标签分类
当前位置:首页 > 程序设计电子书 > R语言电子书网盘下载
R语言实战 R语言实战
zby0904010

zby0904010 提供上传

资源
17
粉丝
41
喜欢
144
评论
8

    R语言实战 PDF 第2版

    R语言电子书
    • 发布时间:

    给大家带来的一篇关于R语言相关的电子书资源,介绍了关于R语言、R语言实战方面的内容,本书是由人民邮电出版社出版,格式为PDF,资源大小19 MB,卡巴科弗(Robert I. Kabac编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.7,更多相关的学习资源可以参阅 程序设计电子书、等栏目。

  • R语言实战 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1NN4iX4wRmWyU0Adeb4Vsyw
  • 分享码:s1f2
  • R语言实战 第二版

    互联网时代早已来临,在商业服务、经济发展以及他行业中根据统计数据和剖析去发觉难题并做出科学研究、客观性的管理决策愈来愈关键。开源软件R是全世界*时髦的数据统计分析、统计分析测算及绘图言语,基本上可以进行一切数据处理方法每日任务,可安裝并运作于全部流行服务平台,为人们出示了不计其数的技术专业控制模块和常用工具,是以互联网大数据中获得有效信息内容的极佳专用工具,是大数据挖掘、数据统计分析优秀人才的必需专业技能。

    这书从处理实际上难题下手,尽可能跳脱生物学的基础理论论述来探讨R言语以及运用,解读清楚透澈,具有应用性。创作者不但高宽比归纳了R言语的强劲作用,展现了各种各样好用的统计分析范例,并且针对无法用传统式方式剖析的杂乱、不详细和非正态的统计数据也得出了完善的解决方式。第2版增加6章內容,包含时间序列、聚类分析、归类、高級编译程序、建立包和建立日常动态汇报等,并分別详解了怎么使用ggplot2和lattice开展高級制图。细读这书,你将全方位把握应用R言语开展数据统计分析、大数据挖掘的方法,领略到很多探寻和展现统计数据的图型作用,并懂得怎样编写日常动态汇报,进而更为高效率地开展剖析与沟通交流。

    愿意变成倍受新科技公司青睐的数据分析师吗?愿意理性分析统计数据并恰当管理决策吗?何不从这书刚开始,挑戰互联网大数据,用R刚开始超酷地统计分析与剖析统计数据吧!

    这书重视应用性,是一本全方位而细腻的R手册,高宽比归纳了此软件和它的强劲作用,展现了应用的统计分析范例,且针对无法用传统式方式解决的杂乱、不详细和非正态的统计数据得出了雅致的解决方式。创作者不仅讨论数据分析,还论述了很多探寻和展现统计数据的图型作用。新版本干了很多升级和调整,增加了近200页內容,详细介绍大数据挖掘、预测性剖析和高級编译程序。这书合适数据统计分析工作人员及R客户学习培训参照。

