a=df1.groupby('天')['行为类型1'].sum()代码优化

时间: 2023-05-19 16:01:15 浏览: 78
ZIP

群体智能优化算法(python)代码

对于这段代码，可以考虑使用agg函数来代替groupby和sum的组合，可以提高代码的效率和可读性，示例代码如下： a = df1.groupby('天').agg({'行为类型1': 'sum'})
阅读全文

相关推荐

text/x-c++

优化代码

帮忙优化代码
pdf

集合类型优化1

引言引集合类型是 Swift 语的核抽象概念之。标准库中的主要集合类型包括：数组 (array)、集合 (set) 和字典 (dictionary)，从脚本到应

代码简写：import pandas as pd # 1. 读取指定表格 df1 = pd.read_excel('result-new.xlsx', sheet_name='Sheet1') df2 = pd.read_excel('基础数据-new.xlsx', sheet_name='本外币') df3 = pd.read_excel('基础数据-new.xlsx', sheet_name='人民币') # 标的表索引列位置及数据位置 grouped = df2.groupby(df2.columns[1]).agg({df2.columns[2]: 'sum', df2.columns[5]: 'sum'}).reset_index() grouped1 = df3.groupby(df2.columns[1]).agg({df3.columns[2]: 'sum', df3.columns[5]: 'sum'}).reset_index() # 合并表1和表2的结果 result = pd.merge(df1, grouped, left_on=df1.columns[1], right_on=grouped.columns[0], how='left') result = pd.merge(result, grouped1, left_on=df1.columns[1], right_on=grouped.columns[0], how='left') # 输出结果到文件 result.to_excel('531本外币比年初.xlsx', index=False)

grouped1 = df3.groupby(df3.columns[1]).agg({df3.columns[2]: 'sum', df3.columns[5]: 'sum'}).reset_index() # 合并表1和表2的结果 result = pd.merge(df1, grouped, left_on=df1.columns[1], right_on=...

import pandas as pd import numpy as np import matplotlib.pyplot as plt data = df = pd.read_csv('data.csv',usecols=['日期','营业额'],encoding = 'gb2312') df = pd.DataFrame(data) plt.figure() df1 = df df1['month'] = df1['日期'].map(lambda x:x[:x.rindex('-')]) #通过切片操作读取月份 df1 = df1.groupby(by='month',as_index=False).sum() plt.figure() df2 = df1.drop('month',axis=1).diff() #删除month一列后，作差 ##df2['营业额'] = pd.to_numeric(df2['营业额']) m = df2['营业额'].nlargest(1).keys()[0] with open(r'maxMonth.txt','w')as fp: fp.write(df1.loc[m,'month'])

然后使用“groupby”方法按照月份进行分组，并计算每个月份的营业额总和。结果存储在名为“df1”的数据框中。 接下来，代码创建了名为“df2”的新数据框，通过“drop”方法删除“df1”中的“month”列，并将结果...

cluster_labels = pd.DataFrame(cluster_labels_k, columns=['clusters']) df1 = pd.concat((df, cluster_labels), axis=1) clusters_percent = df1.groupby('clusters')['排名'].count().reset_index() clusters_percent['percent'] = clusters_percent.排名.map(lambda x:x/clusters_percent.排名.sum()) clusters_percent.columns = ['cluster','count','percent'] clusters_percent

接下来，使用groupby函数对新的DataFrame对象df1按照聚类标签'clusters'进行分组，并计算每个聚类中数据点的数量。然后，使用map函数将每个聚类中数据点数量转换为所占的比例，并将计算结果保存在新列'percent'中。...

import pandas as pd # 1. 读取指定表格 df1 = pd.read_excel('result-new.xlsx', sheet_name='Sheet1') df2 = pd.read_excel('基础数据 -new.xlsx', sheet_name='本外币') # 标的表索引列位置及数据位置 grouped = df2.groupby(df2.columns[1])[df2.columns[2, 5]].sum().reset_index() # 合并表1和表2的结果 result = pd.merge(df1, grouped, left_on=df1.columns[1], right_on=grouped.columns[0], how='left') # 输出结果到文件 result.to_excel('531本外币比年初.xlsx', index=False)

2. 定义变量 grouped，使用 groupby 函数按照第 2 列和第 6 列的组合进行分组，并统计第 3 列和第 6 列的和。 3. 使用 merge 函数将表格 df1 和 grouped 的结果按照第 2 列进行左连接，并将结果存储到...

