Python基礎(chǔ)：DF的用法

剩礦空錢(qián) 2023-10-17 發(fā)布于湖北

展開(kāi)全文

歡迎來(lái)到寫(xiě)代碼那些事 ！數(shù)據(jù)是現(xiàn)代應(yīng)用程序的核心，而Python中的DataFrame是處理和分析數(shù)據(jù)的強(qiáng)大工具之一。無(wú)論你是數(shù)據(jù)分析師、數(shù)據(jù)科學(xué)家還是開(kāi)發(fā)人員，掌握DataFrame的使用將大大提高你的數(shù)據(jù)處理能力。本教程將引導(dǎo)你深入學(xué)習(xí)Python中DataFrame的各種用法，從基礎(chǔ)到高級(jí)，讓你能夠輕松處理和分析各種數(shù)據(jù)集。

介紹DataFrame

什么是DataFrame？
為什么要使用DataFrame？
安裝和導(dǎo)入pandas庫(kù)

什么是DataFrame？

DataFrame 是一個(gè)關(guān)鍵的數(shù)據(jù)結(jié)構(gòu)，用于在Python中處理和分析數(shù)據(jù)。它是pandas庫(kù)（一個(gè)用于數(shù)據(jù)分析的Python庫(kù)）的核心組件之一。

DataFrame可以被看作是一個(gè)類(lèi)似于電子表格或SQL表的二維數(shù)據(jù)結(jié)構(gòu)，其中數(shù)據(jù)以表格的形式排列，并且具有行和列的標(biāo)簽。每一列可以包含不同類(lèi)型的數(shù)據(jù)，例如整數(shù)、浮點(diǎn)數(shù)、字符串等，而且每一行都有一個(gè)唯一的索引。

DataFrame的特點(diǎn)包括：

表格結(jié)構(gòu)：數(shù)據(jù)以表格形式組織，易于理解和展示。
標(biāo)簽：行和列都有標(biāo)簽，可用于引用數(shù)據(jù)。
多數(shù)據(jù)類(lèi)型：不同類(lèi)型的數(shù)據(jù)可以存儲(chǔ)在同一個(gè)DataFrame中。
數(shù)據(jù)操作：支持各種數(shù)據(jù)操作，如篩選、分組、聚合、排序等。

DataFrame是數(shù)據(jù)科學(xué)家和分析師的利器，因?yàn)樗軌蜉p松處理和分析結(jié)構(gòu)化數(shù)據(jù)，例如CSV文件、數(shù)據(jù)庫(kù)查詢(xún)結(jié)果等。

為什么要使用DataFrame？

使用DataFrame有以下好處：

數(shù)據(jù)處理和分析：DataFrame提供了強(qiáng)大的工具和方法，用于處理和分析數(shù)據(jù)，如統(tǒng)計(jì)計(jì)算、數(shù)據(jù)透視表、數(shù)據(jù)合并等。
數(shù)據(jù)清洗：DataFrame能夠輕松處理缺失值、重復(fù)值和異常值，使數(shù)據(jù)更干凈和可用。
數(shù)據(jù)可視化：結(jié)合其他庫(kù)（如Matplotlib和Seaborn），DataFrame可用于創(chuàng)建各種數(shù)據(jù)可視化圖表。
數(shù)據(jù)導(dǎo)入和導(dǎo)出：DataFrame支持從多種數(shù)據(jù)源（如CSV、Excel、數(shù)據(jù)庫(kù)）導(dǎo)入數(shù)據(jù)，并可以將數(shù)據(jù)導(dǎo)出到各種格式。
數(shù)據(jù)轉(zhuǎn)換：DataFrame允許你進(jìn)行數(shù)據(jù)類(lèi)型轉(zhuǎn)換、列重命名、新增列等數(shù)據(jù)轉(zhuǎn)換操作。
數(shù)據(jù)索引和選擇：你可以輕松地選擇和檢索DataFrame中的數(shù)據(jù)，無(wú)論是按標(biāo)簽還是按位置。
廣泛的支持：pandas庫(kù)是一個(gè)活躍的開(kāi)源項(xiàng)目，得到了廣泛的支持和社區(qū)貢獻(xiàn)，因此有大量文檔和教程可供學(xué)習(xí)和參考。

