2019年12月29日
摘要：
一、openpyxl，实现随机点名 1 import openpyxl, random 2 3 def call_somebody(): 4 excel = openpyxl.load_workbook(r"./学员名单.xlsx") 5 sheet = excel.active 6 name_li 阅读全文
posted @ 2019-12-29 22:35
可西可彻
阅读(262)
推荐(0)
摘要：
1 import pygame, time, random 2 from pygame.locals import * 3 4 5 class BasePlane: 6 def __init__(self, x, y, img_path, screen): # 显示的窗口 7 self.x = x 阅读全文
posted @ 2019-12-29 22:27
可西可彻
阅读(393)
推荐(0)
摘要：
1 # 给定一个目录 2 # 列举出这个目录中的所有文件和文件夹 3 # 以及子文件夹中的所有文件 4 5 import os 6 7 def func(path, f): # 参数为给定的目录 a 8 file_list = os.listdir(path) # 获取给定目录中的所有(文件, 文件 阅读全文
posted @ 2019-12-29 22:24
可西可彻
阅读(327)
推荐(0)
摘要：
一、单例模式 单例：单个实例，确保某个类只有一个实例存在 举例：1、登录app，当前的登录对象，只能有一个 2、音乐播放器，正在播放的歌曲类而言，只能有一个实例 1 import my_util # 被导入的模块会从头到尾执行一遍 2 3 o1 = my_util.a 4 o2 = my_util. 阅读全文
posted @ 2019-12-29 22:09
可西可彻
阅读(452)
推荐(0)
摘要：
1、 重命名 1 os.rename() # 只能够更改当前文件的名字 2 os.renames() # 可以更改上层目录, 如果上层目录不存在, 就会创建 2、删除文件 1 os.remove() # 用于删除指定路径的文件，如果指定的路径是个目录，报错 3、创建目录 1 os.mkdir() # 阅读全文
posted @ 2019-12-29 21:14
可西可彻
阅读(313)
推荐(1)
摘要：
一、编码 1、ASCII ——> 美国人创造的编码方式, 包括128个字符, 编码分别为0-127, 英文常用标点符号,数字,字母 2、各个国家有了自己的编码 问题: 在中国编码的文件 ——> U盘——> 日本(有自己的编码方式) ——> 乱码 3、unnicode 万国码，统一收纳了基本上全世界所 阅读全文
posted @ 2019-12-29 21:08
可西可彻
阅读(345)
推荐(1)
摘要：
1 # 1、导包 2 import paddle.fluid as fluid 3 import paddle 4 import time 5 6 start = time.time() 7 8 9 def test_program(exe, feeder, program, fetch_list, 阅读全文
posted @ 2019-12-29 20:25
可西可彻
阅读(1286)
推荐(1)
摘要：
1 # 1、导包 2 import paddle.fluid as fluid 3 import paddle 4 import time 5 6 start = time.time() 7 8 9 def test_program(exe, feeder, program, fetch_list, 阅读全文
posted @ 2019-12-29 20:24
可西可彻
阅读(874)
推荐(1)
摘要：
1 # 1、导入包 2 import paddle.fluid as fluid 3 import paddle 4 5 # 2、数据预处理 6 # 调整图片大小等 跟框架本身没有关系 7 8 # 3、构造reader 本质：读取数据 9 # （1）reader 获取一个样本数据 10 # 返回nd 阅读全文
posted @ 2019-12-29 20:23
可西可彻
阅读(618)
推荐(1)
摘要：
1 import tensorflow as tf 2 3 # 张量 数据流图中的线 数据传递 本质：多维数组 4 5 # 两个属性 6 # dtype 数据类型 7 # 将numpy里面的np.数据类型 变成了tf.数据类型 8 # 可以在创建张量的时候去指定dtype 参数来指定tensor的数 阅读全文
posted @ 2019-12-29 20:22
可西可彻
阅读(319)
推荐(1)
摘要：
1 import tensorflow as tf 2 3 # 构建图 4 # 图结构 包含至少一组op与tensor的结构 5 con_a = tf.constant(3) 6 con_b = tf.constant(4) 7 8 con_sum = tf.add(con_a, con_b) 9 阅读全文
posted @ 2019-12-29 20:21
可西可彻
阅读(374)
推荐(1)
摘要：
1 import tensorflow as tf 2 3 # 创建一个变量--变量op 4 # 可以使用随机张量来初始化这个变量 5 # var1 = tf.Variable( 6 # initial_value=tf.random_normal( 7 # shape=[2, 2], 8 # me 阅读全文
