精华内容
下载资源
问答
  • 比如说去年3的产值100万,本年3的产值300万,同比增长是怎么算的?是同比增长200%?还是同比增长300%? 本题中,同比增长率=(300-100)÷100=200% 同比增长率,一般是指和同期相比较的增长率。 某个指标的...
    
    


    一、概念解释

    1.1 同比

    同比增长计算公式:
    =÷×100同比增长率=(本期数-同期数)÷同期数×100%

    例子:
    比如说去年3月的产值100万,本年3月的产值300万,同比增长是怎么算的?是同比增长200%?还是同比增长300%?
    本题中,同比增长率=(300-100)÷100=200%

    同比增长率,一般是指和同期相比较的增长率。
    某个指标的同比增长=(某个指标的值-同期这个指标的值)/同期这个指标的值
    当同期数为负值的情况,公式应当完善如下:
    =÷×100同比增长率=(本期数-同期数)÷ |同期数|×100%

    同比增长率=(50W-(-100W))/|-100W||×100%=150%

    1.2 环比

    环比计算公式:
    =/×100环比增长率=(本期数-上期数)/上期数×100%

    环比,表示连续2个统计周期(比如连续两月)内的量的变化比。
    反映本期比上期增长了多少。”补充:

    环比有 环比增长速度环比发展速度 两种方法。
    环比即与上期的数量作比较。

    1. 环比增长速度=(本期数-上期数)÷上期数×100%
      反映本期比上期增长了多少。
    2. 环比发展速度=本期数÷上期数×100%
      环比发展速度是报告期水平与前一期水平之比,反映现象在前后两期的发展变化情况

    例如:
    如:本期销售额为500万,上期销售额为350万。
    环比增长速度=(500-350)÷350×100%=42.86%
    环比发展速度=500÷350×100%=142.86%
    环比增长速度= 环比发展速度-1。

    1.3 占比

    占比计算公式:
    =÷×100占比 = 所求占比例数值 ÷ 总数值×100%

    例如:
    一部门总人数为250个,缺勤人数为8个,缺勤率是8/250=0.032。

    占比是一个总体中各个部分的数量占总体数量的比重,用于反映总体的构成或者结构。

    1.4 贡献率

    贡献率计算公式:
    =/×100贡献率=某因素增加量(增量或增长程度)/总增加量(总增量或增长程度)×100%

    上式实际上是指某因素的增长量(程度)占总增长量(程度)的比重。
    贡献率常用于分析经济增长中各因素作用大小的程度。

    例如:
    2009年广东省生产总值39081.59亿元,比上年增长9.5%。其中,第一产业产值2006.02亿元,增长4.9%;第二产业产值19270.48亿元,增长8.7%;第三产业产值17805.09亿元,增长11.0%。那么三大产业对广东省GDP的贡献率是多少?
    广东省GDP增长总额=39081.59-39081.59/(1+9.5%)=3390.05(亿元)
    第一产业增长总额=2006.02-2006.02/(1+4.9%)=93.70(亿元),贡献率=93.70/3390.05=2.76%
    第二产业增长总额=19270-19270/(1+8.7%)=1542.31(亿元),贡献率=1542.31/3390.05=45.50%
    第三产业增长总额=17805.09-17805/(1+11.0%)=1764.46(亿元),贡献率=1764.46/3390.05=52.05%

    1.5 拉动率

    拉动率计算公式:
    =/100拉动增长率=(某值今年量-某值去年量) / 总值的去年量*100%

    拉动率 指现期某部分的增加值/总体的基期值,即部分量的增长对总量增长的一个贡献。

    例如:
    全省重工业今年产值=4935
    全省重工业去年产值=3993
    全省重工业较去年的增长=4935-3993=942
    全省今年总产值=7334 亿元
    全省去年总产值=6021 亿元
    全省较去年去年总产值增长 = 7334 - 6021
    重工业:

    1. 拉动率 =全省重工业较去年的增长 / 全省去年总产值 *100%
    2. 贡献率 = 全省重工业较去年的增长 / 全省较去年去年总产值增长 * 100%

    二、python实现

    2.1 同比实现

    因为 同比 和 环比 的计算,都是对一个指标数据本身的计算,因此可以用同一个函数来实现。

    备注:
    类似的,同比 也存在这种环比补充说明的情况,本文均以 增长速度 进行 计算实现。

    # 同比计算函数
    def yearOnYear(temp_data,zhibiao_freq):
        '''
        temp_data,要计算的原始数据序列
        zhibiao_freq,指标更新频率
        '''
        result = [] # 存放计算结果(嵌套列表)
        
        # 判断指标的加工周期
        if zhibiao_freq == '年':
            rel_delta = relativedelta(years=1)
        if zhibiao_freq == '季': 
            rel_delta = relativedelta(months=3)
        if zhibiao_freq == '月':
            rel_delta = relativedelta(months=1)
    
        # 起止日期时间
        min_riqi = min(temp_data.index)
        max_riqi = max(temp_data.index)
    
        # 对范围内日期数据进行同比加工计算,单位(%)
        flag_riqi = min_riqi
    
        tongbi_delta = relativedelta(years=1)
        # 同比计算
        while flag_riqi <= max_riqi-tongbi_delta:
            temp_riqi = flag_riqi+tongbi_delta
            # 当期值
            try:
                dangqi = float(temp_data.loc[temp_riqi])
            except:
                dangqi = None
    
            # 上期值
            try:
                shangqi =float( temp_data.loc[flag_riqi])
            except:
                shangqi = None
    
            if dangqi and shangqi:
                value = format((dangqi - shangqi)/ abs(shangqi) *100,'.2f')
            else:
                value = None
            result.append([temp_riqi,value]) # 指标结果
            flag_riqi = flag_riqi+rel_delta # 更新日期
                
        result = pd.DataFrame(result,columns=['日期','指标值'])  
        result = result.set_index('日期')
        return result
    

    2.2 环比实现

    # 环比计算函数
    def monthOnMonth(temp_data,zhibiao_freq):
     '''
     temp_data,要计算的原始数据序列
     zhibiao_freq,指标更新频率
     '''
     result = [] # 存放计算结果(嵌套列表)
     
     # 判断指标的加工周期
     if zhibiao_freq == '年':
         rel_delta = relativedelta(years=1)
     if zhibiao_freq == '季': 
         rel_delta = relativedelta(months=3)
     if zhibiao_freq == '月':
         rel_delta = relativedelta(months=1)
    
     # 起止日期时间
     min_riqi = min(temp_data.index)
     max_riqi = max(temp_data.index)
    
     # 对范围内日期数据进行同比加工计算,单位(%)
     flag_riqi = min_riqi
     
     # 环比计算
     while flag_riqi < max_riqi:
         temp_riqi = flag_riqi+rel_delta
         # 当期值
         try:
             dangqi = temp_data.loc[temp_riqi]
         except:
             dangqi = None
    
