精华内容
下载资源
问答
  • 原文链接:拓端数据科技 / Welcome to tecdat​...预测公式如下其中yt是按季度季节性调整后的实际美国GDP的对数增长,x3t是月度总就业非农业工资的对数增长。首先,我们加载数据并执行必要的转换。R> y <- wi...

    原文链接:

    拓端数据科技 / Welcome to tecdattecdat.cn
    cb4da50da2037f669921e9a61d3472ce.png

    预测GDP增长

    我们复制了Ghysels(2013)中提供的示例。我们进行了MIDAS回归分析,以预测季度GDP增长以及每月非农就业人数的增长。预测公式如下

    5fd77f5d3e89de2158eeb16cbe16ed65.png

    其中yt是按季度季节性调整后的实际美国GDP的对数增长,x3t是月度总就业非农业工资的对数增长。

    首先,我们加载数据并执行必要的转换。


    1. R> y <- window(USqgdp, end = c(2011, 2))

    2. R> x <- window(USpayems, end = c(2011, 7))

    3. R> yg <- diff(log(y)) * 100

    4. R> xg <- diff(log(x)) * 100

    最后两行用于均衡样本大小,样本大小在原始数据中有所不同。我们只需在数据的开头和结尾添加其他NA值即可。数据的图形表示如图3所示。要指定midas_r函数的模型,我们以下等效形式重写它:

    7efec1a67fbc349f98a8a698274d4e9f.png

    cb15a9dec57b2fa86032b079e203c018.png

    就像在Ghysels(2013)中一样,我们将估算样本限制在1985年第一季度到2009年第一季度之间。我们使用Beta多项式,非零Beta和U-MIDAS权重规格来评估模型。


    1. R> coef(beta0)

    2. (Intercept) yy xx1 xx2 xx3

    3. 0.8315274 0.1058910 2.5887103 1.0201202 13.6867809

    4. R> coef(betan)

    5. (Intercept) yy xx1 xx2 xx3 xx4

    6. 0.93778705 0.06748141 2.26970646 0.98659174 1.49616336 -0.09184983

    7. (Intercept) yy xx1 xx2 xx3 xx4

    8. 0.92989757 0.08358393 2.00047205 0.88134597 0.42964662 -0.17596814

    9. xx5 xx6 xx7 xx8 xx9

    10. 0.28351010 1.16285271 -0.53081967 -0.73391876 -1.18732001

    我们可以使用2009年第2季度至2011年第2季度包含9个季度的样本数据评估这三个模型的预测性能。


    1. R> fulldata <- list(xx = window(nx, start = c(1985, 1), end = c(2011, 6)),

    2. + yy = window(ny, start = c(1985, 1), end = c(2011, 2)))

    3. R> insample <- 1:length(yy)

    4. R> outsample <- (1:length(fulldata$yy))[-insample]

    5. R> avgf <- average_forecast(list(beta0, betan, um), data = fulldata,

    6. + insample = insample, outsample = outsample)

    7. R> sqrt(avgf$accuracy$individual$MSE.out.of.sample)

    8. [1] 0.5361953 0.4766972 0.4457144

    我们看到,MIDAS回归模型提供了最佳的样本外RMSE。

    预测实际波动

    作为另一个演示,我们使用midasr来预测每日实现的波动率。Corsi(2009)提出了一个简单的预测每日实际波动率的模型。实现波动率的异质自回归模型(HAR-RV)定义为

    da3e17128d87c4bca81add0fd57f014c.png

    0366976a2d71c2c6791f78e675030a69.png

    我们假设一周有5天,一个月有4周。该模型是MIDAS回归的特例:

    e025bb212226a9aede9eb4dfa2198a3f.png

    a972be49bcf2094b8f9cbbf0c519fb83.png

    相应的R代码如下

    为了进行经验论证,我们使用了由Heber,Lunde,Shephard和Sheppard(2009)提供的关于股票指数的已实现波动数据。我们基于5分钟的回报数据估算S&P500指数的年度实现波动率模型。


