歡迎光臨
每天分享高質量文章

關於Python資料分析,這裡有一條高效的學習路徑


廣泛被應用的資料分析

谷歌的資料分析可以預測一個地區即將爆發的流感,從而進行針對性的預防;淘寶可以根據你瀏覽和消費的資料進行分析,為你精準推薦商品;口碑極好的網易雲音樂,通過其相似性演算法,為不同的人量身定製每日歌單……


資料正在變得越來越常見,小到我們每個人的社交網絡、消費信息、運動軌跡……,大到企業的銷售、運營資料,產品的生產資料,交通網絡資料……


如何從海量資料中獲得別人看不見的知識,如何利用資料來武裝營銷工作、優化產品、用戶調研、支撐決策,資料分析可以將資料的價值最大化。


資料分析人才熱度也是高居不下,一方面企業的資料量在大規模的增長,對於資料分析的需求與日俱增;另一方面,相比起其他的技術職位,資料分析師的候選者要少得多


資料源於麥肯錫


那麼,小白如何快速獲得資料分析的能力呢?知乎上有很多書單,你可能也聽過很多學習方法,但嘗試過就知道這些跟高效沒什麼關係。


資料分析師應該具備哪些技能


要明確學習的路徑,最有效的方式就是看具體的職業、工作崗位對於技能的具體需求。


我們從拉勾上找了一些最具有代表性的資料分析師職位信息,來看看薪資不菲的資料分析師,到底需要哪些技能。


其實企業對資料分析師的基礎技能需求差別不大,可總結如下:

  • SQL資料庫的基本操作,會基本的資料管理

  • 會用Excel/SQL做基本的資料分析和展示

  • 會用腳本語言進行資料分析,Python or R

  • 有獲取外部資料的能力,如爬蟲

  • 會基本的資料可視化技能,能撰寫資料報告

  • 熟悉常用的資料挖掘演算法:以回歸分析為主

其次是資料分析的流程,一般可以按“資料獲取-資料儲存與提取-資料預處理-資料建模與分析-資料可視化”這樣的步驟來實施一個資料分析專案。按照這個流程,每個部分需要掌握的細分知識點如下:


高效的學習路徑是什麼?就是資料分析的這個流程。按這樣的順序循序漸進,你會知道每個部分需要完成的標的是什麼,需要學習哪些知識點,哪些知識是暫時不必要的。


接下來我們分別從每一個部分講講具體應該學什麼、怎麼學。

– ❶ –

資料獲取:公開資料、Python爬蟲


外部資料的獲取方式主要有以下兩種。


第一種是獲取外部的公開資料集,一些科研機構、企業、政府會開放一些資料,你需要到特定的網站去下載這些資料。這些資料集通常比較完善、質量相對較高。給大家推薦一些常用的可以獲取資料集的網站:


UCI:加州大學歐文分校開放的經典資料集,被很多資料挖掘實驗室採用。

http://archive.ics.uci.edu/ml/datasets.html


國家資料:資料來源於中國國家統計局,包含了我國經濟民生等多個方面的資料。

http://data.stats.gov.cn/


CEIC:超過128個國家的經濟資料,能精確查找GDP、進出口零售,銷售等深度資料。

http://www.ceicdata.com/zh-hans


中國統計信息網:國家統計局官方網站,彙集了國民經濟和社會發展統計信息。

http://www.tjcn.org/


優易資料:由國家信息中心發起,國內領先的資料交易平臺,很多免費資料。

http://www.youedata.com/



另一種獲取外部資料的方式就是爬蟲。


比如你可以通過爬蟲獲取招聘網站某一職位的招聘信息,爬取租房網站上某城市的租房信息,爬取豆瓣評分評分最高的電影串列,獲取知乎點贊排行、網易雲音樂評論排行串列。基於互聯網爬取的資料,你可以對某個行業、某種人群進行分析。


在爬蟲之前你需要先瞭解一些 Python 的基礎知識:元素(串列、字典、元組等)、變數、迴圈、函式………


以及,如何用 Python 庫(urllib、BeautifulSoup、requests、scrapy)實現網頁爬蟲。如果是初學,建議從 urllib+BeautifulSoup 開始。


