精华内容
下载资源
问答
  • 3.库存管理(摆放);4.促销页面设计;5.捆绑销售;6.内容推荐 相关概念 支持度:物品或物品组合,所有数据出现概率(计算物品A概率) [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接...

    apriori:算法(无监督学习)

    • 应用场景:

      • 1.啤酒、尿不湿;2.大量数据中(购物小票)找到经常在一起出现的物品组合
      • 3.库存管理(摆放);4.促销页面设计;5.捆绑销售;6.内容推荐
    • 相关概念

      • 1.支持度support:物品或物品组合,在所有数据中出现的概率

        • 公式:计算同时购买AB的支持度:support(A&B) = 同时购买AB的订单数量/总的订单数量=n(A&B)/n
      • 2.置信度confidence:购买A的订单中同时购买了B的订单数量/购买A的订单数量,就称为A对B的置信度

        • 公式:confidence(A->B)=P(B|A)=P(B&A)/P(A)= (n(A&B)/n)/(n(A)/n)= n(A&B)/n(A)
        • 相当于条件概率的计算P(B|A)=同时出现AB的概率/出现A的概率
        • 注意:A对B的置信度,与B对A的置信度不是一个概念
      • 3.提升度lift:应用关联规则与不应用产生结果的比例;

        • 公式:lift(A->B)= 对购买A的人运用规则计算会去买B的数量比例 / 不考虑是否购买A计算购买B的数量比例 = confidence(A->B) / support(B) = P(B&A)/P(A) / P(B) = n(A&B)/n(A) / (n(B)/n) = n(A&B)*n/n(A)/n(B) (这就是A对B的提升度,从公式很快得出,A对B的提升度与B对A的提升度相等
        • 如果lift>1,说明关联规则有效果,但在实际运用中,我们认为提升度>3才算作值得认可的关联规则
        • 如果lift=1,说明没有任何意义,A与B相互独立,互不影响;
        • 如果lift<1,说明有反作用,买了A就不愿意买B;
    • 举例说明: 20个人,5个人买了面包+牛奶,3个人只买了面包,7个人只买了牛奶,还有5个人只买了鸡蛋

      • 同时购买 面包+牛奶 的支持度support = 5/20=0.25 >0.1(满足支持度阈值>0.1)
      • 购买面包 对 购买牛奶 的置信度confidence = 5/(5+3)=5/8 >0.5(满足置信度阈值>0.5)
      • 购买牛奶 对 购买面包 的置信度confidence = 5/(5+7)=5/12 <0.5(不满足置信度阈值>0.5)
      • 同时购买:面包+牛奶 的提升度lift = 5*20/((5+3)(5+7))=100/8/12>1
    • 补充说明:为什么在实际运用中,我们认为提升度>3才算作值得认可的关联规则

      • 当n中零事件由5变为35时,此时同时购买面包+牛奶 的支持度support = 5/49=0.102 >0.1(刚刚满足支持度阈值>0.1),此时计算提升度为:lift = 5*49/((5+3)(5+7))=245/8/12=2.55>1,有关联
      • 当n中零事件由5变为0时,此时同时购买面包+牛奶 的支持度support = 5/15=0.33 >0.1(满足支持度阈值>0.1),此时计算提升度为:lift = 5*15/((5+3)(5+7))=75/8/12=0.78<1,互斥
      • 结论:
        • 根据补充说明中的情况,在满足支持度>0.1的情况下,零事件数量的改变对提升度的影响,从0.78提升到了2.55,n中零事件越多,提升度的值越大
        • 所以,在实际运用中,我们一般定义支持度>0.1的情况下,认为提升度>3才算作值得认可的关联规则

