开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在python中，有没有办法测量多维空间中两个分布之间的距离？

在Python中，可以使用SciPy库中的scipy.spatial.distance模块来测量多维空间中两个分布之间的距离。该模块提供了多种距离度量方法，包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离等。

以下是一些常用的距离度量方法及其简要介绍：

欧氏距离（Euclidean Distance）：欧氏距离是最常用的距离度量方法，它衡量两个点之间的直线距离。在多维空间中，欧氏距离的计算公式为：d = sqrt((x1-x2)^2 + (y1-y2)^2 + ... + (n1-n2)^2)。在scipy.spatial.distance模块中，可以使用euclidean函数来计算欧氏距离。
曼哈顿距离（Manhattan Distance）：曼哈顿距离是衡量两个点之间的城市街区距离，即两点之间沿坐标轴的绝对距离之和。在多维空间中，曼哈顿距离的计算公式为：d = |x1-x2| + |y1-y2| + ... + |n1-n2|。在scipy.spatial.distance模块中，可以使用cityblock函数来计算曼哈顿距离。
切比雪夫距离（Chebyshev Distance）：切比雪夫距离是衡量两个点之间的最大坐标差值，即两点之间在各个坐标轴上的差值的最大值。在多维空间中，切比雪夫距离的计算公式为：d = max(|x1-x2|, |y1-y2|, ..., |n1-n2|)。在scipy.spatial.distance模块中，可以使用chebyshev函数来计算切比雪夫距离。

除了上述距离度量方法，scipy.spatial.distance模块还提供了其他距离度量方法，如闵可夫斯基距离（minkowski函数）、余弦相似度（cosine函数）、相关系数（correlation函数）等。

以下是一个示例代码，演示如何使用scipy.spatial.distance模块计算两个分布之间的欧氏距离：

from scipy.spatial.distance import euclidean

# 定义两个分布
distribution1 = [1, 2, 3, 4, 5]
distribution2 = [2, 4, 6, 8, 10]

# 计算欧氏距离
distance = euclidean(distribution1, distribution2)

print("欧氏距离：", distance)

对于更复杂的距离度量方法和应用场景，可以根据具体需求选择合适的距离度量方法进行计算。

腾讯云相关产品和产品介绍链接地址：

腾讯云官网：https://cloud.tencent.com/
腾讯云云服务器（CVM）：https://cloud.tencent.com/product/cvm
腾讯云云数据库 MySQL 版：https://cloud.tencent.com/product/cdb_mysql
腾讯云人工智能：https://cloud.tencent.com/product/ai
腾讯云物联网（IoT）：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发：https://cloud.tencent.com/product/mobile
腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
腾讯云区块链服务（BCS）：https://cloud.tencent.com/product/bcs
腾讯云元宇宙：https://cloud.tencent.com/product/tencent-metaverse

相关搜索:在c#中，有没有办法在函数中的两个语句之间设置执行延迟？在CSS中，有没有办法在`content`中的两个字符串之间添加制表符？在Matplotlib中，有没有办法在两个从未接触的垂直函数之间进行着色？在python 3中有没有办法让两个用户定义的函数只需要输入一次在Python中测量向量化字数的两个数组之间的距离在python中识别重复的单词并以列表的形式获取两个单词之间的距离在Python中，有没有一种方法可以轻松地将两个索引之间的所有元素放入一个嵌套列表中？如果数组的值在两个数字之间，有没有办法从数组中返回值？对于python中的整个数据集，有没有一种简单的方法来计算3D空间中两个点的距离？有没有一种方法可以在文本文件中提取python中两个标记之间的内容？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

10个机器学习中常用的距离度量方法

因此，我们在决定使用哪种测量方法时应该谨慎。但在做出决定之前，我们需要了解距离测量是如何工作的，以及我们可以从哪些测量中进行选择。...在更深入地研究不同的距离测量之前，我们先要有一个关于它们如何工作以及如何选择合适的测量的大致概念。距离度量用于计算给定问题空间中两个对象之间的差异，即数据集中的特征。...然后可以使用该距离来确定特征之间的相似性，距离越小特征越相似。对于距离的度量，我们可以在几何距离测量和统计距离测量之间进行选择，应该选择哪种距离度量取决于数据的类型。...几何距离测量 1、欧氏距离 Euclidean distance 欧氏距离度量两个实值向量之间的最短距离。...总结在这篇文章中，简要介绍了十种常用的距离测量方法。本文中已经展示了它们是如何工作的，如何在Python中实现它们，以及经常使用它们解决什么问题。

