-
在R中对李克特量表(likert)数据进行可视化描述性统计分析,热力图、密度图、柱状图
2020-08-06 09:20:38在R中对李克特量表带数据进行可视化描述性统计分析 李克特量表是一种常用的社会调查问卷模式。常规论文中对多级的李克特量表数据大多计算均值来进行描述性统计分析,但均值较难表现样本整体分布状况,R中likert ...在R中对李克特量表带数据进行可视化描述性统计分析
李克特量表是一种常用的社会调查问卷模式。常规论文中对多级的李克特量表数据大多计算均值来进行描述性统计分析,但均值较难表现样本整体分布状况,R中likert package可以协助完成多种可视化图表的描述性统计分析,如下柱状图、热力图、密度图等。相对于传统表格,更清晰直观漂亮。而且likert package语法也很简单。
#安装likert package if(!require(likert)){install.packages("likert")} library(likert) library(magrittr) #创建数据 input <- (" A B C 3 2 4 5 4 4 4 2 3 4 2 4 3 1 5 4 2 3 4 3 5 4 2 2 4 5 4 5 3 3 ") df_likert <- read.table(textConnection(input), header = TRUE) #分类定级 df_likert$A <- factor(df_likert$A, levels = c("1", "2", "3", "4", "5"), ordered = TRUE) df_likert$B <- factor(df_likert$B, levels = c("1", "2", "3", "4", "5"), ordered = TRUE) df_likert$C <- factor(df_likert$C, levels = c("1", "2", "3", "4", "5"), ordered = TRUE)
因为李克特量表的是定序、有级别差异的,所以一定要用factor给变量分级。
1.柱状图
likert(df_likert) %>% plot(type = "bar")
如图
2.热力图
likert(df_likert) %>% plot( type = "heat", low.color = "white", high.color = "blue", text.color = "black", text.size = 4, wrap = 50 )
如图
3.密度图
likert(df_likert) %>% plot(type = "density", facet = TRUE, bw = 0.5)
如图
参考资料
[1]https://www.rdocumentation.org/packages/likert/versions/1.3.5
[2]https://rcompanion.org/handbook/E_03.html -
Python对EXCEL中关键字相同的记录进行统计,并对前若干个数据进行柱状图展示
2019-07-17 17:10:18Python对EXCEL中关键字相同的记录进行统计,并对前若干数据进行柱状图展示 import csv import matplotlib.pyplot as plt import numpy as np import pandas import os source=“D:/乔雪梅/钢构用户行为分析” file_...Python对EXCEL中关键字相同的记录进行统计,并对前若干数据进行柱状图展示
import csv
import matplotlib.pyplot as plt
import numpy as np
import pandas
import os
source=“D:/乔雪梅/钢构用户行为分析”
file_list=os.listdir(source) #读取某一路径下的所有文件#存储全量路径
source_m=[ source+"/"+i for i in file_list]
#正常显示读取的表格中的中文字体
plt.rcParams[‘font.sans-serif’]=[‘SimHei’]
plt.rcParams[‘axes.unicode_minus’] = Falsedef sta(fp):
#打开文件
file =open(fp,‘r’)
#读取文件中的所有行
lines=file.readlines()
file.close()row=[]#定义行数组 column=[]#存储功能码 col=[]#存储功能名 for line in lines: row.append(line.split(',')) for i in range(1,len(row)): m=row[i] column.append(m[2])#获取功能码 col.append(m[3]) #获取功能名 #统计每个功能点击的次数,按功能码进行统计 click_numbers={} for it in column: click_numbers[it] = 0 for i in column: click_numbers[i]=click_numbers[i]+1 fig = plt.figure() #截取部分功能(使用次数多的功能)显示 function_name=[] click_times=[] for ms in click_numbers.keys(): if len(click_numbers.keys())>11: if click_numbers[ms]>5: if col[column.index(ms)]=='"查看型钢代号表"' or col[column.index(ms)]=='"新建"'or col[column.index(ms)]=='" ..."' or col[column.index(ms)]=='"动态"': #print(col[column.index(ms)]) function_name.append(col[column.index(ms)]+ms) else: function_name.append(col[column.index(ms)]) click_times.append(click_numbers[ms]) else: if col[column.index(ms)]=='"新建"': function_name.append(col[column.index(ms)]+ms) else: function_name.append(col[column.index(ms)]) click_times.append(click_numbers[ms])
#删除特殊分组中的功能
delete=[’“软件关闭”’,’“关闭工程”’,’“新建工程”’,’“软件启动”’,’“保存工程”’,’“打开工程”’,’“加密锁-启动”’]
for d in delete:
if d in function_name:
indexs=function_name.index(d)
function_name.remove(d)
#print(“delete”,click_times[indexs],indexs)
click_times.remove(click_times[indexs])plt.bar(function_name,click_times,0.1,color="green") plt.xlabel("功能", fontsize=20) plt.ylabel('点击次数', fontsize=20) plt.title(file_list[source_m.index(fp)]) #前两个参数确定柱子的位置,1.02*p代表在柱子顶稍高一点,第三个参数设定显示数据,fontsize规定字号 #显示功能名 for x, y in enumerate(click_times): plt.text(x, y*1.02 , '%s' % y, ha='center', va='bottom') return function_name
total=[]
fp=source_m[6] #7个用户,每个用户单个调试 0-6
sta(fp)
plt.show()结果如下图:
-
matlab在数据包络分析中的应用_浅谈描述统计分析在数据分析中的应用
2020-11-24 10:27:46描述性统计分析要对调查总体所有变量的有关数据进行统计性描述,主要包括数据的频数分析、集中趋势分析、离散程度分析、分布以及一些基本的统计图形。 ①数据的频数分析。在数据的预处理部分,利用频数分析和交叉...一、描述性统计分析概念
描述性统计,是指运用制表和分类,图形以及计算概括性数据来描述数据特征的各项活动。描述性统计分析要对调查总体所有变量的有关数据进行统计性描述,主要包括数据的频数分析、集中趋势分析、离散程度分析、分布以及一些基本的统计图形。
①数据的频数分析。在数据的预处理部分,利用频数分析和交叉频数分析可以检验异常值。②数据的集中趋势分析。用来反映数据的一般水平,常用的指标有平均值、中位数和众数等。③数据的离散程度分析。主要是用来反映数据之间的差异程度,常用的指标有方差和标准差。④数据的分布。在统计分析中,通常要假设样本所属总体的分布属于正态分布,因此需要用偏度和峰度两个指标来检查样本数据是否符合正态分布。⑤绘制统计图。用图形的形式来表达数据,比用文字表达更清晰、更简明。二、数据分析常用的描述性统计分析的指标
1、平均值
图片来源于百度百科 注意:平均值对异常值不敏感。
2、四分位数(Quartile):也称四分位点,是指在统计学中把所有数值由小到大排列并分成四等份,处于三个分割点位置的数值。
最小估计值:Q1-k(Q3-Q1)
最大估计值:Q3+k(Q3-Q1)
k=1.5 中度异常
k=3 极度异常
指标应用:(1)不同类别数据比较;(2)识别异常值。
可以结合箱线图,更清晰、直观展现数据分布情况。
注意:四分位数可以整体描述数据分布状态,但不能体现数据波动性。
3、方差、标准差、标准分
(1)方差:在统计描述中,方差用来计算每一个变量(观察值)与总体均数之间的差异。
图片来自百度百科 为总体方差, 为变量, 为总体均值, 为总体例数。
(2)标准差:标准差能反映一个数据集的离散程度。
(3)标准分=距离平均值多事个标准差
三、描述性统计分析指标的简单应用
(一)数据集分析
-
基统计的方法对进行多因子的探索性数据分析
2020-02-14 21:43:19单因子分析主要针对某一个特征进行分析,分析方法往往采用统计指标(均值,中位数,众数,偏度系数和峰度系数等)以及图形可视化分析;而多因子分析主要是针对两个或两个以上的特征做联合分析,分析方法有检验分析...在建立机器学模型之前,我们常常会对我们所拥有的特征进行探索性因子分析,探索性因子分析可以分为单因子分析和多因子分析。单因子分析主要针对某一个特征进行分析,分析方法往往采用统计指标(均值,中位数,众数,偏度系数和峰度系数等)以及图形可视化分析;而多因子分析主要是针对两个或两个以上的特征做联合分析,分析方法有检验分析(如:T检验分析,方差分析,卡方检验分析)、相关性分析、主成分分析、因子分析等,本文主要是记录一些多因子分析方法.
