2011年-2019年华东地区产业发展、人口以及平均工资简析
2011年-2019年华东地区产业发展、人口以及平均工资简析
目录
一、项目目的
二、数据的来源及预处理
1.数据的来源
2.数据预处理
二、数据的分析
1.华东地区总产值及各产业占比情况如何
1.1.验证数据 1.2.各省市生产总值变化情况 1.3. 华东地区第二产业、第三产业变化情况 1.4.各省市第二、三产业占比变化 1.5. 2011年及2019年各地区生产总值及各产业占比
2.华东地区人口变化情况及人口分布
2.1.人口变化情况 2.2. 2019年各地区人口占比
3.城镇单位就业人员平均工资
3.1.城镇单位就业人员平均工资变化情况 3.2. 地区生产总值与城镇单位就业人员平均工资的关系 3.3.地区人均生产总值与城镇单位就业人员平均工资的关系
三、结论
~~此处分割线~~
一、项目目的
了解近几年华东地区的经济发展状况,了解华东地区人口以及就业人员工资的变化情况,分析伴随着生产总值的变化,人口及就业人员平均工资发生的变化。
二、数据的来源及预处理
1.数据的来源
本次分析所用数据来自于国家统计局官网(data.stats.gov.cn)。
从网站共获取6个csv数据文件,包括地区生产总值(亿元).csv、第一产业增加值(亿元)、第二产业增加值(亿元)等。
其中地区生产总值.csv文件展示如下:
数据库:分省年度数据
指标:地区生产总值(亿元)
时间:最近10年
地区,2020年,2019年,2018年,2017年,……,2014年,2013年,2012年,2011年
上海市,,37987.6,36011.8,32925.0,……,25269.8,23204.1,21305.6,20009.7
江苏省,,98656.8,93207.6,85869.8,……,64830.5,59349.4,53701.9,48839.2
浙江省,,62462.0,58002.8,52403.1,……,40023.5,37334.6,34382.4,31854.8
安徽省,,36845.5,34010.9,29676.2,……,22519.7,20584.0,18341.7,16284.9
福建省,,42326.6,38687.8,33842.4,……,24942.1,22503.8,20190.7,17917.7
江西省,,24667.3,22716.5,20210.8,……,15667.8,14300.2,12807.7,11584.5
山东省,,70540.5,66648.9,63012.1,……,50774.8,47344.3,42957.3,39064.9
注:1.本表按当年价格计算。……
2.数据预处理
IN[1]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt #引用相关库
plt.rcParams["font.sans-serif"]=["SimHei"] #设置画图字体为黑体title = input("输入文件名称:")
site = "/文件路径/"+ title +".csv"
region_data = pd.read_csv( site,header=3 , nrows=7 , encoding="ANSI" )
#文件有效信息从第4行开始,共7行有效信息pd.set_option("display.max_columns",7) #设置pandas最大显示列为7列
region_data.head(5)
#预览数据
OUT[1]:
地区 2020年 2019年 ... 2013年 2012年 2011年
0 上海市 NaN 37987.6 ... 23204.1 21305.6 20009.7
1 江苏省 NaN 98656.8 ... 59349.4 53701.9 48839.2
2 浙江省 NaN 62462.0 ... 37334.6 34382.4 31854.8
3 安徽省 NaN 36845.5 ... 20584.0 18341.7 16284.9
4 福建省 NaN 42326.6 ... 22503.8 20190.7 17917.7
IN[2]:
region_data.drop(["2020年"],axis = 1,inplace = True)
#可以发现 2020年相关数据缺失,进行删除
IN[3]:
region_data = region_data.set_index("地区")
#设置地区为索引
region_data = region_data.stack()
#对数据进行转换,此时region_data转换为Series格式文件
region_data = region_data.reset_index()
#重设region_data的索引,并将其转换为DataFrame格式
region_data.columns = ["地区","时间",title] #对列进行重命名
region_data.head(5)
OUT[3]:
地区 时间 地区生产总值(亿元)
0 上海市 2019年 37987.6
1 上海市 2018年 36011.8
2 上海市 2017年 32925.0
3 上海市 2016年 29887.0
4 上海市 2015年 26887.0
IN[4]:
def trans():site = "/文件路径/"+ title +".csv"temp_data = pd.read_csv(site,header=3,nrows=31,encoding="ANSI")temp_data.drop(["2020年"],axis = 1,inplace = True)temp_data = temp_data.set_index("地区")temp_data = temp_data.stack()temp_data = temp_data.reset_index()temp_data.columns = ["地区","时间",title]return temp_data
#将以上处理过程定义为trans()函数
title = input("输入文件名:")
while (title != "" ):region_data = pd.merge( region_data , trans() , how="outer",on = ["地区","时间"] )title = input("输入文件名:")
#依次输入其余文件名,将其余文件进行同样的处理并与region_data合并
IN[5]:
region_data.head(10)
OUT[5]:
地区 时间 地区生产总值(亿元) ...年末常住人口(万人) 就业人员平均工资(元)
0 上海市 2019年 37987.6 ... 2428.0 149377.0
1 上海市 2018年 36011.8 ... 2424.0 140400.0
2 上海市 2017年 32925.0 ... 2418.0 129795.0
3 上海市 2016年 29887.0 ... 2420.0 119935.0
4 上海市 2015年 26887.0 ... 2415.0 109174.0
5 上海市 2014年 25269.8 ... 2426.0 100251.0
6 上海市 2013年 23204.1 ... 2415.0 90908.0
7 上海市 2012年 21305.6 ... 2380.0 78673.0
8 上海市 2011年 20009.7 ... 2347.0 75591.0
9 江苏省 2019年 98656.8 ... 8070.0 96527.0
IN[6]:
region_data.info()
<class 'pandas.core.frame.DataFrame'>
Int64 Index: 63 entries, 0 to 62
Data columns (total 8 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 地区 63 non-null object 1 时间 63 non-null object 2 地区生产总值(亿元) 63 non-null float643 第一产业增加值(亿元) 63 non-null float644 第二产业增加值(亿元) 63 non-null float645 第三产业增加值(亿元) 63 non-null float646 年末常住人口(万人) 63 non-null float647 城镇单位就业人员平均工资(元) 63 non-null float64
dtypes: float64(6), object(2)
memory usage: 4.4+ KB
二、数据的分析
1.华东地区总产值及各产业占比情况如何
1.1.验证数据
IN[7]:
x = region_data['地区生产总值(亿元)'] #将x赋值为地区生产总值
y1 = region_data['第一产业增加值(亿元)']
y2 = region_data['第二产业增加值(亿元)']
y3 = region_data['第三产业增加值(亿元)']
y = y1+y2+y3 #y赋值为各产业增加值之和
count = 0 #用于计数
for i,j in zip(x,y):if (int(i/10) == int(j/10)): #由于四舍五入,数据可能存在个位数上的偏差count += 1
count == region_data.shape[0] #验证否全部的生产总值与各产业增加值之和是否相等
Out[7]:
True #数据无误
1.2.各省市生产总值变化情况
IN[8]:
sd = region_data.groupby("地区").get_group("山东省").sort_values("时间")
js = region_data.groupby("地区").get_group("江苏省").sort_values("时间")
sh = region_data.groupby("地区").get_group("上海市").sort_values("时间")
fj = region_data.groupby("地区").get_group("福建省").sort_values("时间")
ah = region_data.groupby("地区").get_group("安徽省").sort_values("时间")
zj = region_data.groupby("地区").get_group("浙江省").sort_values("时间")
jx = region_data.groupby("地区").get_group("江西省").sort_values("时间")#将数据按照地区分组并按时间递增排序,最后赋值给各地区的首字母缩写
