精华内容
下载资源
问答
  • python进行统计分析

    万次阅读 多人点赞 2017-09-01 16:08:22
    模块为我们提供了非常多的描述性统计分析的指标函数,如总和、均值、最小值、最大值等,我们来具体看看这些函数:1、随机生成三组数据import numpy as np import pandas as pdnp.random.seed(1234) d1 = pd.Series(2...

    模块为我们提供了非常多的描述性统计分析的指标函数,如总和、均值、最小值、最大值等,我们来具体看看这些函数:

    1、随机生成三组数据

    import numpy as np
    import pandas as pd
    
    np.random.seed(1234)
    d1 = pd.Series(2*np.random.normal(size = 100)+3)
    d2 = np.random.f(2,4,size = 100)
    d3 = np.random.randint(1,100,size = 100)
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    save_snippets.png

    2、统计分析用到的函数

    d1.count()          #非空元素计算
    d1.min()            #最小值
    d1.max()            #最大值
    d1.idxmin()         #最小值的位置,类似于R中的which.min函数
    d1.idxmax()         #最大值的位置,类似于R中的which.max函数
    d1.quantile(0.1)    #10%分位数
    d1.sum()            #求和
    d1.mean()           #均值
    d1.median()         #中位数
    d1.mode()           #众数
    d1.var()            #方差
    d1.std()            #标准差
    d1.mad()            #平均绝对偏差
    d1.skew()           #偏度
    d1.kurt()           #峰度
    d1.describe()       #一次性输出多个描述性统计指标
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    save_snippets.png
    • 必须注意的是,descirbe方法只能针对序列或数据框,一维数组是没有这个方法的

    自定义一个函数,将这些统计指标汇总在一起:

    def status(x) : 
        return pd.Series([x.count(),x.min(),x.idxmin(),x.quantile(.25),x.median(),
                          x.quantile(.75),x.mean(),x.max(),x.idxmax(),x.mad(),x.var(),
                          x.std(),x.skew(),x.kurt()],index=['总数','最小值','最小值位置','25%分位数',
                        '中位数','75%分位数','均值','最大值','最大值位数','平均绝对偏差','方差','标准差','偏度','峰度'])
    • 1
    • 2
    • 3
    • 4
    • 5
    save_snippets.png

    执行该函数,查看一下d1数据集的这些统计函数值:

    df = pd.DataFrame(status(d1))
    df
    • 1
    • 2
    save_snippets.png

    结果:
    这里写图片描述

    在实际的工作中,我们可能需要处理的是一系列的数值型数据框,如何将这个函数应用到数据框中的每一列呢?可以使用apply函数,这个非常类似于R中的apply的应用方法。
    将之前创建的d1,d2,d3数据构建数据框:

    df = pd.DataFrame(np.array([d1,d2,d3]).T, columns=['x1','x2','x3'])
    df.head()
    
    df.apply(status)
    • 1
    • 2
    • 3
    • 4
    save_snippets.png

    结果:
    这里写图片描述

    3、加载CSV数据

    import numpy as np
    import pandas as pd
    
    bank = pd.read_csv("D://bank/bank-additional-train.csv")
    bank.head()    #查看前5行
    • 1
    • 2
    • 3
    • 4
    • 5
    save_snippets.png

    这里写图片描述

    描述性统计1:describe()

    result = bank['age'].describe()
    pd.DataFrame(result )   #格式化成DataFrame
    • 1
    • 2
    save_snippets_01.png

    这里写图片描述

    描述性统计2:describe(include=[‘number’])

    include中填写的是数据类型,若想查看所有数据的统计数据,则可填写object,即include=['object'];若想查看float类型的数据,则为include=['float']。
    
    • 1
    • 2
    save_snippets_01.png
    result = bank.describe(include=['object'])
    • 1
    save_snippets_01.png

    这里写图片描述
    含义:

    • count:指定字段的非空总数。
    • unique:该字段中保存的值类型数量,比如性别列保存了男、女两种值,则unique值则为2。
    • top:数量最多的值。
    • freq:数量最多的值的总数。
    bank.describe(include=['number'])
    • 1
    save_snippets_01.png