    apriori原理

    • apriori原理:如果某个项集是频繁项集,那么它所有的子集也是频繁的。即如果 {0,1} 是频繁的,那么 {0}, {1} 也一定是频繁的;;这个原理直观上没有什么用,但是反过来看就有用了,该定理的逆反定理为 :如果一个项集是非频繁的,那么它的所有超集(包含该集合的集合)也是非频繁的;;Apriori原理的出现,可以在得知某些项集是非频繁之后,不需要计算该集合的超集,有效地避免项集数目的指数增长,从而在合理时间内计算出频繁项集。
    • 使用Apriori算法发现数据的(频繁项集、关联规则)
      • 频繁项集:经常出现在一块的物品的集合
      • 关联规则:暗示两种物品之间可能存在很强的关系
      • Apriori具体算法实现网上查,直接使用其接口即可Apriori
      • pip install akapriori
      • 使用: from akapriori import apriori
      • rules = apriori(order_records, support=0.1, confidence=0.5, lift=0,minlen=0, maxlen=5)
      • 返回 5个值:rules_all = pd.DataFrame(rules, columns=[‘item1’,‘item2’,‘support’,‘confidence’,‘lift’])

    代码实现

    import pandas as pd
    import apriori
    
    # 加载数据文件
    data = pd.read_csv('order_table.csv')
    
    # 转换成关联所用的记录模式
    order_ids = pd.unique(data['order_id'])  # 去重得到订单id
    # 将相同id的产品名称拼接到一个子列表中,再将这些id对应的子列表拼到一个列表中
    order_records = [data[data['order_id']==each_id]['product_name'].tolist() for each_id in 
                    order_ids]
    # 通过调用自定义的apriori做关联分析
    minS = 0.1 # 定义最小支持度阈值
    minC = 0.5 # 定义最小置信度阈值
    # 计算得到满足最小支持度的规则
    L, suppData = apriori.apriori(order_records, minSupport=minS)
    # 计算满足最小置信度的规则
    rules = apriori.generateRules(order_records, L, suppData, minConf=minC)
    # 关联结果报表评价
    # 展示数据集记录数和满足阈值定义的规则数量
    model_summary = 'data record: {1} \ nassociation rules count: {0}'
    print(model_summary.format(len(rules), len(order_records)), '\n','-'*60) # 使用str.format()输出
    # 创建频繁规则数据集
    rules_all = pd.DataFrame(rules, 
                             columns=['item1','item2','instance','support','confidence','lift'])
    rules_sort = rules_all.sort_values(['lift'], ascending=False)
    rules_sort.head(10)
    
    展开全文
  • SAP,有企业同时应用了MM物料管理模块和WM参考管理模块。这就导致某些操作需要做双重处理。比如物料移动,当一个物料MM模块从一个库存地点移动到另一个库存地点时,WM模块层面,需要做相同操作。否则...

    在SAP中,有的企业同时应用了MM物料管理模块和WM参考管理模块。这就导致某些操作需要做双重处理。比如物料移动,当一个物料在MM模块中从一个库存地点移动到另一个库存地点时,在WM模块层面,需要做相同的操作。否则,就会导致两个模块中物料库存数据的不一致。通常在系统设计阶段,外部顾问会在MM模块的物料移动执行后,自动调用WM模块的相关事务来引导用户做关联处理。但如果用户在执行完MM层面的物料移动后,取消了后续WM模块的移库操作,差异问题就会发生。

    本文讨论在出现类似问题时的争决方法:

    首先,仓库部门会通过相应库存查询事务发现差异,体现在MM中做库存查询和WM中库存查询出现的同一物料数量不一致。
    比如下图,先用MM模块事务MMBE查询某物料显示总库存和WM模块事务LS24查询出的库存数量不一致。
    在这里插入图片描述

    出现问题后,通过事务LX23来查询库存地点物料差异情况,输入出现差异的工厂和库存地点来查询。其差异结果如下图所示:
    在这里插入图片描述
    查询到结果后,退回到LX23界面,选择清除差异。请注意,建议上一步骤差异查询时先不要勾选清除差异。等查询结果确认后,再返回来做处理。通过LX23事务自动处理差异的原理是返回到产生差异前的情形。