         # 上期值
         try:
             shangqi = temp_data.loc[flag_riqi]
         except:
             shangqi = None
    
         if dangqi and shangqi:
             value = format(str((dangqi - shangqi)/ abs(shangqi)) *100,'.2f')
         else:
             value = None
         result.append([temp_riqi,value]) # 指标结果
         
         flag_riqi = flag_riqi+rel_delta # 更新日期
             
     result = pd.DataFrame(result,columns=['日期','指标值'])   
     result = result.set_index('日期')
     return result
    

    2.3 累计值 获得 当期值

    # 当期值函数
    def currentPeriod(temp_data,zhibiao_freq):
        '''
        temp_data,要计算的原始数据序列
        zhibiao_freq,指标更新频率
        '''
        result = [] # 存放计算结果(嵌套列表)
        # 判断指标的加工周期
        if zhibiao_freq == '年':
            rel_delta = relativedelta(years=1)
        if zhibiao_freq == '季': 
            rel_delta = relativedelta(months=3)
        if zhibiao_freq == '月':
            rel_delta = relativedelta(months=1)
    
        # 起止日期时间
        min_riqi = min(temp_data.index)
        max_riqi = max(temp_data.index)
    
        # 对范围内日期数据进行同比加工计算,单位(%)
        flag_riqi = min_riqi
        while flag_riqi < max_riqi:
            temp_riqi = flag_riqi+rel_delta
            # 当期值
            try:
                # dangqi = temp_data['index_val'][temp_riqi]
                dangqi = float(temp_data.loc[temp_riqi])
            except:
                dangqi = None
    
            # 上期值
            try:
                # shangqi = temp_data['index_val'][flag_riqi]
                shangqi = float(temp_data.loc[flag_riqi])
            except:
                shangqi = None
                    
            if (temp_riqi.month)==1 and dangqi:
                value = format(dangqi,'.2f')
                    
            elif dangqi and shangqi:
                    
                value = format((dangqi - shangqi),'.2f')
            else:
                value = None
            #result.append([temp_riqi,zhibiao_code,yuanxing_name,value,zhibiao_freq]) # 指标结果
            result.append([temp_riqi,value]) # 指标结果
            flag_riqi = temp_riqi # 更新日期
        result = pd.DataFrame(result,columns=['日期','指标值'])   
        result = result.set_index('日期')
        return result
    

    2.4 当期值 计算 累计值

    # 当月值计算月度累计值,季度值计算季度累计值(季度累计值暂时未编码)
    def monthToMonthAddUp(temp_data,zhibiao_freq):
      '''
      temp_data,要计算的原始数据序列
      zhibiao_freq,指标更新频率
      '''
      result = temp_data.copy()
      
      # 判断指标的加工周期
      if zhibiao_freq == '年':
          rel_delta = relativedelta(years=1)
      if zhibiao_freq == '季': 
          rel_delta = relativedelta(months=3)
      if zhibiao_freq == '月':
          rel_delta = relativedelta(months=1)
          
      min_riqi = min(temp_data.index)
      max_riqi = max(temp_data.index)
      
      # num = 0 # 数据加工对应的位置
      for year in range(min_riqi.year,max_riqi.year+1):
          temp = temp_data.loc[str(year)]
          count = 0 # 判断月份数据是否匹配和完整标志
          if zhibiao_freq == "月":
              for y in temp.index:
                  if y.month != count+1 or any(temp.loc[y].isnull()) :
                      print('缺失的时间数据:',y)
                      temp.iloc[count:max(temp.index).month] = None
                      break
                  else:
                      temp.iloc[count] = round(sum(temp.iloc[:y.month]),2)
                  count += 1
              result.loc[str(year)] = temp
          if zhibiao_freq == "季":
              print("请进行程序设计!")
              
      result = pd.DataFrame(result)
      result.columns = ['指标值']
      result.index.name = '日期'
      return result
    ···
    
    ### 2.5 移动均值
    ```python
    # 移动均值 函数
    def moveAverage(temp_data,zhibiao_freq,move_num):
      '''
      temp_data,序列
      zhibiao_freq,指标加工频率
      move_num,移动均值计算的期数
      '''
      move_num = move_num -1
      result =[]  # 存放计算结果(嵌套列表)
      # 判断指标的加工周期
      if zhibiao_freq == '年':
          rel_delta_move = relativedelta(years=move_num)
          rel_delta = relativedelta(years=1)
      if zhibiao_freq == '季': 
          rel_delta_move = relativedelta(months=3*move_num)
          rel_delta = relativedelta(months=3)
      if zhibiao_freq == '月':
          rel_delta_move = relativedelta(months=move_num)
          rel_delta = relativedelta(months=1)
          
      # 起止日期时间
      min_riqi = min(temp_data.index)
      max_riqi = max(temp_data.index)
    
      # 对范围内日期数据进行移动均值计算
      flag_riqi = min_riqi 
      flag_que = False # 是否确实数据,默认False
      while flag_riqi <= max_riqi-rel_delta_move:
          temp_riqi = flag_riqi + rel_delta_move
          temp = temp_data.loc[flag_riqi:temp_riqi]
          if any(temp.isnull()) or len(temp) != move_num+1:
              flag_que = True # 存在确实数据
              #print("日期段存在缺失数据",flag_riqi,temp_riqi)
              result.append([temp_riqi,None])
          else:
              fenzi_list = [float(i) for i in temp]
              result.append([temp_riqi,round(sum(fenzi_list)/move_num,2)])
          flag_riqi += rel_delta
      if flag_que:
          print("指标存在缺失数据")
      result = pd.DataFrame(result,columns = ["日期","指标值"])
      result = result.set_index('日期')
      return result
    

    2.6 月度累计值 计算 当季值

    # 月度累计值 计算 当季值
    def monthaddupToSeason(temp_data):
        '''
        temp_data,要计算的原始数据序列
        '''
        result = [] # 存放加工处理结果
        
        min_riqi = min(temp_data.index)
        max_riqi = max(temp_data.index)
        
        rel_delta = relativedelta(months=3) # 日期间隔
        
        # 开始标记日期进行设定
        while min_riqi.month not in [3,6,9,12]:
            min_riqi = min_riqi + relativedelta(months=1)
            
        # 对范围内日期数据进行处理
        flag_riqi = min_riqi
        while flag_riqi < max_riqi:
            temp_riqi = flag_riqi+rel_delta
            # 当期值
            try:
                # dangqi = temp_data['index_val'][temp_riqi]
                dangqi = float(temp_data.loc[temp_riqi])
            except:
                dangqi = None
    