    1. Parameters:

    2. Estimate Std. Error t value Pr(>|t|)

    3. (Intercept) 0.83041 0.36437 2.279 0.022726 *

    4. rv1 0.34066 0.04463 7.633 2.95e-14 ***

    5. rv2 0.41135 0.06932 5.934 3.25e-09 ***

    6. rv3 0.19317 0.05081 3.802 0.000146 ***

    7. ---

    8. Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

    9. Residual standard error: 5.563 on 3435 degrees of freedom

    为了进行比较,我们还使用归一化指数Almon权重来估计模型


    1. Parameters:

    2. Estimate Std. Error t value Pr(>|t|)

    3. (Intercept) 0.837660 0.377536 2.219 0.0266 *

    4. rv1 0.944719 0.027748 34.046 < 2e-16 ***

    5. rv2 -0.768296 0.096120 -7.993 1.78e-15 ***

    6. rv3 0.029084 0.005604 5.190 2.23e-07 ***

    7. ---

    8. Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

    9. Residual standard error: 5.535 on 3435 degrees of freedom

    我们可以使用异方差性和自相关鲁棒权重规范测试hAhr_test来测试这些限制中哪些与数据兼容。


    1. hAh restriction test (robust version)

    2. data:

    3. hAhr = 28.074, df = 17, p-value = 0.04408

    4. hAh restriction test (robust version)

    5. data:

    6. hAhr = 19.271, df = 17, p-value = 0.3132

    我们可以看到,与MIDAS回归模型中的HAR-RV隐含约束有关的零假设在0.05的显着性水平上被拒绝,而指数Almon滞后约束足够的零假设则不能被拒绝。

    13f6e2d82ba21c2d4715d698283c86f0.png

    图说明了拟合的MIDAS回归系数和U-MIDAS回归系数及其相应的95%置信区间。对于指数Almon滞后指标,我们可以通过AIC或BIC选择滞后次数。

    在这里,我们使用了两种优化方法来提高收敛性。将测试函数应用于每个候选模型。函数hAhr_test需要大量的计算时间,尤其是对于滞后数量较大的模型,因此我们仅在第二步进行计算,并且限制了滞后次数的选择。AIC选择模型有9个滞后:


    1. Selected model with AIC = 21551.97

    2. Based on restricted MIDAS regression model

    3. The p-value for the null hypothesis of the test hAhr_test is 0.5531733

    4. Parameters:

    5. Estimate Std. Error t value Pr(>|t|)

    6. (Intercept) 0.96102 0.36944 2.601 0.00933 **

    7. rv1 0.93707 0.02729 34.337 < 2e-16 ***

    8. rv2 -1.19233 0.19288 -6.182 7.08e-10 ***

    9. rv3 0.09657 0.02190 4.411 1.06e-05 ***

    10. ---

    11. Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

    12. Residual standard error: 5.524 on 3440 degrees of freedom

    hAh_test的HAC再次不拒绝指数Almon滞后规范的原假设。我们可以使用具有1000个观测值窗口的滚动预测来研究两个模型的预测性能。为了进行比较,我们还计算了无限制AR(20)模型的预测。


    1. Model MSE.out.of.sample MAPE.out.of.sample

    2. 1 rv ~ (rv, 1:20, 1) 10.82516 26.60201

    3. 2 rv ~ (rv, 1:20, 1, harstep) 10.45842 25.93013

    4. 3 rv ~ (rv, 1:9, 1, nealmon) 10.34797 25.90268

    5. MASE.out.of.sample MSE.in.sample MAPE.in.sample MASE.in.sample

    6. 1 0.8199566 28.61602 21.56704 0.8333858

    7. 2 0.8019687 29.24989 21.59220 0.8367377

    8. 3 0.7945121 29.08284 21.81484 0.8401646

    我们看到指数Almon滞后模型略胜于HAR-RV模型,并且两个模型均胜过AR(20)模型。

    参考文献

    Andreou E,Ghysels E,Kourtellos A(2010)。“具有混合采样频率的回归模型。” 计量经济学杂志,158,246–261。doi:10.1016 / j.jeconom.2010.01。004。

    Andreou E,Ghysels E,Kourtellos A(2011)。“混合频率数据的预测。” 在MP Clements中,DF Hendry(编),《牛津经济预测手册》,第225–245页。

    展开全文
  • 11月的现房销售经季节性调整后的年率达到669万。与2019年11月相比,11月现有房屋的销售额增长了25.8%。现有房屋销量 11月全国所有房屋类型的现房价格中位数升至$310,800,同比增长14.6%。房价继续上涨,这标志着...
    e96e18703120f3d3ee599a8c62424587.png

