Python数据分析-TMDb 5000 Movie Database电影数据分析
前言
最近刚好Python学完了,所以拿这个项目来练手。要知道好多爬虫数据仅仅凭借Excel和sql是没办法处理的,Python绝对是数据分析的绝佳兵器,数据清洗-数据处理-可视化都可以完成。实践出真知,虽然过程中遇到很多问题,但是学完之后能力就提升啦!这次将自己做的项目完整记录下来并进行分享,以备后续回忆和二次学习。也欢迎感兴趣的同学评论留言,希望我们共同学习,共同进步!
文章目录
- 1 项目背景
- 1.1 故事背景
- 1.2 提出问题
- 2 项目报告
- 3 理解数据
- 3.1 数据来源
- 3.2 数据字段
- 4 数据清洗
- 4.1 导入数据
- 4.2 缺失值处理
- 4.2.1 补全release_date
- 4.2.2 补全runtime
- 4.3 重复值处理
- 4.4 日期值处理
- 4.5 筛选数据
- 4.6 json数据转换
- 4.7 数据备份
- 5 数据分析
- 5.1 why
- 5.2 what
- 5.2.1 电影类型
- 5.2.1.1 电影类型数量(条形图)
- 5.2.1.2 电影类型占比(饼图)
- 5.2.1.3 电影类型变化趋势(折线图)
- 5.2.1.4 不同电影类型预算/利润(组合图)
- 5.2.2 电影关键词
- 5.3 when
- 5.3.1 电影时长
- 5.3.2 发行时间
- 5.4 where
- 5.5 who
- 5.5.1 票房分布及票房Top10的导演
- 5.5.2 评分分布及评分Top10的导演
- 5.6 how
- 5.6.1 原创VS改编占比(饼图)
- 5.6.2 原创VS改编预算/利润率(组合图)
- 5.7 how much
- 5.7.1 计算相关系数
- 5.7.2 票房影响因素散点图
1 项目背景
1.1 故事背景
数据分析最重要的就是要讲一个故事喽!故事怎么讲呢?无非就是提出问题-分析问题-解决问题。因为分析出来的数据解决了某个问题,所以,故事说出来才有卖点,别人才会觉得你的数据分析有价值,才愿意为你的数据分析买单。不多说啦,哈哈(⊙o⊙)…回归正题。
我讲故事就是,王思聪想要在海外开拓万达电影的市场,这次他在考虑:怎么拍商业电影才能赚钱?毕竟一些制作成本超过1亿美元的大型电影也会失败 。这个问题对电影业来说比以往任何时候都更加重要。 所以,他就请来了公司的数据分析师来帮他解决问题,给出一些建议,根据数据分析一下商业电影的成功是否存在统一公式?以帮助他更好地进行决策。
1.2 提出问题
解决的终极问题是:电影票房的影响因素有哪些?
接下来我们就分不同的维度分析:
- 观众喜欢什么电影类型?有什么主题关键词?
- 电影风格随时间是如何变化的?
- 电影预算高低是否影响票房?
- 高票房或者高评分的导演有哪些?
- 电影的发行时间最好选在啥时候?
- 拍原创电影好还是改编电影好?
