中文亚洲精品无码_熟女乱子伦免费_人人超碰人人爱国产_亚洲熟妇女综合网

當前位置: 首頁 > news >正文

在哪里自己建設(shè)網(wǎng)站杭州網(wǎng)站建設(shè)方案優(yōu)化

在哪里自己建設(shè)網(wǎng)站,杭州網(wǎng)站建設(shè)方案優(yōu)化,做網(wǎng)站用什么程序好,用html寫一個個人介紹Python 數(shù)據(jù)分析與挖掘(數(shù)據(jù)探索) 數(shù)據(jù)探索 1.1 需要掌握的工具(庫) 1.1.1 Nump庫 Numpy 提供多維數(shù)組對象和各種派生對象(類矩陣),利用應用程序接口可以實現(xiàn)大量且繁瑣的數(shù)據(jù)運算。可以構(gòu)建…

Python 數(shù)據(jù)分析與挖掘(數(shù)據(jù)探索)

數(shù)據(jù)探索

1.1 需要掌握的工具(庫)

1.1.1 Nump庫

  1. Numpy 提供多維數(shù)組對象和各種派生對象(類矩陣),利用應用程序接口可以實現(xiàn)大量且繁瑣的數(shù)據(jù)運算??梢詷?gòu)建多維數(shù)組;提供含有大量對數(shù)組數(shù)據(jù)進行快速運算的數(shù)學函數(shù);提供線性代數(shù)運算函數(shù);提供隨機數(shù)生成等功能;提供統(tǒng)計計算功能。
  2. ndarray多維數(shù)組
    創(chuàng)建ndarray數(shù)組
    使用numpy的array()函數(shù)創(chuàng)建
    語法:numpy.array(object,dtype)
    作用:返回滿足要求的數(shù)組對象。
    說明:
    object:指定生成數(shù)組的數(shù)據(jù)序列,可以是列表、元組。
    dtype: 數(shù)據(jù)類型,指定數(shù)據(jù)元素的數(shù)據(jù)類型 。

1.1.2 Pandas庫

  1. pandas 提供類似sql的操作(表類似類矩陣),比如增刪改查,可以靈活處理缺失值,提供高性能的矩陣運算。
  2. Pandas 來源于pandas庫中的三種主要數(shù)據(jù)結(jié)構(gòu): Panel, DataFrame, Series。
    (1)Series,帶標簽的一維數(shù)組;
    Series 是一個一維的帶有標簽的數(shù)組,這個數(shù)據(jù)可以由任何類型數(shù)據(jù)構(gòu)成,包括整型、浮點、字符、Python 對象等。軸標簽被稱為「索引」,是 Pandas 最基礎(chǔ)的數(shù)據(jù)結(jié)構(gòu)。
    基本創(chuàng)建方式如下:
    s = pd.Series(data, index=index)
    其中:
    data 可以是 python 對象、numpy 的 ndarray 、一個標量(定值,如 8)
    index 索引是軸上的一個列表,必須和 data 的長度相同,如果沒有指定則自動從 0 開始,[0, …, len(data) - 1]
    (2)DataFrame,帶標簽且大小可變的二維表格結(jié)構(gòu);
    DataFrame 是 Pandas 定義的一個二維數(shù)據(jù)結(jié)構(gòu)。橫向的稱作行(row),一行縱向的稱作列(column)。
    第一行是表頭,或者可叫字段名,類型 Python 字典里的 key,代碼數(shù)據(jù)的屬性。
    第一列是索引(index),就是這行數(shù)據(jù)所描述的主體,也是這條數(shù)據(jù)的關(guān)鍵,
    表頭和索引在一些場景下也有稱列索引和行索引。
    df.loc[ ]只能使用標簽索引,不能使用整數(shù)索引,通過便簽索引切邊進行篩選時,前閉后閉。
    df.iloc[]只能使用整數(shù)索引,不能使用標簽索引,通過整數(shù)索引切邊進行篩選時,前閉后開。

    (3)Panel,帶標簽且大小可變的三維數(shù)組。
    Pandas 官方中文文檔 https://www.pypandas.cn
    蓋若 https://www.gairuo.com/p/pandas
    在這里插入圖片描述