1.3K3 0

四种检测异常值的常用技术简述

Z-score Z-score是一维或低维特征空间中的参数异常检测方法。该技术假定数据是高斯分布，异常值是分布尾部的数据点，因此远离数据的平均值。...DBSCAN 该技术基于DBSCAN聚类方法，DBSCAN是一维或多维特征空间中的非参数，基于密度的离群值检测方法。...孤立森林|Isolation Forest 该方法是一维或多维特征空间中大数据集的非参数方法，其中的一个重要概念是孤立数。孤立数是孤立数据点所需的拆分数。...且只有DBSCAN方法（MinPts = 3/ℇ= 1.5，欧几里德距离测量）和孤立森林技术（异常值的估计百分比为10％）在早期到达方向发现异常值。 ?...其中一些用于一维特征空间、一些用于低维空间、一些用于高维空间、一些技术需要标准化和检查维度的高斯分布。而有些需要距离测量，有些需要计算平均值和标准偏差。

1.4K2 0

10个机器学习中常用的距离度量方法

因此，我们在决定使用哪种测量方法时应该谨慎。但在做出决定之前，我们需要了解距离测量是如何工作的，以及我们可以从哪些测量中进行选择。...在更深入地研究不同的距离测量之前，我们先要有一个关于它们如何工作以及如何选择合适的测量的大致概念。距离度量用于计算给定问题空间中两个对象之间的差异，即数据集中的特征。...然后可以使用该距离来确定特征之间的相似性，距离越小特征越相似。对于距离的度量，我们可以在几何距离测量和统计距离测量之间进行选择，应该选择哪种距离度量取决于数据的类型。...几何距离测量 1、欧氏距离 Euclidean distance 欧氏距离度量两个实值向量之间的最短距离。...总结在这篇文章中，简要介绍了十种常用的距离测量方法。本文中已经展示了它们是如何工作的，如何在Python中实现它们，以及经常使用它们解决什么问题。

1.1K1 0

常用距离算法 (原理、使用场景、Python实现代码)

因此，我们在决定使用哪种测量方法时应该谨慎。但在做出决定之前，我们需要了解距离测量是如何工作的，以及我们可以从哪些测量中进行选择。...在更深入地研究不同的距离测量之前，我们先要有一个关于它们如何工作以及如何选择合适的测量的大致概念。距离度量用于计算给定问题空间中两个对象之间的差异，即数据集中的特征。...然后可以使用该距离来确定特征之间的相似性，距离越小特征越相似。对于距离的度量，我们可以在几何距离测量和统计距离测量之间进行选择，应该选择哪种距离度量取决于数据的类型。...几何距离测量 1、欧氏距离 Euclidean distance 欧氏距离度量两个实值向量之间的最短距离。...总结在这篇文章中，简要介绍了十种常用的距离测量方法。本文中已经展示了它们是如何工作的，如何在Python中实现它们，以及经常使用它们解决什么问题。

1K2 0

暑期追剧学AI (三) | 10分钟搞定机器学习数学思维：向量和它的朋友们

三维坐标系中每一个维度的数值，都与我们测量到的特征值一一对应。同理，这也适用于具有300个特征值的数据点，300维空间内，尽管这不像三维尺度那样容易理解，不过机器可以很好地处理这一多维问题。...机器学习中的矢量化 有没有Python程序库可以实现这个？你一定会爱上NumPy的！矢量化实质就是一个矩阵操作，我一行代码就能搞定。...并且距离可以合理相加；因此在一个基本向量空间中，向量的范数是它的绝对值和两个数字之间的距离；通常，向量的长度，用欧几里德范数来计算。...我们可以用其中任意一个向量来归一化它的单位向量，然后用它来计算距离、计算向量之间的距离。对于显示给用户推荐是非常有用的，这两个术语也正在被使用在规范化的过程中。...它们可以在多维向量空间中表示出来，从而我们可以对它们进行计算，比如计算它们的距离并把它们相加，方法是，通过计算向量的向量范数，向量范数描述了向量的大小，防止过度拟合也很有用。

