python常用函數(shù)包有哪些？

一些python常用函數(shù)包：

專(zhuān)注于為中小企業(yè)提供成都做網(wǎng)站、成都網(wǎng)站制作服務(wù),電腦端+手機(jī)端+微信端的三站合一,更高效的管理,為中小企業(yè)徐聞免費(fèi)做網(wǎng)站提供優(yōu)質(zhì)的服務(wù)。我們立足成都，凝聚了一批互聯(lián)網(wǎng)行業(yè)人才，有力地推動(dòng)了近千家企業(yè)的穩(wěn)健成長(zhǎng)，幫助中小企業(yè)通過(guò)網(wǎng)站建設(shè)實(shí)現(xiàn)規(guī)模擴(kuò)充和轉(zhuǎn)變。

1、Urllib3

Urllib3是一個(gè) Python 的 HTTP 客戶(hù)端，它擁有 Python 標(biāo)準(zhǔn)庫(kù)中缺少的許多功能：

線(xiàn)程安全

連接池

客戶(hù)端 SSL/TLS 驗(yàn)證

使用分段編碼上傳文件

用來(lái)重試請(qǐng)求和處理 HTTP 重定向的助手

支持 gzip 和 deflate 編碼

HTTP 和 SOCKS 的代理支持

2、Six

six 是一個(gè)是 Python 2 和 3 的兼容性庫(kù)。這個(gè)項(xiàng)目旨在支持可同時(shí)運(yùn)行在 Python 2 和 3 上的代碼庫(kù)。它提供了許多可簡(jiǎn)化 Python 2 和 3 之間語(yǔ)法差異的函數(shù)。

3、botocore、boto3、s3transfer、awscli

Botocore是 AWS 的底層接口。Botocore是 Boto3 庫(kù)（#22）的基礎(chǔ)，后者讓你可以使用 Amazon S3 和 Amazon EC2 一類(lèi)的服務(wù)。Botocore 還是 AWS-CLI 的基礎(chǔ)，后者為 AWS 提供統(tǒng)一的命令行界面。

S3transfer（#7）是用于管理 Amazon S3 傳輸?shù)?Python 庫(kù)。它正在積極開(kāi)發(fā)中，其介紹頁(yè)面不推薦人們現(xiàn)在使用，或者至少等版本固定下來(lái)再用，因?yàn)槠?API 可能發(fā)生變化，在次要版本之間都可能更改。Boto3、AWS-CLI和其他許多項(xiàng)目都依賴(lài)s3transfer。

4、Pip

pip是“Pip Installs Packages”的首字母遞歸縮寫(xiě)。

pip很容易使用。要安裝一個(gè)包只需pip install package name即可，而刪除包只需pip uninstall package name即可。

最大優(yōu)點(diǎn)之一是它可以獲取包列表，通常以requirements.txt文件的形式獲取。該文件能選擇包含所需版本的詳細(xì)規(guī)范。大多數(shù) Python 項(xiàng)目都包含這樣的文件。

如果結(jié)合使用pip與virtualenv（列表中的 #57），就可以創(chuàng)建可預(yù)測(cè)的隔離環(huán)境，同時(shí)不會(huì)干擾底層系統(tǒng)，反之亦然。

5、Python-dateutil

python-dateutil模塊提供了對(duì)標(biāo)準(zhǔn)datetime模塊的強(qiáng)大擴(kuò)展。我的經(jīng)驗(yàn)是，常規(guī)的Python datetime缺少哪些功能，python-dateutil就能補(bǔ)足那一塊。

6、Requests

Requests建立在我們的 #1 庫(kù)——urllib3基礎(chǔ)上。它讓 Web 請(qǐng)求變得非常簡(jiǎn)單。相比urllib3來(lái)說(shuō)，很多人更喜歡這個(gè)包。而且使用它的最終用戶(hù)可能也比urllib3更多。后者更偏底層，并且考慮到它對(duì)內(nèi)部的控制級(jí)別，它一般是作為其他項(xiàng)目的依賴(lài)項(xiàng)。

7、Certifi

近年來(lái)，幾乎所有網(wǎng)站都轉(zhuǎn)向 SSL，你可以通過(guò)地址欄中的小鎖符號(hào)來(lái)識(shí)別它。加了小鎖意味著與該站點(diǎn)的通信是安全和加密的，能防止竊聽(tīng)行為。