            # 上期值
            try:
                # shangqi = temp_data['index_val'][flag_riqi]
                shangqi = float(temp_data.loc[flag_riqi])
            except:
                shangqi = None
                
            if (temp_riqi.month)==3 and dangqi:
                value = format(dangqi,'.2f')
                    
            elif dangqi and shangqi:
                value = format((dangqi - shangqi),'.2f')
            else:
                value = None
            result.append([temp_riqi-relativedelta(months=2),value]) # 指标结果
            flag_riqi = temp_riqi # 更新日期
            
        result = pd.DataFrame(result,columns=['日期','指标值'])
        result = result.set_index('日期') 
        return result
    

    2.7 贡献率

    因为 占比、贡献率、拉动率 的计算,都是对两个指标数据本身的计算,因此可以用同一个函数来实现。

    备注:
    这里 贡献率拉动率 的计算以 同比贡献率同比拉动率 进行计算实现;
    还有 环比贡献率 和 环比拉动率 一说。不过实现同理啦。

    # 贡献率计算函数
    def contributionRate(temp_data_fenzi,temp_data_fenmu,zhibiao_freq):
        '''
        temp_data_fenzi,要计算的原始数据序列
        temp_data_fenmu,要计算的原始数据序列
        zhibiao_freq,指标更新频率
        '''
        result = [] # 存放计算结果(嵌套列表)
        
        # 判断指标的加工周期
        if zhibiao_freq == '年':
            rel_delta = relativedelta(years=1)
        if zhibiao_freq == '季': 
            rel_delta = relativedelta(months=3)
        if zhibiao_freq == '月':
            rel_delta = relativedelta(months=1)
    
        # 起止日期时间
        min_riqi = min(temp_data_fenmu.index)
        max_riqi = max(temp_data_fenmu.index)
    
        # 对范围内日期数据进行占比加工计算,单位(%)
        flag_riqi = min_riqi
        
        tongbi_delta = relativedelta(years=1)
        while flag_riqi <= max_riqi-tongbi_delta:
            temp_riqi = flag_riqi+tongbi_delta
                    
            # 分子增量值计算
            # 当期值
            try:
                fenzi_dangqi = float(temp_data_fenzi.loc[temp_riqi])
            except:
                fenzi_dangqi = None
            # 上期值
            try:
                fenzi_shangqi = float(temp_data_fenzi.loc[flag_riqi])
            except:
                fenzi_shangqi = None
            # 分子增量结果
            if fenzi_dangqi and fenzi_shangqi:
                fenzi = format(fenzi_dangqi - fenzi_shangqi,'.2f')
            else:
                fenzi = None
                
            # 分母值增量值计算 
            # 当期值
            try:
                fenmu_dangqi = float(temp_data_fenmu.loc[temp_riqi])
            except:
                fenmu_dangqi = None
            # 上期值
            try:
                fenmu_shangqi = float(temp_data_fenmu.loc[flag_riqi])
            except:
                fenmu_shangqi = None
            # 分母增量结果
            if fenmu_dangqi and fenmu_shangqi:
                fenmu = format(fenmu_dangqi - fenmu_shangqi,'.2f')
            else:
                fenmu = None
                
            # 结果值计算
            if fenzi and fenmu:
                value = format(float(fenzi)/ float(fenmu) *100,'.2f')
            else:
                value = None
    
            result.append([temp_riqi,value]) # 指标结果
            flag_riqi = flag_riqi + rel_delta # 更新日期
            
        result = pd.DataFrame(result,columns=['日期','指标值'])
        result = result.set_index('日期') 
        return result
    

    2.8 拉动率

    # 拉动率 计算函数
    def pullRate(temp_data_fenzi,temp_data_fenmu,zhibiao_freq):
        '''
        temp_data_fenzi,要计算的原始数据序列
        temp_data_fenmu,要计算的原始数据序列
        zhibiao_freq,指标更新频率
        '''
        result = [] # 存放计算结果(嵌套列表)
        
        # 判断指标的加工周期
        if zhibiao_freq == '年':
            rel_delta = relativedelta(years=1)
        if zhibiao_freq == '季': 
            rel_delta = relativedelta(months=3)
        if zhibiao_freq == '月':
            rel_delta = relativedelta(months=1)
    
        # 起止日期时间
        min_riqi = min(temp_data_fenmu.index)
        max_riqi = max(temp_data_fenmu.index)
    
        # 对范围内日期数据进行占比加工计算,单位(%)
        flag_riqi = min_riqi
        
        tongbi_delta = relativedelta(years=1)
        while flag_riqi <= max_riqi-tongbi_delta:
            temp_riqi = flag_riqi+tongbi_delta
                    
            # 分子增量值计算
            # 当期值
            try:
                fenzi_dangqi = float(temp_data_fenzi.loc[temp_riqi])
            except:
                fenzi_dangqi = None
            # 上期值
            try:
                fenzi_shangqi = float(temp_data_fenzi.loc[flag_riqi])
            except:
                fenzi_shangqi = None
            # 分子增量结果
            if fenzi_dangqi and fenzi_shangqi:
                fenzi = format(fenzi_dangqi - fenzi_shangqi,'.2f')
            else:
                fenzi = None
                
            # 分母值计算 
            try:
                fenmu = float(temp_data_fenmu.loc[flag_riqi])
            except:
                fenmu = None
                    
            # 结果值计算
            if fenzi and fenmu:
                value = format(float(fenzi)/ float(fenmu) *100,'.2f')
            else:
                value = None
    
            result.append([temp_riqi,value]) # 指标结果
            flag_riqi = flag_riqi + rel_delta # 更新日期
            
        result = pd.DataFrame(result,columns=['日期','指标值'])
        result = result.set_index('日期') 
        return result
    

    2.9 占比

    # 占比 计算函数
    def proportion(temp_data_fenzi,temp_data_fenmu,zhibiao_freq):
        '''
        temp_data_fenzi,要计算的原始数据序列
        temp_data_fenmu,要计算的原始数据序列
        zhibiao_freq,指标更新频率
        '''
        result = [] # 存放计算结果(嵌套列表)
        
        # 判断指标的加工周期
        if zhibiao_freq == '年':
            rel_delta = relativedelta(years=1)
        if zhibiao_freq == '季': 
            rel_delta = relativedelta(months=3)
        if zhibiao_freq == '月':
            rel_delta = relativedelta(months=1)
    
        # 起止日期时间
        min_riqi = min(temp_data_fenmu.index)
        max_riqi = max(temp_data_fenmu.index)
        
        flag_riqi = min_riqi
        while flag_riqi <= max_riqi:
            # 分子值 
            try:
                fenzi = float(temp_data_fenzi.loc[flag_riqi])
            except:
                fenzi = None
            # 分母值   
            try:
                fenmu = float(temp_data_fenmu.loc[flag_riqi])  
            except:
                fenmu = None
    
