R语言 样本相似性可视化
目录
一.轮廓图和雷达图
1.轮廓图
2.雷达图
二.星图和脸谱图
1.星图
2.脸谱图
三.聚类图和热图
1.聚类图
2.热图
一.轮廓图和雷达图
1.轮廓图
轮廓图（outline plot）也称平行坐标图或多线图
用X轴表示各样本，用Y轴表示每个样本的多个变量的数值（X轴和Y轴可以互换），将同一样本在不同变量上的观测值用折线连接起来
观察轮廓图中各折线的形状及其排列方式，可以比较各样本在多个变量上取值的相似性及差异
# 图1 31个地区8项消费支出（元）的轮廓图
library(DescTools)
data6_1<-read.csv("./mydata/chap06/data6_1.csv")
head(data6_1)地区 区域划分 三大地带 食品烟酒 衣着 居住 生活用品及服务 交通通信
1 北京 华北 东部地带 7548.9 2238.3 12295.0 2492.4 5034.0
2 天津 华北 东部地带 8647.0 1944.8 5922.4 1655.5 3744.5
3 河北 华北 东部地带 3912.8 1173.5 3679.4 1066.2 2290.3
4 山西 华北 中部地带 3324.8 1206.0 2933.5 761.0 1884.0
5 内蒙古 华北 西部地带 5205.3 1866.2 3324.0 1199.9 2914.9
6 辽宁 东北 东部地带 5605.4 1671.6 3732.5 1191.7 3088.4
教育文化娱乐 医疗保健 其他用品及服务
1 3916.7 2899.7 1000.4
2 2691.5 2390.0 845.6
3 1578.3 1396.3 340.1
4 1879.3 1359.7 316.1
5 2227.8 1653.8 553.8
6 2534.5 1999.9 639.3
mat<-as.matrix(data6_1[,4:11]);rownames(mat)=data6_1[,1] # 将数据框转换成矩阵
par(mai=c(0.7,0.7,0.1,0.1),cex=0.9)
PlotLinesA(t(mat),xlab="消费项目",ylab="支出金额",args.legend=NA,col=rainbow(31),pch=21,pch.col=1,pch.bg="white",pch.cex=1)
legend(x="topright",legend=data6_1[,1],lty=1,col=rainbow(31),box.col="grey80",inset=0.01,ncol=4,cex=0.8)
# 图2 按区域分组的31个地区8项消费支出的轮廓图
library("ggiraphExtra")
require(ggplot2)ggPair(data6_1,aes(color=区域划分))+ # 按区域划分因子分组theme(axis.text=element_text(size=9), # 设置坐标轴字体大小# legend.position=c(0.6,0.87), # 设置图例位置legend.direction="horizontal", # 图例水平排列legend.text=element_text(size="7"), # 设置图例字体大小 axis.text.y=element_text(color = 'white'))
# 图3 按三大地带分组的31个地区8项消费支出的轮廓图
ggPair(data6_1,aes(color=三大地带))+ # 按三大地带分组theme(axis.text=element_text(size=7), # 设置坐标轴字体大小# legend.position=c(0.8,0.8), # 设置图例位置legend.direction="vertical", # 图例垂直排列legend.text=element_text(size="7"), # 设置图例字体大小axis.text.y=element_text(color = 'white'))
2.雷达图
雷达图（radar chart）也称为蜘蛛图（spider chart），它是从一个点出发，每个变量用一条射线表示，P个变量形成P条射线（P个坐标轴），每个样本在P个变量上的取值连接成线，即围成一个区域，多个样本围成多个区域，就是雷达图
P个变量的计量单位可能不同，数值的量级往往差异很大，每条坐标轴的刻度需要根据每个变量单独确定，因此，不同坐标轴的刻度是不可比的
利用雷达图也可以研究多个样本之间的相似程度
data6_1<-read.csv("./mydata/chap06/data6_1.csv")
head(data6_1)地区 区域划分 三大地带 食品烟酒 衣着 居住 生活用品及服务 交通通信
1 北京 华北 东部地带 7548.9 2238.3 12295.0 2492.4 5034.0
2 天津 华北 东部地带 8647.0 1944.8 5922.4 1655.5 3744.5
3 河北 华北 东部地带 3912.8 1173.5 3679.4 1066.2 2290.3
4 山西 华北 中部地带 3324.8 1206.0 2933.5 761.0 1884.0