安裝和導(dǎo)入pandas庫(kù)

要開(kāi)始使用DataFrame，你需要首先安裝并導(dǎo)入pandas庫(kù)。以下是安裝和導(dǎo)入pandas庫(kù)的步驟：

步驟 1：安裝pandas庫(kù)

你可以使用pip（Python包管理器）來(lái)安裝pandas。打開(kāi)終端或命令提示符，并運(yùn)行以下命令：

pip install pandas

步驟 2：導(dǎo)入pandas庫(kù)

一旦安裝了pandas，你可以在Python腳本或Jupyter Notebook中導(dǎo)入它：

import pandas as pd

通常，pandas庫(kù)被約定為使用pd作為別名，以便在代碼中更容易地引用它的函數(shù)和類(lèi)。

安裝并導(dǎo)入pandas庫(kù)后，你就可以開(kāi)始創(chuàng)建和操作DataFrame以進(jìn)行數(shù)據(jù)分析和處理

創(chuàng)建DataFrame

從列表和字典創(chuàng)建DataFrame
從外部數(shù)據(jù)源導(dǎo)入DataFrame
DataFrame的基本屬性

從列表和字典創(chuàng)建DataFrame

在pandas中，你可以輕松地從Python列表和字典創(chuàng)建DataFrame。下面是從列表和字典創(chuàng)建DataFrame的示例代碼以及相關(guān)注釋?zhuān)?/p>

import pandas as pd# 創(chuàng)建一個(gè)包含列表的字典data = {    'Name': ['Alice', 'Bob', 'Charlie'],    'Age': [25, 30, 35],    'City': ['New York', 'San Francisco', 'Los Angeles']}# 使用字典創(chuàng)建DataFramedf_from_dict = pd.DataFrame(data)# 創(chuàng)建一個(gè)包含列表的列表data_list = [    ['Alice', 25, 'New York'],    ['Bob', 30, 'San Francisco'],    ['Charlie', 35, 'Los Angeles']]# 指定列名創(chuàng)建DataFramecolumns = ['Name', 'Age', 'City']df_from_list = pd.DataFrame(data_list, columns=columns)# 打印兩個(gè)DataFrameprint('DataFrame from Dictionary:')print(df_from_dict)print('\nDataFrame from List:')print(df_from_list)

上述代碼中，首先創(chuàng)建了一個(gè)包含字典和列表數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)，然后分別使用這兩種數(shù)據(jù)結(jié)構(gòu)創(chuàng)建了兩個(gè)DataFrame。字典中的鍵（'Name'、'Age'、'City'）成為了DataFrame的列名。

從外部數(shù)據(jù)源導(dǎo)入DataFrame

pandas支持從多種外部數(shù)據(jù)源導(dǎo)入數(shù)據(jù)，如CSV文件、Excel文件、SQL數(shù)據(jù)庫(kù)等。以下是從CSV文件導(dǎo)入數(shù)據(jù)創(chuàng)建DataFrame的示例：

import pandas as pd# 從CSV文件導(dǎo)入數(shù)據(jù)csv_file = 'data.csv'  # 你的CSV文件路徑df_from_csv = pd.read_csv(csv_file)# 打印導(dǎo)入的DataFrameprint('DataFrame from CSV:')print(df_from_csv)

上述代碼中，我們使用pd.read_csv()函數(shù)從一個(gè)CSV文件導(dǎo)入數(shù)據(jù)并創(chuàng)建一個(gè)DataFrame。你只需提供CSV文件的路徑即可。同樣，你也可以使用pd.read_excel()來(lái)導(dǎo)入Excel文件，或使用pd.read_sql()來(lái)從數(shù)據(jù)庫(kù)中導(dǎo)入數(shù)據(jù)。

