R语言——电视剧数据分析

其他 2018-10-20 22:31:12 阅读次数: 0

对如下数据进行描述性分析，其中包括：最大值，最小值，中位数，众数等，求表的行数、列数。
在这里插入图片描述

  1. 读入数据
> mydata<-read.csv("C:\\Users\\adwar\\Desktop\\soapdata.csv")

求表的行数：

> nrow(mynewdata)
[1] 39

求表的列数：

> ncol(mynewdata)
[1] 18
  1. 对播放天数进行分析
  • 读取播放天数
> a<-mynewdata$播放天数
> a
 [1] NA NA 31 22 23 66 14 31 31 27 29 27 25 31 30 31 39 30 24
[20] 22 28 33 24 45 16 22 25 27 22 25 22 22 23 30 36 20 21 37
[39] 25 23 40 NA NA NA NA NA NA NA NA NA NA NA NA
  • 去掉NA值
> newa<-na.omit(a)
> newa
 [1] 31 22 23 66 14 31 31 27 29 27 25 31 30 31 39 30 24 22 28
[20] 33 24 45 16 22 25 27 22 25 22 22 23 30 36 20 21 37 25 23
[39] 40
  • 求最大值
> max(newa)
[1] 66
  • 求最小值
> min(newa)
[1] 14
  • 求平均数
> round(mean(newa))
[1] 28
  • 求中位数
> median(newa)
[1] 27
  • 求众数
    R语言中没有单独的函数用来求众数，但是可以利用table函数。table函数可以统计每个元素出现的次数。
> names(table(newa))[which.max(table(newa))]
[1] "22"
  • 求方差
> var(newa)
[1] 79.99325
  • 求标准差
> sd(newa)
[1] 8.943895
  1. 对收视率进行分析：
  • 读取收视率
> b<-mydata$收视率
> b
 [1] 1.1280 1.1840 1.5760 0.7830 0.7850 0.8350 0.9380 3.6610
 [9] 1.0480 0.9400 0.7132 1.9300 0.8770 1.1670 1.2880 0.4860
[17] 1.3140 0.9820 1.2290 1.2300 1.4900 1.1800 0.8900 1.7100
[25] 0.9300 0.9400 1.1800 1.6400 1.1800 2.0400 1.2200 1.2200
[33] 1.1000 1.1400 0.9700 0.9100 1.0600 1.0000 1.3000 1.4100
[41] 2.9100     NA     NA     NA     NA     NA     NA     NA
[49]     NA     NA     NA     NA     NA
  • 去掉NA值
> newb<-na.omit(b)
> newb
 [1] 1.1280 1.1840 1.5760 0.7830 0.7850 0.8350 0.9380 3.6610
 [9] 1.0480 0.9400 0.7132 1.9300 0.8770 1.1670 1.2880 0.4860
[17] 1.3140 0.9820 1.2290 1.2300 1.4900 1.1800 0.8900 1.7100
[25] 0.9300 0.9400 1.1800 1.6400 1.1800 2.0400 1.2200 1.2200
[33] 1.1000 1.1400 0.9700 0.9100 1.0600 1.0000 1.3000 1.4100
[41] 2.9100
  • 求最大值
> max(newb)
[1] 3.661
  • 求最小值
> min(newb)
[1] 0.486
  • 求平均数
> mean(newb)
[1] 1.256444
  • 求中位数
> median(newb)
[1] 1.167
  • 求众数
> names(table(newb))[which.max(table(newb))]
[1] "1.18"
  • 求方差
> var(newb)
[1] 0.3209224
  • 求标准差
> sd(newb)
[1] 0.5665001
  1. 对网络播放量进行分析（单位：亿）：
  • 读取网络播放量
> c<-mydata$网络播放量.亿.