    举例说明:假如在MM层面运行移库事务,将某物料做盘亏处理后,MM层面物料会减少。此时,没有做WM层面的处理,那么WM层面的库存并不会相应减少。所以MM和WM的差异就产生了。发现问题后,用LX23做自动清除差异处理时,系统就会自分理处冲销掉MM层面的盘亏调整凭证。回来处理前的状态。这样,MM层面的库存就回来了。差异就没有了。
    在这里插入图片描述

    展开全文
  • 关联规则-Apriori算法

    2018-04-17 19:21:00
    关联分析:用于发现隐藏大型数据集中有意义联系,所发现联系可用关联规则或频繁项集形式表示。 应用领域:购物篮数据/科学数据分析/网页挖掘 本节讨论购物篮数据。 许多商业企业运营积累了大量...

    关联规则

    关联分析:用于发现隐藏在大型数据集中的有意义的联系,所发现的联系可用关联规则或频繁项集的形式表示。

    应用领域:购物篮数据/科学数据分析/网页挖掘

    本节讨论购物篮数据。

    许多商业企业在运营中积累了大量的数据,如食品商店的收银台每天都收集大量的顾客购物数据,如表1所示,通常称为购物篮事务,每行对应一个唯一表示TID和给定顾客购买的商品集合,分析这些数据的关系可以用于市场促销,库存管理和客户关系管理等。

    对购物篮数据进行关联分析面对的问题:

    1) 从大型事务数据集中发现模型在计算上可能付出的高代价(挖掘算法

    2) 所发现的模式可能存在虚假(评估问题

    一、基本定义

    1二元表示

    原表1购物篮事务的二元表示如表2

     2)项集:记为购物篮数据中所有项的集合,为所有事务的集合。包含0或多个项的集合称为项集,一个TID对应一个事务,事务包含的项集为I的子集;例如:表1TID=2对应第二个事务{面包,尿布,啤酒,鸡蛋},包含项集{面包,尿布},不包含项集{面包,牛奶}

    3)事务的宽度:事务中出现项的个数,如第2个事务的宽度为4 

    4)支持度数:包含特定项集的事务个数,项集X的支持度数可表示为:

     

    如项集{啤酒,尿布,牛奶}的支持度数为2

    5)关联规则:形如X->Y的表达式,且X∩Y=Ø。关联规则的强度可以用支持度support)和置信度confidence)度量。

       支持度(sXY同时出现的事务在T中的比例,确定规则可以用于给定数据集的频繁程度;

          置信度(c):XY同时出现的事务在X出现的事务中的比例,衡量Y在包含X的事务中出现的频繁程度:

    注:由关联规则作出的推论并不必然蕴涵因果关系。

    2)关联规则发现:给定事务的集合T,关联规则发现是指找出支持度大于等于minsup且置信度大于等于minconf的所有规则。

    注:从包含d个项的数据集提取的可能规则的总数为:

    推到如下:设左边项有k个,则右边项有d-k:

    由于原始方法挖掘规则的计算成本很高,因此,大多数关联规则挖掘算法通常采用的一种策略是,将挖掘任务分解为如下两个子任务:

    ① 频繁项集产生:发现满足minsup的所有项集(频繁项集)。

    ② 规则的产生:从上一步发现的频繁项集中提取所有高置信度的规则(强规则)。

     

    一、频繁项集的产生

    1. Apriori算法

    Apriori(先验)原理:如果某个项集是频繁的那么它的所有子集也是频繁的。

    相反,若一个项集是非频繁的,则它的所有超集也是非频繁的,则整个包含非频繁集的超集的集合可以被立即剪枝,这种策略称为基于支持度的剪枝。

    Apriori算法流程

    1) 单编扫描数据集,确定每项的支持度,得到所有频繁1-项集;

    2) 使用上一次迭代发现的频繁(k-1-项集,产生新的候选k-项集,候选的产生使用apriori-gen函数实现。

    3) 对候选项的支持度进行计数;

    4) 删去支持度计数小于minsup的候选项集;

    5)当没有新的频繁项集产生,结束。

    候选产生过程: 

    1) 蛮力方法

    将所有的k-项集都看作可能的候选,再进行剪枝。设d为项的总数,则每一层产生k-项集的数目为总复杂度为

    2) 方法

    用其他频繁项来扩展每个频繁(k-1-项集,产生个候选k-项集,总复杂度为.

