1. Toy模板网首页
  2. > Toy博客

基于python的transbigdata实现出租车轨迹数据分析与可视化

10月前 作者：＋prevail 分类：Toy博客 阅读(46) 违法举报

这篇具有很好参考价值的文章主要介绍了基于python的transbigdata实现出租车轨迹数据分析与可视化。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

TransBigData是一个为交通时空大数据处理、分析和可视化而开发的Python包。TransBigData为处理常见的交通时空大数据（如出租车GPS数据、共享单车数据和公交车GPS数据等）提供了快速而简洁的方法。TransBigData为交通时空大数据分析的各个阶段提供了多种处理方法,代码简洁、高效、灵活、易用，可以用简洁的代码实现复杂的数据任务。转自同济大学余庆博士的文章：点击跳转

应专业选修课《数据分析与可视化》的期末考核，本人参考了@小旭学长的文章：点击跳转 

本文根据上述文章，对该项目进行了一些代码上的修改（在一些可能报错的地方进行了修改），以及增加了对代码的解释以及图文介绍，并且增加了上海的出租车轨迹数据。

本项目作为课程设计参考，个人感觉本项目在最后的呈现效果上十分出色。该项目使用jupyter notebook开发环境。

项目地址：https://gitee.com/scaukzh/visualization

话不多说，直接看项目。

数据：

①出租车轨迹数据集

来源：https://people.cs.rutgers.edu/~dz220/data.html

介绍：该数据源自国外大学一名助理教授，包含了深圳市2013.10.22一天中大约600多辆出租车的轨迹数据，数据包含的信息依次为出租车ID，时间，纬度，经度，占用状态，速度;入住状态：1-乘客和0-乘客。数据一共大约54w条。

VehicleNum Time Lng Lat OpenStatus Speed
0 34745 20:27:43 113.806847 22.623249 1 27
1 34745 20:24:07 113.809898 22.627399 0 0
2 34745 20:24:27 113.809898 22.627399 0 0
3 34745 20:22:07 113.811348 22.628067 0 0
4 34745 20:10:06 113.819885 22.647800 0 54
... ... ... ... ... ... ...
544994 28265 21:35:13 114.321503 22.709499 0 18
544995 28265 09:08:02 114.322701 22.681700 0 0
544996 28265 09:14:31 114.336700 22.690100 0 0
544997 28265 21:19:12 114.352600 22.728399 0 0
544998 28265 19:08:06 114.137703 22.621700 0 0

544999 rows × 6 columns

补充：我在项目中补充了一个上海的数据集，该数据集是香港科技大学智慧城市研究小组共享的数据集，包含上海市2007年02月20日单日若干辆出租车的轨迹数据。

②地图数据

基于python的transbigdata实现出租车轨迹数据分析与可视化

地图采用json格式，这个地图数据用于标明深圳区域的范围，在后期进行绘图以及数据处理的时候都有作用。

代码部分：

一、第三方包和数据集的导入

1.第三包的导入

import transbigdata as tbd
import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt

使用pip命令直接装transbigdata和geopands包可能会失败。不过transbigdata我已经放在项目中去了，大家直接调用即可。geopands比较容易装，这里就不详细讨论了。

2.读入出租车GPS轨迹数据

data = pd.read_csv('D:/code_for_school/visualtaxi/gps_data/shenzhen_taxi_gps.csv', header=None)#修改自身路径即可
data.columns = ['VehicleNum', 'Time', 'Lng', 'Lat', 'OpenStatus', 'Speed']
data.head()                 #head函数其中一个默认参数为5，故只返回头5条数据
VehicleNum Time Lng Lat OpenStatus Speed
0 34745 20:27:43 113.806847 22.623249 1 27
1 34745 20:24:07 113.809898 22.627399 0 0
2 34745 20:24:27 113.809898 22.627399 0 0
3 34745 20:22:07 113.811348 22.628067 0 0
4 34745 20:10:06 113.819885 22.647800 0 54