2 项目报告
国际惯例先来一份数据报告:
3 理解数据
3.1 数据来源
本次使用的数据来自于kaggle平台(点击链接下载TMDb 5000 Movie Database)。收录了美国地区1916-2017年近5000部电影的数据,包含预算、导演、票房、电影评分等信息。
3.2 数据字段
原始数据集包含2个文件:
- tmdb_5000_movies:电影基本信息,包含20个变量
- tmdb_5000_credits:演职员信息,包含4个变量
4 数据清洗
4.1 导入数据
导入数据包
# 数据导入
import numpy as np
import pandas as pd
from pandas import DataFrame, Series#可视化显示在界面
%matplotlib inline
import matplotlib
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来显示中文
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号import seaborn as sns
sns.set(color_codes=True)
# 学习seaborn参考:https://www.jianshu.com/p/c26bc5ccf604import json
import warnings
warnings.filterwarnings('ignore')
from wordcloud import WordCloud, STOPWORDSmovies = pd.read_csv('F:\\tmdb-movie-metadata\\tmdb_5000_movies.csv',encoding = 'utf_8')
credits = pd.read_csv('F:\\tmdb-movie-metadata\\tmdb_5000_credits.csv',encoding = 'utf_8')
movies.info() #查看信息
credits.info()
运行结果:
续表:
从上述信息可知,共有记录4803条。
# 两个数据框都有title列,以及movies.riginal_title
# 以上三个数据列重复,删除两个
del credits['title']
del movies['original_title']# 连接两个csv文件
merged = pd.merge(movies, credits, left_on='id', right_on='movie_id', how='left')# 删除不需要分析的列
df=merged.drop(['homepage','overview','spoken_languages','status','tagline','movie_id'],axis=1)
df.info()
运行结果:
从上可知,发行日期 和 运行时间 两列有数据缺失。
接下来处理缺失值。
4.2 缺失值处理
缺失记录仅3条,采取网上搜索,补全信息。
4.2.1 补全release_date
# 查找缺失值记录-release_date
df[df.release_date.isnull()]
运行结果为:
缺失记录的电影标题为《America Is Still the Place》,日期为’ 2014-06-01 ’
# 填充缺失值
df['release_date'] = df['release_date'].fillna('2014-06-01')
4.2.2 补全runtime
# 查找缺失值记录-runtime
df[df.runtime.isnull()]
运行结果:
缺失记录的电影runtime分别为94min和 240min
# 根据行标签,填充缺失值
df.loc[2656] = df.loc[2656].fillna('94, limit=1')
df.loc[4140] = df.loc[4140].fillna('240, limit=1')
4.3 重复值处理
len(df.id.unique())
运行结果:有4803个不重复的id,可以认为没有重复数据。
4.4 日期值处理
将release_date列转换为日期类型:
#转换日期格式,增加 年份 月份 日 列
#如果日期不符合时间戳限制,则errors ='ignore'将返回原始输入,而不会报错。
#errors='coerce'将强制超出NaT的日期,返回NaT。df['release_year'] = pd.to_datetime(df.release_date, format = '%Y-%m-%d',errors='coerce').dt.year
df['release_month'] = pd.to_datetime(df.release_date).apply(lambda x: x.month)
df['release_day'] = pd.to_datetime(df.release_date).apply(lambda x: x.day)
df.info()
运行结果:
养成处理完数据列就进行查看的习惯~
4.5 筛选数据
使用数据分析师最喜欢的一个语法:
df.describe()
运行结果:
- 票房、预算、受欢迎程度、评分为0的数据应该去除;
- 评分人数过低的电影,评分不具有统计意义,这里筛选评分人数大于50的数据。
df = df[(df.vote_count >= 50) &(df.budget * df.revenue * df.popularity * df.vote_average !=0)].reset_index(drop = 'True')df
查看筛选结果:
df.info()
此时剩余2961条数据,包含19个字段。
4.6 json数据转换
**说明:**genres,keywords,production_companies,production_countries,cast,crew 这6列都是json数据,需要处理为列表进行分析。
处理方法:
- json本身为字符串类型,先转换为字典列表
- 再将字典列表转换为,以’,'分割的字符串
json_column = ['genres','keywords','production_companies','production_countries','cast','crew']# 1-json本身为字符串类型,先转换为字典列表
for i in json_column:df[i] = df[i].apply(json.loads)# 提取name
# 2-将字典列表转换为以','分割的字符串
def get_name(x):return ','.join([i['name'] for i in x]) df['cast'] = df['cast'].apply(get_name)# 提取derector
def get_director(x):for i in x:if i['job'] == 'Director':return i['name']df['crew'] = df['crew'].apply(get_director)for j in json_column[0:4]:df[j] = df[j].apply(get_name)#重命名
rename_dict = {'cast':'actor','crew':'director'}
df.rename(columns=rename_dict, inplace=True)
df.info()
df.head(5)
运行结果:
4.7 数据备份
# 备份原始数据框original_df
org_df = df.copy()
df.reset_index().to_csv("TMDB_5000_Movie_Dataset_Cleaned.csv")
5 数据分析
5.1 why
想要探索影响票房的因素,从电影市场趋势,观众喜好类型,电影导演,发行时间,评分与关键词等维度着手,给从业者提供合适的建议。
5.2 what
5.2.1 电影类型
# 定义一个集合,获取所有的电影类型
genre = set()
