Lending Club 公司2007-2018贷款业务好坏帐分析

其他 2020-04-09 18:34:08 阅读次数: 0

1 好贷款商业前景

1.1 按地域分析

  • IA(艾奥瓦州) 违约率最高，但由于其贷款数量少，总的只有三笔贷款

  • CA(加利福尼亚)、TX(德克萨斯)、NY(纽约州) 贷款额大，收益率和违约率都在平均水平，是稳定收入来源

  • HI(夏威夷州) 违约率处于中等水平，但平均收益率达到最高是值得研究学习的，VT(佛蒙特州) 也有如此特点

1.2 收入类型与贷款质量

  • 收入越高的用户倾向于大笔贷款，收入低的用户贷款额相对也低

  • 收入越高的用户坏账率相对较少，而收入低的用户坏账率相对高一些

2 坏贷款深入查看

2.1 坏款率与住房

  • 按揭贷款的用户坏贷款额较高，其次是自有住房用户，最后是租房用户，贷款额逐年增高

2.2 坏款率与贷款利率

  • 相对于低利率水平（<13%）,高利率水平更容易出现坏账

  • 用户在高利率时的长期贷款比 比 低利率时长期贷款比更高

  • 相对于长期贷款（60月），短期贷款（36月）更容易出现坏账

2.3 坏款率与贷款等级

  • 信用等级良好贷款额逐年上升，信用等级低贷款额在2012年达到顶峰，之后逐年降低

  • 贷款利率随着贷款信用等级的降低而提高,信用等级高的用户利率十年间基本维持在统一水平线，而低信用用户则利率逐年上升，甚至达到 30+%

  • 高信用等级用户坏款率较低，低信用等级用户坏账率较高

  • C 等级用户也有很高的坏账率，这是一个值得关注的群体

2.4 坏款率与目的

  • 总体上来看，用于教育、小生意的贷款坏账率较高，但教育贷款的利率不是很高，而小生意的利率较高

  • 大部分贷款用于还其他债务，这部分坏账率14.2% 左右

  • 高收入人群用于教育贷款的坏款率较高，达到了50%，其他处于正常水准

  • 中等收入人群用于教育、结婚、小生意的贷款率较高，处于10-20%左右

  • 低收入人群的用于教育和小生意的坏款率较高，处于15-25%左右

 

 

 附录代码：

#coding:utf-8

import pandas as pd
import numpy as np
import time
import matplotlib.pyplot as plt
import seaborn as sns

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,#有中文出现的情况，需要u'内容'

# 核心代码，设置显示的最大列、宽等参数，消掉打印不完全中间的省略号
pd.set_option('display.max_columns', 1000)
pd.set_option('display.width', 1000)
pd.set_option('display.max_colwidth', 1000)

start_time = time.process_time()

# # # 读取数据
# loan = pd.read_csv('loan.csv',low_memory = False)
# # df = loan[['issue_d','addr_state','emp_length', 'emp_title', 'annual_inc','home_ownership',
# #          'pub_rec', 'dti','purpose',
# #          'loan_amnt','funded_amnt','funded_amnt_inv','term', 'grade', 'sub_grade','int_rate','loan_status',
# #          'tot_cur_bal','avg_cur_bal', 'total_acc', 'total_bc_limit']].copy()
# df=loan.copy()
# # 将 ‘issue_d’ str形式的时间日期转换
# dt_series = pd.to_datetime(df['issue_d'])
# df['year'] = dt_series.dt.year
# df['month'] = dt_series.dt.month
#
# # 根据收入 'annual_inc' 定义收入“低、中、高”
# # <10万 --> low , 10万~20万 --> medium , >20 万 --> high
# df['income_category'] = np.nan
# lst = [df]
# for col in lst:
#     col.loc[col['annual_inc'] <= 100000, 'income_category'] = 'Low'
#     col.loc[(col['annual_inc'] > 100000) & (col['annual_inc'] <= 200000), 'income_category'] = 'Medium'
#     col.loc[col['annual_inc'] > 200000, 'income_category'] = 'High'
#
# # 根据贷款状态 ‘loan_status’ 定义好坏贷款
# bad_loan = ["Charged Off",
#             "Default",
#             "Does not meet the credit policy. Status:Charged Off",
#             "In Grace Period",
#             "Late (16-30 days)",
#             "Late (31-120 days)"]
# df['loan_condition'] = np.nan
#
# def loan_condition(status):
#     if status in bad_loan:
#         return 'Bad Loan'
#     else:
#         return 'Good Loan'
#
# df['loan_condition'] = df['loan_status'].apply(loan_condition)
# df['loan_condition_int'] = np.nan
# for col in lst:
#     col.loc[df['loan_condition'] == 'Good Loan', 'loan_condition_int'] = 0  # Negative (Bad Loan)
#     col.loc[df['loan_condition'] == 'Bad Loan', 'loan_condition_int'] = 1  # Positive (Good Loan)
# df['loan_condition_int'] = df['loan_condition_int'].astype(int)
#
# # df.to_pickle("second_df.pkl")
# df.to_pickle("loan_condition.pkl")
#

