AI 助理
备案控制台
开发者社区 阿里云MVP 文章 正文

工业蒸汽量预测比赛全流程解析（附详细Python代码）

2021-07-05 3198
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
本文涉及的产品
公共DNS（含HTTPDNS解析），每月1000万次HTTP解析
云原生网关 MSE Higress，422元/月
注册配置 MSE Nacos/ZooKeeper，118元/月
简介： 本文所采用的数据集来自于阿里云天池比赛，描述了整个数据挖掘的过程及详细代码，共尝试了5套机器学习算法

采用的数据集情况

本文所采用的数据集来自于阿里云天池比赛，比赛的链接地址为：阿里云天池工业蒸汽量预测比赛链接
其中所下载的数据集包括两个txt文件：zhengqi_train.txt（训练集）和zhengqi_test.txt（测试集）

数据导入

因本文的主要目的是以介绍整个挖掘流程为主，因此采用根据需要逐步导入所需要的库的形式，以下先导入numpy和pandas两个库。

import numpy as np
import pandas as pd

使用pandas导入已经预先下载并存放在本地的训练集和测试集，结合本次的数据集为txt文件，并且数据之间的分隔符为'\t'，因此导入文件的代码如下:

df_train=pd.read_csv(r'D:\zhengqi\zhengqi_train.txt',sep='\t')
df_test=pd.read_csv(r'D:\zhengqi\zhengqi_test.txt',sep='\t')

数据概览

使用head查看训练集和测试集前5条数据的情况：

df_train.head()

image.png

从图中可以看到，训练集总共有39列，其中包括V0至V37共38个特征，target为本次的预测标签值。

df_test.head()

image.png

测试集总共有38列，其中包括V0至V37共38个特征，没有target，本次的预测就是需要根据训练完成的模型，提交测试集的target值。

使用info查看训练集和测试集的整体情况如下：

df_train.info()

image.png


image.png


可以看到，训练集的数据总数为2888条，因为Python默认的index排序是从0开始，所以index显示为0至2887条。non-null代表数据中没有缺失值，因此不需要对于数据进行缺失值填充；float64（39）代表39列数据全部为浮点形式数值数据，不需要进行格式上的转换。 

df_test.info()

image.png


image.png


测试集的数据总数为1925条，index序号为0至1924条。测试集中的数据同样没有缺失值；float64（38）代表38列数据全部为浮点形式数值数据，不需要进行格式上的转换。因此，训练集数据的总体情况和测试集数据是一致的。

特征工程

加载接下去要使用的两个库，matplotlib和seaborn都是Python中常用的可视化工具库。

import matplotlib.pyplot as plt
import seaborn as sns

用以下代码提取出训练集中所有的特征标签，方便之后使用：

#提取df_train中的特征标签，并将起转换成列表形式
feature_list=list(df_train.columns)
#为方便之后使用，去掉列表中被一并提取出来的target标签，确保仅留特征标签
feature_list.remove('target')
#显示特征标签列表
feature_list

feature_list即特征标签列表如下：

['V0','V1','V2','V3','V4','V5','V6','V7','V8','V9','V10','V11','V12','V13','V14','V15','V16','V17', 'V18', 'V19', 'V20', 'V21', 'V22', 'V23', 'V24','V25', 'V26', 'V27', 'V28', 'V29', 'V30', 'V31',
'V32', 'V33', 'V34', 'V35', 'V36', 'V37']

数据分布情况核实

首先需要核实的是训练集的各特征数据分布情况是否和测试集一致，当两者出现较大差异时，将会导致模型失效的情况，可视化对比过程如以下代码所示：

#对于特征标签列表feature_list中的特征标签进行操作，逐个绘制单变量数据
分布图，训练集和测试集的相同特征分布情况绘制在同一张图上以方便比对
for i in feature_list:
    sns.distplot(df_train[{i}])
    sns.distplot(df_test[{i}])
    plt.title(i)
    plt.show()

对于特征数较多的数据集，采用subplot方式绘制各类图是更好的选择，本文因为特征数并不算太多，为了更清晰的进行可视化展现，采用了一个for循环进行逐幅绘制的方式。