    这里写图片描述

    连续变量的相关系数(corr)

    bank.corr()
    • 1
    save_snippets.png

    这里写图片描述

    协方差矩阵(cov)

    bank.cov()
    • 1
    save_snippets_01.png

    这里写图片描述

    删除列

    bank.drop('job', axis=1)    #删除年龄列,axis=1必不可少
    • 1
    save_snippets.png

    排序

    bank.sort_values(by=['job','age'])  #根据工作、年龄升序排序
    bank.sort_values(by=['job','age'], ascending=False)     #根据工作、年龄降序排序
    • 1
    • 2
    save_snippets_01.png

    多表连接

    准备数据:

    import numpy as np
    import pandas as pd
    
    student = {'Name':['Bob','Alice','Carol','Henry','Judy','Robert','William'],
               'Age':[12,16,13,11,14,15,24],
               'Sex':['M','F','M','M','F','M','F']}
    
    score = {'Name':['Bob','Alice','Carol','Henry','William'],
             'Score':[75,35,87,86,57]}
    
    df_student = pd.DataFrame(student)
    df_student
    
    df_score = pd.DataFrame(score)
    df_score
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    save_snippets.png

    student:
    这里写图片描述

    score:
    这里写图片描述

    内连接

    stu_score1 = pd.merge(df_student, df_score, on='Name')
    stu_score1
    • 1
    • 2
    save_snippets_01.png
    • 注意,默认情况下,merge函数实现的是两个表之间的内连接,即返回两张表中共同部分的数据。可以通过how参数设置连接的方式,left为左连接;right为右连接;outer为外连接。

    这里写图片描述

    左连接

    stu_score2 = pd.merge(df_student, df_score, on='Name',how='left')
    stu_score2
    • 1
    • 2
    save_snippets.png

    这里写图片描述

    • 左连接中,没有Score的学生Score为NaN

    缺失值处理

    现实生活中的数据是非常杂乱的,其中缺失值也是非常常见的,对于缺失值的存在可能会影响到后期的数据分析或挖掘工作,那么我们该如何处理这些缺失值呢?常用的有三大类方法,即删除法填补法插值法

    删除法

    当数据中的某个变量大部分值都是缺失值,可以考虑删除改变量;当缺失值是随机分布的,且缺失的数量并不是很多是,也可以删除这些缺失的观测。

    替补法

    对于连续型变量,如果变量的分布近似或就是正态分布的话,可以用均值替代那些缺失值;如果变量是有偏的,可以使用中位数来代替那些缺失值;对于离散型变量,我们一般用众数去替换那些存在缺失的观测。

    插补法

    插补法是基于蒙特卡洛模拟法,结合线性模型、广义线性模型、决策树等方法计算出来的预测值替换缺失值。

    • 此处测试使用上面学生成绩数据进行处理

    查询某一字段数据为空的数量

    sum(pd.isnull(stu_score2['Score']))
    结果:2
    • 1
    • 2
    save_snippets_01.png

    直接删除缺失值

    stu_score2.dropna()
    • 1
    save_snippets_01.png

    删除前:
    这里写图片描述
    删除后:
    这里写图片描述

    • 默认情况下,dropna会删除任何含有缺失值的行

    删除所有行为缺失值的数据

    import numpy as np
    import pandas as pd
    
    df = pd.DataFrame([[1,2,3],[3,4,np.nan],
                      [12,23,43],[55,np.nan,10],
                      [np.nan,np.nan,np.nan],[np.nan,1,2]],
                      columns=['a1','a2','a3'])
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    save_snippets.png

    这里写图片描述

    df.dropna()     #该操作会删除所有有缺失值的行数据
    • 1
    save_snippets_01.png

    这里写图片描述

    df.dropna(how='all')    #该操作仅会删除所有列均为缺失值的行数据
    • 1
    save_snippets_01.png

    这里写图片描述

    填充数据

    使用一个常量来填补缺失值,可以使用fillna函数实现简单的填补工作:

    1、用0填补所有缺失值

    df.fillna(0)
    • 1
    save_snippets_01.png

    这里写图片描述

    2、采用前项填充或后向填充

    df.fillna(method='ffill')   #用前一个值填充
    • 1
    save_snippets_01.png

    这里写图片描述

    df.fillna(method='bfill')   #用后一个值填充
    • 1
    save_snippets_01.png

    这里写图片描述

    3、使用常量填充不同的列

    df.fillna({'a1':100,'a2':200,'a3':300})
    • 1
    save_snippets_01.png

    这里写图片描述

    4、用均值或中位数填充各自的列

    a1_median = df['a1'].median()   #计算a1列的中位数
    a1_median=7.5
    
    a2_mean = df['a2'].mean()       #计算a2列的均值
    a2_mean = 7.5
    
    a3_mean = df['a3'].mean()       #计算a3列的均值
    a3_mean = 14.5
    
    df.fillna({'a1':a1_median,'a2':a2_mean,'a3':a3_mean})   #填充值
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    save_snippets.png

    这里写图片描述

    • 很显然,在使用填充法时,相对于常数填充或前项、后项填充,使用各列的众数、均值或中位数填充要更加合理一点,这也是工作中常用的一个快捷手段。

    数据打乱(shuffle)

    实际工作中,经常会碰到多个DataFrame合并后希望将数据进行打乱。在pandas中有sample函数可以实现这个操作。

    df = df.sample(frac=1)
    • 1
    save_snippets_01.png
    • 这样对可以对df进行shuffle。其中参数frac是要返回的比例,比如df中有10行数据,我只想返回其中的30%,那么frac=0.3。

    有时候,我们可能需要打混后数据集的index(索引)还是按照正常的排序。我们只需要这样操作

    df = df.sample(frac=1).reset_index(drop=True)  

    转载于http://blog.csdn.net/A632189007/article/details/76176985

    展开全文
  • 有一天傍晚,在陪孩子看完一集又一集的动画片《超级飞侠》的时候,我发现每集的主人公性别不是有规律的,然后就无聊的想统计一下男性和女性的性别,就是想知道《超级飞侠》有没有间接暗示小孩子时候那个性别更爱订...

    有一天傍晚,在陪孩子看完一集又一集的动画片《超级飞侠》的时候,我发现每集的主人公性别不是有规律的,然后就无聊的想统计一下男性和女性的性别,就是想知道《超级飞侠》有没有间接暗示小孩子时候那个性别更爱订包裹(我是有多无聊)。那说干就干吧。

    五季的《超级飞侠》一共有104集,我不可能单纯的每集去看一遍统计一下,就算在播放每集的时候滑动进度条就浪费时间,而且没会员的话还有广告时间。

    不过还好,我知道有些网站有文字剧情介绍,那不如收集文字信息呢。然后从文字信息中得知每集订购包裹主角的性别啦。信息怎么获取,爬虫???如果你用爬虫那我想说没什么必要了,因为这种文字剧情一般都是几集几集连在一起的,只需要“ctrl+C”和“ctrl+V”的骚操作就能在几十秒的时间收集完成。虽然在百度百科上收集到了我想要的文字剧情,可惜只有前三季的(其他网站也未提供)。估计几年后可能会有人百度百科网页上添加文字剧情信息吧,以后再说吧。

    得到前三季文字信息之后,我不想让自己去一个一个的看然后有笔去统计,我用来“百度云”提供的中文分词功能来提取人物名称,然后自己再去训练一个由名称识别性别的分类器来帮我识别性别(有这时间不如自己拿笔去统计呢)。

    我的菜鸟思路

    先收集文字剧情信息,然后用百度云api提取文字中人物姓名,然后用姓名性别识别器来得到每集人物性别,最后统计男女比列。

    即使是百度云也不能想我们人脑一样可以从文字信息中获得人物名称,第一季的文字信息就有两集没有识别到,而且还统计到了《超级飞侠》中飞机们的姓名,因此我们需要除去飞机的姓名。

    加一行代码,凡是得到的人名中有上面那些名字都不要(估计漏了个别飞机名字)。再优化一下代码去除相同名称的。

    优化结果如下:

     发现结果每集中存在多个名字,再看一下数据集分析发现。文字剧情中出现的第一个姓名是我们所要的姓名,所以我们只存取第一个姓名。然后再做一下姓名性别分类器,拿一下第一季第一集的“阿佳斯”做测试,得到结果是男性。然后查看一下文字剧情确认一下,看样子是个男生呀!