for i in df['genres'].str.split(','): # 去掉字符串之间的分隔符,得到单个电影类型genre = set().union(i,genre) # 集合求并集# genre.update(i) #或者使用update方法print(genre)
运行结果:
注意到genre集合中存在多余的元素:空的单引号,所以需要去除
genre.discard('') # 去除多余的元素
genre
运行结果:
#将genre转变成列表
genre_list = list(genre) # 创建数据框-电影类型
genre_df = pd.DataFrame() #对电影类型进行one-hot编码
for i in genre_list:# 如果包含类型 i,则编码为1,否则编码为0genre_df[i] = df['genres'].str.contains(i).apply(lambda x: 1 if x else 0) #将数据框的索引变为年份
genre_df.index = df['release_year']
genre_df.head(5)
运行结果:
5.2.1.1 电影类型数量(条形图)
# 计算得到每种类型的电影总数目,并降序排列
grnre_sum = genre_df.sum().sort_values(ascending = False)
# 可视化
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来显示中文
grnre_sum.plot(kind='bar',label='genres',figsize=(12,9))
plt.title('不同类型的电影数量总计',fontsize=20)
plt.xticks(rotation=60)
plt.xlabel('电影类型',fontsize=16)
plt.ylabel('数量',fontsize=16)
plt.grid(False)
plt.savefig("不同电影类型数量-条形图.png",dpi=300) #在 plt.show() 之前调用 plt.savefig()
plt.show()
5.2.1.2 电影类型占比(饼图)
gen_shares = grnre_sum / grnre_sum.sum()# 设置other类,当电影类型所占比例小于%1时,全部归到other类中
others = 0.01
gen_pie = gen_shares[gen_shares >= others]
gen_pie['others'] = gen_shares[gen_shares < others].sum()# 设置分裂属性
# 所占比例小于或等于%2时,增大每块饼片边缘偏离半径的百分比
explode = (gen_pie <= 0.02)/10# 绘制饼图
gen_pie.plot(kind='pie',label='',explode=explode,startangle=0,shadow=False,autopct='%3.1f%%',figsize=(8,8))plt.title('不同电影类型所占百分比',fontsize=20)
plt.savefig("不同电影类型所占百分比-饼图.png",dpi=300)
5.2.1.3 电影类型变化趋势(折线图)
#电影类型随时间变化的趋势
gen_year_sum = genre_df.sort_index(ascending = False).groupby('release_year').sum()
gen_year_sum_sub = gen_year_sum[['Drama','Comedy','Thriller','Action','Adventure','Crime','Romance','Science Fiction']]
gen_year_sum_sub.plot(figsize=(12,9))
plt.legend(gen_year_sum_sub.columns)
plt.xticks(range(1915,2018,10))
plt.xlabel('年份', fontsize=16)
plt.ylabel('数量', fontsize=16)
plt.title('不同电影变化趋势', fontsize=20)plt.grid(False)
plt.savefig("不同电影类型数量-折线图2.png",dpi=600)
plt.show()
5.2.1.4 不同电影类型预算/利润(组合图)
# 计算不同电影类型的利润
# Step1-创建profit_dataframe
profit_df = pd.DataFrame()
profit_df = pd.concat([genre_df.reset_index(), df['profit']], axis=1)
# Step2-创建profit_series,横坐标为genre
profit_s=pd.Series(index=genre_list)
# Step3-求出每种genre对应的利润均值
for i in genre_list:profit_s.loc[i]=profit_df.loc[:,[i,'profit']].groupby(i, as_index=False).mean().loc[1,'profit']
profit_s = profit_s.sort_values(ascending = True)
profit_s# 计算不同类型电影的budget
# Step1-创建profit_dataframe
budget_df = pd.DataFrame()
budget_df = pd.concat([genre_df.reset_index(), df['budget']], axis=1)
# Step2-创建budget_series,横坐标为genre
budget_s=pd.Series(index=genre_list)
# Step3-求出每种genre对应的预算均值
for j in genre_list:budget_s.loc[j]=budget_df.loc[:,[j,'budget']].groupby(j, as_index=False).mean().loc[1,'budget']
budget_s# 再接着,横向合并 profit_s 和 budget_s
profit_budget = pd.concat([profit_s, budget_s], axis=1)
profit_budget.columns = ['profit', 'budget']#添加利润率列
profit_budget['rate'] = (profit_budget['profit']/profit_budget['budget'])*100
# 降序排序
profit_budget_sort=profit_budget.sort_values(by='budget',ascending = False)
profit_budget_sort.head(2)# 绘制不同类型电影平均预算和利润率(组合图)
x = profit_budget_sort.index
y1 = profit_budget_sort.budget
y2 = profit_budget_sort.rate
# 返回profit_budget的行数
length = profit_budget_sort.shape[0]fig = plt.figure(figsize=(12,9))
# 左轴
ax1 = fig.add_subplot(1,1,1)
plt.bar(range(0,length),y1,color='b',label='平均预算')
plt.xticks(range(0,length),x,rotation=90, fontsize=12) # 更改横坐标轴名称
ax1.set_xlabel('年份') # 设置x轴label ,y轴label
ax1.set_ylabel('平均预算',fontsize=16)
ax1.legend(loc=2,fontsize=12)#右轴
# 共享x轴,生成次坐标轴
ax2 = ax1.twinx()
ax2.plot(range(0,length),y2,'ro-.')