linestyle = ["-","--","-.","-","--","-.","-"] #折线图中折线的形态
names = list( region_data["地区"].unique() ) #提取各地区名字转换成列表x = region_data[region_data["地区"]=="上海市"]["时间"] .sort_values()
#将x赋值为递增的一维时间数据y_list = [sh["地区生产总值(亿元)"], js["地区生产总值(亿元)"], zj["地区生产总值(亿元)"], ah["地区生产总值(亿元)"], fj["地区生产总值(亿元)"], jx["地区生产总值(亿元)"], sd["地区生产总值(亿元)"]]
#将各地区的生产总值按names中顺序组合成列表fig , ax = plt.subplots(figsize = (10,7)) #设置画布尺寸并将画布与绘图区域赋值给fig和ax
for i,j,k in zip(y_list,names,linestyle):ax.plot( x , i , label = j , linewidth = 2.5 , linestyle = k ) #进行绘图ax.set_ylabel('生产总值(亿元)', fontsize = 20) #设置y轴标识
ax.set_title("华东地区2011年-2019年生产总值变化情况", fontsize = 20) #设置标题
plt.tick_params(labelsize=15) #设置刻度值字体大小
ax.legend(prop={'size':15}) #显示图例并调整图例大小
由图可以发现各地区生产总值在2011年—2019年均翻了一番,但各地区生产总值之比似乎没有发生较大的变化。
1.3. 华东地区第二产业、第三产业变化情况
IN[9]:
y_list = [sh["第二产业增加值(亿元)"], js["第二产业增加值(亿元)"],zj["第二产业增加值(亿元)"], ah["第二产业增加值(亿元)"], fj["第二产业增加值(亿元)"], jx["第二产业增加值(亿元)"], sd["第二产业增加值(亿元)"]]#将各地区第二产业增加值组合成列表
fig,ax = plt.subplots( figsize = (10,7) ) #创建画布与画图区域
for i,j,k in zip(y_list,names,linestyle):ax.plot( x , i , label = j , linewidth = 2.5 , linestyle = k ) #进行绘图ax.set_ylabel('第二产业增加值(亿元)', fontsize = 20) #设置y轴标识
ax.set_title("华东地区2011年-2019年第二产业增加值变化情况", fontsize = 20) #设置标题
ax.legend(prop={'size':12}) #显示图例
由图可以看出,除上海第二生产总值停滞以外,各地区第二产业生产总值在2011年-2019年一直在上升,但相比较于第三产业生产总值,其增加的速度要低很多。
1.4.各省市第二、三产业占比变化
IN[10]:
y_list = [sh["第二产业增加值(亿元)"]/sh["地区生产总值(亿元)"], js["第二产业增加值(亿元)"]/js["地区生产总值(亿元)"], zj["第二产业增加值(亿元)"]/zj["地区生产总值(亿元)"], ah["第二产业增加值(亿元)"]/ah["地区生产总值(亿元)"],fj["第二产业增加值(亿元)"]/fj["地区生产总值(亿元)"], jx["第二产业增加值(亿元)"]/jx["地区生产总值(亿元)"], sd["第二产业增加值(亿元)"]/sd["地区生产总值(亿元)"]]
#计算各地区第二产业占比,并组合成列表
fig,ax = plt.subplots( figsize = (10,7) ) #创建画布与画图区域
for i,j,k in zip(y_list,names,linestyle):ax.plot( x , i , label = j , linewidth = 2.5 , linestyle = k ) #进行绘图
ax.set_ylabel('第二产业占比%', fontsize = 20) #设置y轴标识
ax.set_title("华东地区2011年-2019年第二产业占比变化情况", fontsize = 20) #设置标题
ax.legend(prop={'size':12},loc=1,bbox_to_anchor=(1,0.47)) #显示图例
再以同样的方法画出第三产业占比的变化情况
由图可知,虽然从2011年-2019年华东地区各省市第二产业生产总值在增长,但其占生产总值的比例均在下降,其中本来第二产业占比就比较小的上海市下降程度最大;第三产业占比则均有相当程度的增长。
1.5. 2011年及2019年各地区生产总值及各产业占比
IN[11]:
x = region_data[region_data["时间"]=="2011年"]["地区"]
y1 = region_data[region_data["时间"] == "2011年"]["第一产业增加值(亿元)"]
y2 = region_data[region_data["时间"] == "2011年"]["第二产业增加值(亿元)"]
