精华内容
下载资源
问答
  • 1.创建.net framwork的项目(.net core下没有ado项) 2.连接数据库 3.创建文件夹Model 4.右键点击添加->新建项 5. 6.选择要添加的数据表即可

    1.创建.net framwork的项目(.net core下没有ado项)

    2.连接数据库

    3.创建文件夹Model

    4.右键点击添加->新建项

    5.

     

    6.选择要添加的数据表即可 

    展开全文
  • 按照正规程序,面板数据模型在回归前需32313133353236313431303231363533e59b9ee7ad9431333433643732检验数据的平稳性。李子奈曾指出,一些非平稳的经济时间序列往往表现出共同的变化趋势,而这些序列间本身不一定有...

    展开全部

    步骤一:分析数据的平稳性(单位根检验)。

    按照正规程序,面板数据模型在回归前需32313133353236313431303231363533e59b9ee7ad9431333433643732检验数据的平稳性。李子奈曾指出,一些非平稳的经济时间序列往往表现出共同的变化趋势,而这些序列间本身不一定有直接的关联,此时,对这些数据进行回归,尽管有较高的R平方,但其结果是没有任何实际意义的。

    步骤二:协整检验或模型修正。

    情况一:如果基于单位根检验的结果发现变量之间是同阶单整的,那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。

    所谓的协整是指若两个或多个非平稳的变量序列,其某个线性组合后的序列呈平稳性。此时我们称这些变量序列间有协整关系存在。因此协整的要求或前提是同阶单整。

    步骤三:面板模型的选择与回归。

    面板数据模型的选择通常有三种形式:

    一种是混合估计模型(Pooled Regression Model)。如果从时间上看,不同个体之间不存在显著性差异;从截面上看,不同截面之间也不存在显著性差异,那么就可以直接把面板数据混合在一起用普通最小二乘法(OLS)估计参数。

    一种是固定效应模型(Fixed Effects Regression Model)。如果对于不同的截面或不同的时间序列,模型的截距不同,则可以采用在模型中添加虚拟变量的方法估计回归参数。

    一种是随机效应模型。

    扩展资料:

    面板数据模型可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验。

    其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分别指Levin, Lin & Chu t* 统计量、Breitung t 统计量、lm Pesaran & Shin W 统计量。

    ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量、Hadri Z统计量,并且Levin, Lin & Chu t* 统计量、Breitung t统计量的原假设为存在普通的单位根过程。

    lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量的原假设为存在有效的单位根过程, Hadri Z统计量的检验原假设为不存在普通的单位根过程。

    展开全文
  • 步骤一:分析数据的平稳性(单位根检验)按照正规程序,面板数据模型在回归前需检验数据的平稳性。李子奈曾指出,一些非平稳的经济时间序列往往表现出共同的变化趋势,而这些序列间本身不一定有直接的关联,此时,对...

    步骤一:分析数据的平稳性(单位根检验)

    按照正规程序,面板数据模型在回归前需检验数据的平稳性。李子奈曾指出,一些非平稳的经济时间序列往往表现出共同的变化趋势,而这些序列间本身不一定有直接的关联,此时,对这些数据进行回归,尽管有较高的R平方,但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归(spurious regression)。他认为平稳的真正含义是:一个时间序列剔除了不变的均值(可视为截距)和时间趋势以后,剩余的序列为零均值,同方差,即白噪声。因此单位根检验时有三种检验模式:既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归,确保估计结果的有效性,我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先,我们可以先对面板序列绘制时序图,以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和(或)截距项,从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述:在非平稳的面板数据渐进过程中,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002)的改进,提出了检验面板单位根的LLC 法。Levin et al. (2002) 指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25~250 之间,截面数介于10~250 之间) 的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的IPS 法,但Breitung(2000) 发现IPS 法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。