ax2.set_ylabel('平均利润率',fontsize=16)
ax2.legend(loc=1,fontsize=12)# 将利润率坐标轴以百分比格式显示
import matplotlib.ticker as mtick
fmt='%.1f%%'
yticks = mtick.FormatStrFormatter(fmt)
ax2.yaxis.set_major_formatter(yticks)# 设置图片title
ax1.set_title('不同类型电影平均预算和利润率',fontsize=20)
ax1.grid(False)
ax2.grid(False)
plt.savefig("不同电影平均预算+利润率.png",dpi=300)
plt.show()# 绘制不同类型电影预算和利润(条形图)
profit_budget_sort.iloc[:,0:2].plot(kind='bar', figsize=(12,9),color = ['darkorange','b'])
plt.title('Budget and Profit',fontsize = 20)
plt.xlabel('len',fontsize = 16)
plt.grid(False)
plt.savefig('不同类型电影预算和利润-条形图.png',dpi=300)
5.2.2 电影关键词
#keywords关键词分析
keywords_list = []
for i in df['keywords']:keywords_list.append(i)keywords_list
#把字符串列表连接成一个长字符串
lis = ''.join(keywords_list)
lis.replace('\'s','')
#设置停用词
stopwords = set(STOPWORDS)
stopwords.add('film')
wordcloud = WordCloud(background_color = 'black',random_state=9, # 设置一个随机种子,用于随机着色stopwords = stopwords,max_words = 3000,scale=1).generate(lis)
plt.figure(figsize=(10,6))
plt.imshow(wordcloud)
plt.axis('off')
plt.savefig('词云图.png',dpi=300)
plt.show()
运行结果:
5.3 when
查看runtime的类型,发现是object类型,也就是字符串
所以,先进行数据转化
df.runtime.head(5)
# 转换数据类型
df.runtime = df.runtime.convert_objects(convert_numeric=True)
df.runtime.describe()
运行结果:
5.3.1 电影时长
# 可视化
sns.set_style('white')
sns.distplot(df.runtime,bins = 20)
sns.despine(left = True) # 使用despine()方法来移除坐标轴,默认移除顶部和右侧坐标轴
plt.xticks(range(50,360,20))
plt.savefig('电影时长直方图.png',dpi=300)
plt.show()
运行结果:
5.3.2 发行时间
fig = plt.figure(figsize=(8,6))x = list(range(1,13))
y1 = df.groupby('release_month').revenue.size()
y2 = df.groupby('release_month').revenue.mean()# 每月单片平均票房# 左轴
ax1 = fig.add_subplot(1,1,1)
plt.bar(x,y1,color='b',label='电影数量')
plt.grid(False)
ax1.set_xlabel('月份') # 设置x轴label ,y轴label
ax1.set_ylabel('电影数量',fontsize=16)
ax1.legend(loc=2,fontsize=12)# 右轴
ax2 = ax1.twinx()
plt.plot(x,y2,'ro--',label='每月单片平均票房')
ax2.set_ylabel('每月单片平均票房',fontsize=16)
ax2.legend(loc=1,fontsize=12)plt.savefig('每月电影数量和单片平均票房.png',dpi=300)
运行结果:
5.4 where
本数据集收集的是美国地区的电影数据,对于电影的制作公司以及制作国家,在本次的故事背景下不作分析。
5.5 who
5.5.1 票房分布及票房Top10的导演
# 创建数据框 - 导演
director_df = pd.DataFrame()
director_df = df[['director','revenue','budget','profit','vote_average']]
director_df = director_df.groupby(by = 'director').mean().sort_values(by='revenue',ascending = False) # 取均值
director_df.info()# 绘制票房分布直方图
director_df['revenue'].plot.hist(bins=100, figsize=(8,6))
plt.xlabel('票房')
plt.ylabel('频数')
plt.title('不同导演执导的票房分布')
plt.savefig('不同导演执导的票房分布.png',dpi = 300)
plt.show()# 票房均值Top10的导演