5 内蒙古 华北 西部地带 5205.3 1866.2 3324.0 1199.9 2914.9
6 辽宁 东北 东部地带 5605.4 1671.6 3732.5 1191.7 3088.4
教育文化娱乐 医疗保健 其他用品及服务
1 3916.7 2899.7 1000.4
2 2691.5 2390.0 845.6
3 1578.3 1396.3 340.1
4 1879.3 1359.7 316.1
5 2227.8 1653.8 553.8
6 2534.5 1999.9 639.3
library(fmsb)par(mai=c(0.2,0.2,0.2,0.2),cex=0.7)d<-data6_1[c(1,2,9),] # 选出北京、天津和上海三个地区
head(d)地区 区域划分 三大地带 食品烟酒 衣着 居住
1 北京 华北 东部地带 7548.9 2238.3 12295.0
2 天津 华北 东部地带 8647.0 1944.8 5922.4
9 上海 华东 东部地带 10005.9 1733.4 13708.7
生活用品及服务 交通通信 教育文化娱乐 医疗保健 其他用品及服务
1 2492.4 5034.0 3916.7 2899.7 1000.4
2 1655.5 3744.5 2691.5 2390.0 845.69 1824.9 4057.7 4685.9 2602.1 1173.3
# 图4 北京、天津和上海8项消费支出的雷达图labels=c("食品烟酒","衣着","居住","生活用品及服务","交通通信","教育文化娱乐","医疗保健","其他用品及服务")
cols<-c("green2","red2","blue2")
pfcol<-c("lightgreen","red","lightblue")
radarchart(d[,4:11],vlabels=labels,maxmin=FALSE,seg=4,axistype=2,plty=c(1,2,6),plwd=1,pcol=cols,pdensity=c(30,60,90),pangle=c(90,90,160),palcex=1.1,pfcol=pfcol)
legend(x="topleft",legend=d[,1],lty=c(1,2,6),col=pfcol,fill=pfcol,text.width=0.2,inset=0.02,cex=0.9,box.col="grey80") #添加图例
box(col="grey80") #添加边框
# 图5 尺度缩放后的31个地区8项消费支出的雷达图
library(ggiraphExtra)ggRadar(data=data6_1,rescale=TRUE,aes(group=地区),alpha=0,size=1)+# 按地区分组theme(axis.text=element_text(size=9), # 设置坐标轴字体大小legend.position="right", # 设置图例位置legend.text=element_text(size="8")) # 设置图例字体大小
# 图6 按三大地带分组的8项消费支出的雷达图ggRadar(data=data6_1,rescale=FALSE,aes(group=三大地带),alpha=0.2,size=2)+# 按三大地带分组，不对时间做标准化theme(axis.text=element_text(size=9), # 设置坐标轴字体大小legend.position="right", # 设置图例位置legend.text=element_text(size="9")) # 设置图例字体大小
# 图7 按区域划分分面的8项消费支出的雷达图ggRadar(data=data6_1,aes(group=区域划分,facet=区域划分),alpha=0.3,size=2,rescale=FALSE)+ # 按区域划分分面theme(axis.text=element_text(size=7), # 设置坐标轴字体大小legend.text=element_text(size="8")) # 设置图例字体大小
二.星图和脸谱图
1.星图
星图（star plot）也被称为雷达图，它用P个变量将圆P等分，并将P个半径与圆心连接，再将一个样本的P个变量的取值连接成一个P边形，n个样本形成n个独立的P边形，即为星图
利用星图可根据n个P边形比较n个样本的相似性。
绘制星图时，因各样本的计量单位可能不同，或不同变量的数值差异可能很大，因此需要先对变量做标准化处理，之后再绘制星图
data6_1<-read.csv("./mydata/chap06/data6_1.csv")
head(6_1)地区 区域划分 三大地带 食品烟酒 衣着 居住 生活用品及服务 交通通信
1 北京 华北 东部地带 7548.9 2238.3 12295.0 2492.4 5034.0
2 天津 华北 东部地带 8647.0 1944.8 5922.4 1655.5 3744.5
3 河北 华北 东部地带 3912.8 1173.5 3679.4 1066.2 2290.3
4 山西 华北 中部地带 3324.8 1206.0 2933.5 761.0 1884.0