#按照营业额升序排序，代码如下： import pandas as pd df = pd.read_excel('超市营业额2.xlsx') df = df.sort_values(by='营业额', ascending=True) df = df.sort_values(by='日期', ascending=False) # 计算每个人的平均营业额，代码如下： import pandas as pd df = pd.read_excel('超市营业额2.xlsx') result = df.groupby(['姓名', '工号', '柜台']).mean()['营业额'] #计算每个柜台的平均营业额，代码如下： import pandas as pd df = pd.read_excel('超市营业额2.xlsx') result = df.groupby(['柜台']).mean()['营业额'] #将sheet1和sheet2完成纵向合并，将sheetl和 sheet3完成横向合并，并通过分组聚合计算不同级别员工的营业额总和，代码如下： import pandas as pd # 读取数据 df1 = pd.read_excel('sheet1.xlsx') df2 = pd.read_excel('sheet2.xlsx') df3 = pd.read_excel('sheet3.xlsx') # 纵向合并sheet1和sheet2 merged_vertical = pd.concat([df1, df2], axis=0) # 横向合并sheet1和sheet3 merged_horizontal = pd.merge(df1, df3, on='班级') # 分组聚合求和 sales_sum_by_level = merged_horizontal.groupby(['级别'])['营业额'].sum()这段代码运行不出来，会出现pymysql.err.OperationalError: (2003, "Can't connect to MySQL server on 'localhost' ([WinError 10061] 由于目标计算机积极拒绝，无法连接。)")

这个错误提示是数据库连接问题，可能是因为你的MySQL服务没有启动或者连接参数设置不正确。你可以先检查一下MySQL服务是否启动，如果没有启动则需要先启动服务。...如果还是无法解决问题，可以尝试重新安装MySQL或者...

# 读入sheet1和sheet2df1 = pd.read_excel('数据表.xlsx', sheet_name='Sheet1')df2 = pd.read_excel('数据表.xlsx', sheet_name='Sheet2')# 纵向合并df_vertical = pd.concat([df1, df2], axis=0)# 读入sheet3df3 = pd.read_excel('数据表.xlsx', sheet_name='Sheet3')# 横向合并df_horizontal = pd.concat([df1, df3], axis=1)# 计算不同级别员工的营业额总和df_sum = df_horizontal.groupby('级别')['营业额'].sum().reset_index()# 输出计算结果print(df_vertical)print(df_horizontal)print(df_sum)为啥输入完代码，运行不出来，出来超市营业额2.xlsx找不到

1. 文件名是否正确：你的代码中提到的文件名是"数据表.xlsx"，但是错误信息中提到的文件名是"超市营业额2.xlsx"。请确认使用的文件名是否正确。 2. 文件路径是否正确：请确认文件路径是否正确，即文件所在的文件夹...

对以下代码进行讲解：df1 = pd.read_excel('附件2(Attachment 2)2023-51MCM-Problem B.xlsx', index_col=None) df2 = pd.read_excel('附件3(Attachment 3)2023-51MCM-Problem B.xlsx', index_col=None) df1_grouped = df1.groupby(['日期(年/月/日) (Date Y/M/D)','发货城市 (Delivering city)', '收货城市 (Receiving city)'])['快递运输数量(件) (Express delivery quantity (PCS))'].sum().reset_index() df2_grouped = df2.groupby(['起点 (Start)'])['终点 (End)'] cities = set(df2['起点 (Start)'].tolist() + df2['终点 (End)'].tolist()) workbook = load_workbook(filename="附件3(Attachment 3)2023-51MCM-Problem B.xlsx") sheet = workbook.active data = [[cell.value for cell in row[:3]] for row in sheet.iter_rows(min_row=2)] date = '2023-04-23' df1_date = df1[df1['日期(年/月/日) (Date Y/M/D)'] == date] data1 = list(zip(df1_date['发货城市 (Delivering city)'], df1_date['收货城市 (Receiving city)'], df1_date['快递运输数量(件) (Express delivery quantity (PCS))'])) G=nx.DiGraph() G.add_nodes_from(cities) G.add_weighted_edges_from(data) cost=0 for i in data1: start_city=i[0] end_city=i[1] weight_huo=i[2] print(dijkstra_path(G,start_city,end_city,weight="weight")) print(dijkstra_path_length(G,start_city,end_city,weight="weight")*(1+ (weight_huo/200)*(weight_huo/200)*(weight_huo/200))) cost=cost+dijkstra_path_length(G,start_city,end_city,weight="weight")*(1+ (weight_huo/200)*(weight_huo/200)*(weight_huo/200)) print(cost)