8695 0

通俗理解一个常用的降维算法(t-SNE)

当我们想对高维数据集进行分类，但又不清楚这个数据集有没有很好的可分性（同类之间间隔小、异类之间间隔大）时，可以通过降维算法将数据投影到二维或三维空间中。.../papers/v9/vandermaaten08a.html 3 t-SNE 原理描述 t-SNE将数据点之间的相似度转化为条件概率，原始空间中数据点的相似度由高斯联合分布表示，嵌入空间中数据点的相似度由学生...通过原始空间和嵌入空间的联合概率分布的KL散度（用于评估两个分布的相似度的指标，经常用于评估机器学习模型的好坏）来评估嵌入效果的好坏。...所以，为了在二维的圆上想尽可能表达出三维里的点的信息，大神Hinton采取的方法：把由于投影所重合的点用不同的距离（差别很小）表示。...这样就会占用原来在那些距离上的点，原来那些点会被赶到更远一点的地方。 t分布是长尾的，意味着距离更远的点依然能给出和高斯分布下距离小的点相同的概率值。

23.1K6 3

写给小白：K近邻算法入门

，我们将测量值标准化，使其在000到111之间。...既然我们已经有其他狗的测量数据，有没有可能推测出这只狗的品种呢？我们仍然可以将未标记的数据添加到现有三维空间中，所有其他的彩色数据点都在这个空间里。但我们该怎么给这个推测的数据点上色呢？...一种解决办法可能是随机挑选一个标签。然而，在我们的例子中，我们不应该孤立地考虑投票函数，因为我们知道：距离函数和投票函数共同来确定对未分类数据的预测。我们可以利用这一事实。...参数k决定了：在通过majority_vote函数投票给新标签时，我们要考虑多少个邻居。 knn算法的首要任务是计算新数据点和所有其他现有数据点之间的距离。...k-NNs的主要思想是：利用新的“待分类”数据点的K个最近邻来“投票”选出它应有的标签。因此，我们需要两个核心函数来实现k-NN。第一个函数计算两个数据点之间的距离，以便找到最近的邻居。

5962 0

快学学大牛最爱的t-SNE算法吧（附PythonR代码）

它将多维数据映射到适合于人类观察的两个或多个维度。在t-SNE算法的帮助下，你下一次使用高维数据时，可能就不需要绘制很多探索性数据分析图了。 2.什么是降维？...简而言之，降维是在2维或3维中展现多维数据（具有多个特征的数据，且彼此具有相关性）的技术。...此外，t-SNE在低维空间中采用长尾分布，以减轻拥挤问题（参考下面译者解释）和SNE的优化问题。...定位点之间的排斥或吸引，取决于图中的两点之间的距离是太远还是太近 (太远和太近都不能表示两个高维数据点之间的相似性。)由弹簧在 ? 和 ?...，则可避免上述不对称的代价函数所带来的问题。区别二：在低维空间中使用学生t-分布而不是高斯分布来计算点与点之间的相似度。 t-SNE在低维空间中采用长尾的学生t-分布， ?

3.5K2 0

ML中相似性度量和距离的计算&Python实现

欧式距离(Euclidean Distance) 欧式距离是最易于理解的一种距离计算方法，也称欧几里得距离，源自欧式空间中两点的距离公式，是指在m维空间两点之间的真实距离，欧式距离在机器学习中使用的范围比较广...多维空间的欧氏距离多维空间的两点与之间的欧氏距离 Python实现: def euclideann(a, b): sum = 0 for i in...这篇文章中曼哈顿距离，欧式距离，明式距离，切比雪夫距离的区别给了一个很形象的解释如下：比如，有同样两个人，在纽约准备到北京参拜天安门，同一个地点出发的话，按照欧式距离来计算，是完全一样的。 ...夹角余弦(Cosine) 几何中夹角余弦可用来衡量两个向量方向的差异，机器学习中借用这一概念来衡量样本向量之间的差异。 6.1....二维空间向量的夹角余弦相似度在二维空间中向量与向量的夹角余弦公式： Python实现: def cos2(a, b): cos = (a[0]*b[0] + a[1]*b

