R语言 数据清洗（缺失值处理、异常值处理）
关注微信公共号：小程在线
关注CSDN博客：程志伟的博客
详细内容为 《R语言游戏数据分析与挖掘》第五章学习笔记之数据清洗
5.2.1 缺失值处理
5.2.2 异常值处理：
setwd('H:\\程志伟\\R语言游戏数据分析与挖掘\\Game_DataMining_With_R-master\\data\\第5章\\')
5.2.1 缺失值处理
> # 导入玩家的玩牌游戏数据
> player <- read.csv("H:\\程志伟\\R语言游戏数据分析与挖掘\\Game_DataMining_With_R-master\\data\\第5章\\玩家玩牌数据.csv",na.strings = "NA")
> # 查看变量名
> colnames(player)
[1] "用户id" "性别" "等级" "站内好友" "经验值" "积分"
[7] "登陆总次数" "玩牌局数" "赢牌局数" "身上货币量"
> # 查看前六行
> head(player)
用户id 性别 等级 站内好友 经验值 积分 登陆总次数 玩牌局数 赢牌局数 身上货币量
1 7795915 0 2 3 36 0 2 3 1 1000
2 7795912 0 3 2 83 0 2 8 1 800
3 7795909 1 0 0 0 5 3 NA NA 800
4 7795906 0 0 0 0 0 1 NA NA 0
5 7795900 0 0 3 0 0 2 NA NA 800
6 7795898 0 2 1 10 0 2 NA NA 760
# 利用is.na函数判断“玩牌局数”变量各值是否为缺失值
> is.na(player$玩牌局数)
[1] FALSE FALSE TRUE TRUE TRUE TRUE TRUE FALSE FALSE FALSE TRUE FALSE FALSE
[14] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
......
[989] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[ reached getOption("max.print") -- omitted 5240 entries ]
# 统计缺失值与非缺失值的个数
> table(is.na(player$玩牌局数))
FALSE TRUE
3094 3146
> # sum()和mean()函数来统计缺失值的个数和占比
> # 计算缺失值个数
> sum(is.na(player$玩牌局数))
[1] 3146
> # 计算缺失值占比
> mean(is.na(player$玩牌局数))
[1] 0.5041667
> # 利用complete.cases函数查看完整实例
> sum(complete.cases(player))
[1] 2000
> library('mice')
载入程辑包：‘mice’
The following objects are masked from ‘package:base’:
cbind, rbind
Warning message:
程辑包‘mice’是用R版本3.6.3 来建造的
> md.pattern(player)
用户id 性别 等级 站内好友 经验值 积分 登陆总次数 身上货币量 玩牌局数 赢牌局数
2000 1 1 1 1 1 1 1 1 1 1 0
1094 1 1 1 1 1 1 1 1 1 0 1
3146 1 1 1 1 1 1 1 1 0 0 2
0 0 0 0 0 0 0 0 3146 4240 7386
# 用aggr函数对player数据的缺失值模式进行可视化
> library('VIM')
> aggr(player[,-1],prop=FALSE,numbers=TRUE)
# 删除缺失样本
> player_full <- na.omit(player)
# 计算有缺失值的样本个数
> sum(!complete.cases(player_full))
[1] 0
# 替换缺失值
> iris1 <- iris[,c(1,5)]
> # 将40、80、120号样本的Sepal.Length变量值设置为缺失值
> iris1[c(40,80,120),1] <- NA
# 利用均值替换缺失值
> iris1[c(40,80,120),1] <- round(mean(iris1$Sepal.Length,na.rm = T),1)
# 查看以前的值和现在的值
> iris[c(40,80,120),1];iris1[c(40,80,120),1]
[1] 5.1 5.7 6.0
[1] 5.8 5.8 5.8
> # 绘制箱线图
> plot(iris$Sepal.Length~iris$Species,col=heat.colors(3))
# 对缺失值进行赋值
# 利用决策树对性别变量的缺失值进行赋值
> # 导入玩家调研数据
> questionnaire <- read.csv("问卷调研数据.csv",T)
> # 查看问卷调研数据的行数和变量个数
> dim(questionnaire)
[1] 292743 9
> # 对缺失值进行可视化展示
> library(VIM)
> aggr(questionnaire[,-1],prop=FALSE,numbers=TRUE)
> # 把变量转换成因子型
> str(questionnaire)
'data.frame': 292743 obs. of 9 variables:
$ 总序号 : int 1 2 3 4 5 6 7 8 9 10 ...
