如何使用sklearn Column Transformer？
sklearn Column Transformer是scikit-learn库中的一个功能强大的类，用于处理具有不同数据类型的特征列。它可以将不同的数据预处理步骤应用于不同的特征子集，然后将它们合并为单个特征矩阵。
使用sklearn Column Transformer的步骤如下：
- 导入必要的库和模块：
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, OneHotEncoder- 定义特征列的预处理步骤：
numeric_features = ['age', 'income']
numeric_transformer = Pipeline(steps=[
('scaler', StandardScaler())])
categorical_features = ['gender', 'education']
categorical_transformer = Pipeline(steps=[
('onehot', OneHotEncoder())])在上面的示例中，我们定义了两个特征子集：numeric_features和categorical_features。numeric_transformer使用StandardScaler对数值特征进行标准化，categorical_transformer使用OneHotEncoder对分类特征进行独热编码。
- 创建ColumnTransformer对象：
preprocessor = ColumnTransformer(
transformers=[
('num', numeric_transformer, numeric_features),
('cat', categorical_transformer, categorical_features)])在上面的示例中，我们使用ColumnTransformer将numeric_transformer应用于numeric_features，将categorical_transformer应用于categorical_features。
- 使用ColumnTransformer进行数据预处理：
X_train_preprocessed = preprocessor.fit_transform(X_train)
X_test_preprocessed = preprocessor.transform(X_test)在上面的示例中，我们使用fit_transform方法对训练数据进行预处理，并使用transform方法对测试数据进行预处理。
sklearn Column Transformer的优势在于它可以轻松处理具有不同数据类型的特征列，并且可以将不同的预处理步骤应用于它们。这使得数据预处理过程更加灵活和高效。
sklearn Column Transformer的应用场景包括但不限于以下情况：
- 处理具有混合数据类型的特征列，如数值特征和分类特征的组合。
- 在机器学习流水线中进行特征工程，将不同的预处理步骤应用于不同的特征子集。
- 在交叉验证过程中对数据进行预处理，确保每个折叠的预处理步骤都是独立的。
腾讯云提供了多个与sklearn Column Transformer类似的产品和服务，用于数据预处理和特征工程。其中，腾讯云机器学习平台（https://cloud.tencent.com/product/tcmlp）提供了丰富的机器学习工具和算法，可以用于构建和部署机器学习模型。此外，腾讯云还提供了云原生数据库TDSQL（https://cloud.tencent.com/product/tdsql）和云数据库CDB（https://cloud.tencent.com/product/cdb）等用于数据存储和管理的产品。
希望以上内容能够帮助您理解如何使用sklearn Column Transformer，并了解相关的腾讯云产品和服务。
相关·内容
目前，我可以通过使用make_column_transformer和make_pipeline构建一个模型，如下所示： from sklearn.compose import make_column_transformer
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
from sklearn.tree import DecisionTreeClassifier
from sklearn.pipeline import make_pipel
浏览 20提问于2020-09-11得票数 0
1回答
我想用列转换器编码多个列。你知道怎么加那些吗？
from sklearn.preprocessing import LabelEncoder
from sklearn.compose import make_column_transformer
transformer = make_column_transformer(( OneHotEncoder(categories='auto'), [1] ),remainder="passthrough")
X = transformer.fit_transform(X)
LabelEncoder_Y = Label
浏览 3提问于2019-10-31得票数 2
我有一个包含有分类变量的列的dataframe，其中也包含了NaNs。
Category
1 A
2 A
3 Na
4 B
我想使用sklearn.compose.make_column_transformer()以一种干净的方式准备df。我试图计算nan值并使用以下代码对列进行OneHotEncode：
from sklearn.preprocessing import OneHotEncoder
from sklearn.impute import SimpleImputer
from sklearn.compose import make_column_transformer
tr
浏览 11提问于2020-09-23得票数 1
回答已采纳
我正在使用scikit创建一个决策树模型--学习，在使用进行缩放之前，我需要对数据进行拆分。但是，我也想使用cross_val_score()方法。
我首先使用OneHotEncoding()在make_column_transformer()中编码了一些分类数据，如下所示：
transformer = sklearn.compose.make_column_transformer(
(sklearn.preprocessing.OneHotEncoder(handle_unknown='ignore'), ['SoilDrainage'
浏览 7提问于2022-07-25得票数 3
回答已采纳
我有熊猫DataFrame df。我想使用不同的编码器对df的连续和分类特性进行编码。我觉得使用make_column_transformer很舒服，但是下面所示的代码在LabelEncoder()中失败了，但是在OneHotEncoder(handle_unknown='ignore'))中工作得很好。错误信息是：
TypeError: fit_transform()接受两个位置参数，但给出了3个
我不清楚如何解决这个问题。
守则：
