运营商客户流失率分析

1.数据集说明

每一行代表一个客户，每一列包含列元数据中描述的客户属性。原始数据包含7043行(客户)和21列(特性)。

字段	字段	字段说明
customerID:	用户ID	身份标识
gender	性别	（male，female ）
SeniorCitizen	是否老年人	（0, 1 ）
Partner	是否有伴侣	（No, Yes ）
Dependents	是否有抚养人	（No, Yes ）
tenure	客户入网时长(月)	（连续值 0-72 ）
PhoneService	是否有电话服务	（Yes, No）
MultipleLines	是否有多线服务	（Yes, No, No phone service）
InternetService	客户互联网服务提供商	(No, DSL数字网络，fiber optic光纤网络 )
OnlineSecurity	是否有在线安全	（Yes, No, No internet service）
OnlineBackup	是否在线备份	（Yes, No, No internet service）
DeviceProtection	设备保护策略	（Yes, No, No internet service）
TechSupport	技术支持	（Yes, No, No internet service）
StreamingTV	在线电视	（Yes, No, No internet service）
StreamingMovies	在线电影	（Yes, No, No internet service）
Contract	合同	(month-to-month, two year, One year)
PaperlessBilling	无纸账单	（Yes, No）
PaymentMethod	支付方式	（Electronic check, Mailed check, Bank transfer (automatic), Credit card (automatic)）
MonthlyCharges	每月服务费	(连续值)
TotalCharges	总话费	(连续值)
Churn	流失标签	（No, Yes）

2.分析思路

寻找与流失率有关的特征，进一步分析这些特征如何影响流失率，刻画高流失率用户画像，对高流失率用户提供建议。

3.数据预处理

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from datetime import datetime%matplotlib inline
plt.style.use('ggplot')
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

df = pd.read_csv('电信运营商客户数据集.csv')
df.head()

	customerID	gender	Partner	Dependents	tenure	PhoneService	MultipleLines	InternetService	OnlineSecurity	...	DeviceProtection	TechSupport	StreamingTV	StreamingMovies	Contract	PaperlessBilling	PaymentMethod	MonthlyCharges	TotalCharges	Churn
0	7590-VHVEG	Female	Yes	No	1	No	No phone service	DSL	No	...	No	No	No	No	Month-to-month	Yes	Electronic check	29.85	29.85	No
1	5575-GNVDE	Male	No	No	34	Yes	No	DSL	Yes	...	Yes	No	No	No	One year	No	Mailed check	56.95	1889.5	No
2	3668-QPYBK	Male	No	No	2	Yes	No	DSL	Yes	...	No	No	No	No	Month-to-month	Yes	Mailed check	53.85	108.15	Yes
3	7795-CFOCW	Male	No	No	45	No	No phone service	DSL	Yes	...	Yes	Yes	No	No	One year	No	Bank transfer (automatic)	42.30	1840.75	No
4	9237-HQITU	Female	No	No	2	Yes	No	Fiber optic	No	...	No	No	No	No	Month-to-month	Yes	Electronic check	70.70	151.65	Yes

5 rows × 21 columns

#查看数据信息
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 7043 entries, 0 to 7042
Data columns (total 21 columns):#   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  0   customerID        7043 non-null   object 1   gender            7043 non-null   object 2   SeniorCitizen     7043 non-null   int64  3   Partner           7043 non-null   object 4   Dependents        7043 non-null   object 5   tenure            7043 non-null   int64  6   PhoneService      7043 non-null   object 7   MultipleLines     7043 non-null   object 8   InternetService   7043 non-null   object 9   OnlineSecurity    7043 non-null   object 10  OnlineBackup      7043 non-null   object 11  DeviceProtection  7043 non-null   object 12  TechSupport       7043 non-null   object 13  StreamingTV       7043 non-null   object 14  StreamingMovies   7043 non-null   object 15  Contract          7043 non-null   object 16  PaperlessBilling  7043 non-null   object 17  PaymentMethod     7043 non-null   object 18  MonthlyCharges    7043 non-null   float6419  TotalCharges      7043 non-null   object 20  Churn             7043 non-null   object 
dtypes: float64(1), int64(2), object(18)
memory usage: 1.1+ MB