    3方法

     函数apriori-gen的候选产生过程合并一对频繁(k-1-项集,仅当它们的k-2个项都相同。

     例:{面包,尿布}+{面包,牛奶}={面包,尿布,牛奶}

     注:算法不合并{啤酒,尿布}{尿布,牛奶},因为它们的第一个项不同,这种使用字典序的方法是为了避免重复。

    支持度计数:

    1)法一:将事务与所有的候选项集进行比较,并且更新包含在事务中的候选项集的支持度计数,此方法在当事务和候选项集的数目都很大时计算成本很高。

    2)法二:枚举每个事务所包含的项集,利用它们更新对应的候选项集的支持度。

    如下为事务t获得3-项集的方法:假定每个项集中的项都以递增的字典序排列,则项集可以这样枚举:先指定最小项,其后跟随较大的项。例如,给定事务{1 2 3 5 6},它的所有3-项集一定是以项123开始,不必构造以56开始的3-项集。

     

    枚举完候选项集后,还必须确定每一个3-项集是否对应一个候选项集,若它与一个候选匹配,则相应候选项集的支持度计数增值,下边利用hash来进行匹配操作:

    Apriori算法中,候选项集划分为不同的桶,并存放在Hash树中,在支持度计数期间,包含在事务中的项集也按照相同方式散列到相应的桶中,此法中只需将事务中的每个项集与同一桶内候选项集进行匹配,而不必和所有候选项集进行比较,这就是Hash树的优势。

    Hash树建立https://blog.csdn.net/owengbs/article/details/7626009

    假设构建一棵Hash树,树的每个内部结点都使用hash函数h(p)=p mod 3来确定应当沿着当前结点的哪个分支向下,且每个叶子节点最多含有三个项集,如果插入某一节点的项多余3项,需要进行分裂操作,把原来的3项集和新的项集以第2项做hash,映射到新的叶节点,此例待插入的项共有15个。

    • 候选项集的Hash树建立:

     

    • 事务的Hash树建立:

     

     

    • 匹配更新支持度数:

     

     

    规则的产生:

    • 提取方法

    将项集Y划分为两个非空子集XY-X,使得X->Y-X满足置信度阈值。

    注:这样的规则必然已经满足支持度阈值(由频繁项集产生),且计算规则的置信度不需要再次扫描事务数据集(项集的支持度计数已在频繁项集产生时得到)。

    • 基于置信度的剪枝

    定理:若规则X->Y-X不满足置信度阈值,则形如的规则一定也不满足置信度阈值,其中

    • Apriori规则的产生

    Apriori算法使用一种逐层方法来产生关联规则,其中每层对应于规则后件中的项数,初始提取规则后件只含一个项的所有高置信度规则,然后使用这些规则来产生新的候选规则。下图显示由{abcd}产生关联规则的格结构。

     

    2、FP增长算法

    1)FP树表示

    FP树是一种输入数据的压缩表示,它通过逐个读入事务,并把每个事务映射到FP树中的一条路径来构造,对于不同事务中相同的项,它们的前缀路径相同。路径相互重叠越多,使用FP树结构获得的压缩效果越好。

    2)构建FP树:

    初始,FP树仅含一个根节点,用null表示,随后:

    ① 扫描一次数据集(第一次扫描),确定每个项的支持度数,找出频繁1-项集,将含非频繁1-项集的事务去掉。

    ② 扫面一次数据集(最后一次扫描),把剩下的事务逐个按照支持度先进行排序再依次插入到FP树中(为了共用前缀)。

    ③ 建立同项的链表并创建header-table

    例:有如下购物篮数据:

    假设minsup=3,以此建立一棵FP树。

    计算每个项的支持度计数:

    删去非频繁1-项集:爆米花,黄油,按支持度计数大小降序将事务排列如下:

    建立FP树如下:

    注:FP树的大小取决于项的排序方式,如果颠倒前面例子的序,即升序,则树会更加茂盛。

     

    1)频繁项集产生

    ① FP树的最下面的项开始,构造每个项的条件模式基(CPB):该项到根节点之间的FP子树(利用链表可快速查找路径)。

    ② 对每个CPB,将所有的祖先节点计数设置为叶子节点的计数,累加每条CPB的支持度计数,去掉不符合minsup的项,构建条件FP树。

    ③ 递归挖掘每个条件FP树,累加后缀频繁项集,直到FP树为空或FP树只有一条路径。

    接上例:

    寻找啤酒的频繁项集

    啤酒的CPB{薯片:1,鸡蛋:1,面包:1,牛奶:1}

                          {薯片:1,鸡蛋:1}

                          {面包:1,牛奶:1}

                          {鸡蛋:1,面包:1}

     去掉不满足支持度计数的薯片,牛奶,构建条件FP树:

    以啤酒结尾的频繁项集:{啤酒:3}{面包:3,啤酒:3}{鸡蛋:3,啤酒:3}

    以面包,啤酒结尾的频繁项集:{鸡蛋:2,面包:2,啤酒:2}不符合minsup

    以鸡蛋,啤酒结尾的频繁项集:{null,鸡蛋:3,啤酒:3},终止。

    得到啤酒的频繁项集:{啤酒}{面包,啤酒}{鸡蛋,啤酒}

    寻找牛奶的频繁项集

    三、关联规则的评估

    1、支持度-置信度框架的局限性

    支持度的缺点:许多潜在的有意义的模式由于包含支持度小的项而被删去,比如很少人购买珠宝,但关于它的关联规则可能是商家所关心的。

    置信度的缺点:高置信度并不代表规则是有意义的,往往是因为忽略了后件的支持度数。

    常用评判准则

    • 提升度(lift):

    对于二元变量,上式等价于如下兴趣因子:

    结果可解释如下:

     

    •  IS度量

    IS用于处理非对称二元变量,定义如下:

    当兴趣因子和支持度都很大时,IS也很大。另,可证明IS等价于二元变量的余弦度量:

    IS也可以表示为从一对二元变量中提取出的关联规则的置信度的几何均值:

    由于两个数的几何均值总是接近较小的数,所以只要规则A->BB->A中的一个具有较低大的置信度,项集{A,B}IS值就较低。

     

     

     

     

     

     

     

     

     

     

     

    ---恢复内容结束---

    转载于:https://www.cnblogs.com/liuqing910/p/8868782.html

    展开全文
  • 全渠道零售,即所有线上和线下渠道整合营销、客户关系管理,以及库存管理的崛起产生了大量的关联数据,大大增强了数据驱动型决策重要性和能力。尽管已经有许多关于数据挖掘营销和客户关系管理方面书,如[BE...
  • vc++ 应用源码包_1

    热门讨论 2012-09-15 14:22:12
    DOM应用---遍历网页中的元素 dshowplayer 媒体播放器的实现,实现了VMR7、VMR9、EVR方式。 DSoundManager 实现了声音管理。 Excel文件的导入和导出操作 主要的实现CMyExcel类中。 expclass_src dll库的演示。 ...
  • vc++ 应用源码包_2