>c
 [1]  21.4  92.9 237.8  17.4  74.3  69.2  52.9 302.4  14.5
[10]  49.1  52.9  85.4  11.9  46.4 410.5  57.4 188.2  83.2
[19]  79.5  91.4 251.3  80.0  85.8 110.6 203.7  75.2  86.6
[28]  64.7 148.9 101.5  42.5 207.3  17.6 110.8  14.2   4.0
[37]   4.9  41.9  78.6  37.0 264.8    NA    NA    NA    NA
[46]    NA    NA    NA    NA    NA    NA    NA    NA
  • 去掉NA值
> newc<-na.omit(c)
> newc
 [1]  21.4  92.9 237.8  17.4  74.3  69.2  52.9 302.4  14.5
[10]  49.1  52.9  85.4  11.9  46.4 410.5  57.4 188.2  83.2
[19]  79.5  91.4 251.3  80.0  85.8 110.6 203.7  75.2  86.6
[28]  64.7 148.9 101.5  42.5 207.3  17.6 110.8  14.2   4.0
[37]   4.9  41.9  78.6  37.0 264.8
  • 求最大值
> max(newc)
[1] 410.5
  • 求最小值
> min(newc)
[1] 4
  • 求平均数
> mean(newc)
[1] 99.28293
  • 求中位数
> median(newc)
[1] 78.6
  • 求众数
> names(table(newc))[which.max(table(newc))]
[1] "52.9"
  • 求方差
> var(newc)
[1] 8191.57
  • 求标准差
> sd(newc)
[1] 90.5073
  1. 对可见弹幕数进行分析：
  • 读取可见弹幕数
> d<-mydata$可见弹幕数
> d
 [1]  523749.00 1666971.00 3952034.00  390280.00 1602817.00
 [6]  871015.00 1015972.00 4520483.00  383356.00 1079913.00
[11]  571716.00   25122.34  850278.00  959334.00 8199705.00
[16] 1832970.00  658196.00 1980935.00 1162211.00 1064108.00
[21] 3212744.00  769342.00 1114648.00 2141146.00  993456.00
[26] 1281756.00 1285431.00  994242.00 2520841.00  403134.00
[31]  320279.00 3201981.00  348560.00  997472.00  381561.00
[36]  127588.00   58571.00  652281.00  500105.00  914847.00
[41] 1291142.00         NA         NA         NA         NA
[46]         NA         NA         NA         NA         NA
[51]         NA         NA         NA
  • 去掉NA值
> newd<-na.omit(d)
> newd
 [1]  523749.00 1666971.00 3952034.00  390280.00 1602817.00
 [6]  871015.00 1015972.00 4520483.00  383356.00 1079913.00
[11]  571716.00   25122.34  850278.00  959334.00 8199705.00
[16] 1832970.00  658196.00 1980935.00 1162211.00 1064108.00
[21] 3212744.00  769342.00 1114648.00 2141146.00  993456.00
[26] 1281756.00 1285431.00  994242.00 2520841.00  403134.00
[31]  320279.00 3201981.00  348560.00  997472.00  381561.00
[36]  127588.00   58571.00  652281.00  500105.00  914847.00
[41] 1291142.00
  • 求最大值
> max(newd)
[1] 8199705
  • 求最小值
> min(newd)
[1] 25122.34
  • 求平均数
> mean(newd)
[1] 1385910
  • 求中位数
> median(newd)
[1] 994242
  • 求众数
> names(table(newd))[which.max(table(newd))]
[1] "25122.34"
  • 求方差
> var(newd)
[1] 2.223309e+12
  • 求标准差
> sd(newd)
[1] 1491077
  1. 对视频网站总评论数进行分析：
  • 读取视频网站总评论数
> e<-mydata$视频网站总评论数
> e
 [1]  204172  474344 1243220  118268  218122  549517  147691
 [8]  492970   66268  156509  101593  391934   64019  205821
[15] 2351795  349208  711652  730880  200662  418806  964734
[22]  180304  256088  564411 1205515  481528  395785  232258
[29]  515005  779238   77288 1097082   98112  322887  128603
[36]   41128   24446  226313 2049235  254907 2317520      NA
[43]      NA      NA      NA      NA      NA      NA      NA
[50]      NA      NA      NA      NA
  • 去掉NA值
> newe<-na.omit(e)
> newe
 [1]  204172  474344 1243220  118268  218122  549517  147691
 [8]  492970   66268  156509  101593  391934   64019  205821
[15] 2351795  349208  711652  730880  200662  418806  964734
[22]  180304  256088  564411 1205515  481528  395785  232258
[29]  515005  779238   77288 1097082   98112  322887  128603
[36]   41128   24446  226313 2049235  254907 2317520
  • 求最大值
> max(newe)
[1] 2351795
  • 求最小值
> min(newe)
[1] 24446
  • 求平均数
> mean(newe)
[1] 522191.2
  • 求中位数
> median(newe)
[1] 322887
  • 求众数
> names(table(newe))[which.max(table(newe))]
[1] "24446"
  • 求方差
> var(newe)
[1] 338833639743
  • 求标准差
> sd(newe)
[1] 582094.2
  1. 对相关微博数进行分析（单位：万）：
  • 读取相关微博数
> f<-mydata$相关微博数.万.