    最后初略得到了三季78集中的59个人物姓名,然后分类得到34个男性和25个女性。分类器正确率是80%左右,我大概得到:在小时候,男孩子比女孩子更爱购物(剁--手)。

     

    小结一下

    真实的结果真的是这样吗??我想说不一定,因为这里面存在不少对数据集错误的清洗操作。例如:

    1. 如果你曾经认真陪过孩子看《超级飞侠》,你应该知道有的时候订购的包裹不一定是孩子订购的,而是孩子的父母。所以对于这些噪点数据,我们不能一个一个处理,不然那样就失去了数据挖掘的意义了。

    2. 尽管很少但还是有个别剧情是连集的,这种情况我们有可能多统计重复一个人名。

    所以我们在做数据挖掘过程中,绝大部分时间都不是花在挑选合适算法和训练分类器(调参大法),而是用在了数据清洗上,数据清洗的效果也是能够一定程度上影响分类器的正确率的。

    最后再说一个问题,在调用百度的NLP的接口时,我发现返回的结果中有将地方名称当作人名反馈给我。因为在西方历史文化中有些人物姓名是部分地区的地方名,例如美国第一任总统乔治·华盛顿 是美国首部的名称。所以现在的NLP技术真的很难达到我们人脑识别的正确率,但它高效率及低错误率我们还是愿意接受的。

    展开全文
  • 描述性统计分析

    千次阅读 2018-11-27 16:00:05
    描述性统计分析

    主要通过proc meansproc univariate实现。

    MEANS均值过程

    功能

    计算样本的描述性统计参数、分位数、均值的置信区间和统计假设检验?。
    格式:

    proc means data=数据集名<可选项>;
    by	<descending>变量列表; *指定分组变量;
    class 变量列表;
    var	变量列表;	      *要分析的变量;
    run;

    注:
    1.默认输出的统计参数:样本数、均值、标准差、最大值、最小值。
    2.使用by语句需要事先将数据集排好序,class语句不必。

    对sashelp.class进行means过程分析,分性别计算身高和体重的均值、标准差、最小值、最大值和偏度。
    代码:

    proc means data=sashelp.class mean std min max skew;
    class sex;
    var Height Weight;
    run;
    

    结果:

    UNIVARIATE单变量过程

    功能

    描述性统计分析、常用统计图形的绘制、数据的正态性检验。
    格式

    proc univariate data=dataset_name;
    by variable_list;
    class variable_list;
    var variable_list;
    histogram variable_list;  *绘制直方图;
    qqplot variable_list;
    run;
    

    注: 就描述性统计分析而言,作用同means过程。

    展开全文
  • python统计分析-卡方分析和方差分析

    千次阅读 2020-02-21 22:38:19
    python统计分析-卡方分析和方差分析 卡方检验 卡方检验主要是检验两个分类变量之间的关系,主要检验是否相关,不能表示强弱。 两个分类变量,其中有一个必须是二分类,不能都是多分类。 下面代码实践,使用的是...

    python统计分析-卡方分析和方差分析

    卡方检验

    • 卡方检验主要是检验两个分类变量之间的关系,主要检验是否相关,不能表示强弱。 两个分类变量,其中有一个必须是二分类,不能都是多分类。

    下面代码实践,使用的是泰坦尼克号人员信息的数据。分析船舱等级与存活是否存在关系:titanic.csv数据下载

    import pandas as pd
    from scipy import stats
    titanic = pd.read_csv('titanic.csv')
    print(titanic.head(10))
    table1 = pd.crosstab(titanic['pclass'],titanic['survived'],margins=False)#交叉表,用于统计两个变量之间的数据个数。
    
    result = stats.chi2_contingency(table1)#卡方检验函数
    print(result)
    #不同等级舱与是否存活是由显著差异的
    

    看一下结果:

    (103.54712429415649, 3.273615369619628e-23, 2, array([[133.09090909,  82.90909091],
           [113.37373737,  70.62626263],
           [302.53535354, 188.46464646]]))
    

    这里咱们只看第二个值,这个值为pvalue,为 3.273615369619628e-23,明显小于0.05 这表明船舱等级与存活是存在显著差异的,也就是说,人们是否最终存活与所在的船舱有很大关系。至于有多大的关系,卡方检验无法给出程度。