            # 结果值计算
            if fenzi and fenmu:
                value = format(fenzi/ fenmu *100,'.2f')
            else:
                value = None
    
            result.append([flag_riqi,value]) # 指标结果
            flag_riqi = flag_riqi+rel_delta # 更新日期
                
        result = pd.DataFrame(result,columns=['日期','指标值'])
        result = result.set_index('日期') 
        return result
    

    2.10 同期差值

    # 同期差值 计算函数
    def samePeriodDiff(temp_data_fenzi,temp_data_fenmu,zhibiao_freq):
        '''
        temp_data_fenzi,要计算的原始数据序列
        temp_data_fenmu,要计算的原始数据序列
        zhibiao_freq,指标更新频率
        '''
        result = [] # 存放计算结果(嵌套列表)
        
        # 判断指标的加工周期
        if zhibiao_freq == '年':
            rel_delta = relativedelta(years=1)
        if zhibiao_freq == '季': 
            rel_delta = relativedelta(months=3)
        if zhibiao_freq == '月':
            rel_delta = relativedelta(months=1)
    
        # 起止日期时间
        min_riqi = min(temp_data_fenmu.index)
        max_riqi = max(temp_data_fenmu.index)
        
        flag_riqi = min_riqi
        while flag_riqi <= max_riqi:
            # 分子值
            try:
                fenzi = float(temp_data_fenzi.loc[flag_riqi])
            except:
                fenzi = None
            # 分母值   
            try:
                fenmu = float(temp_data_fenmu.loc[flag_riqi])
            except:
                fenmu = None
    
            # 结果值计算
            if fenzi and fenmu:
                value = format(fenzi- fenmu ,'.2f')
            else:
                value = None
    
            result.append([flag_riqi,value]) # 指标结果
            flag_riqi = flag_riqi+rel_delta # 更新日期
            
        result = pd.DataFrame(result,columns=['日期','指标值'])
        result = result.set_index('日期') 
        return result
    

    2.11 月度/季度数据 在 一年中的均值

    # 月度/季度数据 在 一年中的均值 计算函数
    def monthInYearMean(temp_data,zhibiao_freq):
        '''
        temp_data,要计算的原始数据序列
        zhibiao_freq,指标更新频率
        '''
        result = temp_data.copy()
        
        min_riqi = min(temp_data.index)
        max_riqi = max(temp_data.index)
        
        for year in range(min_riqi.year,max_riqi.year+1):
            temp = temp_data.loc[str(year)]
            temp = temp.iloc[[not f for f in temp.isnull()]]
            temp = [float(f) for f in temp]
            try:
                result.loc[str(year)] = sum(temp)/len(temp)
            except:
                result.loc[str(year)] = None
    
        result = pd.DataFrame(result)
        result.columns = ['指标值']
        result.index.name = '日期'
        return result
    

    2.12 弹性系数

    # 弹性系数 计算函数
    def elasticCoefficient(temp_data_fenzi,temp_data_fenmu,zhibiao_code,yuanxing_name,zhibiao_freq):
        '''
        temp_data_fenzi,要加工计算的原始数据-分子位置
        temp_data_fenmu,要加工计算的原始数据-分母位置
        yuanxing_name,原型的指标名称
        zhibiao_code,指标对应的编码
        zhibiao_freq,指标更新频率
        ''' 
        # 弹性系数:"当期及同比及占比"
        fenzi = monthaddupToSeason(temp_data_fenzi)
        fenzi = yearOnYear(fenzi,zhibiao_freq)
        fenmu = currentPeriod(temp_data_fenmu,zhibiao_freq)
        fenmu = yearOnYear(fenmu['指标值'],zhibiao_freq)
        for ind in fenmu.index:
            try:
                fenmu.loc[ind,'指标值'] = float(fenzi.loc[ind,'指标值']) / float(fenmu.loc[ind,'指标值'])
            except:
                fenmu.loc[ind,'指标值'] = None
        return fenmu
    

    2.13 1-占比

    # 1-占比  计算函数
    def oneToShare(temp_data_fenzi,temp_data_fenmu,zhibiao_freq):
        """
        temp_data_fenzi,要加工计算的原始数据-分子位置
        temp_data_fenmu,要加工计算的原始数据-分母位置
        zhibiao_freq,指标更新频率
        """
        result = proportion(temp_data_fenzi,temp_data_fenmu,zhibiao_freq)
        for i in range(len(result)):
            if result['指标值'].iloc[i]:
                result['指标值'].iloc[i] = 100 - float(result['指标值'].iloc[i])
        return result
    

    2.14 数据进行拼接求行和

    # 对 需求加工字典 中对应的原始数据指标名称 对应的数据进行拼接求行和
    def windDataConcatSum(databaseData,names_list):
        """
        databaseData : 万德入库的数据
        names_list : 需要提取对应的wind指标名称字符串,多个名称以 \n 作为分隔 
        """
        result = pd.DataFrame() # 结果存放
        
        # 将数据进行拼接          
        for fenzi_name in names_list:
            if sum(databaseData['index_nm'] == fenzi_name) == 0:
                print("指标 %s 还未入库,请先入库"%fenzi_name)
                return result,None
            t_data = databaseData['index_val'][databaseData['index_nm'] == fenzi_name]
            t_data = pd.DataFrame({"stat_dt":t_data.index,fenzi_name:t_data.values})
            if result.empty:
                result = t_data
            else:
                result = pd.merge(result,t_data,left_on=['stat_dt'],right_on=['stat_dt'],how='outer')
        zhibiao_freq = databaseData.loc[databaseData['index_nm']==names_list[0].strip(),:]['frequency_type'].iloc[0] # 指标加工频率
    
        result = result.set_index('stat_dt')
        result.sort_index(inplace=True)
        result.index.name = "日期"
        result = pd.DataFrame((result).sum(axis=1)) 
        
        return result,zhibiao_freq
    

    2.15 数据库中的原始数据提取 和 处理

    # 数据库中的原始数据提取 和 处理
    def dataBaseExtract(username,password,host,database,tablename):
        '''
        engine = create_engine('dialect+driver://username:password@host:port/database')
        dialect -- 数据库类型
        driver -- 数据库驱动选择
        username -- 数据库用户名
        password -- 用户密码
        host 服务器地址
        port 端口
        database 数据库
        '''
        # 读取 公司数据库中的wind原始数据
        gongsi_engine = create_engine('postgresql+psycopg2://{username}:{password}@{host}:5432/{database}'.format(
            username=username,password=password,host=host,database=database))
    