1、假设检验
!
## 这是一个检验变量是否呈现正态分布的方法,基于偏度和峰度的检验方法。 import pandas as pd import numpy as np from scipy import stats pts = 1000 np.random.seed(28041990) a = np.random.normal(0, 1, size=pts) ##生成一个均值为0,标准差为1的1000个正太分布随机数 b = np.random.normal(2, 1, size=pts) ##生成一个均值为2,标准差为1的1000个正太分布随机数 x = np.concatenate((a, b)) ##合并这两个数组 k2, p = stats.normaltest(x) ##k2表示统计量的值,p为p值 alpha = 1e-3 ##阀值 print("p = {:g}".format(p)) p = 3.27207e-11 if p < alpha: # null hypothesis: x comes from a normal distribution print("The null hypothesis can be rejected") else: print("The null hypothesis cannot be rejected")
1.1 t检验
主要是用来检验两组分布是否具有一致性
import pandas as pd import numpy as np from scipy import stats as ss ss.ttest_ind(ss.norm.rvs(size=10), ss.norm.rvs(size=20)) ##out:Ttest_indResult(statistic=1.9250976356002707, pvalue=0.06443061130874687) ss.ttest_ind(ss.norm.rvs(size=10), ss.norm.rvs(loc=1,scale=0.1,size=20)) ## out:Ttest_indResult(statistic=-3.3034115592617534, pvalue=0.002617523871754732)
1.2 卡方检验
卡方检验,用称之为四格检验方法,主要是用来检验两个因素是否具有比较强的联系,如下:我们看一下性别与化妆与否是否具有关系,
H0:性别与化妆与否之间没有关系
H1:性别与化妆与否之间具有关系
卡方直129.3是大于显著性水平为0.05的卡方值3.841,所以应该拒绝原假设,接受备择假设,即性别与男女化妆与否之间有比较强的关系。import pandas as pd import numpy as np from scipy import stats k2,p,_,_ss.chi2_contingency([[15, 95], [85, 5]], False out:k2=129.29292929292927,p=5.8513140262808924e-30
1.3方差检验
SST:总平方和或总变差平方和
SSM:组间平方和或平均平方平方和
SSE :组内平方和或残差平方和
F0:三种电池之间的平均寿命无差异
F1:三种电池之间平均寿命没有差异p值小于显著性水平,拒绝原假设,即认为三种电池的平均寿命具有差异性。
from scipy import stats as ss ss.f_oneway([49, 50, 39,40,43], [28, 32, 30,26,34], [38,40,45,42,48])
1.4 qq图
from statsmodels.graphics.api import qqplot from matplotlib import pyplot as plt qqplot(ss.norm.rvs(size=100))#QQ图 plt.show()
理论分位数值与样本分布正太分位数值在对角线上2 相关系数
2.1 Pearson相关系数
s = pd.Series([0.1, 0.2, 1.1, 2.4, 1.3, 0.3, 0.5]) df = pd.DataFrame([[0.1, 0.2, 1.1, 2.4, 1.3, 0.3, 0.5], [0.5, 0.4, 1.2, 2.5, 1.1, 0.7, 0.1]]) #相关分析 print(s.corr(pd.Series([0.5, 0.4, 1.2, 2.5, 1.1, 0.7, 0.1]))) print(df.corr())
2.2 Spearman相关系数
import pandas as pd df = pd.DataFrame([[0.1, 0.2, 1.1, 2.4, 1.3, 0.3, 0.5], [0.5, 0.4, 1.2, 2.5, 1.1, 0.7, 0.1]]) df.corr(method="spearman")
3 复合分析
3.1 交叉分析
(1)检验的方法,这里主要是利用HR_data.csv数据,观察部门之间员工离职率是否具有差异性。
##看部门两两之间离职率是否具有差异性,用t检验的方法。 import pandas as pd import numpy as np import scipy.stats as ss import seaborn as sns sns.set_context(context="poster",font_scale=1.2) import matplotlib.pyplot as plt df=pd.read_csv("./data/HR_data.csv")
