資料下載：

連結：

https：//

pan。baidu。com/s/1XarNZ_

Qzxfe8xPq_QhCEmg

提取碼： zcph

資料來源

CDNow 網站的使用者購買明細，透過各個指標對使用者行為進行分析，可以更清楚瞭解使用者行為習慣，為進一步制定營銷策略提供依據。

具體指標包括：

戶消費趨勢分析

使用者個體消費分析

使用者消費行為分析

復購率和回購率分析

留存率分析

一、理解資料

本資料集共有 6 萬條左右資料，資料為 CDNow 網站 1997年1月至1998年6月的使用者行為資料，共計 4 列欄位，分別是：

user_id： 使用者ID

order_dt： 購買日期

order_products： 購買產品數

order_amount： 購買金額

二、清洗資料

import

pandas

as pd

import

numpy

as np

import matplotlib。pyplot as plt

import seaborn as sns

%matplotlib inline

plt。rcParams［‘font。sans-serif’］=［‘SimHei’］

plt。rcParams［‘axes。unicode_minus’］=False

plt。style。use（‘ggplot’）

1。 資料載入

columns = ［‘user_id’， ‘order_dt’， ‘order_products’， ‘order_amount’］

# 將 order_dt 轉化為日期

資料型別

格式

dateparse =

lambda

dates： pd。datetime。strptime（dates，‘%Y%m%d’）

df = pd。read_table（r‘C：\Users\86134\Desktop\CDNOW_master。txt’，

names = columns，parse_dates=［‘order_dt’］，

sep = ‘\s+’，date_parser=dateparse

）

3。資料探索

print（df。info（））

print（‘-’*30）

print（df。isnull（）。sum（））

print（‘-’*30）

print（df。describe（））

print（‘-’*30）

print（df。head（））

print（‘-’*30）

print（df。tail（））

print（‘-’*30）

輸出

DataFrame

’>

RangeIndex： 69659 entries， 0 to 69658

Data columns （total 4 columns）：

user_id 69659 non-null int64

order_dt 69659 non-null datetime64［ns］

order_products 69659 non-null int64

order_amount 69659 non-null float64

dtypes： datetime64［ns］（1）， float64（1）， int64（2）

memory usage： 2。1 MB

None

————————————————

user_id 0

order_dt 0

order_products 0

order_amount 0

dtype： int64

————————————————

user_id order_products order_amount

count 69659。000000 69659。000000 69659。000000

mean 11470。854592 2。410040 35。893648

std 6819。904848 2。333924 36。281942

min 1。000000 1。000000 0。000000

25% 5506。000000 1。000000 14。490000

50% 11410。000000 2。000000 25。980000

75% 17273。000000 3。000000 43。700000

max 23570。000000 99。000000 1286。010000

————————————————

user_id order_dt order_products order_amount

0 1 1997-01-01 1 11。77

1 2 1997-01-12 1 12。00

2 2 1997-01-12 5 77。00

3 3 1997-01-02 2 20。76

4 3 1997-03-30 2 20。76

————————————————

user_id order_dt order_products order_amount

69654 23568 1997-04-05 4 83。74

69655 23568 1997-04-22 1 14。99

69656 23569 1997-03-25 2 25。74

69657 23570 1997-03-25 3 51。12

69658 23570 1997-03-26 2 42。96

————————————————

透過資料探索我們發現 - 大部分訂單隻購買了少量商品 （平均 2。4）， 有一定極值干擾； - 使用者消費的金額比較穩定， 平均消費 35 元， 中位數在 35 元， 有一定極值干擾； - 資料呈右偏分佈； - 沒有空缺資料，可以直接分析，但考慮到是按月分析，所以將日期進行解析（實際業務是否按月分析，取決於消費頻率） 。