from sklearn.compose import make_column_transformer
from sklearn.prepr
浏览 8提问于2019-12-02得票数 4
我正在尝试创建一个sklearn.compose.ColumnTransformer管道，用于转换分类和连续输入数据：
import pandas as pd
from sklearn.base import TransformerMixin, BaseEstimator
from sklearn.preprocessing import OneHotEncoder, FunctionTransformer
from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer, make_col
浏览 2提问于2018-11-19得票数 4
回答已采纳
我正在读有关列转换器的scikitlearn教程。给定的示（https://scikit-learn.org/stable/modules/generated/sklearn.compose.make_column_selector.html#sklearn.compose.make_column_selector)工作，但当我尝试只选择几列时，它给出了错误。 MWE import numpy as np
import pandas as pd
import seaborn as sns
from sklearn.compose import make_column_transformer
浏览 39提问于2020-06-17得票数 5
回答已采纳
我设计了下列管道来训练我的模型：
from sklearn.compose import make_column_selector as selector
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
cat_imputer = SimpleImputer(stra
浏览 9提问于2022-06-06得票数 1
1回答
在sklearn中，我们可以使用管道中的列转换器对特定的列应用预处理选项，如下所示：
import pandas as pd
from sklearn.preprocessing import MaxAbsScaler, MinMaxScaler, StandardScaler, ...
from sklearn.compose import ColumnTransformer, make_column_transformer
from sklearn.pipeline import Pipeline
from sklearn.neural_network import MLPClassifi
浏览 1提问于2021-12-02得票数 0
回答已采纳
如何在滑雪板管道中使用LabelEncoder？
注意下面的代码适用于"OneHotEncoder“，但是对于" LabelEncoder”却失败了，在这种情况下如何使用LabelEncoder？
米维
import numpy as np
import pandas as pd
import seaborn as sns
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.compose import make_column_transformer
import sklearn
浏览 5提问于2020-09-14得票数 1
1回答
目标:当模型输入为int、浮和对象时(根据熊猫的数据)，预测给定类别集的概率。
我正在使用来自UCI的以下数据集：
我已经创建了一条管道，它几乎可以工作：
# create transformers for the different variable types.
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
import pandas as pd
im
浏览 0提问于2019-03-04得票数 5
回答已采纳
2回答
我正在处理泰坦尼克号数据集，我希望处理管道上的所有预处理活动。下面是我的代码：
获取数据集
!wget "https://calmcode.io/datasets/titanic.csv"
然后阅读如下：
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler, OneHotEncoder
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
dt = pd
浏览 4提问于2022-01-23得票数 0
1回答
我有以下df text count daytime label
I think... 4 morning pos
You should... 3 afternoon neg
Better... 7 evening neu 我尝试只使用ColumnTransform预处理text列，方法是使用 from sklearn.feature_extraction.text import TfidfVectorizer
浏览 30提问于2021-07-05得票数 0
回答已采纳
1回答
在我的sklearn管道中访问中间步骤的属性时遇到了问题。下面是我的代码：
from sklearn.pipeline import make_pipeline, make_union
from sklearn.compose import make_column_transformer
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler, PowerTransformer, OneHotEncoder
categorical_pipeline = make_pip
浏览 0提问于2019-12-26得票数 2
1回答
代码在列的规范上抛出错误
、、、、
当我运行我的模型时，我一直收到以下的值错误： ValueError: Specifying the columns using strings is only supported for pandas DataFrames 以下是该错误的完整版本： Traceback (most recent call last):
File "/usr/lib/python3.8/site-packages/sklearn/utils/__init__.py", line 425, in _get_column_indices
all_columns = X.columns
浏览 38提问于2020-10-26得票数 0
回答已采纳
我尝试对数据集进行预测，该数据集的头为：
ID Reason Month Day ... Season Drinker Age Group TimeOff
0 28 23 10 2 ... 4.0 Yes Middle Aged Low
1 17 18 1 3 ... 2.0 Yes NaN High
2 25 1 7 3 ... 1.0 Yes Adult
浏览 9提问于2022-05-30得票数 0
回答已采纳
我在泰坦尼克号数据集上建立了模型，用Logistic回归Succeffullly，它给出了训练集的预测，但不幸的是，我无法在测试数据集上实现。