df = pd.read_pickle('second_df.pkl')
df_state = df.groupby('addr_state').agg({'loan_amnt':'sum','annual_inc':'sum','int_rate':'mean',
                                      'loan_condition_int':'sum','loan_status':'count',
                                         'dti':'mean'}).reset_index()
df_state = df_state.rename(columns = {'loan_amnt':'loan_amnt_sum','annual_inc':'annual_inc_sum','int_rate':'int_rate_mean',
                                      'loan_condition_int':'default_num','loan_status':'loan_num','dti':'dti_mean'})
df_state['default_rate'] = df_state['default_num']/df_state['loan_num']*100

# # 3. 好贷款，有前景
# # 3.1 各个地区 贷款量、违约率、收益率之间关系
# print(df_state.sort_values(by='default_rate'))
# print(df_state.sort_values(by='int_rate_mean'))
# print(df_state.sort_values(by='loan_amnt_sum'))
# print(df_state.sort_values(by='annual_inc_sum'))
# print(df_state.sort_values(by='dti_mean'))
# print(df_state.columns)
#
# fig1_1 = plt.figure(figsize=(6,5))
# ax = fig1_1.add_subplot(111)
# plt.scatter(df_state['default_rate'],df_state['int_rate_mean'],color='royalblue',s=40)
# plt.ylabel('平均收益率（%）',fontsize=12)
# plt.xlabel('违约率（%）',fontsize=12)
# plt.title('各洲违约率-平均收益率',fontsize=16)
# plt.axhline(df_state['int_rate_mean'].mean(),color='r',linestyle='--')
# plt.axvline(df_state['default_rate'].median(),color='r',linestyle='--')
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0,wspace=0)
# plt.savefig("3.1.1 2007-2015 Lending Club 各洲违约率-平均收益率.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
# # plt.show()
#
#
# fig1_2 = plt.figure(figsize=(6,5))
# ax = fig1_2.add_subplot(111)
# plt.scatter(df_state['loan_amnt_sum'],df_state['int_rate_mean'],color='royalblue',s=40)
# # plt.ylim(0,25)
# plt.ylabel('平均收益率（%）',fontsize=12)
# plt.xlabel('贷款总额',fontsize=12)
# plt.title('各洲贷款总额-平均收益率',fontsize=16)
# plt.axhline(df_state['default_rate'].median(),color='r',linestyle='--')
# plt.axvline(df_state['loan_amnt_sum'].median(),color='r',linestyle='--')
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0,wspace=0)
# plt.savefig("3.1.2 2007-2015 Lending Club 各洲贷款总额-平均收益率.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
# # plt.show()
#
# fig1_3 = plt.figure(figsize=(6,5))
# ax = fig1_3.add_subplot(111)
# plt.scatter(df_state['loan_amnt_sum'],df_state['default_rate'],color='royalblue',s=40)
# plt.ylim(0,25)
# plt.ylabel('违约率（%）',fontsize=12)
# plt.xlabel('贷款总额',fontsize=12)
# plt.title('各洲贷款总额-违约率',fontsize=16)
# plt.axvline(df_state['loan_amnt_sum'].median(),color='r',linestyle='--')
# plt.axhline(df_state['default_rate'].median(),color='r',linestyle='--')
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0,wspace=0)
# plt.savefig("3.1.3 2007-2015 Lending Club 各洲贷款总额-违约率.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
#
# # 2. 贷款质量与收入分布
# fig2,ax=plt.subplots(1,2,figsize=(12,5))
# # plt.suptitle('贷款质量和收入分布', fontsize=16)
# sns.violinplot(x='income_category',y='loan_amnt',data=df,ax=ax[0],palette='Set2')
# ax[0].set_ylabel("贷款额",fontsize=12)
# ax[0].set_xlabel("收入类型",fontsize=12)
# ax[0].set_title("收入类型-贷款额",fontsize=14)
# sns.violinplot(x='income_category',y='loan_condition_int',data=df,ax=ax[1],palette='Set2')
# ax[1].set_ylabel("贷款好坏",fontsize=12)
# ax[1].set_xlabel("收入类型",fontsize=12)
# ax[1].set_title("收入类型-贷款好坏",fontsize=14)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0,wspace=0.3)
# plt.savefig("3.2 2007-2015 Lending Club  贷款质量和收入分布情况.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
# plt.show()