DataFrame的基本屬性

DataFrame具有多個(gè)屬性，可以幫助你了解數(shù)據(jù)的基本信息。以下是一些常用的DataFrame屬性和示例代碼：

import pandas as pd# 創(chuàng)建一個(gè)示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie'],    'Age': [25, 30, 35],    'City': ['New York', 'San Francisco', 'Los Angeles']}df = pd.DataFrame(data)# 查看前幾行數(shù)據(jù)，默認(rèn)顯示前5行print('Head of DataFrame:')print(df.head())# 查看DataFrame的形狀（行數(shù)和列數(shù)）shape = df.shapeprint('\nDataFrame Shape:', shape)# 查看DataFrame的列名columns = df.columnsprint('\nDataFrame Columns:', columns)# 查看DataFrame的數(shù)據(jù)類(lèi)型信息data_types = df.dtypesprint('\nData Types:')print(data_types)# 查看DataFrame的統(tǒng)計(jì)摘要信息summary = df.describe()print('\nSummary Statistics:')print(summary)

上述代碼中，我們首先創(chuàng)建了一個(gè)示例DataFrame，然后使用不同的屬性來(lái)查看數(shù)據(jù)的頭部、形狀、列名、數(shù)據(jù)類(lèi)型和統(tǒng)計(jì)摘要信息。這些屬性可以幫助你更好地了解和分析數(shù)據(jù)。

這些是從列表和字典創(chuàng)建DataFrame、從外部數(shù)據(jù)源導(dǎo)入DataFrame以及DataFrame的基本屬性的示例。DataFrame是pandas庫(kù)的核心數(shù)據(jù)結(jié)構(gòu)，具有強(qiáng)大的數(shù)據(jù)處理和分析功能

數(shù)據(jù)操作與篩選

選擇列和行
條件篩選
添加和刪除列
數(shù)據(jù)排序

選擇列和行

在DataFrame中，你可以使用不同的方法選擇列和行。以下是一些示例代碼和注釋?zhuān)菔救绾螆?zhí)行這些操作：

import pandas as pd# 創(chuàng)建一個(gè)示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie'],    'Age': [25, 30, 35],    'City': ['New York', 'San Francisco', 'Los Angeles']}df = pd.DataFrame(data)# 選擇單列（返回一個(gè)Series）name_column = df['Name']print('Name Column:')print(name_column)# 選擇多列（返回一個(gè)新的DataFrame）subset = df[['Name', 'Age']]print('\nSubset of DataFrame:')print(subset)# 選擇行（使用iloc按索引，返回一個(gè)Series）row = df.iloc[0]print('\nFirst Row (by Index):')print(row)# 選擇行（使用loc按標(biāo)簽，返回一個(gè)Series）row = df.loc[0]print('\nFirst Row (by Label):')print(row)# 選擇多行（返回一個(gè)新的DataFrame）subset = df.iloc[1:3]print('\nSubset of Rows (by Index):')print(subset)# 選擇多行（返回一個(gè)新的DataFrame）subset = df.loc[[0, 2]]print('\nSubset of Rows (by Label):')print(subset)

上述代碼中，我們首先創(chuàng)建了一個(gè)示例DataFrame，然后使用不同的方法選擇列和行。df['ColumnName']選擇單列，df[['Column1', 'Column2']]選擇多列，而df.iloc[index]和df.loc[label]選擇單行，df.iloc[start:end]和df.loc[[label1, label2]]選擇多行。

條件篩選

條件篩選允許你根據(jù)某些條件選擇DataFrame中的行。以下是一個(gè)示例代碼和注釋?zhuān)菔救绾螆?zhí)行條件篩選：

import pandas as pd# 創(chuàng)建一個(gè)示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie'],    'Age': [25, 30, 35],    'City': ['New York', 'San Francisco', 'Los Angeles']}df = pd.DataFrame(data)# 條件篩選，選擇年齡大于等于30的行filtered_df = df[df['Age'] >= 30]print('Filtered DataFrame:')print(filtered_df)

在上述代碼中，我們使用條件篩選來(lái)選擇年齡大于等于30的行。你可以在篩選中使用各種條件和邏輯運(yùn)算符來(lái)滿(mǎn)足你的需求。

添加和刪除列

你可以輕松地添加新列到DataFrame，也可以刪除現(xiàn)有列。以下是一些示例代碼和注釋?zhuān)菔救绾螆?zhí)行這些操作：

import pandas as pd# 創(chuàng)建一個(gè)示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie'],    'Age': [25, 30, 35],    'City': ['New York', 'San Francisco', 'Los Angeles']}df = pd.DataFrame(data)# 添加新列df['Gender'] = ['Female', 'Male', 'Male']print('DataFrame with New Column:')print(df)# 刪除列df.drop(columns=['City'], inplace=True)print('\nDataFrame with 'City' Column Removed:')print(df)