y3 = region_data[region_data["时间"] == "2011年"]["第三产业增加值(亿元)"]#为x轴与y轴数据赋值
plt.figure(figsize=(10,7)) #设置画布尺寸
plt.bar(x,y1+y2+y3,label="第三产业",edgecolor = "black")
plt.bar(x,y1+y2,label="第二产业",edgecolor = "black")
plt.bar(x,y1,label="第一产业",edgecolor = "black")
#画出叠加柱状图
plt.legend(loc=1,fontsize=14) #显示图例
plt.ylabel('增加值(亿元)',fontsize=16) #添加y轴标签
plt.title("2011年华东地区生产总值及各产业占比",fontsize=18) #添加标题
plt.ylim(0,100000) #设置y轴上下限for i,a,b,c in zip(x,y1,y2,y3):p1 = a/(a+b+c) #第一产业占比p2 = b/(a+b+c) #第二产业占比p3 = c/(a+b+c) #第三产业占比plt.text(i, a +500, '{:.1%}'.format(p1), ha='center',fontsize = 15)plt.text(i, a+b +500, '{:.1%}'.format(p2), ha='center',fontsize = 15)plt.text(i, a+b+c+500, '{:.1%}'.format(p3), ha='center',fontsize = 15)#在图中添加各地区各产业的增加值占比
再以同样的方式画出2019年华东地区生产总值及各产业占比。
2.华东地区人口变化情况及人口分布
2.1.人口变化情况
IN[12]:
x = region_data[region_data["地区"]=="上海市"]["时间"] .sort_values()
#将x赋值为递增的一维时间数据y_list = [sh["年末常住人口(万人)"], js["年末常住人口(万人)"],zj["年末常住人口(万人)"], ah["年末常住人口(万人)"],fj["年末常住人口(万人)"], jx["年末常住人口(万人)"], sd["年末常住人口(万人)"]]
#将各地区年末常住人口组合成列表
fig,ax = plt.subplots( figsize = (10,7) ) #创建画布与画图区域
for i,j,k in zip(y_list,names,linestyle):ax.plot( x , i , label = j , linewidth = 2.5 , linestyle = k ) #进行绘图ax.set_ylabel('人口(万人)', fontsize = 20) #设置y轴标识
ax.set_title("华东地区2011年-2019年人口变化情况", fontsize = 20) #设置标题
plt.tick_params(labelsize=15) #设置刻度值字体大小
ax.legend(prop={'size':12},loc=1) #设置并显示图例
plt.ylim(0, 15000) #设置y轴上下限
可以发现各地区人口均有极小程度的下降,但总体变化程度非常小。
2.2. 2019年各地区人口占比
IN[13]:
y2019 = y2019.sort_values("年末常住人口(万人)") #将2019年分组按照人口升序排序
y = list(y2019["年末常住人口(万人)"]) #将人口一列的数据转化为列表赋值给y
labels = list(y2019["地区"]) #将地区一列数据转化为列表,用作标识plt.style.use("ggplot") #调整画图风格
plt.figure( figsize = (8,9) , dpi = 100) #设置画布尺寸
patches,l_text,p_text = plt.pie( y , labels = labels , autopct = '%3.2f%%' , startangle = 90 ,
pctdistance = 0.5, labeldistance=1.1) #画图,并将标识字体和百分比字体分别赋值
for t in l_text:t.set_size(17) #调整标识字体大小
for t in p_text:t.set_size(12) #调整百分比字体大小
plt.title("2019年人口占比",fontsize = 20) #设置标题
plt.axis('equal') #调整为正圆
从图中可以发现,各地区中,山东省人口占比最高为24.31%;上海市最少,人口占比为5.86%。
三、城镇单位就业人员平均工资
3.1.城镇单位就业人员平均工资变化情况
IN[14]:
x = region_data[region_data["地区"]=="上海市"]["时间"] .sort_values()#将x赋值为时间升序序列
y_list = [sh["城镇单位就业人员平均工资(元)"], js["城镇单位就业人员平均工资(元)"],zj["城镇单位就业人员平均工资(元)"], ah["城镇单位就业人员平均工资(元)"], fj["城镇单位就业人员平均工资(元)"], jx["城镇单位就业人员平均工资(元)"], sd["城镇单位就业人员平均工资(元)"]]