dp_indices=df.groupby(by="department").indices sales_values=df["left"].iloc[dp_indices["sales"]].values technical_values=df["left"].iloc[dp_indices["technical"]].values print(ss.ttest_ind(sales_values,technical_values)) dp_keys=list(dp_indices.keys()) dp_t_mat=np.zeros((len(dp_keys),len(dp_keys))) for i in range(len(dp_keys)): for j in range(len(dp_keys)): p_value=ss.ttest_ind(df["left"].iloc[dp_indices[dp_keys[i]]].values,\ df["left"].iloc[dp_indices[dp_keys[j]]].values)[1] if p_value<0.05: dp_t_mat[i][j]=-1 ## 拒绝原假设,认为两个部门离职率有差异性 else: dp_t_mat[i][j]=p_value ##接受原假设 sns.heatmap(dp_t_mat,xticklabels=dp_keys,yticklabels=dp_keys) plt.show()
如上图中黑色方框表示两个部门的离职具有差异性。
(2)透视表的方法piv_tb=pd.pivot_table(df, values="left", index=["department", "salary"], columns=["time_spend_company"],aggfunc=np.mean) #piv_tb=pd.pivot_table(df, values="left", index=["department", "salary"], columns=["time_spend_company"],aggfunc=np.sum) #piv_tb=pd.pivot_table(df, values="left", index=["department", "salary"], columns=["time_spend_company"],aggfunc=len)
3.2 分组分析
(1) 离散值
sns.barplot(x="salary",y="left",hue="department",data=df) plt.show() #按照部门分组(图例)hue参数, salary为x轴
(2) 连续值先分组,在做聚合
根据
拐点(二街查分)、
聚类、
基尼系数
把连续值分类sl_s=df["satisfaction_level"] sns.barplot(range(len(sl_s)),sl_s.sort_values())
3.3 因子分析
(1)探索性因子分析
通过协方差矩阵,分析多元变量的本质结构,并可以转化、降维操作,得到空间中影响目标属性的最主要因子,例如主成分分析方法。import pandas as pd import numpy as np import scipy.stats as ss import seaborn as sns sns.set_context(context="poster",font_scale=1.2) import matplotlib.pyplot as plt import math from sklearn.decomposition import PCA df=pd.read_csv("./data/HR.csv") #相关图 sns.heatmap(df.corr()) sns.heatmap(df.corr(), vmax=1, vmin=-1) plt.show() #PCA降维 my_pca=PCA(n_components=7) lower_mat=my_pca.fit_transform(df.drop(labels=["salary","department","left"],axis=1).values) print(my_pca.explained_variance_ratio_) #sns.heatmap(pd.DataFrame(lower_mat).corr()) #plt.show()
降维后的矩阵使得各个变量之间都是正交的,及相关系数为1.(2)验证性因子分析
测试一个因子与相对应的测度项之间的关系是否符合研究者所设计的理论关系。 -
对已知进行数据统计与分析
2016-01-22 18:53:45图中最左是1到9的随机数,顺序是从上往下a然后b,规则是以A为例当随机数从第一个不是A中数起到为A中的数结束,进行个数统计,如图表中统计A为例连续14个不是A中的数,记为15,连续出现A中数时不记,以此类推进行统计... -
用R语言对网络数据进行统计分析(五)
2018-05-29 22:54:17用R语言对网络数据进行统计分析(四) 网络图特征的描述性统计 简介 在对给定的复杂系统的研究中,利益问题通常可以用作为对相应的网络图的结构或特征的某些方面的问题的方式来重新表述。例如,各种类型的基本... -
轴上下柱状图_数据分析显示不够直接?这款多轴统计图你可以试试
2021-01-14 03:49:081、新建一个报表模板,样表设置如下:新建过程:在官网打开亿信ABI的试用版本,在数据分析中点击“报表分析”,从左侧的基础组件中拖入一个“分析区表格”,然后点击表格进行拾取主题表中的数据,并对第一个数据指标... -
任雪松多元统计分析书中的数据_「SPSS数据分析」SPSS聚类分析的软件操作与结果解读...