    11月份房屋销售数据

    12月22日,NAR发布了一份现房销售数据摘要,显示11月份的住房市场活动比2020年10月减少了2.5%。11月的现房销售经季节性调整后的年率达到669万。与2019年11月相比,11月现有房屋的销售额增长了25.8%。

    99f3a1b8703dd05cafa245bba2bbd3b3.png

    现有房屋销量

    11月全国所有房屋类型的现房价格中位数升至$310,800,同比增长14.6%。房价继续上涨,这标志着连续第105个月同比增长。

    2f7eed90c9b66833ff87abc41137c4f5.png

    全美及各地区房屋中间价

    从地区来看,所有四个地区的价格都比一年前增长了两位数。东北地区的增幅最大,为17.4%,其次是南部地区,增幅为15.0%。自2019年11月以来,中西部地区的价格上涨幅度为14.6%,西部地区的价格涨幅最小,为13.8%。

    11月份的库存数据较上月下降9.9%,有128万套待售房屋。与2019年11月相比,库存水平下降了22.0%。这将标志着连续18个月同比下降。以当前的销售速度移动当前的库存水平需要2.3个月的时间。

    在当前的住房市场上,房屋从上市到签订合同大约需要21天。同比一年前,减少了17天。

    7d3a17b37a4d98c6089b1d8004b3ca17.png

    房屋库存

    从10月开始,四个地区中有三个地区的销售下降,而西方地区则持平。东北地区下降了2.2%,其次是中西部地区,下降了2.5%。南方的跌幅最大,为3.8%。

    与一年前相比,所有四个地区的销售额均呈两位数增长。西部地区涨幅最大,达27.3%。南部地区的销售额增长了25.9%,其次是东北地区,增长了25.7%。中西部地区涨幅最小,为24.2%。

    南部地区在全国销售额中所占比例最高,占所有地区的42.2%,而东北部地区所占比例最小,为13.2%。

    583bed371882b172c861909abc4d46d0.png

    现有房屋销售同比变化百分比

    与上个月相比,11月份独栋销量下降了2.4%,公寓销量下降了2.7%。独栋销售同比增长25.6%,而公寓销售同比增长26.8%。自2019年11月以来,独栋价格上涨15.1%至315,500美元,公寓上涨9.5%至271,400美元。

    54d3f002cb7c2b4d74c0fa63f91f6640.png

    独栋与公寓销售环比变化百分比

    5dc9e57b18e758f3abc6e58c0ed2b11d.png

    独栋与公寓销售同比变化百分比

    * 更多详情,请持续关注我们!

    展开全文
  • 因此我们应该根据用户搜索习惯与季节性的变化来及时调整我们网站内容。 如:上市培训这个词前面做了很多竞价,导致我们将这个词做上去转化率降低。我们要根据用户需求分析统计出转化率及用户搜索关键词细...

    我们要对相关搜索进行分析,这是因为用户的搜索习惯与季节性的变化导致的。体现最明显的是女装,夏天搜连衣裙,T恤等,冬天搜羽绒服,打底裤等。因此我们应该根据用户的搜索习惯与季节性的变化来及时调整我们的网站内容。

    如:上市培训这个词前面做了很多的竞价,导致我们将这个词做上去后转化率降低。我们要根据用户需求分析统计出转化率及用户搜索关键词的细分类需求,这样我们才能让关键词排名稳定在前几名。

       我们要写好标题和描述,促进用户点击,满足用户需求。看一个论坛的帖子,点击量代表的是对用户的吸引力和需求满足,回复率代表的是满足用户需求的程度。我们的标题一般放的是关键词,描述放吸引用户点击的句子且与网站相关。

       关于下拉框的变化可以非常有效的了解用户需求的变化,例如我们搜索:广告设计。在百度的下拉框中就会出现以下10个词。

      

                      图1.广告设计的相关搜索

          根据归类分析,这十个词大致可以分为以下几类:培训类、设计类、图片类等,其中以培训类的为最大用户需求,设计次之,依次是图片。下拉框是百度根据自己数据库检索出搜索量最多的10个词。

          第二个实例是:考试在线。它的百度下拉框的词如下:

       

                         图2.考试在线的下拉框

           排名第一的是考试在线频道,为什么呢?我们第一反应肯定是采用黑帽手法刷的,因为没有人会这么搜索。但是实际上,我们点击搜索后:

      

                         图3.考试在线的相关搜索

            我们可以看到考试在线网排在第一,它的描述里有考试在线频道,这就可以解释考试在线频道这个词出现在下拉框的第一位了,考试在线频道是这个网站的品牌词。实际上的考试在线官方网是第一,而不是排名第二的网站,排名第二的网站完全是抢了排名第一的网站的流量。为了更好的抢流量,建议第二名在描述里加上:考试在线频道。不过这多少有点不够厚道 吧!

