;ps&#39;][$order[&#39;pay_status&#39;]] . &#39;,&#39; . $GLOBALS[&#39;_LANG&#39;][&#39;ss&#39;][$order[&#39;shipping_status&#39;]]; $order[&#39;goods_list&#39;] = order_goods($order_id); $smarty->assign(&#39;chat_order&#39;, $order); $smarty->assign(&#39;chat_order_id&#39;, $order_id); $smarty->assign(&#39;chat_order_sn&#39;, $order[&#39;order_sn&#39;]); $tab_items[] = array( "id" => "chat_order","name" => "咨询订单" ); // 客服+售后 $cus_types = CUSTOMER_SERVICE . &#39;,&#39; . CUSTOMER_AFTER; } if(! empty($_REQUEST[&#39;chat_supp_id&#39;]) && $_REQUEST[&#39;chat_supp_id&#39;] != 0) { /* 店铺信息 */ $supp_id = $_REQUEST[&#39;chat_supp_id&#39;]; $supp_info = get_dianpu_baseinfo($supp_id); $smarty->assign(&#39;supp_info&#39;, $supp_info); $smarty->assign(&#39;chat_supp_id&#39;, $supp_id); $tab_items[] = array( "id" => "chat_supp", "name" => "店铺信息" ); // 客服+售前 $cus_types = CUSTOMER_SERVICE . &#39;,&#39; . CUSTOMER_PRE; } if(true) { /* 最近订单列表 */ require (&#39;includes/lib_transaction_1.php&#39;); // 获取用户最近的5条订单列表 $order_list = get_user_orders_1($user_id, 5, 0); // 所有客服忙碌状态，提示web端 $smarty->assign(&#39;order_list&#39;, $order_list); $smarty->assign(&#39;order_count&#39;, count($order_list)); $tab_items[] = array( "id" => "chat_order_list","name" => "最近订单" ); // 客服 $cus_types = CUSTOMER_SERVICE; } // 获取客服信息 $customers = get_customers($cus_types, $supp_id); // 转换为JSON数据 $smarty->assign(&#39;tab_items&#39;, json_encode($tab_items)); $to = null; // 客服获取策略：0-顺序、1-随机、2-竞争 if(! empty($customers)) { // 暂时采用随机策略 $poliy = 1; if($poliy == 0) { foreach($customers as $customer) { $status = $customer[&#39;status&#39;]; if($status == &#39;在线&#39; || $status == &#39;空闲&#39;) { $to = $customer; break; // if(isset($customer[&#39;cus_status&#39;]) && count($customers) > 1) // { // if(time() - $customer[&#39;chat_time&#39;] > 5*60) // { // set_customer_status($customer[&#39;cus_id&#39;], 0); // $customer[&#39;cus_status&#39;] = 0; // } // if($customer[&#39;cus_status&#39;] == 0) // { // $to = $customer; // break; // } // } // else // { // $to = $customer; // break; // } } } } else if($poliy == 1) { /* 随进策略 */ $onlines = array(); foreach($customers as $customer) { $status = $customer[&#39;status&#39;]; if($status == &#39;在线&#39; || $status == &#39;空闲&#39;) { $onlines[] = $customer; } } if(count($onlines) > 0) { $min = 1; $max = count($onlines); $i = mt_rand($min, $max); $to = $onlines[$i - 1]; } } else { } if(empty($to)) { if($supp_id == -1){ // 所有客服忙碌状态，提示web端 $smarty->assign(&#39;system_notice&#39;, &#39;当前客服忙碌，请稍后联系！&#39;); }else{ // 所有客服忙碌状态，提示web端 $smarty->assign(&#39;system_notice&#39;, &#39;当前店铺客服忙碌，请稍后联系！