$ 性别 : int 1 2 2 1 1 1 1 1 2 1 ...
$ 年龄 : int 5 2 1 2 3 4 3 1 2 4 ...
$ 职业 : int 4 1 1 1 5 5 1 1 1 2 ...
$ 学历 : int 3 3 2 5 3 4 5 1 5 4 ...
$ 收入 : int 4 1 1 1 2 4 1 2 1 2 ...
$ 玩家游戏情况: int 2 2 4 4 2 4 4 4 4 4 ...
$ 游戏进入 : int 3 1 1 2 3 2 2 2 1 3 ...
$ 游戏偏好 : int 3 3 5 4 5 3 1 2 3 4 ...
> for(i in 2:ncol(questionnaire)){
+ questionnaire[,i] <- as.factor(questionnaire[,i])
+ }
> str(questionnaire)
'data.frame': 292743 obs. of 9 variables:
$ 总序号 : int 1 2 3 4 5 6 7 8 9 10 ...
$ 性别 : Factor w/ 2 levels "1","2": 1 2 2 1 1 1 1 1 2 1 ...
$ 年龄 : Factor w/ 5 levels "1","2","3","4",..: 5 2 1 2 3 4 3 1 2 4 ...
$ 职业 : Factor w/ 7 levels "1","2","3","4",..: 4 1 1 1 5 5 1 1 1 2 ...
$ 学历 : Factor w/ 5 levels "1","2","3","4",..: 3 3 2 5 3 4 5 1 5 4 ...
$ 收入 : Factor w/ 5 levels "1","2","3","4",..: 4 1 1 1 2 4 1 2 1 2 ...
$ 玩家游戏情况: Factor w/ 4 levels "1","2","3","4": 2 2 4 4 2 4 4 4 4 4 ...
$ 游戏进入 : Factor w/ 5 levels "1","2","3","4",..: 3 1 1 2 3 2 2 2 1 3 ...
$ 游戏偏好 : Factor w/ 6 levels "1","2","3","4",..: 3 3 5 4 5 3 1 2 3 4 ...
# 对数据进行分区
> train <- na.omit(questionnaire[,c("性别","职业" ,"学历","玩家游戏情况","游戏进入","游戏偏好")])
> test <- questionnaire[is.na(questionnaire$性别),c("职业" ,"学历","玩家游戏情况","游戏进入","游戏偏好")]
# 建立logit回归模型
> fit <- glm(性别~.,train,family = "binomial")
# 由于拟合结果是给每个观测值一个概率值，下面以0.5作为分类界限：
> result <- predict(fit,test,type = "response")<0.5
# 把预测结果转换成原先的值(1或2)
> z=rep(1,nrow(test));z[!result]=2
# 在test集中增加预测的性别变量值
> test_new <- cbind('性别'=z,test)
# 查看前六行数据
> head(test_new)
性别 职业 学历 玩家游戏情况 游戏进入 游戏偏好
32 2 1 1 2 1 3
33 1 5 3 2 3 6
37 2 2 4 1 1 3
54 2 1 4 1 1 3
66 2 1 2 1 1 1
77 1 4 4 4 3 2
> # 导入数据
> questionnaire <- read.csv("问卷调研数据.csv",T)
# 把变量转换成因子型
> str(questionnaire)
'data.frame': 292743 obs. of 9 variables:
$ 总序号 : int 1 2 3 4 5 6 7 8 9 10 ...
$ 性别 : int 1 2 2 1 1 1 1 1 2 1 ...
$ 年龄 : int 5 2 1 2 3 4 3 1 2 4 ...
$ 职业 : int 4 1 1 1 5 5 1 1 1 2 ...
$ 学历 : int 3 3 2 5 3 4 5 1 5 4 ...
$ 收入 : int 4 1 1 1 2 4 1 2 1 2 ...
$ 玩家游戏情况: int 2 2 4 4 2 4 4 4 4 4 ...
$ 游戏进入 : int 3 1 1 2 3 2 2 2 1 3 ...
$ 游戏偏好 : int 3 3 5 4 5 3 1 2 3 4 ...