        # 从公司数据库读取 原始的入库 数据表
        try:
            databaseData = pd.read_sql("select * from biz_temp.%s"%(tablename),con=gongsi_engine) 
            databaseData['index_nm'] = [name.strip() for name in databaseData['index_nm']]
            databaseData['stat_dt'] = pd.to_datetime(databaseData['stat_dt'])
            databaseData = databaseData.set_index('stat_dt') # 导入库中的wind数据      
        except:
            print("请返回数据库,查看数据库表的字段名称是否匹配.......")
        return databaseData 
    

    2.16 提取 和 对应的 wind 或 统计局原始 数据返回

    # 需求加工字典表 中的信息进行提取 和 对应的 wind 或 统计局原始 数据返回
    def requestDictDataInfo(req_data,wind_data,nation_data,cateCal_dict,req_row_num):
        """
        req_data, 需求加工字典表
        wind_data, 入库的wind数据 
        nation_data,入库的统计局数据
        req_row_num,要加工计算的指标 对应的需求加工字典中的 所在行数
        """
        calculate_class = req_data['计算类别'].iloc[req_row_num]
        zhibiao_code = req_data['指标编码'].iloc[req_row_num] 
        yuanxing_name = req_data['原型指标名称'].iloc[req_row_num] 
        
        move_num = req_data['移动均值期数'].iloc[req_row_num]
        
        if str(move_num) != "nan":
            move_num = int(move_num)
    
        # 要加工的分子对应wind指标名称
        try:
            fenzi_origin_names = req_data['计算分子对应wind指标名称'].iloc[req_row_num].strip().split('\n')
        except:
            # print("%s 该指标暂时不满足数据要求!"%yuanxing_name)
            return ['','',zhibiao_code,yuanxing_name,'',calculate_class,move_num]
        
        # 将分子数据进行拼接
        if calculate_class == "北京市统计局":
            temp_data_fenzi,zhibiao_freq = windDataConcatSum(nation_data,fenzi_origin_names)
        else:
            temp_data_fenzi,zhibiao_freq = windDataConcatSum(wind_data,fenzi_origin_names)
    
        if len(temp_data_fenzi)==0:
            print(fenzi_origin_names," 中存在指标还未入库")
        
        # zhibiao_freq = databaseData.loc[databaseData['index_nm']==fenzi_origin_names[0],:]['frequency_type'][0] # 指标加工频率
        
        if cateCal_dict[calculate_class] == "双指标":
            # 要加工的分母对应wind指标名称
            fenmu_origin_names = req_data['计算分母对应wind指标名称'].iloc[req_row_num].strip().split('\n') 
            # 将分母数据进行拼接 
            temp_data_fenmu,zhibiao_freq= windDataConcatSum(wind_data,fenmu_origin_names)
            return [temp_data_fenzi,temp_data_fenmu,zhibiao_code,yuanxing_name,zhibiao_freq,calculate_class,move_num]
        elif cateCal_dict[calculate_class] == "双库指标":
            # 要加工的分母对应的 北京市统计局指标名称
            fenmu_origin_names = req_data['计算分母对应wind指标名称'].iloc[req_row_num].strip().split('\n') 
            # 将分母数据进行拼接 
            temp_data_fenmu,zhibiao_freq= windDataConcatSum(nation_data,fenmu_origin_names)
            return [temp_data_fenzi,temp_data_fenmu,zhibiao_code,yuanxing_name,zhibiao_freq,calculate_class,move_num]
    
        return [temp_data_fenzi,"",zhibiao_code,yuanxing_name,zhibiao_freq,calculate_class,move_num]
    

    2.17 指定指标数据提取

    # 提取  加工字典表中,不需要加工的 wind 指标 或者 统计局的指标
    def windOrNationFeature(req_data,databaseData,req_row_num):
        """
        req_data, 加工字典数据表
        databaseData, 入库的数据表 数据
        zhibiao_code,指标编码
        yuanxing_name,原型中的指标名称
        zhibiao_freq,指标频率
        req_row_num,对应的加工字典的 第几行,
        """
        # 要加工的分子对应wind指标名称
        fenzi_origin_names = req_data['计算分子对应wind指标名称'].iloc[req_row_num].strip().split('\n')
        # 将分子数据进行拼接
        result,zhibiao_freq = windDataConcatSum(databaseData,fenzi_origin_names)
        result.columns = ["指标值"]
        
    #     result.loc[:,"指标编码"] = zhibiao_code
    #     result.loc[:,"原型指标名称"] = yuanxing_name
    #     result.loc[:,'频率'] = zhibiao_freq
            
    #     columns=['指标编码','原型指标名称','指标值','频率']
    #     result = result[columns]
        return result
    

    2.18 进度

    # 进度  计算函数
    def progressSpeed(temp_data_fenzi,temp_data_fenmu,zhibiao_freq):
        '''
        temp_data_fenzi,要计算的原始数据序列
        temp_data_fenmu,要计算的原始数据序列
        zhibiao_freq,指标更新频率
        '''
        result = temp_data_fenzi.copy()
        
        min_riqi = min(temp_data_fenzi.index)
        max_riqi = max(temp_data_fenzi.index)
        
        for year in range(min_riqi.year,max_riqi.year+1):
            fenzi = temp_data_fenzi.loc[str(year)]
            try:
                fenmu = temp_data_fenmu.loc[str(year)]
            except:
                result.loc[str(year)] = None
                continue
            for t in fenzi.index:
                try:
                    result.loc[t] = round(float(fenzi.loc[t].values[0])/float(fenmu.iloc[0,0])*100,2)
                except:
                    result.loc[t] = None
    
        result = pd.DataFrame(result)
        result.columns = ['指标值']
        result.index.name = '日期'
        return result
    

    2.19 汇总函数

    # 指标加工类型 汇总函数
    def FeatureCalculate(req_data , wind_data , nation_data , req_row_num ,
                         temp_data_fenzi,temp_data_fenmu,zhibiao_code,yuanxing_name,zhibiao_freq,cal_class,move_num=0):
        '''
        req_data, 需求加工字典表
        wind_data, 入库的wind数据 
        nation_data,入库的统计局数据
        req_row_num,要加工计算的指标 对应的需求加工字典中的 所在行数
        