            第三个实例就是:室内装修效果图与室内装修效果图大全。

            我们搜索百度指数后点击进入,在搜索框中输入:室内装修效果图,室内装修效果图大全

       

                              图4.百度指数分析

       我们可以看看下面的相关检索:

          
                        图5.相关检索图

            可以看到很反常的现象是室内装修效果图大全作为一个比室内装修效果设计图更长的词,而搜索量却远远高于室内装修效果图。这是为什么呢?这是因为,用户通过搜索室内装修效果图找不到想要的东西,转而去搜索室内装修效果图大全,希望可以找到想要的东西。而通过这个相关检索,室内装修效果图大全并未满足用户的需求,因此就有了2011室内装修效果图的搜索。结合于此,我们可以判定用户对最新的室内装修效果图的需求是很大的。我们百度室内装修效果图大全进去时发现排名第一的是百度图片,也可以佐证。但这同样也暴露了一个问题:百度产品排在前面的说明该行业未做好,这是这个行业的悲哀!值得我们深深的思考。

            百度图片大小排版参差不齐,而我们通过清晰的分类,统一的图片排版、图片大小也一样,最新的室内装修效果图图片会更加满足用户的需求,这样就可能把百度图片从第一位挤下来。

             本文由东莞SEO编写,转载请注明出处。

    转载于:https://www.cnblogs.com/belie8/archive/2013/03/21/2973929.html

    展开全文
  • 分位数制图程序用于校准由大气再分析驱动的风模拟,然后使用校准后的风来偏置调整从全球气候模型缩减的历史和未来风的全部分布。 在由此产生的气候中,沿海和近海(岛)位置的风通常比冬季经常平静的室内场所强。 ...
  • 季节性调整后,需求量月环比下降9.1%,国际航空运输协会称其为 "该系列有史以来最大月度降幅。" 2019年2月货运量也相对疲软,这有助于解释相对较小同比跌幅。2月份货运量环比下降4.4%,这是自2017年2月...

    2月份的国际空运量同比下降

    根据国际航空运输协会(IATA)的最新数据,2月份的空运量同比下降1.9%,这是空运量连续第15个月下降。经季节性调整后,需求量月环比下降9.1%,国际航空运输协会称其为 "该系列的有史以来最大的月度降幅。" 2019年2月的货运量也相对疲软,这有助于解释相对较小的同比跌幅。

    c957dd96cc46990e14223d1a04f7c529.png

    2月份货运量环比下降4.4%,这是自2017年2月以来首次出现运力收缩。国际航空运输协会表示,亚太地区航空公司的航班取消,推动了运力下降。

    国际航空运输协会指出,2月份的需求下降,主要是由于冠状病毒对中国制造业的影响,但未来发布的数据应该会凸显出疫情在全球范围内扰乱航空货运的程度。

    9b607fb3c441a231158cd4142c5b1d7e.png

    空运费涨声一片

    国际航空运输协会表示,由于亚洲地区的工厂关闭和仓库和机场的瓶颈,2月份亚洲-北美贸易航线上的航空货运量同比下降2.4%。但随着运力下降,空运费率上升,那些仍在寻求空运舱位的公司必须支付溢价。

    根据TAC指数的数据显示,中国/香港与美国之间的运价已经从3月9日的3.49美元/公斤上涨到4月6日的5.83美元/公斤(涨幅达67%)。从欧洲到美国的费率也逐月走高。

    613615571e39b1595263738312d7ac81.png

    "行业努力在有限的运力下满足剩余的需求,"国际航空运输协会首席执行官Alexandre de Juniac在一份声明中说。

    如何满足市场运力需求?

