利用 Python 分析 MovieLens 1M 數(shù)據(jù)集

MovieLens數(shù)據(jù)集是一個(gè)關(guān)于電影評(píng)分的數(shù)據(jù)集，里面包含了從IMDB, The Movie DataBase上面得到的用戶對(duì)電影的評(píng)分信息，詳細(xì)請(qǐng)看下面的介紹。

創(chuàng)新互聯(lián)專(zhuān)業(yè)為企業(yè)提供紹興網(wǎng)站建設(shè)、紹興做網(wǎng)站、紹興網(wǎng)站設(shè)計(jì)、紹興網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁(yè)設(shè)計(jì)與制作、紹興企業(yè)網(wǎng)站模板建站服務(wù)，10多年紹興做網(wǎng)站經(jīng)驗(yàn)，不只是建網(wǎng)站，更提供有價(jià)值的思路和整體網(wǎng)絡(luò)服務(wù)。

文件里面的內(nèi)容是幫助你如何通過(guò)網(wǎng)站id在對(duì)應(yīng)網(wǎng)站上找到對(duì)應(yīng)的電影鏈接的。

movieId, imdbId, tmdbId

表示這部電影在movielens上的id，可以通過(guò)鏈接 來(lái)得到。

表示這部電影在imdb上的id，可以通過(guò)鏈接

來(lái)得到。

movieId, title, genres

文件里包含了一部電影的id和標(biāo)題，以及該電影的類(lèi)別

movieId, title, genres

每部電影的id

電影的標(biāo)題

電影的類(lèi)別（詳細(xì)分類(lèi)見(jiàn)readme.txt）

文件里面的內(nèi)容包含了每一個(gè)用戶對(duì)于每一部電影的評(píng)分。

數(shù)據(jù)排序的順序按照userId，movieId排列的。

文件里面的內(nèi)容包含了每一個(gè)用戶對(duì)于每一個(gè)電影的分類(lèi)

數(shù)據(jù)排序的順序按照userId，movieId排列的。

=======

該數(shù)據(jù)集（ml-latest-small）描述了電影推薦服務(wù)[MovieLens]（ ）的5星評(píng)級(jí)和自由文本標(biāo)記活動(dòng)。它包含9742部電影的100836個(gè)評(píng)級(jí)和3683個(gè)標(biāo)簽應(yīng)用程序。這些數(shù)據(jù)由610位用戶在1996年3月29日到2018年9月24日之間創(chuàng)建。該數(shù)據(jù)集于2018年9月26日生成。

隨機(jī)選擇用戶以包含在內(nèi)。所有選定的用戶評(píng)分至少20部電影。不包括人口統(tǒng)計(jì)信息。每個(gè)用戶都由一個(gè)id表示，并且不提供其他信息。

數(shù)據(jù)包含在 links.csv ， movies.csv ， ratings.csv 和 tags.csv 文件中。有關(guān)所有這些文件的內(nèi)容和用法的更多詳細(xì)信息如下。

這是一個(gè)發(fā)展的數(shù)據(jù)集。因此，它可能會(huì)隨著時(shí)間的推移而發(fā)生變化，并不是共享研究結(jié)果的適當(dāng)數(shù)據(jù)集。

========

要確認(rèn)在出版物中使用數(shù)據(jù)集，請(qǐng)引用以下文件：

========================

數(shù)據(jù)集文件以[逗號(hào)分隔值]文件寫(xiě)入，并帶有單個(gè)標(biāo)題行。包含逗號(hào)（ ， ）的列使用雙引號(hào)（```）進(jìn)行轉(zhuǎn)義。這些文件編碼為UTF-8。如果電影標(biāo)題或標(biāo)簽值中的重音字符（例如Misérables，Les（1995））顯示不正確，確保讀取數(shù)據(jù)的任何程序（如文本編輯器，終端或腳本）都配置為UTF-8。

MovieLens用戶隨機(jī)選擇包含。他們的ID已經(jīng)匿名化了。用戶ID在 ratings.csv 和 tags.csv 之間是一致的（即，相同的id指的是兩個(gè)文件中的同一用戶）。

數(shù)據(jù)集中僅包含至少具有一個(gè)評(píng)級(jí)或標(biāo)記的電影。這些電影ID與MovieLens網(wǎng)站上使用的電影ID一致（例如，id 1 對(duì)應(yīng)于URL ）。電影ID在 ratings.csv ， tags.csv ， movies.csv 和 links.csv 之間是一致的.