2020-11-21 17:07:53在对数据进行统计分析时,我们会遇到将一些数据进行分类处理的情况,但是又没有明确分类标准,这时候就需要用到SPSS聚类分析。 SPSS聚类分析分为两种:一种为R型聚类,是针对变量进行的聚类分析;另一种为Q型聚类,... -
WSB数据分析:WSB是否影响了现实生活中的股票价格的统计分析-源码
2021-02-15 13:24:29然后将这些用于比较发布这些帖子的时间段内的实际股价数据(使用API获取这些股价),然后对结果进行统计分析。 用法 要自己使用它,只需下载文件并确保在您的计算机上安装了适用于Python的正确软件包。 确保您... -
Excel 数据的统计分析及绘图自动处理的python示例(精益办公实战2)
2021-02-19 22:39:15对数据集进行统计分析,通过图表来展示特征数据之间的关系,对数据进行挖掘以寻找有效的数据价值,并且结果需要以Excel文件的形式保存,以方便企业其他人员的查阅和使用。 3、方法步骤: 3.1 导入数据 3.2 -
多元统计分析 || 关于学生是否抽烟与每天学习时间长短关系的调查数据,试用R语言对其进行基本统计分析
2020-03-26 12:47:03结果分析:用分组条形图可以较好地直观显示该数据特征 由图一可知,在该抽样数据中,学习时间少于5小时的抽烟比例很大,而学习时间超过10小时的,没有抽烟的比抽烟的多 由图二可知,在该抽样数据中,没有抽烟的学生... -
对知乎的用户网络进行数据分析
2018-12-17 11:14:23用户数据来源是,通过一个用户去发现其关注列表中的所有用户,并且加入统计用户被关注次数中并且由此循环迭代,最后得到用户被关注统计数据,数据根据关注人数排序,输出折线图,结果如下 图像纵坐标表示关注人数... -
-
python在人力资源数据分析统计服_python数据分析学习——1.描述性统计分析
2021-01-08 08:07:20一般在数据分析的过程中,拿到数据不会去直接去建模,而是先做描述性分析来对数据有一个大致的把握,很多后续的建模方向也是通过描述性分析来进一步决定的。那么除了在Excel/R中可以去做描述性分析。本文将细致讲解... -
对快速移动中的数据的分析和行动:复杂事件处理
2011-03-30 09:28:02•生成高级信息,如汇总数据、统计、能洞察多个独立事件的“大图”或净效应的趋势 •基于输入数据的复杂分析,不断重算关键的操作值 •收集原始数据与结果数据到历史数据库,以进行历史分析或遵循合规性 本文试图... -
【MATLAB统计分析与应用100例】案例004:matlab调用smoothts函数对金融时间序列数据进行平滑处理
2020-12-13 11:56:44时间序列数据进行平滑处理效果预览: Excel原数据部分预览: 1. 读取金融时间序列数据,绘制波形图 x = xlsread('examp03_02.xls'); % 从文件examp03_02.xls中读取数据 price = x(:,4)'; % 提取矩阵x的第4列数据,... -
tinv函数_对数据进行描述统计的常用函数小结
2021-01-09 19:32:38描述统计是数据分析中常用的方法,它是指通过数学方法,对数据资料进行整理、分析,并对数据的分布状态、数字特征和随机变量之间的关系进行估计和描述的方法。描述统计通常包括集中趋势分析、离散趋势分析和相关分析... -
python中分组频率统计功能_Python数据分析之数据聚合与分组
2021-01-29 04:59:45一、概述之前我们总结了Pandas的数据加载、清洗及规整,本文主要总结数据聚合与分组,其在我们的数据分析工作中的使用频率也比较高,Pandas为我们提供了gruopby功能,它使你能以一种自然的方式对数据集进行切片、切... -
运营中的数据分析
2020-09-25 17:25:40如果用一句话概括什么是数据分析,在我看来,就是:数据分析是用适当的统计分析方法,对收集来的大量数据进行分析,提取有用信息和形成结论的过程。 一个完整的数据分析体系应该是如下图所示: 完整的分析体系 ... -
Excel在统计分析中的应用—第十二章—回归分析与预测-应用散点图和趋势线进行回归分析
2017-12-25 22:57:43 “拟合度检验:拟合优度又称为可决系数。可以用来检验回归方程对观察数据的拟合程度,用来度量方程总体回归效果的优劣。” -
禅道报表中关闭bug统计图_选对工具,教你快速制作美观统计图
2021-01-12 13:31:53那业务人员能不能在不借助BI工程师的情况下快速制作美观的统计图,对数据进行分析,得到想要的结果,缩短工时,减少成本呢?有些人可能会直接选择在excel上做统计图分析,但是excel上的统计图设置项调整... -
arcgis的统计分析指导及练习数据
2014-02-22 16:15:23练习2教你创建表面之前如何对数据进行检查。数据检查的目的是为了找出数据中那些离群值并且发现数据中存在的趋势。 练习3你将创建第二个表面,这个表面更多地考虑了练习2中数据分析发现的空间关系,并且对练习1中... -
如何在Python中进行描述性统计分析?