    目录

    • 第一部分 入门
    • 第1章 R语言介绍  3
    • 1.1 为何要使用R  4
    • 1.2 R的获取和安装  6
    • 1.3 R的使用  6
    • 1.3.1 新手上路  7
    • 1.3.2 获取帮助  10
    • 1.3.3 工作空间  10
    • 1.3.4 输入和输出  12
    • 1.4 包  13
    • 1.4.1 什么是包  14
    • 1.4.2 包的安装  14
    • 1.4.3 包的载入  14
    • 1.4.4 包的使用方法  14
    • 1.5 批处理  15
    • 1.6 将输出用为输入:结果的重用  16
    • 1.7 处理大数据集  16
    • 1.8 示例实践  16
    • 1.9 小结  18
    • 第2章 创建数据集  19
    • 2.1 数据集的概念  19
    • 2.2 数据结构  20
    • 2.2.1 向量  21
    • 2.2.2 矩阵  22
    • 2.2.3 数组  23
    • 2.2.4 数据框  24
    • 2.2.5 因子  27
    • 2.2.6 列表  28
    • 2.3 数据的输入  30
    • 2.3.1 使用键盘输入数据  31
    • 2.3.2 从带分隔符的文本文件导入数据  32
    • 2.3.3 导入Excel数据  35
    • 2.3.4 导入XML数据  36
    • 2.3.5 从网页抓取数据  36
    • 2.3.6 导入SPSS数据  36
    • 2.3.7 导入SAS数据  37
    • 2.3.8 导入Stata数据  37
    • 2.3.9 导入NetCDF数据  38
    • 2.3.10 导入HDF5数据  38
    • 2.3.11 访问数据库管理系统  38
    • 2.3.12 通过Stat/Transfer导入数据  40
    • 2.4 数据集的标注  40
    • 2.4.1 变量标签  40
    • 2.4.2 值标签  41
    • 2.5 处理数据对象的实用函数  41
    • 2.6 小结  42
    • 第3章 图形初阶   43
    • 3.1 使用图形  43
    • 3.2 一个简单的例子  45
    • 3.3 图形参数  46
    • 3.3.1 符号和线条  47
    • 3.3.2 颜色   49
    • 3.3.3 文本属性  50
    • 3.3.4 图形尺寸与边界尺寸  51
    • 3.4 添加文本、自定义坐标轴和图例  53
    • 3.4.1 标题   54
    • 3.4.2 坐标轴  54
    • 3.4.3 参考线  56
    • 3.4.4 图例  57
    • 3.4.5 文本标注  58
    • 3.4.6 数学标注  60
    • 3.5 图形的组合  61
    • 3.6 小结  67
    • 第4章 基本数据管理  68
    • 4.1 一个示例  68
    • 4.2 创建新变量  70
    • 4.3 变量的重编码  71
    • 4.4 变量的重命名  72
    • 4.5 缺失值  74
    • 4.5.1 重编码某些值为缺失值  74
    • 4.5.2 在分析中排除缺失值  75
    • 4.6 日期值  76
    • 4.6.1 将日期转换为字符型变量  77
    • 4.6.2 更进一步  78
    • 4.7 类型转换  78
    • 4.8 数据排序  79
    • 4.9 数据集的合并  79
    • 4.9.1 向数据框添加列  79
    • 4.9.2 向数据框添加行  80
    • 4.10 数据集取子集  80
    • 4.10.1 选入(保留)变量  80
    • 4.10.2 剔除(丢弃)变量  81
    • 4.10.3 选入观测  82
    • 4.10.4 subset()函数  82
    • 4.10.5 随机抽样  83
    • 4.11 使用SQL语句操作数据框  83
    • 4.12 小结  84
    • 第5章 高级数据管理  85
    • 5.1 一个数据处理难题  85
    • 5.2 数值和字符处理函数  86
    • 5.2.1 数学函数  86
    • 5.2.2 统计函数  87
    • 5.2.3 概率函数  90
    • 5.2.4 字符处理函数  92
    • 5.2.5 其他实用函数  94
    • 5.2.6 将函数应用于矩阵和数据框  95
    • 5.3 数据处理难题的一套解决方案  96
    • 5.4 控制流  100
    • 5.4.1 重复和循环  100
    • 5.4.2 条件执行  101
    • 5.5 用户自编函数  102
    • 5.6 整合与重构  104
    • 5.6.1 转置  104
    • 5.6.2 整合数据  105
    • 5.6.3 reshape2包  106
    • 5.7 小结  108
    • 第二部分 基本方法
    • 第6章 基本图形  110
    • 6.1 条形图  110
    • 6.1.1 简单的条形图  111
    • 6.1.2 堆砌条形图和分组条形图  112
    • 6.1.3 均值条形图  113
    • 6.1.4 条形图的微调  114
    • 6.1.5 棘状图  115
    • 6.2 饼图  116
    • 6.3 直方图  118
    • 6.4 核密度图  120
    • 6.5 箱线图  122
    • 6.5.1 使用并列箱线图进行跨组比较  123
    • 6.5.2 小提琴图  125
    • 6.6 点图  127
    • 6.7 小结  129
    • 第7章 基本统计分析  130
    • 7.1 描述性统计分析  131
    • 7.1.1 方法云集  131
    • 7.1.2 更多方法  132
    • 7.1.3 分组计算描述性统计量  134
    • 7.1.4 分组计算的扩展  135
    • 7.1.5 结果的可视化  137
    • 7.2 频数表和列联表  137
    • 7.2.1 生成频数表  137
    • 7.2.2 独立性检验  143
    • 7.2.3 相关性的度量  144
    • 7.2.4 结果的可视化  145
    • 7.3 相关  145
    • 7.3.1 相关的类型  145
    • 7.3.2 相关性的显著性检验  147
