数据结构可视化(数据结构可视化 毕业设计)

本篇文章给大家谈谈数据结构可视化,以及数据结构可视化 毕业设计对应的知识点,希望对各位有所帮助,不要忘了收藏本站喔。

本文目录一览:

数据结构可视化

Visualizing Algorithms(算法可视化)

独立思维的力量被高估了...... 真正的力量来自于设计提高认知能力的外部辅助手段。 - 唐纳德诺曼

算法是可视化的一个迷人用例。为了使算法可视化,我们不仅仅将数据拟合到图表中; 没有主要数据集。相反,存在描述行为的逻辑规则。这可能是算法可视化非常不寻常的原因,因为设计师尝试使用新颖的形式来更好地进行交流。这是足以研究它们的原因。

但算法也提醒人们,可视化不仅仅是一种查找数据模式的工具。可视化利用人类视觉系统来增强人类智力:我们可以用它来更好地理解这些重要的抽象过程,也可能是其他事物。

取样

在我解释第一个算法之前,我首先需要解释它解决的问题。

光 - 电磁辐射 - 从这个屏幕发出的光,在空中传播,由你的镜头聚焦并投射到视网膜上 - 是一个连续的信号。要被察觉,我们必须通过测量空间中不同点的强度和频率分布来减少光到离散脉冲。

这种简化过程称为抽样,对视力至关重要。你可以把它想象成一个画家应用不连续的颜带键码色笔画形成一个图像(特别是在点彩派或分裂主义)。采样是计算机图形学的核心问题; 例如,要通过光线追踪光栅化3D场景,我们必须确定拍摄光线的位置。即使调整图像大小也需要采样。

竞争目标使得抽样变得困难。一方面,样品应均匀分布,以便没有间隙。但我们还必须避免重复的常规模式,这会导致混叠。这就是为什么你不应该在相机上穿一件精美条纹的衬衫:条纹与相机传感器中的像素网格共振,并导致莫尔条纹。

人类视网膜有一个美丽的解蠢哪决方案,采样感光细胞的位置。细胞密集均匀地覆盖视网膜(视神经上方的盲点除外),但细胞的相对位置不规则。这称为泊松圆盘分布,因为它保持了细胞之间的最小距离,避免了遮挡,从而浪费了光感受器。亮蠢

不幸的是,创建Poisson-disc分布很难。(稍微详细一点。)所以这是一个简单的近似,称为米切尔的最佳候选算法。

大数据可视化的方法

数袭蠢据可视化技术的出现是在1950年左右计算机图形学发展后出现的,最基本的条件就是通过计算机图形学创造出了直观的数据图形图表。如今,我们所研究的大数据可视化主要包括数据可视化、科学可视化和信息可视化。

数据可视化

数据可视化是指大型数据库中的数据,通过计算机技术能够把这些纷繁复杂的芦禅纳数据经过一系列快速的处理并找出其关联性,预测数据的发展趋势,并最终呈现在用户面前的过程。通过直观图形的展示让用户更直接地观察和分析数据,实陪没现人机交互。数据可视化过程需要涉及的技术主要有几何技术、面向像素技术、分布式技术、图表技术等。

科学可视化

科学可视化是指利用计算机图形学以及图象处理技术等来展示数据信息的可视化方法。一般的可视化包括利用色彩差异、网格序列、网格无序、地理位置、尺寸大小等。但是传统的数据可视化技术不能直接应用于大数据中,需要借助计算机软件技术提供相应的算法对可视化进行改进。目前比较常见的可视化算法有分布式绘制和基于CPU的快速绘制算法。

信息可视化

信息可视化是指通过用户的视觉感知理解抽象的数据信息,加强人类对信息的理解。信息可视化处理的数据需要具有一定的数据结构,并且是一些抽象数据。如视频信息、文字信息等。对于这类抽象信息的处理,首先需要先进性数据描述,再对其进行可视化呈现。

数据可视化属于数据结构嘛

数据可视化是指将数据以图形、图表或其他形式的可视化方式呈现出来的过程。它的主要目的是使数据更加直观、易于理解,方便人们快速获取信息和洞察数据内在规律。

数据可视化并不属于数据结构的范畴,而是一种数据分析和呈现的方法。数据困纤空结构是指在计算机中存储和组织数据的方式,是计算机科学的一个基础理论,与数据竖含可视化没有直接关系。