在上述代碼中，我們首先使用df['NewColumnName']語(yǔ)法添加新列到DataFrame，然后使用df.drop(columns=['ColumnName'])來(lái)刪除指定的列。請(qǐng)注意，刪除列時(shí)需要使用inplace=True來(lái)使修改生效。

數(shù)據(jù)排序

你可以對(duì)DataFrame中的數(shù)據(jù)進(jìn)行排序，以便按特定列的值對(duì)行進(jìn)行排序。以下是一個(gè)示例代碼和注釋?zhuān)菔救绾螆?zhí)行數(shù)據(jù)排序操作：

import pandas as pd# 創(chuàng)建一個(gè)示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie'],    'Age': [25, 30, 35],    'City': ['New York', 'San Francisco', 'Los Angeles']}df = pd.DataFrame(data)# 按年齡升序排序sorted_df = df.sort_values(by='Age')print('DataFrame Sorted by Age (Ascending):')print(sorted_df)# 按年齡降序排序sorted_df_desc = df.sort_values(by='Age', ascending=False)print('\nDataFrame Sorted by Age (Descending):')print(sorted_df_desc)

在上述代碼中，我們使用df.sort_values(by='ColumnName')對(duì)DataFrame進(jìn)行升序排序，并可以使用ascending=False參數(shù)來(lái)進(jìn)行降序排序。

這些是選擇列和行、條件篩選、添加和刪除列以及數(shù)據(jù)排序的示例。DataFrame提供了豐富的數(shù)據(jù)操作功能，使你能夠輕松地處理和分析數(shù)據(jù)。

數(shù)據(jù)分組與聚合

分組操作
聚合函數(shù)
數(shù)據(jù)透視表

分組操作

在DataFrame中，分組操作是一個(gè)強(qiáng)大的功能，可以讓你根據(jù)一個(gè)或多個(gè)列的值將數(shù)據(jù)集分成多個(gè)小組，并對(duì)每個(gè)小組應(yīng)用各種操作。以下是一個(gè)示例代碼和注釋?zhuān)菔救绾螆?zhí)行分組操作：

import pandas as pd# 創(chuàng)建一個(gè)示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],    'City': ['New York', 'San Francisco', 'Los Angeles', 'New York', 'San Francisco'],    'Salary': [50000, 60000, 75000, 48000, 70000]}df = pd.DataFrame(data)# 根據(jù)城市分組并計(jì)算每個(gè)城市的平均工資city_groups = df.groupby('City')city_average_salary = city_groups['Salary'].mean()print('Average Salary by City:')print(city_average_salary)

在上述代碼中，我們首先創(chuàng)建了一個(gè)示例DataFrame，然后使用groupby()方法根據(jù)城市對(duì)數(shù)據(jù)進(jìn)行分組。接下來(lái)，我們使用mean()函數(shù)計(jì)算了每個(gè)城市的平均工資。這樣，你可以輕松地對(duì)不同分組的數(shù)據(jù)執(zhí)行各種操作，如計(jì)算統(tǒng)計(jì)信息、應(yīng)用自定義函數(shù)等。

聚合函數(shù)

在DataFrame的分組操作中，聚合函數(shù)是常用的工具，它允許你對(duì)每個(gè)分組應(yīng)用匯總計(jì)算，例如求和、平均值、最大值、最小值等。以下是一些示例代碼和注釋?zhuān)菔救绾问褂镁酆虾瘮?shù)：

import pandas as pd# 創(chuàng)建一個(gè)示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],    'City': ['New York', 'San Francisco', 'Los Angeles', 'New York', 'San Francisco'],    'Salary': [50000, 60000, 75000, 48000, 70000]}df = pd.DataFrame(data)# 根據(jù)城市分組并計(jì)算每個(gè)城市的總工資city_groups = df.groupby('City')city_total_salary = city_groups['Salary'].sum()print('Total Salary by City:')print(city_total_salary)# 同時(shí)計(jì)算多個(gè)聚合函數(shù)city_aggregated = city_groups['Salary'].agg(['sum', 'mean', 'max', 'min'])print('\nAggregated Data by City:')print(city_aggregated)