5 内蒙古 华北 西部地带 5205.3 1866.2 3324.0 1199.9 2914.9
6 辽宁 东北 东部地带 5605.4 1671.6 3732.5 1191.7 3088.4
教育文化娱乐 医疗保健 其他用品及服务
1 3916.7 2899.7 1000.4
2 2691.5 2390.0 845.6
3 1578.3 1396.3 340.1
4 1879.3 1359.7 316.1
5 2227.8 1653.8 553.8
6 2534.5 1999.9 639.3
# 图8 31个地区8项消费支出的星图d<-data6_1[-c(2,3)]
matrix6_1<-as.matrix(d[,2:9]);rownames(matrix6_1)=d[,1] # 将data6_1转化成矩阵
stars(matrix6_1,full=TRUE, # 绘制出满圆scale=TRUE, # 将数据缩放到[0,1]的范围。len=1, # 设置半径或线段长度的比例draw.segments=TRUE,key.loc=c(10.5,1.8,5), # 绘制线段图，并设置位置mar=c(0.5,0.1,0.1,0.1), # 设置图形边界cex=0.7) # 设置标签字体大小
# 图9 31个地区8项消费支出的半圆太阳图
stars(matrix6_1,full=FALSE, # 绘制出满圆scale=TRUE, # 将数据缩放到[0,1]的范围。len=1, # 设置半径或线段长度的比例draw.segments=TRUE,key.loc=c(10.5,1.8,5), # 绘制线段图，并设置位置mar=c(0.5,0.1,0.1,0.1), # 设置图形边界cex=0.7) # 设置标签字体大小
# 图10 31个地区8项消费支出的太阳图
stars(mat,full = T,scale = T,nrow = 5,len = 1,draw.segments = F,key.loc=c(13.2,2,5),col.stars = rainbow(31),frame.plot = T,mar = c(0.5,0.1,0.1,0.1),cex=0.6)
2.脸谱图
脸谱图（faces plot）由美国统计学家Chernoff（1973）首先提出，也称为Chernoff脸谱（Chernoff faces）
脸谱图将P个变量（P个维度的数据）用人脸部位的形状或大小来表征
通过对脸谱的分析，可根据P个变量对样本进行归类或比较研究
按照Chernoff提出的画法 ，由15个变量决定脸部的特征 ，若实际变量更多，多出的将被忽略；若实际变量较少，变量将被重复使用
# 图11 31个地区8项消费支出的脸谱图
library(aplpack)
data6_1<-read.csv("C:/mydata/chap06/data6_1.csv")d<-data6_1[-c(2,3)]
matrix6_1<-as.matrix(d[,2:9]);rownames(matrix6_1)=d[,1] # 将data6_1转化成矩阵
faces(matrix6_1,face.type=1,ncol.plot=6,scale=TRUE,cex=1)
effect of variables:
modified item Var
"height of face " "食品烟酒"
"width of face " "衣着"
"structure of face" "居住"
"height of mouth " "生活用品及服务"
"width of mouth " "交通通信"
"smiling " "教育文化娱乐"
"height of eyes " "医疗保健"
"width of eyes " "其他用品及服务"
"height of hair " "食品烟酒"
"width of hair " "衣着"
"style of hair " "居住"
"height of nose " "生活用品及服务"
"width of nose " "交通通信"
"width of ear " "教育文化娱乐"
"height of ear " "医疗保健"
三.聚类图和热图
1.聚类图
根据分层聚类（hierarchical cluster）和K-均值聚类（K-means cluster）的结果绘制的图形（也称聚类树状图或谱系图）
层次聚类 ——事先不确定要分多少类， 而是先把每一个样本作为一类， 然后按照某种方法度量样本之间的距离 ，并将距离最近的两个样本合并为一个类别，从而形成k-1个类别再计算出新产生的类别与其他各类别之间的距离 ，并将距离最近的两个类别合并为一类。这时，如果类别的个数仍然大于1，则重复这一步上述步骤，直到所有的类别都合并成一类为止
K-均值聚类——不是把所有可能的聚类结果都列出来，使用者需要先指定要划分的类别个数，然后确定各聚类中心，再计算出各样本到聚类中心的距离 ，最后按距离的远近进行分类
K-均值聚类中的“K”就是 指事先指定要分的类别个数， 而“均值 ”则是指聚类的中心。
data6_1<-read.csv("C:/mydata/chap06/data6_1.csv")
head(data6_1)地区 区域划分 三大地带 食品烟酒 衣着 居住 生活用品及服务