常见的数据结构包括数组、链表、栈汪瞎、队列、树、图等。它们的选择和使用会影响程序的效率和空间占用,是计算机科学中的重要内容。

分析师进阶之路,数据可视化

我们可以把人类的大脑想象成是一台复杂的机器,这台机器时时刻刻都在接受外部的信息,并进行逻辑处理,当我们在同时获取多个渠道信息时如视觉、听觉、触觉、嗅觉、味觉等,人类利用视觉获取的信息量,远远超出其他器官。眼睛能够并行处理巨量的视觉信号输入,并且伴随着超强的模式识别能力,人类能在潜意识的决断就处理完大量的视基液郑觉信息,这使得人类对图像的处理速度比文本快 6 万倍,而数据可视化正是利用搏颂这项天生技能来增强数据处理效率。

从专业角度来说,科学可视化(Scientific Visualization)、 信息可视化(Information Visualization)和可视分析学(Visual Analytics)这三个学科方向通常被看作是可视化的三个主要分支方向。而“数据可视化”时将这三个分支整合在一起形成的新学科“数据可视化”,作为数据可视化的研究方向可以涉及信息技术、自然科学、统计分析、图形学、交互、地理信息等多种学科。

1. 科学可视化

科学可视化(Scientific Visualization)主要关注三维现象的可视化,如建筑学、气象学、医学或生物学方面的各种系统,重点在于对体、面以及光源等等的逼真渲染, 目的是以图形方式说明科学数据,使科学家能够从数据中了解、说明和收集规律。

2. 信息可视化

信息可视化(Information Visualization)是研究抽象数据的交互式视觉表示以加强人类认知,包括数字和非数字数据,如地理信息与文本。信息可视化处理的数据具有抽象数据结构,柱状图、趋势图、流程图、树状图等,都属于信息可视化,这些图形的设计都将抽象的概念转化成为可视化信息。

3. 可视分析学

可视分析学(Visual Analytics)是随着科学可视化和信息可视化发展而形成的新领域,重点是通过交互式视觉界面进行分析推理,将数据的交互式视觉表示与基础分析过程相结合,来实现使用者的推理和决策分析。

从一般角度来说,数据可视化可以指代为数据的视觉表现形式,这种视觉表现形式以某种概要形式抽取出来的图形表现,表现中包含相应的信息数据、单位的各种属性、数据的变量参数等。主要是借助图形化的表达方式,清晰有效的传达、描述和沟通信息,但是这并不单纯的意味着数据可视化纯粹的服务于功能用,如不加设计的直接呈现数据使用户或使用者感到枯燥乏味,亦或者是单纯的追求图形设计表现的极端绚丽使视图变得异常复杂,让使用者对于数据解读无从下手.为了有效的表达数据可视化的思想概念,设计的美学性和功能的实用性需要齐头并进,通过最为直观的表埋型述数据中的关键信息和数据特征,从而实现对于相当稀疏而又复杂的数据集的深入洞察,这需要数据分析的从业者能够很好的把握设计与功能之间的平衡,从而创造出实用与绚丽兼备的数据可视化形式。

图表作为数据可视化中最重要的一种表现方式,其能在不歪曲事实的情况下传达正确和必要的信息,同时又兼顾设计简单、美观直接的特点,使得使用者能在毫不费力的情况下解读出有效信息,而使得图表颇受各路分析师的喜爱。接下来我们就来看看有哪些主流的可视化图表:

1. 散点图(Scatter plot)

散点图是用于研究两个变量之间关系的经典的和基本的图表,例如数据存在多个组别时,则可能需要以不同颜色可视化每个组。

2. 散点图 - 包含线性回归最佳拟合线 (Scatter plot with linear regression line of best fit)

单一的散点图无法表述两个变量之间的相互改变关系,而最佳拟合线是用来阐述变量相互关系的常用方法,下图显示了数据中各组之间最佳拟合线的差异。

3. 计数图 (Counts Plot)

在二位图表的展现过程中,当我们增加一层数据纬度时常常会面临着数据点重叠的问题,而最常用的做法是选择是增加二维数据点的大小,以形状大小来描述三维数据,点的大小越大,其周围的点的集中度越高。

4. 相关图 (Correllogram)

