利用Python进行数据分析 [Python for Data Analysis] pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

Wes McKinney 著，唐学韬 等 译

图书标签:

• Python
• 数据分析
• Pandas
• NumPy
• 数据科学
• 统计学
• 数据可视化
• 机器学习
• Matplotlib
• 数据处理

出版社： 机械工业出版社

ISBN：9787111436737

版次：1

商品编码：11352441

品牌：机工出版

包装：平装

丛书名： O'Reilly精品图书系列

外文名称：Python for Data Analysis

开本：16开

出版时间：2014-01-01

用纸：胶版纸

页数：464

正文语种：中文

产品特色

内容简介

　　《利用Python进行数据分析》讲的是利用Python进行数据控制、处理、整理、分析等方面的具体细节和基本要点。同时，它也是利用Python进行科学计算的实用指南（专门针对数据密集型应用）。
　　《利用Python进行数据分析》重点介绍了用于高效解决各种数据分析问题的Python语言和库。《利用Python进行数据分析》没有阐述如何利用Python实现具体的分析方法。

作者简介

　　Wes McKinney，资深数据分析专家，对各种Python库（包括NumPy、pandas、matplotlib以及IPython等）等都有深入研究，并在大量的实践中积累了丰富的经验。撰写了大量与Python数据分析相关的经典文章，被各大技术社区争相转载。开发了用于数据分析的著名开源Python库——pandas，广获用户好评。在创建Lambda Foundry（一家致力于企业数据分析的公司）之前，他曾是AQR Capital Management的定量分析师。

精彩书评

　　“O’Reilly Radar博客有口皆碑。”
　　——Wired

　　“O’Reilly凭借一系列（真希望当初我也想到了）非凡想法建立了数百万美元的业务。”
　　——Business 2.0

　　“O’Reilly Conference是聚集关键思想领袖的绝对典范。”
　　——CRN

　　“一本O’Reilly的书就代表一个有用、有前途、需要学习的主题。”
　　——Irish Times

　　“Tim是位特立独行的商人，他不光放眼于长远、广阔的视野并且切实地按照Yogi Berra的建议去做了：‘如果你在路上遇到岔路口，走小路（岔路）。’回顾过去Tim似乎每一次都选择了小路，而且有几次都是一闪即逝的机会，尽管大路也不错。”
　　——Linux Journal

目录

前言

第1章 准备工作
本书主要内容
为什么要使用Python进行数据分析
重要的Python库
安装和设置
社区和研讨会
使用本书
致谢

第2章 引言
来自bit.ly的1.usa.gov数据
MovieLens 1M数据集
1880-2010年间全美婴儿姓名
小结及展望

第3章 IPython：一种交互式计算和开发环境
IPython基础
内省
使用命令历史
与操作系统交互
软件开发工具
IPython HTML Notebook
利用IPython提高代码开发效率的几点提示
高级IPython功能
致谢

第4章 NumPy基础：数组和矢量计算
NumPy的ndarray：一种多维数组对象
通用函数：快速的元素级数组函数
利用数组进行数据处理
用于数组的文件输入输出
线性代数
随机数生成
范例：随机漫步

第5章 pandas入门
pandas的数据结构介绍
基本功能
汇总和计算描述统计
处理缺失数据
层次化索引
其他有关pandas的话题

第6章 数据加载、存储与文件格式
读写文本格式的数据
二进制数据格式
使用HTML和Web API
使用数据库

第7章 数据规整化：清理、转换、合并、重塑
合并数据集
重塑和轴向旋转
数据转换
字符串操作
示例：USDA食品数据库

第8章 绘图和可视化
matplotlib API入门
pandas中的绘图函数
绘制地图：图形化显示海地地震危机数据
Python图形化工具生态系统

第9章 数据聚合与分组运算
GroupBy技术
数据聚合
分组级运算和转换
透视表和交叉表
示例：2012联邦选举委员会数据库

第10章 时间序列
日期和时间数据类型及工具
时间序列基础
日期的范围、频率以及移动
时区处理
时期及其算术运算
重采样及频率转换
时间序列绘图
移动窗口函数
性能和内存使用方面的注意事项

第11章 金融和经济数据应用
数据规整化方面的话题
分组变换和分析
更多示例应用

第12章 NumPy高级应用
ndarray对象的内部机理
高级数组操作
广播
ufunc高级应用
结构化和记录式数组
更多有关排序的话题
NumPy的matrix类
高级数组输入输出
性能建议
附录A Python语言精要