posted @ 2019-12-29 20:20
可西可彻
阅读(439)
推荐(1)
摘要：
1 # 1、加载数据 特征值与目标值 2 # 2、随机初始化权重与偏置 变量op 3 # 3、预测 >矩阵相乘 4 # 4、预测值与真实值 损失--均方误差损失 5 # 5、构建优化算法进行优化损失 设置学习率 6 # 6、不断优化op 7 import tensorflow as tf 8 9 1 阅读全文
posted @ 2019-12-29 20:19
可西可彻
阅读(292)
推荐(1)
摘要：
1 # 会话 执行op的类 2 # 本质：连接前台程序与底层C++代码的纽带 3 # 两种形式 4 # tf.Session() ：用于完整的程序中 5 # tf.InteractiveSession() ：应用于交互环境 6 7 # 会话使用--完整流程 8 # 1、会话初始化 9 # __ini 阅读全文
posted @ 2019-12-29 20:18
可西可彻
阅读(222)
推荐(1)
摘要：
1 import tensorflow as tf 2 3 # op 指令 4 # op指令 5 # 返回tensor 里面包含的op名称为op指令空间内的名称 6 # 名称不允许重复，如果重复，+_i来加以区别 7 # 可以通过构建op的时候，来指定name参数来修改op在指令空间内的名称 8 9 阅读全文
posted @ 2019-12-29 20:17
可西可彻
阅读(265)
推荐(1)
摘要：
1 # 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。 2 import numpy as np 3 from sklearn.linear_model import LinearRegression 4 5 6 # 在这个方法中编写任何的初始化逻辑。co 阅读全文
posted @ 2019-12-29 20:16
可西可彻
阅读(558)
推荐(1)
摘要：
1 import pandas as pd 2 from sklearn.decomposition import PCA 3 4 # 以detail 为例实现数据降维 5 # 加载数据 6 7 detail = pd.read_excel("../day05/meal_order_detail.x 阅读全文
posted @ 2019-12-29 20:14
可西可彻
阅读(177)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 from sklearn.preprocessing import StandardScaler # 标准化 4 from sklearn.model_selection import train_test_s 阅读全文
posted @ 2019-12-29 20:12
可西可彻
阅读(1769)
推荐(1)
摘要：
1 import pandas as pd 2 from sklearn.datasets import load_boston # 波士顿房价数据 3 from sklearn.model_selection import train_test_split # 拆分数据集 4 from sklea 阅读全文
posted @ 2019-12-29 20:07
可西可彻
阅读(3999)
推荐(1)
摘要：
1 from wordcloud import WordCloud,ImageColorGenerator 2 import matplotlib.pyplot as plt 3 import jieba 4 from PIL import Image 5 import numpy as np 6 阅读全文
posted @ 2019-12-29 20:05
可西可彻
阅读(569)
推荐(1)
摘要：
1 import pandas as pd 2 from sklearn.feature_extraction.text import CountVectorizer 3 import jieba 4 import numpy as np 5 from sklearn.naive_bayes imp 阅读全文
posted @ 2019-12-29 20:04
可西可彻
阅读(694)
推荐(1)
摘要：
1 from sklearn.feature_extraction.text import CountVectorizer 2 from sklearn.feature_extraction.text import TfidfVectorizer 3 import jieba 4 5 content 阅读全文
posted @ 2019-12-29 20:03
可西可彻
阅读(232)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 import matplotlib.pyplot as plt 4 import os 5 from sklearn.neighbors import KNeighborsClassifier # knn分类 阅读全文
posted @ 2019-12-29 20:01
可西可彻
阅读(736)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 import matplotlib.pyplot as plt 4 from sklearn.cluster import KMeans 5 6 7 def build_data(): 8 """ 9 构建数据 阅读全文