常用的的電商網站、問答網站、二手交易網站、婚戀網站、招聘網站等,都可以爬到非常有價值的資料。

– ❷ –

資料存取:SQL語言


在應對萬以內的資料的時候,Excel對於一般的分析沒有問題,一旦資料量大,就會力不從心,資料庫就能夠很好地解決這個問題。而且大多數的企業,都會以SQL的形式來儲存資料,如果你是一個分析師,也至少要懂得SQL的操作,能夠查詢、提取公司的資料


SQL作為最經典的資料庫工具,為海量資料的儲存與管理提供可能,並且使資料的提取的效率大大提升。你需要掌握以下技能:


  • 提取特定情況下的資料:企業資料庫里的資料一定是大而繁複的,你需要提取你需要的那一部分。比如你可以根據你的需要提取2017年所有的銷售資料、提取今年銷量最大的50件商品的資料、提取上海、廣東地區用戶的消費資料……,SQL可以通過簡單的命令幫你完成這些工作。


  • 資料庫的增、刪、查、改:這些是資料庫最基本的操作,但只要用簡單的命令就能夠實現,所以你只需要記住命令就好。


  • 資料的分組聚合、如何建立多個表之間的聯繫:這個部分是SQL的進階操作,多個表之間的關聯,在你處理多維度、多個資料集的時候非常有用,這也讓你可以去處理更複雜的資料。


SQL這部分比較簡單,主要是掌握一些基本的陳述句。當然,還是建議你找幾個資料集來實際操作一下,哪怕是最基礎的查詢、提取等。

– ❸ –

資料預處理:Python(pandas)


很多時候我們拿到的資料是不乾凈的,資料的重覆、缺失、異常值等等,這時候就需要進行資料的清洗,把這些影響分析的資料處理好,才能獲得更加精確地分析結果。


比如銷售資料,有一些渠道的銷售是沒有及時錄入的,有一些資料是記錄重覆的。比如用戶行為資料,有很多無效的操作對分析沒有意義,就需要進行刪除。


那麼我們需要用相應的方法去處理,比如殘缺資料,我們是直接去掉這條資料,還是用臨近的值去補全,這些都是需要考慮的問題。


對於資料預處理,學會 pandas (Python包)的用法,應對一般的資料清洗就完全沒問題了。需要掌握的知識點如下:


  • 選擇:資料訪問(標簽、特定值、布爾索引等)

  • 缺失值處理:對缺失資料行進行刪除或填充

  • 重覆值處理:重覆值的判斷與刪除

  • 異常值處理:清除不必要的空格和極端、異常資料

  • 相關操作:描述性統計、Apply、直方圖等

  • 合併:符合各種邏輯關係的合併操作

  • 分組:資料劃分、分別執行函式、資料重組

  • Reshaping:快速生成資料透視表


網上有很多 pandas 的教程,主要是一些函式的應用,也都非常簡單,可查 pandas 官方文件。

– ❹ –

概率論及統計學知識


資料整體分佈是怎樣的?什麼是總體和樣本?中位數、眾數、均值、方差等基本的統計量如何應用?如何在不同的場景中做假設檢驗?資料分析方法大多源於統計學的概念,所以統計學的知識也是必不可少的。需要掌握的知識點如下:


  • 基本統計量:均值、中位數、眾數、百分位數、極值等

  • 其他描述性統計量:偏度、方差、標準差、顯著性等

  • 其他統計知識:總體和樣本、引數和統計量、ErrorBar

  • 概率分佈與假設檢驗:各種分佈、假設檢驗流程

  • 其他概率論知識:條件概率、貝葉斯等


有了統計學的基本知識,你就可以用這些統計量做基本的分析了。通過可視化的方式來描述資料的指標,其實可以得出很多結論了:比如排名前100的是哪些,平均水平是怎樣的,近幾年的變化趨勢如何……


你可以使用 Seaborn、matplotlib 等(python包)做一些可視化的分析,通過各種可視化統計圖,並得出具有指導意義的結果。

– ❺ –

Python 資料分析


如果你有一些瞭解的話,就知道目前市面上其實有很多 Python 資料分析的書籍,但每一本都很厚,學習阻力非常大。但其實真正最有用的那部分信息,只是這些書里很少的一部分。


比如掌握回歸分析的方法,通過線性回歸和邏輯回歸,其實你就可以對大多數的資料進行回歸分析,並得出相對精確地結論。這部分需要掌握的知識點如下:

