cluster-weka聚类

cluster.pdf是一篇关于在<em>weka</em>中实现聚类的论文 对于了解<em>weka</em>聚类 写数据挖掘方面的论文 有帮助，开发聚类设计也可以参考

Weka -- 聚类算法之K-means

<em>聚类分析</em>中的“类”（cluster）和分类的“类”（class）是不同的，对cluster更加准确的翻译应该是“簇”。聚类的任务是把所有的实例分配到若干的簇，使得同一个簇的实例聚集在一个簇中心的周围，它们之间距离的比较近；而不同簇实例之间的距离比较远。对于由数值型属性刻画的实例来说，这个距离通常指欧氏距离。  K均值算法首先随机的指定K个簇中心。然后：1)将每个实例分配到距它最近的簇中心，得到K

Weka初步二（聚类算法）

上次我介绍了分类器的使用方法，这次我来介绍一下聚类算法。聚类算法在数据挖掘里面被称之为无监督学习（unsupervised learning），这是与分类算法（supervised learning）相对的。在它们两者之间还一种叫做半监督学习（semi-supervised learning）这个我会在后面的文章中重点介绍。所谓无监督学习就是在预先不知道样本类别的情况下，由聚类算法来判别样本的类别...

聚类算法--层次聚类 Hierarchical clustering学习

对于传统的k-means算法，需要手动指定分类的数目k和初始化质心，这两个值的指定对于聚类结果是有很大的影响的。 维基：https://en.wikipedia.org/wiki/Hierarchical_clustering 博客：https://blog.csdn.net/u012500237/article/details/65437525  Hierarchical clusteri...

weka 中em算法详细解析

详细讲述了<em>weka</em>中EM算法解析，清晰，值得学习

Hierarchical Clustering（层次聚类）

层次聚类原理：唔？排序的图？分治？没错，与原型聚类和密度聚类不同，层次聚类试图在不同的“层次”上对样本数据集<em>进行</em>划分，一层一层地<em>进行</em>聚类。就划分策略可分为自底向上的凝聚方法（agglomerative hierarchical clustering），比如AGNES。自上向下的分裂方法（divisive hierarchical clustering），比如DIANA。AGNES先将所有样本的每个点.....

层次聚类算法的原理及实现Hierarchical Clustering

层次聚类(HIERARCHICAL CLUSTERING)是聚类算法的一种，通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树。在聚类树中，不同类别的原始数据点是树的最低层，树的顶层是一个聚类的根节点。创建聚类树有自下而上合并和自上而下分裂两种方法，本篇文章介绍合并方法。

WEKA聚类分析实例代码

<em>weka</em>智能分析示例代码，主要实现了<em>聚类分析</em>功能。

基于WEKA的聚类分析算法

基于WEKA软件实现金融领域数据挖掘分析案例，分别使用随机森林，支持向量机等算法对大数据<em>进行</em><em>聚类分析</em>，得出结论

基于weka的数据聚类分析实验

基于<em>weka</em>的数据<em>聚类分析</em>实验

weka之如何利用kmeans算法分析数据的聚类效果

聚类算法之k-means算法的数据集分析： 1. K均值聚类的步骤： K均值算法首先随机的指定K个簇中心。然后： 1)将每个实例分配到距它最近的簇中心，得到K个簇； 2)计分别计算各簇中所有实例的均值，把它们作为各簇新的簇中心。重复1)和2)不断迭代，直到K个簇中心的位置都固定，簇的分配也固定。                                           

Weka入门实例之KMean聚类实现

/*上次我介绍了分类器的使用方法，这次我来介绍一下聚类算法。聚类算法在数据挖掘里面被称之为无监督学习（unsupervised learning），这是与分类算法（supervised learning）相对的。在它们两者之间还一种叫做半监督学习（semi-supervised learning）这个我会在后面的文章中重点介绍。所谓无监督学习就是在预先不知道样本类别的情况下，由聚类算法来判别样...