posted @ 2019-12-29 19:59
可西可彻
阅读(1145)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 import matplotlib.pyplot as plt 4 import os 5 from sklearn.neighbors import KNeighborsClassifier # knn分类 阅读全文
posted @ 2019-12-29 19:58
可西可彻
阅读(538)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 4 5 def build_data(): 6 """ 7 加载数据 8 :return: 9 """ 10 # 1、加载数据 11 data = pd.read_excel("./电影分类数据.xlsx") 阅读全文
posted @ 2019-12-29 19:57
可西可彻
阅读(207)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 from sklearn.cluster import KMeans 4 import matplotlib.pyplot as plt 5 6 7 def stand_sca(data): 8 """ 9 标 阅读全文
posted @ 2019-12-29 19:55
可西可彻
阅读(1112)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 import matplotlib.pyplot as plt 4 from sklearn.cluster import KMeans # 导入k-means 5 6 7 def build_data(): 阅读全文
posted @ 2019-12-29 19:51
可西可彻
阅读(217)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 4 # 加载数据 5 detail = pd.read_excel("../day05/meal_order_detail.xlsx") 6 # print("detail ：", detail) 7 prin 阅读全文
posted @ 2019-12-29 19:50
可西可彻
阅读(927)
推荐(1)
摘要：
1 import pandas as pd 2 3 # 加载数据 4 data_1 = pd.read_excel("./填充数据.xlsx", sheetname=0) 5 data_2 = pd.read_excel("./填充数据.xlsx", sheetname=1) 6 7 print(" 阅读全文
posted @ 2019-12-29 19:48
可西可彻
阅读(174)
推荐(1)
摘要：
1 import pandas as pd 2 3 detail = pd.read_excel("../day05/meal_order_detail.xlsx") 4 # print("detail: \n", detail) 5 print("detail的列名称: \n", detail.c 阅读全文
posted @ 2019-12-29 19:46
可西可彻
阅读(698)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 4 # 加载数据 5 data = pd.read_excel("../day07/qs.xlsx") 6 # print("data: \n", data) 7 print("data的列索引: \n", d 阅读全文
posted @ 2019-12-29 19:44
可西可彻
阅读(1620)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 4 # 加载数据——detail 5 detail_1 = pd.read_excel("./meal_order_detail.xlsx", sheetname=0) 6 detail_2 = pd.read 阅读全文
posted @ 2019-12-29 19:41
可西可彻
阅读(570)
推荐(1)
摘要：
1 from scipy.interpolate import lagrange 2 import pandas as pd 3 import numpy as np 4 5 # 加载数据 6 data = pd.read_excel("./qs.xlsx") 7 # print("data: \n 阅读全文
posted @ 2019-12-29 19:40
可西可彻
阅读(772)
推荐(1)
摘要：
1 import pandas as pd 2 3 # 异常值 ——远离正常值范围的错误值 4 # 异常值 ——删掉 5 6 # 异常值判断 ——3σ 箱线图分析 7 8 # 3σ 接住标准正态部分得到的规律——99.73%都在(μ-3α,μ+3α)之间，超过这个范围的数据认为是异常的 9 10 d 阅读全文
posted @ 2019-12-29 19:39
可西可彻
阅读(4666)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 4 5 # 标准化 去除量级的影响 6 7 # 3种方式 8 # （1）离差标准化 9 # 将数据做线性变化，将数据映射到【0,1】范围内， 10 # x = (x - min) / (max - min) 1 阅读全文
