R分析实现对招聘网站薪资预测分析
1、首先确定数据分析目标——薪酬受哪些因素影响
确定变量：
因变量：薪资
自变量：（定性）-- 公司类别、公司规模、地区、行业类别、学历要求、软件要求、
（定量）-- 经验要求（数值型）
分析目标：建立因变量和自变量的多元线性回归模型，估计模型系数，检验系数显著性，确定自变量是否对因变量有影响。并实现自变量新值带入实现模型预测。
2、数据预处理。
(整理数据，使其成为可以直接建模分析的数据格式)，首先看下数据结构。
1) 读数据 数据量大时不建议用xlsx包，比较慢
library(xlsx)
jobInfo2 = read.xlsx('jobinfo.xlsx',1,encoding = 'UTF-8')
str(jobInfo2) # 查看数据结构
head(jobInfo2) 2）library(readxl)
jobInfo = read_excel('jobinfo.xlsx')
str(jobInfo) # 查看数据结构
# head()函数好像没有，查看前5行
options(scipen = 200) # 去除科学计数法
jobInfo = read_excel('jobinfo.xlsx')
str(jobInfo) # 查看数据结构
1）最低薪资和最高薪资因变量转换为数值型
jobInfo$最低薪资 = as.numeric(jobInfo$最低薪资)
jobInfo$最高薪资 = as.numeric(jobInfo$最高薪资)
jobInfo$平均薪资 = (jobInfo$最低薪资+jobInfo$最高薪资)/2
2) 地区处理，分北上深和非北上深
loc = which(jobInfo$地区 %in% c("北京","上海","深圳"))
loc_other = which(!jobInfo$地区 %in% c("北京","上海","深圳"))
jobInfo$地区[loc] = 1
jobInfo$地区[loc_other] = 0
jobInfo$地区 = as.numeric(jobInfo$地区)
3) 处理公司规模、学历，转化为因子变量。便于画图
jobInfo$公司规模 = factor(jobInfo$公司规模,levels = c("少于50人", "50-150人", "150-500人", "500-1000人", "1000-5000人", "5000-10000人", "10000人以上"))
levels(jobInfo$公司规模)[c(2, 3)] = c("50-500人","50-500人")
jobInfo$学历 = factor(jobInfo$学历,levels = c("中专", "高中", "大专", "无", "本科", "硕士", "博士"))
4）匹配公司需求掌握的工具
分析工具包含："R", "SPSS", "Excel", "Python", "MATLAB", "Java", "SQL", "SAS", "Stata", "EViews", "Spark", "Hadoop"
software = as.data.frame(matrix(0,nrow = length(jobInfo$描述),ncol = 12)) # 生成*行*列的数据框
colnames(software) = c("R", "SPSS", "Excel", "Python", "MATLAB", "Java", "SQL", "SAS", "Stata", "EViews", "Spark", "Hadoop") mixseg = worker() for (i in 1:length(jobInfo$描述)) {
subData = as.character(jobInfo$描述[i])
fenci = mixseg[subData] R.identify = ("R" %in% fenci) | ("r" %in% fenci)
SPSS.identify = ("spss" %in% fenci) | ("Spss" %in% fenci) | ("SPSS" %in% fenci)
Excel.identify = ("excel" %in% fenci) | ("EXCEL" %in% fenci) | ("Excel" %in% fenci)
Python.identify = ("Python" %in% fenci) | ("python" %in% fenci) | ("PYTHON" %in% fenci)
MATLAB.identify = ("matlab" %in% fenci) | ("Matlab" %in% fenci) | ("MATLAB" %in% fenci)
Java.identify = ("java" %in% fenci) | ("JAVA" %in% fenci) | ("Java" %in% fenci)
SQL.identify = ("SQL" %in% fenci) | ("Sql" %in% fenci) | ("sql" %in% fenci)
SAS.identify = ("SAS" %in% fenci) | ("Sas" %in% fenci) | ("sas" %in% fenci)
Stata.identify = ("STATA" %in% fenci) | ("Stata" %in% fenci) | ("stata" %in% fenci)
EViews.identify = ("EViews" %in% fenci) | ("EVIEWS" %in% fenci) | ("Eviews" %in% fenci) | ("eviews" %in% fenci)
Spark.identify = ("Spark" %in% fenci) | ("SPARK" %in% fenci) | ("spark" %in% fenci)
Hadoop.identify = ("HADOOP" %in% fenci) | ("Hadoop" %in% fenci) | ("hadoop" %in% fenci) if (R.identify) software$R[i] = 1
if (SPSS.identify) software$SPSS[i] = 1
if (Excel.identify) software$Excel[i] = 1