以下代码可供参考：
training = training[['PassengerId','Sex','Embarked','Pclass','Age','SibSp','Survived']] # 0.78
X = training.iloc[:, :-1]
y = training.iloc[:, -1]
from sklearn.c
浏览 0提问于2021-07-27得票数 0
我有以下数据集：
from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.compose import make_column_transformer
from sklearn.preprocessing import MinMaxScaler
import numpy as np
import pandas as pd
dt = pd.DataFrame({
"time": ["1/4/2021 0:00","1/4/2021 1:00","1
浏览 1提问于2021-11-29得票数 0
回答已采纳
出于培训的目的，我使用Udemy课程中的csv文件。为了简单起见，我只想使用年龄和国家列。代码如下：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.compose import ColumnTransformer as ct
from sklearn.model_selection import train_test_split as tts
data = pd.read_csv("advertising.csv")
X = data[["Age
浏览 33提问于2021-05-19得票数 1
回答已采纳
import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from sklearn.pipeline import Pipeline
from sklearn.svm import LinearSVC
from sklearn.preprocessing import MinMaxScaler
from sklearn.compose import ColumnTransformer
data = [[1, 3, 4, 'text', &#
浏览 2提问于2020-04-12得票数 5
我希望将SageMaker管道自动化，以便它能够跨环境构建、培训和部署模型。我不是一个数据科学家，这个领域对我来说是非常新的，所以斗争是真实的！
我已经设置了一个正确构建代码的管道，但是当需要对步骤进行预处理时，错误失败了，没有一个模块名为‘skearchExtensions’
下面的Preprocess.py脚本
from numpy import nan
from sagemaker_sklearn_extension.externals import Header
from sagemaker_sklearn_extension.impute import RobustImputer
f
浏览 7提问于2021-08-26得票数 0
我有虚拟数据帧，与列文本和车辆，我想使用Countvectorizer为文本列和一个dataframe为车辆列 import pandas as pd
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import make_column_transformer
from sklearn.feature_extraction.text import CountVectorizer
df = pd.DataFrame([['how are you','car'],[&#
浏览 20提问于2020-04-03得票数 0
回答已采纳
import numpy as np
import pandas as pd
from sklearn.preprocessing import OneHotEncoder,StandardScaler
from sklearn.compose import ColumnTransformer, make_column_transformer
from sklearn.linear_model import LinearRegression
df = pd.DataFrame({'brand' : ['aaaa', 'asdfasdf'
浏览 7提问于2020-04-07得票数 5
回答已采纳
我第一次使用列转换器，我一直得到一个Type错误，代码有问题吗？
代码：
transformer = ColumnTransformer(('cat',OrdinalEncoder(),['job_industry_category','job_title','wealth_segmenr','gender']),
('numb',MinMaxScaler(),['tenure', 'age'])
dat
浏览 6提问于2020-11-19得票数 1
回答已采纳
我正在编写一个使用ColumnTransformer和LabelEncoder对著名的泰坦尼克号数据集X进行预处理的示例。
Age Embarked Fare Sex
0 22.0 S 7.2500 male
1 38.0 C 71.2833 female
2 26.0 S 7.9250 female
3 35.0 S 53.1000 female
4 35.0 S 8.0500 male
像这样叫变压器：
from sklearn.compose impor
浏览 0提问于2019-05-02得票数 16
回答已采纳
我正在学习一个专注于OneHotEncoder的教程。我理解编码特性背后的想法，但我在使用编码器和流水线进行新的预测时遇到了一些问题。其中两个特征--“性别”和“登船”--是绝对的，而不是数字的。当创建一个新的numpy数组进行预测时，您是使用初始值，比如"male“和"C"，还是使用"1”和"2“来进行新的预测？我得到了以下错误：“ValueError:使用字符串指定列只支持pandas DataFrames”，这很奇怪，因为我使用的值都是数值。无论如何，我是否必须将管道安装到X_new才能做出新的预测？如果是这样，我如何做到这一点？ X_new =
浏览 36提问于2020-06-17得票数 0
在sklearn管道中使用make_column_transformer()时，我在尝试使用CountVectorizer时遇到了一个错误。
我的DataFrame有两列，'desc-title'和'SPchangeHigh'。下面是两行的片段：
features = pd.DataFrame([["T. Rowe Price sells most of its Tesla shares", .002152],
["Gannett to retain all seats in MNG pr
浏览 4提问于2019-05-24得票数 3
回答已采纳
在使用新的ColumnTransformer特性时，我正在尝试使用SKLearn 0.20.2来创建管道。我的问题是我一直收到这个错误： AttributeError: 'numpy.ndarray' object has no attribute 'lower' 我有一列文本，叫做text。我的所有其他列本质上都是数字的。我正在尝试在我的管道中使用Countvectorizer，我认为这就是问题所在。如果能帮上忙的话会很感激。 from sklearn.impute import SimpleImputer