        temp_data_fenzi,要加工计算的原始数据-分子位置
        temp_data_fenmu,要加工计算的原始数据-分母位置
        zhibiao_code,指标对应的编码
        yuanxing_name,原型中的指标名称名称
        zhibiao_freq,指标更新频率
        cal_class,指标加工类型
        move_num , 移动均值 移动期数
        '''
        if cal_class == "wind":
            result = windOrNationFeature(req_data,wind_data,req_row_num)
        elif cal_class == "北京市统计局":
            result = windOrNationFeature(req_data,nation_data,req_row_num)
        elif cal_class=="环比":
            result = monthOnMonth(temp_data_fenzi,zhibiao_freq)
        elif cal_class=="同比":
            result = yearOnYear(temp_data_fenzi,zhibiao_freq)
        elif cal_class == "当期值":
            result = currentPeriod(temp_data_fenzi,zhibiao_freq)
        elif cal_class == "当期及同比":
            result = currentPeriod(temp_data_fenzi,zhibiao_freq)
            result = yearOnYear(result['指标值'],zhibiao_freq)
        elif cal_class == "累计值":
            result = monthToMonthAddUp(temp_data_fenzi,zhibiao_freq)
        elif cal_class == "移动均值":
            result = moveAverage(temp_data_fenzi,zhibiao_freq,move_num)
        elif cal_class == "当期及移动均值":
            result = currentPeriod(temp_data_fenzi,zhibiao_freq)
            result = moveAverage(result['指标值'],zhibiao_freq,move_num)
        elif cal_class == "同比及移动均值":
            result = yearOnYear(temp_data_fenzi,zhibiao_freq)
            result = moveAverage(result['指标值'],zhibiao_freq,move_num)
        elif cal_class == "当期及同比及移动均值":
            result = currentPeriod(temp_data_fenzi,zhibiao_freq)
            result = yearOnYear(result['指标值'],zhibiao_freq)
            result = moveAverage(result['指标值'],zhibiao_freq,move_num)
            
        elif cal_class == "占比":   # 涉及双指标
            result = proportion(temp_data_fenzi,temp_data_fenmu,zhibiao_freq)
        elif cal_class == "1-占比":
            result = oneToShare(temp_data_fenzi,temp_data_fenmu,zhibiao_freq)
        elif cal_class == "同期差值":
            result = samePeriodDiff(temp_data_fenzi,temp_data_fenmu,zhibiao_freq)
        elif cal_class == "同比及同期差值":
            fenzi_data = yearOnYear(temp_data_fenzi,zhibiao_freq)
            result = samePeriodDiff(fenzi_data,temp_data_fenmu,zhibiao_freq)         
        elif cal_class == "贡献率":
            result = contributionRate(temp_data_fenzi,temp_data_fenmu,zhibiao_freq)    
        elif cal_class == "拉动率":
            result = pullRate(temp_data_fenzi,temp_data_fenmu,zhibiao_freq) 
        elif cal_class == "弹性系数":# 弹性系数:"当期及同比及占比"
            result = elasticCoefficient(temp_data_fenzi,temp_data_fenmu,zhibiao_code,yuanxing_name,zhibiao_freq)
        elif cal_class == "月度占比年度均值":
            result = proportion(temp_data_fenzi,temp_data_fenmu,zhibiao_freq)
            result = monthInYearMean(result['指标值'],zhibiao_freq)
        elif cal_class == "进度":
            result = progressSpeed(temp_data_fenzi,temp_data_fenmu,zhibiao_freq)
        else:
            return None
    
        result.loc[:,"指标编码"] = zhibiao_code
        result.loc[:,"原型指标名称"] = yuanxing_name
        result.loc[:,'频率'] = zhibiao_freq
            
        columns=['指标编码','原型指标名称','指标值','频率']
        result = result[columns]
        return result
    

    三、 具体实现案例

    import pandas as pd
    import datetime
    from dateutil.relativedelta import *
    import pandas as pd
    import time
    
    ################################# 主程序  ####################################
    if __name__=='__main__':
        # 初始化变量名     
        # 从公司数据库读取需要的数据表
        username = "xxxxxx"   #
        password = "xxxxxx"
        host = "xxxxxxxxxx"
        database = "xxxxxxxxx"
        wind_tablename = "xxxxxxxxxx"   # wind 入库的数据表名
        nation_tablename = "xxxxxxxxx" # 北京市统计局入库的数据表名
        
        # 本地数据库信息
        
        
        # 需求加工字典表 全地址名称
        req_data_name = r'./宏观经济数据库表/宏观经济分析指标基需求加工字典.xls'
        
        # 从公司数据库读取 原始的入库 数据表
        wind_data = dataBaseExtract(username,password,host,database,wind_tablename) # wind入库的数据
        nation_data = dataBaseExtract(username,password,host,database,nation_tablename)# 北京市统计局入库的数据
    
        # 读取 需求加工字典数据
        req_data = pd.read_excel(req_data_name)
        
        cateCal_dict = {
            '环比':                '单指标',
            '当期及同比':          '单指标',
            '当期及同比及移动均值':'单指标',
            '当期及移动均值':      '单指标',
            '当期值':              '单指标',
            '累计值':              '单指标',
            '同比':                '单指标',
            '同比及移动均值':      '单指标',
            '移动均值':            '单指标',
            '占比':                '双指标',
            '弹性系数':            '双指标',
            '同比及同期差值':      '双指标',
            '1-占比':              '双指标',
            '贡献率':              '双指标',
            '拉动率':              '双指标',
            '同期差值':            '双指标',
            '月度占比年度均值':    '双指标',
            'wind':                '单指标',
            '北京市统计局':        '单指标',
            '进度':               '双库指标'
        }
        all_yuanxing_data = pd.DataFrame() # 存放所有原型中的数据,纵向拼接
        
        time_start = time.time() # 程序开始计时
        for req_row_num in range(len(req_data)): 
            try:
                # 提取需要的基础数据信息
                temp_data_fenzi,temp_data_fenmu,zhibiao_code,yuanxing_name,zhibiao_freq,cal_class,move_num = \
                    requestDictDataInfo(req_data,wind_data,nation_data,cateCal_dict,req_row_num)
                if str(cal_class)=="nan":
                    continue
                #  需要的指标信息
                one_yuanxing_data = FeatureCalculate(req_data , wind_data , nation_data , req_row_num ,
                             temp_data_fenzi,temp_data_fenmu,zhibiao_code,yuanxing_name,zhibiao_freq,cal_class,move_num)
                if req_row_num%50 == 0:
                    print("加工到 %s 行了,对应的指标编码为:%s"%(req_row_num+2,zhibiao_code))
                    
                # 数据拼接
                if all_yuanxing_data.empty:
                    all_yuanxing_data = one_yuanxing_data
                else:
                    all_yuanxing_data = pd.concat([all_yuanxing_data,one_yuanxing_data])
            except:
                print('忽略了需求表中第%s行的数据,对应的指标编码为:%s'%(req_row_num+2,zhibiao_code))
            time_end = time.time() # 程序结束时间
        print('\n运行结束,程序耗时:%s'%(time_end-time_start))
        
    

    req_data数据样例
    req_data
    result_tongbi 加工结果样例:
    在这里插入图片描述

    四、小感

    本来以为 同比、环比、占比、贡献率、拉动率 这些日常见到的名词,应该挺简单的,动手一整理,发现其中还是有很多的“坑坑道道”,

    展开全文
  • IBM即将倒闭,微软离倒闭还有18个

    千次阅读 2014-10-25 15:03:10
    IBM公司于20日公布2014年第三季度财报,其第三季度净利润为1800万美元,同比下滑99.6%。 可见IBM已经危在旦夕了。 技术专家sun被并购倒闭,说明了一些道理,固步自封的技术公司可能已经走到头了。sun曾经靠...

