程序博客网 > sql存储过程脚本

sklearn.neighbors_Nearest Neighbors

来源：互联网 发布：sql存储过程脚本 编辑：程序博客网 时间：2024/06/01 23:57

======================================================================
主要参考 Scikit-Learn 官方网站上的每一个算法进行，并进行部分翻译   

======================================================================

决策树的算法分析与Python代码实现请参考之前的一篇博客：K最近邻Python实现    接下来我主要演示怎么使用Scikit-Learn完成决策树算法的调用


Scikit-Learn中 sklearn.neighbors的函数包括（点击查看来源URL）

sklearn.neighbors: Nearest Neighbors

The sklearn.neighbors module implements the k-nearest neighbors algorithm.

User guide: See the Nearest Neighbors section for further details.

neighbors.NearestNeighbors([n_neighbors, …])Unsupervised learner for implementing neighbor searches.neighbors.KNeighborsClassifier([…])Classifier implementing the k-nearest neighbors vote.neighbors.RadiusNeighborsClassifier([…])Classifier implementing a vote among neighbors within a given radiusneighbors.KNeighborsRegressor([n_neighbors, …])Regression based on k-nearest neighbors.neighbors.RadiusNeighborsRegressor([radius, …])Regression based on neighbors within a fixed radius.neighbors.NearestCentroid([metric, …])Nearest centroid classifier.neighbors.BallTreeBallTree for fast generalized N-point problemsneighbors.KDTreeKDTree for fast generalized N-point problemsneighbors.LSHForest([n_estimators, radius, …])Performs approximate nearest neighbor search using LSH forest.neighbors.DistanceMetricDistanceMetric classneighbors.KernelDensity([bandwidth, …])Kernel Density Estimationneighbors.kneighbors_graph(X, n_neighbors[, …])Computes the (weighted) graph of k-Neighbors for points in Xneighbors.radius_neighbors_graph(X, radius)Computes the (weighted) graph of Neighbors for points in X

首先看一个简单的小例子：

Finding the Nearest Neighbors

sklearn.neighbors.NearestNeighbors具体说明查看：URL  在这只是将用到的加以注释

[python] view plain copy
print?
  1. #coding:utf-8  
  2. ””’ 
  3. Created on 2016/4/24 
  4. @author: Gamer Think 
  5. ”’  
  6. #导入NearestNeighbor包 和 numpy  
  7. from sklearn.neighbors import NearestNeighbors  
  8. import numpy as np  
  9.   
  10. #定义一个数组  
  11. X = np.array([[-1,-1],  
  12.               [-2,-1],  
  13.               [-3,-2],  
  14.               [1,1],  
  15.               [2,1],  
  16.               [3,2]  
  17.               ])  
  18. ”“” 
  19. NearestNeighbors用到的参数解释 
  20. n_neighbors=5,默认值为5，表示查询k个最近邻的数目 
  21. algorithm=’auto’,指定用于计算最近邻的算法，auto表示试图采用最适合的算法计算最近邻 
  22. fit(X)表示用X来训练算法 
  23. ”“”  
  24. nbrs = NearestNeighbors(n_neighbors=3, algorithm=“ball_tree”).fit(X)  
  25. #返回距离每个点k个最近的点和距离指数，indices可以理解为表示点的下标，distances为距离  
  26. distances, indices = nbrs.kneighbors(X)  
  27. print indices  
  28. print distances  
#coding:utf-8 
”’ 
Created on 2016/4/24 
@author: Gamer Think 
”’
#导入NearestNeighbor包 和 numpyfrom sklearn.neighbors import NearestNeighborsimport numpy as np#定义一个数组X = np.array([[-1,-1],              [-2,-1],              [-3,-2],              [1,1],              [2,1],              [3,2]              ])"""NearestNeighbors用到的参数解释n_neighbors=5,默认值为5，表示查询k个最近邻的数目algorithm='auto',指定用于计算最近邻的算法，auto表示试图采用最适合的算法计算最近邻fit(X)表示用X来训练算法"""nbrs = NearestNeighbors(n_neighbors=3, algorithm="ball_tree").fit(X)#返回距离每个点k个最近的点和距离指数，indices可以理解为表示点的下标，distances为距离distances, indices = nbrs.kneighbors(X)print indicesprint distances输出结果为：