  • 回歸分析:線性回歸、邏輯回歸

  • 基本的分類演算法:決策樹、隨機森林……

  • 基本的聚類演算法:k-means……

  • 特征工程基礎:如何用特征選擇優化模型

  • 調參方法:如何調節引數優化模型

  • Python 資料分析包:scipy、numpy、scikit-learn等


在資料分析的這個階段,重點瞭解回歸分析的方法,大多數的問題可以得以解決,利用描述性的統計分析和回歸分析,你完全可以得到一個不錯的分析結論。


然後你會知道面對不同型別的問題的時候更適合用哪種演算法模型,對於模型的優化,你需要去學習如何通過特征提取、引數調節來提升預測的精度。這就有點資料挖掘和機器學習的味道了,其實一個好的資料分析師,應該算是一個初級的資料挖掘工程師了。


你可以通過 Python 中的 scikit-learn 庫來實現資料分析、資料挖掘建模和分析的全過程。

– ❻ –

系統實戰與資料思維


到這個時候,你就已經具備了資料分析的基本能力了。但是還要根據不同的案例、不同的業務場景進行實戰,練習解決實際問題的能力。


上面提到的公開資料集,可以找一些自己感興趣的方向的資料,嘗試從不同的角度來分析,看看能夠得到哪些有價值的結論。


你也可以從生活、工作中去發現一些可用於分析的問題,比如上面說到的電商、招聘、社交等平臺等資料中都有著很多可以挖掘的問題。


開始的時候,你可能考慮的問題不是很周全,但隨著你經驗的積累,慢慢就會找到分析的方向,有哪些一般分析的維度,比如Top榜單、平均水平、區域分佈、同比環比、相關性分析、未來趨勢預測等等。隨著經驗的增加,你會有一些自己對於資料的感覺,這就是我們通常說的資料思維了。

零基礎學習資料分析,坑確實比較多,總結如下:

  • 1.環境配置,工具安裝、環境變數,對小白太不友好;

  • 2.缺少合理的學習路徑,上來 Python、HTML 各種學,極其容易放棄;

  • 3.Python有很多包、框架可以選擇,不知道哪個更友好;

  • 4.遇到問題找不到解決辦法,學習停滯不前;

  • 5.網上的資料非常零散,而且對小白不友好,很多看起來雲里霧裡;

  • 6.懂得技巧,但面對具體問題無法系統思考和分析;

  • ……………………


正好,DC學院推出的這門系統的資料分析課程,就是按照以上的學習路徑。是無數分析師的爬坑經驗、以及無數本書的總結,讓你少走彎路。60天,足夠打敗市面上多半所謂的分析師。



這門課已經開課一個月,已經有2000+同學加入。不少同學都取得了從0到1的進步,能夠分析大規模資料,完成可視化和趨勢預測。下麵是幾位同學的作業合集分享



Python中通過RF預測紅酒質量

@Echo

從UCI上獲取到了一份winequality的資料來作為小練習的資料源,想通過紅酒的特征來預測紅酒的質量。最後通過隨機森林和集成學習的方法,將預測的正確率提升到了90%。


1、首先先進行資料的匯入,探索與預處理:

觀察到表有問題,實際上這個csv檔案通過分號分割,所以匯入時需要添加:sep=’;’,即可正常讀取資料。


2、處理資料是否分佈平衡

顯然quality為5的資料樣本有太多,而quality為3的資料樣本又太少,這時候可以考慮過採樣,imbalanced-learn可以進行處理。

先用LR回歸嘗試一下,這裡也權當複習,先可以嘗試把所有特征都用上,利用交叉檢驗,看看預測結果如何:


輸出結果為0.57可以看到如果直接在原始不平衡資料上把所有特征都用上,使用LR回歸幾乎對預測這個多分類的quality沒有什麼幫助,後來再過採樣後的資料上也用了LR回歸同樣準確率很不理想。

以為可能是由於特征的多重共線性導致的,所以有差看一下所有使用的特征的相關性,這個可以利用seaborn快速可視化的實現這一效果,代碼如下:

顯示如下:可以看到多數變數之間實際上相關係數都在0.4以下,不存在高度相關。

隨機森林就是通過集成學習的思想將多棵樹集成的一種演算法,它的基本單元是決策樹,而它的本質屬於機器學習的一大分支——集成學習(Ensemble Learning)方法。