没有数据缺失。

#是否有重复数据
sum(df.duplicated())

sum(df.customerID.duplicated())

一共有7043名用户的数据。

#将TotalCharges（总消费额）转换为浮点型，错误充为nan值
df['TotalCharges'] = pd.to_numeric( df['TotalCharges'],errors=  'coerce' )
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 7043 entries, 0 to 7042
Data columns (total 21 columns):#   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  0   customerID        7043 non-null   object 1   gender            7043 non-null   object 2   SeniorCitizen     7043 non-null   int64  3   Partner           7043 non-null   object 4   Dependents        7043 non-null   object 5   tenure            7043 non-null   int64  6   PhoneService      7043 non-null   object 7   MultipleLines     7043 non-null   object 8   InternetService   7043 non-null   object 9   OnlineSecurity    7043 non-null   object 10  OnlineBackup      7043 non-null   object 11  DeviceProtection  7043 non-null   object 12  TechSupport       7043 non-null   object 13  StreamingTV       7043 non-null   object 14  StreamingMovies   7043 non-null   object 15  Contract          7043 non-null   object 16  PaperlessBilling  7043 non-null   object 17  PaymentMethod     7043 non-null   object 18  MonthlyCharges    7043 non-null   float6419  TotalCharges      7032 non-null   float6420  Churn             7043 non-null   object 
dtypes: float64(2), int64(2), object(17)
memory usage: 1.1+ MB

TotalCharges（总消费额）有缺失值。

df[df.TotalCharges.isin([np.NaN])]

	customerID	gender	Partner	Dependents	PhoneService	MultipleLines	InternetService	OnlineSecurity	...	DeviceProtection	TechSupport	StreamingTV	StreamingMovies	Contract	PaperlessBilling	PaymentMethod	MonthlyCharges	TotalCharges	Churn
488	4472-LVYGI	Female	Yes	Yes	No	No phone service	DSL	Yes	...	Yes	Yes	Yes	No	Two year	Yes	Bank transfer (automatic)	52.55	NaN	No
753	3115-CZMZD	Male	No	Yes	Yes	No	No	No internet service	...	No internet service	No internet service	No internet service	No internet service	Two year	No	Mailed check	20.25	NaN	No
936	5709-LVOEQ	Female	Yes	Yes	Yes	No	DSL	Yes	...	Yes	No	Yes	Yes	Two year	No	Mailed check	80.85	NaN	No
1082	4367-NUYAO	Male	Yes	Yes	Yes	Yes	No	No internet service	...	No internet service	No internet service	No internet service	No internet service	Two year	No	Mailed check	25.75	NaN	No
1340	1371-DWPAZ	Female	Yes	Yes	No	No phone service	DSL	Yes	...	Yes	Yes	Yes	No	Two year	No	Credit card (automatic)	56.05	NaN	No
3331	7644-OMVMY	Male	Yes	Yes	Yes	No	No	No internet service	...	No internet service	No internet service	No internet service	No internet service	Two year	No	Mailed check	19.85	NaN	No
3826	3213-VVOLG	Male	Yes	Yes	Yes	Yes	No	No internet service	...	No internet service	No internet service	No internet service	No internet service	Two year	No	Mailed check	25.35	NaN	No
4380	2520-SGTTA	Female	Yes	Yes	Yes	No	No	No internet service	...	No internet service	No internet service	No internet service	No internet service	Two year	No	Mailed check	20.00	NaN	No
5218	2923-ARZLG	Male	Yes	Yes	Yes	No	No	No internet service	...	No internet service	No internet service	No internet service	No internet service	One year	Yes	Mailed check	19.70	NaN	No
6670	4075-WKNIU	Female	Yes	Yes	Yes	Yes	DSL	No	...	Yes	Yes	Yes	No	Two year	No	Mailed check	73.35	NaN	No
6754	2775-SEFEE	Male	No	Yes	Yes	Yes	DSL	Yes	...	No	Yes	No	No	Two year	Yes	Bank transfer (automatic)	61.90	NaN	No