相关图用于直观地查看给定数据框或二维数组中所有可能的数值变量对之间的相关度量。

5. 矩阵图 (Pairwise Plot)

矩阵图是用于理解所有可能的数值变量对之间的关系, 它是双变量分析的必备工具。

6. 面积图 (Area Chart)

通过对轴和线之间的区域进行着色,面积图不仅强调峰和谷,而且还强调高点和低点的持续时间。 高点持续时间越长,线下面积越大。

7. 有序条形图 (Ordered Bar Chart)

有序条形图有效地传达了项目的排名顺序,在图表上方添加度量标准的值,用户可以从图表本身获取精确信息。

8. 密度图 (Density Plot)

密度图是一种常用工具,用于可视化连续变量的分布。 通过“响应”变量对它们进行分组,您可以检查 X 和 Y 之间的关系。

9. 箱形图 (Box Plot)

箱形图是一种可视化分布的好方法,记住中位数、第25个第45个四分位数和异常值。 但是需要注意解释可能会扭曲该组中包含的点数的框的大小,手动提供每个框中的观察数量可以帮助克服这个缺点。

10. 饼图 (Pie Chart)

饼图是显示组成的经典方式。 然而因为馅饼部分的面积有时会变得误导,因此如果要使用饼图,强烈建议明确记下饼图每个部分的百分比或数字。

11. 时间序列图 (Time Series Plot)

时间序列图用于显示给定度量随时间变化的方式。

12. 树状图 (Dendrogram)

树形图基于给定的距离度量将相似的点组合在一起,基于点的相似性将它们组织在树状链接中。

数据可视化是一个处于不断演变之中的概念,其边界在不断地扩大,其允许利用图形、图像处理、计算机视觉以及用户界面,通过表达、建模以及对立体、表面、属性以及动画的显示,对数据加以可视化解释。

同时,伴随着计算机运算能力的迅速提升,以及规模越来越大,复杂程度越来越高的数值模型不断的诞生,使得大量体积庞大的数值型数据集被创造出来,因而需要高级的计算机图形学技术与方法来处理和可视化这些规模庞大的数据集,而简单、有效的数据可视化方式不仅能有效的解读数据内容更能为业务发展提供分析和决策思路。

数据城堡 :数据无处不在,让我们一起来窥探数据的魅力!(关注专栏: 数据城堡 )

更多回答请看: ZacharyW

第5章 数据与可视化

可视化是监控的目标之一,没有一个好的展示,再多的数据我们也很难分析。这里主要对Grafana进行介绍,前面我们虽然也展示过Grafana数据可视化的界面,但是并没有深入介绍。

书本介绍了Prometheus自带的控制台界面,开启这个功能只需要在启动命令中添加相关的参数。但是,用这个方法作图的效率实在是太低了。实际使用中,都是通过配合Grafana一起使用的。关于console template的原文链接 点我

下面介绍Grafana。

Console Teamplet虽然能满足一定的可视化需求,但是也仅仅是对Prometheus的基本能力的补充。同时使陵纳薯用也会有许多问题,首先用户需要学习和了解Go Template模板语言,其它其支持的可视化图表类型也非常有限,最后其管理也有一定的成本。在第1章的“初识Prometheus”中我们已经尝试通过Grafana快速搭建过一个主机监控的Dashboard,在本章中将会带来读者学习如何使用Grafana创建更加精美的可视化报表。

首先Grafana是一个通用的可视化工具。‘通用’意味着Grafana不仅仅适用于展示Prometheus下的监控数据,也同样适用于一些其他的数据可视化需求。在开始使用Grafana之前,我们首先需要明确一些Grafana下的基本概念,以帮助用户能够快速理解Grafana。

对于Grafana而言,Prometheus这类为其提供数据的对象均称为数据源(Data Source)。目前,Grafana官方提供了对:Graphite, InfluxDB, OpenTSDB, Prometheus, Elasticsearch, CloudWatch的支持。对于Grafana管理员而言,只需要将这些对象以数据源的形式添加到Grafana中,Grafana便可以轻松的实现对这些数据的可视化工作。

通过数据源定义好可视化的数据来源之后,对于用户而言最重要的事情就是实现数据的可视化。在Grafana中,我们通过Dashboard来组织和管理我们的数据可视化图表:

如上所示,在一个Dashboard中一个最基本的可视化单元为一个 Panel(面板) ,Panel通过如趋势图,热力图的形式展示尺者可视化数据。 并且在Dashboard中每一个Panel是一个完全独立的部分,通过Panel的 Query Editor(查询编辑器) 我们可以为每一个Panel自己查询的数据源以及数据查询方式,例如,如果以Prometheus作为数据源,那在Query Editor中,我们实际上使用的是PromQL,而Panel则会负责从特定的Prometheus中查询出相应的数据,并且将其可视化。由于每个Panel是完全独立的,因此在一个Dashboard中,往往可能会包含来自多个Data Source的数据。

Grafana通过插件的形式提供了多种Panel的实现,常用的如:Graph Panel,Heatmap Panel,SingleStat Panel以及Table Panel等。用户还可通过插件安装更多类型的Panel面板。

除了Panel以外,在Dashboard页面中,我们还可以定义一个 Row(行) ,来组织和管理一组相关的Panel。

除了Panel, Row这些对象以外,Grafana还允许用户为Dashboard定义 Templating variables(模板参数) ,从而实现可以与用户动态交互的Dashboard页面。同时Grafana通过JSON数据结构管理了整个Dasboard的定义,因此这些茄春Dashboard也是非常方便进行共享的。Grafana还专门为Dashboard提供了一个共享服务: ,通过该服务用户可以轻松实现Dashboard的共享,同时我们也能快速的从中找到我们希望的Dashboard实现,并导入到自己的Grafana中。

作为一个通用可视化工具,Grafana除了提供灵活的可视化定制能力以外,还提供了面向企业的组织级管理能力。在Grafana中Dashboard是属于一个 Organization(组织) ,通过Organization,可以在更大规模上使用Grafana,例如对于一个企业而言,我们可以创建多个Organization,其中 User(用户) 可以属于一个或多个不同的Organization。 并且在不同的Organization下,可以为User赋予不同的权限。 从而可以有效的根据企业的组织架构定义整个管理模型。

对于Grafana而言,Prometheus就是一个用于存储监控样本数据的数据源(Data Source)通过使用PromQL查询特定Prometheus实例中的数据并且在Panel中实现可视化。

接下来,我们将带领读者了解如何通过Panel创建精美的可视化图表。

Panel是Grafana中最基本的可视化单元。每一种类型的面板都提供了相应的查询编辑器(Query Editor),让用户可以从不同的数据源(如Prometheus)中查询出相应的监控数据,并且以可视化的方式展现。

Grafana中所有的面板均以插件的形式进行使用,当前内置了11种类型的面板,常用的包括:Graph,Singlestat,Heatmap, Dashlist,Table以及Text等。

其中像Graph这样的面板允许用户可视化任意多个监控指标以及多条时间序列。而Siglestat则必须要求查询结果为单个样本。Dashlist和Text相对比较特殊,它们与特定的数据源无关。

通过Grafana UI用户可以在左边的菜单栏增加一个Dashboard,然后里面选择 Choose Visualization 即可看到下面这些的面板:

选择想要创建的面板类型即可。这里以Graph面板为例,选择Graph后我们看到有4个菜单的内容需要进行设置的。

最上面的那个是Queries,在这里要定义数据源以及查询的PromQL语句;第二个也就是上图看到的,这里可以定义图表显示的内容,比如x轴和y轴的设置;第三个是General,可以定义面板的名称以及注释等;最后一个是alert,配置告警信息(Grafana也可以做告警的)。

在通用设置中,除了一些Panel的基本信息以外,最主要的能力就是定义动态Panel的能力,这部分内容会在本章的“模板化Dashboard”小结中详细介绍。

这4个设置菜单里面,最重要是第一个菜单,也就是PromQL查询语言的编写,示例为我要显示CPU的使用率的情况,我这么设置:

公式为: avg(irate(node_cpu_seconds_total{mode!='idle'}[2m])) without (cpu)

在数据源的选择那里,有好几个选项。其中default是我们前面设定的默认数据源;Prometheus是我们添加的数据源;Grafana则用于需要查询Grafana自身状态时使用; Mixed用于需要从多个数据源中查询和渲染数据的场景;另外一个Dashboard不清楚了。这里我们选择Prometheus作为数据源。

选择好数据源之后,我们要配置查询的语句。Grafana提供了对PromQL的完整支持,在Query Editor中,可以添加任意个Query,并且使用PromQL表达式从Prometheus中查询相应的样本数据。