    • 7.3.3 相关关系的可视化  149
    • 7.4 t 检验   149
    • 7.4.1 独立样本的t 检验  150
    • 7.4.2 非独立样本的t检验  151
    • 7.4.3 多于两组的情况  151
    • 7.5 组间差异的非参数检验  152
    • 7.5.1 两组的比较  152
    • 7.5.2 多于两组的比较  153
    • 7.6 组间差异的可视化  155
    • 7.7 小结  155
    • 第三部分 中级方法
    • 第8章 回归  158
    • 8.1 回归的多面性  159
    • 8.1.1 OLS回归的适用情境  159
    • 8.1.2 基础回顾  160
    • 8.2 OLS回归  160
    • 8.2.1 用lm()拟合回归模型  161
    • 8.2.2 简单线性回归  163
    • 8.2.3 多项式回归  164
    • 8.2.4 多元线性回归  167
    • 8.2.5 有交互项的多元线性回归  169
    • 8.3 回归诊断  171
    • 8.3.1 标准方法  172
    • 8.3.2 改进的方法  175
    • 8.3.3 线性模型假设的综合验证  181
    • 8.3.4 多重共线性  181
    • 8.4 异常观测值  182
    • 8.4.1 离群点  182
    • 8.4.2 高杠杆值点  182
    • 8.4.3 强影响点  184
    • 8.5 改进措施  186
    • 8.5.1 删除观测点  186
    • 8.5.2 变量变换  187
    • 8.5.3 增删变量  188
    • 8.5.4 尝试其他方法  188
    • 8.6 选择“最佳”的回归模型  189
    • 8.6.1 模型比较  189
    • 8.6.2 变量选择  190
    • 8.7 深层次分析  193
    • 8.7.1 交叉验证  193
    • 8.7.2 相对重要性  195
    • 8.8 小结  197
    • 第9章 方差分析   198
    • 9.1 术语速成  198
    • 9.2 ANOVA模型拟合  201
    • 9.2.1 aov()函数  201
    • 9.2.2 表达式中各项的顺序  202
    • 9.3 单因素方差分析  203
    • 9.3.1 多重比较  204
    • 9.3.2 评估检验的假设条件  206
    • 9.4 单因素协方差分析  208
    • 9.4.1 评估检验的假设条件  209
    • 9.4.2 结果可视化  210
    • 9.5 双因素方差分析  211
    • 9.6 重复测量方差分析  214
    • 9.7 多元方差分析  217
    • 9.7.1 评估假设检验  218
    • 9.7.2 稳健多元方差分析  220
    • 9.8 用回归来做ANOVA  220
    • 9.9 小结  222
    • 第10章 功效分析  223
    • 10.1 假设检验速览  223
    • 10.2 用pwr包做功效分析  225
    • 10.2.1 t检验  226
    • 10.2.2 方差分析  228
    • 10.2.3 相关性  228
    • 10.2.4 线性模型  229
    • 10.2.5 比例检验  230
    • 10.2.6 卡方检验  231
    • 10.2.7 在新情况中选择合适的效应值  232
    • 10.3 绘制功效分析图形  233
    • 10.4 其他软件包  235
    • 10.5 小结  236
    • 第11章 中级绘图  237
    • 11.1 散点图  238
    • 11.1.1 散点图矩阵  240
    • 11.1.2 高密度散点图  242
    • 11.1.3 三维散点图  244
    • 11.1.4 旋转三维散点图  247
    • 11.1.5 气泡图  248
    • 11.2 折线图  250
    • 11.3 相关图  253
    • 11.4 马赛克图  258
    • 11.5 小结  260
    • 第12章 重抽样与自助法  261
    • 12.1 置换检验  261
    • 12.2 用coin包做置换检验  263
    • 12.2.1 独立两样本和K 样本检验  264
    • 12.2.2 列联表中的独立性  266
    • 12.2.3 数值变量间的独立性  266
    • 12.2.4 两样本和K 样本相关性检验  267
    • 12.2.5 深入探究  267
    • 12.3 lmPerm包的置换检验  267
    • 12.3.1 简单回归和多项式回归  268
    • 12.3.2 多元回归  269
    • 12.3.3 单因素方差分析和协方差分析  270
    • 12.3.4 双因素方差分析  271
    • 12.4 置换检验点评  271
    • 12.5 自助法  272
    • 12.6 boot包中的自助法  272
    • 12.6.1 对单个统计量使用自助法  274
    • 12.6.2 多个统计量的自助法  276
    • 12.7 小结  278
    • 第四部分 高级方法
    • 第13章 广义线性模型  280
    • 13.1 广义线性模型和glm()函数  281
    • 13.1.1 glm()函数  281
    • 13.1.2 连用的函数  282
    • 13.1.3 模型拟合和回归诊断  283
    • 13.2 Logistic回归  284
    • 13.2.1 解释模型参数  286
    • 13.2.2 评价预测变量对结果概率的影响  287
    • 13.2.3 过度离势  288
    • 13.2.4 扩展  289
    • 13.3 泊松回归  289
    • 13.3.1 解释模型参数  291
    • 13.3.2 过度离势  292
    • 13.3.3 扩展  294
    • 13.4 小结  295
    • 第14章 主成分分析和因子分析  296
    • 14.1 R 中的主成分和因子分析  297
    • 14.2 主成分分析   298
    • 14.2.1 判断主成分的个数  298
    • 14.2.2 提取主成分  300
    • 14.2.3 主成分旋转  303
    • 14.2.4 获取主成分得分  304
    • 14.3 探索性因子分析  305