# 4. 风险评估
# 1. 每年不同状态贷款分布
df_status=df.groupby(by=['loan_status','year']).loan_amnt.mean().unstack(-1)
print("\n每年不同状态贷款分布\n",df_status)

# 2. 违约贷款地域分布 TX > NY > CA
df_default=df[df['loan_status']=='Default']
print("\n违约贷款地域分布\n",df_default.groupby(by='addr_state').loan_amnt.sum().sort_values())

# 3. 各地区债务比分布情况
print("\n各地区债务比分布情况\n",df_state.sort_values(by='dti_mean'))

# # 4. 相关原因
# # a) 各变量相关性 协方差热力图
# # 与其从负相关到正相关 分别是 total_rec_prncp ,last_pymnt_amnt ,out_prncp
# # --> total_rec_late_fee,int_rate,hardship_dpd,collection_recovery_fee,recoveries
#
df_all = pd.read_pickle('loan_condition.pkl')
all_corr=df_all.corr()
print("\n与坏贷款线性相关性\n",all_corr['loan_condition_int'].sort_values())
#
# fig4_1,ax=plt.subplots(figsize=(12,12))
# sns.heatmap(all_corr,cmap='bwr',square=True)
# plt.title('变量协方差矩阵图',fontsize=16)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0.1,wspace=0.1)
# plt.savefig("4.1 2007-2015 变量协方差矩阵图.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
# # plt.show()
#
# # b) 住房类型-坏贷款
# df_bad=df.loc[df['loan_condition_int']==1]
# fig4_2,ax = plt.subplots(2,1,figsize=(11,5))
#
# sns.boxplot(x='home_ownership',y='loan_amnt',hue='loan_condition',
#             data=df_bad,color='royalblue',ax=ax[0])
# ax[0].set_ylabel("贷款额",fontsize=12)
# ax[0].set_xlabel("住房类型",fontsize=12)
# ax[0].set_title("不同住房类型下的坏贷款额分布",fontsize=12)
#
# sns.boxplot(x='year',y='loan_amnt',hue='home_ownership',
#             data=df_bad,palette='Set3',ax=ax[1])
# ax[1].set_ylabel("贷款额",fontsize=12)
# ax[1].set_xlabel("年",fontsize=12)
# ax[1].set_title("不同年份不同住房类型下的坏贷款额分布",fontsize=12)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0.5,wspace=0.1)
# plt.savefig("4.2 2007-2015 不同住房类型与坏贷款额关系.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
# plt.show()
# #
# # c) 收入类型-坏贷款
# df_purpose = df.groupby(by=['income_category','purpose']).aggregate({'int_rate':'mean','loan_amnt':'sum',
#                                                                    'loan_condition_int':'sum','loan_condition':'count'}).reset_index()
# df_purpose = df_purpose.rename(columns = {'int_rate':'int_rate_mean','loan_amnt':'loan_amnt_sum',
#                                         'loan_condition_int':'bad_loans_count','loan_condition':'all_loans_count'})
# df_purpose['bad_ratio'] = df_purpose['bad_loans_count']/df_purpose['all_loans_count']*100
# 
# # df_purpose.to_csv('df_purpose.csv')
# df_purpose_high_int = df_purpose[df_purpose['income_category'] == 'High']
# df_purpose_medium_int = df_purpose[df_purpose['income_category'] == 'Medium']
# df_purpose_low_int = df_purpose[df_purpose['income_category'] == 'Low']
#
# # 高中低收入类型的贷款目的分布雷达图
# high_lales = df_purpose_high_int['purpose']
# theta1 = np.linspace(0,2*np.pi,len(high_lales),endpoint = False)
# theta1 = np.concatenate((theta1,[theta1[0]]))
# data1 = df_purpose_high_int['bad_ratio']
# data1 = np.concatenate((data1,[data1[0]]))
#
# fig4_3_1 = plt.figure(figsize=(6,5))
# ax1 = fig4_3_1 .add_subplot(111, polar=True) # polar参数！！