fig,ax = plt.subplots(figsize=(9,6))
for i,j,k in zip(y_list,names,linestyle):plt.plot( x , i , label = j , linewidth = 2.5 , linestyle = k ) #进行绘图ax.set_title("华东地区2011年-2019年城镇单位平均工资变化情况", fontsize = 20) #设置标题
plt.tick_params(labelsize=15) #调整刻度值字体大小
ax.legend(prop={'size':12}) #显示并设置图例
由图可以看出,同生产总值一样,华东各地区在2011年-2019年城镇单位就业人员平均工资也有较大的提升,数量大概同样翻了一番。
3.2. 地区生产总值与城镇单位就业人员平均工资的关系
IN[15]:
y_list = [sh["城镇单位就业人员平均工资(元)"],js["城镇单位就业人员平均工资(元)"],zj["城镇单位就业人员平均工资(元)"],ah["城镇单位就业人员平均工资(元)"],fj["城镇单位就业人员平均工资(元)"],jx["城镇单位就业人员平均工资(元)"],sd["城镇单位就业人员平均工资(元)"]]
x = [sh["地区生产总值(亿元)"],js["地区生产总值(亿元)"],zj["地区生产总值(亿元)"],ah["地区生产总值(亿元)"],fj["地区生产总值(亿元)"],jx["地区生产总值(亿元)"],sd["地区生产总值(亿元)"]]
plt.figure(figsize=(9,6)) #设置画布尺寸
for i,j,k in zip(x,y_list,names): plt.scatter(i,j,label=k) #画出散点图
plt.legend(loc = 1,fontsize = 13) #显示并设置图例
plt.xlabel("地区生产总值(亿元)",fontsize=18) #设置x轴标识
plt.ylabel("城镇单位就业人员平均工资(元)",fontsize=18) #设置y轴标识
plt.title("各地区生产总值-平均工资",fontsize=20) #设置标题
由图可以发现,在相同的地区平均工资和生产总值是一个线性的关系,但不同地区其斜率差距很大,推测其主要原因是因为各地区人口数量差距很大。人口高一方面会拉低平均工资;另一方面会增加地区的规模,从而造成地区生产总值的提高。接下来我们将生产总值与人口进行除运算,得出地区人均生产总值然后再探究。
3.3.地区人均生产总值与城镇单位就业人员平均工资的关系
IN[16]:
x = [sh["地区生产总值(亿元)"]/sh["年末常住人口(万人)"],
js["地区生产总值(亿元)"]/js["年末常住人口(万人)"],
zj["地区生产总值(亿元)"]/zj["年末常住人口(万人)"],
ah["地区生产总值(亿元)"]/ah["年末常住人口(万人)"],
fj["地区生产总值(亿元)"]/fj["年末常住人口(万人)"],
jx["地区生产总值(亿元)"]/jx["年末常住人口(万人)"],
sd["地区生产总值(亿元)"]/sd["年末常住人口(万人)"]]plt.figure(figsize=(9,6)) #设置画布尺寸
for i,j,k in zip(x,y_list,names): plt.scatter(i,j,label=k) #画出散点图
plt.legend(fontsize = 13) #显示并设置图例
plt.xlabel("各地区人均生产总值(万元)",fontsize=18) #设置x轴标识
plt.ylabel("城镇单位就业人员平均工资(元)",fontsize=18) #设置y轴标识
plt.title("各地区人均生产总值-平均工资",fontsize=20) #设置标题
可以发现相比较于上图,本图各组散点的相似程度提高了很多,其斜率已经相当接近,但仍存在个别差异,推测产生差异的原因为各地区地理位置、产业结构等各种因素的叠加影响。
四、结论
1. 2011年-2019年华东地区各省市生产总值均有非常明显的提高,其中第二产业增加值和第三产业增加值占据了生产总值的绝大部分,除上海市第二产业生产值停滞以外,其余地区第二产业生产值均在提高,但整个华东地区地第三产业生产值都有飞速的增长,造成各地区第二产业生产值在生产总值中的比例一直下降。
2. 在人口方面,不考虑人口结构等其它方面,仅就人口数量而言变化非常小。人口由多到少依次为山东省、江苏省、安徽省、浙江省、江西省、福建省、上海市,其中山东省人口占比为24.31%;上海市占比为5.86%。
3. 城镇单位就业人员人均工资则与当地的人均生产总值成明显的线性关系,不同地区之间则略有差距,推测是由各地区具有的不同的地理位置以及产业结构等要素造成的。
2011年-2019年华东地区产业发展、人口以及平均工资简析相关推荐
- 汕头大学计算机软件专业研究生就业,月薪6800:汕头大学2019毕业研究生就业,这个学院平均工资最高...
原标题:月薪6800:汕头大学2019毕业研究生就业,这个学院平均工资最高 汕头大学座落在风景秀丽的海滨城市汕头,校园依山傍水,建筑风格优雅,被誉为"高校建筑之花".汕头大学借鉴世 ...
