炼数成金 门户 大数据 Python 查看内容

在Python 2.7即将停止支持时,我们为你准备了一份3.x迁移指南

2018-1-30 14:49| 发布者: 炼数成金_小数| 查看: 23780| 评论: 0|原作者: Alex Rogozhnikov|来自: 机器之心

摘要: Python 是机器学习和其他科学领域中的主流语言,我们通常需要使用它处理大量的数据。Python 兼容多种深度学习框架,且具备很多优秀的工具来执行数据预处理和可视化。但是,Python 2 和 Python 3 长期共存于 Python ...

tm Python 工具 机器学习 框架

Python 3 功能简介
Python 是机器学习和其他科学领域中的主流语言,我们通常需要使用它处理大量的数据。Python 兼容多种深度学习框架,且具备很多优秀的工具来执行数据预处理和可视化。

但是,Python 2 和 Python 3 长期共存于 Python 生态系统中,很多数据科学家仍然使用 Python 2。2019 年底,Numpy 等很多科学计算工具都将停止支持 Python 2,而 2018 年后 Numpy 的所有新功能版本将只支持 Python 3。

为了使 Python 2 向 Python 3 的转换更加轻松,我收集了一些 Python 3 的功能,希望对大家有用。


使用 pathlib 更好地处理路径
pathlib 是 Python 3 的默认模块,帮助避免使用大量的 os.path.joins:

from
 pathlib 
import
 
Path
dataset 
=
 
'wiki_images'
datasets_root 
=
 
Path
(
'/path/to/datasets/'
)
 
train_path 
=
 datasets_root 
/
 dataset 
/
 
'train'
test_path 
=
 datasets_root 
/
 dataset 
/
 
'test'
for
 image_path 
in
 train_path
.
iterdir
():
    
with
 image_path
.
open
()
 
as
 f
:
 
# note, open is a method of Path object
        
# do something with an image

Python 2 总是试图使用字符串级联(准确,但不好),现在有了 pathlib,代码安全、准确、可读性强。

此外,pathlib.Path 具备大量方法,这样 Python 新用户就不用每个方法都去搜索了:

p
.
exists
()
p
.
is_dir
()
p
.
parts
()
p
.
with_name
(
'sibling.png'
)
 
# only change the name, but keep the folder
p
.
with_suffix
(
'.jpg'
)
 
# only change the extension, but keep the folder and the name
p
.
chmod
(
mode
)
p
.
rmdir
()

pathlib 会节约大量时间,详见:

文档:https://docs.python.org/3/library/pathlib.html;
参考信息:https://pymotw.com/3/pathlib/。

类型提示(Type hinting)成为语言的一部分

PyCharm 中的类型提示示例:


Python 不只是适合脚本的语言,现在的数据流程还包括大量步骤,每一步都包括不同的框架(有时也包括不同的逻辑)。

类型提示被引入 Python,以帮助处理越来越复杂的项目,使机器可以更好地进行代码验证。而之前需要不同的模块使用自定义方式在文档字符串中指定类型(注意:PyCharm 可以将旧的文档字符串转换成新的类型提示)。

下列代码是一个简单示例,可以处理不同类型的数据(这就是我们喜欢 Python 数据栈之处)。

def
 repeat_each_entry
(
data
):
    
""" Each entry in the data is doubled 
    <blah blah nobody reads the documentation till the end>
    """
    index 
=
 numpy
.
repeat
(
numpy
.
arange
(
len
(
data
)),
 
2
)
    
return
 data
[
index
]

上述代码适用于 numpy.array(包括多维)、astropy.Table 和 astropy.Column、bcolz、cupy、mxnet.ndarray 等。

该代码同样可用于 pandas.Series,但是方式是错误的:

repeat_each_entry
(
pandas
.
Series
(
data
=[
0
,
 
1
,
 
2
],
 index
=[
3
,
 
4
,
 
5
]))
 
# returns Series with Nones inside

这是一个两行代码。想象一下复杂系统的行为多么难预测,有时一个函数就可能导致错误的行为。明确了解哪些类型方法适合大型系统很有帮助,它会在函数未得到此类参数时给出提醒。

def
 repeat_each_entry
(
data
:
 
Union
[
numpy
.
ndarray
,
 bcolz
.
carray
]):