执行

[python] view plain copy
print?
  1. #输出的是求解n个最近邻点后的矩阵图，1表示是最近点，0表示不是最近点  
  2. print nbrs.kneighbors_graph(X).toarray()  
#输出的是求解n个最近邻点后的矩阵图，1表示是最近点，0表示不是最近点print nbrs.kneighbors_graph(X).toarray()


 KDTree and BallTree Classes
[python] view plain copy
print?
  1. #测试 KDTree  
  2. ””’ 
  3. leaf_size:切换到蛮力的点数。改变leaf_size不会影响查询结果， 
  4.                           但能显著影响查询和存储所需的存储构造树的速度。 
  5.                         需要存储树的规模约n_samples / leaf_size内存量。 
  6.                         为指定的leaf_size，叶节点是保证满足leaf_size <= n_points < = 2 * leaf_size， 
  7.                         除了在的情况下，n_samples < leaf_size。 
  8.                          
  9. metric:用于树的距离度量。默认’minkowski与P = 2（即欧氏度量）。 
  10.                   看到一个可用的度量的距离度量类的文档。 
  11.        kd_tree.valid_metrics列举这是有效的基础指标。 
  12. ”’  
  13. from sklearn.neighbors import KDTree  
  14. import numpy as np  
  15. X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])  
  16. kdt = KDTree(X,leaf_size=30,metric=“euclidean”)  
  17. print kdt.query(X, k=3, return_distance=False)  
  18.   
  19.   
  20. #测试 BallTree  
  21. from sklearn.neighbors import BallTree  
  22. import numpy as np  
  23. X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])  
  24. bt = BallTree(X,leaf_size=30,metric=“euclidean”)  
  25. print bt.query(X, k=3, return_distance=False)  
#测试 KDTree'''leaf_size:切换到蛮力的点数。改变leaf_size不会影响查询结果，                          但能显著影响查询和存储所需的存储构造树的速度。                        需要存储树的规模约n_samples / leaf_size内存量。                        为指定的leaf_size，叶节点是保证满足leaf_size <= n_points < = 2 * leaf_size，                        除了在的情况下，n_samples < leaf_size。metric:用于树的距离度量。默认'minkowski与P = 2（即欧氏度量）。                  看到一个可用的度量的距离度量类的文档。       kd_tree.valid_metrics列举这是有效的基础指标。'''from sklearn.neighbors import KDTreeimport numpy as npX = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])kdt = KDTree(X,leaf_size=30,metric="euclidean")print kdt.query(X, k=3, return_distance=False)

#测试 BallTreefrom sklearn.neighbors import BallTreeimport numpy as npX = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])bt = BallTree(X,leaf_size=30,metric="euclidean")print bt.query(X, k=3, return_distance=False)

其输出结果均为：


这是在小数据集的情况下并不能看到他们的差别，当数据集变大时，这种差别便显而易见了

使用scikit-learn的KNN算法进行分类的一个实例，使用数据集依旧是iris(鸢尾花)数据集

[python] view plain copy
print?
  1. <span style=“font-size:18px;”>#coding:utf-8  
  2. ””’ 
  3. Created on 2016年4月24日 
  4.  
  5. @author: Gamer Think 
  6. ”’  
  7. from sklearn.datasets import load_iris  
  8. from sklearn import neighbors  
  9. import sklearn  
  10.   
  11. #查看iris数据集  
  12. iris = load_iris()  
  13. print iris  
  14.   
  15. knn = neighbors.KNeighborsClassifier()  
  16. #训练数据集  
  17. knn.fit(iris.data, iris.target)  
  18. #预测  
  19. predict = knn.predict([[0.1,0.2,0.3,0.4]])  
  20. print predict  
  21. print iris.target_names[predict]</span>  
<span style="font-size:18px;">#coding:utf-8'''Created on 2016年4月24日@author: Gamer Think'''from sklearn.datasets import load_irisfrom sklearn import neighborsimport sklearn
#查看iris数据集iris = load_iris()print irisknn = neighbors.KNeighborsClassifier()#训练数据集knn.fit(iris.data, iris.target)#预测predict = knn.predict([[0.1,0.2,0.3,0.4]])print predictprint iris.target_names[predict]</span>预测结果为：