Weka系列转载之聚类

上次我介绍了分类器的使用方法，这次我来介绍一下聚类算法。聚类算法在数据挖掘里面被称之为无监督学习（unsupervised learning），这是与分类算法（supervised learning）相对的。在它们两者之间还一种叫做半监督学习（semi-supervised learning）这个我会在后面的文章中重点介绍。所谓无监督学习就是在预先不知道样本类别的情况下，由聚类算法来判别样本的类别...

weka支持的算法和weka简单的聚类例子

<em>weka</em>是数据挖掘的平台，集成了很多算法。下面做最新版本的<em>weka</em>-3-6-10.exe（下载页面：http://www.cs.waikato.ac.nz/ml/<em>weka</em>/downloading.html）展示： 分类算法：                          聚类算法： 关联算法：

利用Weka 进行数据挖掘聚类分析实验：银行客户分类

Weka数据挖掘视频培训课程概况：该教程利用Weka<em>进行</em>数据（包括大数据）分析和挖掘，内容包括Weka数据挖掘软件的下载安装、基础知识、基础使用教程，分类处理、高级应用技巧。利用Weka<em>进行</em>数据预处理、分类预测、回归分析、<em>聚类分析</em>、关联规则分析等；同时，您还可以将自己研究的算法加入Weka平台<em>进行</em>实验研究。

weka进行分类

maven依赖包 dependency> groupId>nz.ac.waikato.cms.<em>weka</em>groupId> artifactId><em>weka</em>-stableartifactId> version>3.6.6version> dependency> dependency> groupId>com.google.guavagroupId> art

使用Python进行聚类分析

1、我们使用Scipy中的聚类包<em>进行</em><em>聚类分析</em>，下面是一个小例子： 找出谁是学霸，谁不是，也就是聚成两类，下面是实验结果： 由结果可以看出大明、小明、大朋、大萌是学霸！ 详细说明可参见点击打开链接《python玩转大数据》coursera上的课

使用orange进行聚类分析

前言 本文是我这一系列博客的最后一篇，也是我最终作为作业交给数据挖掘老师的。在写这结课设计的过程，看了很多的博客给我带来很大的帮助，也学习了很多，写这些博客也只是想把自己一点点的经验分享给大家。 选择数据集 种子数据集：https://archive.ics.uci.edu/ml/datasets/seeds 三种不同品种小麦籽粒几何性状的测定。用于软X射线技术和GRAINS构建...

WEKA进行数据挖掘

如何运用WEKA<em>进行</em>数据挖掘，本文档<em>进行</em>了相关说明！希望对大家有帮助！

Java调用weka的各种聚类算法

package com.lh.cluster; import java.io.BufferedOutputStream; import java.io.File; import java.io.FileOutputStream; import java.io.PrintStream; import <em>weka</em>.clusterers.EM; import <em>weka</em>.clustere

在java中调用weka聚类方法并显示相应的类标签+weka中创建arff数据

1.读取arff文件 Instances data = new Instances(new BufferedReader(new FileReader("/some/where/data.arff"))); // setting class attribute data.setClassIndex(data.numAttributes() - 1); 2.直接在程序中创建数据集 （1

weka中，如何使用EM聚类，并导出聚类结果

新建Eclipse工程，下载<em>weka</em>.jar包，导入工程，新建class类，创建main函数，这些都不用说了吧！首先准备数据官方文本格式为arff，个人原因选择TXT格式，这个不必纠结！新建txt文本，格式为ANSI，接下来文件内容格式： @relation 作者 @attribute 特征名称 特征属性 @data 第一个特征值，第二个特征值，……备注：①个人认为relation不是很重要

weka文本聚类（1）--概述

由于做毕业论文需要用到文本聚类，之前完全没有接触过这个领域，从一步一步探索，到成功完成聚类，花费了不少的时间和精力。现在将最近的学习经验整理下来，方便记忆同时也能为刚入门的朋友提供一些指导方向。在百度上随便可以搜索到利用<em>weka</em><em>进行</em>文本聚类的示例，非常详细，但是不足的是，它们都是用命令行<em>进行</em>的，而用java语言调用<em>weka</em><em>进行</em>文本聚类的完整例子却很难找到。文本聚类的理论基础是VSM向量空间模型，关

利用Weka进行二次开发

利用Weka<em>进行</em>二次开发

使用weka进行数据挖掘

参考教程点击打开链接

使用Weka进行数据挖掘（Weka教程一）Weka初识之在你的代码中使用Weka

Weka教程一，讲解Weka的组件、和开发环境配置

修改weka后进行打包

打包jar文件，这里以<em>weka</em>为例。 扩展:向Weka中添加新算法,然后打包Weka.