11 rows × 21 columns

总消费额缺失的用户，入网时长为0，但显示没有流失，可能是数据记录错误，也可能是免费合约。没有分析意义，应该剔除。

df.dropna(inplace = True)
df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 7032 entries, 0 to 7042
Data columns (total 21 columns):#   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  0   customerID        7032 non-null   object 1   gender            7032 non-null   object 2   SeniorCitizen     7032 non-null   int64  3   Partner           7032 non-null   object 4   Dependents        7032 non-null   object 5   tenure            7032 non-null   int64  6   PhoneService      7032 non-null   object 7   MultipleLines     7032 non-null   object 8   InternetService   7032 non-null   object 9   OnlineSecurity    7032 non-null   object 10  OnlineBackup      7032 non-null   object 11  DeviceProtection  7032 non-null   object 12  TechSupport       7032 non-null   object 13  StreamingTV       7032 non-null   object 14  StreamingMovies   7032 non-null   object 15  Contract          7032 non-null   object 16  PaperlessBilling  7032 non-null   object 17  PaymentMethod     7032 non-null   object 18  MonthlyCharges    7032 non-null   float6419  TotalCharges      7032 non-null   float6420  Churn             7032 non-null   object 
dtypes: float64(2), int64(2), object(17)
memory usage: 1.2+ MB

df.describe()

	SeniorCitizen	tenure	MonthlyCharges	TotalCharges
count	7032.000000	7032.000000	7032.000000	7032.000000
mean	0.162400	32.421786	64.798208	2283.300441
std	0.368844	24.545260	30.085974	2266.771362
min	0.000000	1.000000	18.250000	18.800000
25%	0.000000	9.000000	35.587500	401.450000
50%	0.000000	29.000000	70.350000	1397.475000
75%	0.000000	55.000000	89.862500	3794.737500
max	1.000000	72.000000	118.750000	8684.800000

目前还有7032个客户信息。

3.数据分析及可视化

3.1.总体流失率分析

plt.figure(figsize = (12,6))
plt.subplot(121)
plt.pie(df['Churn'].value_counts(),labels=df['Churn'].value_counts().index,autopct='%1.2f%%',explode=(0.1,0))
plt.title('用户流失和非流失占比')plt.subplot(122)
x, y = df['Churn'].value_counts().index, df['Churn'].value_counts().values
plt.bar(x, y, width=0.35)
plt.title('用户流失和非流失人数')
for a,b in zip(x,y):plt.text(a, b-0.3,'%.3f'%b, ha = 'center',va = 'bottom',fontsize=15)

在这里插入图片描述
流失人数为1869人，占比26.58%。

3.2.用户属性分析

性别、是否老年人、是否有伴侣、是否有抚养人、入网时长与流失率的关系

df.iloc[:,1:5].columns

Index(['gender', 'SeniorCitizen', 'Partner', 'Dependents'], dtype='object')

def churn_rate(data,column):  #流失率函数df1 = data[data[column] == data[column].unique()[0]]df2 = data[data[column]  == data[column].unique()[1]]df_Churn1 = len(df1.query('Churn == "Yes"'))/len(df1)df_Churn2 = len(df2.query('Churn == "Yes"'))/len(df2)p = plt.bar( [data[column].unique()[0],data[column].unique()[1]],[df_Churn1,df_Churn2])plt.ylabel('流失率')return plt

plt.figure(figsize = (12,8))
plt.subplot(221)
churn_rate(df,'gender')
plt.title('性别与流失率')plt.subplot(222)
churn_rate(df,'SeniorCitizen')
plt.title('年龄与流失率')
plt.xticks([0,1],['非老年人','老年人'])plt.subplot(223)
churn_rate(df,'Partner')
plt.title('伴侣与流失率')
plt.xticks([0,1],['有伴侣','无伴侣'])plt.subplot(224)
churn_rate(df,'Dependents')
plt.title('抚养人与流失率')
plt.xticks([0,1],['无抚养人','有抚养人'])