2021-01-19 13:30:14在进行数据分析时,一般要先对数据进行描述性统计分析,以发现其内在的规律,再选择进一步分析的方法。描述性统计分析要对调查总体所有变量的有关数据做统计性描述,主要包括数据的频数分析、数据的集中趋势分析、... -
每日疫情地图,曲线图展示,数据统计分析,态势感知,确诊人数预测分析算法设计,NLP舆情监测等任务(数据...
2021-01-31 12:40:02空间数据分析作为大数据分析的重要组成,将数据智能处理,直观展示和相互作用分析有机地结合,使机器智能和人类智慧深度融合,优势互补,为疫情防控中的分析,指挥和决策提供有效依据和指南。 本项目希望能利用交互... -
如何对第三方数据进行大数据分析
2020-08-20 14:03:14然而,掌握第三方数据可能会非常具有挑战性,称其遵守严格的数据隐私规范方面,它是不可错过的。数据正在增长,可利用的机会也在增加。为了从第三方数据孤岛中获得最大利益,企业领导人必须制定战略,解决围绕数据... -
在R中统计数据的频数或者密度分布并图形化
2015-05-22 11:01:05对于统计性的数据,最好首先看看数据是如何分布,并把分布图示化,可以帮助我们确定后续的分析策略。现在,以R中著名的iris数据为例来计算其中一组数据的分布情况。 > data(iris) > names(iris) [1] "Sepal.... -
数据统计和分析论文的matlab源代码
2012-11-08 15:28:38数据仓库架构建立后,以数据仓库结构为目标对日志源进行ETL, ETL过程基于Hadoop分布式计算框架,摒弃日志文件中的多余信息,将需要的数据抽取、计算,并装载入Hive数据仓库。 随后基于Hive数据仓库及其提供的数据查询... -
python输入一组数据、进行简单的统计_《利用Python进行数据分析》学习笔记——第二章(3)...
2020-12-20 18:51:49csv加载.txt文件图2.1 用read_csv加载.txt文件DataFrame.names1880中只有births这一列是int型,所有在使用sum()函数他似乎是会默认使用births列进行分组(groupby):图2.2 默认对births列进行分组读取所有数据,... -
python哪个模块用于数据分析统计服_SPSS分析技术:探索性分析;强大的综合性描述性统计模块...
2021-01-29 16:47:06探索性分析生活中,高空作业一般都会借助外物如吊车等工具帮住自己达到目标,而统计学中也一样,在对数据的基本特征有所了解,需要对数据进行更为细致和深入的描述性观察分析,这时候就需要绘制统计图来辅助分析,... -
数据分析的意义和方法
2019-02-28 10:19:52数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概况总结的过程,是为了寻求问题的答案而实施的有计划、有步骤的行为。 数据分析分类: 描述性统计...
-
Editor.md图片跨域问题
-
MySQL 四类管理日志(详解及高阶配置)
-
Docker从入门到精通
-
Graphpad Prism 9教程,不会 SPSS,也能搞定卡方检验!
-
centos忘记密码怎么办?教你如何巧妙解决~
-
简历十大撒打算.docx
-
Windows系统管理
-
access应用的3个开发实例
-
西门子 电气设备选型资料大全 (适合刚刚入行的电气工程师对设备进行选型规划)详解 报价
-
MySQL 多实例安装 及配置主从复制实验环境
-
297. 二叉树的序列化与反序列化
-
linux c spi应用层 通信源代码
-
MySQL NDB Cluster 负载均衡和高可用集群
-
5个步进电机硬件设计原理图PCB工程文件资料.zip
-
实现 MySQL 读写分离的利器 mysql-proxy
-
工程制图 AutoCAD 2012 从二维到三维
-
xxx讲话实录.zip
-
2021年 系统分析师 系列课
-
MySQL 高可用工具 heartbeat 实战部署详解
-
2021年 系统架构设计师 系列课