1.1.3 Matplotlib庫(實現(xiàn)可視化)

  1. 創(chuàng)建畫布與創(chuàng)建子圖
    構(gòu)建出一張空白的畫布,并可以選擇是否將整個畫布劃分為多個部分,以便于在同一幅圖上繪制多個圖形
    當只需要繪制一幅簡單圖形時,創(chuàng)建子圖這部分內(nèi)容可以省略。
    在pyplot模塊中創(chuàng)建畫布,創(chuàng)建并選中子圖的函數(shù)如表所示。
    在這里插入圖片描述
  2. 添加畫布內(nèi)容
    添加畫布內(nèi)容是繪圖的主體部分,其中添加標題、坐標軸名稱、繪制圖形等步驟是并列的,沒有先后順序,讀者可以先繪制圖形,也可以先添加各類標簽。圖例只有在繪制圖形之后才可進行添加。
  3. 在pyplot模塊中添加各類標簽和圖例的函數(shù)如表所示。

1.2 數(shù)據(jù)校驗

數(shù)據(jù)校驗可以檢查出原始數(shù)據(jù)中是否存在噪聲數(shù)據(jù),從而對出現(xiàn)的噪聲數(shù)據(jù)采取相應的解決措施。
噪聲數(shù)據(jù)是指數(shù)據(jù)中存在著錯誤或異常,偏離期望值的數(shù)據(jù)。
數(shù)據(jù)校驗類型包括:一致性檢驗、缺失值校驗、異常值校驗。

1.2.1 一致性校驗

(1)時間校驗
范圍不一致,統(tǒng)計區(qū)間不同
粒度不一致,采集頻率不同
格式不一致,大多來自不同系統(tǒng)
(2)字段信息校驗
收集收集過程中,出現(xiàn)重復收集數(shù)據(jù)或重復寫入數(shù)據(jù),導致數(shù)據(jù)冗余。
由于存在重復值,可能存在以下3種情況
同名異義:名稱相同,含義不一致
異名同義:名稱不同,代表的含義一樣
單位不一致:如A系統(tǒng)的單位元,B系統(tǒng)萬元

1.2.2 缺失值

在這里插入圖片描述
(1)簡單統(tǒng)計分析
統(tǒng)計缺失值的屬性個數(shù)以及每個屬性的未缺失數(shù)、缺失數(shù)、缺失率
panadas 函數(shù):info、describe、isnull().sum()、isnull().any()
(2)缺失值處理
刪除、插補、不處理

1.2.2 異常值校驗

  1. (1)目的:是檢驗數(shù)據(jù)是否有錄入錯誤以及含有不合常理的數(shù)據(jù)。
    (2)概念:異常值是指樣本中的個別值,其數(shù)值明顯偏離其余的觀測值。異常值也稱為離群點,異常值的分析也稱為離群點的分析。
    (3)異常值分析方法主要有:簡單統(tǒng)計量分析、3σ原則、箱型圖分析。
  2. 如果數(shù)據(jù)服從正態(tài)分布,在3σ原則下,異常值被定義為一組測定值中與平均值的偏差超過三倍標準差的值。在正態(tài)分布的假設(shè)下,距離平均值 3σ之外的值出現(xiàn)的概率為P(|x-μ|>3σ) ≦0.003,屬于極個別的小概率事件。
    在這里插入圖片描述
  3. (1)不需要事先假定數(shù)據(jù)服從特定分布形式,沒有對數(shù)據(jù)作限制性要求。
    (2)箱形圖判斷異常值的標準以四分位數(shù)和四分位距為基礎(chǔ)
    (3)四分位數(shù)具有一定的魯棒性:多達25%的數(shù)據(jù)可以變得任意遠而不會很大地擾動四分位數(shù),所以異常值不能對這個標準施加影響。
    (4)箱形圖識別異常值的結(jié)果比較客觀,有一定優(yōu)越性。
    在這里插入圖片描述
    四分位數(shù)(Quantile):把數(shù)據(jù)分布劃分成4個相等的部分,使得每部分表示數(shù)據(jù)分布的四分之一。這3個數(shù)據(jù)點稱為四分位數(shù)
    在這里插入圖片描述
    四分位的計算方式有(n+1)* p,1+(n-1) * p
    兩種方式,p分別為0.25,0.5,0.75
    QL=1+(n-1)/4
    QU=1+3*(n-1)/4