8、Idna

根據(jù)其 PyPI 頁(yè)面，idna提供了“對(duì) RFC5891 中指定的應(yīng)用程序中國(guó)際化域名（IDNA）協(xié)議的支持?！?/p>

IDNA的核心是兩個(gè)函數(shù)：ToASCII和ToUnicode。ToASCII會(huì)將國(guó)際 Unicode 域轉(zhuǎn)換為 ASCII 字符串。ToUnicode則逆轉(zhuǎn)該過(guò)程。在IDNA包中，這些函數(shù)稱(chēng)為idna.encode()和idna.decode()

9、PyYAML

YAML是一種數(shù)據(jù)序列化格式。它的設(shè)計(jì)宗旨是讓人類(lèi)和計(jì)算機(jī)都能很容易地閱讀代碼——人類(lèi)很容易讀寫(xiě)它的內(nèi)容，計(jì)算機(jī)也可以解析它。

PyYAML是 Python 的YAML解析器和發(fā)射器，這意味著它可以讀寫(xiě)YAML。它會(huì)把任何 Python 對(duì)象寫(xiě)成YAML：列表、字典，甚至是類(lèi)實(shí)例都包括在內(nèi)。

10、Pyasn1

像上面的IDNA一樣，這個(gè)項(xiàng)目也非常有用：

ASN.1 類(lèi)型和 DER/BER/CER 編碼（X.208）的純 Python 實(shí)現(xiàn)

所幸這個(gè)已有數(shù)十年歷史的標(biāo)準(zhǔn)有很多信息可用。ASN.1是 Abstract Syntax Notation One 的縮寫(xiě)，它就像是數(shù)據(jù)序列化的教父。它來(lái)自電信行業(yè)。也許你知道協(xié)議緩沖區(qū)或 Apache Thrift？這就是它們的 1984 年版本。

11、Docutils

Docutils是一個(gè)模塊化系統(tǒng)，用來(lái)將純文本文檔處理為很多有用的格式，例如 HTML、XML 和 LaTeX 等。Docutils能讀取reStructuredText格式的純文本文檔，這種格式是類(lèi)似于 MarkDown 的易讀標(biāo)記語(yǔ)法。

12、Chardet

你可以用chardet模塊來(lái)檢測(cè)文件或數(shù)據(jù)流的字符集。比如說(shuō)，需要分析大量隨機(jī)文本時(shí)，這會(huì)很有用。但你也可以在處理遠(yuǎn)程下載的數(shù)據(jù)，但不知道用的是什么字符集時(shí)使用它。

13、RSA

rsa包是一個(gè)純 Python 的 RSA 實(shí)現(xiàn)。它支持：

加密和解密

簽名和驗(yàn)證簽名

根據(jù) PKCS#1 1.5 版生成密鑰

它既可以用作 Python 庫(kù)，也能在命令行中使用。

14、Jmespath

JMESPath，發(fā)音為“James path”，使 Python 中的 JSON 更容易使用。它允許你聲明性地指定如何從 JSON 文檔中提取元素。

15、Setuptools

它是用于創(chuàng)建 Python 包的工具。不過(guò)，其文檔很糟糕。它沒(méi)有清晰描述它的用途，并且文檔中包含無(wú)效鏈接。最好的信息源是這個(gè)站點(diǎn)，特別是這個(gè)創(chuàng)建 Python 包的指南。

16、Pytz

像dateutils一樣，這個(gè)庫(kù)可幫助你處理日期和時(shí)間。有時(shí)候，時(shí)區(qū)處理起來(lái)可能很麻煩。幸好有這樣的包，可以讓事情變得簡(jiǎn)單些。

17、Futures

從 Python 3.2 開(kāi)始，python 提供current.futures模塊，可幫助你實(shí)現(xiàn)異步執(zhí)行。futures 包是該庫(kù)適用于 Python 2 的 backport。它不適用于 Python3 用戶(hù)，因?yàn)?Python 3 原生提供了該模塊。