通過(guò)[pandas.read_csv]將各表轉(zhuǎn)化為pandas 的DataFrame對(duì)象

其中用到的參數(shù)為分隔符sep、頭文件header、列名定義names、解析器引擎engine

這里和書(shū)上相比多用了engine參數(shù)，engine參數(shù)有C和Python，C引擎速度更快，而Python引擎目前功能更完整。

可用pandas.merge 將所有數(shù)據(jù)都合并到一個(gè)表中。merge有四種連接方式（默認(rèn)為inner），分別為

通過(guò)索引器查看第一行數(shù)據(jù)，使用基于標(biāo)簽的索引.loc或基于位置的索引.iloc

可通過(guò)數(shù)據(jù)透視表( pivot_table )實(shí)現(xiàn)

該操作產(chǎn)生了另一個(gè)DataFrame，輸出內(nèi)容為rating列的數(shù)據(jù)，行標(biāo)index為電影名稱(chēng)，列標(biāo)為性別，aggfunc參數(shù)為函數(shù)或函數(shù)列表（默認(rèn)為numpy.mean），其中“columns”提供了一種額外的方法來(lái)分割數(shù)據(jù)。

by參數(shù)的作用是針對(duì)特定的列進(jìn)行排序（不能對(duì)行使用），ascending的作用是確定排序方式，默認(rèn)為升序

增加一列存放平均得分之差，并對(duì)其排序，得到分歧最大且女性觀眾更喜歡的電影

按照電影標(biāo)題將數(shù)據(jù)集分為不同的groups，并且用size( )函數(shù)得到每部電影的個(gè)數(shù)（即每部電影被評(píng)論的次數(shù)），按照從大到小排序，取最大的前20部電影列出如下

按照電影名稱(chēng)分組，用agg函數(shù)通過(guò)一個(gè)字典{‘rating’: [np.size, np.mean]}來(lái)按照key即rating這一列聚合，查看每一部電影被評(píng)論過(guò)的次數(shù)和被打的平均分。取出至少被評(píng)論過(guò)100次的電影按照平均評(píng)分從大到小排序，取最大的10部電影。

如何用Python進(jìn)行大數(shù)據(jù)挖掘和分析？

如何用Python進(jìn)行大數(shù)據(jù)挖掘和分析？快速入門(mén)路徑圖

大數(shù)據(jù)無(wú)處不在。在時(shí)下這個(gè)年代，不管你喜歡與否，在運(yùn)營(yíng)一個(gè)成功的商業(yè)的過(guò)程中都有可能會(huì)遇到它。

什么是 大數(shù)據(jù) ？

大數(shù)據(jù)就像它看起來(lái)那樣——有大量的數(shù)據(jù)。單獨(dú)而言，你能從單一的數(shù)據(jù)獲取的洞見(jiàn)窮其有限。但是結(jié)合復(fù)雜數(shù)學(xué)模型以及強(qiáng)大計(jì)算能力的TB級(jí)數(shù)據(jù)，卻能創(chuàng)造出人類(lèi)無(wú)法制造的洞見(jiàn)。大數(shù)據(jù)分析提供給商業(yè)的價(jià)值是無(wú)形的，并且每天都在超越人類(lèi)的能力。

大數(shù)據(jù)分析的第一步就是要收集數(shù)據(jù)本身，也就是眾所周知的“數(shù)據(jù)挖掘”。大部分的企業(yè)處理著GB級(jí)的數(shù)據(jù)，這些數(shù)據(jù)有用戶數(shù)據(jù)、產(chǎn)品數(shù)據(jù)和地理位置數(shù)據(jù)。今天，我將會(huì)帶著大家一起探索如何用 Python 進(jìn)行大數(shù)據(jù)挖掘和分析？

為什么選擇Python?