posted @ 2019-12-29 19:37
可西可彻
阅读(5317)
推荐(2)
摘要：
1 import pandas as pd 2 3 # 加载数据 4 data = pd.read_csv("./order.csv", encoding="ansi") 5 # print("data: \n", data) 6 print("data的列索引: \n", data.columns 阅读全文
posted @ 2019-12-29 19:33
可西可彻
阅读(965)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 4 # 计算每日营业额 加载数据 5 detail = pd.read_excel("./meal_order_detail.xlsx") 6 print("detail: \n", detail) 7 pri 阅读全文
posted @ 2019-12-29 19:32
可西可彻
阅读(996)
推荐(1)
摘要：
1 import pandas as pd 2 3 # 加载数据 4 detail = pd.read_excel("./meal_order_detail.xlsx") 5 print("detail: \n", detail) 6 print("detail的列名称: \n", detail.c 阅读全文
posted @ 2019-12-29 19:30
可西可彻
阅读(992)
推荐(1)
摘要：
1 import pandas as pd 2 import numpy as np 3 4 # 加载数据 5 detail = pd.read_excel("../day05/meal_order_detail.xlsx") 6 print("detail: \n", detail) 7 prin 阅读全文
posted @ 2019-12-29 19:29
可西可彻
阅读(324)
推荐(1)
摘要：
一、交叉表 1 import pandas as pd 2 import numpy as np 3 4 # 加载数据 5 detail = pd.read_excel("../day05/meal_order_detail.xlsx") 6 # print("detail: \n", detail 阅读全文
posted @ 2019-12-29 19:27
可西可彻
阅读(422)
推荐(1)
摘要：
1 import pandas as pd 2 """ 3 pandas默认支持的时间点类型——Timestamp 4 pandas默认支持的时间序列类型——DatetimeIndex 5 numpy默认支持的时间点数据类型——datetime64 6 """ 7 8 # 可以使用pd.to_dat 阅读全文
posted @ 2019-12-29 19:25
可西可彻
阅读(322)
推荐(1)
摘要：
1 import pandas as pd 2 3 # 加载数据 4 data_1 = pd.read_excel("./concat合并数据.xlsx", sheetname=0) 5 data_2 = pd.read_excel("./concat合并数据.xlsx", sheetname=1) 阅读全文
posted @ 2019-12-29 19:24
可西可彻
阅读(269)
推荐(1)
摘要：
1 import numpy as np 2 import pandas as pd 3 4 """ 5 numpy --科学计算库 6 核心 ndarray 7 本质： 存储单一数据类型的 内存连续的 N维数组 8 C F 风格存储 9 10 matplotlib 数据可视化的库 11 能绘制2- 阅读全文
posted @ 2019-12-29 19:22
可西可彻
阅读(191)
推荐(1)
摘要：
1 # 在numpy 里面有统计分析， 对数值型数据进行统计指标 2 # np.max np.min np.mean np.std‘ 3 4 import pandas as pd 5 import numpy as np 6 7 # 1、加载数据 8 detail = pd.read_excel( 阅读全文
posted @ 2019-12-29 19:17
可西可彻
阅读(410)
推荐(1)
摘要：
1 import pandas as pd 2 3 # 文本数据 人能够识别的有序的文件 4 # csv 文件 以逗号分隔的，文本文件 5 # pd.read_csv() 6 # filepath_or_buffer 文件路径 + 名称 7 # sep delimiter 都是分隔符 8 # hea 阅读全文
posted @ 2019-12-29 19:16
可西可彻
阅读(539)
推荐(1)
摘要：
1 import pandas as pd 2 3 # 创建一个df 4 df = pd.DataFrame( 5 data={ 6 "name": ["zs", "ls", "ww", "zl"], 7 "age": [18, 19, 29, 11], 8 "score": [92.5, 93, 阅读全文
posted @ 2019-12-29 19:14
可西可彻
阅读(408)
推荐(1)
摘要：