if (Python.identify) software$Python[i] = 1
if (MATLAB.identify) software$MATLAB[i] = 1
if (Java.identify) software$Java[i] = 1
if (SQL.identify) software$SQL[i] = 1
if (SAS.identify) software$SAS[i] = 1
if (Stata.identify) software$Stata[i] = 1
if (EViews.identify) software$EViews[i] = 1
if (Spark.identify) software$Spark[i] = 1
if (Hadoop.identify) software$Hadoop[i] = 1
}
jobInfo.new = cbind(jobInfo$平均薪资,software)
colnames(jobInfo.new) = c("平均薪资",colnames(software)) # 合并其他列
jobInfo.new$地区 = jobInfo$地区
jobInfo.new$公司类别 = jobInfo$公司类别
jobInfo.new$公司规模 = jobInfo$公司规模
jobInfo.new$学历 = jobInfo$学历
jobInfo.new$经验要求 = jobInfo$经验
jobInfo.new$行业类别 = jobInfo$行业类别 table(jobInfo.new$公司类别) # 分析公司类别中观测值少的予以删除
jobInfo.new = jobInfo.new[-which(jobInfo.new$公司类别 %in% c("事业单位","非营利机构")),] colnames(jobInfo.new) = c('aveSalary' , colnames(jobInfo.new[2:13]),"area", "compVar", "compScale", "academic", "exp", "induCate") # 保存数据集
write.csv(jobInfo.new, file= '数据分析岗位招聘.csv', row.names = F)
3、数据可视化
1) 描述性分析 因变量直方图\薪资分布情况
hist(dat0$aveSalary, xlab = "平均薪资(元/月)",ylab = "频数",main = "", col = 'dodgerblue',xlim = c(1500,11000),
breaks = seq(0,500000,by=1500)) summary(dat0$aveSalary)
2）平均薪资\经验要求---箱线图
dat0$exp_level = cut(dat0$exp, breaks = c(-0.01,3.99,6,max(dat0$exp)))
dat0$exp_level = factor(dat0$exp_level, levels = levels(dat0$exp_level),
labels = c("经验：0-3年", "经验：4-6年", "经验：>6年")) boxplot(aveSalary~exp_level,data = dat0,col = 'dodgerblue',ylab = "平均薪资(元/月)",ylim = c(0,45000))
summary(lm(aveSalary~exp_level,data = dat0)) table(dat0$exp_level)
3) 平均薪资~学历 箱线图
dat0$academic = factor(dat0$academic, levels = c("无", "中专", "高中", "大专", "本科", "硕士", "博士"))
dat0$compVar = factor(dat0$compVar, levels = c("民营公司", "创业公司", "国企", "合资", "上市公司", "外资"))
boxplot(aveSalary~academic,data = dat0,col='dodgerblue',ylab = '平均薪资(元/月)',ylim = c(0,45000))
summary(lm(aveSalary~academic, data = dat0))
table(dat0$academic)
4、建立回归模型
lm1 = lm(aveSalary~.,data = dat0)
summary(lm1)
lm2 = lm(aveSalary~.-induCate-exp_level,data = dat0)
summary(lm2) par(mfrow = c(2,2)) # 回归诊断
plot(lm2,which = c(1:4))
QQ图看出结果存在非正态性，线性非45°，对因变量取对数继续分析。
# install.packages('rms')
library(rms)
vif(lm2) # 计算VIF，>5代表共线性较大，（对其他自变量的回归的R^2>80%）
# 去除共线性因素，合并VIF较大的几项与基准组合并为一项
# dat0$compVar = as.character(dat0$compVar)
# dat0[which(dat0$compVar %in% c("合资", "外资", "民营公司", "创业公司")),"compVar"] = "其他" # 将合资，外资，民营公司、创业公司转换为其他
# dat0$compVar = factor(dat0$compVar,levels = c("其他","国企","上市公司"))
#
# lm3 = lm(aveSalary~.-induCate-exp_level,data = dat0)
# summary(lm3)
# vif(lm3)
# 去除非正态性影响，对数线性模型
lm4 = lm(log(aveSalary)~.-induCate-exp_level,data = dat0)
summary(lm4)
par(mfrow = c(2,2))
plot(lm4,which = c(1:4))