MeV进行聚类分析流程.pdf

可以用于做不基因组学 转录组学和 蛋白组学 等的<em>聚类分析</em>，热图

weka的java使用——聚类

<em>weka</em>是著名的数据挖掘工具，在这里有详细介绍，IDMer老师的博客里也有比较详细的用法描述。当然，如果直接使用<em>weka</em>的工具，自然没有问题，但是如果想用<em>weka</em>的功能在自己的平台框架中呢？我这里放出一个当初对<em>weka</em>的源码学习过程，主要是如何调用<em>weka</em>的api。仅供参考，代码中有什么问题，欢迎邮件联系。这里简单讲解一下流程。构造方法首先载入一个arff文件，然后调用doCluster（）方法<em>进行</em>

Weka中各种分类算法和聚类算法集成

本工具包集成了Weka中最新的分类和聚类算法，将其打包成jar包，方便java开发者调用

用 WEKA 进行数据挖掘，第 2 部分: 分类和群集（聚类）

数据挖掘是很多技术的共同术语，用以表达从数据中一点点地收集信息并将其转变成有实际意义的趋势和规则来提高您对数据的理解。在本系列 “用 WEKA <em>进行</em>数据挖掘” 的第 2 部分我们将讨论两种最常见的数据挖掘方法 — 分类和群集 — 利用它们可以对您的数据<em>进行</em>更强大的分析。 简介 在 用 WEKA <em>进行</em>数据挖掘，第 1 部分：简介和回归，我介绍了数据挖掘的概念以及免费的开源

运用scikit-learn库进行聚类分析

运用scikit-learn库<em>进行</em><em>聚类分析</em>一、 k-means聚类算法（一）k-means算法（二）使用肘方法确定簇的最佳数量（三）使用轮廓图定量分析聚类质量二、层次聚类（一） 普通层次聚类步骤（二）通过scikit-learn <em>进行</em>层次分析三、 使用DBSCAN（基于空间密度的聚类算法）划分高密度区域 <em>聚类分析</em>常用的方法有 k-means聚类算法、 层次聚类算法、DBSCAN（基于空间密度的聚类...

用java和weka进行分类

用<em>weka</em><em>进行</em>分类的小程序。package test.<em>weka</em>;import java.io.BufferedWriter; import java.io.File; import java.io.FileReader; import java.io.FileWriter; import java.io.IOException; import java.text.DateFormat; import

利用Weka进行线性回归预测

一、实验目的和内容 （一）实验目的和内容 利用Weka对现有数据<em>进行</em>短期预测。先利用excel和<em>weka</em>软件将数据记性预处理，再将数据载入<em>weka</em>中，开始创建模型并<em>进行</em>预测。通过本实验，掌握Weka软件的使用，对数据创建模型并预测。从而掌握回归分析的基本思想和方法。 （二）背景知识 1、Weka Weka全名怀卡托智能分析环境（Waikato Environment for Knowle...

如何使用Erdas进行聚类分析

<em>聚类分析</em>符合“物以类聚，人以群分”的原则，它把相似性大的样本聚集为一个类型，在特征空间里占据着一个局部区域。每个局部区域都形成一个聚合中心，聚合中心代表相应类型。这里以水经注万能地图下载器下载的谷歌的卫星地图为例，通过Erdas介绍一下<em>聚类分析</em>。 　　步骤 　　第一步：下载谷歌卫星地图 　　打开水经注万能地图下载器，切换地图到谷歌地球，框选下载需要分析的区域卫星图并将其导出为img格式（图1

应用WEKA进行数据分类

WEKA把分类(Classification)和回归(Regression)都放在“Classify”选项卡中，这是有原因的。 在这两个任务中，都有一个目标属性（输出变量）。我们希望根据一个样本(WEKA中称作实例)的一组特征（输入变量），对目标<em>进行</em>预测。为了实现这一目的，我们需要有一个训练数据集，这个数据集中每个实例的输入和输出都是已知的。观察训练集中的实例，可以建立起预测的模型。有了这个模型，我们就可以对新的输出未知的实例<em>进行</em>预测了。衡量模型的好坏就在于预测的准确程度。 在WEKA中，待预测的目标（输出）被称作Class属性，这应该是来自分类任务的“类”。一般的，若Class属性是分类型时我们的任务才叫分类，Class属性是数值型时我们的任务叫回归。