得到結果是86%,大大超過了Logistics回歸的準確率,這種交叉檢驗的方法是訓練集是所有樣本都使用了。


使用predict()函式得到上一節訓練的隨機森林模型在測試集合上的預測結果,然後使用 sklearn.metrics中的相關函式對模型的性能進行評估。


得到的結果如下:

precision recall f1-score support

3 0.99 1.00 0.99 142
4 1.00 1.00 1.00 129
5 0.80 0.81 0.80 150
6 0.77 0.66 0.71 146
7 0.87 0.98 0.92 125
8 0.99 1.00 1.00 126
avg / total 0.90 0.90 0.90 818
[[142 0 0 0 0 0]
[ 0 129 0 0 0 0]
[ 2 0 121 26 1 0]
[ 0 0 31 96 18 1]
[ 0 0 0 2 123 0]
[ 0 0 0 0 0 126]]

Accuracy: 0.90097799511

準確度在90%左右,由於前面在抽取訓練集和測試集時random_state設置為0,我們可以測試多次,會選取到不同的訓練集和測試集,測算多個準確度求平均值進行比較,經過測試仍然維持在90%左右。

卡片裡面內容可以滑動



爬取豆瓣TOP250電影並分析

@Linda

不知道看什麼電影時,就會習慣性的看看豆瓣,但落伍的我直到最近才發現還有個神奇的豆瓣電影Top250榜單!

那麼得出的這個排行榜和電影評分及評論人數有怎樣的關係?和上映時間關係大不大?哪種型別的電影上榜最多呢?哪些國家、導演、主演最受歡迎?片長多長時間最合適?這次通過爬取豆瓣TOP250電影解開這些秘密。

我們抓取排名、電影名、導演、主演、上映日期、製片國家/地區、型別,評分、評論數量、一句話評價以及電影鏈接,其中導演和主演分別取一位。完整代碼如下:

OK,資料抓取完畢,看一下抓取結果。先來看爬取Top250頁面的信息:

資料清洗

資料分佈在兩個檔案中,我們選取 top250_f1.csv 檔案中的 num(排名)、 title(電影名)、 init_year(上映時間)、 area(國家/地區)、 genre(型別)、 rating_num(評分)、 comment_num(評價人數),和 top250_f2.csv 檔案中的 language(語言)、 director(導演)、 cast(主演)、 movie_duration(時長)、 tags(標簽)這些列進行分析,因此只對這些列中的臟資料做清洗工作。

通過 pd.merge()函式選出的 

df_1_cut 和 df_2_cut 兩張表,取並集,鏈接鍵為num。

共250行,12列,無缺失值,num 和 comment_num 為整型,rating_num 為浮點型,其餘為 object 型別。

清洗資料格式、資料分列

粗略看一下,可以發現 genre,language,director,cast,movie_duration,tags列方括號、花括號和英文省略號等無效信息,需要去掉。對於兩側的 [‘ ‘] 或 {[‘ ‘]} 形式,可以用str分割字串。

對於 area 列,有些電影由多個國家或地區聯合製作,例如《霸王別姬》電影:“中國大陸”和“香港”之間用空格隔開,可以用str.split 函式進行分列, apply(pd.Series) 使用到的函式作用在每一行或列。


缺失值檢查

沒有缺失值。關於 area_c 、 genre_c 、 language_c 、cast_c 、 tags_c 都經過缺失值處理,也不存在缺失值。


用 describe() 函式看一下數值型資料的統計信息:



在“豆瓣電影Top250”榜單中,上映時間最早為1931年,最晚為2016年;評分最低為8.2分,最高9.6分,平均分為8.76分;評論數量最低40150條,最高861343條;電影時長最短為45分鐘,最長238分,平均時長121.61分鐘,第一四分位書為99.25分鐘,看來絕多數電影時長還是大於90分鐘的。


總排名、按評分排名、按評價數量排名Top10

上榜次數最多導演


“克裡斯托弗·諾蘭 Christopher Nolan”和“宮崎駿 Hayao Miyazaki ”上榜次數最多,同為7次。


上榜次數最多演員


上榜次數最多的演員是“張國榮 Leslie Cheung”,高達8次,這也是每年大家對他紀念的一個原因吧,這麼多經典的作品,永遠被銘記。


排名與評分的關係

排名越靠前,即num越小,分數越高,但看著有些彆扭,因為我們習慣了排名靠前的在 y 軸的上方,可以用 invert_yaxis() 函式來改變 y 軸標簽的順序。