&#39;); } } else { $xmpp_domain = get_xmpp_domain(); $_SESSION[&#39;OF_FROM&#39;] = $user_id . &#39;@&#39; . $xmpp_domain; $_SESSION[&#39;OF_TO&#39;] = $to[&#39;of_username&#39;] . &#39;@&#39; . $xmpp_domain; $smarty->assign(&#39;from&#39;, $_SESSION[&#39;OF_FROM&#39;]); $smarty->assign(&#39;password&#39;, $password); // $smarty->assign(&#39;password&#39;, "123456"); // $smarty->assign(&#39;to&#39;, &#39;==to==&#39;); // 传递正确的客服JID给前端 $smarty->assign(&#39;to&#39;, $_SESSION[&#39;OF_TO&#39;]); $smarty->assign(&#39;username&#39;, $_SESSION[&#39;user_name&#39;]); $smarty->assign(&#39;customername&#39;, $to[&#39;cus_name&#39;]); // 存储在Session中方便其他地方使用 // 所有客服忙碌状态，提示web端 $smarty->assign(&#39;system_notice&#39;, &#39;客服<span class="kf_name">&#39; . $to[&#39;cus_name&#39;] . &#39;</span>已加入会话！&#39;); } } else { // 所有客服忙碌状态，提示web端 $smarty->assign(&#39;system_notice&#39;, &#39;当前客服忙碌，请稍后联系！&#39;); } // 打开聊天页面 $smarty->display(&#39;chat.dwt&#39;); } /* ------------------------------------------------------ */ // -- 在线客服聊天 --> 认证失败，重新设置聊天系统的用户密码 // 聊天窗口右侧默认展示最近订单，如果想要展示商品、订单、店铺则需要在当前页面中设置隐藏域，name必须为 chat_goods_id, // chat_order_id, chat_supp_id /* ------------------------------------------------------ */ function action_authfail () { $user_id = $_SESSION[&#39;user_id&#39;]; $sql = "select user_name, password, email from " . $GLOBALS[&#39;ecs&#39;]->table(&#39;users&#39;) . " where user_id = &#39;$user_id&#39;"; $row = $db->getRow($sql); $success = create_of_user($user_id, $row[&#39;password&#39;], $row[&#39;user_name&#39;], $row[&#39;email&#39;], 10, - 1); if($success) { $result = array( &#39;error&#39; => 1,&#39;message&#39; => &#39;可能由于网络原因，发生错误！请点击 <a href="chat.php?act=chat"><strong>重试</strong></a> ，重新连接...&#39;,&#39;content&#39; => &#39;&#39; ); } else { $result = array( &#39;error&#39; => 1,&#39;message&#39; => &#39;由于网络原因，发生错误！请点击 <a href="chat.php?act=chat"><strong>重试</strong></a> ，重新连接...&#39;,&#39;content&#39; => &#39;&#39; ); } $result = json_encode($result); exit($result); } /** * 用户离线 */ function action_off_line() { // 用户超过5分钟未发言则视为自动离线，更新客服状态 } function is_telephone ($phone) { $chars = "/^13[0-9]{1}[0-9]{8}$|15[0-9]{1}[0-9]{8}$|18[0-9]{1}[0-9]{8}$/"; if(preg_match($chars, $phone)) { return true; } } /** * 获取db对象 * * @return unknown */ function get_database () { return $GLOBALS[&#39;db&#39;]; } /** * 获取smarty对象 * * @return unknown */ function get_smarty () { return $GLOBALS[smarty]; } /** * 获取ecs对象 * * @return unknown */ function get_ecs () { return $GLOBALS[&#39;ecs&#39;]; } /* * 获取商品所对应店铺的店铺基本信息 * @param int $suppid 店铺id * @param int $suppinfo 入驻商的信息 */ function get_dianpu_baseinfo ($suppid = 0) { if(intval($suppid) <= 0) { return; } $sql_supplier = "SELECT s.supplier_id,s.supplier_name,s.add_time,sr.rank_name FROM " . $GLOBALS[&#39;ecs&#39;]->table("supplier") . " as s left join " . $GLOBALS[&#39;ecs&#39;]->table("supplier_rank") . " as sr ON s.rank_id=sr.rank_id WHERE s.supplier_id=" . $suppid . " AND s.status=1"; $supp_info = $GLOBALS[&#39;db&#39;]->getRow($sql_supplier); $sql = "SELECT * FROM " . $GLOBALS[&#39;ecs&#39;]->table(&#39;supplier_shop_config&#39;) . " WHERE supplier_id = " . $suppid; $shopinfo = $GLOBALS[&#39;db&#39;]->getAll($sql); $config = array(); foreach($shopinfo as $value) { $config[$value[&#39;code&#39;]] = $value[&#39;value&#39;]; } $shop_info = array(); $shop_info[&#39;ghs_css_path&#39;] = &#39;themes/&#39; . $config[&#39;template&#39;] . &#39;/images/ghs/css/ghs_style.css&#39;; // 入驻商所选模板样式路径 $shoplogo = empty($config[&#39;shop_logo&#39;]) ? &#39;themes/&#39; . $config[&#39;template&#39;] . &#39;/images/dianpu.jpg&#39; : $config[&#39;shop_logo&#39;]; $shop_info[&#39;shoplogo&#39;] = $shoplogo; // 商家logo $shop_info[&#39;shopname&#39;] = htmlspecialchars($config[&#39;shop_name&#39;]); // 店铺名称 $shop_info[&#39;suppid&#39;] = $suppid; // 商家名称 $shop_info[&#39;suppliername&#39;] = htmlspecialchars($supp_info[&#39;supplier_name&#39;]); // 商家名称 $shop_info[&#39;userrank&#39;] = htmlspecialchars($supp_info[&#39;rank_name&#39;]); // 商家等级 $shop_info[&#39;region&#39;] = get_province_city($config[&#39;shop_province&#39;], $config[&#39;shop_city&#39;]); $shop_info[&#39;address&#39;] = $config[&#39;shop_address&#39;]; $shop_info[&#39;serviceqq&#39;] = $config[&#39;qq&#39;]; $shop_info[&#39;serviceww&#39;] = $config[&#39;ww&#39;]; $shop_info[&#39;serviceemail&#39;] = $config[&#39;service_email&#39;]; $shop_info[&#39;servicephone&#39;] = $config[&#39;service_phone&#39;]; $shop_info[&#39;createtime&#39;] = gmdate(&#39;Y-m-d&#39;, $config[&#39;add_time&#39;]); // 商家创建时间 $suppid = (intval($suppid) > 0) ? intval($suppid) : intval($_GET[&#39;suppId&#39;]); return $shop_info; function get_xmpp_domain() { return &#39;yfw.szrengjing.com&#39;; // 替换为你的Openfire服务器域名 } } ?>
11-11
但大多数 XMPP 服务（包括 Prosody）默认使用 **SHA-1 + salt** 或明文存储。MD5 不一定被支持。 #### ✅ 解决方案一：使用明文密码（推荐调试阶段） Prosody 支持明文密码，你可以直接传原始密码（即数据库中的 `...
探索AI绘画世界：精选8款国内外领先的AI绘画工具推荐
xiaoganbuaiuk的博客
11-13 1326
感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。
李一舟被爆侵权：名下每月 399 元的付费网站，搬运 AI 创作社区近百模型
weixin_43769323的博客
02-23 796
一舟智能」将会员分成四级：琥珀、黄金、铂金、钻石，每月会员费分别为 39 元、99 元、159 元、399 元，而就算购买了最高级别的钻石会员，生成照片也是有数量限制的。这位设计专业出身的博主，在主流视频平台讲授 AI 课程，内容被指「空洞无物」、「割韭菜」，却卖出了上千万的收入——但他的麻烦不止于此，其旗下的「一舟智能」网站被指模型侵权。22 日，国内最大的 AI 模型、AI 创作分享社区 LiblibAI 撰文称，「一舟智能」未经授权就上传了社区的模型、并用作商业化，这损害了公司和模型创作者的权益。
AI时代，科技园区面临收入增长乏力挑战，如何抓住AI+数智化解决方案机遇实现市场占有率？.docx
12-02
AI时代，科技园区面临收入增长乏力挑战，如何抓住AI+数智化解决方案机遇实现市场占有率？
基于Unity引擎开发的移动端点云可视化与智能路径规划系统_点云显示手势交互点云格式转换ply格式导入pcx插件应用点云地图构建栅格地图系统六边形地图设计可通行区域.zip
12-02
基于Unity引擎开发的移动端点云可视化与智能路径规划系统_点云显示手势交互点云格式转换ply格式导入pcx插件应用点云地图构建栅格地图系统六边形地图设计可通行区域.zip
科技服务合作伙伴如何借助AI赋能的科技管理服务突破平台“建而无用”，以打造可持续的品牌影响力？.docx
最新发布
12-02
科技服务合作伙伴如何借助AI赋能的科技管理服务突破平台“建而无用”，以打造可持续的品牌影响力？
地方政府如何借助新一代技术转移SaaS系统构建精细化管理效能？.docx
12-02
地方政府如何借助新一代技术转移SaaS系统构建精细化管理效能？
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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