如果你有一个很棒的代码库,类型提示工具如 MyPy 可能成为集成流程中的一部分。不幸的是,提示没有强大到足以为 ndarrays/tensors 提供细粒度类型,但是或许我们很快就可以拥有这样的提示工具了,这将是 DS 的伟大功能。

类型提示 → 运行时的类型检查

默认情况下,函数注释不会影响代码的运行,不过它也只能帮你指出代码的意图。

但是,你可以在运行时中使用 enforce 等工具强制进行类型检查,这可以帮助你调试代码(很多情况下类型提示不起作用)。

@enforce
.
runtime_validation
def
 foo
(
text
:
 str
)
 
->
 
None
:
    
print
(
text
)
foo
(
'Hi'
)
 
# ok
foo
(
5
)
    
# fails
@enforce
.
runtime_validation
def
 any2
(
x
:
 
List
[
bool
])
 
->
 bool
:
    
return
 any
(
x
)
any 
([
False
,
 
False
,
 
True
,
 
False
])
 
# True
any2
([
False
,
 
False
,
 
True
,
 
False
])
 
# True
any 
([
'False'
])
 
# True
any2
([
'False'
])
 
# fails
any 
([
False
,
 
None
,
 
""
,
 
0
])
 
# False
any2
([
False
,
 
None
,
 
""
,
 
0
])
 
# fails

函数注释的其他用处

如前所述,注释不会影响代码执行,而且会提供一些元信息,你可以随意使用。

例如,计量单位是科学界的一个普遍难题,astropy 包提供一个简单的装饰器(Decorator)来控制输入量的计量单位,并将输出转换成所需单位。

# Python 3
from
 astropy 
import
 units 
as
 u
@u
.
quantity_input
()
def
 frequency
(
speed
:
 u
.
meter 
/
 u
.
s
,
 wavelength
:
 u
.
m
)
 
->
 u
.
terahertz
:
    
return
 speed 
/
 wavelength
frequency
(
speed
=
300
_000 
*
 u
.
km 
/
 u
.
s
,
 wavelength
=
555
 
*
 u
.
nm
)
# output: 540.5405405405404 THz, frequency of green visible light

如果你拥有 Python 表格式科学数据(不必要太多),你应该尝试一下 astropy。你还可以定义针对某个应用的装饰器,用同样的方式来控制/转换输入和输出。

通过 @ 实现矩阵乘法

下面,我们实现一个最简单的机器学习模型,即带 L2 正则化的线性回归:

# l2-regularized linear regression: || AX - b ||^2 + alpha * ||x||^2 -> min
# Python 2
=
 np
.
linalg
.
inv
(
np
.
dot
(
A
.
T
,
 A
)
 
+
 alpha 
*
 np
.
eye
(
A
.
shape
[
1
])).
dot
(
A
.
T
.
dot
(
b
))
# Python 3
=
 np
.
linalg
.
inv
(
A
.
@
 A 
+
 alpha 
*
 np
.
eye
(
A
.
shape
[
1
]))
 
@
 
(
A
.
@
 b
)

下面 Python 3 带有 @ 作为矩阵乘法的符号更具有可读性,且更容易在深度学习框架中转译:因为一些如 X @ W + b[None, :] 的代码在 numpy、cupy、pytorch 和 tensorflow 等不同库下都表示单层感知机。

使用 ** 作为通配符

递归文件夹的通配符在 Python2 中并不是很方便,因此才存在定制的 glob2 模块来克服这个问题。递归 flag 在 Python 3.6 中得到了支持。

import
 glob
# Python 2
found_images 
=
 \
    glob
.
glob
(
'/path/*.jpg'
)
 \
  
+
 glob
.
glob
(
'/path/*/*.jpg'
)
 \
  
+
 glob
.
glob
(
'/path/*/*/*.jpg'
)
 \
  
+
 glob
.
glob
(
'/path/*/*/*/*.jpg'
)
 \
  
+
 glob
.
glob
(
'/path/*/*/*/*/*.jpg'
)
 
# Python 3
found_images 
=
 glob
.
glob
(
'/path/**/*.jpg'
,
 recursive
=
True
)

python3 中更好的选择是使用 pathlib:

# Python 3
found_images 
=
 pathlib
.
Path
(
'/path/'
).
glob
(
'**/*.jpg'
)

Print 在 Python3 中是函数
Python 3 中使用 Print 需要加上麻烦的圆括弧,但它还是有一些优点。

使用文件描述符的简单句法:

print
 
>>
sys
.
stderr
,
 
"critical error"
      
# Python 2
print
(
"critical error"
,
 file
=
sys
.
stderr
)
  
# Python 3

在不使用 str.join 下输出 tab-aligned 表格:

# Python 3
print
(*
array
,
 sep
=
'\t'
)
print
(
batch
,
 epoch
,
 loss
,
 accuracy
,
 time
,
 sep
=
'\t'
)

修改与重新定义 print 函数的输出:

# Python 3
_print 
=
 
print
 
# store the original print function
def
 
print
(*
args
,
 
**
kargs
):
    
pass
  
# do something useful, e.g. store output to some file

在 Jupyter 中,非常好的一点是记录每一个输出到独立的文档,并在出现错误的时候追踪出现问题的文档,所以我们现在可以重写 print 函数了。

在下面的代码中,我们可以使用上下文管理器暂时重写 print 函数的行为:

@contextlib
.
contextmanager
def
 replace_print
():
    
import
 builtins
    _print 
=
 
print
 
# saving old print function
    
# or use some other function here
    builtins
.
print
 
=
 
lambda
 
*
args
,
 
**
kwargs
:
 _print
(
'new printing'
,
 
*
args
,
 
**
kwargs
)
    
yield
    builtins
.
print
 
=
 _print
with
 replace_print
():
    
<
code here will invoke other 
print
 function
>

上面并不是一个推荐的方法,因为它会引起系统的不稳定。

print 函数可以加入列表解析和其它语言构建结构。

# Python 3
result 
=
 process
(
x
)
 
if
 is_valid
(
x
)
 
else
 
print
(
'invalid item: '
,
 x
)

f-strings 可作为简单和可靠的格式化
默认的格式化系统提供了一些灵活性,且在数据实验中不是必须的。但这样的代码对于任何修改要么太冗长,要么就会变得很零碎。而代表性的数据科学需要以固定的格式迭代地输出一些日志信息,通常需要使用的代码如下:

# Python 2
print
(
'{batch:3} {epoch:3} / {total_epochs:3}  accuracy: {acc_mean:0.4f}±{acc_std:0.4f} time: {avg_time:3.2f}'
.
format
(
    batch
=
batch
,
 epoch
=
epoch
,
 total_epochs
=
total_epochs
,
 
    acc_mean
=
numpy
.
mean
(
accuracies
),
 acc_std
=
numpy
.
std
(
accuracies
),
    avg_time
=
time 
/
 len
(
data_batch
)
))
# Python 2 (too error-prone during fast modifications, please avoid):
print
(
'{:3} {:3} / {:3}  accuracy: {:0.4f}±{:0.4f} time: {:3.2f}'
.
format
(
    batch
,
 epoch
,
 total_epochs
,
 numpy
.
mean
(
accuracies
),
 numpy
.
std
(
accuracies
),
    time 
/
 len
(
data_batch
)
))

样本输出:

120
  
12
 
/
 
300
  accuracy
:
 
0.8180
±
0.4649
 time
:
 
56.60

f-strings 即格式化字符串在 Python 3.6 中被引入:

# Python 3.6+
print
(
f
'{batch:3} {epoch:3} / {total_epochs:3}  accuracy: {numpy.mean(accuracies):0.4f}±{numpy.std(accuracies):0.4f} time: {time / len(data_batch):3.2f}'
)

另外,写查询语句时非常方便:

query 
=
 f
"INSERT INTO STATION VALUES (13, '{city}', '{state}', {latitude}, {longitude})"

「true division」和「integer division」之间的明显区别

对于数据科学来说这种改变带来了便利(但我相信对于系统编程来说不是)。

data 
=
 pandas
.
read_csv
(
'timing.csv'
)
velocity 
=
 data
[
'distance'
]
 
/
 data
[
'time'
]