    由上述综述可知,可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验。其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分别指Levin, Lin & Chu t* 统计量、Breitung t 统计量、lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量、Hadri Z统计量,并且Levin, Lin & Chu t* 统计量、Breitung t统计量的原假设为存在普通的单位根过程,lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量的原假设为存在有效的单位根过程, Hadri Z统计量的检验原假设为不存在普通的单位根过程。有时,为了方便,只采用两种面板数据单位根检验方法,即相同根单位根检验LLC(Levin-Lin- Chu)检验和不同根单位根检验Fisher-ADF检验(注:对普通序列(非面板序列)的单位根检验方法则常用ADF检验),如果在两种检验中均拒绝存在单位根的原假设则我们说此序列是平稳的,反之则不平稳。如果我们以T(trend)代表序列含趋势项,以I(intercept)代表序列含截距项,T&I代表两项都含,N(none)代表两项都不含,那么我们可以基于前面时序图得出的结论,在单位根检验中选择相应检验模式。但基于时序图得出的结论毕竟是粗略的,严格来说,那些检验结构均需一一检验。具体操作可以参照李子奈的说法:ADF检验是通过三个模型来完成,首先从含有截距和趋势项的模型开始,再检验只含截距项的模型,最后检验二者都不含的模型。并且认为,只有三个模型的检验结果都不能拒绝原假设时,我们才认为时间序列是非平稳的,而只要其中有一个模型的检验结果拒绝了零假设,就可认为时间序列是平稳的。此外,单位根检验一般是先从水平(level)序列开始检验起,如果存在单位根,则对该序列进行一阶差分后继续检验,若仍存在单位根,则进行二阶甚至高阶差分后检验,直至序列平稳为止。我们记I(0)为零阶单整,I(1)为一阶单整,依次类推,I(N)为N阶单整。

    步骤二:协整检验或模型修正

    情况一:如果基于单位根检验的结果发现变量之间是同阶单整的,那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。所谓的协整是指若两个或多个非平稳的变量序列,其某个线性组合后的序列呈平稳性。此时我们称这些变量序列间有协整关系存在。因此协整的要求或前提是同阶单整。但也有如下的宽限说法:如果变量个数多于两个,即解释变量个数多于一个,被解释变量的单整阶数不能高于任何一个解释变量的单整阶数。另当解释变量的单整阶数高于被解释变量的单整阶数时,则必须至少有两个解释变量的单整阶数高于被解释变量的单整阶数。如果只含有两个解释变量,则两个变量的单整阶数应该相同。也就是说,单整阶数不同的两个或以上的非平稳序列如果一起进行协整检验,必然有某些低阶单整的,即波动相对高阶序列的波动甚微弱(有可能波动幅度也不同)的序列,对协整结果的影响不大,因此包不包含的重要性不大。而相对处于最高阶序列,由于其波动较大,对回归残差的平稳性带来极大的影响,所以如果协整是包含有某些高阶单整序列的话(但如果所有变量都是阶数相同的高阶,此时也被称作同阶单整,这样的话另当别论),一定不能将其纳入协整检验。