在上述代碼中，我們首先使用groupby()方法根據(jù)城市對(duì)數(shù)據(jù)進(jìn)行分組，然后使用agg()方法應(yīng)用多個(gè)聚合函數(shù)，如sum、mean、max和min，以獲得有關(guān)每個(gè)城市的聚合統(tǒng)計(jì)信息。

數(shù)據(jù)透視表

數(shù)據(jù)透視表是一種用于在DataFrame中匯總和分析數(shù)據(jù)的強(qiáng)大工具，它允許你根據(jù)一個(gè)或多個(gè)列的值將數(shù)據(jù)進(jìn)行重排，并對(duì)交叉項(xiàng)應(yīng)用聚合函數(shù)。以下是一個(gè)示例代碼和注釋?zhuān)菔救绾蝿?chuàng)建數(shù)據(jù)透視表：

import pandas as pd# 創(chuàng)建一個(gè)示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],    'City': ['New York', 'San Francisco', 'Los Angeles', 'New York', 'San Francisco'],    'Salary': [50000, 60000, 75000, 48000, 70000]}df = pd.DataFrame(data)# 創(chuàng)建數(shù)據(jù)透視表，計(jì)算每個(gè)城市的平均工資pivot_table = pd.pivot_table(df, values='Salary', index='City', aggfunc='mean')print('Pivot Table (Average Salary by City):')print(pivot_table)

在上述代碼中，我們使用pd.pivot_table()函數(shù)創(chuàng)建了一個(gè)數(shù)據(jù)透視表，其中values參數(shù)指定了要分析的值列（Salary），index參數(shù)指定了用于分組的列（City），aggfunc參數(shù)指定了應(yīng)用于聚合的函數(shù)（這里是mean）。數(shù)據(jù)透視表可以讓你輕松地匯總和分析數(shù)據(jù)，以獲得有關(guān)數(shù)據(jù)的見(jiàn)解。

這些是分組操作、聚合函數(shù)和數(shù)據(jù)透視表的示例。它們是數(shù)據(jù)分析中非常常用的工具，可幫助你深入了解和分析大量的數(shù)據(jù)。

數(shù)據(jù)清洗與處理

處理缺失值
數(shù)據(jù)類(lèi)型轉(zhuǎn)換
數(shù)據(jù)合并與連接

處理缺失值

在數(shù)據(jù)分析和處理中，經(jīng)常會(huì)遇到缺失值（NaN或None），它們可能是由于數(shù)據(jù)采集或處理錯(cuò)誤而產(chǎn)生的。pandas提供了多種方法來(lái)處理缺失值。以下是一些示例代碼和注釋?zhuān)菔救绾翁幚砣笔е担?/p>

import pandas as pdimport numpy as np# 創(chuàng)建一個(gè)包含缺失值的示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie', None, 'Eve'],    'Age': [25, None, 35, 28, 30],    'Salary': [50000, 60000, None, 48000, 70000]}df = pd.DataFrame(data)# 檢測(cè)缺失值missing_data = df.isnull()print('Missing Data:')print(missing_data)# 刪除包含缺失值的行df_dropna = df.dropna()print('\nDataFrame after Dropping Missing Values:')print(df_dropna)# 填充缺失值df_fillna = df.fillna({'Name': 'Unknown', 'Age': df['Age'].mean(), 'Salary': 0})print('\nDataFrame after Filling Missing Values:')print(df_fillna)

在上述代碼中，我們首先創(chuàng)建了一個(gè)示例DataFrame，其中包含了缺失值。然后，我們使用isnull()函數(shù)檢測(cè)缺失值，dropna()函數(shù)刪除包含缺失值的行，以及fillna()函數(shù)填充缺失值，可以根據(jù)需要指定填充值。