一、dataframe的增加操作 1 import pandas as pd 2 3 # 加载数据 4 users = pd.read_excel("./users.xlsx") 5 print("users:\n", users) 6 print("users 的类型：\n", type(user 阅读全文
posted @ 2019-12-29 19:09
可西可彻
阅读(527)
推荐(1)
摘要：
1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 5 def show_data(columns, values): 6 """ 7 绘图展示 8 :param columns: 名称 9 :param values: 真实数据 1 阅读全文
posted @ 2019-12-29 19:07
可西可彻
阅读(679)
推荐(1)
摘要：
1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 def draw_data(n, a, b, d, values, fig, plt, t, l, cl): 5 fig.add_subplot(2, 2, n) 6 x = val 阅读全文
posted @ 2019-12-29 19:03
可西可彻
阅读(1335)
推荐(1)
摘要：
1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 5 # 构建数据 6 def build_data(): 7 res = np.load("./国民经济核算季度数据.npz", allow_pickle=True) 8 colum 阅读全文
posted @ 2019-12-29 19:01
可西可彻
阅读(656)
推荐(1)
摘要：
1 # 某公司 员工的薪资水平 在[3500,35000] 之间，而且公司共有55个人 2 # 让大家 自己自定分组，来查看大部分员工的薪水水平，来给公司做薪水指导。 3 import matplotlib.pyplot as plt 4 import numpy as np 5 6 plt.fig 阅读全文
posted @ 2019-12-29 18:59
可西可彻
阅读(1397)
推荐(1)
摘要：
1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 def draw_data(n, a, b, c, d, values, fig, plt, t, xl, ticks): 5 fig.add_subplot(2, 2, n) 6 阅读全文
posted @ 2019-12-29 18:56
可西可彻
阅读(956)
推荐(1)
摘要：
1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 def draw_data(n, a, b, l, values, fig, plt): 5 fig.add_subplot(2, 1, n) 6 x = values[:, 0] 阅读全文
posted @ 2019-12-29 18:51
可西可彻
阅读(512)
推荐(1)
摘要：
1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 # 加载数据 5 res = np.load("./国民经济核算季度数据.npz", allow_pickle=True) 6 7 columns = res["columns"] 阅读全文
posted @ 2019-12-29 18:49
可西可彻
阅读(1225)
推荐(1)
摘要：
1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 # 加载数据 5 res = np.load("./国民经济核算季度数据.npz", allow_pickle=True) 6 # for tmp in res: 7 # print 阅读全文
posted @ 2019-12-29 18:45
可西可彻
阅读(1671)
推荐(1)
摘要：
1 import numpy as np 2 3 # 文本文件——>二进制文件 4 # 创建一个数组 5 arr = np.arange(16).reshape((4, 4)) 6 7 # 保存单个数组到二进制文件中 8 # 参数1 文件路径+名称，名称后缀名可以省略，保存的是以.npy为结尾的文件 阅读全文
posted @ 2019-12-29 17:20
可西可彻
阅读(428)
推荐(1)
摘要：
1 import numpy as np 2 3 # 创建一个数组 4 arr = np.array([[1, 2],[3, 4]]) 5 print("arr: \n", arr) 6 7 # 对数组进行统计分析 8 # sum mean std var min max argmin argmax 阅读全文
posted @ 2019-12-29 17:17
可西可彻
阅读(326)
推荐(1)
摘要：
1 import numpy as np 2 3 # 创建一个数组 4 arr = np.array([1, 2, 3, 3, 2, 1, 1, 2, 3, 4, 5, 6, 6, 5, 4]) 5 arr = np.array(["h", "j", "k", "x", "h", "k", "j", 阅读全文
posted @ 2019-12-29 17:11
可西可彻
阅读(285)
推荐(1)
摘要：