1 北京 华北 东部地带 7548.9 2238.3 12295.0 2492.4
2 天津 华北 东部地带 8647.0 1944.8 5922.4 1655.5
3 河北 华北 东部地带 3912.8 1173.5 3679.4 1066.2
4 山西 华北 中部地带 3324.8 1206.0 2933.5 761.0
5 内蒙古 华北 西部地带 5205.3 1866.2 3324.0 1199.9
6 辽宁 东北 东部地带 5605.4 1671.6 3732.5 1191.7
交通通信 教育文化娱乐 医疗保健 其他用品及服务
1 5034.0 3916.7 2899.7 1000.4
2 3744.5 2691.5 2390.0 845.6
3 2290.3 1578.3 1396.3 340.1
4 1884.0 1879.3 1359.7 316.1
5 2914.9 2227.8 1653.8 553.8
6 3088.4 2534.5 1999.9 639.3
# 图12 31个地区层次聚类树状图
library(factoextra)df<-data6_1[,-c(2,3)] # 去掉数据框的2、3列
mat<-as.matrix(df[,2:9]);rownames(mat)=df[,1] # 将data6_1转化成矩阵
d<-dist(scale(mat),method="euclidean") # 采用euclidean距离计算样本的点间距离
hc<-hclust(d,method="ward.D2")# 采用ward.D法计算类间距离并用层次聚类法进行聚类
fviz_dend(hc,k=4, # 分成4类cex=0.6, # 设置数据标签的字体大小horiz=FALSE, # 垂直摆放图形k_colors=c("red","green3","blue3","6"), # 设置聚类集群的线条颜色color_labels_by_k=TRUE, # 自动设置数据标签颜色lwd=0.8, # 设置分支和矩形的线宽type="rectangle", # 设置绘图类型为矩形rect=TRUE, # 使用不同的颜色矩形标记类别rect_lty=1,rect_fill=TRUE, # 设置标记框的线型和填充颜色main="") # 不显示标题
# 图13 31个地区层次聚类的圆形树状图
fviz_dend(hc,k=4, # 分成4类cex=0.6, # 设置数据标签的总体大小horiz=FALSE, # 垂直摆放图形k_colors=c("#1B9E77","#D95F02","#7570B3","#E7298A"), # 设置聚类集群的线条颜色color_labels_by_k=TRUE, # 自动设置数据标签颜色lwd=0.8, # 设置分支和矩形的线宽type="circular", # 设置绘图类型为矩形rect=TRUE, # 使用不同的颜色矩形标记类别rect_lty=1,rect_fill=TRUE) # 设置标记框的线型和填充颜色
# 图14 31个地区层次聚类的植物形树状图
fviz_dend(hc,k=4, # 分成4类cex=0.8, # 设置数据标签的大小horiz=FALSE, # 垂直摆放图形k_colors=c("#1B9E77","#D95F02","#7570B3","#E7298A"), # 设置聚类集群的线条颜色color_labels_by_k=TRUE , # 自动设置数据标签颜色lwd=0.8, # 设置分支和矩形的线宽type="phylogenic", # 设置绘图类型为矩形rect=TRUE, # 使用不同的颜色矩形标记类别repel=TRUE, # 避免图中的文本标签重叠rect_lty=1,rect_fill=TRUE) # 设置标记框的线型和填充颜色
# 图15 31个地区分成4类的k-means聚类图df<-data6_1[,-c(2,3)] # 去掉数据框的2、3列
mat<-as.matrix(df[,2:9]);rownames(mat)=df[,1] # 将data6_1转化成矩阵km<-kmeans(mat,centers=4) # 分成4类
fviz_cluster(km,mat[,-1],repel=TRUE, # 避免图中的文本标签重叠ellipse.type="norm", # 画出正态置信椭圆labelsize=8, # 设置文本字体的大小pointsize=1.5, # 设置点的大小main = "K-means聚类（分成4类）")
# 图16 31个地区分成3类的k-means聚类图
km<-kmeans(mat,centers=3) # 分成3类
fviz_cluster(km,mat[,-1],repel=TRUE,ellipse.type="convex",labelsize=8,main="K-means聚类（分成3类）")
2.热图
热图（heat map）是将矩阵中的每个数值转化成一个颜色矩形，用颜色 表示数值的近似大小或强度热图在很多领域都有应用，比如基因组数据的可视化
热图可以在聚类的基础上同时用颜色表示出数据的大小绘制热图时要求数据必须是矩阵。由于各变量间的数值差异，一般需要做中心化或标准化处理。当数据量很大时，通常会将数据归类后再绘制热图