3.读入深圳市地图数据

# Read the GeoDataFrame of the study area
sz = gpd.read_file(r'D:/code_for_school/visualtaxi/geo_data/sz.json')#修改自身路径即可
sz.crs = None
sz.head()
centroid_x centroid_y qh geometry
0 114.143157 22.577605 罗湖 POLYGON ((114.10006 22.53431, 114.10083 22.534...
1 114.041535 22.546180 福田 POLYGON ((113.98578 22.51348, 114.00553 22.513...
2 114.270206 22.596432 盐田 POLYGON ((114.19799 22.55673, 114.19817 22.556...
3 113.851387 22.679120 宝安 MULTIPOLYGON (((113.81831 22.54676, 113.81948 ...
4 113.926290 22.766157 光明 POLYGON ((113.99768 22.76643, 113.99704 22.766... 
sz.plot()

基于python的transbigdata实现出租车轨迹数据分析与可视化

二、数据处理

1.剔除掉超出深圳地图范围的数据

# Data Preprocessing
# Delete the data outside of the study area
data = tbd.clean_outofshape(data, sz, col=['Lng', 'Lat'], accuracy=500)  #剔除超出研究区域的数据
data.head(20)
VehicleNum Time Lng Lat OpenStatus Speed
0 34745 20:27:43 113.806847 22.623249 1 27
1 27368 09:08:53 113.805893 22.624996 0 49
2 22998 10:51:10 113.806931 22.624166 1 54
3 22998 10:11:50 113.805946 22.625433 0 43
4 22998 10:12:05 113.806381 22.623833 0 60
5 22396 12:14:28 113.806602 22.623949 1 45
6 32436 08:15:34 113.806465 22.624166 0 50
7 32436 08:15:04 113.807053 22.626350 0 0
8 32436 08:15:19 113.806252 22.625933 0 22
9 32436 08:14:49 113.807053 22.626333 0 0
10 32436 18:10:57 113.806885 22.622967 0 50
11 32436 18:10:27 113.806450 22.626083 0 36
12 32436 18:35:15 113.806686 22.623632 1 29
13 32436 18:10:42 113.805984 22.624683 0 41
14 27373 18:58:43 113.805969 22.624983 0 42
15 27373 08:42:34 113.807114 22.623211 0 61
16 31910 09:49:56 113.806801 22.626200 0 25
17 35161 00:43:41 113.807030 22.622833 1 51
18 35161 00:43:25 113.807098 22.624184 1 54
19 23411 20:20:06 113.806549 22.623550 0 56

如此一来，那些不在深圳市版图中的数据就被我们剔除掉了。

2.对数据按照车辆编号和时间顺序排好

# Delete the data with instantaneous changes in passenger status
data = tbd.clean_taxi_status(data, col=['VehicleNum', 'Time', 'OpenStatus'])
#删除出租车数据中载客状态瞬间变化的记录，这些记录的存在会影响出行订单判断。
#判断条件为:如果对同一辆车，上一条记录与下一条记录的载客状态都与本条记录不同，则本条记录应该删去
#实际上就是按照编号和时间顺序将数据排好
data.head(30)
VehicleNum Time Lng Lat OpenStatus Speed LONCOL LATCOL
452072 22396 00:00:29 113.996719 22.693333 1 20 81 65
444077 22396 00:01:01 113.995514 22.695032 1 34 81 66
444078 22396 00:01:09 113.995430 22.695766 1 41 81 66
444075 22396 00:01:41 113.995369 22.696484 1 0 81 66
444079 22396 00:02:21 113.995430 22.696650 1 17 81 66
444073 22396 00:03:01 113.994934 22.697884 0 23 81 66
444074 22396 00:03:41 113.992683 22.697350 0 18 81 66
444076 22396 00:04:21 113.992348 22.696733 0 36 81 66
452073 22396 00:05:01 113.992996 22.693632 0 2 81 65
446704 22396 00:05:41 113.989250 22.693083 0 56 80 65
422019 22396 00:06:21 113.986366 22.691000 0 48 79 65
422218 22396 00:07:41 113.988747 22.685450 0 16 80 63
426967 22396 00:08:21 113.989586 22.681749 0 43 80 63
443922 22396 00:09:01 113.986015 22.681583 0 0 79 63
443923 22396 00:09:41 113.986481 22.680332 0 47 79 62
422292 22396 00:10:21 113.988297 22.676416 0 31 80 61
422295 22396 00:11:01 113.991600 22.677517 0 41 80 62
422291 22396 00:11:09 113.992149 22.677317 0 33 80 62
443991 22396 00:11:41 113.993401 22.674368 0 31 81 61
443987 22396 00:11:49 113.993446 22.674217 0 0 81 61