    • 14.3.1 判断需提取的公共因子数  306
    • 14.3.2 提取公共因子  307
    • 14.3.3 因子旋转  308
    • 14.3.4 因子得分  312
    • 14.3.5 其他与EFA相关的包  312
    • 14.4 其他潜变量模型  312
    • 14.5 小结  313
    • 第15章 时间序列  315
    • 15.1 在R中生成时序对象  317
    • 15.2 时序的平滑化和季节性分解  319
    • 15.2.1 通过简单移动平均进行平滑处理  319
    • 15.2.2 季节性分解  321
    • 15.3 指数预测模型  326
    • 15.3.1 单指数平滑  326
    • 15.3.2 Holt指数平滑和Holt-Winters指数平滑   329
    • 15.3.3 ets()函数和自动预测  331
    • 15.4 ARIMA 预测模型  333
    • 15.4.1 概念介绍  333
    • 15.4.2 ARMA和ARIMA模型  334
    • 15.4.3 ARIMA的自动预测  339
    • 15.5 延伸阅读  340
    • 15.6 小结  340
    • 第16章 聚类分析  342
    • 16.1 聚类分析的一般步骤  343
    • 16.2 计算距离  344
    • 16.3 层次聚类分析  345
    • 16.4 划分聚类分析  350
    • 16.4.1 K均值聚类  350
    • 16.4.2 围绕中心点的划分  354
    • 16.5 避免不存在的类  356
    • 16.6 小结  359
    • 第17章 分类  360
    • 17.1 数据准备  361
    • 17.2 逻辑回归  362
    • 17.3 决策树  363
    • 17.3.1 经典决策树  364
    • 17.3.2 条件推断树  366
    • 17.4 随机森林  368
    • 17.5 支持向量机  370
    • 17.6 选择预测效果最好的解  374
    • 17.7 用rattle包进行数据挖掘  376
    • 17.8 小结  381
    • 第18章 处理缺失数据的高级方法  382
    • 18.1 处理缺失值的步骤  383
    • 18.2 识别缺失值  384
    • 18.3 探索缺失值模式  385
    • 18.3.1 列表显示缺失值  385
    • 18.3.2 图形探究缺失数据  386
    • 18.3.3 用相关性探索缺失值  389
    • 18.4 理解缺失数据的来由和影响  391
    • 18.5 理性处理不完整数据   391
    • 18.6 完整实例分析(行删除)  392
    • 18.7 多重插补  394
    • 18.8 处理缺失值的其他方法  397
    • 18.8.1 成对删除  398
    • 18.8.2 简单(非随机)插补  398
    • 18.9 小结  399
    • 第五部分 技能拓展
    • 第19章 使用ggplot2进行高级绘图  402
    • 19.1 R 中的四种图形系统  402
    • 19.2 ggplot2包介绍  403
    • 19.3 用几何函数指定图的类型  407
    • 19.4 分组  411
    • 19.5 刻面  413
    • 19.6 添加光滑曲线  416
    • 19.7 修改ggplot2图形的外观  418
    • 19.7.1 坐标轴  419
    • 19.7.2 图例  420
    • 19.7.3 标尺  421
    • 19.7.4 主题  423
    • 19.7.5 多重图  425
    • 19.8 保存图形  426
    • 19.9 小结  426
    • 第20章 高级编程  427
    • 20.1 R 语言回顾  427
    • 20.1.1 数据类型  427
    • 20.1.2 控制结构  433
    • 20.1.3 创建函数  436
    • 20.2 环境  437
    • 20.3 面向对象的编程  439
    • 20.3.1 泛型函数  439
    • 20.3.2 S3模型的限制  441
    • 20.4 编写有效的代码  442
    • 20.5 调试  445
    • 20.5.1 常见的错误来源  445
    • 20.5.2 调试工具  446
    • 20.5.3 支持调试的会话选项  448
    • 20.6 深入学习  451
    • 20.7 小结  451
    • 第21章 创建包  452
    • 21.1 非参分析和npar包  453
    • 21.2 开发包  457
    • 21.2.1 计算统计量  457
    • 21.2.2 打印结果  460
    • 21.2.3 汇总结果  461
    • 21.2.4 绘制结果  463
    • 21.2.5 添加样本数据到包  464
    • 21.3 创建包的文档  466
    • 21.4 建立包  467
    • 21.5 深入学习  471
    • 21.6 小结  471
    • 第22章 创建动态报告  472
    • 22.1 用模版生成报告  474
    • 22.2 用R和Markdown创建动态报告  475
    • 22.3 用R和LaTeX创建动态报告  480
    • 22.4 用R和Open Document创建动态报告  483
    • 22.5 用R和Microsoft Word创建动态报告  485
    • 22.6 小结  489
    • 第23章 使用lattice进行高级绘图  490
    • 23.1 lattice包  490
    • 23.2 调节变量  494
    • 23.3 面板函数  495
    • 23.4 分组变量  498
    • 23.5 图形参数  502
    • 23.6 自定义图形条带  503
    • 23.7 页面布局  504
    • 23.8 深入学习  507
    • 附录A 图形用户界面  508
    • 附录B 自定义启动环境  511
    • 附录C 从R中导出数据  513
    • 附录D R中的矩阵运算  515
    • 附录E 本书中用到的扩展包  517
    • 附录F 处理大数据集  522
    • 附录G 更新R  526
    • 后记:探索R的世界  528
    • 参考文献  530