6.5K17 0

点云距离度量：完全解析EMD距离(Earth Movers Distance)

作者丨刘昕宸@知乎来源丨https://zhuanlan.zhihu.com/p/270675634 编辑丨3D视觉工坊 1 我们为什么需要度量点云距离 EMD距离度量两个分布之间的距离。...这里的分布当然可以是点云。意义：在传统机器学习任务中，我们常用L1范数、L2范数来计算表征之间的距离。在图像领域，我们可以使用pixel-wise的差异来计算图像之间的距离。...解决线性规划的单纯形算法： https://zhuanlan.zhihu.com/p/31644892 2.3 EMD距离建模 EMD距离用于衡量（在某一特征空间下）两个多维分布之间的dissimilarity...EMD的idea：给定两个分布，将一个看成是在空间中适当分布的土堆，将另一个看成是在空间中适当分布的洞，EMD距离测量的就是用这些土堆填满这些洞，所需要的最小工作量。...的CD：计算配对 ? 中每个点与其距离最近的 ? 中点的距离，并将它们相加： ? 对称版本CD： ?

4.4K5 0

【综述专栏】点云距离度量：完全解析EMD距离(Earth Movers Distance)

作者：刘昕宸地址：https://www.zhihu.com/people/liu-xin-chen-64 01 我们为什么需要度量点云距离 EMD距离度量两个分布之间的距离。...这里的分布当然可以是点云。意义：在传统机器学习任务中，我们常用L1范数、L2范数来计算表征之间的距离。在图像领域，我们可以使用pixel-wise的差异来计算图像之间的距离。...解决线性规划的单纯形算法： https://zhuanlan.zhihu.com/p/31644892 2.3 EMD距离建模 EMD距离用于衡量（在某一特征空间下）两个多维分布之间的dissimilarity...EMD的idea：给定两个分布，将一个看成是在空间中适当分布的土堆，将另一个看成是在空间中适当分布的洞，EMD距离测量的就是用这些土堆填满这些洞，所需要的最小工作量。...的CD：计算配对 ? 中每个点与其距离最近的 ? 中点的距离，并将它们相加： ? 对称版本CD： ?

2.4K1 0

机器学习中“距离与相似度”计算汇总

欧几里得距离在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离。欧几里得距离有时候有称欧氏距离，在数据分析及挖掘中经常会被使用到，例如聚类或计算相似度。 ?...汉明距离是以理查德·卫斯里·汉明的名字命名的，汉明在误差检测与校正码的基础性论文中首次引入这个概念这个所谓的距离，是指两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数。...协方差：标准差与方差是描述一维数据，当存在多维数据时，我们通常需要知道每个维数的变量中间是否存在关联。协方差就是衡量多维数据集中，变量之间相关性的统计量。...在新的坐标系中，多元正态分布像是标准正太分布，当将变量投影到任何一条穿过原点的坐标轴上。特别是，在每一个新的坐标轴上，它就是标准正态分布。...这种方法在假设数据各个维度不相关的情况下利用数据分布的特性计算出不同的距离。

3.2K1 0

【目标跟踪】卡尔曼滤波（公式推导与代码）

由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波)过程。 ...假设小明和甲都静止不动，小明有个激光测距仪告诉小明与甲的距离分别为9.9m。由于肉眼测量与激光测距仪的数据都不能确定为真值，那我们有没有办法结合他们的数据找个更准确的值呢？...在已有的测量数据情况下，我们要尽可能找到一个更加准确的值。我们要获取更加准确值，我们需要同时符合两者假设条件。...假定两者都属于正态分布，我们把两个高斯分布相乘，结果正好可以获得另一个放缩的高斯分布，得到了这个我们认为是最大后验概率分布。可以手动推导下：现在获得一个新的高斯分布。...1.3、类比多维我们通过第一个场景得到这个是通过一维高斯分布获得的，现在我们类比下多维高斯分布二、代码示例 2.1、一维空间例1：假设飞行器沿某一个方向做匀速运动 v = 40m/s