([<matplotlib.axis.XTick at 0x1ae1c0b7148>,<matplotlib.axis.XTick at 0x1ae1c0ac248>],<a list of 2 Text xticklabel objects>)

在这里插入图片描述

性别与流失率无关。
老年用户比非老年用户流失率高，流失率分别为42%，24%。
无伴侣用户比有伴侣用户流失率高，流失率分别为34%，20%。
无抚养人用户比有抚养人用户的流失率高，流失率分别为32%，16%。

#入网时长与流失率
plt.figure(figsize = (12,6))
df.query('Churn == "Yes"').tenure.plot(kind = 'kde')
plt.title('不同入网时长的流失密度图')
plt.xlabel('入网时长')
plt.ylabel('密度')
plt.axvline(3,color = 'b')
plt.axvline(6,color = 'b')
plt.axvline(16,color = 'b')
plt.text(1,0.01,3,fontsize=15)
plt.text(7,0.01,6,fontsize=15)
plt.text(17,0.01,16,fontsize=15)

在这里插入图片描述

入网6个月内的用户流失概率最高，其中入网三个月的用户流失概率达到峰值。总体来看，入网时间越长，流失概率越小。
入网第3个月是用户流失的高发期，在前15个月内，提高用户入网时长，对于降低流失率作用显著。建议通过一些策略将用户入网时间提高到3-6个月以后，比如三个月优惠期、入网满三个月发放优惠或奖励等。

3.3.服务属性分析

是否有电话服务（Yes, No）
是否有多线服务（Yes, No, No phone service）
客户互联网服务提供商 (No, DSL数字网络，fiber optic光纤网络)
是否有在线安全（Yes, No, No internet service）
是否在线备份（Yes, No, No internet service）
设备保护策略（Yes, No, No internet service）
技术支持（Yes, No, No internet service）
在线电视（Yes, No, No internet service）
在线电影（Yes, No, No internet service）

df.iloc[:,6:15].columns

Index(['PhoneService', 'MultipleLines', 'InternetService', 'OnlineSecurity','OnlineBackup', 'DeviceProtection', 'TechSupport', 'StreamingTV','StreamingMovies'],dtype='object')

#互联网服务提供商与流失率
def service_churn_rate(data,column):service = pd.DataFrame(data.groupby([column,'Churn']).customerID.count())service_sum = service.groupby(column).customerID.transform(sum)   service_churn_rate1 = (service['customerID']/service_sum).xs('Yes',level = 1)return service_churn_rate1plt.figure(figsize = (8,4))
service_churn_rate(df,'InternetService').plot(kind = 'bar')
plt.title('互联网服务提供商与流失率')
plt.xticks([0,1,2],['No','DSL数字网络','光纤网络'])

在这里插入图片描述
数字网络和光纤网络的用户流失率分别为0.19、0.42，没有互联网服务的用户流失率为0.07。
可以看出没有互联网服务的用户，其流失率远低于有互联网服务的用户；数字网络DSL的流失率高于光纤网络。

column = list(df.iloc[:,6:15].columns)
column.remove('InternetService')
other_service_churn = pd.Series()
for i in column:a = service_churn_rate(df,i)other_service_churn = pd.concat([other_service_churn,a],axis =1)other_service_churn = other_service_churn.drop(0,axis = 1)
other_service_churn.columns = ['电话服务','多线服务','在线安全','在线备份','设备保护策略','技术支持','在线电视','在线电影']
other_service_churn