从V0到V37，总共生成了38幅单变量数据分布图，其中蓝色的是某特征训练集的数据分布情况，黄色的是测试集的数据分布情况。根据这38幅图，可以判断训练集和测试集各个特征的数据分布是否一致。以下选取典型的4幅作说明：

image.png


训练集和测试集的V0特征数据分布一致


image.png


训练集和测试集的V1特征数据分布一致


image.png


训练集和测试集的V5特征数据分布不一致


image.png


训练集和测试集的V17特征数据分布不一致


理想状态下，针对同一特征，训练集的数据分布曲线应该和测试集的数据分布曲线完全一致，但是这在实际过程中并不多见。如V0和V1两个特征的分布图可以发现，虽然训练集和测试集的数据分布情况略有差异，但仍然可以认为是分布情况一致的。而V5和V17特征图清晰的反映了数据分布不一致的情况。

同时在训练集和测试集中将数据分布不一致的特征去除，代码如下：

df_train=df_train[['V0','V1','V3','V4','V8','V10','V12','V15','V16','V18','V24','V25','V26','V28','V29','V30','V31','V32','V33','V34','V36','target']]
df_test=df_test[['V0','V1','V3','V4','V8','V10','V12','V15','V16','V18','V24','V25','V26','V28','V29','V30','V31','V32','V33','V34','V36']]

因为训练集和测试集的特征经过了筛选都发生了变化，为了方便之后的操作，重新提取出训练集中所有的特征标签，更新特征标签列表feature_list：

#提取df_train中的特征标签，并将起转换成列表形式
feature_list=list(df_train.columns)
#为方便之后使用，去掉列表中被一并提取出来的target标签，确保仅留特征标签
feature_list.remove('target')
#显示特征标签列表
feature_list

更新后的特征标签列表feature_list如下：

['V0','V1','V3','V4','V8','V10','V12','V15','V16','V18','V24','V25','V26','V28','V29','V30','V31','V32','V33','V34','V36']

相关性分析

对于训练集进行相关性分析，所采用的方法为计算皮尔逊相关系数，Python中可以直接在数据集上采用corr的方法，默认的相关系数计算方式就是皮尔逊相关系数。

df_train.corr()

image.png


本文的案例我们只分析各特征标签与预测标签（target）之间的相关性，查看上表的最后一列相关系数计算结果，相关系数的绝对值大于0.5的为强相关性，小于0.5的为弱相关性，0附近的为没有相关性，系数为正代表正相关，系数为负代表负相关。

以可视化方法绘制特征标签与预测标签（target）的散点图，与相关系数的计算结果进行相互校对：

for i in feture_list:
    sns.scatterplot(df_train[f'{i}'],df_train['target'])
    plt.show()

在生成的所有散点图中挑选几幅典型的图来说明不同的相关系数下，散点图的大致形状：

image.png


相关系数0.87，强相关性


image.png


相关系数0.87，强相关性


image.png


相关系数0.6，强相关性


image.png


相关系数0.15，无相关性


image.png


相关系数0.17，无相关性


以0.5为界限，同时在训练集和测试集中去除相关系数绝对值低于0.5的特征，确保被输入模型进行训练的特征与预测目标值有较强的相关性。 

df_train=df_train[['V0','V1','V3','V4','V8','V12','V16','V31','target']]
df_test=df_test[['V0','V1','V3','V4','V8','V12','V16','V31']]

因训练集和测试集的特征再次经过筛选，因此再次更新特征标签列表feature_list：

#提取df_train中的特征标签，并将起转换成列表形式
feature_list=list(df_train.columns)
#为方便之后使用，去掉列表中被一并提取出来的target标签，确保仅留特征标签
feature_list.remove('target')
#显示特征标签列表
feature_list

更新后的特征标签列表feature_list如下：

['V0','V1','V3','V4','V8','V12','V16','V31']

正态分布检验

对于完成进一步筛选的数据集做正态分布检验，以确定是否需要进一步将数据尽可能转换成正态分布的形式，本文同样同时采用指标计算的方法和可视化的方法来同时进行正态分布检验。