# 解析日期

df［‘oreder_dt’］ = pd。to_datetime（df。order_dt， format=‘%Y%m%d’）

df［‘month’］ = df。order_dt。values。astype（‘datetime64［M］’）

三、使用者消費趨勢分析（按月）

每月的產品購買數量

每月的消費總金額

每月的消費次數

每月的消費人數

1。每月的產品購買數量

grouped_momnth

= df。groupby（‘month’）

plt。figure（1， figsize=（10， 4））

plt。title（‘每月使用者購買張數’）

plt。ylabel（‘CD碟數（張）’）

grouped_momnth。order_products。sum（）。plot（）

plt。show（）

從圖中可以看到，銷量在前幾個月異常高漲，並在3月達到最高峰，後續銷量較為穩定，且有輕微下降趨勢。

2。每月的消費金額

plt。figure（1， figsize=（10， 4））

plt。title（‘每月銷售額’）

plt。ylabel（‘銷售額’）

grouped_momnth。order_amount。sum（）。plot（）

plt。show（）

由圖可以看到，消費金額也一樣呈現早期銷售多，後期平穩下降趨勢，而且前三月資料都呈現出異常狀態，為什麼呈現這樣的原因呢？我們可以假設前三個月有促銷活動，或者使用者本身出了問題，早期使用者有異常值。但這裡只有消費資料，因此不能做出判斷。

3。每月消費次數

plt。figure（1， figsize=（10， 4））

plt。title（‘每月訂單數’）

plt。ylabel（‘訂單數’）

grouped_momnth。user_id。count（）。plot（）

plt。show（）

前三個月

訂單數

在 10000 筆左右，後續月份的平均消費訂單數則在 2500 筆左右。

4。每月消費人數

plt。figure（1， figsize=（10， 4））

plt。title（‘每月消費人數’）

plt。ylabel（‘人數’）

grouped_momnth。user_id。apply（lambda x： len（x。drop_duplicates（）））。plot（）

plt。show（）

每月消費人數低於每月消費次數，但差異不大。

前三個月每月消費人數在 8000~10000 之間，後續月份，平均消費人數在 2000 人不到。

四、使用者個體消費分析

使用者消費金額，消費次數的描述統計

使用者消費金額和購買數量

散點圖

使用者消費分佈圖

使用者累計消費金額的佔比（百分之多少的使用者佔了百分之多少的消費）

1。使用者消費金額，消費次數的描述統計

grouped_user = df。groupby（‘user_id’）

從使用者角度

使用者數量：23570，每位使用者平均購買 7 張 CD，但是中位數值只有3，且有狂熱使用者購買了1033 張。平均值大於中位數，是右偏分佈，說明小部分使用者購買了大量的 CD。

從消費金額角度

使用者平均消費 106 元，中位值只有 43，且有土豪使用者消費 13990，結合分位數和最大值看，平均數僅和 75 分位接近，肯定存在小部分的高頻消費使用者。

plt。figure（figsize=（12，4））

plt。subplot（121）

plt。scatter（x = ‘order_amount’， y = ‘order_products’，data=df）

plt。xlabel（‘每筆訂單消費金額’）

plt。ylabel（‘每筆訂單購買數量’）

plt。subplot（122）

plt。scatter（x = ‘order_amount’，y = ‘order_products’，

data = grouped_user。sum（））

plt。xlabel（‘每位使用者消費金額’）

plt。ylabel（‘每位使用者購買數量’）

plt。show（）

從每筆訂單的散點圖觀察

訂單消費金額和訂單商品有規律性，每個商品均價 10元，且訂單極值較少，超出 1000 的不多，所以不是造成異常波動的原因。

從每位使用者的消費散點圖觀察

使用者比較健康，且線性關係比訂單更強，由於這是 CD 網站的銷售資料，商品較為單一，金額和商品的關係因此呈線性關係，離群點不多。

3。使用者消費分佈圖

為了更好的觀察消費能力極強的使用者，因為數量不多，所以用直方圖

plt。figure（figsize=（12， 4））

plt。subplot（121）

ax = grouped_user。order_amount。sum（）。hist（bins=50）

ax。

set

_xlabel（‘金額（美元）’）

ax。set_ylabel（‘使用者人數’）

ax。set_xlim（0， 2000）

ax。set_title（‘使用者消費金額分佈圖’）

plt。subplot（122）

ax1 = grouped_user。order_products。sum（）。hist（bins = 50）

ax1。set_xlabel（‘CD 數（張）’）

ax1。set_ylabel（‘使用者人數’）

ax1。set_xlim（0， 150）

ax1。set_title（‘購買 CD 數分佈圖’）

plt。show（）

從直方圖可知，使用者消費金額，絕大部分呈現集中趨勢，大部分購買CD數20張內，高消費使用者在圖上幾乎看不到，這是符合消費行為的行業規律。

4。使用者累計消費金額的佔比

user_cumsum = grouped_user。sum（）。sort_values（‘order_amount’）。apply（lambda x：x。cumsum（））