    协整检验方法的文献综述:(1)Kao(1999)、Kao and Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。(2)Pedron(1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。(3)Larsson et al(2001)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法,这种检验的方法是检验变量存在共同的协整的秩。我们主要采用的是Pedroni、Kao、Johansen的方法。通过了协整检验,说明变量之间存在着长期稳定的均衡关系,其方程回归残差是平稳的。因此可以在此基础上直接对原方程进行回归,此时的回归结果是较精确的。这时,我们或许还想进一步对面板数据做格兰杰因果检验(因果检验的前提是变量协整)。但如果变量之间不是协整(即非同阶单整)的话,是不能进行格兰杰因果检验的,不过此时可以先对数据进行处理。引用张晓峒的原话,“如果y和x不同阶,不能做格兰杰因果检验,但可通过差分序列或其他处理得到同阶单整序列,并且要看它们此时有无经济意义。” 下面简要介绍一下因果检验的含义:这里的因果关系是从统计角度而言的,即是通过概率或者分布函数的角度体现出来的:在所有其它事件的发生情况固定不变的条件下,如果一个事件X的发生与不发生对于另一个事件Y的发生的概率(如果通过事件定义了随机变量那么也可以说分布函数)有影响,并且这两个事件在时间上又有先后顺序(A前B后),那么我们便可以说X是Y的原因。考虑最简单的形式,Granger检验是运用F-统计量来检验X的滞后值是否显著影响Y(在统计的意义下,且已经综合考虑了Y的滞后值;如果影响不显著,那么称X不是Y的“Granger原因”(Granger cause);如果影响显著,那么称X是Y的“Granger原因”。同样,这也可以用于检验Y是X的“原因”,检验Y的滞后值是否影响X(已经考虑了X 的滞后对X自身的影响)。 Eviews好像没有在POOL窗口中提供Granger causality test,而只有unit root test和cointegration test。说明Eviews是无法对面板数据序列做格兰杰检验的,格兰杰检验只能针对序列组做。也就是说格兰杰因果检验在Eviews中是针对普通的序列对(pairwise)而言的。你如果想对面板数据中的某些合成序列做因果检验的话,不妨先导出相关序列到一个组中(POOL窗口中的Proc/Make Group),再来试试。

    情况二:如果如果基于单位根检验的结果发现变量之间是非同阶单整的,即面板数据中有些序列平稳而有些序列不平稳,此时不能进行协整检验与直接对原序列进行回归。但此时也不要着急,我们可以在保持变量经济意义的前提下,对我们前面提出的模型进行修正,以消除数据不平稳对回归造成的不利影响。如差分某些序列,将基于时间频度的绝对数据变成时间频度下的变动数据或增长率数据。此时的研究转向新的模型,但要保证模型具有经济意义。因此一般不要对原序列进行二阶差分,因为对变动数据或增长率数据再进行差分,我们不好对其冠以经济解释。难道你称其为变动率的变动率?

    步骤三:面板模型的选择与回归

    面板数据模型的选择通常有三种形式: 一种是混合估计模型(Pooled Regression Model)。如果从时间上看,不同个体之间不存在显著性差异;从截面上看,不同截面之间也不存在显著性差异,那么就可以直接把面板数据混合在一起用普通最小二乘法(OLS)估计参数。一种是固定效应模型(Fixed Effects Regression Model)。如果对于不同的截面或不同的时间序列,模型的截距不同,则可以采用在模型中添加虚拟变量的方法估计回归参数。一种是随机效应模型(Random Effects Regression Model)。如果固定效应模型中的截距项包括了截面随机误差项和时间随机误差项的平均效应,并且这两个随机误差项都服从正态分布,则固定效应模型就变成了随机效应模型。在面板数据模型形式的选择方法上,我们经常采用F检验决定选用混合模型还是固定效应模型,然后用Hausman检验确定应该建立随机效应模型还是固定效应模型。检验完毕后,我们也就知道该选用哪种模型了,然后我们就开始回归:在回归的时候,权数可以选择按截面加权(cross- section weights)的方式,对于横截面个数大于时序个数的情况更应如此,表示允许不同的截面存在异方差现象。估计方法采用PCSE(Panel Corrected Standard Errors,面板校正标准误)方法。Beck和Katz(1995)引入的PCSE估计方法是面板数据模型估计方法的一个创新,可以有效的处理复杂的面板误差结构,如同步相关,异方差,序列相关等,在样本量不够大时尤为有用。

    展开全文
  • 数据模型就此应运而生,通过高度抽象的数据模型,整合各个源系统的数据,最终形成统一、规范、易用的数据仓库,进而提供包括数据集市、数据挖掘、报表展示、即席查询等上层服务。数据模型能够促进业务与技术进行有效...