    IBM公司于20日公布2014年第三季度财报,其第三季度净利润为1800万美元,同比下滑99.6%。

    可见IBM已经危在旦夕了。

    技术专家sun被并购倒闭,说明了一些道理,固步自封的技术公司可能已经走到头了。sun曾经靠小型机获得辉煌,但是pc服务器计算速度提升极快,小型机走到了头。sun有很多优秀的技术,比如java,zfs.但是操作系统solaries却不怎么成功,开源了还是没办法改变命运。

    现在的IBM还剩下什么?大型机?就像汉澳sinox的矩阵电脑崛起,大型机还有活路吗?卖了pc机,再卖服务器,ibm什么都做不好?4个月利润大跌99.6%,零头都没有了。

    只能说这个世界变化太快。以前人们做游戏外挂很赚钱,现在似乎也没钱可赚了?为什么?市场没有了。

    微软现在还靠windows和office赚钱,一旦汉澳sinox崛起,中国市场会丧失殆尽,离倒闭也不远了。比尔盖茨曾经说,微软离倒闭只有18个月。

    我觉得这一切变化如此迅速,主要是新技术日新月异,开源大大加速了这个进程,甚至小公司也能崛起。

    而互联网新媒体作为新的营销平台,可能并不需要建立庞大的营销队伍,优秀先进的东西也可能一夜之间传遍世界。

    IBM什么都没有做错,只是世界变了!比如说大型机市场开始结束。

    其实每个人每个公司都有自己的优点和限制,这些限制可能无法超越。比如比尔盖茨做出了极其成功的winxp,但是却没做好vista,说明他已经走到了自己的顶点,winxp就是它的最高度,所以他走了,没有人的高度是无限的,每个人都有自己的局限。成也萧何,败也萧何。微软的最高点就是winxp,没有能做出更高的产品。sun做成了小型机,做不了pc机,你看到sun的pc机吗?ibm做好大型机,却没做好pc机和pc服务器,这是怎么回事?可能习惯了大型机高额利润,不习惯pc的薄利多销。

    汉澳sinox的最高点就是矩阵电脑,却不会云计算。当矩阵电脑不再辉煌,汉澳sinox也许也到了终点。

    万物发生发展,往复循环。没有一个公司是永远的辉煌,时代在变,作为公司元老,也没有跟随时代变化,也许是不愿意变化。

    曾经的极度辉煌盛大传奇陈天桥、征途史玉柱,现在他们都去哪儿了?

    华为的荣耀,不知道还会荣耀多久。诺基亚已经走了一段时间了。


    蓝色巨人IBM会成为下一个诺基亚吗?


    文庚淼10月25日 06:56 分享到: IBM 蓝色巨人 诺基亚 分类 : 互联网
    摘要 : IBM这个曾经的蓝色巨人怎么了?这是“股神”巴菲特和很多因IBM股价暴跌而损失惨重的投资人都在问的问题。投资人批IBM丧失了想象力,变成一个操纵股价的金融公司。IBM错失一步都有可能遭遇诺基亚甚至柯达的境遇,“什么都没有做错,只是世界变了”。

    IBM公司于20日公布2014年第三季度财报,其第三季度净利润为1800万美元,同比下滑99.6%。IBM股价在当天的交易中下跌7.1%,创下自2011年9月以来的新低,作为IBM第一大股东的巴菲特账面有超过10亿美元的损失。IBM的软件和服务面临着云服务时代更灵活的小公司的冲击,作为一个组织臃肿的巨人,IBM能跟上时代的潮流吗?IBM会不会成为下一个诺基亚?

    IBM最大的危机在于变化的还不够快 投资人批其丧失想象力
    展开全文
  • 上个,库克在接受采访时,曾表示,iPhone 11在中国定价策略很成功,非常受欢迎。...据新浪科技报道,彭博社最新的计算结果显示,自新一代iPhone发布以来,苹果在中国市场出货量同比增长了6%,在刚刚过去的...

    640?wx_fmt=png

    上个月,库克在接受采访时,曾表示,iPhone 11在中国定价策略很成功,非常受欢迎。

    事实证明,所言非虚。

    不管是从用户反应评价,还是在刚过去的双11中的表现,都证明iPhone 11受欢迎程度,远超前代。中国消费者们再次对iPhone表现出了兴趣

    到底市场表现怎么样,还得看数据。据新浪科技报道,彭博社最新的计算结果显示,自新一代iPhone发布以来,苹果在中国市场出货量同比增长了6%,在刚刚过去的9月和10月份,苹果公司在中国市场共售出约1000万部iPhone手机。

    而随着iPhone 11的持续热卖,其将拉动iPhone 11 Pro系列的销量,预计到今年年底,iPhone 11和iPhone 11 Pro的销量将达到7000万部。

    在iPhone XR、XS系列发布后,苹果明显在中国市场陷入了困境,华为和小米等本土对手的实力强悍,他们提供了更香的价格和更具创新的设计,迅速抢占了苹果的市场份额。在iPhone 11发布之前,苹果不仅在中国市场低迷,在全球市场上的表现也不出彩,输给了竞争对手三星和华为。

    iPhone 11的到来扭转了颓势,连库克自己都承认,“我认为扭转中国局面是多种因素相结合的结果,包括下调产品定价、支持分期付款、以旧换新等,所有这些都改变了局势。

    640?wx_fmt=png

    iPhone在新的季度表现强劲,连带着分析师们都开始看好。Strategy Analytics在报告中预测,在明年推出三款5G iPhone后,苹果将成为市场领导者。Ken Hyers评论道:苹果只需与目前新推出的iPhone机型的升级速度相匹配,就可以在明年占据5G手机市场的领导权。

    话是这么说,明年的5G市场在许多厂商眼中都是一个新的机遇,所有参与者都在铆足了劲准备大干一场,苹果面对的竞争对手们都已崛起,只是有相匹配的升级速度恐怕并不能保证它赢得这场战役。

    有竞争,才会有创新,明年的5G手机市场肯定是热闹非凡。

    — 【 THE END 】—
    往期精彩文章回顾:

    华为Mate X 5G被黄牛炒出天价:这价格都能买辆车了!

    闹剧收场!董事长上失信名单,加水就能跑的水氢汽车正式破产了

    展开全文
  • 计算机严格的逻辑性和精确性,人类不严密的逻辑,模糊多变的... 项目目标不明确,标靶变来变去,因此有时决定说什么,比怎么说更困难。 项目目标不切实际,从一开始就想做一个适合所有人的,能做所有事的系统,...