from sklearn.compose impo
浏览 13提问于2019-02-05得票数 2
我需要在使用列名的管道中使用自定义转换器。但是，前面的管道转换将数据转换为numpy数组。我知道在管道合适之后，我可以从列转换器对象中检索列名，但是我需要在fit步骤中访问列名。下面的示例中的自定义转换器是一个简单的最小示例，仅用于说明，而不是真正的转换。
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, MinMaxScaler
from
浏览 1提问于2020-09-11得票数 5
我使用SelectFromModel进行特征选择，LogisticRegression作为估计器。我有一个调整数值列和分类列的预处理管道。并将该特征选择管与GridSearchCV管道中的模型结合使用。
在param_grid中，我希望在SelectFromModel方法中访问LogisticRegression的max_iter。所以我试了一下'selectfrommodel__logisticregression__max_iter': [400, 500],。
preprocessor = make_column_transformer(
(num_transfo
浏览 6提问于2022-09-08得票数 0
我试图使用scikit的ColumnTransformer类作为一个实际的DataFrame转换器和一个“监视”转换器--即监视新类何时进入数据集中的分类特性的对象。
import numpy as np
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
# Original DataFrame off of which transformers are fit
orig_df = pd.DataFrame(
浏览 1提问于2019-01-15得票数 1
回答已采纳
我正在学习sklearn自定义变压器，并阅读了创建自定义变压器的两种核心方法：
通过设置从BaseEstimator和TransformerMixin继承的自定义类，或
通过创建转换方法并将其传递给FunctionTransformer。
我想通过实现“元向量器”功能来比较这两种方法:支持CountVectorizer或TfidfVectorizer并根据指定的向量器类型转换输入数据的向量器。
但是，当将这两种工作传递给sklearn.pipeline.Pipeline时，我似乎无法完成任何一项工作。我在fit_transform()步骤中得到以下错误消息：
ValueErro
浏览 18提问于2022-01-01得票数 1
回答已采纳
我想要一次在两列中应用Sklearn的CountVectorizer。我已经尝试过了： features = df[['col 1', 'col2']]
results = df[['col 3']
vectorizer = CountVectorizer(lowercase=False)
features = vectorizer.fit_transform(features)
results = vectorizer.fit_transform(results) 但是我得到了这个错误： TypeError: expected strin
浏览 28提问于2020-05-02得票数 0
所有人 我正在尝试使用scikit-learn创建一个管道。 基本上，我有一个jupyter-notebook，它使用pandas加载数据，拆分数据集来训练和测试模型。 我的问题出现在下面这一行：clf.fit(X_train, y_train)你可以在我的github repo jupyter-notebook上看到完整的代码 日志错误： ----------------------------------------------------------------------
KeyError Traceback (most rec
浏览 40提问于2020-12-23得票数 0
回答已采纳
我正在尝试用下面的代码安装SkLearn DecisionTree的数据格式。但是我得到了一个错误Length of feature_names, 9 does not match number of features, 8。DecisionTree似乎只有经过一次编码转换后才有合适的分类特征，而不是数字特征。如何将数值特征包含在决策树模型中？
import pandas as pd
import numpy as np
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import make_pipelin
浏览 0提问于2022-07-13得票数 0
我正在使用sklearn管道来预处理我的数据。 from sklearn.pipeline import Pipeline
from sklearn.impute import KNNImputer
from sklearn.preprocessing import StandardScaler, LabelEncoder, OneHotEncoder
numeric_transformer = Pipeline(steps=[('scaler', StandardScaler()),
('imputer', KNNImputer(n_neighbo
浏览 51提问于2021-06-20得票数 0
回答已采纳
我正在尝试用下面的代码安装SkLearn DecisionTree的数据格式。但是我得到了一个错误Length of feature_names, 9 does not match number of features, 8。DecisionTree似乎只有经过一次编码转换后才有合适的分类特征，而不是数字特征。如何将数值特征包含在决策树模型中？
import pandas as pd
import numpy as np
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import make_pipelin
浏览 3提问于2022-07-13得票数 0
回答已采纳
我使用一个sklearn.pipeline.Pipeline对象来进行集群。
pipe = sklearn.pipeline.Pipeline([('transformer1': transformer1),
('transformer2': transformer2),
('clusterer': clusterer)])
然后我用剪影评分来评估结果。
sil = preprocessing.silhouett
浏览 3提问于2017-08-11得票数 10
1回答
我很难同时将不同的变压器应用到具有不同类型的(文本与数字)的列中，并将这些变压器连接在一个单独的转换器中，供以后使用。
我试着遵循文档中的步骤，这说明了如何对分类数据和数字数据进行处理，但它似乎不适用于文本数据。
TL;DR
如何为文本和数字数据创建一个可存储的转换器，它遵循不同的管道？