數(shù)據(jù)類(lèi)型轉(zhuǎn)換

在DataFrame中，你可以執(zhí)行數(shù)據(jù)類(lèi)型轉(zhuǎn)換以確保數(shù)據(jù)的一致性和正確性。以下是一些示例代碼和注釋?zhuān)菔救绾螆?zhí)行數(shù)據(jù)類(lèi)型轉(zhuǎn)換：

import pandas as pd# 創(chuàng)建一個(gè)示例DataFramedata = {    'Name': ['Alice', 'Bob', 'Charlie'],    'Age': ['25', '30', '35'],  # 注意，這里的Age是字符串    'Salary': ['50000', '60000', '75000']  # 同樣，Salary也是字符串}df = pd.DataFrame(data)# 查看數(shù)據(jù)類(lèi)型data_types = df.dtypesprint('Data Types Before Conversion:')print(data_types)# 將字符串列轉(zhuǎn)換為整數(shù)df['Age'] = df['Age'].astype(int)df['Salary'] = df['Salary'].astype(int)# 再次查看數(shù)據(jù)類(lèi)型data_types_after_conversion = df.dtypesprint('\nData Types After Conversion:')print(data_types_after_conversion)

在上述代碼中，我們首先創(chuàng)建了一個(gè)示例DataFrame，其中包含字符串類(lèi)型的Age和Salary列。然后，我們使用astype()函數(shù)將這兩列轉(zhuǎn)換為整數(shù)類(lèi)型。這種類(lèi)型轉(zhuǎn)換可以確保數(shù)據(jù)以正確的方式進(jìn)行計(jì)算和分析。

數(shù)據(jù)合并與連接

在數(shù)據(jù)分析中，通常需要將不同的數(shù)據(jù)集合并或連接在一起，以便進(jìn)行更全面的分析。pandas提供了多種方法來(lái)執(zhí)行數(shù)據(jù)合并和連接。以下是一些示例代碼和注釋?zhuān)菔救绾螆?zhí)行數(shù)據(jù)合并和連接操作：

import pandas as pd# 創(chuàng)建兩個(gè)示例DataFramedata1 = {    'ID': [1, 2, 3],    'Name': ['Alice', 'Bob', 'Charlie']}data2 = {    'ID': [2, 3, 4],    'Salary': [50000, 60000, 75000]}df1 = pd.DataFrame(data1)df2 = pd.DataFrame(data2)# 合并兩個(gè)DataFrame（基于共同的列）merged_df = pd.merge(df1, df2, on='ID')print('Merged DataFrame:')print(merged_df)# 連接兩個(gè)DataFrame（按行或列連接）concatenated_rows = pd.concat([df1, df2], axis=0)concatenated_columns = pd.concat([df1, df2], axis=1)print('\nConcatenated DataFrames (Rows):')print(concatenated_rows)print('\nConcatenated DataFrames (Columns):')print(concatenated_columns)

在上述代碼中，我們首先創(chuàng)建了兩個(gè)示例DataFrame，然后使用pd.merge()函數(shù)將它們合并在一起，通過(guò)指定共同的列（這里是'ID'列）。另外，我們使用pd.concat()函數(shù)將兩個(gè)DataFrame按行或列連接在一起。

這些是處理缺失值、數(shù)據(jù)類(lèi)型轉(zhuǎn)換以及數(shù)據(jù)合并和連接的示例。它們是數(shù)據(jù)分析和數(shù)據(jù)清洗中的關(guān)鍵操作，可以讓你有效地處理和分析數(shù)據(jù)。

總結(jié)

DataFrame是Python中處理和分析數(shù)據(jù)的核心工具之一。通過(guò)本教程，你已經(jīng)掌握了DataFrame的基本概念、創(chuàng)建方法、數(shù)據(jù)操作、分組聚合以及數(shù)據(jù)清洗和處理技巧。這些知識(shí)將使你能夠更自信地處理各種數(shù)據(jù)集，從而更好地支持你的項(xiàng)目和決策。

本站是提供個(gè)人知識(shí)管理的網(wǎng)絡(luò)存儲(chǔ)空間，所有內(nèi)容均由用戶(hù)發(fā)布，不代表本站觀點(diǎn)。請(qǐng)注意甄別內(nèi)容中的聯(lián)系方式、誘導(dǎo)購(gòu)買(mǎi)等信息，謹(jǐn)防詐騙。如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請(qǐng)點(diǎn)擊一鍵舉報(bào)。

轉(zhuǎn)藏 分享

QQ空間 QQ好友新浪微博微信

獻(xiàn)花（0） +1

來(lái)自：剩礦空錢(qián) > 《Python》

舉報(bào)/認(rèn)領(lǐng)