Python最大的優(yōu)點(diǎn)就是簡(jiǎn)單易用。這個(gè)語(yǔ)言有著直觀的語(yǔ)法并且還是個(gè)強(qiáng)大的多用途語(yǔ)言。這一點(diǎn)在大數(shù)據(jù)分析環(huán)境中很重要，并且許多企業(yè)內(nèi)部已經(jīng)在使用Python了，比如Google，YouTube，迪士尼等。還有，Python是開(kāi)源的，并且有很多用于數(shù)據(jù)科學(xué)的類(lèi)庫(kù)。

現(xiàn)在，如果你真的要用Python進(jìn)行大數(shù)據(jù)分析的話，毫無(wú)疑問(wèn)你需要了解Python的語(yǔ)法，理解正則表達(dá)式，知道什么是元組、字符串、字典、字典推導(dǎo)式、列表和列表推導(dǎo)式——這只是開(kāi)始。

數(shù)據(jù)分析流程

一般可以按“數(shù)據(jù)獲取-數(shù)據(jù)存儲(chǔ)與提取-數(shù)據(jù)預(yù)處理-數(shù)據(jù)建模與分析-數(shù)據(jù)可視化”這樣的步驟來(lái)實(shí)施一個(gè)數(shù)據(jù)分析項(xiàng)目。按照這個(gè)流程，每個(gè)部分需要掌握的細(xì)分知識(shí)點(diǎn)如下：

數(shù)據(jù)獲取：公開(kāi)數(shù)據(jù)、Python爬蟲(chóng)

外部數(shù)據(jù)的獲取方式主要有以下兩種。

第一種是獲取外部的公開(kāi)數(shù)據(jù)集，一些科研機(jī)構(gòu)、企業(yè)、政府會(huì)開(kāi)放一些數(shù)據(jù)，你需要到特定的網(wǎng)站去下載這些數(shù)據(jù)。這些數(shù)據(jù)集通常比較完善、質(zhì)量相對(duì)較高。

另一種獲取外部數(shù)據(jù)的方式就是爬蟲(chóng)。

比如你可以通過(guò)爬蟲(chóng)獲取招聘網(wǎng)站某一職位的招聘信息，爬取租房網(wǎng)站上某城市的租房信息，爬取豆瓣評(píng)分評(píng)分最高的電影列表，獲取知乎點(diǎn)贊排行、網(wǎng)易云音樂(lè)評(píng)論排行列表。基于互聯(lián)網(wǎng)爬取的數(shù)據(jù)，你可以對(duì)某個(gè)行業(yè)、某種人群進(jìn)行分析。

在爬蟲(chóng)之前你需要先了解一些 Python 的基礎(chǔ)知識(shí)：元素（列表、字典、元組等）、變量、循環(huán)、函數(shù)………

以及，如何用 Python 庫(kù)（urllib、BeautifulSoup、requests、scrapy）實(shí)現(xiàn)網(wǎng)頁(yè)爬蟲(chóng)。

掌握基礎(chǔ)的爬蟲(chóng)之后，你還需要一些高級(jí)技巧，比如正則表達(dá)式、使用cookie信息、模擬用戶登錄、抓包分析、搭建代理池等等，來(lái)應(yīng)對(duì)不同網(wǎng)站的反爬蟲(chóng)限制。

數(shù)據(jù)存取：SQL語(yǔ)言

在應(yīng)對(duì)萬(wàn)以內(nèi)的數(shù)據(jù)的時(shí)候，Excel對(duì)于一般的分析沒(méi)有問(wèn)題，一旦數(shù)據(jù)量大，就會(huì)力不從心，數(shù)據(jù)庫(kù)就能夠很好地解決這個(gè)問(wèn)題。而且大多數(shù)的企業(yè)，都會(huì)以SQL的形式來(lái)存儲(chǔ)數(shù)據(jù)。

SQL作為最經(jīng)典的數(shù)據(jù)庫(kù)工具，為海量數(shù)據(jù)的存儲(chǔ)與管理提供可能，并且使數(shù)據(jù)的提取的效率大大提升。你需要掌握以下技能：

提取特定情況下的數(shù)據(jù)

數(shù)據(jù)庫(kù)的增、刪、查、改

數(shù)據(jù)的分組聚合、如何建立多個(gè)表之間的聯(lián)系

數(shù)據(jù)預(yù)處理：Python（pandas）

很多時(shí)候我們拿到的數(shù)據(jù)是不干凈的，數(shù)據(jù)的重復(fù)、缺失、異常值等等，這時(shí)候就需要進(jìn)行數(shù)據(jù)的清洗，把這些影響分析的數(shù)據(jù)處理好，才能獲得更加精確地分析結(jié)果。