    越来越多的业务,越来越多的信息化系统,让很多公司拥有了海量数据,但是分散的数据、隔离的系统,又形成了一个个数据孤岛。于是,为了利用好数据,各大公司纷纷建设了数据仓库,或者是最近升级为大数据平台之类的。但是,不同条线不同场景的数据又要如何整合到同一个仓库呢?

    数据模型就此应运而生,通过高度抽象的数据模型,整合各个源系统的数据,最终形成统一、规范、易用的数据仓库,进而提供包括数据集市、数据挖掘、报表展示、即席查询等上层服务。数据模型能够促进业务与技术进行有效沟通,形成对主要业务定义和术语的统一认识,具有跨部门、中性的特征,可以表达和涵盖所有的业务。无论是操作型数据库,还是数据仓库都需要数据模型组织数据构成,指导数据表设计。

    以上看来,数据建模至关重要。数据建模过程需要专业的建模人员,业务人员以及潜在信息系统的用户紧密工作在一起。数据建模是认识数据的过程,数据模型是数据建模的输出模型有很多种,例如企业数据模型,物理模型,逻辑模型,业务模型,数据使用模型等等。在数据模型中既描述了业务关系,又描述了物理数据库的设计,是企业数据资产的核心。通过数据模型管理可以清楚地表达企业内部各种业务主体之间的相关性,使不同部门的业务人员、应用开发人员和系统管理人员获得关于系统的统一完整的视图。

    广东省撒旦实打实.png

    那么创建数据模型的步骤有哪些呢?

    一、制订目标

    制订目标的前提是理解业务,明确要解决的商业现实问题是什么?

    如:在社交平台KOL中,存在假粉丝的情况,如何识别假粉就是一个要解决的现实问题。

    二、数据理解与准备

    基于要解决的现实问题,理解和准备数据,一般需要解决以下问题:

    需要哪些数据指标(即特征提取)?(如:哪些指标能区别真粉和假粉?)

    数据指标的含义是什么?

    数据的质量如何?(如:是否存在缺失值?)

    数据能否满足需求?

    数据还需要如何加工?(如:转换数据指标,将类别型变量转化为0-1哑变量,或将连续型数据转化为有序变量)

    探索数据中的规律和模式,进而形成假设。

    需要注意的是,数据准备工作可能需要尝试多次。因为在复杂的大型数据中,较难发现数据中存在的模式,初步形成的假设可能会被很快推翻,这时一定要静心钻研,不断试错。

    数据建模后需要评估模型的效果,因此一般需要将数据分为训练集和测试集。

    三、建立模型

    在准备好的数据基础上,建立数据模型,这种模型可能是机器学习模型,也可能不需要机器学习等高深的算法。选择什么样的模型,是根据要解决的问题(目标)确定的。

    当然可以选择两个或以上的模型对比,并适当调整参数,使模型效果不断优化。

    四、模型评估

    模型效果的评估有两个方面:一是模型是否解决了需要解决的问题(是否还有没有注意和考虑到的潜在问题需要解决);二是模型的精确性(误差率或者残差是否符合正态分布等)。

    如:在识别KOL假粉的问题中,需要评估的是:

    模型能否识别出假粉?

    识别的误差率是多少?粉丝识别误差率=(假粉误认为真粉的数量+真粉误认为假粉的数量)/总粉丝数

    五、结果呈现

    结果呈现主要关注以下三个方面:

    模型解决了哪些问题?

    解决效果如何?

    如何解决问题?具体操作步骤是什么?