- 2019年全国一二线城市程序员工资大调查,快来看看你有没有拖后腿!
转载自CSDN: https://blog.csdn.net/juwikuang/article/details/89422579 我在4月1日到3日之间,抓取了某招聘网站的软件和互联网类招聘数据40 ...
- python平均工资-2019年我国程序员薪资统计,看看你出于什么水平?
主要城市程序员工资 2019年9月北京招收程序员26430人.2019年9月北京程序员平均工资17224元,工资中位数15000元,其中95%的人的工资介于3750元到45000元. 2019年9月上 ...
- 《2019中国大数据产业发展白皮书》深度解读
文章经授权转载自赛迪智库(ID:ccidthinktank) 近日,由大数据产业生态联盟联合赛迪顾问共同完成的<2019中国大数据产业发展白皮书>(以下简称<白皮书>)在201 ...
- 上海和南京211计算机,华东地区“录取分数最高”的五所非211大学,两所是信息科技名校...
近些年,在选择#大学#时,很多学生都会非常看重大学所在的城市,因为不同的城市会带给学生不同的求学体验.一般来说,经济比较发达的大城市在很多领域都是全国先进水平,学生们在大城市上学,视野会更加宽广,同时 ...
- 80×60长40米的地笼_石家庄Q345矩形方管 220*80*8方管 华东地区
摘要: 石家庄Q345矩形方管 220*80*8方管 华东地区 无锡征图钢业有限公司是一家以生产矩形钢管为主的方管厂作为专业矩管生产,无缝方管生产企业,矩形钢管生产工艺采用先进的热轧钢管生产线生产,产 ...
- 2011年至2019年制造的 AMD 处理器均易受两种新型攻击
聚焦源代码安全,网罗国内外最新资讯! 编译:奇安信代码卫士团队 本周,奥地利格拉茨技术大学和法国雷恩大学的六名研究人员表示,2011年至2019年制造的 AMD 处理器易受两种新型攻击的影响.它们影响 ...
- 2019年华东师范大学计算机与软件工程学院保研夏令营经历
2019年华东师范大学计算机与软件工程学院保研夏令营经历 华东师大软件工程 华师大的软件工程全国并列第四,上海第一,想读软件真的应该来华师大. 夏令营情况 5月份华师大发布了夏令营信息,今年报名的计算 ...
- 华东地区博友链接集合(陆续增加中)
这是华东地区(上海市 江苏省 浙江省 安徽省 福建省 江西省 山东省)博友的集合,陆续增加中,申请加入的请先把我加为友情链接: 狂奔的野猪 小鑫纯情年代牋稻草小博云飞扬 情定爱琴海冰客911 鱼来鱼往 ...
- 中国罗茨鼓风机行业产值产量及市场格局分析:行业产值集中在华东地区,2020年占比超86%[图]
一.发展历程 鼓风机是指在设计条件下风压在30kPa-200kPa以内的风机,是工业生产中提供气体动力的重要工艺设备,在国民经济和日常生活中占有重要的地位.按照工作原理和结构进行分类,鼓风机可分为罗茨 ...
最新文章
- mysql sql语句大全
- Java 基于 TCP/IP 实现 Socket中的多客户端通信
- Java Code Geeks通过Twitter赠送了免费的Sublime Text Editor许可
- 关于Extjs gridpanel设置autoHeight:true时,横向滚动条的问题
- 最近做了个数据采集的工具
- 如何在 Mac 上管理用于锁定备忘录的密码?
- 读书笔记(第五、六周)
- python制作烟花特效_过大年,用Python去绽放最绚丽的烟花
- 哈希摘要、证书、对称密钥、公私密钥应用场景梳理
- Unity 手机游戏屏幕翻转/转屏问题
- 《环太平洋》视觉特效分解
- 大数据技术原理与应用(林子雨)-NoSQL数据库单元测验
- 从0基础学习Python(13)[面向对象思想]
- 缓冲区、通道、Files、NIO2
- 【Busybox】Busybox源码分析-04 | ash和login程序
- nmon和nmon analyser的下载和使用
- 5.4 控制器的功能和工作原理
- 「视频」VR购物有望解决现有二维网购模式的掣肘?
- Windows Azure系列-- Azure Table的CRUD操作
- **网站被黑后和官网被入侵更好的处理解决办法