接下来，使用groupby函数对第一个Excel文件进行分组操作。按照'日期(年/月/日) (Date Y/M/D)'、'发货城市 (Delivering city)'和'收货城市 (Receiving city)'这三列进行分组，并计算'快递运输数量(件) (Express ...

import pandas as pd # 读入数据表 df = pd.read_excel('超市营业额2.xlsx') # 按照营业额进行升序排序，按照时间进行降序排序 df = df.sort_values(by=['营业额', '时间'], ascending=[True, False]) # 输出排序后的数据表 print(df) # 计算每个人的平均营业额 df_person = df.groupby(['姓名', '工号', '柜台'])['营业额'].mean().reset_index() # 格式化表格df_person = df_person[['姓名', '工号', '营业额', '柜台']] df_person.columns = ['姓名', '工号', '平均营业额', '柜台'] # 输出格式化后的数据表 print(df_person) # 计算每个柜台的平均营业额 df_counter = df.groupby('柜台')['营业额'].mean().reset_index() # 格式化表格 df_counter = df_counter[['柜台', '营业额']] df_counter.columns = ['柜台', '平均营业额'] # 输出格式化后的数据表 print(df_counter) # 读入sheet1和sheet2 df1 = pd.read_excel('数据表.xlsx', sheet_name='Sheet1') df2 = pd.read_excel('数据表.xlsx', sheet_name='Sheet2') # 纵向合并 df_vertical = pd.concat([df1, df2], axis=0) # 读入sheet3 df3 = pd.read_excel('数据表.xlsx', sheet_name='Sheet3') # 横向合并 df_horizontal = pd.concat([df1, df3], axis=1) # 计算不同级别员工的营业额总和 df_sum = df_horizontal.groupby('级别')['营业额'].sum().reset_index() # 输出计算结果 print(df_vertical) print(df_horizontal) print(df_sum)为啥代码运行不出来

代码运行不出来可能有多种原因，以下是一些可能的解决方法： 1. 检查文件名和路径：请检查文件名和路径是否正确，确保文件存在，否则会出现文件找不到的错误。 2. 检查pandas是否安装：请检查你的环境是否正确安装...

from pyecharts import options as opts from pyecharts.charts import Bar from pyecharts.faker import Faker data = pd.read_csv('data.csv') data['全球票房'] = data['全球票房'].str[:-1] data['全球票房'] = data['全球票房'].str.replace(',', '') def to_million(x): dollar = round(float(x)/100000000,2) return dollar data['票房（亿元）'] = data['全球票房'].map(to_million) df1 = data.groupby('上映').sum()['票房（亿元）'] bar = Bar() bar.add_xaxis(df1.index.tolist()) bar.add_yaxis("总票房(亿元)",df1.tolist()) bar.set_global_opts(title_opts=opts.TitleOpts(title="各个年份的总票房", subtitle="亿元")) bar.render_notebook()得出的柱状图结果中有的数字小数点有七 八位，请修改代码，将所得的数据以保留四位小数点的形式在图上显示

df1 = data.groupby('上映').sum()['票房（亿元）'] # 将y轴数据保留四位小数点 y_data = [round(i, 4) for i in df1.tolist()] bar = Bar() bar.add_xaxis(df1.index.tolist()) bar.add_yaxis("总票房(亿元)", y_...