    方差分析

    • 方差分析用于检验多个样本的均值是否有显著性差异,所以用于分析多于两个分类的离散型变量与连续变量的关系。例如不同教育程度的人收入水平是否有显著影响。

    单因素方差分析

    • 衡量不同因素对观测变量的影响程度,在数据分析中,不同因素可以理解为一个变量去不同值时对观测变量的影响,例如收入水平手否收教育程度影响,不同行业的股票收益率是否有显著差异。

    多因素方差分析

    • 考虑的是多个分类变量连续变量的影响,以及分类变量之间的交互效应,例如在考虑股票收益率与行业和地区关系时,还要考虑行业和地区的交互效应。

    下面使用小费数据来分析,服务员获得的小费与性别、日期、时间的关系。tips数据下载

    import pandas as pd
    from statsmodels.stats.anova import anova_lm
    from statsmodels.formula.api import ols
    
    tips = pd.read_csv('tips.csv')
    print(tips.head(10))
    model = ols('tip ~ C(sex)+C(day)+C(time)',data=tips).fit()#用来配置几个相关联的变量
    result = anova_lm(model)#方差分析函数
    print(result)
    
    

    结果:
    在这里插入图片描述

    最后一个PR表示Pvalue,可以看出,tip与sex、day、time 的pvalue的值均大于0.05,表示服务员所获得的小费与性别,星期,时间没有明显的关系。

    展开全文
  • Python数据分析之pandas统计分析

    万次阅读 多人点赞 2017-07-27 11:03:58
    pandas模块为我们提供了非常多的描述性统计分析的指标函数,如总和、均值、最小值、最大值等,我们来具体看看这些函数:1、随机生成三组数据import numpy as np import pandas as pdnp.random.seed(1234) d1 = pd....
  • access 分析统计

    2019-11-15 16:51:02
    简单统计 “订购明细表”,统计“订单总数”“订购金额总额”“平均订单金额”三个数据 ...“用户明细”表,统计不同省份,性别的用户分布情况 【完成】 SQL 语法 ...
  • python数据统计分析

    万次阅读 多人点赞 2019-02-17 09:08:25
    1. 常用函数库   scipy包中的stats模块和statsmodels包是python... scipy的stats包含一些比较基本的工具,比如:t检验,正态性检验,卡方检验之类,statsmodels提供了更为系统的统计模型,包括线性模型,时序分析...
  • 数据分析的入门思维,首先要认识数据,然后对数据进行简单的分析,比如描述性统计分析和相关性分析等。 一,认识变量和数据 变量和数据是数据分析中常用的概念,变量来描述事物的特征,而数据是变量的具体值,把...
  • SPSS 性别卡方分析

    千次阅读 2020-12-08 11:33:39
    1.新建数据集 2.打开变量视图,分别输出group、sex和number 其中标签是对数据的说明,值是spss中的显示,比如定义1=subject,则输入1就等价于subject...分析–描述统计–交叉表–统计–卡方检验 确定 结果输出: ...
  • 数据统计分析常用指标

    千次阅读 2020-05-13 14:12:28
    下面是数据统计分析常用的指标或术语:    1.平均数  一般指算术平均数。算术平均数是指全部数据累加除以数据个数。它是非常重要的基础性指标。  几何平均数:适用于对比率数据的平均,并主要用于计算数据平均...
  • APP统计分析 用户画像 对程序员来说,用户画像就是用户的属性和行为;通俗地说,用户画像是包括了个人信息、兴趣爱好、日常行为等血肉丰满的客户实体。用户画像是精准营销的产物,企业通过收集用户的行为,然后...
  • 手头有一份性别比例的样本数据,清洗后只保留了性别信息,做了一个数据分析。 数据清洗和数据统计的代码就不贴了,贴性别比例pie图和性别比例趋势图的代码。 性别比例pie图: def _plot_gender_stat_pie(self, ...
  • SPSS——描述性统计分析——频数分析