    六、模型部署

    通过大量数据解决了一个或多个重要的现实问题,需要将方案落实下去,一般情况下需要通过线上技术环境部署落实,从而为后面不断优化模型、更好地解决问题打下基础。

    我们需要使用专业的软件来帮助我们建立数据逻辑模型和物理模型、生成DDL,并且能够生成报告来描述这个模型,同时分享给其他伙伴。文末给大家推荐一款好用的的数据建模工具——Smartbi。

    Smartbi除提供主要算法和建模功能外,还提供了必不可少的数据预处理功能,包括字 段拆分、行过滤与映射、列选择、随机采样、过滤空值、合并列、合并行、JOIN、行选择、去除重复值、排序、增加序列号、增加计算字段等。只有创建好适合业务和基础数据存储环境的模型,才能帮助我们快速查询所需要的数据,减少数据的IO吞吐。极大地减少不必要的数据冗余,也能实现计算结果复用,极大地降低大数据系统中的存储和计算成本。也能改善用户使用数据的体验,提高使用数据的效率。

    展开全文
  • 本文简单介绍下,使用SPSSAU进行面板数据回归分析步骤。一、数据格式下图中,展示的就是一个面板数据的例子。数据为9个地区2008~2018共11年的各项经济指标数据。地区列反映的是数据不同的截面,即不同的研究个体。...
  • 它强调数据挖掘技术在商业中的应用,是用以管理并指导Data Miner 有效、准确的开展数据挖掘工作以期获得最佳挖掘成果的一系列工作步骤的标准规范。 CRISP-DM模型的基本步骤包括: 商业理解:    &...
  • 面板数据操作步骤

    2020-12-22 17:23:53
    最佳答案(第3组宏现经济增长与发展,6686个字符)中国能源、环境与经济增长基于面板数据的计量分析王洲洋(河北经贸大学数统学院,石家庄,050061)摘要本文运用面板数据的分析方法对我国各地区的能源消费、环境污染与...
  • 建立回归模型的完整步骤

    千次阅读 2021-07-23 23:41:30
    建立回归模型的一般步骤如下图 1、具体(社会经济)问题 当我们想去解决一些现实生活、经济问题时,需要将具体问题量化成数据,然后通过观察与揭示事物(数据)之间的内在联系得出规律,从而达到解决现实...
  • 面板数据分析步骤

    2021-11-04 21:11:00
    面板数据分析步骤 阅读笔记, 阅读原文请点链接:面板数据分析方法汇总 - 知乎 1. 单位根检验 分析数据的平稳性,避免出现虚假回归或伪回归。 李子奈认为平稳的真正含义是:一个时间序列剔除了不变的均值(可视...
  • 数据库建模三步骤:概念模型->逻辑模型->物理模型 yimenglin 2020-07-22 10:22:12 ...
  • 版本:V1.0最后修改日期:2021/03/17本文首发微信公众号:码上观世界1. 数据模型设计目标为使下游数据使用方低成本获取一致性的可靠数据服务,数据模型设计方需要达到如下目标...
  • May516:16,文档资料»数据挖掘,评论(0),引用(0),阅读(35079),本站原创面板数据分析方法步骤全解(2009-11-0711:50:38)转载标签:面板数据步骤一:分析数据的平稳性(单位根检验)按照正规程序,面板数据模型在回归前需...
  • ARIMA(简述arima模型建模步骤)

    千次阅读 2021-05-08 14:48:29
    arima时间序列分析可以分析gdp,人流量的时间波动,进行预测统计专业,一直做数据分析的急问, 谢谢大家啊~~~ARIMA(p,d,q)称为差分自回归移动平均模型,AR是自回归,p为自回归项,可以看自相关图来估计;MA为移动...
  • 关系数据模型——三个组成部分

    千次阅读 2021-09-04 15:17:03
    关系模型的三个组成部分,是指关系数据模型的数据结构、关系数据模型的操作集合和关系数据模型的完整性约束。 关系数据模型的数据结构 主要描述数据的类型、内容、性质以及数据间的联系等,是目标类型的集合。 目标...
  • 它主要包括两部分内容:确定最基本的数据结构;对约束建模。1.概念模型的表示方法E-R图主要是由实体、属性和联系三个要素构成的。在E-R图中,使用了下面四种基本的图形符号。2.确定系统实体、属性及联系系统分析阶段...
  • 6大常用数据分析模型详解