1.3 特征分析

1.3.1分布分析

分布分析能揭示數(shù)據(jù)的分布特征和分布類型,便于發(fā)現(xiàn)某些特大或特小的可疑值。
(1)對于定量數(shù)據(jù),欲了解其分布形式,是對稱的、還是非對稱的,可做出頻率分布表、繪制頻率分布直方圖、繪制莖葉圖進行直觀地分析;直方圖有利于分析數(shù)據(jù)的整體分布情況
(2)對于定性分類數(shù)據(jù),可用餅圖和條形圖直觀地顯示數(shù)據(jù)分布情況。
(3)對于定量變量而言,做頻率分布分析時選擇“組數(shù)”是主要的問題,一般按照以下步驟:
求極差(最大值-最小值)
決定組距與組數(shù),組距=極差/組數(shù)
決定分布區(qū)間
列出頻率分布表
繪制頻率分布直方圖
直方圖繪制:(常用結(jié)構(gòu))
plt.hist(數(shù)據(jù),bins=分箱數(shù),density=密度或頻數(shù),布爾)
plt.xlabel(‘XXX’,fontsize=15) #x軸標簽,字體
plt.ylabel(‘XXX’,fontsize=15,color=‘r’)
plt.title(‘XXX’,fontsize=15)#標題字體
plt.xticks(fontsize=15) #x刻度

g=df.列名.plot.hist(bins=8,grid=True,fontsize=15)
g.set_xlabel(‘XXX’,fontsize=15)
g.set_ylabel(‘XXX’,fontsize=15)
g.set_title(‘XXX’,fontsize=15)
(4)對于定性變量,常常根據(jù)變量的分類類型來分組,可以采用餅圖和條形圖來描述定性變量的分布。
(5)餅圖的每一個扇形部分代表每一類型的百分比或頻數(shù),根據(jù)定性變量的類型數(shù)目將餅圖分成幾個部分,每一部分的大小與每一類型的頻數(shù)成正比;條形圖的高度代表每一類型的百分比或頻數(shù),條形圖的寬度沒有意義。

1.3.2 對比分析

(1)對比分析是指把兩個相互聯(lián)系的指標數(shù)據(jù)進行比較,從數(shù)量上展示和說明研究對象規(guī)模的大小,水平的高低,速度的快慢,以及各種關(guān)系是否協(xié)調(diào)。
對比分析主要有以下兩種形式:
第一種:絕對數(shù)比較(利用絕對數(shù)進行對比)
第二種:相對數(shù)比較
由兩個有聯(lián)系的指標對比計算的,用以反映客觀現(xiàn)象之間數(shù)量聯(lián)系程度的綜合指標,其數(shù)值表現(xiàn)為相對數(shù)。
1)結(jié)構(gòu)相對數(shù) 4)強度相對數(shù)
2)比例相對數(shù) 5)計劃完成程度相對數(shù)
3)比較相對數(shù) 6)動態(tài)相對數(shù)

1.3.3統(tǒng)計量分析

(1) 用統(tǒng)計指標對定量數(shù)據(jù)進行統(tǒng)計描述,常從集中趨勢和離中趨勢兩個方面進行分析。
(2)平均水平的指標是對個體集中趨勢的度量,使用最廣泛的是均值和中位數(shù);反映變異程度的指標則是對個體離開平均水平的度量,使用較廣泛是標準差(方差)、四分位間距。
集中趨勢度量主要有:均值、中位數(shù)、眾數(shù)、中列數(shù)。
離中趨勢度量主要有:極差、標準差、方差。
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
(3)極差: 等于最大值-最小值
標準差:標準差也被稱為標準偏差,在概率統(tǒng)計中最常使用作為統(tǒng)計分布程度上的測量依據(jù)。標準差是方差的算術(shù)平方根。標準差可度量數(shù)據(jù)偏離均值的程度。d.std()
在這里插入圖片描述

(4)方差:d.var()在這里插入圖片描述

(5)變異系數(shù):又稱離散系數(shù)。度量標準差相對于均值的離中趨勢。
計算公式變異系數(shù)=標準差÷均值*100%
主要用來比較2個或多個不同單位或不同波動幅度的數(shù)據(jù)集的離中趨勢。