# # 库克异常点处理
# cook = cooks.distance(lm4)
# cook = sort(cook,decreasing = T)
# cook_point = names(cook)[1]
# cook_delete = which(rownames(dat0) %in% cook_point)
# dat0 = dat0[-cook_delete,]
#
# # 检查
# lmTest = lm(log(aveSalary)~.-induCate-exp_level,data = dat0)
# par(mfrow = c(2,2))
# plot(lmTest,which = c(1,4))
改善后效果图：
最终模型预测：
- 假定确定交互项公司规模和地区的乘积为增加的影响因子compScale*area，(过程推导step函数判别，AIC值越小越好（负数也一样判断）)
- 逐步回归分析是以AIC信息统计量为准则，通过选择最小的AIC信息统计量，来达到删除或增加变量的目的。
dat1 = dat0[1:18]
lm0 = lm(log(aveSalary)~.+compScale*area,data = dat1)
summary(step(lm0)) # 结果得出初始有交互项compScale*area的模型最好
从AIC值可以看出来初始有交互项compScale*area的模型最好。
Start: AIC=-12289.46
log(aveSalary) ~ R + SPSS + Excel + Python + MATLAB + Java +
SQL + SAS + Stata + EViews + Spark + Hadoop + area + compVar +
compScale + academic + exp + compScale * area Df Sum of Sq RSS AIC
- area:compScale 5 1.338 1227.1 -12292
- EViews 1 0.000 1225.7 -12292
- Spark 1 0.037 1225.8 -12291
- Stata 1 0.165 1225.9 -12290
- SPSS 1 0.237 1226.0 -12290
- MATLAB 1 0.272 1226.0 -12290
<none> 1225.7 -12290
- Java 1 0.662 1226.4 -12288
- SAS 1 0.762 1226.5 -12287
- R 1 0.872 1226.6 -12286
- Python 1 1.555 1227.3 -12282
- compVar 5 3.479 1229.2 -12280
- Hadoop 1 6.249 1232.0 -12256
- SQL 1 9.494 1235.2 -12237
- Excel 1 22.307 1248.0 -12164
- academic 6 114.286 1340.0 -11672
- exp 1 214.853 1440.6 -11151 Step: AIC=-12291.76
log(aveSalary) ~ R + SPSS + Excel + Python + MATLAB + Java +
SQL + SAS + Stata + EViews + Spark + Hadoop + area + compVar +
compScale + academic + exp Df Sum of Sq RSS AIC
- EViews 1 0.000 1227.1 -12294
- compScale 5 1.416 1228.5 -12294
- Spark 1 0.038 1227.1 -12294
- Stata 1 0.166 1227.2 -12293
- SPSS 1 0.245 1227.3 -12292
- MATLAB 1 0.256 1227.3 -12292
<none> 1227.1 -12292
- Java 1 0.652 1227.7 -12290
- SAS 1 0.739 1227.8 -12290
- R 1 0.856 1227.9 -12289
- Python 1 1.569 1228.6 -12285
- compVar 5 3.531 1230.6 -12282
- Hadoop 1 6.216 1233.3 -12258
- SQL 1 9.359 1236.4 -12240
- Excel 1 22.587 1249.7 -12165
- academic 6 113.393 1340.5 -11680
- area 1 149.888 1377.0 -11480
- exp 1 215.650 1442.7 -11151 Step: AIC=-12293.76
log(aveSalary) ~ R + SPSS + Excel + Python + MATLAB + Java +
SQL + SAS + Stata + Spark + Hadoop + area + compVar + compScale +
academic + exp Df Sum of Sq RSS AIC
- compScale 5 1.417 1228.5 -12296
- Spark 1 0.037 1227.1 -12296
- Stata 1 0.167 1227.2 -12295
- SPSS 1 0.246 1227.3 -12294
- MATLAB 1 0.257 1227.3 -12294
<none> 1227.1 -12294
- Java 1 0.653 1227.7 -12292
- SAS 1 0.739 1227.8 -12292
- R 1 0.861 1227.9 -12291
- Python 1 1.569 1228.6 -12287
- compVar 5 3.531 1230.6 -12284
- Hadoop 1 6.216 1233.3 -12260
- SQL 1 9.360 1236.4 -12242
- Excel 1 22.597 1249.7 -12167
- academic 6 113.394 1340.5 -11682
- area 1 149.898 1377.0 -11482
- exp 1 215.652 1442.7 -11153 Step: AIC=-12295.61
log(aveSalary) ~ R + SPSS + Excel + Python + MATLAB + Java +
SQL + SAS + Stata + Spark + Hadoop + area + compVar + academic +