[0]    #第0类
[‘setosa’]    #第0类对应花的名字

使用python实现的KNN算法进行分类的一个实例，使用数据集依旧是iris(鸢尾花)数据集，只不过将其保存在iris.txt文件中

[python] view plain copy
print?
  1. <span style=“font-size:18px;”> #-*- coding: UTF-8 -*-   
  2. ””’ 
  3. Created on 2016/4/24 
  4.  
  5. @author: Administrator 
  6. ”’  
  7. import csv     #用于处理csv文件  
  8. import random    #用于随机数  
  9. import math           
  10. import operator  #  
  11. from sklearn import neighbors  
  12.   
  13. #加载数据集  
  14. def loadDataset(filename,split,trainingSet=[],testSet = []):  
  15.     with open(filename,”rb”) as csvfile:  
  16.         lines = csv.reader(csvfile)  
  17.         dataset = list(lines)  
  18.         for x in range(len(dataset)-1):  
  19.             for y in range(4):  
  20.                 dataset[x][y] = float(dataset[x][y])  
  21.             if random.random()<split:  
  22.                 trainingSet.append(dataset[x])  
  23.             else:  
  24.                 testSet.append(dataset[y])  
  25.   
  26. #计算距离  
  27. def euclideanDistance(instance1,instance2,length):  
  28.     distance = 0  
  29.     for x in range(length):  
  30.         distance = pow((instance1[x] - instance2[x]),2)  
  31.     return math.sqrt(distance)  
  32.   
  33. #返回K个最近邻  
  34. def getNeighbors(trainingSet,testInstance,k):  
  35.     distances = []  
  36.     length = len(testInstance) -1  
  37.     #计算每一个测试实例到训练集实例的距离  
  38.     for x in range(len(trainingSet)):  
  39.         dist = euclideanDistance(testInstance, trainingSet[x], length)  
  40.         distances.append((trainingSet[x],dist))  
  41.     #对所有的距离进行排序  
  42.     distances.sort(key=operator.itemgetter(1))  
  43.     neighbors = []  
  44.     #返回k个最近邻  
  45.     for x in range(k):  
  46.         neighbors.append(distances[x][0])  
  47.     return neighbors  
  48.   
  49. #对k个近邻进行合并，返回value最大的key  
  50. def getResponse(neighbors):  
  51.     classVotes = {}  
  52.     for x in range(len(neighbors)):  
  53.         response = neighbors[x][-1]  
  54.         if response in classVotes:  
  55.             classVotes[response]+=1  
  56.         else:  
  57.             classVotes[response] = 1  
  58.     #排序  
  59.     sortedVotes = sorted(classVotes.iteritems(),key = operator.itemgetter(1),reverse =True)  
  60.     return sortedVotes[0][0]  
  61.   
  62. #计算准确率  
  63. def getAccuracy(testSet,predictions):  
  64.     correct = 0  
  65.     for x in range(len(testSet)):  
  66.         if testSet[x][-1] == predictions[x]:  
  67.             correct+=1  
  68.     return (correct/float(len(testSet))) * 100.0  
  69.   
  70. def main():  
  71.     trainingSet = []  #训练数据集  
  72.     testSet = []      #测试数据集  
  73.     split = 0.67      #分割的比例  
  74.     loadDataset(r”iris.txt”, split, trainingSet, testSet)   
  75.     print “Train set :” + repr(len(trainingSet))  
  76.     print “Test set :” + repr(len(testSet))                  
  77.       
  78.     predictions = []  
  79.     k = 3  
  80.     for x in range(len(testSet)):  
  81.         neighbors = getNeighbors(trainingSet, testSet[x], k)  
  82.         result = getResponse(neighbors)  
  83.         predictions.append(result)  
  84.         print “>predicted = ” + repr(result) + “,actual = ” + repr(testSet[x][-1])  
  85.     accuracy = getAccuracy(testSet, predictions)  
  86.     print “Accuracy:” + repr(accuracy) + “%”  
  87.   
  88. if __name__ ==“__main__”:  
  89.     main()  </span>  
<span style="font-size:18px;"> #-*- coding: UTF-8 -*- '''Created on 2016/4/24@author: Administrator'''import csv     #用于处理csv文件import random    #用于随机数import math         import operator  #from sklearn import neighbors
#加载数据集def loadDataset(filename,split,trainingSet=[],testSet = []): with open(filename,"rb") as csvfile: lines = csv.reader(csvfile) dataset = list(lines) for x in range(len(dataset)-1): for y in range(4): dataset[x][y] = float(dataset[x][y]) if random.random()<split: trainingSet.append(dataset[x]) else: testSet.append(dataset[y])#计算距离def euclideanDistance(instance1,instance2,length): distance = 0 for x in range(length): distance = pow((instance1[x] - instance2[x]),2) return math.sqrt(distance)#返回K个最近邻def getNeighbors(trainingSet,testInstance,k): distances = [] length = len(testInstance) -1 #计算每一个测试实例到训练集实例的距离 for x in range(len(trainingSet)): dist = euclideanDistance(testInstance, trainingSet[x], length) distances.append((trainingSet[x],dist)) #对所有的距离进行排序 distances.sort(key=operator.itemgetter(1)) neighbors = [] #返回k个最近邻 for x in range(k): neighbors.append(distances[x][0]) return neighbors#对k个近邻进行合并，返回value最大的keydef getResponse(neighbors): classVotes = {} for x in range(len(neighbors)): response = neighbors[x][-1] if response in classVotes: classVotes[response]+=1 else: classVotes[response] = 1 #排序 sortedVotes = sorted(classVotes.iteritems(),key = operator.itemgetter(1),reverse =True) return sortedVotes[0][0]#计算准确率def getAccuracy(testSet,predictions): correct = 0 for x in range(len(testSet)): if testSet[x][-1] == predictions[x]: correct+=1 return (correct/float(len(testSet))) * 100.0def main(): trainingSet = [] #训练数据集 testSet = [] #测试数据集 split = 0.67 #分割的比例 loadDataset(r"iris.txt", split, trainingSet, testSet) print "Train set :" + repr(len(trainingSet)) print "Test set :" + repr(len(testSet)) predictions = [] k = 3 for x in range(len(testSet)): neighbors = getNeighbors(trainingSet, testSet[x], k) result = getResponse(neighbors) predictions.append(result) print ">predicted = " + repr(result) + ",actual = " + repr(testSet[x][-1]) accuracy = getAccuracy(testSet, predictions) print "Accuracy:" + repr(accuracy) + "%"if __name__ =="__main__": main() </span>
附iris.txt文件的内容