df = pd.DataFrame({'key1' : ['a','a','c','d','a'], 'key2' : ['yes', 'no', 'yes', 'yes', 'no'], 'data1' : np.random.randn(5), 'data2' : np.random.randn(5)}) grouped = df['data1'].groupby(df['key1']) print(grouped.size()) print(grouped.mean()) groupk1 = df.groupby('key2').mean() print(groupk1) wlist = ['w','w','y','w','y'] df.groupby(wlist).sum() df1 = pd.DataFrame(np.random.normal(size = (6,5)),index = ['a','b','c','A','B','c']) print("数据为:\n",df) wdict = {'a':'one','A':'one','b':'two','B':'two','c':'three'} print("分组汇总后的结果为:\n",df.groupby(wdict).sum())检查代码错误

这段代码的语法没有错误，但是在输出结果时可能存在一些问题。具体来说，下面代码中最后输出的结果，应该是对 df1 进行...print("分组汇总后的结果为:\n", df1.groupby(wdict).sum()) 希望这次回答能够帮到您！

代码含义 nan_life_expectancy_countries = df[df['Life expectancy'].isnull()]['Country'].unique() print(nan_life_expectancy_countries) temp_df = pd.DataFrame() for country in nan_life_expectancy_countries: temp_df = pd.concat([temp_df, df[df['Country'] == country]]) print(temp_df) df = df.dropna(subset=['Life expectancy']) print(df.isnull().sum()) df1= df[df['Alcohol'].isnull()] print(df1) south_sudan_missing = df[(df['Country'] == 'South Sudan') & (df['Alcohol'].isnull())] south_sudan_missing mask = (df['Country'] == 'South Sudan') & (df['Alcohol'].isnull()) df = df[~mask] df[df['Country'] == 'South Sudan'] df = df.sort_values(['Country', 'Year']) df['Alcohol'] = df.groupby('Country')['Alcohol'].ffill() df.isnull().sum() df = df.drop(['Income composition of resources', 'Schooling'], axis=1) cols_to_fill = ['Hepatitis B', 'BMI', 'Polio', 'Total expenditure', 'Diphtheria', 'GDP', 'Population', 'thinness 10-19 years', 'thinness 5-9 years'] for col in cols_to_fill: df[col] = df.groupby('Country')[col].transform(lambda x: x.fillna(x.mean())) df.isnull().sum() df = df.dropna(subset=['Hepatitis B', 'BMI', 'Total expenditure', 'GDP', 'Population', 'thinness 10-19 years', 'thinness 5-9 years']) df.isnull().sum()

这段代码是对一个包含全球各国健康指标数据的数据集进行清洗和处理。首先，通过查找缺失值，得到缺失了'Life expectancy'的国家列表并打印输出。然后，通过循环将这些国家的数据提取出来，组成一个新的数据集temp_df...

df1_new.groupby('sa_role')统计某3列的数据和

如果你想要对 DataFrame df1_new 按照 'sa_role' 列进行分组，并计算特定的三列数值（假设这三列分别是 'col1', 'col2', 'col3'），可以使用 groupby 方法然后对每组应用 sum, mean, 或者其他的聚合函数。...

python语言将多个文件生成的多个df df = pd.DataFrame(sorted_tags, columns=['tag', 'count'])中的相同tag的count数字相加

可以使用 pandas 库中的 groupby 和 sum 方法来实现。 假设你有多个 DataFrame，每个 DataFrame 中都有一个名为 sorted_tags 的列，你可以像下面这样将它们合并成一个 DataFrame： import pandas as pd # ...
class

粒子群优化算法代码

粒子群是一种优化算法，其代码我将给大家上传网上，供大家参考。
rar

粒子群优化代码

利用MATLAB实现粒子群优化算法的仿真
zip

python小爬虫.zip

python小爬虫
zip

最全的JAVA设计模式，包含原理图解+代码实现.zip

最全的JAVA设计模式，包含原理图解+代码实现

最新推荐

recommend-type

python 实现分组求和与分组累加求和代码

4. 分组计数：`df2 = df1.groupby(['name', 'num'], as_index=False).count()` 使用`groupby()`函数，根据'name'和'num'列的组合进行分组，并计算每个组的行数，这等同于计数。`as_index=False`使得分组后的结果...
recommend-type