可以看到编号相同的数据是相邻并且是以时间推进排序的。

3.将数据按照经纬度进行栅格化

栅格化的意思就是把每个数据按照经纬度分到不同位置的格子上

基于python的transbigdata实现出租车轨迹数据分析与可视化

# Data gridding
# Define the bounds and generate gridding parameters
bounds = [113.6, 22.4, 114.8, 22.9]
params = tbd.area_to_params(bounds, accuracy=500)
params
#(113.6, 22.4, 0.004872390756896538, 0.004496605206422906)
#栅格参数(lonStart,latStart,deltaLon,deltaLat)，分别为栅格左下角坐标与单个栅格的经纬度长宽
# Mapping GPS data to grids
data['LONCOL'], data['LATCOL'] = tbd.GPS_to_grid(data['Lng'], data['Lat'], params)
data.head()
VehicleNum Time Lng Lat OpenStatus Speed LONCOL LATCOL
452072 22396 00:00:29 113.996719 22.693333 1 20 81 65
444077 22396 00:01:01 113.995514 22.695032 1 34 81 66
444078 22396 00:01:09 113.995430 22.695766 1 41 81 66
444075 22396 00:01:41 113.995369 22.696484 1 0 81 66
444079 22396 00:02:21 113.995430 22.696650 1 17 81 66

这一部分完成，我们就已经将数据划分在不同的栈格里了。

4.计算每个栅格中的数据个数

# Aggregate data into grids
#python中groupby函数主要的作用是进行数据的分组以及分组后地组内运算！
datatest = data.groupby(['LONCOL', 'LATCOL'])['VehicleNum'].count().reset_index()
# Generate the geometry for grids
datatest['geometry'] = tbd.grid_to_polygon([datatest['LONCOL'], datatest['LATCOL']], params)

# Change it into GeoDataFrame
# import geopandas as gpd
datatest = gpd.GeoDataFrame(datatest)
datatest.head()
#计算出每个栅格里的出租车数量（不按时间，是一天数据中所有的点）
LONCOL LATCOL VehicleNum geometry
0 36 63 3 POLYGON ((113.77297 22.68104, 113.77784 22.681...
1 36 64 2 POLYGON ((113.77297 22.68553, 113.77784 22.685...
2 36 65 1 POLYGON ((113.77297 22.69003, 113.77784 22.690...
3 36 66 1 POLYGON ((113.77297 22.69453, 113.77784 22.694...
4 36 67 8 POLYGON ((113.77297 22.69902, 113.77784 22.699...

LONCOL代表经度上第几个栈格，LATCOL代表维度上第几个栈格，VehicleNum表示了这个栈格中数据的数量，可用于后面进行GPS轨迹热力图的绘图。

5.OD订单的处理

①将各个数据转化成OD数据（每一个数据代表状态）

载客状态无非就两种状态，即（载客-空载-载客）和（空载-载客-空载）。

# Extract taxi OD from GPS data
#OD形成就是每一个订单都算一个OD行程，每一行代表一个OD行程
#stime代表出发时间，slon和slat是出发的经纬度
#etime代表结束时间，elon和elat是结束的经纬度
#   ID是订单顺序号
oddata = tbd.taxigps_to_od(data,col = ['VehicleNum', 'Time', 'Lng', 'Lat', 'OpenStatus'])
oddata
VehicleNum stime slon slat etime elon elat ID
427075 22396 00:19:41 114.013016 22.664818 00:23:01 114.021400 22.663918 0
131301 22396 00:41:51 114.021767 22.640200 00:43:44 114.026070 22.640266 1
417417 22396 00:45:44 114.028099 22.645082 00:47:44 114.030380 22.650017 2
376160 22396 01:08:26 114.034897 22.616301 01:16:34 114.035614 22.646717 3
21768 22396 01:26:06 114.046021 22.641251 01:34:48 114.066048 22.636183 4
... ... ... ... ... ... ... ... ...
175519 36805 22:49:12 114.114365 22.550632 22:50:40 114.115501 22.557983 5083
212092 36805 22:52:07 114.115402 22.558083 23:03:12 114.118484 22.547867 5084
119041 36805 23:03:45 114.118484 22.547867 23:20:09 114.133286 22.617750 5085
224103 36805 23:36:19 114.112968 22.549601 23:43:12 114.089485 22.538918 5086
170962 36805 23:46:14 114.091217 22.540768 23:53:36 114.120354 22.544300 5087