5.1,3.5,1.4,0.2,Iris-setosa
4.9,3.0,1.4,0.2,Iris-setosa
4.7,3.2,1.3,0.2,Iris-setosa
4.6,3.1,1.5,0.2,Iris-setosa
5.0,3.6,1.4,0.2,Iris-setosa
5.4,3.9,1.7,0.4,Iris-setosa
4.6,3.4,1.4,0.3,Iris-setosa
5.0,3.4,1.5,0.2,Iris-setosa
4.4,2.9,1.4,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
5.4,3.7,1.5,0.2,Iris-setosa
4.8,3.4,1.6,0.2,Iris-setosa
4.8,3.0,1.4,0.1,Iris-setosa
4.3,3.0,1.1,0.1,Iris-setosa
5.8,4.0,1.2,0.2,Iris-setosa
5.7,4.4,1.5,0.4,Iris-setosa
5.4,3.9,1.3,0.4,Iris-setosa
5.1,3.5,1.4,0.3,Iris-setosa
5.7,3.8,1.7,0.3,Iris-setosa
5.1,3.8,1.5,0.3,Iris-setosa
5.4,3.4,1.7,0.2,Iris-setosa
5.1,3.7,1.5,0.4,Iris-setosa
4.6,3.6,1.0,0.2,Iris-setosa
5.1,3.3,1.7,0.5,Iris-setosa
4.8,3.4,1.9,0.2,Iris-setosa
5.0,3.0,1.6,0.2,Iris-setosa
5.0,3.4,1.6,0.4,Iris-setosa
5.2,3.5,1.5,0.2,Iris-setosa
5.2,3.4,1.4,0.2,Iris-setosa
4.7,3.2,1.6,0.2,Iris-setosa
4.8,3.1,1.6,0.2,Iris-setosa
5.4,3.4,1.5,0.4,Iris-setosa
5.2,4.1,1.5,0.1,Iris-setosa
5.5,4.2,1.4,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
5.0,3.2,1.2,0.2,Iris-setosa
5.5,3.5,1.3,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
4.4,3.0,1.3,0.2,Iris-setosa
5.1,3.4,1.5,0.2,Iris-setosa
5.0,3.5,1.3,0.3,Iris-setosa
4.5,2.3,1.3,0.3,Iris-setosa
4.4,3.2,1.3,0.2,Iris-setosa
5.0,3.5,1.6,0.6,Iris-setosa
5.1,3.8,1.9,0.4,Iris-setosa
4.8,3.0,1.4,0.3,Iris-setosa
5.1,3.8,1.6,0.2,Iris-setosa
4.6,3.2,1.4,0.2,Iris-setosa
5.3,3.7,1.5,0.2,Iris-setosa
5.0,3.3,1.4,0.2,Iris-setosa
7.0,3.2,4.7,1.4,Iris-versicolor
6.4,3.2,4.5,1.5,Iris-versicolor
6.9,3.1,4.9,1.5,Iris-versicolor
5.5,2.3,4.0,1.3,Iris-versicolor
6.5,2.8,4.6,1.5,Iris-versicolor
5.7,2.8,4.5,1.3,Iris-versicolor
6.3,3.3,4.7,1.6,Iris-versicolor
4.9,2.4,3.3,1.0,Iris-versicolor
6.6,2.9,4.6,1.3,Iris-versicolor
5.2,2.7,3.9,1.4,Iris-versicolor
5.0,2.0,3.5,1.0,Iris-versicolor
5.9,3.0,4.2,1.5,Iris-versicolor
6.0,2.2,4.0,1.0,Iris-versicolor
6.1,2.9,4.7,1.4,Iris-versicolor
5.6,2.9,3.6,1.3,Iris-versicolor
6.7,3.1,4.4,1.4,Iris-versicolor
5.6,3.0,4.5,1.5,Iris-versicolor
5.8,2.7,4.1,1.0,Iris-versicolor