    上一篇:R语言实战  下一篇:Erlang/OTP并发编程实战

    展开 +

    收起 -

    码小辫二维码
     

    R语言相关电子书
    学习笔记
    网友NO.387567

    r语言和python什么意思

    R语言 1、R是一个有着统计分析功能及强大作图功能的软件系统。R内含了许多实用的统计分析及作图参数。作图参数能将产生的展示在一个独立的窗口中。并能将之保存为各种形式的文件(jpg,png,bmp,ps,pdf,emf,pictex,xfig),具体形式取决于操作系统。统计分析的结果也能被直接显示出来,一些中间(如P-值,回归系统,残差等)既可保存到专门的文件中,也可以直接用作进一步的分析 2、在R语言中,使用者可以使用循环语句来连续分析多个数据集,也可将多个不同的统计函数结合在一个语句中执行更复杂的分析。R使用者还可以借鉴网上提供的用S编写的大量程序,而且大多数都能被R直接调用。 python语言 Python是一种计算机程序设计语言。是一种面向对象的动态类型语言,最初被设计用于编写自动化脚本(shell),随着版本的不断更新和语言新功能的添加,越来越多被用于独立的、大型项目的开发。 Python是完全面向对象的语言。函数、模块、数字、字符串都是对象。并且完全支持继承、重载、派生、多继承,有益于增强源代码的复用性。Python支持重载运算符和动态类型。相对于Lisp这种传统的函数式编程语言,Python对函数式设计只提供了有限的支持。有两个标准库(functools, itertools)提供了Haskell和Standard ML中久经考验的函数式程序设计……