导入正态分布检验所需要用到的库：

from scipy import stats

首先检验各个特征中数据的偏度，偏度定义中包括正态分布（偏度=0），右偏分布（也叫正偏分布，其偏度>0），左偏分布（也叫负偏分布，其偏度<0）。

for i in feture_list:
    skew = stats.skew(df_train[f'{i}'])
    print(f'the skew value of feture {i} is {skew}')

image.png


根据偏度的检验结果，各个特征的数据都为左偏，但是总体都满足正态分布。之后检验各个特征中数据的峰度。若峰度≈0，分布的峰态服从正态分布；若峰度>0，分布的峰态陡峭（高尖）；若峰度<0，分布的峰态平缓（矮胖）。 

for i in feture_list:
    kurtosis = stats.kurtosis(df_train[f'{i}'])
    print(f'the kurtosis value of feture {i} is {kurtosis}')

image.png


根据偏度的检验结果，各特征的数据总体都满足正态分布。采用可视化的方法对于指标的计算结果进行确认，结果如下：

image.png


左偏，基本满足正态分布


image.png


左偏，基本满足正态分布


image.png


峰度偏矮，基本满足正态分布


image.png


左偏，基本满足正态分布


image.png


左偏，基本满足正态分布


image.png


左偏，基本满足正态分布


image.png


左偏，基本满足正态分布


image.png


左偏，基本满足正态分布


可视化的检验结果与指标检验结果一致，因此正态分布检验的结论为：各特征数据基本符合正态分布，本文后续不对数据进行正态分布转换处理。

数据集拆分

因为本文的数据来自比赛，因此测试集单独提供，测试集的预测结果作为比赛的评定指标。对于训练集进一步拆分出交叉验证集以判断模型的预测效果，同时确保交叉验证集的数据与训练集数据完全独立：

from sklearn.model_selection import train_test_split
df_train_value, df_vali_value, df_train_target, df_vali_target=train_test_split(df_train_value, df_train_target, test_size=0.25,random_state=1)

拆分完的数据集如下所示：

df_train_value：训练集特征数据集（总数据的75%）

df_train_target：训练集的预测目标数据（总数据的75%）

df_vali_value：交叉验证集特征数据集（总数据的25%）

df_vali_target：交叉验证集的预测目标数据（总数据的25%）

模型训练及检验

对于df_train_value，df_train_target，df_vali_value，df_vali_target的index进行重置，确保所有数据都从第0条开始排序：

df_train_value=df_train_value.reset_index(drop=True)
df_vali_value=df_vali_value.reset_index(drop=True)
df_train_target=df_train_target.reset_index(drop=True)
df_vali_target=df_vali_target.reset_index(drop=True)

对重置完成的各个数据集，将数据转换成矩阵形式供后续使用：

df_train_value=np.array(df_train_value)
df_vali_value=np.array(df_vali_value)
df_train_target=np.array(df_train_target)
df_vali_target=np.array(df_vali_target)

加载验证指标MSE：

from sklearn.metrics import mean_squared_error

算法1：XGBoost

建立模型并进行训练：

import xgboost as xgb
model_xgb=xgb.XGBRegressor(max_depth=5, learning_rate=0.1, n_estimators=160, silent=True, objective='reg:linear')
model_xgb.fit(df_train_value,df_train_target)

对于交叉验证集特征数据集df_vali_value进行预测：

predict_xgb=model_xgb.predict(df_vali_value)

将预测结果及交叉验证集的预测目标数据对比进行指标验证：

mean_squared_error(df_vali_target,predict_xgb)

在未进行深度调参的情况下，采用XGBoost进行预测得出的MSE为0.128。在此基础上抽取交叉验证集的100组数据采用可视化手段直观检验预测效果：

plt.plot(df_vali_target[0:101])
plt.plot(predict_xgb[0:101])

image.png

算法2：GBDT Regression

建立模型并进行训练:

from sklearn.ensemble import GradientBoostingRegressor
model_gbdt=GradientBoostingRegressor(
  loss='ls'
, learning_rate=0.03
, n_estimators=500
, subsample=1
, min_samples_split=2
, min_samples_leaf=1
, max_depth=3
, init=None
, random_state=None
, max_features=None
, alpha=0.9
, verbose=0
, max_leaf_nodes=None
, warm_start=False
)
model_gbdt.fit(df_train_value,df_train_target)

对于交叉验证集特征数据集df_vali_value进行预测：

predict_gbdt=model_gbdt.predict(df_vali_value)