18、Colorama

使用 Colorama，你可以為終端添加一些顏色：

更多Python知識(shí)請(qǐng)關(guān)注Python自學(xué)網(wǎng)

python里面有哪些自帶函數(shù)？

python系統(tǒng)提供了下面常用的函數(shù)：

1. 數(shù)學(xué)庫(kù)模塊（math）提供了很多數(shù)學(xué)運(yùn)算函數(shù)；

2.復(fù)數(shù)模塊（cmath）提供了用于復(fù)數(shù)運(yùn)算的函數(shù)；

3.隨機(jī)數(shù)模塊（random）提供了用來(lái)生成隨機(jī)數(shù)的函數(shù)；

4.時(shí)間（time）和日歷（calendar）模塊提供了能處理日期和時(shí)間的函數(shù)。

注意：在調(diào)用系統(tǒng)函數(shù)之前，先要使用import 語(yǔ)句導(dǎo)入 相應(yīng)的模塊

該語(yǔ)句將模塊中定義的函數(shù)代碼復(fù)制到自己的程 序中，然后就可以訪問(wèn)模塊中的任何函數(shù)，其方 法是在函數(shù)名前面加上“模塊名.”。

希望能幫到你。

python數(shù)據(jù)統(tǒng)計(jì)分析

1. 常用函數(shù)庫(kù)

? scipy包中的stats模塊和statsmodels包是python常用的數(shù)據(jù)分析工具，scipy.stats以前有一個(gè)models子模塊，后來(lái)被移除了。這個(gè)模塊被重寫(xiě)并成為了現(xiàn)在獨(dú)立的statsmodels包。

?scipy的stats包含一些比較基本的工具，比如：t檢驗(yàn)，正態(tài)性檢驗(yàn)，卡方檢驗(yàn)之類(lèi)，statsmodels提供了更為系統(tǒng)的統(tǒng)計(jì)模型，包括線(xiàn)性模型，時(shí)序分析，還包含數(shù)據(jù)集，做圖工具等等。

2. 小樣本數(shù)據(jù)的正態(tài)性檢驗(yàn)

(1) 用途

?夏皮羅維爾克檢驗(yàn)法 (Shapiro-Wilk) 用于檢驗(yàn)參數(shù)提供的一組小樣本數(shù)據(jù)線(xiàn)是否符合正態(tài)分布，統(tǒng)計(jì)量越大則表示數(shù)據(jù)越符合正態(tài)分布，但是在非正態(tài)分布的小樣本數(shù)據(jù)中也經(jīng)常會(huì)出現(xiàn)較大的W值。需要查表來(lái)估計(jì)其概率。由于原假設(shè)是其符合正態(tài)分布，所以當(dāng)P值小于指定顯著水平時(shí)表示其不符合正態(tài)分布。

?正態(tài)性檢驗(yàn)是數(shù)據(jù)分析的第一步，數(shù)據(jù)是否符合正態(tài)性決定了后續(xù)使用不同的分析和預(yù)測(cè)方法，當(dāng)數(shù)據(jù)不符合正態(tài)性分布時(shí)，我們可以通過(guò)不同的轉(zhuǎn)換方法把非正太態(tài)數(shù)據(jù)轉(zhuǎn)換成正態(tài)分布后再使用相應(yīng)的統(tǒng)計(jì)方法進(jìn)行下一步操作。

(2) 示例

(3) 結(jié)果分析

?返回結(jié)果 p-value=0.029035290703177452，比指定的顯著水平（一般為5%）小，則拒絕假設(shè)：x不服從正態(tài)分布。

3. 檢驗(yàn)樣本是否服務(wù)某一分布

(1) 用途

?科爾莫戈羅夫檢驗(yàn)(Kolmogorov-Smirnov test)，檢驗(yàn)樣本數(shù)據(jù)是否服從某一分布，僅適用于連續(xù)分布的檢驗(yàn)。下例中用它檢驗(yàn)正態(tài)分布。

(2) 示例

(3) 結(jié)果分析

?生成300個(gè)服從N(0,1)標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，在使用k-s檢驗(yàn)該數(shù)據(jù)是否服從正態(tài)分布，提出假設(shè)：x從正態(tài)分布。最終返回的結(jié)果，p-value=0.9260909172362317，比指定的顯著水平（一般為5%）大，則我們不能拒絕假設(shè)：x服從正態(tài)分布。這并不是說(shuō)x服從正態(tài)分布一定是正確的，而是說(shuō)沒(méi)有充分的證據(jù)證明x不服從正態(tài)分布。因此我們的假設(shè)被接受，認(rèn)為x服從正態(tài)分布。如果p-value小于我們指定的顯著性水平，則我們可以肯定地拒絕提出的假設(shè)，認(rèn)為x肯定不服從正態(tài)分布，這個(gè)拒絕是絕對(duì)正確的。