精彩书摘

　　第1章
　　准备工作
　　本书主要内容
　　本书讲的是利用Python进行数据控制、处理、整理、分析等方面的具体细节和基本要点。同时，它也是利用Python进行科学计算的实用指南（专门针对数据密集型应用）。本书重点介绍了用于高效解决各种数据分析问题的Python语言和库。本书没有阐述如何利用Python实现具体的分析方法。
　　当书中出现“数据”时，究竟指的是什么呢？主要指的是结构化数据（structured data），这个故意含糊其辞的术语代指了所有通用格式的数据，例如：
　　多维数组（矩阵）。
　　表格型数据，其中各列可能是不同的类型（字符串、数值、日期等）。比如保存在关系型数据库中或以制表符/逗号为分隔符的文本文件中的那些数据。
　　通过关键列（对于SQL用户而言，就是主键和外键）相互联系的多个表。
　　间隔平均或不平均的时间序列。
　　这绝不是一个完整的列表。大部分数据集都能被转化为更加适合分析和建模的结构化形式，虽然有时这并不是很明显。如果不行的话，也可以将数据集的特征提取为某种结构化形式。例如，一组新闻文章可以被处理为一张词频表，而这张词频表就可以用于情感分析。
　　大部分电子表格软件（比如Microsoft Excel，它可能是世界上使用最广泛的数据分析工具了）的用户不会对此类数据感到陌生。
　　为什么要使用Python进行数据分析
　　许许多多的人（包括我自己）都很容易爱上Python这门语言。自从1991年诞生以来，Python现在已经成为最受欢迎的动态编程语言之一，其他还有Perl、Ruby等。由于拥有大量的Web框架（比如Rails（Ruby）和Django（Python）），最近几年非常流行使用Python和Ruby进行网站建设工作。这些语言常被称作脚本（scripting）语言，因为它们可以用于编写简短而粗糙的小程序（也就是脚本）。我个人并不喜欢“脚本语言”这个术语，因为它好像在说这些语言无法用于构建严谨的软件。在众多解释型语言中，Python最大的特点是拥有一个巨大而活跃的科学计算（scientific computing）社区。进入21世纪以来，在行业应用和学术研究中采用Python进行科学计算的势头越来越猛。
　　在数据分析和交互、探索性计算以及数据可视化等方面，Python将不可避免地接近于其他开源和商业的领域特定编程语言/工具，如R、MATLAB、SAS、Stata等。近年来，由于Python有不断改良的库（主要是pandas），使其成为数据处理任务的一大替代方案。结合其在通用编程方面的强大实力，我们完全可以只使用Python这一种语言去构建以数据为中心的应用程序。
　　把Python当做粘合剂
　　作为一个科学计算平台，Python的成功部分源于其能够轻松地集成C、C++以及Fortran代码。大部分现代计算环境都利用了一些Fortran和C库来实现线性代数、优选、积分、快速傅里叶变换以及其他诸如此类的算法。许多企业和国家实验室也利用Python来“粘合”那些已经用了30多年的遗留软件系统。
　　大多数软件都是由两部分代码组成的：少量需要占用大部分执行时间的代码，以及大量不经常执行的“粘合剂代码”。粘合剂代码的执行时间通常是微不足道的。开发人员的精力几乎都是花在优化计算瓶颈上面的，有时更是直接转用更低级的语言（比如C）。
　　最近这几年，Cython项目已经成为Python领域中创建编译型扩展以及对接C/C++代码的一大途径。
　　解决“两种语言”问题
　　很多组织通常都会用一种类似于领域特定的计算语言（如MATLAB和R）对新的想法进行研究、原型构建和测试，然后再将这些想法移植到某个更大的生产系统中去（可能是用Java、C#或C++编写的）。人们逐渐意识到，Python不仅适用于研究和原型构建，同时也适用于构建生产系统。我相信越来越多的企业也会这样看，因为研究人员和工程技术人员使用同一种编程工具将会给企业带来非常显著的组织效益。
　　为什么不选Python
　　虽然Python非常适合构建计算密集型科学应用程序以及几乎各种各样的通用系统，但它对于不少应用场景仍然力有不逮。
　　由于Python是一种解释型编程语言，因此大部分Python代码都要比用编译型语言（比如Java和C++）编写的代码运行慢得多。由于程序员的时间通常都比CPU时间值钱，因此许多人也愿意在这里做一些权衡。但是，在那些要求延迟非常小的应用程序中（例如高频交易系统），为了尽最大可能地优化性能，耗费时间使用诸如C++这样更低级、更低生产率的语言进行编程也是值得的。
　　对于高并发、多线程的应用程序而言（尤其是拥有许多计算密集型线程的应用程序），Python并不是一种理想的编程语言。这是因为Python有一个叫做全局解释器锁（Global Interpreter Lock，GIL）的东西，这是一种防止解释器同时执行多条Python字节码指令的机制。有关“为什么会存在GIL”的技术性原因超出了本书的范围，但是就目前来看，GIL并不会在短时间内消失。虽然很多大数据处理应用程序为了能在较短的时间内完成数据集的处理工作都需要运行在计算机集群上，但是仍然有一些情况需要用单进程多线程系统来解决。
　　这并不是说Python不能执行真正的多线程并行代码，只不过这些代码不能在单个Python进程中执行而已。比如说，Cython项目可以集成OpenMP（一个用于并行计算的C框架）以实现并行处理循环进而大幅度提高数值算法的速度。"
　　……