将预测结果及交叉验证集的预测目标数据对比进行指标验证：

mean_squared_error(df_vali_target,predict_gbdt)

在未进行深度调参的情况下，采用GBDT进行预测得出的MSE为0.13。在此基础上抽取交叉验证集的100组数据采用可视化手段直观检验预测效果：

plt.plot(df_vali_target[0:101])
plt.plot(predict_gbdt[0:101])

image.png

算法3：Random Forests

建立模型并进行训练:

from sklearn.ensemble import RandomForestRegressor
model_RF=RandomForestRegressor(n_estimators=200, random_state=0)

对于交叉验证集特征数据集df_vali_value进行预测：

predict_RF=model_RF.predict(df_vali_value)

将预测结果及交叉验证集的预测目标数据对比进行指标验证：

mean_squared_error(df_vali_target,predict_RF)

在未进行深度调参的情况下，采用Random Forests进行预测得出的MSE为0.123。在此基础上抽取交叉验证集的100组数据采用可视化手段直观检验预测效果：

plt.plot(df_vali_target[0:101])
plt.plot(predict_RF[0:101])

image.png

算法4：Bayesian Linear Regression

建立模型并进行训练:

from sklearn import linear_model
model_BR=linear_model.BayesianRidge()
model_BR.fit(df_train_value,df_train_target)

对于交叉验证集特征数据集df_vali_value进行预测：

predict_BR=model_BR.predict(df_vali_value)

将预测结果及交叉验证集的预测目标数据对比进行指标验证：

mean_squared_error(df_vali_target,predict_BR)

采用Bayesian Linear Regression进行预测得出的MSE为0.125。在此基础上抽取交叉验证集的100组数据采用可视化手段直观检验预测效果：

plt.plot(df_vali_target[0:101])
plt.plot(predict_BR[0:101])

image.png

算法5：Linear Regression

建立模型并进行训练:

from sklearn.linear_model import LinearRegression
model_LR=LinearRegression()
model_LR.fit(df_train_value,df_train_target)

对于交叉验证集特征数据集df_vali_value进行预测：

predict_LR=model_LR.predict(df_vali_value)

将预测结果及交叉验证集的预测目标数据对比进行指标验证：

mean_squared_error(df_vali_target,predict_LR)

采用Linear Regression进行预测得出的MSE为0.125。在此基础上抽取交叉验证集的100组数据采用可视化手段直观检验预测效果：

plt.plot(df_vali_target[0:101])
plt.plot(predict_LR[0:101])

image.png

测试集预测

检测测试集状态是否正常：

df_test.head()

image.png

df_test.info()

image.png


将测试集转换为矩阵形式： 

df_test=np.array(df_test)

采用MSE指标最低的模型进行预测，这里采用Random Forests算法模型：

predict_test=model_RF.predict(df_test)

制作提交文件完成实验

按提交要求将预测结果predict_test作为新的一列插入测试集zhengqi_test.txt，标签为target:

test_submit=pd.read_csv(r'D:\天池\工业蒸汽量预测\zhengqi_test.txt',sep='\t')
test_submit['target']=predict_test

通过头五组数据查看提交文件的状态：

test_submit.head()