對(duì)于數(shù)據(jù)預(yù)處理，學(xué)會(huì) pandas （Python包）的用法，應(yīng)對(duì)一般的數(shù)據(jù)清洗就完全沒(méi)問(wèn)題了。需要掌握的知識(shí)點(diǎn)如下：

選擇：數(shù)據(jù)訪問(wèn)

缺失值處理：對(duì)缺失數(shù)據(jù)行進(jìn)行刪除或填充

重復(fù)值處理：重復(fù)值的判斷與刪除

異常值處理：清除不必要的空格和極端、異常數(shù)據(jù)

相關(guān)操作：描述性統(tǒng)計(jì)、Apply、直方圖等

合并：符合各種邏輯關(guān)系的合并操作

分組：數(shù)據(jù)劃分、分別執(zhí)行函數(shù)、數(shù)據(jù)重組

Reshaping：快速生成數(shù)據(jù)透視表

概率論及統(tǒng)計(jì)學(xué)知識(shí)

需要掌握的知識(shí)點(diǎn)如下：

基本統(tǒng)計(jì)量：均值、中位數(shù)、眾數(shù)、百分位數(shù)、極值等

其他描述性統(tǒng)計(jì)量：偏度、方差、標(biāo)準(zhǔn)差、顯著性等

其他統(tǒng)計(jì)知識(shí)：總體和樣本、參數(shù)和統(tǒng)計(jì)量、ErrorBar

概率分布與假設(shè)檢驗(yàn)：各種分布、假設(shè)檢驗(yàn)流程

其他概率論知識(shí)：條件概率、貝葉斯等

有了統(tǒng)計(jì)學(xué)的基本知識(shí)，你就可以用這些統(tǒng)計(jì)量做基本的分析了。你可以使用 Seaborn、matplotlib 等（python包）做一些可視化的分析，通過(guò)各種可視化統(tǒng)計(jì)圖，并得出具有指導(dǎo)意義的結(jié)果。

Python 數(shù)據(jù)分析

掌握回歸分析的方法，通過(guò)線性回歸和邏輯回歸，其實(shí)你就可以對(duì)大多數(shù)的數(shù)據(jù)進(jìn)行回歸分析，并得出相對(duì)精確地結(jié)論。這部分需要掌握的知識(shí)點(diǎn)如下：

回歸分析：線性回歸、邏輯回歸

基本的分類(lèi)算法：決策樹(shù)、隨機(jī)森林……

基本的聚類(lèi)算法：k-means……

特征工程基礎(chǔ)：如何用特征選擇優(yōu)化模型

調(diào)參方法：如何調(diào)節(jié)參數(shù)優(yōu)化模型

Python 數(shù)據(jù)分析包：scipy、numpy、scikit-learn等

在數(shù)據(jù)分析的這個(gè)階段，重點(diǎn)了解回歸分析的方法，大多數(shù)的問(wèn)題可以得以解決，利用描述性的統(tǒng)計(jì)分析和回歸分析，你完全可以得到一個(gè)不錯(cuò)的分析結(jié)論。

當(dāng)然，隨著你實(shí)踐量的增多，可能會(huì)遇到一些復(fù)雜的問(wèn)題，你就可能需要去了解一些更高級(jí)的算法：分類(lèi)、聚類(lèi)。

然后你會(huì)知道面對(duì)不同類(lèi)型的問(wèn)題的時(shí)候更適合用哪種算法模型，對(duì)于模型的優(yōu)化，你需要去了解如何通過(guò)特征提取、參數(shù)調(diào)節(jié)來(lái)提升預(yù)測(cè)的精度。

你可以通過(guò) Python 中的 scikit-learn 庫(kù)來(lái)實(shí)現(xiàn)數(shù)據(jù)分析、數(shù)據(jù)挖掘建模和分析的全過(guò)程。

總結(jié)

其實(shí)做數(shù)據(jù)挖掘不是夢(mèng)，5步就能讓你成為一個(gè)Python爬蟲(chóng)高手!