> f
 [1]  37.1000  28.4000  55.0000   2.9000  13.8000  12.0000
 [7]  11.1000  39.5000   0.3564   3.3000   3.1000 367.1000
[13]   1.9000   1.2000 163.3000  40.5000  39.6000  21.1000
[19]   4.0000   7.4000   7.1000   0.6475  13.7000  12.5000
[25]   9.6000   1.4000   3.0000   9.8000   3.4000   1.1000
[31]   0.5454  78.5000   0.0768   0.4118   0.1765   1.6000
[37]   0.2335   0.5264   0.6820   0.0826   0.1028       NA
[43]       NA       NA       NA       NA       NA       NA
[49]       NA       NA       NA       NA       NA
  • 去掉NA值
> newf<-na.omit(f)
> newf
 [1]  37.1000  28.4000  55.0000   2.9000  13.8000  12.0000
 [7]  11.1000  39.5000   0.3564   3.3000   3.1000 367.1000
[13]   1.9000   1.2000 163.3000  40.5000  39.6000  21.1000
[19]   4.0000   7.4000   7.1000   0.6475  13.7000  12.5000
[25]   9.6000   1.4000   3.0000   9.8000   3.4000   1.1000
[31]   0.5454  78.5000   0.0768   0.4118   0.1765   1.6000
[37]   0.2335   0.5264   0.6820   0.0826   0.1028
  • 求最大值
> max(newf)
[1] 367.1
  • 求最小值
> min(newf)
[1] 0.0768
  • 求平均数
> mean(newf)
[1] 24.3376
  • 求中位数
> median(newf)
[1] 3.4
  • 求众数
> names(table(newf))[which.max(table(newf))]
[1] "0.0768"
  • 求方差
> var(newf)
[1] 3872.535
  • 求标准差
> sd(newf)
[1] 62.22969
  1. 对微博相关话题讨论量进行分析（单位：万）：
  • 读取微博相关话题讨论量
> g<-mydata$微博相关话题讨论量.万.
> g
 [1] 402.5000 275.7000 386.2000  24.8000  91.8000  73.9000
 [7]  29.4000 215.8000   1.9000  10.2000  14.9000 108.2000
[13]  15.1000  10.3000 985.5000 304.1000 250.1000 125.2000
[19]  17.7000  27.6000  41.7000   1.9000  26.4000  39.7000
[25]  52.8000   7.6000   3.3000  36.0000   8.1000   9.2000
[31]   3.2000 588.9000   0.0770   3.9000   0.3682   0.0849
[37]   0.3995   2.0000   6.1000   1.6000   1.3000       NA
[43]       NA       NA       NA       NA       NA       NA
[49]       NA       NA       NA       NA       NA
  • 去掉NA值
> newg<-na.omit(g)
> newg
 [1] 402.5000 275.7000 386.2000  24.8000  91.8000  73.9000
 [7]  29.4000 215.8000   1.9000  10.2000  14.9000 108.2000
[13]  15.1000  10.3000 985.5000 304.1000 250.1000 125.2000
[19]  17.7000  27.6000  41.7000   1.9000  26.4000  39.7000
[25]  52.8000   7.6000   3.3000  36.0000   8.1000   9.2000
[31]   3.2000 588.9000   0.0770   3.9000   0.3682   0.0849
[37]   0.3995   2.0000   6.1000   1.6000   1.3000
  • 求最大值
> max(newg)
[1] 985.5
  • 求最小值
> min(newg)
[1] 0.077
  • 求平均数
> mean(newg)
[1] 102.5739
  • 求中位数
> median(newg)
[1] 17.7
  • 求众数
> names(table(newg))[which.max(table(newg))]
[1] "1.9"
  • 求方差
> var(newg)
[1] 38206.95
  • 求标准差
> sd(newg)
[1] 195.466
  1. 对微博总点赞量进行分析（单位：万）：
  • 读取微博总点赞量
> h<-mydata$微博总点赞量.万.