C:\ProgramData\Anaconda3\lib\site-packages\ipykernel_launcher.py:3: DeprecationWarning: The default dtype for empty Series will be 'object' instead of 'float64' in a future version. Specify a dtype explicitly to silence this warning.This is separate from the ipykernel package so we can avoid doing imports until

	电话服务	多线服务	在线安全	在线备份	设备保护策略	技术支持	在线电视	在线电影
No	0.250000	0.250812	0.417787	0.399417	0.391403	0.416475	0.335351	0.337289
Yes	0.267475	0.286485	0.146402	0.215670	0.225393	0.151961	0.301147	0.299524
No phone service	NaN	0.250000	NaN	NaN	NaN	NaN	NaN	NaN
No internet service	NaN	NaN	0.074342	0.074342	0.074342	0.074342	0.074342	0.074342

#其他服务与流失率 =
plt.rcParams['xtick.labelsize']=18
plt.rcParams['axes.labelsize'] = 25
plt.rcParams['axes.titlesize'] = 20other_service_churn.T.plot(kind = 'bar',figsize = (18,8),)
plt.title('其他服务与流失率')
plt.ylabel('流失率')

在这里插入图片描述

电话服务、多线服务、在线电视、在线电影与流失率关系不大。
没有互联网服务的用户流失率在0.07左右，远低于有互联网服务的用户。
在线安全、在线备份、设备保护策略、在线技术支持与流失率关系较大。在这四个服务中，有服务的用户流失低于没有服务的用户，没有这四个服务的用户流失率均在0.4左右，其中开通在线安全和技术支持的用户流失率最低。
虽然没有互联网服务的用户流失率低，但由于开通服务能得到更多收益，应该使用户在开通服务的前提下减少流失率。

3.4.合同属性分析

合同期 (month-to-month, two year, One year)
无纸账单（Yes, No）
支付方式（Electronic check电子支付, Mailed check邮件支付, Bank transfer (automatic)银行自动转账, Credit card (automatic)信用卡自动支付）
每月服务费
总消费额

plt.rcParams['xtick.labelsize']=15
plt.rcParams['axes.labelsize'] = 12
plt.rcParams['axes.titlesize'] = 16
plt.figure(figsize = (18,14))plt.subplot(221)
service_churn_rate(df,'Contract').plot(kind = 'bar')
plt.title('合同期与流失率')
plt.xticks([0,1,2],['每月到期续签','一年','两年'])plt.subplot(222)
service_churn_rate(df,'PaperlessBilling').plot(kind = 'bar')
plt.title('有纸账单与流失率')
plt.xticks([0,1],['有纸账单','无纸账单'])plt.subplot(212)
service_churn_rate(df,'PaymentMethod').plot(kind = 'bar')
plt.title('支付方式与流失率')
plt.xticks([0,1,2,3],['银行自动转账','信用卡自动支付','电子支付','邮件支付'])

在这里插入图片描述
合同期、有纸账单、支付方式均对流失率有影响。
合同期越短，流失率越高。每月到期续签的流失率达到0.4，远高于一年期和两年期的用户。
电子账单的流失率（0.33）高于有纸账单（0.17）。
电子支付的流失率高于其他支付方式。电子支付的流失率是0.48，其他支付方式的流失率在0.15-0.2之间。