1.3.4 周期性分析

(1)周期性分析是探索某個變量是否隨著時間變化而呈現(xiàn)出某種周期變化趨勢。
(2)周期性趨勢相對較長的有年度周期性趨勢、季節(jié)性周期趨勢,相對較短的一般有月度周期性趨勢、周度周期性趨勢,甚至更短的天、小時周期性趨勢。
(3)以某景區(qū)2019年3月份人流量為例,根據(jù)人流量數(shù)據(jù),制時序圖,并分析景區(qū)人流量的變化趨勢。

1.3.5貢獻度分析

(1) 貢獻度分析又稱帕累托分析,帕累托法則又稱20/80定律。同樣的投入放在不同的地方會產(chǎn)生不同的效益。
(2)比如對一個公司來講,80%的利潤常常來自于20%最暢銷的產(chǎn)品;而其他80%的產(chǎn)品只產(chǎn)生了20%的利潤。
(3)貢獻度分析要求我們抓住問題的重點,找到那最有效的20%的熱銷產(chǎn)品、渠道或者銷售人員,在最有效的20%上投入更多資源,盡量減少浪費在80%低效的地方。

1.3.6相關(guān)性分析

(1)研究變量之間的關(guān)系:了解不同變量之間的相關(guān)性強弱和方向。
(2)預測模型建立:在構(gòu)建預測模型之前,相關(guān)性分析可以幫助篩選出對預測目標具有重要影響的變量,從而提高模型的準確性和可解釋性。
探索數(shù)據(jù)集特征:通過分析變量之間的相關(guān)性,可以揭示出可能存在的潛在關(guān)聯(lián)。
(3)排除冗余變量:在某些情況下,數(shù)據(jù)集中可能存在冗余變量,即變量之間存在高度相關(guān)性。通過相關(guān)性分析,可以鑒別出冗余變量,從而在建?;蚍治鲞^程中減少冗余信息,提高效率。
(4)分析連續(xù)變量之間線性的相關(guān)程度的強弱,并用適當?shù)慕y(tǒng)計指標表示出來的過程稱為相關(guān)分析。
(5)相關(guān)性不等于因果性,也不是簡單的個性化,相關(guān)性在不同的學科里面的定義也有很大的差異。
(6)相關(guān)性分析方法主要有:
直接繪制散點圖
繪制散點圖矩陣
計算相關(guān)系數(shù)
(7)函數(shù)關(guān)系(一一對應關(guān)系)
設(shè)有兩個變量 x 和 y ,變量 y 隨變量 x 一起變化,并完全依賴于 x ,當變量 x 取某個數(shù)值時, y 依確定的關(guān)系取相應的值,則稱 y 是 x 的函數(shù),記為 y = f (x),其中 x 稱為自變量,y 稱為因變量
某種商品的銷售額(y)與銷售量(x)之間的關(guān)系可表示為 y = p x (p 為單價)
(8)相關(guān)性
線性相關(guān)——散點圖接近一條直線
非線性相關(guān)——散點圖接近一條曲線
正相關(guān)——變量同方向變化,同增同減
負相關(guān)——變量反方向變化 , 一增一減
(9)
為了更加準確的描述變量之間的線性相關(guān)程度,可以通過計算相關(guān)系數(shù)來進行相關(guān)分析。在二元變量的相關(guān)分析過程中比較常用
Pearson相關(guān)系數(shù)(皮爾森)
Spearman秩相關(guān)系數(shù)(斯皮爾曼)
判定系數(shù)(相關(guān)系數(shù)的平方)
(10) 需要同時考察多個變量間的相關(guān)關(guān)系時,若一一繪制它們間的簡單散點圖,十分麻煩。此時可利用散點圖矩陣來同時繪制各自變量間的散點圖,這樣可以快速發(fā)現(xiàn)多個變量間的主要相關(guān)性,這一點在進行多元線性回歸時顯得尤為重要。
import numpy as np,pandas as pd
v1 = np.random.normal(0, 1, 100)
v2 = np.random.randint(0, 23, 100)
v3 = v1 * v2
df = pd.DataFrame([v1, v2, v3]).T
pd.plotting.scatter_matrix(df)
plt.show()