exp Df Sum of Sq RSS AIC
- Spark 1 0.036 1228.5 -12297
- Stata 1 0.170 1228.7 -12297
- SPSS 1 0.261 1228.7 -12296
- MATLAB 1 0.298 1228.8 -12296
<none> 1228.5 -12296
- Java 1 0.633 1229.1 -12294
- SAS 1 0.752 1229.2 -12293
- R 1 0.878 1229.3 -12293
- Python 1 1.547 1230.0 -12289
- compVar 5 3.779 1232.3 -12284
- Hadoop 1 6.288 1234.8 -12262
- SQL 1 9.517 1238.0 -12243
- Excel 1 22.306 1250.8 -12171
- academic 6 113.717 1342.2 -11683
- area 1 152.798 1381.3 -11470
- exp 1 217.467 1445.9 -11147 Step: AIC=-12297.41
log(aveSalary) ~ R + SPSS + Excel + Python + MATLAB + Java +
SQL + SAS + Stata + Hadoop + area + compVar + academic +
exp Df Sum of Sq RSS AIC
- Stata 1 0.166 1228.7 -12298
- SPSS 1 0.256 1228.8 -12298
- MATLAB 1 0.297 1228.8 -12298
<none> 1228.5 -12297
- Java 1 0.606 1229.1 -12296
- SAS 1 0.761 1229.3 -12295
- R 1 0.888 1229.4 -12294
- Python 1 1.520 1230.0 -12291
- compVar 5 3.779 1232.3 -12286
- Hadoop 1 8.237 1236.8 -12252
- SQL 1 9.549 1238.1 -12245
- Excel 1 22.302 1250.8 -12172
- academic 6 113.684 1342.2 -11685
- area 1 153.022 1381.5 -11471
- exp 1 217.431 1445.9 -11149 Step: AIC=-12298.46
log(aveSalary) ~ R + SPSS + Excel + Python + MATLAB + Java +
SQL + SAS + Hadoop + area + compVar + academic + exp Df Sum of Sq RSS AIC
- SPSS 1 0.258 1228.9 -12299
<none> 1228.7 -12298
- MATLAB 1 0.405 1229.1 -12298
- Java 1 0.615 1229.3 -12297
- SAS 1 0.715 1229.4 -12296
- R 1 0.859 1229.5 -12296
- Python 1 1.504 1230.2 -12292
- compVar 5 3.781 1232.5 -12287
- Hadoop 1 8.212 1236.9 -12253
- SQL 1 9.817 1238.5 -12244
- Excel 1 22.319 1251.0 -12173
- academic 6 113.730 1342.4 -11686
- area 1 152.949 1381.6 -11472
- exp 1 217.584 1446.3 -11149 Step: AIC=-12298.97
log(aveSalary) ~ R + Excel + Python + MATLAB + Java + SQL + SAS +
Hadoop + area + compVar + academic + exp Df Sum of Sq RSS AIC
<none> 1228.9 -12299
- MATLAB 1 0.385 1229.3 -12299
- Java 1 0.587 1229.5 -12298
- R 1 1.003 1229.9 -12295
- Python 1 1.495 1230.4 -12292
- SAS 1 1.854 1230.8 -12290
- compVar 5 3.763 1232.7 -12287
- Hadoop 1 8.280 1237.2 -12254
- SQL 1 10.189 1239.1 -12243
- Excel 1 22.096 1251.0 -12175
- academic 6 114.599 1343.5 -11682
- area 1 153.067 1382.0 -11472
- exp 1 217.601 1446.5 -11150 Call:
lm(formula = log(aveSalary) ~ R + Excel + Python + MATLAB + Java +
SQL + SAS + Hadoop + area + compVar + academic + exp, data = dat1) Residuals:
Min 1Q Median 3Q Max
-1.72378 -0.28570 -0.04861 0.25334 2.14908 Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8.456762 0.017967 470.678 < 0.0000000000000002 ***
R 0.065522 0.027340 2.397 0.016576 *
Excel -0.143574 0.012763 -11.249 < 0.0000000000000002 ***
Python 0.085599 0.029258 2.926 0.003448 **
MATLAB -0.056898 0.038301 -1.486 0.137439
Java 0.058288 0.031793 1.833 0.066791 .