#支付费用与流失率
plt.figure(figsize = (12,12))
plt.subplot(221)
df.query('Churn == "Yes"').MonthlyCharges.plot(kind = 'kde')
plt.title('不同月服务费的流失密度图')
plt.xlabel('每月服务费')
plt.ylabel('密度')
plt.axvline(80,color = 'b')
plt.axvline(60,color = 'b')
plt.axvline(118,color = 'b')
plt.text(82,0.01,80,fontsize=15)
plt.text(62,0.01,60,fontsize=15)
plt.text(120,0.01,118,fontsize=15)
plt.subplot(222)
df.query('MonthlyCharges > 100').query('Churn == "Yes"').MonthlyCharges.plot(kind = 'kde')
plt.title('月费>100的流失密度图')plt.subplot(212)
df.query('Churn == "Yes"').TotalCharges.plot(kind = 'kde')
plt.title('不同总消费额的流失密度图')
plt.xlabel('总消费额')
plt.ylabel('密度')
plt.axvline(250,color = 'b')
plt.text(270,0.0001,250,fontsize=15)

在这里插入图片描述

月费在18-118之间。月费70-100的用户流失概率较高，60以下的用户流失概率较低，80达到峰值。对于月费小于80的用户，提高月费会增加流失概率，尤其是月费在60-80的用户；对于月费大于80的用户，提高月费会降低流失概率，尤其是月费大于100的用户。
总消费额在18-8700之间。总消费额为250的用户流失概率最高，大于或小于250的流失概率迅速减小，总消费额在2000以上的流失概率较小。一般来说，总消费越高，表明留存时间越长，流失概率也就越小。

4.高流失率用户画像

在这里插入图片描述

5.结论和建议

老年人、无伴侣、无抚养人的用户流失率更高，建议针对这部分用户的特点，制定专属套餐，推荐合理的套餐组合。

总体来看，入网时间越长，流失概率越小。入网第3个月是用户流失的高发期，在前15个月内，提高用户入网时长，对于降低流失率作用显著。建议通过一些策略将用户入网时间提高到3-6个月以后，比如三个月优惠期、入网满三个月发放优惠或奖励等。

数字网络DSL的流失率高于光纤网络。建议对数字网络用户情况和服务作进一步分析，以确定具体原因。

没有互联网服务的用户流失率在0.07左右，远低于有互联网服务的用户。虽然没有互联网服务的用户流失率低，但由于开通服务能得到更多收益，应该在用户开通服务的前提下，减少流失率。

在线安全、在线备份、设备保护策略、在线技术支持与流失率关系较大。在这四个服务中，有服务的用户流失低于没有服务的用户，其中开通在线安全和技术支持的用户流失率最低。对于有互联网服务的用户，建议让其开通在线安全或技术支持服务，可降低60%左右的流失概率。

合同期越短，流失率越高；电子账单的流失率高于有纸账单；电子支付的流失率高于其他支付方式。延长用户合同期有利于降低流失率，建议通过优惠吸引用户签订一年期、两年期，比如前几个月减免、赠送其他服务等。

月费70-100的用户流失概率较高，60以下的用户流失概率较低，80达到峰值。对于月费小于80的用户，提高月费会增加流失概率，尤其是60-80的用户应该谨慎提高其月费；对于月费大于80的用户，提高月费会降低流失概率，尤其是大于100的用户增加其月费，或增加服务，可以降低流失概率。