    万次阅读 多人点赞 2016-07-01 21:52:46
    集中趋势分析——中心趋势的数值度量反映一组数据向某一位置聚集的趋势,主要的统计量有均数(mean)、中位数(median)、众数(mode)、总和(sum)以及分位数。均数适用于正态分布和对称分布的数据,中位数适用于...
  • 2.人脸属性分析分析检测出的行人人脸年龄、性别。 3.广告推送:根据分析出的年龄、性别推送相应的广告内容。 4.行人关注度统计:通过人脸跟踪或其他算法分析每个行人停留时间,从而统计出每个行人对推送广告的...
  • 不懂统计学的数据分析师都不是好的数据分析师,多数的数据分析师课程都讲Python的应用,又不是开发代码敲的那么好有什么用?不学统计的Python数据分析课程都不是好课程,不如抽空多看看统计学的内容。 本文介绍 ...
  • UMeng统计分析Android集成文档

    千次阅读 2016-10-23 22:49:44
    相信大家对友盟应该不陌生了有些人可能了它的多渠道打包,有的开发者可能导它的分享sdk等等,今天我给大家介绍下怎样简单集成友盟统计分析Android集成文档,废话不多说下面看主要步骤:- 1. 集成准备 相关视频...
  • sas统计分析学习笔记(一)

    千次阅读 2017-08-05 16:07:19
    PROC步骤:定义统计分析的类型,每个PROC过程后接一个run语句。 2.SAS变量名必须遵循以下原则:以字母或者下划线开头,不超过32个字符长度,不能使用空格或者特殊字符。 二.例子解释 对一个数据集进行分析 学生...
  • R语言案例分析:多元数据的基本统计分析数据集下载 我们利用该数据集中的Case1来完成下面的R语言操作: > options(digits = 4) #输出结果位数> par(mar=c(4, 4, 2, 1) + 0.1, cex=0.8) # 图形修饰> case1 > head...
  • 数据的统计分析

    千次阅读 2019-05-28 09:31:37
    文献种类:专题技术文献; 开发工具与关键技术:Visual Studio 2015 作者: ;年级: ;撰写时间: 年 月 日 文献编号: ;归档时间: 月 日 数据的统计分析 开发工具与关键技术:Visual Studio 2015 ...
  • 统计分析-学习笔记

    千次阅读 2020-03-09 23:24:51
    1.方差(Variance) 意义:度量一个维度偏离其... “分析”→“描述统计”→“频率”→“统计”→选择“平均值”与“标准差” 2.数据无量纲化 数据归一化(Normalization,又称Min-Max Scaling) 含义:当...
  • 在工作实际场景经常涉及将人群或者物件按照某些指定特性进行分类,传统的思路是基于规则进行分组统计,但是越来越多的情景是难以定量的规则来区分组别的,因此非监督的聚类分析算法为这些场景提供一个很好的思路。...
  • R语言与统计分析

    万次阅读 2015-12-16 11:20:29
    R语言与统计分析 汤银才 主编 高等教育出版社 二○○八年五月 内容介绍 本书以数据的常用统计分析方法为基础,在简明扼要地阐述统计学基本概 念、基本思想与基本方法的基础上,讲述与之相对应的R函数的实现,...
  • 使用Flurry来统计分析用户行为

    千次阅读 2014-01-13 17:19:51
    他们的数据统计分析SDK支持的平台包括iPhone, iPad, Android, Windows Phone, Java ME和BlackBerry。使用Flurry服务的公司包括eBay、Yahoo、Hulu和Skype等超过11万家公司,涉及的应用超过36万个。利用Flurry提供
  • 一款项目的发布和使用,开发者均希望...小程序数据分析,是面向小程序开发者、运营者的数据分析工具,提供关键指标统计、实时访问监控、自定义分析等,帮助小程序产品迭代优化和运营。数据分析主要包括: (1)概...
  • 3款移动应用数据统计分析平台对比

    千次阅读 2014-08-18 15:17:07
    3款移动应用数据统计分析平台对比
  • R语言_基本统计分析

    千次阅读 2015-08-20 21:09:49
    R语言 基本统计分析
  • C语言课设-班级成绩统计分析

    千次阅读 2015-01-17 22:57:45
    //定义头文件 #include #include ...typedef struct Stu{ //存数据的 char num[MAX]; //学号 char name[MAX]; //姓名 char sex[MAX]; //性别 char banji[MAX]; //班级 char math[MAX];

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 35,174
精华内容 14,069
关键字:

性别统计用什么分析