Python 2 中的结果依赖于『时间』和『距离』(例如,以米和秒为单位)是否被保存为整数。

在 Python 3 中,结果的表示都是较精确的,因为除法的结果是浮点数。

另一个案例是整数除法,现在已经作为明确的运算:

n_gifts 
=
 money 
//
 gift_price  
# correct for int and float arguments

注意,该运算可以应用到内建类型和由数据包(例如,numpy 或 pandas)提供的自定义类型。

严格排序

# All these comparisons are illegal in Python 3
3
 
<
 
'3'
2
 
<
 
None
(
3
,
 
4
)
 
<
 
(
3
,
 
None
)
(
4
,
 
5
)
 
<
 
[
4
,
 
5
]
# False in both Python 2 and Python 3
(
4
,
 
5
)
 
==
 
[
4
,
 
5
]

防止不同类型实例的偶然性的排序。

sorted
([
2
,
 
'1'
,
 
3
])
  
# invalid for Python 3, in Python 2 returns [2, 3, '1']

在处理原始数据时帮助发现存在的问题。

旁注:对 None 的合适检查是(两个版本的 Python 都适用):

if
 a 
is
 
not
 
None
:
  
pass
if
 a
:
 
# WRONG check for None
  
pass

自然语言处理的 Unicode

=
 
'您好'
print
(
len
(
s
))
print
(
s
[:
2
])

输出:
Python 2: 6\n��
Python 3: 2\n 您好.

=
 u
'со'
+=
 
'co'
 
# ok
+=
 
'со'
 
# fail

Python 2 在此失败了,而 Python 3 可以如期工作(因为我在字符串中使用了俄文字母)。

在 Python 3 中 strs 是 Unicode 字符串,对非英语文本的 NLP 处理更加方便。

还有其它有趣的方面,例如:

'a'
 
<
 type 
<
 u
'a'
  
# Python 2: True
'a'
 
<
 u
'a'
         
# Python 2: False

from
 collections 
import
 
Counter
Counter
(
'Möbelstück'
)

Python 2: Counter({'\xc3': 2, 'b': 1, 'e': 1, 'c': 1, 'k': 1, 'M': 1, 'l': 1, 's': 1, 't': 1, '\xb6': 1, '\xbc': 1})
Python 3: Counter({'M': 1, 'ö': 1, 'b': 1, 'e': 1, 'l': 1, 's': 1, 't': 1, 'ü': 1, 'c': 1, 'k': 1})

这些在 Python 2 里也能正确地工作,但 Python 3 更为友好。

保留词典和**kwargs 的顺序
在 CPython 3.6+ 版本中,字典的默认行为类似于 OrderedDict(在 3.7+版本中已得到保证)。这在字典理解(和其他操作如 json 序列化/反序列化期间)保持顺序。

import
 json
=
 
{
str
(
i
):
for
 i 
in
 range
(
5
)}
json
.
loads
(
json
.
dumps
(
x
))
# Python 2
{
u
'1'
:
 
1
,
 u
'0'
:
 
0
,
 u
'3'
:
 
3
,
 u
'2'
:
 
2
,
 u
'4'
:
 
4
}
# Python 3
{
'0'
:
 
0
,
 
'1'
:
 
1
,
 
'2'
:
 
2
,
 
'3'
:
 
3
,
 
'4'
:
 
4
}

它同样适用于**kwargs(在 Python 3.6+版本中):它们的顺序就像参数中显示的那样。当设计数据流程时,顺序至关重要,以前,我们必须以这样繁琐的方式来编写:

from
 torch 
import
 nn
# Python 2
model 
=
 nn
.
Sequential
(
OrderedDict
([
          
(
'conv1'
,
 nn
.
Conv2d
(
1
,
20
,
5
)),
          
(
'relu1'
,
 nn
.
ReLU
()),
          
(
'conv2'
,
 nn
.
Conv2d
(
20
,
64
,
5
)),
          
(
'relu2'
,
 nn
.
ReLU
())
        
]))
# Python 3.6+, how it *can* be done, not supported right now in pytorch
model 
=
 nn
.
Sequential
(
    conv1
=
nn
.
Conv2d
(
1
,
20
,
5
),
    relu1
=
nn
.
ReLU
(),
    conv2
=
nn
.
Conv2d
(
20
,
64
,
5
),
    relu2
=
nn
.
ReLU
())
)
        

