洛临洛

项目一：CABO 多人卡牌游戏——全栈独立开发💡 技术栈：Python, Pygame, WebSocket, asyncio, 有限状态机 (FSM), AI 决策树, PyInstaller项目描述：一款基于局域网的多人策略记忆卡牌游戏。项目采用集中式服务端与轻量化图形客户端经典架构 。服务端基于 asyncio 和 websockets 实现高并发连接管理 ；客户端基于 Pygame 从零构建图形渲染引擎与多层交互管线 。两端通过自研的 JSON over WebSocket 协议进行实时双向通信 。 核心工作与交付成果：系统设计：独立设计并编写包含 10+ 种状态转换的集中式游戏有限状态机（FSM），严密覆盖复杂回合逻辑 ；引入 Phase 守卫机制，彻底根治了洗牌并发路径下的双重计分漏洞 。 网络编程：自研基于 JSON over WebSocket 的轻量化通信协议，定义 30+ 种消息类型 ；设计全网操作日志与卡牌动画同步机制，实现低延迟的实时对局 。 算法逻辑：基于规则决策树构建完整的 AI 自动决策链 ；引入信息可见性约束，完美模拟真实玩家的不完全信息博弈 。 工程效能：建立图片缩放缓存池以优化 CPU 占用 ；编写 Bot 自动对战脚本替代人工，实现全链路自动化边界测试 ；通过 PyInstaller 资源嵌入，打包分发 ~35MB 零依赖的单文件 EXE 绿色程序 。 项目二：基于电商平台千万级数据的用户行为特征分析💡 技术栈：Python, Pandas, NumPy, Streamlit, ETL, MySQL, SQLAlchemy, 漏斗模型项目描述：针对电商平台千万级海量用户行为数据（PV、加购、收藏、购买）进行全链路业务洞察与特征分析 。项目聚焦于解决大规模数据场景下的单机算力瓶颈 ，通过 Python 实现了超大文件的流式分块清洗与高效 ETL 入库 。 核心工作与交付成果：数据工程能力：针对千万级数据带来的 16G 内存溢出（OOM）瓶颈，采用 Pandas chunksize 技术实现超大文件流式清洗与去重 ；利用 SQLAlchemy 构建自动化管道，保障海量数据高效落库 。 业务分析能力：搭建基于行为路径（PV → 收藏/加购 → 购买）的转化漏斗模型，精准定位“加购后流失率达 85%”的业务痛点 ，并针对性输出购物车倒计时与精准 Push 召回方案 。 数据驱动增长：运用高频时间序列聚合分析，锁定每日 19:00 - 22:00 的用户活跃黄金高峰 ；为运营端输出在 18:30 启动限时秒杀以精准拦截流量的错峰营销策略 。 精准营销：编写高性能 SQL 脚本，实现千万级大盘数据的多维指标统计 ；通过多表关联高效圈选高频复购人群，为平台分层运营与 VIP 召回提供精准的数据资产 。