     计算机严格的逻辑性和精确性,同人类不严密的逻辑,模糊多变的思维模式之间的矛盾,造成的人与机器之间沟通的障碍。
          开发团队之间相互沟通协作的成本,导致产生《人月神话》作者布鲁克斯法则的悖论-往已延误的项目中补充人力,只会使其继续延误。
          项目目标不明确,标靶变来变去,因此有时决定说什么,比怎么说更困难。
          项目目标不切实际,从一开始就想做一个适合所有人的,能做所有事的系统,造成就如要做永动机一样的结局。

    转载于:https://www.cnblogs.com/xiaowumao/p/4537755.html

    展开全文
  • 计算机学院(国家示范性软件学院)由之前的 网络技术研究院 以及 软件学院 计算机学院 合并而成。 人工智能学院由之前的信息与通信学院中的部分组与计算机学院中的智能组合并而成。 其中计算机学院和软件学院大家...
  • 中文加注版官方版无新增文件,只多了一个zzz的目录,里面放了一些笔者使用的文件,它与内核代码无关,大家可以忽略它,取名zzz是为了排在最后,减少对原有代码目录级的侵入,zzz的想法源于微信中名称为AAA的那批牛人,你的...
  • Win32多线程程序设计--源代码

    热门讨论 2012-04-22 17:09:08
     Threads(线程)是processes(进程)更小的执行单元,CPU的调度与时间分配皆以threads为对象。  计算机领域中早就存在threads的观念和技术,但是早期个人电脑操作系统(主要是DOS),别说multithread,连...
  • Win32多线程程序设计--详细书签版

    热门讨论 2012-04-22 16:59:13
    出版日期:2002 年2 页码:480 版次:1-1 所属分类:计算机 > 软件与程序设计 > 综合 内容简介  使用线程,你可以产生高效率的服务器,建立Internet服务器扩充软件,获得多CPU系统的好处,建立精巧的COM/OLE对象...
  • 出版日期:2010 年6 开本:16开 页码:1033 版次:1-1 所属分类:计算机 > 数据库 > Oracle 内容简介  本书针对大多数日常的oracle database 11g数据库管理任务,全面覆盖dba行业知识,并将理论与实践相结合,...
  • 如果大家有任何疑问,可以扫描下面二维码或者直接在微信搜索:sun_shine_lyz加我微信进行交流,也可以拉你进技术交流群,和技术大佬们一交流进阶~~ 我出版的图书 《海量数据处理与大数据技术实战》 《MySQL...
  • 原创文章每周最少两篇,公众号首发文章,【B站】首发视频,博客早一到两篇。 后端面试点合集 脑图在线编辑地址 目录(善用Ctrl+F) 注 : 没链接的是还没写 Java基础核心串讲 ...
  • excel的使用

    2012-11-25 17:06:01
    (1) 分数的输入如果直接输入“1/5”,系统会将其变为“15日”,解决办法是:先输入“0”,然后输入空格,再输入分数“1/5”。(2) 序列“001”的输入如果直接输入“001”,系统会自动判断001为数据1,解决办法...
  • 2020.11.24 今年去年晚两个礼拜,比赛结果经过一个半月的评审,在这一天公布了获奖名单,大家的努力相信都会有所收获。余生还有很多有意义的事情需要我们去做,让我们一起努力吧。(o^o) 预告一下,按照往年成绩...
  • 问题3-1:在1999年4出版的《计算机网络》(第2版)的1.3.2节中有这样的话: “(2) 数据链路层 数据链路层的任务是在两个相邻结点间的线路上无差错地传送以帧(frame)为单位的数据。……这样,数据链路层就把一条有...
  • 随后浏览器就会做样式计算,浏览器还会做布局、绘制,合并图层等,这个过程叫做像素管道。 <p><img alt="图片" src=...
  • 2020年上海幼升小采取摇号政策,公民招情况下,民办不能自己筛选了,只能靠运气摇号,带来了好的公立学校热大的热度,对学区房有利好的影响。很多热门学区需要“五年一户”,在购房时候一定要提前关注。 民办摇号...
  • 飞秋2013专业版

    2014-06-24 10:54:48
    完全兼容网上广为流传的飞鸽传书并原来飞鸽功能更加强大 - 不需要服务器支持 - 支持文件/文件夹的传送 (支持大文件传送[4G以上]), 发送方和接收方都可查看传送进度功能 - 可以建立无需服务器的聊天室,具有群聊天室...
  • 如需填入商品:“长虹彩电2919”时,可在“商品名称”处,填入“长虹2919”,或“2919”,就会提供含有该字段所有的商品名,这时所提供的范围菜单范围小了。这种方式可以让您更快捷进行录帐。 $23.录单时使用...
  • - 完全兼容网上广为流传的飞鸽传书并原来飞鸽功能更加强大 - 不需要服务器支持 - 支持文件/文件夹的传送 (支持大文件传送[4G以上]), 发送方和接收方都可查看传送进度功能 - 可以建立无需服务器的聊天室,具有群聊天...
  • him hi【=he他:这里i=e,元音字母之间的替换辅音字母的替换更常见,目的是在不改变词意的情况下改变读音,因为一个字在不同的方言里有不同的发音,当一种方言引进其他方言的语言时,保留了这种发音上的区别。...
  • - 完全兼容网上广为流传的飞鸽传书并原来飞鸽功能更加强大 - 不需要服务器支持 - 支持文件/文件夹的传送 (支持大文件传送[4G以上]), 发送方和接收方都可查看传送进度功能 - 可以建立无需服务器的聊天室,具有群聊天...
  • 飞秋FeiQv2.4修正版

    2008-11-23 17:27:11
    - 完全兼容网上广为流传的飞鸽传书并原来飞鸽功能更加强大 - 不需要服务器支持 - 支持文件/文件夹的传送 (支持大文件传送[4G以上]), 发送方和接收方都可查看传送进度功能 - 可以建立无需服务器的聊天室,具有群聊天...
  • /* final String[] message2=new String[]{" 1228日消息,在今天上午的微信公开课Pro当中,腾讯微信工作人员表示,未来微信将会支持虚拟会员卡功能,对于商家来说将通过腾讯微信获得更为精确的用户大数据,将会员...
  • /* final String[] message2=new String[]{" 1228日消息,在今天上午的微信公开课Pro当中,腾讯微信工作人员表示,未来微信将会支持虚拟会员卡功能,对于商家来说将通过腾讯微信获得更为精确的用户大数据,将会员...

空空如也

空空如也

1 2 3 4
收藏数 63
精华内容 25
关键字:

月同比怎么计算