director_df.revenue.sort_values(ascending = True).tail(10).plot(kind='barh',figsize=(8,6))
plt.xlabel('票房',fontsize = 16)
plt.ylabel('导演',fontsize = 16)
plt.title('票房排名Top10的导演',fontsize = 20)
plt.savefig('票房排名Top10的导演.png',dpi = 300)
plt.show()
5.5.2 评分分布及评分Top10的导演
# 绘制导演评分直方图
director_df['vote_average'].plot.hist(bins=18, figsize=(8,6))
plt.xlabel('评分')
plt.ylabel('频数')
plt.title('不同导演执导的评分分布')
plt.savefig('不同导演执导的评分分布.png',dpi = 300)
plt.show()# 评分均值Top10的导演
director_df.vote_average.sort_values(ascending = True).tail(10).plot(kind='barh',figsize=(8,6))
plt.xlabel('评分',fontsize = 16)
plt.ylabel('导演',fontsize = 16)
plt.title('评分排名Top10的导演',fontsize = 20)
plt.savefig('评分排名Top10的导演.png',dpi = 300)
plt.show()
5.6 how
5.6.1 原创VS改编占比(饼图)
# 创建数据框
original_df = pd.DataFrame()
original_df['keywords'] = df['keywords'].str.contains('based on').map(lambda x: 1 if x else 0)
original_df['profit'] = df['profit']
original_df['budget'] = df['budget']# 计算
novel_cnt = original_df['keywords'].sum() # 改编作品数量
original_cnt = original_df['keywords'].count() - original_df['keywords'].sum() # 原创作品数量
# 按照 是否原创 分组
original_df = original_df.groupby('keywords', as_index = False).mean() # 注意此处计算的是利润和预算的平均值
# 增加计数列
original_df['count'] = [original_cnt, novel_cnt]
# 计算利润率
original_df['profit_rate'] = (original_df['profit'] / original_df['budget'])*100# 修改index
original_df.index = ['original', 'based_on_novel']
# 计算百分比
original_pie = original_df['count'] / original_df['count'].sum()# 绘制饼图
original_pie.plot(kind='pie',label='',startangle=90,shadow=False,autopct='%2.1f%%',figsize=(8,8))
plt.title('改编 VS 原创',fontsize=20)
plt.legend(loc=2,fontsize=10)
plt.savefig('改编VS原创.png',dpi=300)
5.6.2 原创VS改编预算/利润率(组合图)
x = original_df.index
y1 = original_df.budget
y2 = original_df.profit_ratefig= plt.figure(figsize = (8,6))# 左轴
ax1 = fig.add_subplot(1,1,1)
plt.bar(x,y1,color='b',label='平均预算',width=0.25)
plt.xticks(rotation=0, fontsize=12) # 更改横坐标轴名称
ax1.set_xlabel('原创 VS 改编') # 设置x轴label ,y轴label
ax1.set_ylabel('平均预算',fontsize=16)
ax1.legend(loc=2,fontsize=10)#右轴
# 共享x轴,生成次坐标轴
ax2 = ax1.twinx()
ax2.plot(x,y2,'ro-.',linewidth=5,label='平均利润率')
ax2.set_ylabel('平均利润率',fontsize=16)
ax2.legend(loc=1,fontsize=10) # loc=1,2,3,4分别表示四个角,和四象限顺序一致# 将利润率坐标轴以百分比格式显示
import matplotlib.ticker as mtick
fmt='%.1f%%'
yticks = mtick.FormatStrFormatter(fmt)
ax2.yaxis.set_major_formatter(yticks)plt.savefig('改编VS原创的预算以及利润率.png',dpi=300)
5.7 how much
5.7.1 计算相关系数