6.2,2.2,4.5,1.5,Iris-versicolor
5.6,2.5,3.9,1.1,Iris-versicolor
5.9,3.2,4.8,1.8,Iris-versicolor
6.1,2.8,4.0,1.3,Iris-versicolor
6.3,2.5,4.9,1.5,Iris-versicolor
6.1,2.8,4.7,1.2,Iris-versicolor
6.4,2.9,4.3,1.3,Iris-versicolor
6.6,3.0,4.4,1.4,Iris-versicolor
6.8,2.8,4.8,1.4,Iris-versicolor
6.7,3.0,5.0,1.7,Iris-versicolor
6.0,2.9,4.5,1.5,Iris-versicolor
5.7,2.6,3.5,1.0,Iris-versicolor
5.5,2.4,3.8,1.1,Iris-versicolor
5.5,2.4,3.7,1.0,Iris-versicolor
5.8,2.7,3.9,1.2,Iris-versicolor
6.0,2.7,5.1,1.6,Iris-versicolor
5.4,3.0,4.5,1.5,Iris-versicolor
6.0,3.4,4.5,1.6,Iris-versicolor
6.7,3.1,4.7,1.5,Iris-versicolor
6.3,2.3,4.4,1.3,Iris-versicolor?
5.6,3.0,4.1,1.3,Iris-versicolor
5.5,2.5,4.0,1.3,Iris-versicolor
5.5,2.6,4.4,1.2,Iris-versicolor
6.1,3.0,4.6,1.4,Iris-versicolor
5.8,2.6,4.0,1.2,Iris-versicolor
5.0,2.3,3.3,1.0,Iris-versicolor
5.6,2.7,4.2,1.3,Iris-versicolor
5.7,3.0,4.2,1.2,Iris-versicolor
5.7,2.9,4.2,1.3,Iris-versicolor
6.2,2.9,4.3,1.3,Iris-versicolor
5.1,2.5,3.0,1.1,Iris-versicolor
5.7,2.8,4.1,1.3,Iris-versicolor
6.3,3.3,6.0,2.5,Iris-virginica
5.8,2.7,5.1,1.9,Iris-virginica
7.1,3.0,5.9,2.1,Iris-virginica
6.3,2.9,5.6,1.8,Iris-virginica
6.5,3.0,5.8,2.2,Iris-virginica
7.6,3.0,6.6,2.1,Iris-virginica
4.9,2.5,4.5,1.7,Iris-virginica
7.3,2.9,6.3,1.8,Iris-virginica
6.7,2.5,5.8,1.8,Iris-virginica
7.2,3.6,6.1,2.5,Iris-virginica
6.5,3.2,5.1,2.0,Iris-virginica
6.4,2.7,5.3,1.9,Iris-virginica
6.8,3.0,5.5,2.1,Iris-virginica
5.7,2.5,5.0,2.0,Iris-virginica
5.8,2.8,5.1,2.4,Iris-virginica
6.4,3.2,5.3,2.3,Iris-virginica
6.5,3.0,5.5,1.8,Iris-virginica
7.7,3.8,6.7,2.2,Iris-virginica
7.7,2.6,6.9,2.3,Iris-virginica
6.0,2.2,5.0,1.5,Iris-virginica
6.9,3.2,5.7,2.3,Iris-virginica
5.6,2.8,4.9,2.0,Iris-virginica
7.7,2.8,6.7,2.0,Iris-virginica
6.3,2.7,4.9,1.8,Iris-virginica
6.7,3.3,5.7,2.1,Iris-virginica
7.2,3.2,6.0,1.8,Iris-virginica
6.2,2.8,4.8,1.8,Iris-virginica
6.1,3.0,4.9,1.8,Iris-virginica
6.4,2.8,5.6,2.1,Iris-virginica
7.2,3.0,5.8,1.6,Iris-virginica
7.4,2.8,6.1,1.9,Iris-virginica
7.9,3.8,6.4,2.0,Iris-virginica