1 import numpy as np 2 3 # 创建数组 4 arr = np.array([[8, 1, 9], [7, 6, 5]]) 5 print("arr: \n", arr) 6 7 # sort()直接排序 8 # 在列的方向上排序 9 arr.sort(axis=-1) 10 阅读全文
posted @ 2019-12-29 17:09
可西可彻
阅读(270)
推荐(1)
摘要：
1 import numpy as np 2 3 arr1 = np.array([[0, 1], [1, 2]]) # shape(2, 2) 4 arr2 = np.array([1, 1]) # shape(2, )——>(1, 2)——>[[1, 1]] 5 print("arr1: \n" 阅读全文
posted @ 2019-12-29 17:08
可西可彻
阅读(255)
推荐(1)
摘要：
1 import numpy as np 2 3 # 数组的全通用函数，要求数组的形状必须相同——同型数组 4 # 创建数组 5 arr1 = np.array([[0, 1], [2, 3]]) 6 arr2 = np.array([[1, 2], [3, 4]]) 7 print("arr1: 阅读全文
posted @ 2019-12-29 17:05
可西可彻
阅读(189)
推荐(1)
摘要：
1 import numpy as np 2 3 # 创建一个数组 4 arr = np.arange(16) 5 print("arr:\n", arr) 6 print("arr的形状:", arr.shape) 7 8 # 创建数组的时候不一定能指定其形状 9 # 创建好之后，可以进行形状的修 阅读全文
posted @ 2019-12-29 17:00
可西可彻
阅读(356)
推荐(1)
摘要：
1 import numpy as np 2 3 # 创建一个一位数组 4 arr = np.arange(9) 5 print("arr:\n", arr) 6 # 可以通过下标来获取指定元素 7 print("获取元素", arr[3]) # 降低维度 8 print("获取元素", arr[7 阅读全文
posted @ 2019-12-29 16:59
可西可彻
阅读(300)
推荐(1)
摘要：
一、数组的组合 1 import numpy as np 2 3 # 创建数组 4 arr1 = np.arange(9).reshape((3, 3)) 5 arr2 = np.array([[0, 1, 0],[1, 0, 1],[2, 1, 0]]) 6 print("arr1:\n", ar 阅读全文
posted @ 2019-12-29 16:58
可西可彻
阅读(345)
推荐(0)
摘要：
1 import numpy as np 2 3 # 创建一个数组 4 arr = np.arange(0, 6, 1, dtype=np.int64) 5 arr = np.arange(0, 6, 1, dtype=np.float64) # [0. 1. 2. 3. 4. 5.] 6 # ar 阅读全文
posted @ 2019-12-29 16:57
可西可彻
阅读(412)
推荐(0)
摘要：
1 import numpy as np 2 import random 3 4 arr = np.array([1,2,3,4]) 5 print('arr:\n', arr) 6 print('arr的类型:\n', type(arr)) 7 8 # 用arange来创建数组 9 arr = n 阅读全文
posted @ 2019-12-29 16:56
可西可彻
阅读(354)
推荐(0)
摘要：
1 import numpy as np 2 3 # 创建矩阵 4 m1 = np.mat([[1, 2], [1, 2]]) 5 print("m1:\n", m1) 6 print("m1的类型:\n", type(m1)) 7 8 # 矩阵与数的相乘 9 m2 = 2 * m1 10 prin 阅读全文
posted @ 2019-12-29 16:54
可西可彻
阅读(349)
推荐(0)
摘要：
1 import numpy as np 2 3 # 矩阵是二维的 4 # 使用mat == asmatrix 来创建矩阵 5 # 6 # # 使用mat 将字符串转化为矩阵 7 m1 = np.mat("1 2 3;4 5 6;7 8 9") 8 # np.asmatrix() 等同于 np.ma 阅读全文
posted @ 2019-12-29 16:53
可西可彻
阅读(416)
推荐(0)
摘要：
一、闭包 1、外层函数嵌套内层函数，在内层函数中使用外层函数的局部变量 2、局部变量和内层函数统称为闭包 3、内层函数为闭包函数 闭包函数访问外层函数的局部变量时，访问的总是该变量的最新值 1 def outer(): 2 x = 10 # 外层函数的局部变量 3 def inner(): 4 no 阅读全文
posted @ 2019-12-29 14:19
可西可彻
阅读(162)
推荐(0)
摘要：
一、生成器：generator 按照规则去生成一定的数据 1、列表推导式和生成器的区别 列表推导式: 一次性生成所有满足条件的数据 生成器: 你要一个数据, 我生成出来给你一个 2、生成器表达式 生成器对象 = (表达式 for item in 容器) 生成器对象 = (表达式 for item i 阅读全文
posted @ 2019-12-29 13:40
可西可彻
阅读(222)
推荐(0)
|
|
|
浙公网安备 33010602011771号