# 计算相关系数矩阵
revenue_corr = df[['runtime','popularity','vote_average','vote_count','budget','revenue']].corr()sns.heatmap(revenue_corr,annot=True, # 在每个单元格内显示标注cmap="Blues", # 设置填充颜色:黄色,绿色,蓝色
# cmap="YlGnBu", # 设置填充颜色:黄色,绿色,蓝色
# cmap="coolwarm", # 设置填充颜色:冷暖色cbar=True, # 显示color barlinewidths=0.5, # 在单元格之间加入小间隔,方便数据阅读# fmt='%.2f%%', # 本来是确保显示结果是整数(格式化输出),此处有问题)
plt.savefig('票房相关系数矩阵.png',dpi=300)
运行结果:
5.7.2 票房影响因素散点图
# 绘制散点图
fig = plt.figure(figsize=(17,5))# # 学习seaborn参考:https://www.jianshu.com/p/c26bc5ccf604
ax1 = plt.subplot(1,3,1)
ax1 = sns.regplot(x='budget', y='revenue', data=revenue_df, x_jitter=.1,color='r',marker='x')
# marker: 'x','o','v','^','<'
# jitter:抖动项,表示抖动程度
ax1.text(1.6e8,2.2e9,'r=0.7',fontsize=16)
plt.title('budget-revenue-scatter',fontsize=20)
plt.xlabel('budget',fontsize=16)
plt.ylabel('revenue',fontsize=16)ax2 = plt.subplot(1,3,2)
ax2 = sns.regplot(x='popularity', y='revenue', data=revenue_df, x_jitter=.1,color='g',marker='o')
ax2.text(500,3e9,'r=0.59',fontsize=16)
plt.title('popularity-revenue-scatter',fontsize=18)
plt.xlabel('popularity',fontsize=16)
plt.ylabel('revenue',fontsize=16)ax3 = plt.subplot(1,3,3)
ax3 = sns.regplot(x='vote_count', y='revenue', data=revenue_df, x_jitter=.1,color='b',marker='v')
ax3.text(7000,2e9,'r=0.75',fontsize=16)
plt.title('voteCount-revenue-scatter',fontsize=20)
plt.xlabel('vote_count',fontsize=16)
plt.ylabel('revenue',fontsize=16)fig.savefig('revenue.png',dpi=300)
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- Winforms平台界面开发技巧,如何快速掌握Filter Editor(一)
下载DevExpress v19.2完整版 DevExpress v19.2汉化资源获取DevExpress Winforms Controls 内置140多个UI控件和库,完美构建流畅、美观且易于使用的应用程序。想要体验?点击下载>>DevExpress WinForms安装附带两个允许最终用户构建过滤器查询的控件:提供GUI的Filter控…...
2024/5/8 23:41:56 - 情怀还值多少钱—诺基亚
原标题:情怀还值多少钱—诺基亚继诺基亚在CES 2017上终于宣布再度回归,由诺基亚原班老将组成的芬兰公司HMD在中国推出首款安卓智能手机6,配置如下。Nokia 6搭载了最新一代的骁龙430八核处理器,采用4GB RAM 64GB ROM的储存配置,支持最大128GB的Micro SD卡扩展。主摄像头160…...
2024/5/9 2:34:21 - 中小学科技创新实验室
中小学科技创新实验室 中小学科技创新实验室是普通教育学校为开展中小学生科学素养培育而开设的实验室。这类实验室有别于传统的教学实验室,以开放性实验为主,采取小班化的教学形式,是中小学生科技创新教育的主要场所。 建设中小学科技创新实验室的意义 中小学科技教育以开设…...
2024/4/16 4:33:01 - 《战狼2》破20亿票房,背后艰辛只能让小鲜肉却步
原标题:《战狼2》破20亿票房,背后艰辛只能让小鲜肉却步据猫眼电影实时监测,《战狼2》上映不到9天就成功突破了20亿大关,成为华语电影2017度的暂时票房冠军。很多人看了之后热血澎拜,也为吴京取得这样的成绩感到骄傲。确实,目前国内小鲜肉当道,无演技,高报酬,让很多网友…...
2024/5/8 17:00:33 - 北齐诛剪忠良,陈军收复失地
原标题:北齐诛剪忠良,陈军收复失地北齐自从和士开掌权以来,朝政体制毁坏紊乱。到祖珽执政时,颇能收罗举荐有才能声望的人,因此得到朝廷内外的美誉。祖珽还准备裁减机构,淘汰冗余的官员。他又打算罢免宫中的太监和小人之流,作为治理朝政的大纲。然而,陆令萱、穆提婆等人…...
2024/4/20 15:44:37 - 内涵GIF图:这是什么炮这么流弊
原标题:内涵GIF图:这是什么炮这么流弊大爷,你这是闹着玩的吧 女司机真心是惹不起啊 你确认这是正规的国外特种兵吗? 他一生演尽坏人,可有谁知道他的悲 我其实是后面烧锅炉的,出来透透气而已,都别害怕 神剧要的就是神 这样的关系,我都搞不懂,你看懂了吗? 作为老司机,…...