    多家客运航空公司已经开始转向提供货运航班,以满足需求。

    联邦快递首席营销和通讯官Brie Carere在上个月的一次财报电话会议上谈到了运力削减的问题。

    "从2月初到3月初,进出中国大陆的航空货运总运力同比减少了40%,"Carere说。"宽体客机运力的减少,造成了82%的下降。"

    Carere说,随着客运航空公司取消航班,像联邦快递这样的货运航空公司面临着 "涌入中国的货运请求",承运人用高峰期附加费和调整中转地的承诺来满足这些请求。

    "虽然制造业已经开始复苏,但客运航空公司的腹舱运力仍受到严重制约,"联邦快递首席运营官Raj Subramaniam在同一电话中表示。"相比之下,联邦快递仅在上周就飞了246个进出中国的航班,这与我们的正常航班计划保持一致,而且在过去几周里,我们的航班已经满载,我们在亚洲范围内的载客率也创下了历史新高,尤其是我们在广州的枢纽机场。"

    但随着中国制造业的恢复上线,欧洲和北美地区的工厂纷纷停工,打击了这些地区的航空货运需求。

    2392b9ad5a88925124e8703e439c5e52.png

    总结

    由于市场上90%的客机都已经被取消,对运能影响非常大,运力严重受限。在供远远小于求的情况下,涨价就是必然的。现在的行情是一天一个价,而且还要提早2周预定舱位,如果取消的话,还要付一笔取消费用。

    空运市场的曙光还未到来,所有的航空公司、货主、货代都在挣扎,希望这场疫情尽快结束,恢复正常的市场秩序。

    c18c5211fbd9f9552aac558a23d1f6fa.png
    展开全文
  • 收集了2007年至2011年在温莎-埃塞克斯郡卫生局对烟草零售商店进行的所有检查的数据。 将数据分为第1季(9月至2月)和第2季(3月至8月)以评估可能的季节影响。 通过以分层贝叶斯方式对风险进行建模,并为空间相关和...
  • 数据方面,美国劳工部周四报告显示截至12月2日当周,初请失业金人数减少2,000人,经季节性调整后为23.6万人,连续第三周减少。美国上周初请失业金人数意外减少,表明就业市场供应快速收紧,巩固美联储...
  • 按照往年惯常,3月- 4月本应是针对新技术产品发布旺季,但考虑市场现实情况,数据存储类相关厂商将新品发布重点纷纷调整到了5月份。 ◢◤疫情时代,数据存储价值再度凸显 就在这样一个特别的季节里,...
  • 实例126 使用泛型存储不同类型的数据列表 实例127 通过泛型查找不同数组中的值 实例128 通过继承泛型类实现输出学生信息 实例129 通过泛型实现子窗体的不同操作 实例130 使用泛型去掉数组中的重复数字 第6章 ...
  • 实例126 使用泛型存储不同类型的数据列表 实例127 通过泛型查找不同数组中的值 实例128 通过继承泛型类实现输出学生信息 实例129 通过泛型实现子窗体的不同操作 实例130 使用泛型去掉数组中的重复数字 第6章 ...
  • 实例126 使用泛型存储不同类型的数据列表 实例127 通过泛型查找不同数组中的值 实例128 通过继承泛型类实现输出学生信息 实例129 通过泛型实现子窗体的不同操作 实例130 使用泛型去掉数组中的重复数字 第6章 ...
  •  实例126 使用泛型存储不同类型的数据列表 156  实例127 通过泛型查找不同数组中的值 158  实例128 通过继承泛型类实现输出学生信息 159  实例129 通过泛型实现子窗体的不同操作 160 实例130 使用泛型去掉...
  • 针对当前商业运行中供应商对于经销商优惠政策、促销政策,联系到业务运行中物料、赠品、赠券等费用,以及供应商政策之外或者无法通过供应商政策体现月返等季节性或者政策性返利补差等,通过本软件进行综合...
  • 例如原来有500件商品并已生成静态,今天刚添加完一百件,系统实时显示未生成静态的数据,而且可以只生成这一百件商品而无须全部生成,大大节约了时间。同时还增加ID段生成功能,根据商品起始ID进行生成静态,非常...
  • 千里马酒店前台管理系统V7使用手册

    热门讨论 2011-06-16 14:09:38
    数据处理层的作用是直接与数据库管理系统DBMS连接,负责低层的数据处理和存贮过程。千里马V7.2采用MS-SQL SERVER 2000数据库系统,并充分利用了数据索引、查询优化、穿透查询等技术,为酒店业务处理提供了很好的...
  •  修改商品时,点击上传大小图片,可以选择是否覆盖原旧图片,覆盖后的图片文件名不变,这样可以节约宝贵的网络空间,减少冗余数据的产生。 十四、支持商品上、下架管理功能 新增商品上架、下架管理功能,对于库存...
  • Java经典编程300例(code)