user_cumsum

user_cumsum = grouped_user。sum（）。sort_values（‘order_amount’）。apply（lambda x：x。cumsum（） / x。sum（））

user_cumsum。reset_index（）。order_amount。tail（）

# 輸出

23565 0。985405

23566 0。988025

23567 0。990814

23568 0。994404

23569 1。000000

Name： order_amount， dtype： float64

user_cumsum = grouped_user。sum（）。sort_values（‘order_amount’）。apply（lambda x：（x。cumsum（） / x。sum（））*100）

user_cumsum。reset_index（）。order_amount。plot（）

plt。title（‘使用者累計消費金額佔比’）

plt。xlabel（‘人數’）

plt。ylabel（‘百分比 %’）

plt。show（）

透過分析累計銷售額佔比，從圖中不難看出使用者消費行為基本符合

二八定律

，80% 的使用者貢獻了 25% 的消費金額，而 60% 的消費由前 5000 名使用者貢獻。所以只要維護了這5000 名使用者，就能完成 60% 的KPI。

五、使用者消費行為

使用者第一次消費（首購）時間

使用者最後一次消費時間

使用者分層

RFM （RFM

模型

是衡量客戶價值和客戶創利能力的重要工具和手段）

新、老、活躍、迴流、流失

使用者購買週期（按訂單）

使用者消費週期描述

使用者消費週期分佈

使用者生命週期（按第一次&最後一次消費）

使用者生命週期描述

使用者生命週期分佈

1。使用者首購時間

grouped_user。min（）。month。value_counts（）

# 輸出

1997-02-01 8476

1997-01-01 7846

1997-03-01 7248

Name： month， dtype： int64

grouped_user。min（）。order_dt。value_counts（）。plot（） # 首購

plt。show（）

2。使用者最後一次購買時間

grouped_user。month。max（）。value_counts（）

# 輸出

1997-02-01 4912

1997-03-01 4478

1997-01-01 4192

1998-06-01 1506

1998-05-01 1042

1998-03-01 993

1998-04-01 769

1997-04-01 677

1997-12-01 620

1997-11-01 609

1998-02-01 550

1998-01-01 514

1997-06-01 499

1997-07-01 493

1997-05-01 480

1997-10-01 455

1997-09-01 397

1997-08-01 384

Name： month， dtype： int64

grouped_user。max（）。order_dt。value_counts（）。plot（） # 最後一次消費

plt。show（）

透過以上兩個維度觀察，可以看出

使用者第一次購買分佈，集中在前三個月，其中，在 2 月 11 日至 2 月 25 日有一次劇烈波動。

使用者最後一次購買的分佈比第一次分佈廣，但是大部分最後一次購買也集中在前三個月，說明忠誠使用者較少，隨著時間的遞增，最後一次購買數在遞增，消費呈現流失上升的趨勢，所以可以推測，這份資料選擇的是前三個月消費的使用者在後面18個月的跟蹤記錄資料，前三個月消費金額和購買數量的異常趨勢獲得解釋。

3。使用者分層

3。1 構建RFM 模型

Recency Frequency Monetary

rfm = df。pivot_table（index = ‘user_id’，

values = ［‘order_products’， ‘order_amount’， ‘order_dt’］，

aggfunc = {‘order_dt’：‘max’，

‘order_amount’：‘sum’，

‘order_products’：‘sum’

}）

rfm。head

（）

rfm［‘R’］ = -（rfm。order_dt - rfm。order_dt。max（）） / np。timedelta64（1， ‘D’）

rfm。rename（columns = {‘order_products’： ‘F’， ‘order_amount’：‘M’}，

inplace=True）

rfm。head（）

def rfm_func（x）：

level = x。apply（lambda x：‘1’ if x>=1 else ‘0’）

label = level。R + level。F + level。M

d = {

‘111’：‘重要

價值客戶

’，

‘011’：‘重要保持客戶’，

‘101’：‘重要挽留客戶’，

‘001’：‘重要發展客戶’，

‘110’：‘一般價值客戶’，

‘010’：‘一般保持客戶’，

‘100’：‘一般挽留客戶’，

‘000’：‘一般發展客戶’