2024/4/16 4:32:58 - 农村大爷天天用山楂片泡水喝,多年的老毛病居然好了
原标题:农村大爷天天用山楂片泡水喝,多年的老毛病居然好了农村家里有一棵10几年的山楂树,每年都结了好多的山楂果,吃不完大爷就把山楂切片晒干,说泡水喝可以帮助消化,降血脂,后来才知道原来,大爷以前血脂高,天天泡茶喝,现在明显好多了。山楂核质硬,果肉薄,味微酸涩…...
2024/5/4 8:42:24 - 4种绝差的婚姻手纹,暗喻婚姻破裂在即,你都中了几种?
原标题:4种绝差的婚姻手纹,暗喻婚姻破裂在即,你都中了几种?结婚后两人的相处一直是一门很高深的,而手上的纹线,能很清晰的反映出一个人现阶段的婚姻状态。 今天就和各位分享一下,哪几种手上纹线,预示着你的婚姻破裂在即,走向坟墓?看看你是否中招! 第一种,结婚生活…...
2024/4/16 4:32:57 - 小苏瑞和妈妈同行很高兴,花纹裙配灰夹克,苏瑞露出久违的笑容!
原标题:小苏瑞和妈妈同行很高兴,花纹裙配灰夹克,苏瑞露出久违的笑容!凯蒂霍尔姆斯作为一个单亲妈妈,对于女儿苏瑞克鲁斯是百般疼爱。尽管凯蒂霍尔姆斯对于小苏瑞的要求很高,但她还是经常带着苏瑞一起享受放松的时刻,比如周末凯蒂霍尔姆斯就带着女儿苏瑞去了纽约市的舞会…...
2024/4/16 4:32:55 - 威海华夏城演出,威海华夏城表演,华夏城表演门票,演出门票,演出时间
原标题:威海华夏城演出,威海华夏城表演,华夏城表演门票,演出门票,演出时间表演简介:《神游华夏》是山东省旅游局与威海市人民政府联合打造,威海华夏城旅游集团投资4.1亿元与中国著名大导演赵安历时18个月打造的世界首部360度全方位山水实景演出,是华夏城景区的灵魂之作。 …...
2024/4/16 4:32:54 - 第二届西南商业模拟挑战赛圆满落幕
原标题:第二届西南商业模拟挑战赛圆满落幕拉手校友网讯 2017年08月第二届西南商业模拟挑战赛于天府蓉城成功举办,这标志着西南地区的商业素质教育再一次迈进了辉煌的一步。 高度与深度并进,融合实践的全新体验。 心青年(四川)校友会主办,西南商赛组委会承办,在共青团成…...
2024/4/17 23:10:17 - 奚梦瑶何猷君拍结婚证件照,男方被网友询问:脚下垫了几块砖?
原标题:奚梦瑶何猷君拍结婚证件照,男方被网友询问:脚下垫了几块砖?7月4日下午,奚梦瑶在个人社交平台更新了动态,晒出了自己与何猷君的结婚证件照。并且还配文道:“右边这个人真有眼光。”看似是在夸奖对方,实际上是暗指自己优秀。 而搞笑的是,何友军仅仅在一分钟之后,…...
2024/5/4 2:11:53 - #每日一游 乐玩知奇暗影之怒H5
原标题:#每日一游 乐玩知奇暗影之怒H5很多人说,HTML5的元年是2016年,在这一年,腾讯宣布入局,阿里也在悄悄地内测H5游戏中心,FACEBOOK上线了INSTANT GAME再次入局H5游戏... 游戏行业大概的产业链,分为开发者,发行,渠道,这中间还包括引擎。 一款好的引擎,决定了游戏…...
2024/4/15 23:09:34 - 打造黑红iPhone 7真的只需一百块!
原标题:打造黑红iPhone 7真的只需一百块!国外用户嫌弃红色iPhone 7的白色面板太不搭,自行更换了黑色面板,除了Home键无法移除之外,其他部分非常完美。 The Verge中文站3月26日报道 红色iPhone 7/7 Plus看上去很漂亮,不是吗?不过有一个遗憾,苹果仅提供了白色屏幕面板和红…...
2024/4/15 23:09:31 - 林志颖已经43了,从不晒老婆照片,只因长得丑?
原标题:林志颖已经43了,从不晒老婆照片,只因长得丑?林志颖如今现已43岁的人了,可是仍然坚持芳华姿态,对于他的老婆陈若仪一直是个谜。都知道林志颖当年跟林心如爱的起死回生,可是终究两人仍是没能走到一同,陈若仪这个女性厉害了,假如日子在古代后宫,那也肯定是甄嬛一…...