4.方差齊性檢驗(yàn)

(1) 用途

?方差反映了一組數(shù)據(jù)與其平均值的偏離程度，方差齊性檢驗(yàn)用以檢驗(yàn)兩組或多組數(shù)據(jù)與其平均值偏離程度是否存在差異，也是很多檢驗(yàn)和算法的先決條件。

(2) 示例

(3) 結(jié)果分析

?返回結(jié)果 p-value=0.19337536323599344, 比指定的顯著水平（假設(shè)為5%）大，認(rèn)為兩組數(shù)據(jù)具有方差齊性。

5. 圖形描述相關(guān)性

(1) 用途

?最常用的兩變量相關(guān)性分析，是用作圖描述相關(guān)性，圖的橫軸是一個(gè)變量，縱軸是另一變量，畫(huà)散點(diǎn)圖，從圖中可以直觀地看到相關(guān)性的方向和強(qiáng)弱，線(xiàn)性正相關(guān)一般形成由左下到右上的圖形；負(fù)面相關(guān)則是從左上到右下的圖形，還有一些非線(xiàn)性相關(guān)也能從圖中觀察到。

(2) 示例

(3) 結(jié)果分析

?從圖中可以看到明顯的正相關(guān)趨勢(shì)。

6. 正態(tài)資料的相關(guān)分析

(1) 用途

?皮爾森相關(guān)系數(shù)（Pearson correlation coefficient）是反應(yīng)兩變量之間線(xiàn)性相關(guān)程度的統(tǒng)計(jì)量，用它來(lái)分析正態(tài)分布的兩個(gè)連續(xù)型變量之間的相關(guān)性。常用于分析自變量之間，以及自變量和因變量之間的相關(guān)性。

(2) 示例

(3) 結(jié)果分析

?返回結(jié)果的第一個(gè)值為相關(guān)系數(shù)表示線(xiàn)性相關(guān)程度，其取值范圍在[-1,1]，絕對(duì)值越接近1，說(shuō)明兩個(gè)變量的相關(guān)性越強(qiáng)，絕對(duì)值越接近0說(shuō)明兩個(gè)變量的相關(guān)性越差。當(dāng)兩個(gè)變量完全不相關(guān)時(shí)相關(guān)系數(shù)為0。第二個(gè)值為p-value，統(tǒng)計(jì)學(xué)上，一般當(dāng)p-value0.05時(shí)，可以認(rèn)為兩變量存在相關(guān)性。

7. 非正態(tài)資料的相關(guān)分析

(1) 用途

?斯皮爾曼等級(jí)相關(guān)系數(shù)(Spearman’s correlation coefficient for ranked data )，它主要用于評(píng)價(jià)順序變量間的線(xiàn)性相關(guān)關(guān)系，在計(jì)算過(guò)程中，只考慮變量值的順序（rank, 值或稱(chēng)等級(jí)），而不考慮變量值的大小。常用于計(jì)算類(lèi)型變量的相關(guān)性。

(2) 示例

(3) 結(jié)果分析

?返回結(jié)果的第一個(gè)值為相關(guān)系數(shù)表示線(xiàn)性相關(guān)程度，本例中correlation趨近于1表示正相關(guān)。第二個(gè)值為p-value，p-value越小，表示相關(guān)程度越顯著。

8. 單樣本T檢驗(yàn)

(1) 用途

?單樣本T檢驗(yàn)，用于檢驗(yàn)數(shù)據(jù)是否來(lái)自一致均值的總體，T檢驗(yàn)主要是以均值為核心的檢驗(yàn)。注意以下幾種T檢驗(yàn)都是雙側(cè)T檢驗(yàn)。

(2) 示例

(3) 結(jié)果分析

?本例中生成了2列100行的數(shù)組，ttest_1samp的第二個(gè)參數(shù)是分別對(duì)兩列估計(jì)的均值，p-value返回結(jié)果，第一列1.47820719e-06比指定的顯著水平（一般為5%）小，認(rèn)為差異顯著，拒絕假設(shè)；第二列2.83088106e-01大于指定顯著水平，不能拒絕假設(shè)：服從正態(tài)分布。