SQL 0.145021 0.018985 7.639 0.0000000000000248 ***
SAS 0.078317 0.024033 3.259 0.001125 **
Hadoop 0.229420 0.033317 6.886 0.0000000000062357 ***
area 0.394826 0.013335 29.607 < 0.0000000000000002 ***
compVar创业公司 0.082482 0.044609 1.849 0.064501 .
compVar国企 -0.026972 0.027142 -0.994 0.320391
compVar合资 0.056369 0.016646 3.386 0.000712 ***
compVar上市公司 0.058643 0.022498 2.607 0.009165 **
compVar外资 0.005431 0.016148 0.336 0.736654
academic中专 -0.227767 0.036399 -6.257 0.0000000004143217 ***
academic高中 -0.248540 0.042443 -5.856 0.0000000049575319 ***
academic大专 -0.149227 0.016084 -9.278 < 0.0000000000000002 ***
academic本科 0.108561 0.016581 6.547 0.0000000000627649 ***
academic硕士 0.269012 0.036317 7.407 0.0000000000001438 ***
academic博士 0.807996 0.127023 6.361 0.0000000002129521 ***
exp 0.099921 0.002831 35.301 < 0.0000000000000002 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.4179 on 7038 degrees of freedom
Multiple R-squared: 0.3778, Adjusted R-squared: 0.3759
F-statistic: 203.5 on 21 and 7038 DF, p-value: < 0.00000000000000022
5、模型预测
有3个求职者特点如下，预测其薪资。
1）会用r和python，本科毕业，无工作经验，公司位于上海，规模87人，上市公司。
2）会用r，java，sas和python，博士毕业，7年工作经验，公司位于北京，中小型公司（规模150-500人），创业公司。
3）没有学历、微弱的国企工作经验、不会任何统计软件。
new_data1 = matrix(c(1,0,0,1,0,0,0,0,0,0,0,0,1,"上市公司","50-500人","本科",0),1,17)
new_data2 = matrix(c(1,0,0,1,0,1,0,1,0,0,0,0,1,"创业公司","50-500人","博士",7),1,17)
new_data3 = matrix(c(0,0,0,0,0,0,0,0,0,0,0,0,0,"国企","少于50人","无",0),1,17) new_data1 = as.data.frame(new_data1)
new_data2 = as.data.frame(new_data2)
new_data3 = as.data.frame(new_data3) colnames(new_data1) = names(dat0)[2:18]
colnames(new_data2) = names(dat0)[2:18]
colnames(new_data3) = names(dat0)[2:18] for (j in 1:13) {
new_data1[,j] = as.numeric(as.character(new_data1[,j]))
new_data2[,j] = as.numeric(as.character(new_data2[,j]))
new_data3[,j] = as.numeric(as.character(new_data3[,j]))
}
new_data1$exp = as.numeric(as.character(new_data1$exp))
new_data2$exp = as.numeric(as.character(new_data2$exp))
new_data3$exp = as.numeric(as.character(new_data2$exp)) # 预测
exp(predict(lm0,new_data1))
exp(predict(lm0,new_data2))
exp(predict(lm0,new_data3))
实现预测Salary值：
R分析实现对招聘网站薪资预测分析的更多相关文章
- 利用预测分析改进欠款催收策略，控制欺诈风险和信贷风险—— Altair Knowledge Studio 预测分析和机器学习
前提摘要 在数字经济新时代,金融服务主管正在寻求方法去细分他们的产品和市场,保持与客户的联系,寻找能够推动增长和收入的新市场,并利用可以增加优势和降低风险的新技术. 在拥有了众多可用数据之后,金融机构 ...
- 预测分析建模 Python与R语言实现
预测分析建模 Python与R语言实现 目录 前言 第1章 分析与数据科学1第2章 广告与促销10第3章 偏好与选择24第4章 购物篮分析31第5章 经济数据分析42第6章 运营管理56第7章 文本分 ...