数据下载和准备
# imports
import numpy as np
from sklearn.compose import ColumnTransformer
from sklearn.datasets import fetch_openml
from sklearn.feature_extracti
浏览 3提问于2020-12-16得票数 5
回答已采纳
我想要一次热编码几个列，并使用了几种解决方案，包括简单的一次热编码、ColumnTransformer、make_column_transformer、管道和get_dummies，但任何时候我都会遇到不同的错误。
x = dataset.iloc[:, :11].values
y = dataset.iloc[:, 11].values
""" data encoding """
from sklearn.preprocessing import LabelEncoder, OneHotEncoder, OrdinalEncoder
fr
浏览 0提问于2020-12-10得票数 1
我有多个数据集，我想估计参数使用不同的分类器(逻辑和随机森林)。
我希望使用gridsearchcv为两个分类器运行每个数据，然后为每个数据集获得每个分类器的最佳参数。我只是有点困惑如何去做这件事。我的密码在下面。
# modules
import pandas as pd
import numpy as np
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer
from sklearn.base import BaseEstimator,
浏览 22提问于2022-06-22得票数 0
3回答
目标:基于int的预测结果和基于滑雪板的基于对象的特征预测。
我正在使用来自Kaggle的以下数据集：
这是我的笔记本：
库
学习== 0.22.1
我已经创建了一条管道，它几乎可以工作：
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute im
浏览 0提问于2020-05-06得票数 3
回答已采纳
1回答
我有一个预处理脚本，它从菱形数据集中获取数据并对数据进行预处理。我显然也需要它来预处理标签。 下面是我的代码： # Data Preprocessing
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocess
浏览 6提问于2021-11-03得票数 0
回答已采纳
我是TensorFlow和keras的新手，我正在尝试使用google中的代码来学习这个例子
import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.compose import make_column_transformer
from sklearn.preprocessing import MinMaxScaler, OneHotEncoder
from sklearn.model_selection import train_test_split
insurance
浏览 0提问于2022-06-28得票数 0
回答已采纳
我正在尝试使用SKLearn 0.20.2来创建管道，同时使用新的ColumnTransformer特性。我的问题是，当我运行分类器：clf.fit(x_train, y_train)时，我一直得到错误：
ValueError: all the input array dimensions except for the concatenation axis must match exactly
我有一列名为text的文本块。我的其他专栏都是数字性质的。我试图在我的管道中使用Countvectorizer，我认为这就是问题所在。会很感激能帮上忙的。
在运行管道并检查x_ than /y_than
浏览 1提问于2019-02-05得票数 3
有没有一种方法可以在scikit-learn中提取或计算设计矩阵的特征名称和级别名称？下面是一个例子：
import pandas as pd
import numpy as np
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.impute import SimpleImputer
from sklearn.compose import make_column_transformer
from sklearn.pipeline import make_pipeline
df = pd.
浏览 2提问于2020-04-07得票数 1
我需要使用ColumnTransformer在不同的步骤中处理一些dataframe列。第一步处理日期列(时间戳)，计算缺失的值；第二步将缩放应用于所有数字列(包括日期列)。在输出中，我得到了许多列，这是数值列和日期列的总和，但是dates列是数字列的子集，因此这是不正确的。
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
dates_columns = [
浏览 0提问于2020-05-19得票数 1
我试图在我的数据集中使用来自scikit learn页面的示例来创建一个管道，但是我得到了错误：ValueError: could not convert string to float: 'Male'。
from sklearn.compose import ColumnTransformer, make_column_transformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import Stand
浏览 82提问于2020-05-11得票数 1
我正在尝试对我正在构建的神经网络的数据集中的公司列表进行OneHotEncoding。 from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [1])], remainder='passthrough')
X = np.array(ct.fit_transform(X)) 我收到了这个错误信息 --
浏览 22提问于2020-09-09得票数 0
from sklearn.compose import make_column_transformer
from sklearn.preprocessing import StandardScaler
from feature_engine.encoding import RareLabelEncoder
from feature_engine.encoding import MeanEncoder
from feature_engine.encoding import OrdinalEncoder
from feature_engine.transformation import BoxCo
浏览 0提问于2021-08-19得票数 0
回答已采纳
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
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