    网友NO.791534

    r语言和python的详细对比

    r语言和python的对比,两者各有千秋,究竟要学哪一个,可根据自己的实际需求来作出选择,当然,最好是两者都学。 相关推荐:《python视频》 01 开发目的 R语言 R是由统计学家开发的,它的出生就肩负着统计分析、绘图、数据挖掘的重要使命。因此在R的语言体系里,有非常多统计学的原理和知识。 如果你具备一些统计背景,R会令你使用各类model和复杂的公式时更加愉悦有爽感,因为你总能找到对应的package,并且几行代码就可以调用搞定。 Python Python的创始人初衷,是为非专业程序员设计的一种开放型的语言。优雅,明确,简单,是它的标签。因此,总有人高唱「人生苦短,我用Python」。 数据分析、网络爬虫、编程开发、人工智能等,作为一门多功能的胶水语言,Python的使用目的和学习路径更加多样化。 02 适用人群 尽管都是数据科学界的当红炸子鸡,工具的选择会因为你的领域和你想解决的问题因人而异。 R语言 起初R在学术研究和调查工作中使用比较多,逐渐延伸至企业商业界。使用人群不一定需要计算机背景,统计、金融、经济、核电、环境、医疗、物流管理,乃至人文学科,都有R语言的立足之地。 同样,鉴于R 在数据探索、统计分析上,是一种更高效的独立数据分析工具,具备良好数理统计知识背景的人使用起来……

    网友NO.234280

    Python与R语言的简要对比

    数据挖掘技术日趋成熟和复杂,随着互联网发展以及大批海量数据的到来,之前传统的依靠spss、SAS等可视化工具实现数据挖掘建模已经越来越不能满足日常需求,依据美国对数据科学家(data scientist)的要求,想成为一名真正的数据科学家,编程实现算法以及编程实现建模已经是必要条件;目前很多从事数据挖掘工作的人,大多都是出身非计算机专业,本身对编程基础比较低,所以找到一门快速上手而又高效的编程语言是至关重要的,好的工具和编程语言可以起到事半功倍的效果。 目前在数据挖掘算法方面用的最多的编程语言有:Java、C++、C、Python、R等等 R语言作为统计界第一语言(软件),很多时候与我们号称分析界第一语言的Python老是被人拿起来对比,所以今天专门做了一个表格,简介一下R语言与Python语言的对比情况。 首先还是我Python神图压镇: 首先介绍一下R语言吧: 有个小段子,说为什么要叫R语言呢?就是因为两位创始人的名字,都是以"R"开头的,所以,干脆一拍即合,就叫R语言吧…… R语言有很多的特点……当然,看这张图,是不是觉得很眼熟啊,没错,如果看过以前那篇“Python大法好”的文章的同学,发现,R语言怎么和Python的特性这么相似捏? 其实R也有很多自己特性,下面是它最显著的几个特性: 1、……

    网友NO.489712

    简述:我为什么选择Python而不是Matlab和R语言

    做数据分析、科学计算等离不开工具、语言的使用,目前最流行的数据语言,无非是MATLAB,R语言,Python这三种语言,但今天小编简单总结了python语言的一些特点及平常使用的工具等。 为什么Python比MATLAB、R语言好呢? 其实,这三种语言都很多数据分析师在用,但更推荐python,主要是有以下几点: 1、python易学、易读、易维护,处理速度也比R语言要快,无需把数据库切割; 2、python势头猛,众多大公司需要,市场前景广阔;而MATLAB语言比较局限,专注于工程和科学计算方面,而且MATLAB价格贵,免费版或盗版都只能玩玩学习用; 3、python具有丰富的扩展库,这个是其他两个不能比的; python版本选择 初学者版本选择是很多人都会问的,我们也不会偏向某个版本,主要根据自己的所需,但建议是选择最新版本Python3.x,这样很多新功能和旧功能都会有的,但是目前很多第三方库仍然不支持Python3,因为Python2.x已经停止继续开发,不意味着不能使用。 IDE选择 Spyder 这个正是我现在在用的: Spyder界面 它具有模仿MATLAB的工作空间的功能,可以很方便地观察和修改数组的值。显示哪些窗口可以自定义,很方便。 使用中出现了一些小问题,比如说str()函数报错,cmdprompt乱码之类的,后来就没有用Spyder跑过比较长的代码了,调试起来太麻烦了,……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明