> for(i in 2:ncol(questionnaire)){
+ questionnaire[,i] <- as.factor(questionnaire[,i])
+ }
> # 取前10000行样本进行演示
> test <- questionnaire[1:10000,]
> library(mice)
> md.pattern(test)
总序号 职业 学历 玩家游戏情况 游戏进入 游戏偏好 年龄 收入 性别
8584 1 1 1 1 1 1 1 1 1 0
605 1 1 1 1 1 1 1 1 0 1
432 1 1 1 1 1 1 1 0 1 1
36 1 1 1 1 1 1 1 0 0 2
309 1 1 1 1 1 1 0 1 1 1
17 1 1 1 1 1 1 0 1 0 2
16 1 1 1 1 1 1 0 0 1 2
1 1 1 1 1 1 1 0 0 0 3
0 0 0 0 0 0 343 485 659 1487
> install.packages("missForest")
# 利用missForest进行缺失值赋值
> #install.packages("missForest")
> library("missForest")
> z <- missForest(test)
missForest iteration 1 in progress...done!
missForest iteration 2 in progress...done!
missForest iteration 3 in progress...done!
missForest iteration 4 in progress...done!
> test.full <- z$ximp
> md.pattern(test.full)
/\ /\
{ `---' }
{ O O }
==> V <== No need for mice. This data set is completely observed.
\ \|/ /
`-----'
总序号 性别 年龄 职业 学历 收入 玩家游戏情况 游戏进入 游戏偏好
10000 1 1 1 1 1 1 1 1 1 0
0 0 0 0 0 0 0 0 0 0
5.2.2异常值判断
# 绘制质量控制图
> set.seed(1234)
> data <- rnorm(20)
> plot(data,type = "l",lwd=1.5,xlab = NA,ylab = NA,
+ ylim = c(-4,4),xlim = c(0,23),main="质量控制图")
> lines(rep(mean(data),20),lwd=1.8);text(21,mean(data),"均值线")
> lines(rep(mean(data)-3*sd(data),20),lty=2,col="red",lwd=1.8)
> text(21,mean(data)-3*sd(data),labels = "控制下限",col="red")
> lines(rep(mean(data)+3*sd(data),20),lty=2,col="red",lwd=1.8)
> text(21,mean(data)+3*sd(data),labels = "控制上限",col="red")
> dailydata <- read.csv("每日付费及留存数据.csv",T)
> # 查看前六行
> head(dailydata)
日期 新增用户 七日留存率
1 6月1日 95648 0.0753
2 6月2日 72093 0.0881
3 6月3日 84027 0.0892
4 6月4日 130968 0.0749
5 6月5日 129277 0.0579
6 6月6日 79603 0.0497
> # 查看前六行
> head(dailydata)
日期 新增用户 七日留存率
1 6月1日 95648 0.0753
2 6月2日 72093 0.0881
3 6月3日 84027 0.0892
4 6月4日 130968 0.0749
5 6月5日 129277 0.0579
6 6月6日 79603 0.0497
# 绘制付费率的单值-均值质量控制图
> library(qcc)
Error in library(qcc) : 不存在叫‘qcc’这个名字的程辑包
# 绘制付费率的单值-均值质量控制图
> library(qcc)
__ _ ___ ___
/ _ |/ __/ __| Quality Control Charts and
| (_| | (_| (__ Statistical Process Control
\__ |\___\___|
|_| version 2.7
Type 'citation("qcc")' for citing this R package in publications.
Warning message:
程辑包‘qcc’是用R版本3.6.3 来建造的
> attach(dailydata)
> qcc(七日留存率,type="xbar.one",labels= 日期,
+ title="新增用户第7日留存率的单值-均值质量监控图",
+ xlab="date",ylab="第七日留存率")
List of 11
$ call : language qcc(data = 七日留存率, type = "xbar.one", labels = 日期, title = "新增用户第7日留存率的单值-均值质量监控图", | __truncated__
$ type : chr "xbar.one"
$ data.name : chr "七日留存率"
$ data : num [1:30, 1] 0.0753 0.0881 0.0892 0.0749 0.0579 0.0497 0.0696 0.0628 0.055 0.0691 ...
..- attr(*, "dimnames")=List of 2
$ statistics: Named num [1:30] 0.0753 0.0881 0.0892 0.0749 0.0579 0.0497 0.0696 0.0628 0.055 0.0691 ...
..- attr(*, "names")= chr [1:30] "6月1日" "6月2日" "6月3日" "6月4日" ...