2024/4/15 23:09:30 - 谁说中锋不会三分!08届的奇葩者,湖人全队感谢和佩服他
原标题:谁说中锋不会三分!08届的奇葩者,湖人全队感谢和佩服他现在回看08年的选秀,既有比斯利、OJ梅奥这样的高顺位自己作死型的奇葩者也有德安德鲁-乔丹这样低顺位毁约的奇葩者,在我看来他们都不是本届选秀最大的奇葩者,最大的奇葩者当属10号秀布鲁克-洛佩斯也就是我们俗…...
2024/4/16 4:32:52 - 娱乐圈三大素颜女星,韩红上榜,最后一位已经走红网络
原标题:娱乐圈三大素颜女星,韩红上榜,最后一位已经走红网络出道多年,歌坛老大姐韩红一直给人以豪爽、仗义的印象,韩红(1971年9月26日—),大陆女歌手,创作型唱将。全国政协 委员、全国青联常委、中华海外联谊会理事。父亲为汉族知青,母亲为藏族,韩红是一个慈善家,甚…...
2024/4/16 4:32:51 - 原创6个漂亮优秀的女儿,却因嫁不出去让父母发愁,原因让人非常无奈
原标题:6个漂亮优秀的女儿,却因嫁不出去让父母发愁,原因让人非常无奈前些天在网上看到一条消息,说一对越南夫妇有六个女儿,都很漂亮、很有才华,都有稳定的工作,事业非常成功,但奇怪的是,女儿们都很难嫁出去,原因原因让人苦笑。 这六个女儿既找不到合适的人,也不愿意…...
2024/5/4 12:21:12 - 马云玩国足蔡崇信玩NBA!收购篮网招揽周琦加盟,林书豪最得意!
原标题:马云玩国足蔡崇信玩NBA!收购篮网招揽周琦加盟,林书豪最得意!我是体育任我行,喜欢我的就点个关注吧 现在中国的富豪们在个人实现了财富自由之后,就会开始为自己的兴趣爱好投资,比如马云就大手笔投资了广州恒大,和许家印联手将恒大队打造成了中国最牛的足球俱乐部…...
2024/4/16 4:32:49 - 脚暖和了身体就暖和了 高帮鞋帅气搭遍冬季衣服!
原标题:脚暖和了身体就暖和了 高帮鞋帅气搭遍冬季衣服!寒冷天,保暖御寒装备都穿戴起来。尤其是脚上,老人言“脚暖和了,身体就暖和了”所以一双厚厚的鞋底在冬季是必备,一是可以增高,二是避免离地面太近脚感觉到冷。如果能增加酷感又能保护脚踝甚至小腿肚子的温暖,就再好…...
2024/4/16 4:32:48
最新文章
- 物联网实战--平台篇之(四)账户后台交互
目录 一、交互逻辑 二、请求验证码 三、帐号注册 四、帐号/验证码登录 五、重置密码 本项目的交流QQ群:701889554 物联网实战--入门篇https://blog.csdn.net/ypp240124016/category_12609773.html 物联网实战--驱动篇https://blog.csdn.net/ypp240124016/category_12631…...
2024/5/9 7:37:26 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/5/7 10:36:02 - K8S容器空间不足问题分析和解决
如上图,今天测试环境的K8S平台出现了一个问题,其中的一个容器报错:Free disk space below threshold. Available: 3223552 bytes (threshold: 10485760B),意思服务器硬盘空间不够了。这个问题怎么产生的,又怎么解决的呢…...
2024/5/4 14:52:56 - vue想要突破全局样式限制又不影响别的页面样式怎么办
<!-- 用scope盖不住全局,随意来个class匹配私定,搜索关键词:不要随便改,乱打class名 --> <style> .lkajsdfjkalsfhkljashkflhaskl .el-input.el-input--default.el-input--suffix { width: 160px !important; } …...
2024/5/7 12:29:49 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/8 6:01:22 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/7 9:45:25 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/5/4 23:54:56 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/9 4:20:59 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/5/4 23:54:56 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/5/4 23:55:05 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/5/4 23:54:56 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/5/7 11:36:39 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/5/4 23:54:56 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/6 1:40:42 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/5/4 23:54:56 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/5/8 20:48:49 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/5/7 9:26:26 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/5/4 23:54:56 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/8 19:33:07 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/5/5 8:13:33 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/5/8 20:38:49 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/5/4 23:54:58 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/9 7:32:17 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/5/4 23:54:56 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57