python小爬虫.zip

python小爬虫
recommend-type

最全的JAVA设计模式，包含原理图解+代码实现.zip

最全的JAVA设计模式，包含原理图解+代码实现
recommend-type

CPPC++_世界上最快的3d贴图转换工具.zip

CPPC++_世界上最快的3d贴图转换工具
recommend-type

【风电】基于TCN-BiGRU的风电功率单变量输入多步预测研究附Matlab代码.rar

1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
recommend-type

前端协作项目：发布猜图游戏功能与待修复事项

资源摘要信息:"People-peephole-frontend是一个面向前端开发者的仓库，包含了一个由Rails和IOS团队在2015年夏季亚特兰大Iron Yard协作完成的项目。该仓库中的项目是一个具有特定功能的应用，允许用户通过iPhone或Web应用发布图像，并通过多项选择的方式让用户猜测图像是什么。该项目提供了一个互动性的平台，使用户能够通过猜测来获取分数，正确答案将提供积分，并防止用户对同一帖子重复提交答案。 当前项目存在一些待修复的错误，主要包括： 1. 答案提交功能存在问题，所有答案提交操作均返回布尔值true，表明可能存在逻辑错误或前端与后端的数据交互问题。 2. 猜测功能无法正常工作，这可能涉及到游戏逻辑、数据处理或是用户界面的交互问题。 3. 需要添加计分板功能，以展示用户的得分情况，增强游戏的激励机制。 4. 删除帖子功能存在损坏，需要修复以保证应用的正常运行。 5. 项目的样式过时，需要更新以反映跨所有平台的流程，提高用户体验。 技术栈和依赖项方面，该项目需要Node.js环境和npm包管理器进行依赖安装，因为项目中使用了大量Node软件包。此外，Bower也是一个重要的依赖项，需要通过bower install命令安装。Font-Awesome和Materialize是该项目用到的前端资源，它们提供了图标和界面组件，增强了项目的视觉效果和用户交互体验。 由于本仓库的主要内容是前端项目，因此JavaScript知识在其中扮演着重要角色。开发者需要掌握JavaScript的基础知识，以及可能涉及到的任何相关库或框架，比如用于开发Web应用的AngularJS、React.js或Vue.js。同时，对于iOS开发，可能还会涉及到Swift或Objective-C等编程语言，以及相应的开发工具Xcode。对于Rails，开发者则需要熟悉Ruby编程语言以及Rails框架的相关知识。 开发流程中可能会使用的其他工具包括： - Git：用于版本控制和代码管理。 - HTML/CSS：用于构建网页结构和样式。 - Webpack或Gulp：用于项目构建和优化流程。 - Babel：用于JavaScript代码的兼容性处理。 - Linting工具：如ESLint，用于代码质量检查和维护代码风格一致性。 总结来看，People-peephole-frontend项目不仅涉及到了跨平台协作的经验分享，还提供了前端开发的学习和实践机会，尤其在交互设计、前端工程化、依赖管理及样式设计等方面。开发者可以通过参与该项目的修复和完善工作，提高自身技能并积累宝贵的项目经验。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【高斯信道信号编码优化】：4大方法优化Chirp信号编码过程

![高斯信道下的chirp信号解调](https://img-blog.csdnimg.cn/d37646d14e4e4b51b01e617b59167c74.png) # 1. 高斯信道与Chirp信号编码基础 ## 简介 在现代通信领域，信息的传递无处不在，而保障信息传递的清晰与高效是通信技术的核心挑战之一。高斯信道作为通信系统中最常见和基础的模型，为我们理解和优化信号传输提供了重要的理论支持。Chirp信号，以其独特的频谱扩展特性，在无线通信、雷达和声纳系统中发挥着越来越重要的作用。本章将介绍高斯信道的特性以及Chirp信号的基础知识，为读者搭建起后续章节深入探讨优化方法的理论基础。
recommend-type

对给定图，实现图的深度优先遍历和广度优先遍历。以邻接表或邻接矩阵为存储结构，实现连通无向图的深度优先和广度优先遍历。以用户指定的结点为起点，分别输出每种遍历下的结点访问序列，并调试算法。使用C语言