查看全文
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！

POWERBUILDER12.6开发实验室管理系统[LIS]（一），迈瑞三分类血球仪 BC-20S\BC-30S接收、解析数据
POWERBUILDER12.6开发实验室管理系统[LIS]（一），迈瑞三分类血球仪 BC-20S\BC-30S接收、解析数据一、机器设置迈瑞三分类血球仪 BC-20S\BC-30S网络通讯方式--采用TCP协议仪器设置：通信设置：网口通信协议设置：IP地址 10.0.0.2 子网掩码 255.255.255.0 通信协议 HL7 传输模…...
2024/5/2 17:48:15
Mybatis generator 生成实体类时，当mysql中不同数据库存在相同名称的表时，生成的不是指定数据库的表
数据库版本： 8.0.20 问题：当我用Mybatis generator 生成localhost本地数据库中自定义的“sa_middleware”数据库中的user表的实体类时，生成的是“mysql”数据库中的user表的实体类代码： <jdbcConnection driverClass="com.mysql.cj.jdbc.Driver" connectio…...
2024/4/16 9:59:22
window update 拒绝访问解决方案
记录一下，按照百度上的教程折腾了半天也没成功，更改服务时都是显示window update 拒绝访问，最后找到了【致美化】的一款软件，本来没希望成功的，居然一下搞定了。https://zhutix.com/software/windows-update-blocker/...
2024/4/28 6:33:39
ASP.NET Core2.0项目实战-008
数据库表SysUser后台系统用户表SysUserLoginLog登录日志SysUserToken登录TokenSysStore系统名称SysRole系统角色SysPermission角色权限SysLog系统日志SysDomain系统域名（根据不同的网页或者app端访问不同的Url）Setting系统参数设置Category菜单表导航栏ActivityLog系统表操…...
2024/4/4 20:53:43
爬虫:python采集豆瓣影评信息并进行数据分析
前言：最近比较有时间，替一个同学完成了一个简单的爬虫和数据分析任务，具体的要求是爬取复仇者联盟4 的豆瓣影评信息并进行简单的数据分析，这里的数据分析指的是提取关键词并进行词云分析以及按照时间进行热度分析，分析比较简单，后续可以继续完善。首先，献上数据采集和分…...
2024/4/16 9:58:21
Go gorm框架获取sql，tableName和主键值
gorm 框架获取sql1、背景2、方法 1、背景最近一直在忙着go的项目，眼看项目马上要结束了，来补一补博客。我们在使用go的gorm框架的时候，需要将运行的sql打印到我们指定的log文件中亦或是需要对我们的sql进行业务处理，这时候我们设置了LogMode为true时，就可以在控制台打印运…...
2024/5/6 20:36:15
JUC 包下工具类，它的名字叫 LockSupport ！你造么？
前言LockSupport 是 JUC 中常用的一个工具类，主要作用是挂起和唤醒线程。在阅读 JUC 源码中经常看到，所以很有必要了解一下。公众号：liuzhihangs ，记录工作学习中的技术、开发及源码笔记；时不时分享一些生活中的见闻感悟。欢迎大佬来指导！介绍基本线程阻塞原语创建锁和其…...
2024/3/28 19:00:45
LeeCode 5455 贪心 + BIT
题意传送门 LeeCode 5455. 最多 K 次交换相邻数位后得到的最小整数题解求最小整数，贪心地将尽可能小的数字移动到尽可能高的位数上。从最高位开始，每次处理一位；从小到大枚举数字 0−90-90−9 最靠近当前处理数位的索引，若索引值的差小于等于 kkk，则该数字可以移动到这…...
2024/3/28 19:00:44
Modbus协议栈应用实例之一：Modbus RTU主站应用
自从开源了我们自己开发的Modbus协议栈之后，有很多朋友建议我针对性的做几个示例。所以我们就基于平时我们的应用整理了几个简单但可以说明基本的应用方法的示例，在这一篇中我们先来使用协议栈实现Modbus RTU主站的示例。1、何为RTU主站Modbus协议是一个主从协议，那肯定就有…...
2024/4/16 9:58:47
Davinci安装失败