# ax1.plot(theta1, data1, 'royalblue', linewidth=2)# 画线
# ax1.fill(theta1, data1, facecolor='r', alpha=0.25)# 填充
# ax1.set_thetagrids(theta1 * 180/np.pi, high_lales, fontproperties="SimHei")
# ax1.set_title("高收入类型坏贷款职业分布", va='bottom', fontproperties="SimHei",fontsize=14)
# ax1.set_rlim(0,70)
# ax1.grid(True)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0.1,wspace=0.1)
# plt.savefig("4.3.1 2007-2015 高收入类型坏贷款职业分布.png",dpi=1000,bbox_inches = 'tight') #解决图片不清晰，不完整的问题
# plt.show()
#
# medium_labels = df_purpose_medium_int['purpose']
# theta2 = np.linspace(0,2*np.pi,len(medium_labels),endpoint = False)
# theta2 = np.concatenate((theta2,[theta2[0]]))
# data2 = list(df_purpose_medium_int['bad_ratio'])
# data2 = np.concatenate((data2,[data2[0]]))
#
# fig4_3_2 = plt.figure(figsize=(6,5))
# ax2 = fig4_3_2 .add_subplot(111, polar=True) # polar参数！！
# ax2.plot(theta2, data2, 'royalblue', linewidth=2)# 画线
# ax2.fill(theta2, data2, facecolor='g', alpha=0.25)# 填充
# ax2.set_thetagrids(theta2 * 180/np.pi, medium_labels, fontproperties="SimHei")
# ax2.set_title("中收入类型坏贷款职业分布", va='bottom', fontproperties="SimHei",fontsize=14)
# ax2.set_rlim(0,30)
# ax2.grid(True)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0.1,wspace=0.1)
# plt.savefig("4.3.2 2007-2015 中收入类型坏贷款职业分布.png",dpi=1000,bbox_inches = 'tight') #解决图片不清晰，不完整的问题
# plt.show()
#
# low_labels = df_purpose_low_int['purpose']
# theta3 = np.linspace(0,2*np.pi,len(low_labels),endpoint = False)
# theta3 = np.concatenate((theta3,[theta3[0]]))
# data3 = list(df_purpose_low_int['bad_ratio'])
# data3 = np.concatenate((data3,[data3[0]]))
#
# fig4_3_3 = plt.figure(figsize=(6,5))
# ax3 = fig4_3_3.add_subplot(111, polar=True) # polar参数！！
# ax3.plot(theta3, data3, 'royalblue', linewidth=2)# 画线
# ax3.fill(theta3, data3, facecolor='grey', alpha=0.25)# 填充
# ax3.set_thetagrids(theta3 * 180/np.pi, low_labels, fontproperties="SimHei")
# ax3.set_title("低收入类型坏贷款职业分布", va='bottom', fontproperties="SimHei",fontsize=14)
# ax3.set_rlim(0,30)
# ax3.grid(True)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0.1,wspace=0.1)
# plt.savefig("4.3.1 2007-2015 低收入类型坏贷款职业分布.png",dpi=1000,bbox_inches = 'tight') #解决图片不清晰，不完整的问题
# # plt.show()
#
# # d) 贷款利率水平-坏贷款
# # print(df['int_rate'].describe())
# df['int_payments'] = np.nan
# lst = [df]
# for col in lst:
#     col.loc[col['int_rate'] <= 13.09, 'int_payments'] = 'Low'
#     col.loc[col['int_rate'] > 13.09, 'int_payments'] = 'High'
#
# fig4_4 = plt.figure(figsize=(12,5))
# palette = ['royalblue','darkorange']
# plt.subplot(121)
# ax=sns.countplot(x='int_payments', hue='loan_condition', data = df,palette=palette)
# ax.set_xlabel('利率水平',fontsize=12)
# ax.set_ylabel('贷款额',fontsize=12)
# ax.set_title("不同贷款利率水平下好坏贷款额度情况",fontsize=14)
#
# plt.subplot(122)
# ax1=sns.countplot(x='int_payments', hue='term', data = df,palette=palette)
# ax1.set_xlabel('利率水平',fontsize=12)
# ax1.set_ylabel('贷款额',fontsize=12)
# ax1.set_title("不同贷款利率水平下长短期贷款额度情况",fontsize=14)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0.1,wspace=0.1)
# plt.savefig("4.4 2007-2015 贷款利率与贷款额关系.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
# # plt.show()
#
#
# # e) 贷款信用等级-坏贷款
# #  每年各个贷款等级贷款额、贷款利率关系
# df_score_loan_amnt = df.groupby(by=['year','grade']).loan_amnt.mean()
# df_score_loan_amnt = df_score_loan_amnt.unstack(-1)
# df_score_int_rate  = df.groupby(by=['year','grade']).int_rate.mean()
# df_score_int_rate  = df_score_int_rate.unstack(-1)
#
# fig4_5_1,ax = plt.subplots(1,2,figsize=(12,5))
# cmap = plt.cm.coolwarm
# df_score_loan_amnt.plot(legend=False, ax=ax[0], colormap=cmap)
# ax[0].set_title("每年各贷款等级平均发放额",fontsize = 14)
# df_score_int_rate.plot(legend=True, ax=ax[1],  colormap=cmap)
# ax[1].legend(bbox_to_anchor=(-1.0, -0.2, 1.7, 0.1), loc=0, prop={'size':12},
#            ncol=7, mode="expand", borderaxespad=0.)