> h
 [1] 1100.0000 1700.0000 1700.0000  114.5000  285.0000
 [6]  243.8000  110.6000  678.1000    2.6000   41.9000
[11]   27.7000 2300.0000   25.0000    8.2000    7.1000
[16] 1100.0000  958.5000  528.9000   22.1000  418.5000
[21]   68.4000    2.3000   88.9000   96.5000  137.9000
[26]   14.7000   15.3000  108.2000   21.3000    9.7000
[31]    6.1000    0.2200    0.2891    5.2000    0.7307
[36]    0.4521    0.7925    2.5000   10.4000    2.6000
[41]    3.0000        NA        NA        NA        NA
[46]        NA        NA        NA        NA        NA
[51]        NA        NA        NA
  • 去掉NA值
> newh<-na.omit(h)
> newh
 [1] 1100.0000 1700.0000 1700.0000  114.5000  285.0000
 [6]  243.8000  110.6000  678.1000    2.6000   41.9000
[11]   27.7000 2300.0000   25.0000    8.2000    7.1000
[16] 1100.0000  958.5000  528.9000   22.1000  418.5000
[21]   68.4000    2.3000   88.9000   96.5000  137.9000
[26]   14.7000   15.3000  108.2000   21.3000    9.7000
[31]    6.1000    0.2200    0.2891    5.2000    0.7307
[36]    0.4521    0.7925    2.5000   10.4000    2.6000
[41]    3.0000
  • 求最大值
> max(newh)
[1] 2300
  • 求最小值
> min(newh)
[1] 0.22
  • 求平均数
> mean(newh)
[1] 102.5739
  • 求中位数
> median(newh)
[1] 17.7
  • 求众数
> names(table(newh))[which.max(table(newh))]
[1] "1.9"
  • 求方差
> var(newh)
[1] 38206.95
  • 求标准差
> sd(newh)
[1] 195.466
  1. 对微博总转发量进行分析（单位：万）：
  • 读取微博总转发量
> i<-mydata$微博总转发量.万.
> i
 [1] 8.741e+02 1.000e+03 5.824e+02 2.980e+01 1.380e+02
 [6] 1.051e+02 5.700e+01 3.393e+02 1.800e+00 1.320e+01
[11] 3.170e+01 8.900e+03 3.090e+01 5.100e+00 1.200e+04
[16] 5.990e+02 5.214e+02 2.331e+02 4.130e+01 1.802e+02
[21] 7.250e+01 2.000e+00 5.100e+01 5.270e+01 1.113e+02
[26] 8.400e+00 2.300e+00 8.770e+01 1.570e+01 6.800e+00
[31] 2.700e+00 7.937e+02 4.700e-02 5.300e+00 1.436e-01
[36] 1.396e-01 2.435e-01 2.500e+00 1.030e+01 6.617e-01
[41] 2.600e+00        NA        NA        NA        NA
[46]        NA        NA        NA        NA        NA
[51]        NA        NA        NA
  • 去掉NA值
> newi<-na.omit(i)
> newi
 [1] 8.741e+02 1.000e+03 5.824e+02 2.980e+01 1.380e+02
 [6] 1.051e+02 5.700e+01 3.393e+02 1.800e+00 1.320e+01
[11] 3.170e+01 8.900e+03 3.090e+01 5.100e+00 1.200e+04
[16] 5.990e+02 5.214e+02 2.331e+02 4.130e+01 1.802e+02
[21] 7.250e+01 2.000e+00 5.100e+01 5.270e+01 1.113e+02
[26] 8.400e+00 2.300e+00 8.770e+01 1.570e+01 6.800e+00
[31] 2.700e+00 7.937e+02 4.700e-02 5.300e+00 1.436e-01
[36] 1.396e-01 2.435e-01 2.500e+00 1.030e+01 6.617e-01
[41] 2.600e+00
  • 求最大值
> max(newi)
[1] 12000
  • 求最小值
> min(newi)
[1] 0.047
  • 求平均数
> mean(newi)
[1] 656.3935
  • 求中位数
> median(newi)
[1] 31.7
  • 求众数
> names(table(newi))[which.max(table(newi))]
[1] "0.047"
  • 求方差
> var(newi)
[1] 5229504
  • 求标准差
> sd(newi)
[1] 2286.811
  1. 对百度指数进行分析：
  • 读取百度指数
> j<-mydata$百度指数
> j
 [1] 653475 927529 212789   7243  25229 313109  25028 114236