image.png

文章标签：
云解析DNS
微服务引擎
Python
机器学习/深度学习
数据可视化
算法
关键词：
Python代码
解析Python
Python解析
云解析DNS代码
云解析DNS python
朱祺
目录
相关文章
穿过生命散发芬芳
|
7天前
手机上网流程解析
【9月更文挑战第5天】
穿过生命散发芬芳
16 4
土木林森
|
11天前
|
开发者 图形学 Java
揭秘Unity物理引擎核心技术：从刚体动力学到关节连接，全方位教你如何在虚拟世界中重现真实物理现象——含实战代码示例与详细解析
【8月更文挑战第31天】Unity物理引擎对于游戏开发至关重要，它能够模拟真实的物理效果，如刚体运动、碰撞检测及关节连接等。通过Rigidbody和Collider组件，开发者可以轻松实现物体间的互动与碰撞。本文通过具体代码示例介绍了如何使用Unity物理引擎实现物体运动、施加力、使用关节连接以及模拟弹簧效果等功能，帮助开发者提升游戏的真实感与沉浸感。
土木林森
28 1
土木林森
|
11天前
|
持续交付 jenkins Devops
WPF与DevOps的完美邂逅：从Jenkins配置到自动化部署，全流程解析持续集成与持续交付的最佳实践
【8月更文挑战第31天】WPF与DevOps的结合开启了软件生命周期管理的新篇章。通过Jenkins等CI/CD工具，实现从代码提交到自动构建、测试及部署的全流程自动化。本文详细介绍了如何配置Jenkins来管理WPF项目的构建任务，确保每次代码提交都能触发自动化流程，提升开发效率和代码质量。这一方法不仅简化了开发流程，还加强了团队协作，是WPF开发者拥抱DevOps文化的理想指南。
土木林森
31 1
yuanzhengme
|
3天前
|
缓存 网络协议 Linux
DNS的执行流程是什么？
DNS的执行流程是什么？
yuanzhengme
7 0
蓝易云
|
4天前
|
存储 JSON API
Python编程：解析HTTP请求返回的JSON数据
使用Python处理HTTP请求和解析JSON数据既直接又高效。`requests`库的简洁性和强大功能使得发送请求、接收和解析响应变得异常简单。以上步骤和示例提供了一个基础的框架，可以根据你的具体需求进行调整和扩展。通过合适的异常处理，你的代码将更加健壮和可靠，为用户提供更加流畅的体验。
蓝易云
21 0
土木林森
|
11天前
|
开发者 图形学 API
从零起步，深度揭秘：运用Unity引擎及网络编程技术，一步步搭建属于你的实时多人在线对战游戏平台——详尽指南与实战代码解析，带你轻松掌握网络化游戏开发的核心要领与最佳实践路径
【8月更文挑战第31天】构建实时多人对战平台是技术与创意的结合。本文使用成熟的Unity游戏开发引擎，从零开始指导读者搭建简单的实时对战平台。内容涵盖网络架构设计、Unity网络API应用及客户端与服务器通信。首先，创建新项目并选择适合多人游戏的模板，使用推荐的网络传输层。接着，定义基本玩法，如2D多人射击游戏，创建角色预制件并添加Rigidbody2D组件。然后，引入网络身份组件以同步对象状态。通过示例代码展示玩家控制逻辑，包括移动和发射子弹功能。最后，设置服务器端逻辑，处理客户端连接和断开。本文帮助读者掌握构建Unity多人对战平台的核心知识，为进一步开发打下基础。
土木林森
32 0
土木林森
|
11天前
|
开发者 图形学 C#
揭秘游戏沉浸感的秘密武器：深度解析Unity中的音频设计技巧，从背景音乐到动态音效，全面提升你的游戏氛围艺术——附实战代码示例与应用场景指导
【8月更文挑战第31天】音频设计在游戏开发中至关重要，不仅能增强沉浸感，还能传递信息，构建氛围。Unity作为跨平台游戏引擎，提供了丰富的音频处理功能，助力开发者轻松实现复杂音效。本文将探讨如何利用Unity的音频设计提升游戏氛围，并通过具体示例代码展示实现过程。例如，在恐怖游戏中，阴森的背景音乐和突然的脚步声能增加紧张感；在休闲游戏中，轻快的旋律则让玩家感到愉悦。
土木林森
24 0
土木林森
|
11天前
|
开发者 图形学 C#
深度解密：Unity游戏开发中的动画艺术——Mecanim状态机如何让游戏角色栩栩如生：从基础设置到高级状态切换的全面指南，助你打造流畅自然的游戏动画体验
【8月更文挑战第31天】Unity动画系统是游戏开发的关键部分，尤其适用于复杂角色动画。本文通过具体案例讲解Mecanim动画状态机的使用方法及原理。我们创建一个游戏角色并设计行走、奔跑和攻击动画，详细介绍动画状态机设置及脚本控制。首先导入动画资源并添加Animator组件，然后创建Animator Controller并设置状态间的转换条件。通过编写C#脚本（如PlayerMovement）控制动画状态切换，实现基于玩家输入的动画过渡。此方法不仅适用于游戏角色，还可用于任何需动态动画响应的对象，增强游戏的真实感与互动性。
土木林森
31 0
土木林森
|
11天前
|
图形学 开发者
【Unity光照艺术手册】掌握这些技巧，让你的游戏场景瞬间提升档次：从基础光源到全局光照，打造24小时不间断的视觉盛宴——如何运用代码与烘焙创造逼真光影效果全解析
【8月更文挑战第31天】在Unity中，合理的光照与阴影设置对于打造逼真环境至关重要。本文介绍Unity支持的多种光源类型，如定向光、点光源、聚光灯等，并通过具体示例展示如何使用着色器和脚本控制光照强度，模拟不同时间段的光照变化。此外，还介绍了动态和静态阴影、全局光照及光照探针等高级功能，帮助开发者创造丰富多样的光影效果，提升游戏沉浸感。
土木林森
29 0
土木林森
|
11天前
|
开发者 图形学 UED
深度解析Unity游戏开发中的性能瓶颈与优化方案：从资源管理到代码执行，全方位提升你的游戏流畅度，让玩家体验飞跃性的顺滑——不止是技巧，更是艺术的追求
【8月更文挑战第31天】《Unity性能优化实战：让你的游戏流畅如飞》详细介绍了Unity游戏性能优化的关键技巧，涵盖资源管理、代码优化、场景管理和内存管理等方面。通过具体示例，如纹理打包、异步加载、协程使用及LOD技术，帮助开发者打造高效流畅的游戏体验。文中提供了实用代码片段，助力减少内存消耗、提升渲染效率，确保游戏运行丝滑顺畅。性能优化是一个持续过程，需不断测试调整以达最佳效果。
土木林森
25 0