Weka聚类算法的两个实现算法

这是转自博友的博客，讲解了java调用<em>weka</em>两种聚类算法的demo，在调用之前，必须下载<em>weka</em> jar包导入eclipse里面，并下载<em>weka</em>自带的数据集 <em>进行</em>测试； 本人只是<em>进行</em>了简单的测试，发现算法可以完美调用，但是算法的精髓还有待深入理解； 转载自：http://rangerwolf.iteye.com/blog/2012208 在这里将使用Weka自带的K-mea

利用weka的kmeans算法求词与词之间的相似度

-

基于weka的各种聚类算法java调用

SimpleKMeans，EM，FarthestFirst，Hierarchical算法的java调用。

weka文本聚类（2）--分词和停用词处理

<em>weka</em>本身自带英文分词，没有自带中文分词，因此需要自己<em>进行</em>中文分词。可以通过继承Tokenizer，并覆盖里面的方法，如下： public String globalInfo() public boolean hasMoreElements() public String nextElement() public void tokenize(String s) public Str

Weka的聚类器SimpleKMeans中为什么还有distributionForInstance呢？

了解KM算法和EM算法的都知道，它们两个的区别就是，<em>聚类分析</em>完成后，KM将实例分到了每个簇里边，而EM并没有将每个实例分配给簇，而是计算出了每个实例属于每个簇的概率分布，而这个概率分布我们便可以通过方法distributionForInstance得到，然而KM却也有这个算法，不过它的概率取值只有1和0了

使用weka进行二次开发的问题

最近用<em>weka</em><em>进行</em>二次开发，把一些用户按照个人信息<em>进行</em>聚类。开发过程中遇到一些问题：rn1、如果属性中同时包含标量属性（比如地区）和数字属性（比如年龄），那使用聚类算法（例如EM）时，EM总是把标量属性相同的实体聚成一类，无论数字属性之间的差距多大。感觉这种聚类效果不太好，应该对各个属性按权重来算。rn2、当我想在二次开发设定权重时，我发现设定属性的权重对结果居然没有任何影响，不知道<em>weka</em>支不支持对属性设定权重。rn[code=java] public void cluster() throws Exception rn rn //set attribute 1 weight to 0 rn [color=#FF0000] instances.attribute(0).setWeight(0);[/color]rn rn EM clusterer = new EM();rn // set further options for EM, if necessary...rn String[] options = new String[4];rnrn // max. iterations rn options[0] = "-I"; rn options[1] = "100";rn //set cluseter numbersrn options[2]="-N";rn options[3]= Integer.toString(maxCluster);rn rn clusterer.setOptions(options);rn clusterer.buildClusterer(instances); rn rn // evaluate clustererrn ClusterEvaluation eval = new ClusterEvaluation();rn eval.setClusterer(clusterer);rn eval.evaluateClusterer(instances);rn rn // print resultsrn //System.out.println(eval.clusterResultsToString());rn rn assignment = new int[instances.numInstances()];rnrn for (int j = 0; j

使用Weka进行数据挖掘.docx

全面介绍了Weka及其简单使用。 数据挖掘、机器学习这些字眼，在一些人看来，是门槛很高的东西。诚然，如果做算法实现甚至算法优化，确实需要很多背景知识。但事实是，绝大多数数据挖掘工程师，不需要去做算法层面的东西。他们的精力，集中在特征提取，算法选择和参数调优上。那么，一个可以方便地提供这些功能的工具，便是十分必要的了。而<em>weka</em>，便是数据挖掘工具中的佼佼者。

weka进行数据挖掘毕业设计论文

<em>weka</em><em>进行</em>数据挖掘毕业设计论文，适合用作课程论文

MyEclipse怎么集成weka，

如题，MyEclipse怎么集成<em>weka</em>呢？就是，使用Eclipse环境下，启动<em>weka</em>。我导入了，但是里面有很多出错的地方，不知道什么原因。<em>weka</em>版本是3-6-11的。jre版本降到了1.5.还是有问题。求解答rn[img=https://img-bbs.csdn.net/upload/201411/09/1415505998_610824.jpg][/img]rn

聚类分析2：使用Scikt-learn中的方法进行聚类分析

''' 随机创建1000个具有二维特征的数据集，样本大致分为4类。 ''' #导入模块 import numpy as np import matplotlib.pyplot as plt from sklearn.datasets.samples_generator import make_blobs from sklearn.cluster import KMeans from sklear...