    热门讨论 2012-09-15 14:27:40
    DOM应用---遍历网页中的元素 dshowplayer 媒体播放器的实现,实现了VMR7、VMR9、EVR方式。 DSoundManager 实现了声音管理。 Excel文件的导入和导出操作 主要的实现CMyExcel类中。 expclass_src dll库的演示。 ...
  • vc++ 应用源码包_6

    热门讨论 2012-09-15 14:59:46
    DOM应用---遍历网页中的元素 dshowplayer 媒体播放器的实现,实现了VMR7、VMR9、EVR方式。 DSoundManager 实现了声音管理。 Excel文件的导入和导出操作 主要的实现CMyExcel类中。 expclass_src dll库的演示。 ...
  • vc++ 应用源码包_5

    热门讨论 2012-09-15 14:45:16
    DOM应用---遍历网页中的元素 dshowplayer 媒体播放器的实现,实现了VMR7、VMR9、EVR方式。 DSoundManager 实现了声音管理。 Excel文件的导入和导出操作 主要的实现CMyExcel类中。 expclass_src dll库的演示。 ...
  • vc++ 应用源码包_4

    热门讨论 2012-09-15 14:38:35
    DOM应用---遍历网页中的元素 dshowplayer 媒体播放器的实现,实现了VMR7、VMR9、EVR方式。 DSoundManager 实现了声音管理。 Excel文件的导入和导出操作 主要的实现CMyExcel类中。 expclass_src dll库的演示。 ...
  • vc++ 应用源码包_3

    热门讨论 2012-09-15 14:33:15
    DOM应用---遍历网页中的元素 dshowplayer 媒体播放器的实现,实现了VMR7、VMR9、EVR方式。 DSoundManager 实现了声音管理。 Excel文件的导入和导出操作 主要的实现CMyExcel类中。 expclass_src dll库的演示。 ...
  • 融合先进管理模式与业务模型的中小饲料企业ERP,采购管理、库存管理、销售管理、生产管理、成本核算等多项功能俱全,具备全面应用、完整协同、敏捷制造、卓越模式四大显著领先优势管理平台。 系统核心特点 行业...
  • 使成本等各项业务都处在预控中,当实际超出目标时,埋软件中的预警机制会提醒管理者要及时采取措施进行改进。 2.成就实时企业 您可以对企业各项业务,如成本、工程款的回收、外欠款、合同签订及履行、施工进度等...
  • 文章管理系统:对文章详细内容、所属栏目、访问量、评论、分享操作、底部菜单、关联文章等进行管理。 预约报名:报名设预约报名期,期限内预约用户进行报名。预约报名期内,用户通过填写和提交个人信息方式...
  • 千里马酒店前台管理系统V7使用手册

    热门讨论 2011-06-16 14:09:38
    同时也借鉴了国内外先进软件功能特性,吸取了几百家酒店客户反馈意见,保持千里马传统“以财务为核心、前后台一体化”基础上,进一步吸收了收益管理、客户关系管理、营销分析、决策支持等先进管理思想,...
  • 生成的表单后,系统管理员还可以对表单进行编辑管理以实现企业的业务要求,其中,还允许开发人员表单上编写编写脚本,以实现更复杂的应用。 表单上支持系统中的大量组件,如角色选择,用户选择,角色选择,在线...
  • 实例038 设置窗体屏幕中的位置 40 实例039 始终最上面的窗体 41 实例040 从桌面右下角显示的窗体 41 1.12 设置窗体大小 43 实例041 获取桌面大小 43 实例042 窗口间移动按钮 44 实例043 如何实现...
  • 实例076 TreeView控件数据库中的应用 96 实例077 带复选框的树状菜单 98 2.9 其他控件典型应用 100 实例078 TrackBar的简单应用 100 实例079 SplitContainer的应用 102 实例080 MaskedTextBox控件的...
  • 实例172 事务插入多表学生信息数据中的应用 实例173 添加多条供求信息数据中设置事务的保存点 实例174 存储过程级别事务会员基本信息注册中的应用 6.2 新型事务:System.Transactions事务性编程模型 实例...
  • <p><em>以电商中的订单和商品两个领域举例,按照DDD拆解,他们应该是两个独立的限界上下文,但是订单中肯定是包含商品的,如果贸然拆为两个BC,查询、调用关系就耦合一起了,...
  • 1.3 鼠标操作实际中的应用 实例015 隐藏和显示鼠标 实例016 鼠标双击窗体时模拟键盘tab键操作 实例017 使用鼠标拖放复制文本 实例018 利用鼠标绘图 实例019 模拟鼠标操作 实例020 实现鼠标穿透窗体 第2章 键盘操作...
  • eas供应链dep案例集