前言/序言

　　针对科学计算领域的Python开源库生态系统在过去10年中得到了飞速发展。2011年底，我深深地感觉到，由于缺乏集中的学习资源，刚刚接触数据分析和统计应用的Python程序员举步维艰。针对数据分析的关键项目（尤其是NumPy、matplotlib和pandas）已经很成熟了，也就是说，写一本专门介绍它们的图书貌似不会很快过时。因此，我下定决心要开始这样的一个写作项目。我在2007年刚开始用Python进行数据分析工作时就希望能够得到这样一本书。希望你也能觉得本书有用，同时也希望你能将书中介绍的那些工具高效地运用到实际工作中去。
　　本书的约定
　　本书使用了以下排版约定：
　　斜体（Italic）
　　用于新术语、URL、电子邮件地址、文件名与文件扩展名。
　　等宽字体（Constant width）
　　用于表明程序清单，以及在段落中引用的程序中的元素，如变量、函数名、数据库、数据类型、环境变量、语句、关键字等。
　　等宽粗体（Constant width bold）
　　用于表明命令，或者需要读者逐字输入的文本内容。
　　等宽斜体（Constant width italic）
　　用于表示需要使用用户提供的值或者由上下文决定的值来替代的文本内容。
　　注意：代表一个技巧、建议或一般性说明。
　　警告：代表一个警告或注意事项。
　　示例代码的使用
　　本书提供代码的目的是帮你快速完成工作。一般情况下，你可以在你的程序或文档中使用本书中的代码，而不必取得我们的许可，除非你想复制书中很大一部分代码。例如，你在编写程序时，用到了本书中的几个代码片段，这不必取得我们的许可。