4161 0

ML中相似性度量和距离的计算&Python实现

欧式距离(Euclidean Distance) 欧式距离是最易于理解的一种距离计算方法，也称欧几里得距离，源自欧式空间中两点的距离公式，是指在m维空间两点之间的真实距离，欧式距离在机器学习中使用的范围比较广...这篇文章中曼哈顿距离，欧式距离，明式距离，切比雪夫距离的区别给了一个很形象的解释如下：比如，有同样两个人，在纽约准备到北京参拜天安门，同一个地点出发的话，按照欧式距离来计算，是完全一样的。...夹角余弦(Cosine) 几何中夹角余弦可用来衡量两个向量方向的差异，机器学习中借用这一概念来衡量样本向量之间的差异。 6.1....多维空间向量的夹角余弦相似度两个n维样本点a(x_{1,1} \cdots,x_{1n})与b(x_{2,1}, \cdots, x_{2n})之间的夹角余弦可以使用类似于夹角余弦的概念来衡量这两个样本点间的相似程度...杰卡德相似系数两个集合A和B的交集元素在A，B的并集中所占的比例，称为两个集合的杰卡德相似系数，用符号J(A,B)表示。

2.9K17 0

通俗理解一个常用的降维算法

当我们想对高维数据集进行分类，但又不清楚这个数据集有没有很好的可分性（同类之间间隔小、异类之间间隔大）时，可以通过降维算法将数据投影到二维或三维空间中。.../papers/v9/vandermaaten08a.html 3 t-SNE 原理描述 t-SNE将数据点之间的相似度转化为条件概率，原始空间中数据点的相似度由高斯联合分布表示，嵌入空间中数据点的相似度由学生...通过原始空间和嵌入空间的联合概率分布的KL散度（用于评估两个分布的相似度的指标，经常用于评估机器学习模型的好坏）来评估嵌入效果的好坏。...所以，为了在二维的圆上想尽可能表达出三维里的点的信息，大神Hinton采取的方法：把由于投影所重合的点用不同的距离（差别很小）表示。...这样就会占用原来在那些距离上的点，原来那些点会被赶到更远一点的地方。 t分布是长尾的，意味着距离更远的点依然能给出和高斯分布下距离小的点相同的概率值。

1.3K1 0

流形学习方法概述

如果有一个很低维度的流形嵌入到高维流形中(嵌入可以举例为在三维空间中的曲线或散点，分布的复杂性肯定比曲面复杂)，但是这些嵌入到高维流形中的局部部分都是可以度量的(比如散点间距离，异面直线距离等)，因此如果能容易地在局部建立降维映射关系...一般来说我们在实际场景的数据样本的维度是高维的，且分布比较复杂，但是局部是具有欧式空间性质的，所以降维场景可以采用流形学习的思想同胚接下来解释几种典型的流形学习方法多维缩放算法MDS 要求在原始空间中样本之间的距离...(可以看成是样本特征向量之间的欧式距离)在低维空间中得到保持数学原理假设N个样本在原始n维空间中的距离矩阵为D，D为对称矩阵其中假设需要将该n维空间的样本X(维度为N*n)降维至n'空间的样本...、中国上海到美国洛杉矶的距离是圆弧而不是直线距离(欧式距离)，所以高维流形中的直线距离在低维嵌入流形中是不可达的等度量映射相较于多维缩放，其实本质就是距离矩阵D的计算方式的不同，多维缩放中的D就是纯粹的欧式距离...，然后新样本代入训练好的回归器得到新维度坐标，这也是目前来说最好的办法局部线性嵌入算法LLE 与等度量映射Isomap保持距离不变不同，局部线性嵌入则是试图保持邻域样本之间的线性关系(在二维空间是保持共线性

1.2K2 0

【PCL入门系列之二】PCL模块介绍(一)