Python pandas 怎么實(shí)現(xiàn)透視計(jì)數(shù)而不是求和

1數(shù)據(jù)

首先引入幾個(gè)重要的包

通過(guò)代碼構(gòu)造數(shù)據(jù)集

2 交叉表—分類(lèi)計(jì)數(shù)

按照不同類(lèi)進(jìn)行計(jì)數(shù)統(tǒng)計(jì)是最常見(jiàn)透視功能，可以通

（1）crosstab

（2）pivot_table

python處理excel的優(yōu)勢(shì)是什么

在我們工作中往往需要處理大量的數(shù)據(jù)，因此Excel在我們工作中是一個(gè)必不可少的工具，不過(guò)，近期很多人開(kāi)始用Python處理數(shù)據(jù)，那

么，大家為什么開(kāi)始用Python了呢？Python輔助處理excel的有什么優(yōu)點(diǎn)呢？

首先，我們先說(shuō)說(shuō)Excel 主要優(yōu)點(diǎn)：

1)數(shù)據(jù)透視功能，一個(gè)數(shù)據(jù)透視表演變出10幾種報(bào)表，只需吹灰之力。易用性，一個(gè)新手，只要認(rèn)真使用向?qū)?-2小時(shí)就可以馬馬虎虎上路。

2)統(tǒng)計(jì)分析，其實(shí)包含在數(shù)據(jù)透視功能之中，但是非常獨(dú)特，常用的檢驗(yàn)方式一鍵搞定。

3)圖表功能，這幾乎是Excel的獨(dú)門(mén)技能，其他程序只能望其項(xiàng)背而自殺。

4)高級(jí)篩選，這是Excel提供的高級(jí)查詢功能，而操作之簡(jiǎn)單。

5)自動(dòng)匯總功能，這個(gè)功能其他程序都有，但是Excel簡(jiǎn)便靈活。

6)高級(jí)數(shù)學(xué)計(jì)算，卻只要一兩個(gè)函數(shù)輕松搞定。

其實(shí)，上面的內(nèi)容有些廢話，但是為了文章的完整性還是寫(xiě)上了，不過(guò)要想真正精通Excel，最高端就是用VBA語(yǔ)言自己寫(xiě)宏，但是VBA

作為一種編程語(yǔ)言也是十分難學(xué)，如果不寫(xiě)VBA就需要一個(gè)一個(gè)的把數(shù)據(jù)錄入，然后一行行公式計(jì)算，最后再繪制圖表。不僅如此，由于

Excel都是手動(dòng)錄入，所以要反復(fù)檢查有沒(méi)有錯(cuò)誤，往往會(huì)耗費(fèi)不少的時(shí)間。因此，Python就派上了用場(chǎng)。

批量出圖

除了整理數(shù)據(jù)，Python的批量出圖功能也很強(qiáng)大。

用Excel出圖需要不停的用鼠標(biāo)操作，而且非常容易出錯(cuò)。

而用Python，只需要幾行代碼輕松解決，特別是當(dāng)工作重復(fù)度很高的時(shí)候，只要略微改動(dòng)代碼即可，大大的節(jié)省了時(shí)間，提高了完成效率。

數(shù)據(jù)可視化

Python還可以自動(dòng)生成數(shù)據(jù)可視圖。

利用Python強(qiáng)大的繪圖功能，數(shù)據(jù)導(dǎo)入-分析-出結(jié)果

繪圖這個(gè)過(guò)程可以一次性完成，數(shù)據(jù)結(jié)果非常清晰直觀。

更多技術(shù)請(qǐng)關(guān)注Python視頻教程。

如何使用python制作excel透視曲線圖

Excel功能之強(qiáng)大，每個(gè)人都會(huì)用到。你還在為怎么做數(shù)據(jù)表煩惱么。Excel高版本自帶的數(shù)據(jù)圖表可以滿足一般需求，這就是高版本的好處自帶很多實(shí)用功能減輕繁重的工作。本文就2010版本的數(shù)據(jù)視圖做個(gè)簡(jiǎn)單的功能介紹，制作一個(gè)孩子的各科目每年學(xué)習(xí)成績(jī)曲線圖