 [9]   6264   4513  31652  23157   5013   2323  82014  31470
[17]   7274   9713   2303   2402  12387   1861   4329   5408
[25]  33292   4374   5682   2894   6462   5917   2083 135760
[33]   1283   5557   1806    397    673   1427   2508   1056
[41]  10288     NA     NA     NA     NA     NA     NA     NA
[49]     NA     NA     NA     NA     NA
  • 去掉NA值
> newj<-na.omit(j)
> newj
 [1] 653475 927529 212789   7243  25229 313109  25028 114236
 [9]   6264   4513  31652  23157   5013   2323  82014  31470
[17]   7274   9713   2303   2402  12387   1861   4329   5408
[25]  33292   4374   5682   2894   6462   5917   2083 135760
[33]   1283   5557   1806    397    673   1427   2508   1056
[41]  10288
  • 求最大值
> max(newj)
[1] 927529
  • 求最小值
> min(newj)
[1] 397
  • 求平均数
> mean(newj)
[1] 66638.54
  • 求中位数
> median(newj)
[1] 5917
  • 求众数
> names(table(newj))[which.max(table(newj))]
[1] "397"
  • 求方差
> var(newj)
[1] 32312314828
  • 求标准差
> sd(newj)
[1] 179756.3
  1. 对360指数进行分析：
  • 读取360指数
> k<-mydata$X360指数
> k
 [1] 3398052 9938557 2312858   18678   83709 4069221   28766
 [8]  676408   13683   25892   19779   39121    9212    5845
[15]  189618   32696   12493    9314    2269    2164   14020
[22]    1356   12211    7893  176718    6864   15007   83575
[29]   10466    7430    2161 2583514     556   12991    2088
[36]     126     134    1226    1932    1646   16126      NA
[43]      NA      NA      NA      NA      NA      NA      NA
[50]      NA      NA      NA      NA
  • 去掉NA值
> newk<-na.omit(k)
> newk
 [1] 3398052 9938557 2312858   18678   83709 4069221   28766
 [8]  676408   13683   25892   19779   39121    9212    5845
[15]  189618   32696   12493    9314    2269    2164   14020
[22]    1356   12211    7893  176718    6864   15007   83575
[29]   10466    7430    2161 2583514     556   12991    2088
[36]     126     134    1226    1932    1646   16126
  • 求最大值
> max(newk)
[1] 9938557
  • 求最小值
> min(newk)
[1] 126
  • 求平均数
> mean(newk)
[1] 581618.9
  • 求中位数
> median(newk)
[1] 12991
  • 求众数
> names(table(newk))[which.max(table(newk))]
[1] "126"
  • 求方差
> var(newk)
[1] 3.139499e+12
  • 求标准差
> sd(newk)
[1] 1771863
  1. 对新闻收录量进行分析：
  • 读取新闻收录量
> l<-mydata$新闻收录量
> l
 [1]  13200   5230  61700   1480   8240  35900   3600  78900
 [9]    282   3360   3560   8420   1230    692  69400  15000
[17]   8630   4200   2130    285  21700  10800  19600  41300
[25]  31100   6780   1810 264000 164000   8830   4730 124000
[33]   4090  13500   2850   1160  69100   3880  15500   3940
[41]  92700     NA     NA     NA     NA     NA     NA     NA
[49]     NA     NA     NA     NA     NA
  • 去掉NA值
> newl<-na.omit(l)
> newl
 [1]  13200   5230  61700   1480   8240  35900   3600  78900
 [9]    282   3360   3560   8420   1230    692  69400  15000
[17]   8630   4200   2130    285  21700  10800  19600  41300