阅读全文
0 0
sql存储过程脚本 sql存储过程脚本
原创粉丝点击
热门IT博客
淘宝发布商品后淘宝发布商品后
淘宝直播送流量10m淘宝直播送流量10m
软件系统测试计划书
数据库中update的用法
免费姓名藏头诗软件
矢量图形软件
软件qa
c2c网络平台有哪些
linux locate
mysql查询
线切割编程主板怎么装
东莞进销存软件
淘宝一天刷多少单安全
c语言面向对象编程
我国颁布的网络法规
库里常规赛数据
吉利 比亚迪 知乎
张馨予淘宝店地址
idn域名
大清亡了什么梗 知乎
热门问题 老师的惩罚 人脸识别 我在镇武司摸鱼那些年 重生之率土为王 我在大康的咸鱼生活 盘龙之生命进化 天生仙种 凡人之先天五行 春回大明朝 姑娘不必设防，我是瞎子 蓑衣萝卜 蓑羽鹤 一蓑烟雨 一蓑烟雨作品 莲花梦迟一蓑烟雨 血蓑衣全文免费阅读 蓑的拼音 蓑衣的拼音 蓑衣拼音 蓑衣鱼 蓑衣黄瓜切法 蓑衣意思 蓑笠的拼音 蓑衣图片 一蓑烟雨任平生全文 蓑衣的意思 蓑笠翁 烟蓑雨笠 一蓑烟雨任平生什么暗含意思 蓑笠 蓑衣饭 水蓑衣 暴走英雄坛蓑衣在哪 蓑衣茄子的做法 簑衣 蓑衣刀法图解 蓑衣什么意思 蓑衣刀法 蓑衣是什么意思 蓑衣读音 蓑衣茄子 糖醋蓑衣黄瓜 蓑衣阅读答案 不脱蓑衣卧月明 蓑衣黄瓜的切法 蓑衣黄瓜怎么切 蓑衣蛋 蓑衣黄瓜的做法 凉拌蓑衣黄瓜 箬笠蓑衣 雨裂水蓑衣

程序博客网，程序员的互联网技术博客家园。csdn论坛精品 msdn技术资料都在这里