}

result = d［label］

return result

rfm［‘label’］ = rfm［［‘R’， ‘F’， ‘M’］］。apply（lambda x：x-x。mean（））。apply（rfm_func，axis=1）

rfm。head（）

rfm。groupby（‘label’）。sum（）

for label，gropued in rfm。groupby（‘label’）：

x= gropued［‘F’］

y = gropued［‘R’］

plt。scatter（x，y，label = label） # 利用迴圈繪製

函式

plt。legend（loc=‘best’） # 圖例位置

plt。xlabel（‘Frequency’）

plt。ylabel（‘Recency’）

plt。show（）

從 RFM 分層可知，大部分使用者為重要保持客戶，但這是因為極值存在，所以 FRM 的劃分應按照業務為準劃分

儘量用小部分的使用者覆蓋大部分的額度

不要為了資料好看而劃分等級

3。2 按新、活躍、迴流、流失分層使用者

# 透過每月是否消費來劃分使用者

pivoted_counts = df。pivot_table（index = ‘user_id’，

columns = ‘month’，

values = ‘order_dt’，

aggfunc = ‘count’）。fillna（0）

pivoted_counts。columns = df。month。sort_values（）。astype（‘str’）。unique（）

pivoted_counts。head（）

df_purchase = pivoted_counts。applymap（lambda x： 1 if x> 0 else 0）

df_purchase。tail（）

def active_status（data）：

status = ［］

for i in

range

（18）：

if data［i］ == 0：

if len（status） > 0：

if status［i-1］ == ‘unreg’：

status。append（‘unreg’）

else：

status。append（‘unactive’）

else：

status。append（‘unreg’）

else：

if len（status） == 0：

status。append（‘new’）

else：

if status［i-1］ == ‘unactive’：

status。append（‘return’）

elif status［i-1］ == ‘unreg’：

status。append（‘new’）

else：

status。append（‘active’）

return pd。Series（status，df_purchase。columns）

若本月沒有消費

若之前未註冊，則依舊未註冊

若之前有消費，則為流失/為活躍

其他情況，未註冊

若本月消費

若是第一次消費，則為新使用者

如果之前有過消費，上個月為不活躍，則為迴流

如果上個月未註冊，則為新使用者

除此之外，為活躍

purchase_states = df_purchase。apply（active_status，axis = 1）

purchase_states。tail（）

purchase_states_ct = purchase_states。replace（‘unreg’，np。NaN）。apply（lambda x：pd。value_counts（x））

purchase_states_ct

unreg 狀態排除掉，是未來才成為新使用者，作為不同分呈使用者每月統計量。

# 轉置後方便觀察

purchase_states_

ct。fillna

（0）。T

# 繪製面積圖

purchase_states_ct。fillna（0）。T。plot。area（figsize = （12， 6））

plt。show（）

由面積圖，藍色和灰色區域佔大面積，可以不看，因為這只是某段時間消費過的使用者的後續行為。其次紅色代表的活躍使用者非常穩定，是屬於核心使用者，以及紫色的迴流使用者，這兩個分層相加，就是消費使用者人數佔比（後期沒用新客）

3。3迴流使用者佔比

plt。figure

（figsize=（20， 4））

rate = purchase_states_ct。fillna（0）。T。apply（lambda x： x/x。sum（））

plt。plot（rate［‘return’］，label=‘return’）

plt。plot（rate［‘active’］，label=‘active’）

plt。legend（）

plt。show（）

迴流使用者比：某個時間段內迴流使用者在總使用者中的佔比

由圖可知，使用者每月迴流使用者比佔 5% ～ 8% 之間，有下降趨勢，說明客戶有流失傾向。

迴流使用者率：上月有多少不活躍使用者在本月消費

由於這份資料的不活躍使用者量基本不變，所以這裡的迴流率，也近似等於迴流比

活躍使用者比：某個時間段內活躍使用者在總使用者中的佔比。

活躍使用者的佔比在 3% ～ 5%間，下降趨勢更顯著，活躍使用者可以看作連續消費使用者，忠誠度高於迴流用農戶。

結合活躍使用者和迴流使用者看，在後期的消費使用者中，60%是迴流使用者，40%是活躍使用者，整體使用者質量相對不錯。也進一步說明前面使用者消費行為分析中的二八定律，反應了在消費領域中，狠抓高質量使用者是不變的道理。

4。使用者購買週期

# 訂單時間間隔

order_diff = grouped_user。apply（lambda x：x。order_dt - x。order_dt。shift（））

order_diff。head（10）

order_diff。describe（）

#

訂單週期分佈圖

（order_diff / np。timedelta64（1， ‘D’））。hist（bins = 20）

plt。show（）

訂單週期

呈指數分佈

使用者的平均購買週期是 68 天

絕大部分使用者的購買週期低於 100 天

使用者生命週期圖是典型的長尾圖，大部分使用者的消費間隔確實比較短。不妨將時間召回點設為消費後立即贈送優惠券，消費後10天詢問使用者CD怎麼樣，消費後30天提醒優惠券到期，消費後60天簡訊推送。