注意到了吗?名称的性也会被自动检查。

迭代地拆封

# handy when amount of additional stored info may vary between experiments, but the same code can be used in all cases
model_paramteres
,
 optimizer_parameters
,
 
*
other_params 
=
 load
(
checkpoint_name
)
# picking two last values from a sequence
*
prev
,
 next_to_last
,
 last 
=
 values_history
# This also works with any iterables, so if you have a function that yields e.g. qualities,
# below is a simple way to take only last two values from a list 
*
prev
,
 next_to_last
,
 last 
=
 iter_train
(
args
)

默认的 pickle 引擎为数组提供更好的压缩

# Python 2
import
 cPickle 
as
 pickle
import
 numpy
print
 len
(
pickle
.
dumps
(
numpy
.
random
.
normal
(
size
=[
1000
,
 
1000
])))
# result: 23691675
# Python 3
import
 pickle
import
 numpy
len
(
pickle
.
dumps
(
numpy
.
random
.
normal
(
size
=[
1000
,
 
1000
])))
# result: 8000162

节省 3 倍空间,而且速度更快。实际上,类似的压缩(不过与速度无关)可以通过 protocol=2 参数来实现,但是用户通常会忽略这个选项(或者根本不知道)。

更安全的解析

labels 
=
 
<
initial_value
>
predictions 
=
 
[
model
.
predict
(
data
)
 
for
 data
,
 labels 
in
 dataset
]
# labels are overwritten in Python 2
# labels are not affected by comprehension in Python 3

关于 super()
Python 2 的 super(...)是代码错误中的常见原因。

# Python 2
class
 
MySubClass
(
MySuperClass
):
    
def
 __init__
(
self
,
 name
,
 
**
options
):
        super
(
MySubClass
,
 self
).
__init__
(
name
=
'subclass'
,
 
**
options
)
# Python 3
class
 
MySubClass
(
MySuperClass
):
    
def
 __init__
(
self
,
 name
,
 
**
options
):
        super
().
__init__
(
name
=
'subclass'
,
 
**
options
)

关于 super 和方法解析顺序的更多内容,参见 stackoverflow:https://stackoverflow.com/questions/576169/understanding-python-super-with-init-methods

更好的 IDE 会给出变量注释
在使用 Java、C# 等语言编程的过程中最令人享受的事情是 IDE 可以提供非常好的建议,因为在执行代码之前,所有标识符的类型都是已知的。

而在 Python 中这很难实现,但是注释可以帮助你:
以清晰的形式写下你的期望
从 IDE 获取良好的建议

这是一个带变量注释的 PyCharm 示例。即使你使用的函数不带注释(例如,由于向后兼容性),它也能工作。

多种拆封(unpacking)

在 Python3 中融合两个字典的代码示例:

=
 dict
(
a
=
1
,
 b
=
2
)
=
 dict
(
b
=
3
,
 d
=
4
)
# Python 3.5+
=
 
{**
x
,
 
**
y
}
 
# z = {'a': 1, 'b': 3, 'd': 4}, note that value for `b` is taken from the latter dict.


可以在这个链接中查看 Python2 中的代码对比:https://stackoverflow.com/questions/38987/how-to-merge-two-dictionaries-in-a-single-expression

aame 方法对于列表(list)、元组(tuple)和集合(set)都是有效的(a、b、c 是任意的可迭代对象):

[*
a
,
 
*
b
,
 
*
c
]
 
# list, concatenating 
(*
a
,
 
*
b
,
 
*
c
)
 
# tuple, concatenating 
{*
a
,
 
*
b
,
 
*
c
}
 
# set, union 


对于*args 和 **kwargs,函数也支持额外的 unpacking:

Python
 
3.5
+
do_something
(**{**
default_settings
,
 
**
custom_settings
})
# Also possible, this code also checks there is no intersection between keys of dictionaries
do_something
(**
first_args
,
 
**
second_args
)


只带关键字参数的 API

我们考虑这个代码片段:

model 
=
 sklearn
.
svm
.
SVC
(
2
,
 
'poly'
,
 
2
,
 
4
,
 
0.5
)

很明显,代码的作者还没熟悉 Python 的代码风格(很可能刚从 cpp 和 rust 跳到 Python)。不幸的是,这不仅仅是个人偏好的问题,因为在 SVC 中改变参数的顺序(adding/deleting)会使得代码无效。特别是,sklearn 经常会重排序或重命名大量的算法参数以提供一致的 API。每次重构都可能使代码失效。

在 Python3,库的编写者可能需要使用*以明确地命名参数:

class
 SVC
(
BaseSVC
):
    
def
 __init__
(
self
,
 
*,
 C
=
1.0
,
 kernel
=
'rbf'
,
 degree
=
3
,
 gamma
=
'auto'
,
 coef0
=
0.0
,
 
...
 