開(kāi)啟分步閱讀模式

工具材料：

excel2010

操作方法

01

數(shù)據(jù)源，先做好每年孩子各科目學(xué)習(xí)成績(jī)的記錄

02

數(shù)據(jù)透視圖，首先要選擇數(shù)據(jù)，然后點(diǎn)擊‘插入’-》數(shù)據(jù)透視表-》數(shù)據(jù)透視圖

03

選擇必要選項(xiàng)，在彈出的對(duì)話框中，有兩個(gè)選項(xiàng)供選擇，一個(gè)是數(shù)據(jù)源（可以選擇外部數(shù)據(jù)源，默認(rèn)是當(dāng)前選中的數(shù)據(jù)），一個(gè)是視圖要顯示的位置，可以在當(dāng)前的表中呈現(xiàn)，也可以在另外一個(gè)sheet中展現(xiàn)。一般情況下我是在當(dāng)前工作表中呈現(xiàn)，直觀，方便。

04

報(bào)錯(cuò)，如果選擇了‘現(xiàn)有工作表’，但是‘位置’里為空，這樣直接確定是會(huì)報(bào)錯(cuò)的，因?yàn)槟氵€么有選擇圖標(biāo)要顯示的位置。

05

選擇需要展示的數(shù)據(jù)，剛才選擇的數(shù)據(jù)源列都在上面提現(xiàn)出來(lái)了，現(xiàn)在是要選擇數(shù)據(jù)視圖展示的內(nèi)容。我們來(lái)選擇科目、時(shí)間、成績(jī)。

06

橫軸、縱軸調(diào)整，圖1位置是我們所謂的X軸，圖2是我們要顯示的幾個(gè)內(nèi)容，圖3是顯示的Y軸數(shù)值。

07

選擇圖標(biāo)樣式，步驟6完成之后，默認(rèn)是柱狀圖，但是這個(gè)不直觀，我想要的是曲線走勢(shì)圖，所以可以改變下顯示的樣式，

08

完美走勢(shì)圖，看曲線就可以知道小朋友數(shù)學(xué)、音樂(lè)成績(jī)?cè)诓粩嗵岣撸⒄Z(yǔ)成績(jī)波動(dòng)不大，語(yǔ)文成績(jī)?cè)谙禄?/p>

python Pandas 如何實(shí)現(xiàn)excel透視的創(chuàng)建組功能

1、Series的創(chuàng)建

序列的創(chuàng)建主要有三種方式：

1）通過(guò)一維數(shù)組創(chuàng)建序列

import numpy as np, pandas as pd

arr1 = np.arange(10)

arr1

type(arr1)

s1 = pd.Series(arr1)

s1

type(s1)

2）通過(guò)字典的方式創(chuàng)建序列

dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}

dic1

type(dic1)

s2 = pd.Series(dic1)

s2

type(s2)

3）通過(guò)DataFrame中的某一行或某一列創(chuàng)建序列

這部分內(nèi)容我們放在后面講，因?yàn)橄旅婢烷_(kāi)始將DataFrame的創(chuàng)建。

2、DataFrame的創(chuàng)建

數(shù)據(jù)框的創(chuàng)建主要有三種方式：

1）通過(guò)二維數(shù)組創(chuàng)建數(shù)據(jù)框

arr2 = np.array(np.arange(12)).reshape(4,3)

arr2

type(arr2)

df1 = pd.DataFrame(arr2)

df1

type(df1)

2）通過(guò)字典的方式創(chuàng)建數(shù)據(jù)框

以下以兩種字典來(lái)創(chuàng)建數(shù)據(jù)框，一個(gè)是字典列表，一個(gè)是嵌套字典。

dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],

'c':[9,10,11,12],'d':[13,14,15,16]}

dic2

type(dic2)

df2 = pd.DataFrame(dic2)

df2

type(df2)

當(dāng)前標(biāo)題：python數(shù)據(jù)透視函數(shù)的簡(jiǎn)單介紹
當(dāng)前網(wǎng)址：http://chinadenli.net/article32/hedgpc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供微信小程序、ChatGPT、動(dòng)態(tài)網(wǎng)站、品牌網(wǎng)站制作、網(wǎng)站導(dǎo)航、虛擬主機(jī)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)