阿里云MVP

热门文章

最新文章

  • 1
    阿里云基于OSS的云上统一数据保护方案2.0技术解析
  • 2
    DDNS配置实例（DHCP+DNS=DDNS）
  • 3
    深入解析linux内存指标：快速定位系统内存问题的有效技巧与实用方法（free、top、ps、vmstat、cachestat、cachetop、sar、swap、动态内存、cgroops、oom）
  • 4
    9.24直播预告｜DLA Serverless Spark技术解析-让您的Spark弹起来
  • 5
    JavaScriptCore 框架详细解析
  • 6
    全面解析大规模深度学习优化策略在PAI中实践应用 | 云栖2017深圳
  • 7
    全面解析MFC应用程序框架
  • 8
    RFSoC应用笔记 - RF数据转换器 -04- RFSoC关键配置之RF-ADC内部解析（2.2)
  • 9
    一起谈.NET技术，Silverlight与PostgreSQL数据库的互操作(CURD完全解析)
  • 10
    《 自动化测试最佳实践：来自全球的经典自动化测试案例解析》一一第2章　终极数据库自动化
  • 1
    Python自动化测试代理程序可用性
    38
  • 2
    使用Python pandas的sort_values()方法可按一个或多个列对DataFrame排序
    128
  • 3
    在Python的Pandas中，可以通过直接赋值或使用apply函数在DataFrame添加新列。
    208
  • 4
    Python小工具包
    80
  • 5
    python图片九宫格图片处理
    66
  • 6
    python实现Gif图片的字符画
    71
  • 7
    【🔥热闻速递】Google 裁撤 Python研发团队
    70
  • 8
    在Python中绘制移动平均线（MA）
    102
  • 9
    【Python机器学习专栏】Python机器学习工具与库的未来展望
    55
  • 10
    【Python机器学习专栏】机器学习在物联网（IoT）中的集成
    143

    • 相关课程

    更多
  • Python Web开发基础
  • Python开发基础入门
  • Python常用数据科学库
  • Python网络爬虫实战
  • Python完全自学手册图文教程
  • Python基础快速入门实战教程

    • 相关电子书

    更多
  • From Python Scikit-Learn to Sc
  • Data Pre-Processing in Python:
  • 双剑合璧-Python和大数据计算平台的结合

    • 相关实验场景

    更多
  • 基于函数计算实现AI推理
  • 函数计算实战-云开发创建视觉AI应用
  • 基于函数计算一键部署简易论坛
  • Python新手入门
  • Python入门
  • 零基础入门Serverless：基于函数计算快速搭建基于人工智能的目标检测系统

    • 推荐镜像

    更多
  • DNS
  • python-release
  • nodejs-release
    • 下一篇
    对象存储 OSS 如何创建 bucket|学习笔记