$ sizes : int [1:30] 1 1 1 1 1 1 1 1 1 1 ...
$ center : num 0.076
$ std.dev : num 0.00454
$ nsigmas : num 3
$ limits : num [1, 1:2] 0.0624 0.0896
..- attr(*, "dimnames")=List of 2
$ violations:List of 2
- attr(*, "class")= chr "qcc"
> # 通过boxplot.stat()函数识别异常值
> boxplot.stats(七日留存率)
$stats
[1] 0.0628 0.0730 0.0789 0.0815 0.0894
$n
[1] 30
$conf
[1] 0.07644803 0.08135197
$out
[1] 0.0579 0.0497 0.0550
> # 查找异常值的下标
> idx <- which(七日留存率 %in% boxplot.stats(七日留存率)$out)
> # 查看异常值的下标集
> idx
[1] 5 6 9
> # 绘制箱线图
> boxplot(七日留存率,col='violet')
> # 通过text函数把异常值的日期和数值在图上显示
> text(1.1,boxplot.stats(七日留存率)$out,
+ labels=paste(dailydata[idx,'日期'],dailydata[idx,'七日留存率']),
+ col="darkgreen")
# 通过聚类进行异常检测
> # 导入棋牌游戏玩家的样本数据
> w <- read.csv("玩家玩牌数据样本.csv",T)
> # 查看数据对象w的前六行
> head(w)
用户id 免费筹码 身上货币量 最高拥有 最大赢取 贡献台费 登录总次数
1 7793439 2100219025 403237 151268700 11264000 10321990 4
2 7793414 8000 20000 2774724 939132 1043120 4
3 7793253 303023394 532722 131950000 10280000 11020155 5
4 7793114 50606 10605 7211504 2040000 1792750 5
5 7793052 4000 54000 1529464150 248700000 194001720 5
6 7793039 8043211 236456 392813 160528 36960 5
站内好友数 经验值 玩牌局数 赢牌局数 输牌局数 正常牌局 非正常牌局 最高牌类型
1 1 4023 1792 270 1522 2030 10 8
2 0 1010 289 79 210 285 4 8
3 3 2898 2334 379 1955 1548 5 9
4 1 2374 926 135 791 920 6 8
5 1 4097 4710 1558 3151 4651 59 10
6 1 1467 651 113 538 408 59 9
> # w各变量的量纲不是处于同一水平，接下来进行归一化处理
> u <- round(apply(w[,-1],2,function(x) (x-min(x))/(max(x)-min(x))),4)
> # 将u变成data.frame形式
> u <- data.frame(u)
> # 将用户ID赋予对象u的行号
> row.names(u) <- w$用户id
> # 查看u的前六行
> head(u)
免费筹码 身上货币量 最高拥有 最大赢取 贡献台费 登录总次数 站内好友数
7793439 0.0825 0.0539 0.0989 0.0453 0.0532 0.2222 0.0833
7793414 0.0000 0.0027 0.0018 0.0038 0.0054 0.2222 0.0000
7793253 0.0119 0.0712 0.0863 0.0413 0.0568 0.3333 0.2500
7793114 0.0000 0.0014 0.0047 0.0082 0.0092 0.3333 0.0833
7793052 0.0000 0.0072 1.0000 1.0000 1.0000 0.3333 0.0833
7793039 0.0003 0.0316 0.0003 0.0006 0.0002 0.3333 0.0833
经验值 玩牌局数 赢牌局数 输牌局数 正常牌局 非正常牌局 最高牌类型
7793439 0.2780 0.2376 0.1266 0.2301 0.4365 0.0352 0.625
7793414 0.0417 0.0263 0.0314 0.0299 0.0613 0.0141 0.625
7793253 0.1898 0.3138 0.1809 0.2962 0.3328 0.0176 0.750
7793114 0.1487 0.1158 0.0593 0.1186 0.1978 0.0211 0.625
7793052 0.2838 0.6478 0.7683 0.4786 1.0000 0.2077 0.875
7793039 0.0775 0.0772 0.0483 0.0800 0.0877 0.2077 0.750
> # 利用K-Means聚类对数据u进行分群，k选择为3
> kmeans.result <- kmeans(u,3)
> # 查看聚类结果
> kmeans.result
K-means clustering with 3 clusters of sizes 14, 71, 50
Cluster means:
免费筹码 身上货币量 最高拥有 最大赢取 贡献台费 登录总次数
1 0.108764286 0.15163571 0.11637143 0.109628571 0.136200000 0.6508071
2 0.004321127 0.01327324 0.00613662 0.009998592 0.001423944 0.2222000
3 0.016440000 0.08925200 0.02921200 0.032534000 0.010432000 0.5355600
站内好友数 经验值 玩牌局数 赢牌局数 输牌局数 正常牌局 非正常牌局