豆瓣評分大多是集中在 8.3 – 9.2 之間,隨評分的升高,豆瓣Top250排名名次大致提前,Pearson相關係數為 -0.6951 ,呈強相關性。


排名與評論人數的關係


評價人數呈右偏分佈,隨評價人數的增多,豆瓣Top250排名名次有提前趨勢,Pearson相關係數為 -0.6623 ,呈強相關性。


排名與電影時長的關係


電影時長多數集中在 80-120 分鐘之間,與豆瓣電影Top250之間關係不大,Pearson相關係數為 -0.2420 ,為弱相關性。


排名與上映年份的關係


上映年份多數其中在1990年之後,pearson相關係數為0.0862,與豆瓣電影Top250沒有相關性。


國家/地區


上榜電影中,美國電影數量最多,中國大陸排第七位。


語言



上榜電影使用最多的語言為英語,漢語普通話排第四位。


電影型別


最多的電影型別是劇情,其次是愛情。


電影標簽

標簽比較多,用WordCloud製作詞雲:



爬網易雲音樂並分析

@檸檬不怕酸

既然老薛的歌大部分是自己作詞的,那他的歌詞和他應該有某種情感表達的聯繫吧。所以,我決定爬取網易雲音樂做一些初步的資料分析嘗試。

網易雲音樂的網頁是動態加載的,所以需要使用抓包的方式來進行爬取。

很明顯,這個鏈接直接傳回了我們所需的歌詞的內容。

主要的思路已經完成啦,接下來就是爬取薛之謙的熱門TOP50首歌曲的過程。

1. 打開網易雲音樂,進入薛之謙的歌曲串列:

可以在網址欄中看到薛之謙在網易雲歌手中的id為5781。

這個網址就是歌手作品串列所在的網址,當然,我們可以通過修改singer_id來進入不同歌手的作品串列,如下麵這樣:

url = ‘http://music.163.com/artist?id=’ + str(singer_ID)

2. 接下來就是利用爬取的歌曲id的串列,再根據歌曲網址,獲取每個歌曲的歌詞,並儲存到一個以歌手名為檔案夾,以歌曲名為名字的txt檔案中。

3. 根據得到的詞頻信息字典,套入詞雲的生成代碼中,得到詞雲圖。



如果你希望在短時間內學會Python資料分析,少走彎路

掃描下方二維碼加入課程


限額優惠 ¥499(原價¥599),限前100名


 關於學習路徑 


我們知道一般的資料分析流程是:“資料獲取資料儲存資料清洗Python資料建模與分析資料可視化與報告”,而課程正是按照實際的分析流程搭建整體框架。這條學習路線足夠清晰,沒有一上來直接灌輸大量理論,而是在實踐中學習,這就有效過濾掉了無效知識。


每學習一部分知識,能解決實際的問題。比如學習 Python 爬蟲,就能獲取相應的資料;學習 pandas,就能將獲取的資料進行清洗;學習 Seaborn,你就可以實現炫酷的可視化……即便是對於純小白來說,也沒有什麼壓力。


資料清洗-獲得乾凈資料

資料可視化-探索性資料分析


附:《資料分析師(入門)》課程大綱

60天入門資料分析師



第一章:開啟資料分析之旅 

1) 資料分析的一般流程及應用場景 

2) Python 編程環境的搭建及資料分析包的安裝 


第二章:獲取你想要的資料 

1) 獲取互聯網上的公開資料集 

2) 用網站 API 爬取網頁資料 

3) 爬蟲所需的 HTML 基礎 

4) 基於 HTML 的爬蟲,Python(Beautifulsoup)實現 

5) 網絡爬蟲高級技巧:使用代理和反爬蟲機制 

6) 應用案例:爬取豆瓣 TOP250 電影信息並儲存 


第三章:資料儲存與預處理 

1) 資料庫及 SQL 語言概述 

2) 基於 HeidiSQL 的資料庫操作 

3) 資料庫進階操作:資料過濾與分組聚合 

4) 用 Python 進行資料庫連接與資料查詢 

5) 其他型別資料庫:SQLite&MongoDB; 