5088 rows × 8 columns

②将od行程分为载客状态下和空载状态下的

data_deliver, data_idle = tbd.taxigps_traj_point(data,oddata,col=['VehicleNum',
                                                                  'Time',
                                                                  'Lng',
                                                                  'Lat',
                                                                  'OpenStatus'])
data_deliver #载客状态的od路径
VehicleNum Time Lng Lat OpenStatus Speed LONCOL LATCOL ID flag
427075 22396 00:19:41 114.013016 22.664818 1 63.0 85.0 59.0 0.0 1.0
427085 22396 00:19:49 114.014030 22.665483 1 55.0 85.0 59.0 0.0 1.0
416622 22396 00:21:01 114.018898 22.662500 1 1.0 86.0 58.0 0.0 1.0
427480 22396 00:21:41 114.019348 22.662300 1 7.0 86.0 58.0 0.0 1.0
416623 22396 00:22:21 114.020615 22.663366 1 0.0 86.0 59.0 0.0 1.0
... ... ... ... ... ... ... ... ... ... ...
64411 36805 23:53:09 114.120354 22.544300 1 2.0 107.0 32.0 5087.0 1.0
64405 36805 23:53:15 114.120354 22.544300 1 1.0 107.0 32.0 5087.0 1.0
64390 36805 23:53:21 114.120354 22.544300 1 0.0 107.0 32.0 5087.0 1.0
64406 36805 23:53:27 114.120354 22.544300 1 0.0 107.0 32.0 5087.0 1.0
64393 36805 23:53:33 114.120354 22.544300 1 0.0 107.0 32.0 5087.0 1.0

209250 rows × 10 columns

data_idle #空载状态的od路径
VehicleNum Time Lng Lat OpenStatus Speed LONCOL LATCOL ID flag
416628 22396 00:23:01 114.021400 22.663918 0 25.0 86.0 59.0 0.0 0.0
396136 22396 00:23:41 114.023148 22.665100 0 21.0 87.0 59.0 0.0 0.0
396129 22396 00:24:21 114.024414 22.665367 0 35.0 87.0 59.0 0.0 0.0
401744 22396 00:25:01 114.027115 22.662100 0 25.0 88.0 58.0 0.0 0.0
394630 22396 00:25:41 114.024551 22.659834 0 21.0 87.0 58.0 0.0 0.0
... ... ... ... ... ... ... ... ... ... ...
170971 36805 23:45:42 114.091217 22.540768 0 0.0 101.0 31.0 5086.0 0.0
170954 36805 23:45:57 114.091217 22.540768 0 0.0 101.0 31.0 5086.0 0.0
170955 36805 23:46:12 114.091217 22.540768 0 0.0 101.0 31.0 5086.0 0.0
64391 36805 23:53:36 114.120354 22.544300 0 0.0 107.0 32.0 5087.0 0.0
64396 36805 23:53:51 114.120354 22.544300 0 0.0 107.0 32.0 5087.0 0.0

332941 rows × 10 columns

可以看出载客状态下数据有20w条，而空载状态下数据有33w条，说明在一天的过程中，总体上处于空载状态的时间是大于载客状态的时间的。
 

三、绘图以及可视化展示

1.GPS轨迹的热力图绘制

# Plot the grids
fig = plt.figure(1, (16, 6), dpi=300)
ax1 = plt.subplot(111)
#ax用于调整大小 
# tbd.plot_map(plt, bounds, zoom=10, style=4)
datatest.plot(ax=ax1, column='VehicleNum', legend=True)
plt.xticks([], fontsize=10)
plt.yticks([], fontsize=10)
plt.title('Taxi GPS track point count', fontsize=12);