滤波器可以对每个点的邻域进行统计分析，并且移除那些不满足某种特定标准的异常值。以稀疏异常值为例，PCL对去除稀疏异常值的实现基于数据中某点到邻域点距离分布的计算。...首先，计算每个点到其所有邻域点的平均距离，假设所得到的分布是以平均值和标准偏差为参数的高斯分布，所有平均距离在期望区间（由全局平均距离和标准偏差定义）之外的点可以被认为是异常值并从数据集中移除。...3D特征是空间中在某特定3D点或位置，用该点周围可用的信息描述几何图案的表示方法，在该点周围被选出的数据空间通常称为k邻域。两个应用最广泛的几何点特征是（假设点P处）曲率和法线。...PCL的配准库为有组织或无组织的通用数据集提供了大量的点云配准算法，关键思想是识别数据集之间的对应点并找到最小化对应点之间的距离（对齐误差）的变换，由于对应搜索受数据集的相对位置和方向的影响，该过程需要重复进行...Kd树在计算机科学中，Kd树（K维树）是用于组织k维空间中的点的空间划分的数据结构，即一种高维数据的快速查询结构。

2.2K3 1

通俗理解一个常用的降维算法

当我们想对高维数据集进行分类，但又不清楚这个数据集有没有很好的可分性（同类之间间隔小、异类之间间隔大）时，可以通过降维算法将数据投影到二维或三维空间中。.../papers/v9/vandermaaten08a.html 3 t-SNE 原理描述 t-SNE将数据点之间的相似度转化为条件概率，原始空间中数据点的相似度由高斯联合分布表示，嵌入空间中数据点的相似度由学生...通过原始空间和嵌入空间的联合概率分布的KL散度（用于评估两个分布的相似度的指标，经常用于评估机器学习模型的好坏）来评估嵌入效果的好坏。...所以，为了在二维的圆上想尽可能表达出三维里的点的信息，大神Hinton采取的方法：把由于投影所重合的点用不同的距离（差别很小）表示。...这样就会占用原来在那些距离上的点，原来那些点会被赶到更远一点的地方。 t分布是长尾的，意味着距离更远的点依然能给出和高斯分布下距离小的点相同的概率值。

1K2 0

一看就懂的K近邻算法(KNN)，K-D树，并实现手写数字识别！

有哪些距离度量的表示法(普及知识点，可以跳过)：欧氏距离，最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中，如点 x = (x1,......巴氏距离在统计中，巴氏距离距离测量两个离散或连续概率分布的相似性。它与衡量两个统计样品或种群之间的重叠量的巴氏距离系数密切相关。...同时，Bhattacharyya系数可以被用来确定两个样本被认为相对接近的，它是用来测量中的类分类的可分离性。对于离散概率分布 p和q在同一域 X，它被定义为： [gif.latex?...应用：信息编码（为了增强容错性，应使得编码间的最小汉明距离尽可能大）。夹角余弦几何中夹角余弦可用来衡量两个向量方向的差异，机器学习中借用这一概念来衡量样本向量之间的差异。...2.3 KD树的删除 KD树的删除可以用递归程序来实现。我们假设希望从K-D树中删除结点（a,b）。如果（a,b）的两个子树都为空，则用空树来代替（a,b）。

1.2K1 0

向量数据库｜一文全面了解向量数据库的基本概念、原理、算法、选型

我们可以将向量想象为包含在 Voronoi 单元格中 - 当引入一个新的查询向量时，首先测量其与质心 (centroids) 之间的距离，然后将搜索范围限制在该质心所在的单元格内。...但是在高维坐标系中，还会遇到维度灾难问题，具体来说，随着维度的增加，数据点之间的距离会呈指数级增长，这也就意味着，在高维坐标系中，需要更多的聚类中心点将数据点分成更小的簇，才能提高分类的质量。...在多维坐标系中，同样可以通过随机生成一个超平面，将多维坐标系划分为两个区域，从而区分相似性。但是在高维空间中，数据点之间的距离往往非常稀疏，数据点之间的距离会随着维度的增加呈指数级增长。...在相似性搜索中，需要计算两个向量之间的距离，然后根据距离来判断它们的相似度。而如何计算向量在高维空间的距离呢？有三种常见的向量相似度算法：欧几里德距离、余弦相似度和点积相似度。...欧几里得距离（Euclidean Distance）欧几里得距离是指两个向量之间的距离，它的计算公式为： �(�,�)=∑�=1�(��−��)2d(A,B)=i=1∑n(Ai−Bi)2 其中

46.8K21 31

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