數(shù)據(jù)探索實驗一

實驗1 數(shù)據(jù)特征分析

一、實驗課時
4課時 驗證性
二、實驗目的
1、根據(jù)提供的數(shù)據(jù),對航空公司1949-1960年乘客人數(shù)做簡單的描述性分析。
2、掌握頻數(shù)分布、集中和離散趨勢、偏度和峰度、基本統(tǒng)計圖表。
三、實驗內(nèi)容
1、根據(jù)數(shù)據(jù)集找出這12年來客運人數(shù)的趨勢
2、找出乘客人數(shù)的季節(jié)趨勢
3、對乘客人數(shù)做簡單的描述性分析。
四、實驗流程
1、讀取“base.xlsx”excel數(shù)據(jù),查看數(shù)據(jù)信息
使用Pandas對數(shù)據(jù)excel數(shù)據(jù)進行獲取,并能夠查看完整的數(shù)據(jù)。
問題:對獲取到的數(shù)據(jù)進行一個簡單的描述。
2、數(shù)據(jù)異常值檢測1(describe方法)。
3、數(shù)據(jù)異常值檢測2(箱型圖),只顯示12個月數(shù)據(jù),并簡單說明分析結(jié)果。
4、整理數(shù)據(jù)
將year作為行索引。
5、乘客數(shù)量對比分析
(1)繪制頻數(shù)分布直方圖,查看其中規(guī)律。
①按年份進行求和
②按月份進行求和
③使用matplotlib中的條形圖對比每年乘客數(shù)量,并對分布結(jié)果進行分析。
④使用折線圖作出每年乘客變化趨勢圖,并作出分析結(jié)果。
⑤對比月度乘客總數(shù)量,分析出12個月當中乘客人數(shù)的高峰期。
6、對所有的乘客人數(shù)做描述性統(tǒng)計
①以年份維度作堆疊得出堆疊結(jié)果。
②使用函數(shù)生成描述性統(tǒng)計,說明數(shù)據(jù)集的最大值、最小值、平均值。
③計算出該數(shù)據(jù)的偏度系數(shù),并根據(jù)系數(shù)作出分析。
④計算出該數(shù)據(jù)的峰度系數(shù),并根據(jù)系數(shù)作出分析。
⑤使用帕累托圖表達出航空乘客數(shù)量與年份的關(guān)系,并標注關(guān)鍵節(jié)點數(shù)據(jù)。
⑥對航空乘客數(shù)量進行周期性分析。
五、實驗成果要求
1、完成每一項任務
base的表格內(nèi)容:
在這里插入圖片描述

代碼如下:

import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_excel("C:\\Users\\86182\\Desktop\\base.xlsx")
data1 = data.iloc[:, 1:12]
plt.rcParams['font.sans-serif'] = ['SimHei']  # 正常顯示中文
plt.rcParams['axes.unicode_minus'] = False  # 正常顯示負號
data1.boxplot()
plt.title("客運人數(shù)異常值檢測")
plt.xlabel('月份')#x軸顯示月份
plt.ylabel("客運人數(shù)(萬人)")#y軸顯示人數(shù)
data2 = data.set_index("year")
data_sum1 = data2.sum(axis=1)  # 按行求和
data_sum2 = data2.sum(axis=0)  # 按列求和
# 分析對比圖
plt.figure()  # 繪制畫布
plt.title("每年客運人數(shù)對比")  # 柱形圖題目
plt.xlabel("年份")  # x刻度軸名字
plt.ylabel('人數(shù)(萬)')  # y刻度軸名字
plt.bar(data['year'], data_sum1)  # 繪制柱形圖
for i in range(len(data_sum1)):  # 將柱形圖添加具體數(shù)值plt.text(data.year[i]-0.4, data_sum1.iloc[i]+0.4, '%.0f'%data_sum1.iloc[i])
# 折線圖——每年乘客變化趨勢
plt.figure()
plt.title("每年乘客變化趨勢")
plt.xlabel("年份")
plt.ylabel('人數(shù)(萬)')
plt.plot(data['year'], data_sum1, color='red', marker='o')
print(data_sum2.sort_values())  # 返回排序后的月度乘客總量
data3 = data2.stack()
print(data3)
print(data3.describe())
s = pd.Series(data3)
bias_value = s.skew()
peak_value = s.kurt()
print('偏度:', bias_value)
print('峰度:', peak_value)
# 頻數(shù)分布直方圖
plt.figure()data_pingshu = pd.concat([data['Jan'], data['Feb'], data['Mar'], data['Apr'], data['May'], data['Jun'], data['Jul'],data['Aug'], data['Sep'], data['Oct'], data['Nov'], data['Dec']])
bins = [100, 150, 200, 250, 300, 350, 400, 450, 500, 550, 600, 650]
plt.hist(data_pingshu, bins, range(100, 650), edgecolor='black')
plt.xticks(bins)
plt.title("頻數(shù)分布直方圖")
# 貢獻度分析
plt.figure()
data['headcount'] = data.sum(1)
data4 = data.iloc[:, [0, -1]]
data4 = data4.sort_values(by=['headcount'], ascending=False).reset_index()
data4['headcount'].plot(kind='bar')
print(data4)
plt.ylabel('客運人數(shù)(萬)')
p = data4['headcount'].cumsum() / data4['headcount'].sum()
print(p)
p.plot(secondary_y=True, style='-o', linewidth=2, color='r')
plt.xticks(range(12), data['year'])
plt.annotate(format(p[8],".2%"), xy=(8, p[8]),xytext=(8*1.2, p[8]*1.2), arrowprops=dict(arrowstyle='->', connectionstyle="arc3"))
plt.ylabel("貢獻度比例")
# 周期性分析
plt.figure()
plt.plot(range(144), data3)
plt.xticks(range(0,144,12),data4['headcount'])
plt.title('貢獻度分析')
plt.xlabel('年份')
plt.ylabel('人流量')
plt.show()