    千次下载 热门讨论 2013-01-09 10:26:53
    实例147 将分割后的文件重新合并 209 实例148 读取属性文件单个属性值 210 实例149 向属性文件中添加信息 211 实例150 在复制文件时使用进度条 212 实例151 从XML文件中读取数据 213 实例152 读取Jar文件属性 214 ...
  • 要达到这个目的,必须分析几种主要可能解法利弊,从而判断原定系统规模和目标是否现实,系统完成所能带来效益是否大到值得投资开发这个系统程度。因此,可行研究实质上是要进行一次大大压缩简化了...
  • 实例132 非同步的数据读写 实例133 使用方法实现线程同步 实例134 使用代码块实现线程同步 实例135 使用特殊域变量实现线程同步 实例136 使用重入锁实现线程同步 实例137 使用线程局部变量实现线程同步 实例...
  • 实例132 非同步的数据读写 实例133 使用方法实现线程同步 实例134 使用代码块实现线程同步 实例135 使用特殊域变量实现线程同步 实例136 使用重入锁实现线程同步 实例137 使用线程局部变量实现线程同步 实例...
  • 实例126 使用泛型存储不同类型的数据列表 156 实例127 通过泛型查找不同数组中的值 158 实例128 通过继承泛型类实现输出学生信息 159 实例129 通过泛型实现子窗体的不同操作 160 实例130 使用泛型去掉数组中的重复...
  • 实例132 非同步的数据读写 171 实例133 使用方法实现线程同步 172 实例134 使用代码块实现线程同步 174 实例135 使用特殊域变量实现线程同步 175 实例136 使用重入锁实现线程同步 176 实例137 使用线程局部变量实现...
  • 实例132 非同步的数据读写 171 实例133 使用方法实现线程同步 172 实例134 使用代码块实现线程同步 174 实例135 使用特殊域变量实现线程同步 175 实例136 使用重入锁实现线程同步 176 实例137 使用线程局部变量实现...
  • 网趣商城ASP源码

    2013-02-17 17:11:35
     修改商品时,点击上传大小图片,可以选择是否覆盖原旧图片,覆盖后的图片文件名不变,这样可以节约宝贵的网络空间,减少冗余数据的产生。 十四、支持商品上、下架管理功能 新增商品上架、下架管理功能,对于库存...
  • 实例275 将分割后的文件重新合并 实例276 利用StreamTokenizer统计文件的字符数 实例277 序列化与反序列化对象 11.2 无组件的文件上传 实例278 单表单元素上传文件到数据库 实例279 多表单元素上传文件到...
  • 药物的数据进行了一次检查,部分内容进行了调整,使得内容更丰富、全面。 【二】:界面比以前更酷,所有都增加了声音效果。 【三】:操作更简洁,使用起来有一种舒适感。 【四】:所有药物查找都改为树形管理器进行...
  • 实例219 一次编辑GridView控件的所有行中的数据 347 实例220 嵌套DropDownList控件根据库存量设置商品停售 348 实例221 嵌套CheckBox实现批量删除和更新供求信息 349 实例222 结合CheckBox实现密码重置(MD5加密) ...
  • 实例219 一次编辑GridView控件的所有行中的数据 347 实例220 嵌套DropDownList控件根据库存量设置商品停售 348 实例221 嵌套CheckBox实现批量删除和更新供求信息 349 实例222 结合CheckBox实现密码重置(MD5加密) ...
  • 实例219 一次编辑GridView控件的所有行中的数据 347 实例220 嵌套DropDownList控件根据库存量设置商品停售 348 实例221 嵌套CheckBox实现批量删除和更新供求信息 349 实例222 结合CheckBox实现密码重置(MD5加密) ...
  • 3、 美观:页面设计根据XXX航空整体UI设计思想为依据进行设计,使用户一目了然具备XXX航空代表和与其他航空公司差异化,在此基础上进行深入设计,如根据季节设计清爽界面、根据时下热播电影设计主题界面等...

空空如也

空空如也

1 2
收藏数 32
精华内容 12
关键字:

季节性调整后的数据