Python数据科学实战指南：从入门到精通 本书是一本面向初学者和有一定基础的数据科学从业者的实战指南，旨在帮助读者掌握使用Python进行数据分析、处理、可视化以及构建机器学习模型的关键技能。 在当今数据驱动的时代，数据科学已成为各行各业不可或缺的核心能力。无论是金融分析师、市场研究员、生物信息学家，还是产品经理，理解和运用数据分析能力都至关重要。Python凭借其简洁的语法、丰富的库以及活跃的社区，已经成为数据科学领域最受欢迎的编程语言之一。本书将带您系统地学习如何利用Python强大的生态系统，解决真实世界的数据科学问题。 核心理念：理论与实践相结合 本书不仅仅是概念的堆砌，更强调实际操作和动手实践。我们相信，只有通过亲手编写代码、处理真实数据集，才能真正理解数据分析的精髓，并掌握解决复杂问题的技巧。因此，本书的每一章节都辅以大量的代码示例、实际案例以及挑战性的练习题，确保您能够在学习过程中不断巩固和深化所学知识。 内容梗概： 第一部分：Python基础与数据科学环境搭建 在开始数据分析之旅前，扎实掌握Python语言基础是必不可少的。本部分将为您打下坚实的基础，并引导您搭建起高效的数据科学工作环境。 Python语言核心概念回顾： 我们将快速回顾Python的核心语法，包括变量、数据类型（整型、浮点型、字符串、布尔型）、运算符、控制流（条件语句、循环语句）、函数定义与调用、模块化编程等。即使您是Python新手，也能快速上手。 数据结构：列表、元组、字典与集合： 深入理解Python内置的数据结构，学习它们各自的特点、常用操作以及在数据处理中的应用场景。 面向对象编程初步： 了解类与对象的概念，学习如何定义和使用类，为后续更复杂的数据结构和库的学习奠定基础。 Python科学计算环境搭建： 指导您安装和配置Python解释器（如Anaconda），以及常用的科学计算库，如NumPy（用于数值计算）和Pandas（用于数据处理和分析）。我们将重点介绍虚拟环境的使用，帮助您隔离项目依赖，避免版本冲突。 Jupyter Notebook/Lab入门： 学习使用交互式的Jupyter Notebook或JupyterLab作为主要的数据分析开发工具。您将了解如何创建、运行和管理Notebooks，利用其代码、文本和可视化相结合的特性，高效地进行探索性数据分析。 第二部分：数据处理与清洗的利器——Pandas Pandas库是Python数据科学栈的核心，它提供了高性能、易于使用的数据结构和数据分析工具。本部分将是本书的重点，您将学会如何使用Pandas高效地处理和清洗各种类型的数据。 DataFrame与Series：核心数据结构： 深入理解Pandas的两种核心数据结构：DataFrame（二维表格型数据）和Series（一维带标签数组）。学习它们的创建、索引、切片、选择数据的方法。 数据加载与存储： 掌握从各种文件格式（CSV, Excel, JSON, SQL数据库等）加载数据的能力，以及将处理后的数据保存到文件的技巧。 数据检查与探索： 学习使用head(), tail(), info(), describe(), value_counts()等函数快速了解数据的基本信息、统计特征和分布情况。 数据清洗与预处理： 缺失值处理： 学习如何识别、统计和处理数据集中的缺失值，包括删除、填充（使用均值、中位数、众数或插值法）等策略。 重复值处理： 识别并删除数据集中的重复项。 数据类型转换： 学习如何将列的数据类型进行转换，例如将字符串转换为数值型或日期时间型。 字符串操作： 掌握Pandas强大的字符串处理能力，包括正则表达式匹配、替换、分割、提取等。 数据重塑： 学习使用pivot_table, melt等函数对数据进行重塑，以适应不同的分析需求。 数据筛选与排序： 掌握基于条件进行数据筛选的各种方法，以及按照一个或多个列对数据进行排序。 数据合并与连接： 学习使用merge, join, concat等函数将多个DataFrame或Series进行合并和连接，构建更复杂的数据集。 分组与聚合： 深入理解groupby()函数的强大功能，学习如何对数据进行分组，并对每个分组进行聚合计算（如求和、均值、计数、最大值、最小值等）。 