9. 兩獨(dú)立樣本T檢驗(yàn)

(1) 用途

?由于比較兩組數(shù)據(jù)是否來(lái)自于同一正態(tài)分布的總體。注意：如果要比較的兩組數(shù)據(jù)不滿(mǎn)足方差齊性， 需要在ttest_ind()函數(shù)中添加參數(shù)equal_var = False。

(2) 示例

(3) 結(jié)果分析

?返回結(jié)果的第一個(gè)值為統(tǒng)計(jì)量，第二個(gè)值為p-value，pvalue=0.19313343989106416，比指定的顯著水平（一般為5%）大，不能拒絕假設(shè)，兩組數(shù)據(jù)來(lái)自于同一總結(jié)，兩組數(shù)據(jù)之間無(wú)差異。

10. 配對(duì)樣本T檢驗(yàn)

(1) 用途

?配對(duì)樣本T檢驗(yàn)可視為單樣本T檢驗(yàn)的擴(kuò)展，檢驗(yàn)的對(duì)象由一群來(lái)自正態(tài)分布獨(dú)立樣本更改為二群配對(duì)樣本觀測(cè)值之差。它常用于比較同一受試對(duì)象處理的前后差異，或者按照某一條件進(jìn)行兩兩配對(duì)分別給與不同處理的受試對(duì)象之間是否存在差異。

(2) 示例

(3) 結(jié)果分析

?返回結(jié)果的第一個(gè)值為統(tǒng)計(jì)量，第二個(gè)值為p-value，pvalue=0.80964043445811551，比指定的顯著水平（一般為5%）大，不能拒絕假設(shè)。

11. 單因素方差分析

(1) 用途

?方差分析(Analysis of Variance，簡(jiǎn)稱(chēng)ANOVA)，又稱(chēng)F檢驗(yàn)，用于兩個(gè)及兩個(gè)以上樣本均數(shù)差別的顯著性檢驗(yàn)。方差分析主要是考慮各組之間的平均數(shù)差別。

?單因素方差分析（One-wayAnova），是檢驗(yàn)由單一因素影響的多組樣本某因變量的均值是否有顯著差異。

?當(dāng)因變量Y是數(shù)值型，自變量X是分類(lèi)值，通常的做法是按X的類(lèi)別把實(shí)例成分幾組，分析Y值在X的不同分組中是否存在差異。

(2) 示例

(3) 結(jié)果分析

?返回結(jié)果的第一個(gè)值為統(tǒng)計(jì)量，它由組間差異除以組間差異得到，上例中組間差異很大，第二個(gè)返回值p-value=6.2231520821576832e-19小于邊界值（一般為0.05）,拒絕原假設(shè), 即認(rèn)為以上三組數(shù)據(jù)存在統(tǒng)計(jì)學(xué)差異，并不能判斷是哪兩組之間存在差異 。只有兩組數(shù)據(jù)時(shí)，效果同 stats.levene 一樣。

12. 多因素方差分析

(1) 用途

?當(dāng)有兩個(gè)或者兩個(gè)以上自變量對(duì)因變量產(chǎn)生影響時(shí)，可以用多因素方差分析的方法來(lái)進(jìn)行分析。它不僅要考慮每個(gè)因素的主效應(yīng)，還要考慮因素之間的交互效應(yīng)。

(2) 示例

(3) 結(jié)果分析

?上述程序定義了公式，公式中，"~"用于隔離因變量和自變量，”+“用于分隔各個(gè)自變量， ":"表示兩個(gè)自變量交互影響。從返回結(jié)果的P值可以看出，X1和X2的值組間差異不大，而組合后的T:G的組間有明顯差異。

13. 卡方檢驗(yàn)

(1) 用途

?上面介紹的T檢驗(yàn)是參數(shù)檢驗(yàn)，卡方檢驗(yàn)是一種非參數(shù)檢驗(yàn)方法。相對(duì)來(lái)說(shuō)，非參數(shù)檢驗(yàn)對(duì)數(shù)據(jù)分布的要求比較寬松，并且也不要求太大數(shù)據(jù)量?？ǚ綑z驗(yàn)是一種對(duì)計(jì)數(shù)資料的假設(shè)檢驗(yàn)方法，主要是比較理論頻數(shù)和實(shí)際頻數(shù)的吻合程度。常用于特征選擇，比如，檢驗(yàn)?zāi)腥撕团嗽谑欠窕加懈哐獕荷嫌袩o(wú)區(qū)別，如果有區(qū)別，則說(shuō)明性別與是否患有高血壓有關(guān)，在后續(xù)分析時(shí)就需要把性別這個(gè)分類(lèi)變量放入模型訓(xùn)練。