调用WEKA包进行kmeans聚类（java）

所用数据文件：data1.txt [plain] view plain copy  print? @RELATION data1         @ATTRIBUTE one REAL   @ATTRIBUTE two REAL               @DATA   0.184000 0.482000   0.152000 0.

weka关联规则分析

<em>weka</em>关联规则学习可以发现属性组之间的依赖关系 一、关联规则： 二、关联规则挖掘的主要算法： 这三种方法都不支持数值型数据。事实上，绝大多数关联规则都不支持数值型，所以必须将数据<em>进行</em>处理，经数据按区段<em>进行</em>划分，<em>进行</em>离散化分箱处理。 三、算法属性设置 其中metrictype度量类型分为以下： ...

weka实战004：fp-growth关联规则算法

apriori算法的计算量太大，如果数据集略大一些，会比较慢，非常容易内存溢出。 我们可以算一下复杂度：假设样本数有N个，样本属性为M个，每个样本属性平均有K个nominal值。 1. 计算一项频繁集的时间复杂度是O(N*M*K)。 2. 假设具有最小支持度的频繁项是q个，根据它们则依次生成一项频繁集，二项频繁集，....，r项频繁集合，它们的元素数量分别是：c(q, 1), c(q

WEKA使用教程 简介 数据格式 数据准备 分类与回归 聚类分析

WEKA使用教程 简介 数据格式 数据准备 分类与回归 <em>聚类分析</em>

如何在WEKA中由聚类分析的结果向下钻取

最近遇到一个问题，用WEKA做<em>聚类分析</em>，出了聚类结果后rn=== Run information ===rnrnScheme: <em>weka</em>.clusterers.SimpleKMeans -N 2 -A "<em>weka</em>.core.EuclideanDistance -R first-last" -I 500 -S 10rnRelation: labor-neg-data-<em>weka</em>.filters.unsupervised.attribute.Remove-R2-5,7,9,11-17rnInstances: 57rnAttributes: 4rn durationrn working-hoursrn standby-payrn education-allowancernTest mode: evaluate on training datarnrn=== Model and evaluation on training set ===rnrnrnkMeansrn======rnrnNumber of iterations: 3rnWithin cluster sum of squared errors: 15.900566953222574rnMissing values globally replaced with mean/modernrnCluster centroids:rn Cluster#rnAttribute Full Data 0 1rn (57) (47) (10)rn======================================================rnduration 2.1607 2.4077 1rnworking-hours 38.0392 37.9829 38.3039rnstandby-pay 7.4444 7.7376 6.0667rneducation-allowance no no nornrnrnClustered Instancesrnrn0 47 ( 82%)rn1 10 ( 18%)rnrnrn如何想下钻取，看到每一个样本的数据？

聚类分析

1

各种聚类算法（原理+代码+对比分析）最全总结

序言 最近在准备算法面试，百度金融、京东广告数据部、新浪信息部都被我面完了，像58同城、掌阅、宜信这样的口碑不好的公司给我发了面试邀请都被我拒了，只有两家创业公司面试成功。我的认识是对于一个毕业才一年，本科学历的我来说目前最适合我的还是互联网一线公司，虽然前几次面试都失败了，最近几天也分析了失败的原因： 1.没有认真梳理我一年多的项目，面试的时候不能清晰表达项目流程； 2.自从c语言考试后再...