1 0.1607000 0.48262857 0.5033571 0.34067143 0.44974286 0.64602857 0.077471429
2 0.1150127 0.05312817 0.0274338 0.02373662 0.03092113 0.05804366 0.008323944
3 0.1733240 0.13628000 0.0834060 0.07338200 0.07800000 0.16078600 0.045978000
最高牌类型
1 0.7946429
2 0.6320423
3 0.7050000
Clustering vector:
7793439 7793414 7793253 7793114 7793052 7793039 7792916 7792868 7792852 7792789
3 2 3 2 1 2 2 2 3 2
7792668 7792464 7792107 7792081 7791623 7791602 7791500 7791470 7791350 7790995
3 3 2 3 3 2 2 2 3 3
7790983 7790940 7790910 7790848 7790777 7790487 7790156 7790155 7790132 7790078
2 2 2 1 1 2 3 3 3 2
7790011 7789828 7789630 7789238 7789115 7788935 7788851 7788850 7788730 7788701
3 3 2 3 2 1 3 2 3 3
7788345 7788205 7788150 7788135 7788117 7787809 7787637 7787607 7787455 7787426
2 2 2 3 3 3 2 2 3 3
7787043 7786946 7786849 7786848 7786693 7786668 7786559 7786516 7786317 7785823
1 2 3 1 2 2 3 3 3 2
7785694 7785618 7785324 7785241 7785132 7785129 7785022 7785012 7784979 7784401
1 3 3 3 3 2 3 2 2 1
7784277 7784272 7784240 7784015 7783648 7783392 7783382 7783181 7783122 7782622
1 2 3 3 2 1 3 3 1 1
7782454 7782386 7781798 7781797 7781599 7781580 7781537 7780962 7780876 7780355
3 3 1 3 3 3 2 3 3 3
7780096 7780095 7779790 7779712 7779508 7779280 7779165 7779132 7779016 7778900
1 3 3 2 3 2 3 2 2 3
7794328 7787666 7780334 7784012 7784759 7791150 7779470 7791828 7786085 7794708
2 2 2 2 2 2 2 2 2 2
7783630 7786065 7785023 7784754 7793765 7794916 7782731 7795859 7784033 7794499
2 2 2 2 2 2 2 2 2 2
7790049 7795560 7785530 7785874 7783034 7785840 7790881 7794303 7794234 7791025
2 2 2 2 2 2 2 2 2 2
7788078 7790831 7793545 7794275 7783970
2 2 3 2 2
Within cluster sum of squares by cluster:
[1] 10.032499 4.871164 10.743719
(between_SS / total_SS = 40.7 %)
Available components:
[1] "cluster" "centers" "totss" "withinss" "tot.withinss"
[6] "betweenss" "size" "iter" "ifault"
> # 找出距离最大的5个玩家
> centers <- kmeans.result$centers[kmeans.result$cluster,]
> distances <- sqrt(rowSums((u-centers)^2))
> outliers <- order(distances,decreasing = T)[1:5]
> # 打印出距离最大的5个玩家的行号
> print(outliers)
[1] 5 11 76 71 67
> # 打印出异常玩家的用户ID
> rownames(u[outliers,])
[1] "7793052" "7792668" "7783392" "7784277" "7785022"
> # 绘制135位玩家的散点图
> plot(u$玩牌局数,u$正常牌局,pch=kmeans.result$cluster,
+ axes=F,xlab="玩牌局数",ylab="正常牌局")
> axis(1,labels = F);axis(2,labels = F)
> # 绘制类中心点
> points(kmeans.result$centers[,c('玩牌局数','正常牌局')],pch=16,cex=1.5)
> # 绘制离群点
> points(u[outliers,c('玩牌局数','正常牌局')],pch="*",col=4,cex=1.5)
> # 把离群点的用户ID号打印出来
> text(u[outliers,c('玩牌局数','正常牌局')],
+ labels=rownames(u[outliers,]),
+ cex=1,col="black")
R语言 数据清洗（缺失值处理、异常值处理）相关推荐
- R语言-数据清洗-缺失值处理
缺失值处理包括两个步骤,即缺失数据的识别和缺失值处理.在R语言总缺失值以NA表示,可以使用函数is.na()判断缺失值是否存在,函数complete.cases()可识别样本数据是否完整从而判断缺失情 ...