data6_1<-read.csv("./mydata/chap06/data6_1.csv")
head(data6_1)地区 区域划分 三大地带 食品烟酒 衣着 居住 生活用品及服务
1 北京 华北 东部地带 7548.9 2238.3 12295.0 2492.4
2 天津 华北 东部地带 8647.0 1944.8 5922.4 1655.5
3 河北 华北 东部地带 3912.8 1173.5 3679.4 1066.2
4 山西 华北 中部地带 3324.8 1206.0 2933.5 761.0
5 内蒙古 华北 西部地带 5205.3 1866.2 3324.0 1199.9
6 辽宁 东北 东部地带 5605.4 1671.6 3732.5 1191.7
交通通信 教育文化娱乐 医疗保健 其他用品及服务
1 5034.0 3916.7 2899.7 1000.4
2 3744.5 2691.5 2390.0 845.6
3 2290.3 1578.3 1396.3 340.1
4 1884.0 1879.3 1359.7 316.1
5 2914.9 2227.8 1653.8 553.8
6 3088.4 2534.5 1999.9 639.3
# 图17 heatmap函数绘制的31个地区8项消费支出的热图mat<-as.matrix(data6_1[,4:11]);rownames(mat)=data6_1[,1] # 将data6_1中的数值变量转换为矩阵heatmap(mat,scale="column",margins=c(4,3),cexRow=0.8,cexCol=0.8) # 对矩阵按列做标准化后绘制热图
# 图18 col=rainbow(256)绘制的31个地区8项消费支出的热图rc<-rainbow(nrow(mat),start=0,end=0.6) # 设置注释矩阵中行变量的垂直侧条的颜色向量
cc<-rainbow(ncol(mat),start=0,end=0.6) # 设置注释矩阵中列变量的水平条的颜色向量
heatmap(mat,scale="column",RowSideColors=rc,ColSideColors=cc,margins=c(4,3),col=rainbow(256),cexRow=0.8,cexCol=0.9)
# 图19 去掉聚类图的31个地区8项消费支出的热图
heatmap(mat,Rowv=NA,Colv=NA, # 去掉聚类图scale="column",margins=c(5,3),cm.colors(256,start=02,end=0.5),cexRow=0.8,cexCol=0.9)
# 图20 heatmap.2绘制的31个地区8项消费支出的热图library(gplots)M<-as.matrix(data6_1[,4:11]);rownames(M)=data6_1[,1]
heatmap.2(M,scale="none",col=rainbow(256),tracecol="grey50",dendrogram="both",cexRow=0.8,cexCol=0.8,margins=c(5.3,3),keysize=2, key.title="色键与直方图")
# 图6-21 heatmap.2函数绘制的31个地区8项消费支出标准化后的热图M<-as.matrix(data6_1[,4:11]);rownames(M)=data6_1[,1]gplots::heatmap.2(M,col=bluered,tracecol="gray50",scale="column",dendrogram="both",cexRow=0.6,cexCol=0.7,margins=c(5.3,3),keysize=2,key.title="色键与直方图")
# 图22 pheatmap函数绘制的31个地区8项消费支出的热图library(pheatmap)mat<-as.matrix(data6_1[,4:11]);rownames(mat)=data6_1[,1] # 将数据框转化成矩阵
mat<-scale(mat) # 对矩阵做标准化pheatmap(mat,color=colorRampPalette(c("navy","white","firebrick3"))(10),# 热图中使用的颜色向量display_numbers=FALSE, # 默认FALSE，不显示矩阵单元的数据cellheight_row=6, # 设置单元格行高度fontsize=8, # 设置文本字体大小treeheight_row=50,treeheight_col=35, # 设置行和列聚类树的高度cutree_col=2, # 设置聚类列数cutree_row=4) # 设置聚类行数
R语言 样本相似性可视化相关推荐
- 【视频】主成分分析PCA降维方法和R语言分析葡萄酒可视化实例|数据分享
最近我们被客户要求撰写关于主成分分析PCA的研究报告,包括一些图形和统计输出.降维技术之一是主成分分析 (PCA) 算法,该算法将可能相关变量的一组观察值转换为一组线性不相关变量.在本文中,我们将讨论 ...