基于python的transbigdata实现出租车轨迹数据分析与可视化

# Plot the grids
fig = plt.figure(1, (16, 6), dpi=300) # 确定图形高为6，宽为8；图形清晰度
ax1 = plt.subplot(111)
datatest.plot(ax=ax1, column='VehicleNum', legend=True, scheme='quantiles')
# plt.legend(fontsize=10)
plt.xticks([], fontsize=10)
plt.yticks([], fontsize=10)
plt.title('Taxi GPS track point count', fontsize=12);

基于python的transbigdata实现出租车轨迹数据分析与可视化

# Plot the grids
fig = plt.figure(1, (16, 6), dpi=150) # 确定图形高为6，宽为8；图形清晰度
ax1 = plt.subplot(111)
datatest.plot(ax=ax1, column='VehicleNum', legend=True, cmap='OrRd', scheme='quantiles')
# plt.legend(fontsize=10)
plt.xticks([], fontsize=10)
plt.yticks([], fontsize=10)
plt.title('Taxi GPS track point count', fontsize=12);

基于python的transbigdata实现出租车轨迹数据分析与可视化

 2.载客状态和空载状态下的od订单图

traj_deliver = tbd.points_to_traj(data_deliver)
traj_deliver.plot()

基于python的transbigdata实现出租车轨迹数据分析与可视化

traj_idle = tbd.points_to_traj(data_idle)
traj_idle.plot()

基于python的transbigdata实现出租车轨迹数据分析与可视化

 3.依赖keplergl第三方包绘制可交互式的可视化动画

keplergl是由Uber开源的一款地理数据可视化工具，我们可以在Jupyter notebook中使用该工具让我们的数据可视化做到美观。使用前需要先安装，安装教程可参考该篇文章：点击跳转

keplergl官网：点击跳转

①可交互式热力图

# 可视化数据点分布
tbd.visualization_data(data,col = ['Lng','Lat'],accuracy=40,height = 500) #accuracy是栅格大小，数值越大表示一个栅格涵盖地图面积越大

基于python的transbigdata实现出租车轨迹数据分析与可视化

基于python的transbigdata实现出租车轨迹数据分析与可视化

②可交互式OD订单图

# 可视化数据点分布
tbd.visualization_od(oddata,accuracy=2000,height = 500)

基于python的transbigdata实现出租车轨迹数据分析与可视化

基于python的transbigdata实现出租车轨迹数据分析与可视化

基于python的transbigdata实现出租车轨迹数据分析与可视化 注：同时使用Ctrl和鼠标左键可移动观看视角

③可交互式的视频动图

tbd.visualization_trip(data_deliver)  #一天当中的所有载客轨迹

基于python的transbigdata实现出租车轨迹数据分析与可视化

 总结

大家按照上述步骤进行项目，大问题是没有的，之前我遇到的主要问题就是transbigdata的包找了半天，其他的一些如各个包版本之间不适配的问题，可以直接百度解决。本项目的主要难点就是要去理解数据处理的一些函数，这些函数的大概功能我已经在注释中和内容中阐述了。如果有小伙伴想更加深入的了解函数的原理，可以去看transbigdata的源代码，这样可以更加直观的了解这些函数。

补充

如有其他问题，请私信我，谢谢。文章来源地址https://www.toymoban.com/news/detail-427575.html

到了这里，关于基于python的transbigdata实现出租车轨迹数据分析与可视化的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 出租车GPS轨迹数据分析

    出租车GPS轨迹数据分析

    •使用numpy、pandas等完成“00.csv”文件读取； •剔除无效数据：GPS 采集出租车轨迹数据的过程中，可能因设备问题 导致数据没有采集到，故而在原始轨迹数据集中记录为空值。因此，需 要将每个采样点中有效字段为空值的数据进行剔除，即剔除 DeviceID、 Longitude、Latitude、