第三部分：数据可视化——让数据“说话” 可视化是将数据转化为洞察的关键步骤。本部分将介绍如何使用Python的强大可视化库，将复杂的数据以直观、易懂的方式呈现出来。 Matplotlib基础： 学习使用Python最基础、最灵活的可视化库Matplotlib。掌握创建各种基本图表（折线图、散点图、柱状图、饼图等）的方法，并学习如何定制图表元素，如标题、坐标轴标签、图例、颜色、线型等。 Seaborn进阶： 探索更高级、更美观的可视化库Seaborn。Seaborn建立在Matplotlib之上，提供了更简洁的接口来绘制统计图形，并能方便地创建复杂图表，如热力图、箱线图、小提琴图、分布图等，以及支持多变量关系的可视化。 交互式可视化初步（可选）： 简要介绍Plotly或Bokeh等交互式可视化库，让您的图表具备缩放、平移、悬停提示等功能，提升数据探索的体验。 选择合适的图表类型： 学习如何根据数据的类型和分析目的，选择最恰当的图表来有效地传达信息。 第四部分：数据分析与统计建模 在数据清洗和可视化之后，我们将进入更深层次的数据分析和统计建模阶段。 描述性统计： 深入理解数据的均值、方差、标准差、百分位数等统计量，并学习如何使用Python计算和解释这些指标。 推断性统计初步： 介绍假设检验的基本概念，如p值、置信区间，以及如何使用SciPy等库进行简单的统计检验（如t检验、卡方检验），以评估数据中的关联性或差异性。 时间序列分析基础： 学习如何处理时间序列数据，包括日期和时间数据的解析、重采样、滑动窗口计算等。 相关性分析： 学习如何计算和可视化变量之间的相关性，理解Pearson相关系数等概念。 数据降维技术（PCA入门）： 简要介绍主成分分析（PCA）等降维技术，了解其在处理高维数据时的作用。 第五部分：机器学习基础与实践 机器学习是数据科学中一个令人兴奋的领域，本书将为您打开通往这一领域的大门。 Scikit-learn库入门： 学习使用Python中最流行、功能最全面的机器学习库Scikit-learn。 机器学习工作流程： 理解机器学习项目的基本流程：数据预处理、特征工程、模型选择、模型训练、模型评估、模型调优。 监督学习算法： 回归问题： 学习线性回归、多项式回归等算法，用于预测连续数值。 分类问题： 学习逻辑回归、K近邻（KNN）、支持向量机（SVM）、决策树、随机森林等算法，用于预测离散类别。 无监督学习算法： 聚类： 学习K-Means聚类算法，用于发现数据中的自然分组。 降维： 再次提及PCA在特征提取和降维中的应用。 模型评估指标： 学习如何使用准确率、精确率、召回率、F1分数、RMSE、R²等指标来评估模型的性能。 交叉验证与模型选择： 理解交叉验证的重要性，学习如何使用它来更可靠地评估模型的泛化能力。 第六部分：实际案例分析与进阶主题 为了帮助您将所学知识融会贯通，本书将通过一系列真实世界的数据分析案例，演示如何将前面章节中学到的技术应用于实际问题。 案例研究1：客户流失预测 案例研究2：房价预测 案例研究3：文本情感分析初步 案例研究4：销售数据分析与洞察 进阶主题简介（视内容深度而定）： 如更深入的时间序列模型、更高级的特征工程技术、模型部署的初步概念等。 本书特色： 面向实战： 每一章都紧密结合实际应用场景，让您在解决问题的过程中学习。 代码驱动： 提供大量可执行、可修改的代码示例，鼓励您动手实践。 循序渐进： 从基础概念到高级应用，内容组织合理，适合不同水平的学习者。 综合性强： 涵盖数据获取、清洗、处理、可视化、统计分析和机器学习等数据科学全流程。 语言清晰易懂： 避免冗余的理论描述，用直观的方式讲解概念。 适合读者： 希望掌握使用Python进行数据分析的初学者。 已掌握Python基础，但想深入学习数据科学领域的开发者。 需要处理和分析大量数据的研究人员、学生和专业人士。 希望将数据驱动的洞察应用于业务决策的商业分析师和产品经理。 对机器学习和人工智能感兴趣，并想从实践开始的学习者。 通过本书的学习，您将能够自信地驾驭Python，从海量数据中挖掘有价值的洞察，解决实际问题，并在数据科学领域迈出坚实的一步。让我们一起踏上这段激动人心的Python数据科学探索之旅吧！