5。使用者生命週期

# 最後一次購買的時間減去首購時間

user_life = grouped_user。order_dt。agg（［‘min’， ‘max’］）

user_life。head（）

# 只消費過一次的使用者佔比

（user_life［‘min’］ == user_life［‘max’］）。value_counts（）。plot。pie（）

plt。show（）

（user_life［‘max’］ - user_life［‘min’］）。describe（）

透過描述可知，使用者平均生命週期 134 天，比預想高，但是平均數不靠譜，中位數 0 天，大部分使用者第一次消費也是最後一次，這批屬於低質量使用者，而最大的是 544 天，幾乎是資料集的總天數，這使用者屬於核心使用者。

因為資料中的使用者都是前三個月第一次消費，所以這裡的生命週期代表的是1月～3月使用者的生命週期。因為使用者會持續消費，這段時間過後還會繼續消費，使用者的平均生命週期會增長。

plt。figure（figsize=（20， 4））

plt。subplot（121）

（（user_life［‘max’］ - user_life［‘min’］） / np。timedelta64（1， ‘D’））。hist（bins = 15）

plt。title（‘二次消費以上使用者的生命週期直方圖’）

plt。xlabel（‘天數’）

plt。ylabel（‘人數’）

# 過濾生命週期為0 的

plt。subplot（122）

u_l = （（user_life［‘max’］ - user_life［‘min’］）。reset_index（）［0］ / np。timedelta64（1， ‘D’））

u_l［u_l > 0］。hist（bins = 40）

plt。title（‘二次消費以上使用者的生命週期直方圖’）

plt。xlabel（‘天數’）

plt。ylabel（‘人數’）

plt。show（）

透過兩圖對比看出，過濾掉週期為 0 的使用者後，影象呈雙峰結構，雖然還是有不少使用者生命週期趨於 0 天，但是相比第一幅圖，靠譜多了。部分低質使用者，雖然消費兩次，但還是不能持續消費，要想提高使用者轉化率，應該使用者首次消費 30 天內儘量引導，少部分使用者集中在 50 - 300 天，屬於普通使用者，忠誠度一般。集中在 400 天以後的，是高質量使用者了，後期人數還在增加，這批使用者已經屬於核心使用者了，忠誠度極高，儘量維護這批使用者的利益。

# 消費兩次以上使用者平均生命週期

u_l［u_l > 0］。mean（）

# 輸出

276。0448072247308

消費兩次以上的使用者平均生命週期是 276 天，遠高於總體，所以如何在使用者首次消費後引導其進行多次消費，可以有效提高使用者生命週期。

六、復購率和回購率分析

復購率

自然月內，購買多次的使用者佔比

回購率

曾經購買的使用者在某一時期內的再次購買的佔比

6。1 復購率

# 消費兩次及以上為 1 ，消費一次為 0 ，沒有消費為空

purchase_r = pivoted_counts。applymap（lambda x： 1 if x > 1 else np。NaN if x==0 else 0）

purchase_r。head（）

#

復購率折線圖

（purchase_r。sum（） / purchase_r。count（））。plot（figsize = （10， 4））

plt。show（）

復購率穩定在 20% 左右，前三個月因為有大量新使用者湧入，而這批使用者只購買了一次，所以導致復購率降低。

6。2 回購率

def purchase_back（data）：

status = ［］

for i in range（17）：

if data［i］ == 1：

if data［i+1］ == 1：

status。append（1）

if data［i+1］ == 0：

status。append（0）

else：

status。append（np。NaN）

status。append（np。NaN）

return pd。Series（status，df_purchase。columns）

purchase_b = df_purchase。apply（purchase_back，axis = 1）

purchase_b。head（）

1 為回購使用者， 0 為上月沒購買當月購買過，NaN 為連續兩月都沒購買

plt。figure（figsize=（20，4））

plt。subplot

（211）

（purchase_b。sum（） / purchase_b。count（））。plot（）

plt。title（‘使用者回購率圖’）

plt。ylabel（‘百分比%’）

plt。subplot（212）

plt。plot（purchase_b。sum（），label=‘每月消費人數’）

plt。plot（purchase_b。count（），label=‘每月回購人數’）

plt。xlabel（‘month’）

plt。ylabel（‘人數’）

plt。legend（）

plt。show（）

由回購率圖可以看出，使用者回購率高於復購率，約在 30% 左右，波動性較強。新使用者回購率在 15 % 左右，與老使用者相差不大。

由人數分佈圖發現，回購人數在前三月之後趨於穩定，所以波動產生的原因可能由於營銷淡旺季導致，但之前復購使用者的消費行為與會回購使用者的行為大致相同，可能有一部分使用者重合，屬於優質使用者。