# ax[1].set_title("每年各贷款等级平均利率",fontsize = 14)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0,wspace=0.1)
# plt.savefig("4.5.1 2007-2015 Lending Club 每年贷款等级分布情况.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
# # plt.show()
#
# # 各个贷款等级的贷款好坏分布
# df_score_condition = df.groupby(by=['grade', 'loan_condition']).size()
# df_score_condition = df_score_condition.unstack(-1)
#
# df_score_condition_sub = df.groupby(by=['sub_grade', 'loan_condition']).size()
# df_score_condition_sub = df_score_condition_sub.unstack(-1)
#
# fig4_5_2,ax = plt.subplots(1,2,figsize=(12,5))
# df_score_condition['Good Loan'].plot(kind='bar',legend=False, ax=ax[0], color='royalblue')
# df_score_condition['Bad Loan'].plot(kind='bar',legend=False, ax=ax[0], color='darkorange')
# ax[0].set_title("各贷款等级好坏贷款分布",fontsize = 14)
# df_score_condition_sub['Good Loan'].plot(kind='bar',legend=False, ax=ax[1], color='royalblue')
# df_score_condition_sub['Bad Loan'].plot(kind='bar',legend=False, ax=ax[1], color='darkorange')
# ax[1].set_title("各贷款子等级好坏贷款分布",fontsize = 14)
# ax[1].legend(bbox_to_anchor=(-0.6, -0.2, 1, 0.1), loc=0, prop={'size':12},
#            ncol=7, mode="expand", borderaxespad=0.)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0,wspace=0.1)
# plt.savefig("4.5.2 2007-2015 Lending Club 各贷款等级好坏贷款分布情况.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
# # plt.show()
#
#
# # f) 贷款周期-坏贷款
# fig4_6 = plt.figure(figsize=(6,5))
# palette = ['royalblue','darkorange']
#
# plt.subplot(111)
# ax=sns.countplot(x='term', hue='loan_condition', data = df,palette=palette)
# ax.set_xlabel('贷款周期',fontsize=12)
# ax.set_ylabel('贷款额',fontsize=12)
# ax.set_title("不同贷款周期下好坏贷款额度情况",fontsize=14)
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0,wspace=0.1)
# plt.savefig("4.6 2007-2015 Lending Club 不同贷款周期下好坏贷款额度情况.png",dpi=1000,bbox_inches = 'tight')#解决图片不清晰，不完整的问题
# plt.show()
#
#
# # g) 贷款目的-坏贷款
# # 好坏贷款目的分布直方图
# purpose_condition = round(pd.crosstab(df['loan_condition'], df['purpose']).apply(lambda x: x/x.sum() * 100), 2)
# print()
# ticks=list(purpose_condition.columns)
# x=np.arange(purpose_condition.shape[1])
# y1=purpose_condition.iloc[1,:]
# y2=purpose_condition.iloc[0,:]
#
# fig4_7 = plt.figure(figsize=(10,8))
# p1 = plt.bar(x,y1, color='royalblue')
# p2 = plt.bar(x,y2,color='darkorange')
# for (a,b) in zip(x,y1):
#     plt.text(a,b+0.05,s=str(b)+'%',ha='center',va='bottom')
# for (a,b) in zip(x,y2):
#     plt.text(a,b+0.05,s=str(b)+'%',ha='center',va='bottom')
# plt.ylim(0,100)
# plt.xticks(x,ticks,rotation=20)
# plt.xlabel('贷款目的',fontsize=12)
# plt.ylabel('贷款占比（%）',fontsize=12)
# plt.title('好坏贷款的不同目的占比情况',fontsize=16)
# plt.legend([p1,p2],labels=['Good Loan','Bad Loan'],loc='best')
# plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0.1,wspace=0.1)
# plt.savefig("4.7 2007-2015 好坏贷款的不同目的占比情况.png",dpi=1000,bbox_inches = 'tight') #解决图片不清晰，不完整的问题
# plt.show()
#