6) 用 Pandas 進行資料預處理:資料清洗與可視化 


第四章:統計學基礎與 Python 資料分析 

1)探索型資料分析:繪製統計圖形展示資料分佈 

2)通過統計圖形探究資料分佈的潛在規律 

3)描述統計學:總體、樣本和誤差,基本統計量 

4)推斷統計學:概率分佈和假設檢驗 

5)在實際分析中應用不同的假設檢驗 

6)預測型資料分析:線性回歸

7)Python中進行線性回歸(scikit-learn實現)

8)   預測型資料分析:分類及邏輯回歸

9)   其它常用演算法(k近鄰、決策樹、隨機森林)

10) 預測型資料分析:聚類演算法(k均值、DBSCAN)

11) 用特征選擇方法優化模型 

12) 用 scikit-learn 實現資料挖掘建模全過程 

13) 用 rapidminer 解決商業分析關鍵問題 

14) 高級資料分析工具:機器學習、深度學習初探


第五章 報告撰寫及課程總結 

1) 養成資料分析的思維 

2) 資料分析的全流程及報告撰寫的技巧 

3) 課程回顧以及一些拓展 




 關於學習資料 


你或許受夠了零散的學習資源,不系統不清晰意味著低效;你可能收集了以G計的的學習資源,但儲存後從來沒打開過?


老實說,很少有像這門課這樣的用心的課程資料。每一小節後面都有本節的重點知識、參考代碼以及延伸學習材料,供快速複習、案例實現、深入拓展……你一定不會失望。


某節部分學習資料




 關於課程老師 


課程主講老師王樂業是港科大的博士後,在資料挖掘方面成果不俗。更重要的是,他喜歡分享,知乎粉絲不少,能把知識提煉到極致,所以課程全是乾貨,沒有廢話


周濤教授很多人比較熟悉,作為這門課的研發老師,他也將自己多年的大資料分析和挖掘的經驗、教學經驗傾註其中。所以課程不僅是知識,還有思維和學習方法,你完全可以遷移到其它層面。


【課程主講老師】



王樂業

香港科技大學博士後


王樂業,香港科技大學博士後,法國國立電信學院及巴黎六大計算機科學與技術專業博士。本科和碩士畢業於北京大學計算機科學與技 術專業。目前研究方向研究方向為城市時空資料挖掘。從事研究工作包括通過社交網絡識別個人興趣、通過移動通信網絡推理人群移動樣式、以及通過公共交通資料優化交通站點分佈等。發表論文20餘篇,其中SCI10餘篇,取用300餘次。樂業老師是一位樂於分享的學者,善於用簡單的方法解答覆雜的問題。在他看來,找到好的學習方法和路徑,其實可以少走很多彎路。


【課程研發老師】



周濤

電子科技大學教授


周濤,電子科技大學教授、大資料研究中心主任。主要從事統計物理與複雜性,資料挖掘與資料分析方面的研究。在 Physics Reports、PNAS等國際 SCI 期刊發表300餘篇學術論文,取用超過17000次,H 指數為63。2015年入選全國十大科技創新人物,超級暢銷書《大資料時代》譯者,暢銷書 《為資料而生:大資料創新實踐》作者。周濤教授參與課程的研發和課程體系的設計,以多年的教學科研和企業資料團隊管理經驗為課程的頂層設計保駕護航。




 關於學習和答疑 


課程是錄播的,所以可以根據自己的計劃,隨時學習。當然學習群也有老師隨時答疑,你的每一個問題都能被認真對待。很多時候學習效率不高,並不是因為編程多難,而是一些小問題,卡住了學習的進度。



【課程信息】


「 上課形式 」

錄播課程,可隨時開始,反覆觀看


「 學習周期 」

建議每周學習至少8小時,兩個月內完成一遍


「 學習路徑 」

資料獲取-資料預處理-資料建模與分析-可視化與報告


「 編程語言 」

人生苦短,我用Python


「 面向人群 」

零基礎的小白、負基礎的小白白


「 答疑形式 」

學習群老師隨時答疑,即便是最初級的問題


「 課程資料 」

重點筆記、操作詳解、參考代碼、課後拓展


「 課程證書 」

學完課程並達到要求,發放資料分析師結業證書




公眾號專屬優惠:¥499,限前100名

長按下方二維碼,去上課




如有任何疑問和購買問題,請加下方微信群

若群滿,加Alice小姐姐微信:datacastle2017


赞(0)

分享創造快樂