結合回購率和復購率分析，可以新客的整體忠誠度低於老客，老客的回購率較好，消費頻率稍低，這是 CDNow 網站的使用者消費特徵。

七、留存率分析

# 每一次消費距第一次消費的時間差值

user_purchase = df［［‘user_id’，‘order_products’，‘order_amount’，‘order_dt’］］

user_purchase_retention

= pd。merge（left = user_purchase，

right = user_life［‘min’］。reset_index（），

how = ‘inner’，

on = ‘user_id’）

user_purchase_retention［‘order_dt_diff’］ = user_purchase_retention［‘order_dt’］-user_purchase_retention［‘min’］

user_purchase_retention［‘dt_diff’］ = user_purchase_retention。order_dt_diff。apply（lambda x： x/

np。timedelta64

（1，‘D’））

user_purchase_retention。head（）

# 時間差值分桶

bin = ［0，30，60，90，120，150，180，365］

user_purchase_retention［‘dt_diff_bin’］ = pd。cut（user_purchase_retention。dt_diff， bins = bin）

user_purchase_retention［‘order_dt_diff’］ = user_purchase_retention［‘order_dt’］ - user_purchase_retention［‘min’］

pivoted_retention = user_purchase_retention。groupby（［‘user_id’，‘dt_diff_bin’］）。order_amount。sum（）。unstack（）

pivoted_retention_trans = pivoted_retention。fillna（0）。applymap（lambda x： 1 if x >0 else 0）

print（pivoted_retention_trans。head（））

這裡將時間差值分桶，代表使用者當前消費時間距第一次消費屬於哪個時間段。這裡dt_diff = 0 並沒有被劃分入 0～30 天，因為計算的是留存率，如果使用者僅消費了一次，留存率應該是 0。此外，如果使用者第一天內消費了多次，但是往後沒有消費，也算作留存率 0

pivoted_retention。mean（）

統計各時間段使用者有消費的平均值，雖然後面時段的消費更高，但是其時間跨度也更大。從平均效果看，使用者第一次消費後的 0～3 天，可能消費更多。

但消費多是相對的，我們要看整體中有多少使用者在 0～3 天消費。

（（pivoted_retention_trans。sum（）/pivoted_retention_trans。count（））*100）。plot。bar（）

plt。ylabel（‘百分比 %’）

plt。title（‘各時間段的使用者留存率’）

plt。show（）

第一個月的留存率達到

38%

，第二個月就下降到

35%

左右，之後幾個月趨於穩定，說明透過使用者在前三個月的使用中，逐漸開始喜愛本店鋪的業務或者轉換別家的店鋪，有

20%

左右的使用者在第一次購買後的三個月到半年之間有過購買，

27%

左右的使用者在半年後至一年內有過購買。

從運角度讀看，與拉新相比，更應該注重使用者忠誠度的培養，如果有活動，最好放在前三個月。

結合使用者生命週期，應該放長線釣大魚，使用者平均消費時間間隔為 68 天，所以召回使用者最好在 60 左右的時間間隔。

以上就是這個專案的全部過程，如果有任何疑問歡迎在評論區留言~我看到後會及時回覆的~覺得有幫助的話，可以給我點個贊喲~

最後給大家安利一個Python的小課，對於想學Python，但是不知道怎麼入門的朋友十分適合，而且價格也只需要3.9元，課程涵蓋了Python絕大部分的基礎語法。

而且他有以下優勢，學習起來更輕鬆！

課程特色：

1、專為0 基礎設計，簡單易學；

2、互動式課堂，邊玩邊實操，生動有趣；

3、線上網頁程式碼實操，無需安裝軟體；

4、助教全程答疑輔導+督促，不怕學不會；

5、班級社群交流，收穫志同道合小夥伴

更多 Python 專案實戰：