end_time = time.process_time()
print("程序运行了 %s 秒"%(end_time-start_time))

　　

猜你喜欢

转载自www.cnblogs.com/Ray-0808/p/12668594.html
今日推荐
开源日报 | Chrome内置Gemini的意义不在于Gemini；中国AI追随之路的五大误区；ECharts创始人“下海”养鱼；谷歌I/O开发者大会什么都有，只是没有惊喜
微软回应中国区AI团队“打包赴美”传闻
基于大语言模型的开源知识库问答系统 MaxKB GitHub Star 数量突破 5,000 个！
美国拟限制 AI 大模型出口中国和俄罗斯
苹果将与 OpenAI 达成协议，将 ChatGPT 应用于 iPhone
openKylin 社区生态委员会第六次会议圆满召开
阿里云正式发布通义千问 2.5
Python 3.13 发布首个 Beta：实验性自由线程模式和 JIT、改进交互式解释器
Stack Overflow 拿我的代码去训练 AI 大模型，还封了我的账号
Pop!_OS 的 COSMIC 桌面完成 App Store 上架工作
《2024 年一季度互联网投融资运行情况》研究报告
报告：Django 仍然是 74% 开发者的首选
周排行
返回指定时间格式
fopen函数中的mode参数
Java 单例模式探讨
Flex remoteobject工作原理探讨
寻找mplayer的便捷安装方法
30天了解30种技术系列---(26)MySQL自动化运维工具Inception
关于Jboss/Tomcat/Jetty的JNDI定义123
程序减肥，strip，eu-strip 及其符号表
AsyncTask、View.post(Runnable)、ViewTreeObserver三种方式总结frame animation自动启动
Json和Bean的互相转换
每日归档
更多
2024-05-15(24)
2024-05-14(0)
2024-05-13(18)
2024-05-12(0)
2024-05-11(38)
2024-05-10(38)
2024-05-09(35)
2024-05-08(42)
2024-05-07(14)
2024-05-06(40)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022