?基本數(shù)據(jù)有R行C列, 故通稱(chēng)RC列聯(lián)表(contingency table), 簡(jiǎn)稱(chēng)RC表，它是觀測(cè)數(shù)據(jù)按兩個(gè)或更多屬性（定性變量）分類(lèi)時(shí)所列出的頻數(shù)表。

(2) 示例

(3) 結(jié)果分析

?卡方檢驗(yàn)函數(shù)的參數(shù)是列聯(lián)表中的頻數(shù)，返回結(jié)果第一個(gè)值為統(tǒng)計(jì)量值，第二個(gè)結(jié)果為p-value值，p-value=0.54543425102570975，比指定的顯著水平（一般5%）大，不能拒絕原假設(shè)，即相關(guān)性不顯著。第三個(gè)結(jié)果是自由度，第四個(gè)結(jié)果的數(shù)組是列聯(lián)表的期望值分布。

14. 單變量統(tǒng)計(jì)分析

(1) 用途

?單變量統(tǒng)計(jì)描述是數(shù)據(jù)分析中最簡(jiǎn)單的形式，其中被分析的數(shù)據(jù)只包含一個(gè)變量，不處理原因或關(guān)系。單變量分析的主要目的是通過(guò)對(duì)數(shù)據(jù)的統(tǒng)計(jì)描述了解當(dāng)前數(shù)據(jù)的基本情況，并找出數(shù)據(jù)的分布模型。

?單變量數(shù)據(jù)統(tǒng)計(jì)描述從集中趨勢(shì)上看，指標(biāo)有：均值，中位數(shù)，分位數(shù)，眾數(shù)；從離散程度上看，指標(biāo)有：極差、四分位數(shù)、方差、標(biāo)準(zhǔn)差、協(xié)方差、變異系數(shù)，從分布上看，有偏度，峰度等。需要考慮的還有極大值，極小值（數(shù)值型變量）和頻數(shù)，構(gòu)成比（分類(lèi)或等級(jí)變量）。

?此外，還可以用統(tǒng)計(jì)圖直觀展示數(shù)據(jù)分布特征，如：柱狀圖、正方圖、箱式圖、頻率多邊形和餅狀圖。

15. 多元線(xiàn)性回歸

(1) 用途

?多元線(xiàn)性回歸模型（multivariable linear regression model ），因變量Y（計(jì)量資料）往往受到多個(gè)變量X的影響，多元線(xiàn)性回歸模型用于計(jì)算各個(gè)自變量對(duì)因變量的影響程度，可以認(rèn)為是對(duì)多維空間中的點(diǎn)做線(xiàn)性擬合。

(2) 示例

(3) 結(jié)果分析

?直接通過(guò)返回結(jié)果中各變量的P值與0.05比較，來(lái)判定對(duì)應(yīng)的解釋變量的顯著性，P0.05則認(rèn)為自變量具有統(tǒng)計(jì)學(xué)意義，從上例中可以看到收入INCOME最有顯著性。

16. 邏輯回歸

(1) 用途

?當(dāng)因變量Y為2分類(lèi)變量（或多分類(lèi)變量時(shí)）可以用相應(yīng)的logistic回歸分析各個(gè)自變量對(duì)因變量的影響程度。

(2) 示例

(3) 結(jié)果分析

?直接通過(guò)返回結(jié)果中各變量的P值與0.05比較，來(lái)判定對(duì)應(yīng)的解釋變量的顯著性，P0.05則認(rèn)為自變量具有統(tǒng)計(jì)學(xué)意義。

標(biāo)題名稱(chēng)：python常用函數(shù)庫(kù) python自帶函數(shù)庫(kù)
網(wǎng)址分享：http://jinyejixie.com/article8/hehgop.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供手機(jī)網(wǎng)站建設(shè)、品牌網(wǎng)站制作、商城網(wǎng)站、電子商務(wù)、網(wǎng)站導(dǎo)航、域名注冊(cè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶(hù)投稿、用戶(hù)轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話(huà)：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)