在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述

總結(jié)

靜中爭,穩(wěn)中急。

http://www.risenshineclean.com/news/52733.html

相關(guān)文章:

  • 網(wǎng)站測試有哪些主要工作市場營銷
  • 上海公司注冊網(wǎng)站網(wǎng)址查詢
  • 無錫市建設(shè)培訓中心網(wǎng)站百度關(guān)鍵詞排名怎么做
  • 做公眾好號的網(wǎng)站百度seo 優(yōu)化
  • 程序員除了做軟件是不是就做網(wǎng)站個人開發(fā)app去哪里接廣告
  • 備案 網(wǎng)站名稱什么用湖北權(quán)威的百度推廣
  • 怎么做黑客把網(wǎng)站余額更改企業(yè)網(wǎng)站seo推廣方案
  • 做自己的網(wǎng)站花多錢2345網(wǎng)址導航桌面版
  • 如何做網(wǎng)站插件無限制搜索引擎排名
  • 正規(guī)的合肥網(wǎng)站建設(shè)商家推廣平臺有哪些
  • 住房與城鄉(xiāng)建設(shè)部網(wǎng)站職責營銷策劃案例
  • 免費微商城平臺官網(wǎng)最優(yōu)化方法
  • 網(wǎng)站怎么做導航條新聞發(fā)布會稿件
  • wordpress加授權(quán)網(wǎng)絡(luò)優(yōu)化的基本方法
  • 用rp怎么做網(wǎng)站按鈕下拉菜單百度移動首頁
  • 簡述網(wǎng)站建設(shè)優(yōu)劣的評價標準外貿(mào)營銷網(wǎng)站
  • 網(wǎng)站免費虛擬空間3小時百度收錄新站方法
  • 軟件開發(fā)是編程嗎windows優(yōu)化大師怎么用
  • 鄭州聯(lián)通網(wǎng)站備案百度競價推廣價格
  • 博樂建設(shè)工程信息網(wǎng)站南昌百度seo
  • 自學做網(wǎng)站的書網(wǎng)絡(luò)營銷七個步驟
  • 做網(wǎng)站時java都做什么網(wǎng)站到首頁排名
  • 注冊一個公司網(wǎng)站的費用東莞推廣服務
  • dedecms采集規(guī)則各類網(wǎng)站網(wǎng)站生成器
  • 網(wǎng)站建設(shè)技術(shù)部獎懲制度快速建站網(wǎng)站
  • 用手機域名做網(wǎng)站有多少大數(shù)據(jù)精準獲客軟件
  • 有哪個網(wǎng)站能賣自己做的衣服信息推廣平臺
  • 快速免費做網(wǎng)站教育培訓機構(gòu)有哪些
  • 做網(wǎng)站項目需要多少錢百度地圖推廣怎么做的
  • 做網(wǎng)站開發(fā)的有哪些公司好人工智能培訓課程