    千次阅读 2021-01-19 11:40:00
    转自:https://www.toutiao.com/i6906745504798097933/在进行数据分析过程中,我们通常需要使用各种模型来证明自己的分析观点,使自己的结论更具备说服...
  • eviews处理面板数据的操作的步骤第十章 Panel Data模型 ;第一步 录入数据 ;实例数据;录入 数据软件操作(EVIEW6.0)方式一 File/New/ Workfile Workfile structure type : Dated-regular frequency Start date 1935 ...
  • 较为常见的为早期的四层架构(贴源层ods、明细层dwd、汇总层dws、集市层ads),如果是复杂数仓使用传统的四层架构不能满足需求,多采用五层架构(技术缓冲层ITL、贴源模型层IOL、主题模型层IML、共性加工层ICL、应用...
  • 数据模型架构原则

    千次阅读 2021-11-29 16:48:18
    数据模型架构原则 1 数仓分层原则 1 数据源层:ODS(Operational Data Store) 2数据仓库层:DW(Data Warehouse) 1) 数据明细层:DWD (Data Warehouse Detail) 2) 数据中间层: DWM (DataWareHouse Middle) 3) 数据...
  • pytorch 构建训练模型的几大步骤 1、数据准备 2、模型构建 3、定义代价函数和优化器 4、迭代训练 5、模型保存 1、数据准备 将要训练使用的数据进行前期的处理,提取到需要学习的特征表示,包括数据特征和对应的数据...
  • R语言-面板数据分析步骤及流程-

    千次阅读 2020-12-23 02:34:09
    面板数据分析步骤及流程-R语言2016年08月16日 16:49:55饭饭认认米阅读数 47093文章标签:r语言面板数据分析预测更多版权声明:本文为博主原创文章,遵循CC 4.0 BY-SA...面板数据举例:模型说明及分析步骤1、首先确...
  • 逻辑模型设计步骤

    2021-04-14 22:07:53
    分析主题域 粒度层次划分 确定数据分割策略 关系模式定义
  • 你是否不清楚时间序列分析各种模型该在什么情况下使用?本文将针对以上两个问题,带你入门时间序列分析~等等!不止’入门‘读完这篇,你立即就能在R中写出不同模型的相应代码~先介绍以下我自己吧~我目前是Warner ...
  • 5个步骤,用SPSS进行数据分析

    千次阅读 2020-12-28 21:30:16
    原标题:5个步骤,用SPSS进行数据分析 SPSS是一款非常强大的数据处理软件,那么该如何用SPSS进行数据分析呢?什么是SPSSSPSS是社会统计科学软件包的简称, 其官方全称为IBM SPSS Statistics。SPSS软件包最初由SPSS ...
  • 空间面板数据模型及Stata实现

    千次阅读 2020-12-22 03:05:40
    面板数据模型同时包含了截面和时间两个维度,后文用 i ( ) 表示截面 (个体),t ( ) 表示时间,设定如下面板数据模型: 其中, - 为 因变量, - 为 自变量, - 为模型误差项, 是待估计参数,表示 对 的边际影响。...
  • 今天给大家介绍几个数据分析模型吧 一、用户价值模型 1、RFM模型 RFM分析是客户关系分析中一种简单实用客户分析方法,他将最近一次消费、消费频率、消费金额这三个要素构成了数据分析最好的指标,衡量客户价值和...
  • 教程列表:4固定效应变截距面板数据模型Stata软件操作教程7Hausman固定效应随机效应检验-面板数据模型Stata软件操作教程3混合面板数据模型-Stata软件操作教程1数据输入-面板数据模型Stata软件操作教程8面板单位根LLC...
  • 股票数据价格区间预测模型(国外+国内数据)案例三:股票数据价格区间预测模型(国外+国内数据)2.3.1 模块加载与忽略警告设置2.3.2 加载数据数据筛选2.3.3 探索式数据分析(EDA)2.3.4 探究字段之间的关联性2.3.5...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 492,408
精华内容 196,963
关键字:

数据模型步骤