评分☆☆☆☆☆

从一个非技术背景转行到数据分析领域，学习新技能是我面临的最大挑战。《利用Python进行数据分析》这本书，成为了我职业转型路上最得力的伙伴。它以一种极其友好的方式，带领我走进了Python的世界。我从未想过，那些看似复杂的编程概念，竟然能够被如此清晰易懂地呈现出来。从基础的变量、数据类型，到更高级的函数、类，书中都有详尽的讲解和生动的例子。最让我感到欣慰的是，这本书并不是简单地罗列语法，而是通过一个个实际的数据分析案例，将Python的强大功能融入其中。这让我不仅学会了“怎么做”，更重要的是学会了“为什么这么做”。当我能够独立地使用Python读取、清洗、转换和可视化数据时，那种成就感是难以言喻的。这本书为我打下了坚实的基础，让我有信心继续深入学习更高级的数据科学技术，也让我对未来的职业发展充满了期待。

评分☆☆☆☆☆

作为一名在学术研究领域摸爬滚打多年的学者，数据处理和分析一直是我的核心工作。在接触《利用Python进行数据分析》之前，我主要依赖一些传统的统计软件。然而，随着研究的深入，我越来越感觉到这些工具在灵活性和可扩展性上的局限性。这本书的出现，无疑为我带来了新的解决方案。我被书中对数据建模和统计推断部分的讲解深深吸引。Python强大的生态系统，尤其是scikit-learn等库，为实现复杂的统计模型提供了前所未有的便利。作者在讲解模型构建时，注重理论与实践的结合，通过丰富的例子展示了如何将抽象的模型应用到具体的数据问题中。我发现，这本书的内容深度恰到好处，既没有过于浅显而浪费时间，也没有过于高深而让人望而却步。它提供了一个坚实的基础，让我有信心去探索更前沿的数据科学技术。

评分☆☆☆☆☆

我在一家互联网公司从事数据挖掘工作，每天都要面对海量的数据，如何在快速迭代的产品环境中高效地进行数据分析，是我一直在思考的问题。《利用Python进行数据分析》这本书，简直就像为我量身定做的。书中关于数据可视化和交互式分析的部分，让我眼前一亮。Matplotlib和Seaborn的强大功能，使得将复杂的数据关系直观地展现出来成为可能，这对于向非技术背景的同事汇报分析结果至关重要。我尤其欣赏书中对于数据探索性分析（EDA）的强调，以及作者提供的系统性方法论。通过对书中示例的学习，我能够更系统、更深入地理解数据的内在规律，发现潜在的洞察。这本书不仅提升了我分析数据的效率，更重要的是，它帮助我培养了一种更加严谨和系统的数据分析思维。

评分☆☆☆☆☆

我是一名有着多年统计分析背景的从业者，这次接触《利用Python进行数据分析》纯粹是出于对新工具的探索欲望。坦白说，一开始我有些担心Python的学习曲线会比较陡峭，但这本书的编写风格却出乎意料地平易近人。作者巧妙地将复杂的概念分解为易于理解的单元，并且紧密结合实际应用场景，这对于我这种已经熟悉了统计学原理但对编程语言不甚了解的人来说，简直是福音。我尤其对书中关于时间序列分析和文本数据的处理部分印象深刻。Pandas库在处理时间序列数据时展现出的强大功能，以及NLTK库在自然语言处理方面的基础介绍，都让我看到了Python在更广泛的数据科学领域应用的巨大前景。作者在讲解过程中，反复强调“思考”而非“记忆”，鼓励读者理解代码背后的逻辑，这与我一贯的学习方法不谋而合。这本书不仅教会了我如何使用Python工具，更重要的是，它让我学会了如何用Python的思维去解决问题。

评分☆☆☆☆☆

作为一名刚入门数据分析的小白，我怀揣着激动又忐忑的心情翻开了《利用Python进行数据分析》。这本书就像一座灯塔，指引着我在浩瀚的数据海洋中前行。从最初对Python语法的陌生，到能够熟练运用Pandas处理表格数据，再到利用Matplotlib和Seaborn绘制出令人眼前一亮的图表，每一步都充满了发现的乐趣。书中对于NumPy数组的讲解尤为透彻，让我深刻理解了其高效的数值计算能力，这对于处理大规模数据集至关重要。我特别喜欢书中通过实际案例来讲解概念的方式，这比枯燥的理论讲解要生动有趣得多。例如，在讲解数据清洗时，作者并没有直接给出结论，而是通过一个真实的数据集，一步步演示如何处理缺失值、异常值以及重复值，让我仿佛置身于实际的数据分析场景中，学到的知识也更加牢固。而且，这本书的排版也很舒适，代码示例清晰明了，注释也很到位，即使是初学者也能轻松跟上思路。总的来说，这本书为我打开了数据分析的大门，让我看到了Python在这一领域的强大潜力。

评分☆☆☆☆☆

东西很好很强大很喜欢以后还会买

评分☆☆☆☆☆

此用户未填写评价内容

评分☆☆☆☆☆

包装完好，书的质量挺好的。

评分☆☆☆☆☆

书皮表面很粗糙，内容还没看

评分☆☆☆☆☆

换货了3次，一次比一次差

评分☆☆☆☆☆

一眼望去还可以。

评分☆☆☆☆☆

那个群女生少。。。。就老是被。。。。。问话

评分☆☆☆☆☆

有点过时了。。还是建议网上搜最新的方法

评分☆☆☆☆☆

书是好书，但是还没来得及看。正品书