Davinci安装失败在安装Davinci的时候，遇到报错Failed to install DaVinci Resolve Panels. Continues with others components?更新最新显卡驱动没有解决问题，后来想到可能是我把TMP，TEMP文件夹放到ramdisk，导致空间不够。在把TMP，TEMP改回C盘后成功安装。...
2024/4/29 18:54:02
提问Java专业术语面试
前言：说在前面，面试题是根据一些朋友去面试提供的，再就是从网上整理了一些。先更新50道，下一波吧后面的也更出来。求赞求关注！！废话也不多说，现在就来看看有哪些面试题 1、面向对象的特点有哪些? 抽象、继承、封装、多态。 2、接口和抽象类有什么联系和区别? 3、…...
2024/4/16 9:59:36
java8新特性---Stream流
知识点：Stream流的作用Steam流是什么Stream流怎么使用，使用Stream的步骤：创建，中间操作，终止操作创建流的五种方式，中间操作API以及终止操作APIStream流可能是java8新特性中最成功的、也是用的最爽的一个特性了。首先用简单的介绍一下它的作用Stream流的作用有了Stream流…...
2024/4/16 10:00:22
idea2020使用idea 没有Run Dashboard
idea2020版本的 Run Dashboard 等同于Services我这里添加了Spring boot...
2024/4/16 9:59:46
蓝桥杯（基础练习---- 字母图形）
蓝桥杯（基础练习---- 字母图形）问题描述利用字母可以组成一些美丽的图形，下面给出了一个例子： ABCDEFG BABCDEF CBABCDE DCBABCD EDCBABC 这是一个5行7列的图形，请找出这个图形的规律，并输出一个n行m列的图形。输入格式输入一行，包含两个整数n和m，分别表示你要输出的图…...
2024/4/16 12:57:09
jQuery UI 如何自定义组件
通过向 $.widget() 传递组件名称和一个原型对象来完成 $.widget(“ns.widgetName”, [baseWidget], widgetPrototype);...
2024/4/16 15:02:18
BJFU_计算机算法设计与实践_实验1
实验1 问题描述求两个自然数 m 和 n 的最大公约数。设m和n是两个自然数，m和n的最大公约数记为gcd(m,n)，是能够同时被m和n整除的最大整数。测试数据从txt中读取。算法1：整数检测算法描述 1.t = min{m, n}。 2.m除以t，若余数为0，则执行步骤3，否则执行第4 步。 3.n除以t，…...
2024/4/16 10:00:22
自动跳格的验证码输入
最近做小程序，其中有一个短信验证码的填写页面，是那种输入数字，就自动跳到下一格的，可以看下动图演示点击横线区域，弹出键盘，然后依次输入数字，可自动跳到下一格，输入完成后，下方确定按钮自动变为可点击。思路：这个一开始我是以为用 input 做好数字之间间隔，然后样式…...
2024/4/16 10:00:27
一面蚂蚁金服，问的HashMap我想吐了！！！
鄙人不才，在今年3月的时候，头铁尝试了下蚂蚁的面试，最终撑到3面就说了声再见，不得不说那个时候自己还是很菜，但是我还是要聊聊这个知识，因为也是让我吃饱撑的看源码看了一天的过程！！！（文中有很多引用其他大神面试过的HashMap的知识，我就顺便一起拿来做个全点的哈^__…...
2024/4/19 18:15:21
大数加法
A+B大数加法题目来源 A+B高精题目描述：高精度加法,相当于a+b problem，不用考虑负数. 看到这题时，就想到用string来解决，也想到了之前做过的一道题目，很相似的A+B当时的AC代码 #define _CRT_SECURE_NO_WARNINGS #include<cstdio> #include<iostream> #incl…...
2024/4/25 21:01:46
【数学】三壶问题的一种通解
∣ 三壶问题的一种通解 A.D.Horcrux Presents.∣\begin{vmatrix}\Huge{\textsf{ 三壶问题的一种通解 }}\\\texttt{A.D.Horcrux Presents.}\end{vmatrix}∣∣∣∣∣ 三壶问题的一种通解 A.D.Horcrux Presents.∣∣∣∣∣小学奥数中常常看到这类题目：三个壶子，容积分别为…...
2024/4/29 5:57:28

运营商客户流失率分析

目录

1.数据集说明

2.分析思路

3.数据预处理

3.数据分析及可视化

3.1.总体流失率分析

3.2.用户属性分析

3.3.服务属性分析

3.4.合同属性分析

4.高流失率用户画像

5.结论和建议

相关文章

最新文章