【机器学习】3：Density Peaks聚类算法实现（局部密度聚类算法）

前言：Density Peaks聚类算法和DBSCAN聚类算法有相似的地方，两者都是基于密度的聚类方式。自己是在学习无监督学习过程中，无意间见到介绍这种聚类算法的文章，感觉Density Peaks聚类算法方法很新奇，操作也很简答，于是自己也动手写一下了。 –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

密度聚类DBSCAN原理及代码实现

1、密度聚类及DBSCAN密度聚类：密度聚类算法，即基于密度的聚类，此类算法假设聚类结构能通过样本分布的紧密程度确定。通常，密度聚类算法从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断拓展聚类簇以获得最终的聚类结果。DBSCAN是典型的密度聚类算法，它基于一组“邻域”参数(ϵ,MinPts)(\epsilon,MinPts)来刻画样本分布的紧密程度。

从WekaWiki上的一个文本聚类的示例开始（3）

在完成了预处理和特征提取后，下一步就是用 聚类算法 <em>进行</em>文本聚类。在聚类算法中 距离函数的选择很重要，文本挖掘中最好的距离函数就是 余弦距离，但是Weka 3.6.10中 尚不支持余弦距离，需要自己实现。 我们可以在 Eclipse 中创建一个文本挖掘的项目，引入 <em>weka</em>.jar，然后然后实现一个计算余弦距离的类，让这个类继承自<em>weka</em>中用于计算欧氏距离的类，代码如下： pac...

weka中K-means使用演示

<em>聚类分析</em>算法K-means在<em>weka</em>下使用方法

Weka算法Clusterers-DBSCAN源码分析

Weka算法Clusterers-DBSCAN源码分析

【Weka】Weka工具包

用久了scikitlearn，突然换回<em>weka</em>各种不适应 <em>weka</em>的tree分类器输出的树后面的括号的含义 调用API对样本<em>进行</em>分类 在分类问题中，当调用如下代码对testInstance<em>进行</em>分类，输出的是一个double，预测的结果是一个index，假设预测结果为0.0 double index = classifier.classifyInstance(testInstance) 假如训练...

WEKA使用教程WEKA使用教程

WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程WEKA使用教程

使用Weka进行数据挖掘（Weka教程四）Weka数据Instance之Attribute

本篇博客讲解下Weka中数据的属性Attribute。

使用Weka进行数据挖掘（Weka教程六）Weka采样Filter/Resample/SMOTE

简单介绍Weka支持的Resample和SMOTE采样方式。即简单随机抽样和SMOTE采样算法。

使用Weka进行数据挖掘（Weka教程二）Weka数据之ARFF与多文件格式转换

这篇博客主要讲解Weka的数据格式 Weka数据格式Weka的专有数据格式ARFF及与其他格式文件之间的转换。

使用Weka进行数据挖掘（Weka教程八）Weka分类评价Evaluation输出分析

Weka提供了多种多样的评价指标，为了让大家更清楚，降低学习时间，在这篇文章中我将分析ROC/AUC/F1/recall/precision/MCC/PRC

使用Weka进行数据挖掘（Weka教程七）Weka分类/预测模型构建与评价

如何使用Weka<em>进行</em>数据分类，模型学习和构建，模型评价与预测

使用Weka进行数据挖掘（Weka教程三）Weka数据之Instances和Instance

本博客讲解以下Weka运行时数据的存储对象Instances和Instance。

支持win7_gh0st下载

支持win7_gh0st,无毒，亲测。绝对支持win7。 相关下载链接：[url=//download.csdn.net/download/shmily_ab/4273922?utm_source=bbsseo]//download.csdn.net/download/shmily_ab/4273922?utm_source=bbsseo[/url]

shttps.rar代理服务器工具下载

shttps.rar代理服务器工具 使用简单 方便 相关下载链接：[url=//download.csdn.net/download/qyf_5445/4825174?utm_source=bbsseo]//download.csdn.net/download/qyf_5445/4825174?utm_source=bbsseo[/url]

up_116599_php-mp4info_yawrz2.rar下载

通过php编码实现的，这是一个用php脚本语言写的留言日记,蓝宝石留言本 v1.01,这是我第一次做留言本，也是为初学者做的留言本，目的是为了做一个方便配置，好用的留言本。，阅读提升自我参考代码 相关下载链接：[url=//download.csdn.net/download/aetoijiklgkdopw/5631449?utm_source=bbsseo]//download.csdn.net/download/aetoijiklgkdopw/5631449?utm_source=bbsseo[/url]

相关热词 c#部署端口监听项目、 c#接口中的属性使用方法 c# 昨天 c#func链接匿名方法 c#怎么创建文件夹 c#从键盘接收空格 c#da/ad c#部门请假管理系统 c#服务器socket c# 默认的访问修饰符