    2024年02月04日
    浏览(48)
  • 基于单片机出租车计价器设计

    基于单片机出租车计价器设计

     功能介绍 以51单片机作为主控系统； 1602液晶屏显示最初的起步价，里程收费，等待时间收费； 按键调整起步价，里程收费，等待时间收费； 电机旋转，通过霍尔传感器检测转速，来模拟出租车行驶； 电路图 仿真图 元器件清单 B1 5V直流电机+托盘（粘好磁铁） BT1 2032纽扣电

    2024年02月11日
    浏览(55)
  • 【Vivado】基于FPGA的出租车计价表设计

    【Vivado】基于FPGA的出租车计价表设计

    学校FPGA设计结课课设 主要做了出租车计价表，一个比较旧的课题，代码如下： 分模块编程，按照价目表写代码，具体注释见代码。 在module里新加一个 input 变量 key_stage ，用 key_stage 表示不同车流量段，用以计数 在module里新增一个变量 state 来限定是在白天还是夜间

    2024年02月04日
    浏览(56)
  • 0097-基于单片机的出租车计价器仿真设计

    0097-基于单片机的出租车计价器仿真设计

    1、采用51/52单片机作为主控芯片； 2、采用1602液晶显示：里程、计价、实时时间、实时单价、本次行程计时； 3、采用DS1302作为时钟芯片； 4、支持切换显示界面、设置日期时间、设置白天单价、设置夜晚单价； 5、支持分别设置3千米内的单价、3千米外的单价、等待时的单价

    2024年02月20日
    浏览(48)
  • 【C51】基于51单片机的出租车计价器设计

    【C51】基于51单片机的出租车计价器设计

    随着我国经济的快速发展，出行选择乘坐出租车的人越来越多。与此同时电子信息技术的发展更新，更加准确、便捷、稳定的出租车计价收费系统随之出现。基于单片机的出租车计价系统的设计，不仅可以更加准确、稳定的反映计价情况，也能促进出租车行业健康稳定的发展

    2024年02月03日
    浏览(56)

  • 【华为OD统一考试B卷 | 100分】出租车计费 、靠谱的车（C++ Java JavaScript Python）

    华为OD在线OJ:出租车计费 、靠谱的车 已购买本专栏用户，请私信博主开通账号，在线刷题！！！ 在线OJ：立即刷题 题库专栏：2023华为OD机试(A卷+B卷)（C++JavaJSPy） 题目描述：出租车计费 、靠谱的车 程序员小明打了一辆出租车去上班。出于职业敏感，他注意到这辆出租车的计

    2024年02月08日
    浏览(41)

  • 出租车计价c语言

    本关任务：根据某城市普通出租车收费标准编写程序对车费进行计算。具体标准如下： 起步里程为3km，起步费为10元；10km以内超起步里程部分，每千米2元，超过10km以上的部分加收50%的回空补贴费，即每千米3元。营运过程中，因堵车及乘客要求临时停车的，按每5分钟2元计收

    2024年02月07日
    浏览(42)

  • Java语言怎么编写一个程序计算出租车的运输费用：出租车起步15公里以内20块钱，需要支付调头费用

    下面是一个Java语言编写的计算出租车运输费用的程序：   ```java import java.util.Scanner;   public class TaxiFareCalculator {     public static void main(String[] args) {         Scanner input = new Scanner(System.in);           System.out.print(\\\"请输入出租车行驶的里程（公里）：\\\");         double distance

    2024年02月12日
    浏览(69)
  • FPGA出租车计费系统设计

    FPGA出租车计费系统设计

            设计一个简易的出租车计费系统，实现计价功能，计费标准为按里程收费， 起步价为6.00 元，当里程小于3公里时，按起步价收费， 超过3公里后按1.2元 /公里收费。         实现车辆行驶的模拟：能模拟汽车的 启动，暂停，停止 等状态。         计费显示部分设计

    2024年02月04日
    浏览(62)

  • LeetCode 2008. 出租车的最大盈利：动态规划 + 哈希表

    力扣题目链接：https://leetcode.cn/problems/maximum-earnings-from-taxi/ 你驾驶出租车行驶在一条有 n  个地点的路上。这 n  个地点从近到远编号为  1  到  n  ，你想要从 1  开到 n  ，通过接乘客订单盈利。你只能沿着编号递增的方向前进，不能改变方向。 乘客信息用一个下标从 0  开

    2024年02月04日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包