[25]  31100   6780   1810 264000 164000   8830   4730 124000
[33]   4090  13500   2850   1160  69100   3880  15500   3940
[41]  92700
  • 求最大值
> max(newl)
[1] 264000
  • 求最小值
> min(newl)
[1] 282
  • 求平均数
> mean(newl)
[1] 30019.73
  • 求中位数
> median(newl)
[1] 8420
  • 求众数
> names(table(newl))[which.max(table(newl))]
[1] "282"
  • 求方差
> var(newl)
[1] 2737539284
  • 求标准差
> sd(newl)
[1] 52321.5
  1. 对豆瓣评分进行分析：
  • 读取豆瓣评分
> m<-mydata$豆瓣评分
> m
 [1] 4.3 5.5 5.2 5.0 7.5 9.0 6.6 8.3 2.8 6.5 8.2 4.6 8.5 3.0
[15] 6.4 6.9 3.1 4.7 4.7 4.5 4.8 5.3 5.7 6.3 5.1 7.8 3.9 4.7
[29] 6.6 5.0 6.9 7.3 5.5 3.3 3.4 4.4 3.7 6.3 6.1 5.3 5.2  NA
[43]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
  • 去掉NA值
> newm<-na.omit(m)
> newm
 [1] 4.3 5.5 5.2 5.0 7.5 9.0 6.6 8.3 2.8 6.5 8.2 4.6 8.5 3.0
[15] 6.4 6.9 3.1 4.7 4.7 4.5 4.8 5.3 5.7 6.3 5.1 7.8 3.9 4.7
[29] 6.6 5.0 6.9 7.3 5.5 3.3 3.4 4.4 3.7 6.3 6.1 5.3 5.2
  • 求最大值
> max(newm)
[1] 9
  • 求最小值
> min(newm)
[1] 2.8
  • 求平均数
> mean(newm)
[1] 5.558537
  • 求中位数
> median(newm)
[1] 5.3
  • 求众数
> names(table(newm))[which.max(table(newm))]
[1] "4.7"
  • 求方差
> var(newm)
[1] 2.518488
  • 求标准差
> sd(newm)
[1] 1.586974
  1. 对豆瓣评价人数进行分析：
  • 读取豆瓣评价人数
> n<-mydata$豆瓣评价人数
> n
 [1]  12917  24310  44886   1284  36407  32357   7108 159558
 [9]    878   7823  11813   5266  20260   1953  80309  45638
[17]  44905  11465   4712  12498  27132   6354  14630  28895
[25]  65386  19087   2107   4754  22457  18487   5858  95287
[33]   1586   4235    330    110    253   3249  20935   2792
[41]  54049     NA     NA     NA     NA     NA     NA     NA
[49]     NA     NA     NA     NA     NA
  • 去掉NA值
> newn<-na.omit(n)
> newn
 [1]  12917  24310  44886   1284  36407  32357   7108 159558
 [9]    878   7823  11813   5266  20260   1953  80309  45638
[17]  44905  11465   4712  12498  27132   6354  14630  28895
[25]  65386  19087   2107   4754  22457  18487   5858  95287
[33]   1586   4235    330    110    253   3249  20935   2792
[41]  54049
  • 求最大值
> max(newn)
[1] 159558
  • 求最小值
> min(newn)
[1] 110
  • 求平均数
> mean(newn)
[1] 23520
  • 求中位数
>  median(newn)
[1] 12498
  • 求众数
> names(table(newn))[which.max(table(newn))]
[1] "110"
  • 求方差
> var(newn)
[1] 983201853
  • 求标准差
> sd(newn)
[1] 31356.05

猜你喜欢

转载自blog.csdn.net/EverestRs/article/details/82936120
今日推荐
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
国产云输入法——仅华为无云端数据上传安全问题
开源日报 | 工业开源项目OGG 1.0；姐姐，你要和我一起配置火狐吗；苹果AI遥遥落后？Fedora 40
开放签电子签章：停止新增，优化体验，前进更进（五一假期前工作）
开源日报 | 中学生开源前端动画引擎；全球首个Llama3 8B中文版开源模型；联想电脑恐出局；Linus讽刺AI炒作
周排行
浏览器对同一域名进行请求的最大并发连接数
React Hook之自定义Hook
【转】MyBatis缓存机制
-Java-泛型
自动化测试常用脚本-发送邮件
LeetCode#859: Buddy Strings
java、Python处理字符串
第二篇の博客
Hadoop伪分布式环境安装
SQL Server进阶（十一）临时表、表变量
每日归档
更多
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)
2024-04-22(39)
2024-04-21(0)
2024-04-20(6)
2024-04-19(5)
2024-04-18(0)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022