- r语言中mpg数据_零基础生信入门第一课——R语言数据清洗，超详细讲解，建议收藏！...
小伙伴们大家好!今天我要用一篇推文精要概括数据清洗中的最基本最关键的步骤,对于零基础的学员一定会有很大收获!数据清洗是完成一篇生信文章最基本但也是最终要的准备工作,如果不会数据清洗,就要错过很多优质数 ...
- R语言进行缺失值填充（Filling in missing values）：使用R原生方法、data.table、dplyr等方案
R语言进行缺失值填充(Filling in missing values):使用R原生方法.data.table.dplyr等方案 目录 R语言进行缺失值填充&#x
- 机器学习之数据预处理——数据清洗(缺失值、异常值和重复值的处理)
机器学习之数据预处理--数据清洗缺失值.异常值和重复值的处理 基础知识 技术点总结 数据列缺失的处理方法 1.丢弃(缺失值处理) 1.生成一份随机数据 2.查看哪些值缺失 3.获得含有NA的列 4.获 ...
- R语言——数据清洗之缺失值处理
数据清洗之缺失值--R语言 缺失值处理步骤: 1)识别缺失数据: 2)检查导致数据缺失的原因: 3)删除包含缺失值的实例或用合理的数值代替(插补)缺失值 缺失值数据的分类: 1)完全随机缺失:若某变量 ...
- R语言 数据清洗 重复值所在的行 重复 的筛选与去除，唯一ID出现重复 no重复处理
住院号 姓名 等唯一值变量的检查与筛选 重复值所在的行 使用本地数据 鸢尾花(yuān wěi huā)做示例 [R语言][数据清洗]重复ID数据获取比对 #加载内置数据 data(iris) dat ...
- 数据清洗 - 缺失值，异常值，重复值处理
数据清洗 数据清洗的对象就是缺失值,重复值,异常值 一 重复值的处理一般用删除法,但是在业务上有意义的重复值不能删除import numpy as np import pandas as pd imp ...
- R语言数据清洗与规整-回归模型为例
数据清洗和规整是进行数据分析的前提条件,数据的清洗和规整通常会花费比进行数据分析更多的时间,正所谓"清洗一小时,分析五秒钟". 数据清洗和规整要依据实际数据的特征进行,其包括缺失值 ...
- 如何利用R语言处理 缺失值 数据
主要用到VIM和mice包 [plain] view plain copy install.packages(c("VIM","mice")) 1.处理缺失 ...
最新文章
- oracle Hash Join及三种连接方式
- Android__Context
- 资源推荐—HTML5精品资源
- 【成长点滴】对SMART原则的一些粗浅理解
- 明源云·天际，地产⾏业的Salesforce Lightning Platform
- 中国数学竞赛史上最玩命的“赌徒”，为了国家荣誉，他不惜用生命换来了五次世界第一...
- android.mk 比较字变量,粉丝投稿 | 谈谈Android.mk
- js中的==与===的区别
- UDP 通讯协议 局域网通信发送消息 简单实现
- 大数据如何影响百姓生活
- golang 切片追加问题
- 成都高端企业网站建设前网站推广优化战略规划成都辰星建站
- Bithumb Global AMA丨Cred加速实现开放金融——打造区块链上蚂蚁金服
- 【劲峰论道时空分析技术-学习笔记】2 时空可视化
- 4万字长篇，详解平安集团全生态布局及大数据业务应用研究
- Top9竞赛总结-NLP语义相似度 第三届拍拍贷“魔镜杯”大赛
- 加权平均数的例子_加权平均数公式（加权平均数公式例子）
- 细雨闲花-2007经典高考作文（绝对经典）
- dell灵越笔记本后盖怎么拆_如何拆卸Dell Inspiron 15 5570笔记本电脑并安装M.2 SSD
- 【默认输入法】Android8.1默认输入法修改(解决输入法切换和权限获取等问题)