在C语言中，我们可以使用邻接表或邻接矩阵来存储图的数据结构。这里我将简单介绍如何实现深度优先搜索（DFS）和广度优先搜索（BFS）： **使用邻接表实现：** ```c #include <stdio.h> #include <stdlib.h> typedef struct Node { int val; struct Node* next; } Node; // 创建邻接列表表示图 Node* createAdjacencyList(int numNodes) { // 初始化节点数组 Node** adjList = malloc(sizeof(No
recommend-type

Spring框架REST服务开发实践指南

资源摘要信息: "在本教程中，我们将详细介绍如何使用Spring框架来构建RESTful Web服务，提供对Java开发人员的基础知识和学习参考。" 一、Spring框架基础知识 Spring是一个开源的Java/Java EE全功能栈（full-stack）应用程序框架和 inversion of control（IoC）容器。它主要分为以下几个核心模块： - 核心容器：包括Core、Beans、Context和Expression Language模块。 - 数据访问/集成：涵盖JDBC、ORM、OXM、JMS和Transaction模块。 - Web模块：提供构建Web应用程序的Spring MVC框架。 - AOP和Aspects：提供面向切面编程的实现，允许定义方法拦截器和切点来清晰地分离功能。 - 消息：提供对消息传递的支持。 - 测试：支持使用JUnit或TestNG对Spring组件进行测试。 二、构建RESTful Web服务 RESTful Web服务是一种使用HTTP和REST原则来设计网络服务的方法。Spring通过Spring MVC模块提供对RESTful服务的构建支持。以下是一些关键知识点： - 控制器（Controller）：处理用户请求并返回响应的组件。 - REST控制器：特殊的控制器，用于创建RESTful服务，可以返回多种格式的数据（如JSON、XML等）。 - 资源（Resource）：代表网络中的数据对象，可以通过URI寻址。 - @RestController注解：一个方便的注解，结合@Controller注解使用，将类标记为控制器，并自动将返回的响应体绑定到HTTP响应体中。 - @RequestMapping注解：用于映射Web请求到特定处理器的方法。 - HTTP动词（GET、POST、PUT、DELETE等）：在RESTful服务中用于执行CRUD（创建、读取、更新、删除）操作。 三、使用Spring构建REST服务 构建REST服务需要对Spring框架有深入的理解，以及熟悉MVC设计模式和HTTP协议。以下是一些关键步骤： 1. 创建Spring Boot项目：使用Spring Initializr或相关构建工具（如Maven或Gradle）初始化项目。 2. 配置Spring MVC：在Spring Boot应用中通常不需要手动配置，但可以进行自定义。 3. 创建实体类和资源控制器：实体类映射数据库中的数据，资源控制器处理与实体相关的请求。 4. 使用Spring Data JPA或MyBatis进行数据持久化：JPA是一个Java持久化API，而MyBatis是一个支持定制化SQL、存储过程以及高级映射的持久层框架。 5. 应用切面编程（AOP）：使用@Aspect注解定义切面，通过切点表达式实现方法的拦截。 6. 异常处理：使用@ControllerAdvice注解创建全局异常处理器。 7. 单元测试和集成测试：使用Spring Test模块进行控制器的测试。 四、学习参考 - 国际奥委会：可能是错误的提及，对于本教程没有相关性。 - AOP：面向切面编程，是Spring的核心功能之一。 - MVC：模型-视图-控制器设计模式，是构建Web应用的常见架构。 - 道：在这里可能指学习之道，或者是学习Spring的原则和最佳实践。 - JDBC：Java数据库连接，是Java EE的一部分，用于在Java代码中连接和操作数据库。 - Hibernate：一个对象关系映射（ORM）框架，简化了数据库访问代码。 - MyBatis：一个半自动化的ORM框架，它提供了更细致的SQL操作方式。 五、结束语 以上内容为《learnSpring:学习春天》的核心知识点，涵盖了从Spring框架的基础知识、RESTful Web服务的构建、使用Spring开发REST服务的方法，以及与学习Spring相关的技术栈介绍。对于想要深入学习Java开发，特别是RESTful服务开发的开发者来说，这是一份非常宝贵的资源。