每个PromQL表达式都可能返回多条时间序列。**Legend **用于控制如何格式化每条时间序列的图例信息。Grafana支持通过模板的方式,根据时间序列的标签动态生成图例名称,例如:使用表示使用当前时间序列中的instance标签的值作为图例名称:

当查询到的样本数据量非常大时可以导致Grafana渲染图标时出现一些性能问题,通过 Min Step 可以控制Prometheus查询数据时的最小步长(Step),从而减少从Prometheus返回的数据量。

Resolution 选项,则可以控制Grafana自身渲染的数据量。例如,如果 Resolution 的值为 1/10 ,Grafana会将Prometeus返回的10个样本数据合并成一个点。因此 Resolution 越小(1小于10,也就是默认已经最小了)可视化的精确性越高,反之,可视化的精度越低。

Format 选项定义如何格式化Prometheus返回的样本数据。这里提供了3个选项:Table,Time Series和Heatmap,分别用于Tabel面板,Graph面板和Heatmap面板的数据可视化。

除此以外,Query Editor还提供了调试相关的功能,点击 Query Inspector 可以展开相关的调试面板:

在这里我们可以配置显示的样式,这里我只自定义了左边Y轴的数字格式,选择为百分比。

在这里我定义了面板的名称已经注释

这里我没有做定义,最后的图表如下:

Graph面板是最常用的一种可视化面板,其通过折线图或者柱状图的形式显示监控样本随时间而变化的趋势。我们继续用CPU的例子来做讲解:

查询公式为

上面的箭头指向, Add series override菜单,可以让我们自定义某一条折线的样式

继续往下,这里可以定义X、Y轴的情况,比如我把左边Y轴的单位改为百分数。

继续往下,这里可以定义图例的样式,也就是我们前面定义的 {{ instance }} 的样式,这里我选择用表格来显示,显示min、max和current的值。

继续往下,这里可以定义一个阈值,图表是告警的阈值。比如说我的CPU使用率超过50%,那就会显示不同的颜色,有一条阈值线。

这里和之前一样,只定义这个面板的名称和注释。

最后的图表是:

热力图这里不做介绍,这个用得稍微少点。可以看原文 点我

Singlem Panel侧重于展示系统的当前状态而非变化趋势。如下所示,在以下场景中特别适用于使用SingleStat:

如下所示,是使用SingleStat进行数据可视化的显示效果:

我们继续用CPU来说事,比如我这里定义CPU使用率低于50%就定义主机状态为健康,否则就是不健康。

对于SingleStat Panel而言,其只能处理一条时间序列,否则页面中会提示“Multiple Series Error”错误信息。这里使用上例一样的语句去查询:

首先我们新建一个singlestat面板,然后输入公式,这时候毫无疑问出现了错误提示:

为了能够正常显示,这里我们手动指定下单个实例,修改语句为:

这时候就有数据了,接下来我们要修改图表的样式。

默认情况下,当前面板显示的是平均值,我们实际要看的是当前的值.我们还要修改显示的颜色,这里我定义了两个值,小于0.5的时候显示绿色,大于0.8显示红色,中间显示橙色;然后设置显示折线图,并设置为绿色。

为了提高数字的可读性,我们把数字替换为文字。CPU使用率低于50%的时候显示为healthy,大于50%的时候显示为unhealthy。

配置面板名称及注释

最后的成品如下:

前面我们介绍的例子中,Grafana能够方便的将Prometheus返回的数据进行可视化展示。例如,在展示主机CPU使用率时,我们使用了如下表达式:

该表达式会返回当前Promthues中存储的所有时间序列,每一台主机都会有一条单独的曲线用于体现其CPU使用率的变化情况:

而当用户只想关注其中某些主机时,基于当前我们已经学习到的知识只有两种方式,要么每次手动修改Panel中的PromQL表达式,要么直接为这些主机创建单独的Panel。但是无论如何,这些硬编码方式都会直接导致Dashboard配置的频繁修改。在这一小节中我们将学习使用Dashboard变量的方式解决以上问题。

在Grafana中用户可以为Dashboard定义一组变量(Variables),变量一般包含一个到多个可选值。如下所示,Grafana通过将变量渲染为一个下拉框选项,从而使用户可以动态的改变变量的值:

例如,这里定义了一个名为node的变量,用户可以通过在PromQL表达式或者Panel的标题中通过以下形式使用该变量:

变量的值可以支持单选或者多选,当对接Prometheus时,Grafana会自动将$node的值格式化为如“ host1|host2|host3 ”的形式。配合使用PromQL的标签正则匹配“ =~ ”,通过动态改变PromQL从而实现基于标签快速对时间序列进行过滤。

通过Dashboard页面的Settings选项,可以进入Dashboard的配置页面并且选择Variables子菜单:

用户需要指定变量的名称,后续用户就可以通过$variable_name的形式引用该变量。Grafana目前支持7种不同的变量类型,而能和Prometheus一起工作的主要包含以下5种类型:

Label属性用于指定界面中变量的显示名称,Hide属性则用于指定在渲染界面时是否隐藏该变量的下拉框。

当Prometheus同时采集了多个主机节点的监控样本数据时,用户希望能够手动选择并查看其中特定主机的监控数据。这时我们需要使用Query类型的变量。

如上所示,这里我们为Dashboard创建了一个名为node的变量,并且指定其类型为Query。Query类型的变量,允许用户指定数据源以及查询表达式,并通过正则匹配(Regex)的方式对查询结果进行处理,从而动态生成变量的可选值。在这里指定了数据源为Prometheus,通过使用node_load1我们得到了两条时间序列:

通过指定正则匹配表达式为 /.*instance="([^"]*).*/ 从而匹配出标签instance的值作为node变量的所有可选项,即:

Selection Options 选项中可以指定该变量的下拉框是否支持多选,以及是否包含全选(All)选项。

保存变量后,用户可以在Panel的Queries中通过$node的方式使用该变量,如下所示:

这里需要注意的是,如果允许用户多选在PromQL表达式中应该使用标签的正则匹配模式,因为Grafana会自动将多个选项格式化为如“192.168.113.52:9100|192.168.113.70:9100”的形式。

使用Query类型的变量能够根据允许用户能够根据时间序列的特征维度对数据进行过滤。在定义Query类型变量时,除了使用PromQL查询时间序列以过滤标签的方式以外,Grafana还提供了几个有用的函数:

例如,当需要监控Prometheus所有采集任务的状态时,可以使用如下方式,获取当前所有采集任务的名称:

label_values(up, job)

例如,有时候我们想要动态修改变量查询结果。比如某一个节点绑定了多个ip,一个用于内网访问,一个用于外网访问,此时prometheus采集到的指标是内网的ip,但我们需要的是外网ip。这里我们想要能在Grafana中动态改变标签值,进行ip段的替换,而避免从prometheus或exporter中修改采集指标。

这时需要使用grafana的query_result函数

当在一个Panel中展示多条时间序列数据时,通过使用变量可以轻松实现对时间序列的过滤,提高用户交互性。除此以外,我们还可以使用变量自动生成Panel或者Row。 如下所示,当需要可视化当前系统中所有采集任务的监控任务运行状态时,由于Prometheus的采集任务配置可能随时发生变更,通过硬编码的形式实现,会导致Dashboard配置的频繁变更:

如下所示,这里为Dashboard定义了一遍名为job的变量:

通过使用label_values函数,获取到当前Promthues监控指标up中所有可选的job标签的值:

如果变量启用了Multi-value或者Include All Option选项的变量,那么在Panel的General选项的Repeat中可以选择自动迭代的变量,这里使用了Singlestat展示所有监控采集任务的状态:

Repeat选项设置完成后,Grafana会根据当前用户的选择,自动创建一个到多个Panel实例。 为了能够使Singlestat Panel能够展示正确的数据,如下所示,在Prometheus中,我们依然使用了 job 变量,不过此时的$job反应的是当前迭代的值:

最后的结果图如下,当我选择全部的时候,自动生成了6个Panel。

数据结构可视化工具usfca

工具纳野地址:

使用洞埋喊方法:

点击链接进入可视化工具导航页面:

该页面提供的大部分平时所用到的数据结构:

点击B+树即可模拟B+树的动态插入过程,液团非常有利于理解

[img]

关于数据结构可视化和数据结构可视化 毕业设计的介绍到此就结束了,不知道你从中找到你需要的信息了吗 ?如果你还想了解更多这方面的信息,记得收藏关注本站。

标签列表