- 时间序列 预测分析 R语言
在对短期数据的预测分析中,我们经常用到时间序列中的指数平滑做数据预测,然后根据不同. 下面我们来看下具体的过程 x<-data.frame(rq=seq(as.Date('2016-11-15' ...
- Python爬取招聘网站数据，给学习、求职一点参考
1.项目背景 随着科技的飞速发展,数据呈现爆发式的增长,任何人都摆脱不了与数据打交道,社会对于“数据”方面的人才需求也在不断增大.因此了解当下企业究竟需要招聘什么样的人才?需要什么样的技能?不管是对于 ...
- 通过winform+模拟登录实现快速一键登录到人才招聘网站
之前为了便于人事部门招聘登录网站更简洁高效,免去每天频繁输网址.用户名.密码等相关登录信息,特基于winform+HttpWebRequest实现模拟请求登录,最终达到一键登录到招聘网站后台的效果. ...
- Python爬虫某招聘网站的岗位信息
前言 文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者:阿尔法游戏 PS:如有需要Python学习资料的小伙伴可以加点击下方链 ...
- 利用python实现爬虫爬取某招聘网站，北京地区岗位名称包含某关键字的所有岗位平均月薪
#通过输入的关键字,爬取北京地区某岗位的平均月薪 # -*- coding: utf-8 -*- import re import requests import time import lxml.h ...
- 爬了招聘网站之后，总结Python学习的几点建议
来源商业新知网,原标题::爬了招聘网站之后,给你几点学习Python的建议 Python语言相关的岗位非常多,有运维,有自动化测试,有后端开发,有机器学习,如果想要快速上手,并且有不错的就业,那就推荐 ...
- hadoop实例-网站用户行为分析
一.数据集 网站用户购物行为数据集2030万条,包括raw_user.csv(2000万条)和small_user.csv(30万条,适合新手) 字段说明: user_id 用户编号,item_id ...
随机推荐
- 循环语句（while语句和do...while语句）
1.while语句:如果条件成立,就继续循环,直到条件不成立为止.格式如下: while (条件) { 循环体(语句或语句块) } 2.do…while语句:如果条件成立, ...
- Netcat - 网络工具中的瑞士军刀
nc的一些小应用,慢更新.... 1.一个简单的聊天工具,Client1和Client2之间,Client1安装了nc,监听8888端口,Client2用telnet Client1的8888端口即可 ...
- 第1节 Scala基础语法：9、10、数组
1. 定义数组时,没有new和有new是有区别的: scala> val arr3 = Array[Int](2) 此时,arr3中仅包含1个元素2arr3: Array[Int] = A ...
- MCM（矩阵链乘法）
这是<算法导论>动态规划中的一个问题.问题简述如下:我们在求解矩阵相乘时通常会有一个最优括号方案来对矩阵进行顺序相乘,这样会减少大量的计算时间. 我们知道矩阵A.B相乘,只能是当矩阵A的列 ...
- 说说maven依赖冲突，依赖调解，依赖传递和依赖范围
说maven依赖冲突之前需要先说说maven的 依赖传递. 依赖传递 当前项目引入了一个依赖,该依赖的依赖也会被引入项目.更加准确的说法是,maven会解析直接依赖的POM,将那些必要的间接依赖,以传 ...
- Windows XP 常用DOS命令
winver 检查Windows版本 wmimgmt.msc 打开windows管理体系结构(WMI) wupdmgr windows更新程序 wscript windows脚本宿主设置 writ ...
- node指针
- 【快学springboot】9.使用 @Transactional 注解配置事务管理
介绍 springboot对数据库事务的使用非常的方便,只需要在方法上添加@Transactional注解即可.Spring 为事务管理提供了丰富的功能支持.Spring 事务管理分为编程式和声明式的 ...
- 微信小程序中，如何实现显示，隐藏密码的功能
最近在搞小程序的开发,遇到隐藏,显示密码的功能的时候,电脑上调试没问题,但是手机上面点击却没有效果,必须要跳转到其他页面再跳回来,才能正常显示. 一时间搞得我很头疼,查找资料后,终于知道了是什么原因. ...
- Unnatural
1. 纪录片:非自然选择 1.1 CRISPR-Cas9的出现 1.2 故事1:先天性基因缺陷而失明的小孩 1.3 故事2:基因变异的蚊子 1.4 基因技术应用的现状 1.5 担忧 2. CRISPR ...