    2017-11-18 22:32:39
    新增及调整字段 EASSCMA1P0001 采购入库单增加项目字段 希望能实现项目采购,需要采购入库单中加入项目字段,调用辅助资料中的“项目”基础资料; "1、 采购入库单增加“采购项目”字段; 2、 配置“采购项目”取...
  • 实例038 设置窗体屏幕中的位置 40 实例039 始终最上面的窗体 41 实例040 从桌面右下角显示的窗体 41 1.12 设置窗体大小 43 实例041 获取桌面大小 43 实例042 窗口间移动按钮 44 实例043 如何实现Office助手 45...
  • 客户关系管理中,设立了客户案例、产品案例、产品销售分析、客户销售分析;多角度提供客户、供应商、产品及竞争对手信息,掌握客户经营动态;帮助用户依靠正确渠道、正确时间、正确内容,轻松建立良好客户...
  • C#程序开发范例宝典(第2版).part02

    热门讨论 2012-11-12 07:55:11
    实例038 设置窗体屏幕中的位置 40 实例039 始终最上面的窗体 41 实例040 从桌面右下角显示的窗体 41 1.12 设置窗体大小 43 实例041 获取桌面大小 43 实例042 窗口间移动按钮 44 实例043 如何实现Office...
  • C#程序开发范例宝典(第2版).part13

    热门讨论 2012-11-12 20:17:14
    实例038 设置窗体屏幕中的位置 40 实例039 始终最上面的窗体 41 实例040 从桌面右下角显示的窗体 41 1.12 设置窗体大小 43 实例041 获取桌面大小 43 实例042 窗口间移动按钮 44 实例043 如何实现Office...
  • 实例038 设置窗体屏幕中的位置 40 实例039 始终最上面的窗体 41 实例040 从桌面右下角显示的窗体 41 1.12 设置窗体大小 43 实例041 获取桌面大小 43 实例042 窗口间移动按钮 44 实例043 如何实现Office...
  • 实例038 设置窗体屏幕中的位置 40 实例039 始终最上面的窗体 41 实例040 从桌面右下角显示的窗体 41 1.12 设置窗体大小 43 实例041 获取桌面大小 43 实例042 窗口间移动按钮 44 实例043 如何实现Office...
  • 管理经济学是经济学的理论和方法企业管理实践中的应用。更具体地说,管理经济学利用了经济分工具和技术去分析和解决企业的各种经营管理问题。从某种意义上来讲管理经济学,如图211所示,传统经济学与经营...
  • 1.10.2 库存管理模块技术分析 46 1.10.3 价格调整实现过程 46 1.10.4 单元测试 48 1.11 系统打包发布 49 1.12 开发技巧与难点分析 51 1.13 使用PowerDesigner逆向生成数据库 E-R图 52 1.14 本章总结 54 第2章 企业...
  • 实例077 TTreeView组件数据库中的应用 92 2.7 TStringGrid控件应用典型实例 94 实例078 程序运行时对TStringGrid中的数据进行计算 94 实例079 利用TStringGrid实现表单式批量录入数据 96 实例080 ...

空空如也

空空如也

1 2 3
收藏数 51
精华内容 20
关键字:

关联分析在库存管理中的应用