- R语言ggplot2地理信息可视化（下）
很荣幸,能来北京参加2018年第十一届中国R会议,并在中国人民大学-R语言数据可视化会场作报告. 本次演讲题目:<R语言ggplot2之地理信息可视化>,本次演讲重点讲解R语言基于ggpl ...
- R语言plotly包可视化线图（line plot）、使用restyle参数自定义设置可视化结果中线条的颜色、使用按钮动态切换线条的颜色(change line color with button)
R语言plotly包可视化线图(line plot).使用restyle参数自定义设置可视化结果中线条的颜色.使用按钮动态切换线条的颜色(change line color with button i ...
- R语言使用ggplot2可视化凹凸图（bumps chart、凹凸图是一种特殊形式的线图，旨在探索随着时间的推移等级的变化）、并设置凹凸图的线条为曲线而不是直线(change into curves)
R语言使用ggplot2可视化凹凸图(bumps chart.凹凸图是一种特殊形式的线图,旨在探索随着时间的推移等级的变化).并设置凹凸图的线条为曲线而不是直线(change bumps chart ...
- R语言ggplot2在可视化图像中添加横线并在横线中添加文本、为横线中添加的文本添加文本框、自定义文本框的填充色（background color for a text annotation）
R语言ggplot2在可视化图像中添加横线并在横线中添加文本.为横线中添加的文本添加文本框.自定义文本框的填充色(background color for a text annotation) 目录
- R语言ggridges包可视化山脊图（Ridgeline Plots）并且在山脊图中添加均值竖线（Add Mean Line to RIdgeline Plot with ggridges in R）
R语言ggridges包可视化山脊图(Ridgeline Plots)并且在山脊图中添加均值竖线(Add Mean Line to RIdgeline Plot with ggridges in R) ...
- R语言配对图可视化：配对图（pair plot）可视化（根据分类变量的值为散点图上的数据点添加颜色和形状、Add color and shape by variables）
R语言配对图可视化:配对图(pair plot)可视化(根据分类变量的值为散点图上的数据点添加颜色和形状.Add color and shape by variables) 目录
- R语言配对图可视化：pivot_longer函数将宽格式的数据重塑为长格式并进行数据全连接和左连接(left join)、配对图可视化(根据分类变量的值为散点图上的数据点添加颜色）
R语言配对图可视化:pivot_longer函数将宽格式的数据重塑为长格式并进行数据全连接和左连接(left join).配对图可视化(根据分类变量的值为散点图上的数据点添加颜色,Add color ...
- R语言plot函数可视化、ggplot2可视化把图像标题（title）的部分内容着色实战：标题的部分内容配置不同的色彩、副标题（subtitle）的内容配置不同的色彩
R语言plot函数可视化.ggplot2可视化把图像标题(title)的部分内容着色实战:标题的部分内容配置不同的色彩.副标题(subtitle)的内容配置不同的色彩 目录
最新文章
- 王劲对外发声：确已离开景驰，不是因为百度诉讼
- java 定義json并賦值_java是值传递还是引用传递？
- python怎么把所有标点符号置空_Python从小白到攻城狮(1)——python环境搭建
- 搜索旋转排序数组—leetcode31
- 如何将内核静态库编译连接到驱动程序中去【转】
- 【渝粤题库】陕西师范大学165209 组织职业生涯管理 作业（专升本）
- 有indexPath获取到cell对象
- Ubuntu 20.04 配置vim编辑器
- 解决fegin post requestbody 400报错问题
- 7-3 敲笨钟 (20 分)Java
- Lattice PCIe 学习 1
- Win10小娜搜索空白什么都不显示怎么办，开始菜单，搜索空白
- ABAP 语法：“LOOP … ASSIGNING …”，可直接修改内表数据，效率更高
- 工作一年的心得体会（持续中.......）
- 什么！这就是PCB打板！
- 计算雅思成绩C语言,雅思成绩到底如何计算的？
- qlv格式转换器分流失败 原因及解决方法
- Greenplum Python专用库gppylib学习——GpArray
- 数字货币量化交易策略—基于移动平均线MA
- 南航权证：游资成功逼空券商