)


现在,用户需要明确规定参数 sklearn.svm.SVC(C=2, kernel='poly', degree=2, gamma=4, coef0=0.5) 的命名。
这种机制使得 API 同时具备了可靠性和灵活性。

小调:math 模块中的常量
# Python 3
math
.
inf 
# 'largest' number
math
.
nan 
# not a number
max_quality 
=
 
-
math
.
inf  
# no more magic initial values!
for
 model 
in
 trained_models
:
    max_quality 
=
 max
(
max_quality
,
 compute_quality
(
model
,
 data
))


小调:单精度整数类型

Python 2 提供了两个基本的整数类型,即 int(64 位符号整数)和用于长时间计算的 long(在 C++变的相当莫名其妙)。

Python 3 有一个单精度类型的 int,它包含了长时间的运算。

下面是查看值是否是整数的方法:

isinstance
(
x
,
 numbers
.
Integral
)
 
# Python 2, the canonical way
isinstance
(
x
,
 
(
long
,
 int
))
      
# Python 2
isinstance
(
x
,
 int
)
              
# Python 3, easier to remember


其他
Enums 有理论价值,但是字符串输入已广泛应用在 python 数据栈中。Enums 似乎不与 numpy 交互,并且不一定来自 pandas。
协同程序也非常有希望用于数据流程,但还没有出现大规模应用。
Python 3 有稳定的 ABI
Python 3 支持 unicode(因此ω = Δφ / Δt 也 okay),但你较好使用好的旧的 ASCII 名称
一些库比如 jupyterhub(jupyter in cloud)、django 和新版 ipython 只支持 Python 3,因此对你来讲没用的功能对于你可能只想使用一次的库很有用。

数据科学特有的代码迁移问题(以及如何解决它们)

停止对嵌套参数的支持:
map
(
lambda
 x
,
 
(
y
,
 z
):
 x
,
 z
,
 dict
.
items
())


然而,它依然完美适用于不同的理解:
{
x
:
for
 x
,
 
(
y
,
 z
)
 
in
 d
.
items
()}


通常,理解在 Python 2 和 3 之间可以更好地「翻译」。

map(), .keys(), .values(), .items(), 等等返回迭代器,而不是列表。迭代器的主要问题有:没有琐碎的分割和无法迭代两次。将结果转化为列表几乎可以解决所有问题。
遇到问题请参见 Python 问答:我如何移植到 Python 3?(https://eev.ee/blog/2016/07/31/python-faq-how-do-i-port-to-python-3/)

用 python 教机器学习和数据科学的主要问题
课程作者应该首先花时间解释什么是迭代器,为什么它不能像字符串那样被分片/级联/相乘/迭代两次(以及如何处理它)。
我相信大多数课程作者很高兴避开这些细节,但是现在几乎不可能。

结论
Python 2 与 Python 3 共存了近 10 年,时至今日,我们必须要说:是时候转向 Python 3 了。

研究和生产代码应该更短,更易读取,并且在迁移到 Python 3 代码库之后明显更加的安全。

现在大多数库同时支持 2.x 和 3.x 两个版本。但我们不应等到流行工具包开始停止支持 Python 2 才开始行动,提前享受新语言的功能吧。

迁移过后,我敢保证程序会更加顺畅:「我们不会再做向后不兼容的事情了(https://snarky.ca/why-python-3-exists/)」。

原文地址:https://github.com/arogozhnikov/python3_with_pleasure

欢迎加入本站公开兴趣群
软件开发技术群
兴趣范围包括:Java,C/C++,Python,PHP,Ruby,shell等各种语言开发经验交流,各种框架使用,外包项目机会,学习、培训、跳槽等交流
QQ群:26931708

Hadoop源代码研究群
兴趣范围包括:Hadoop源代码解读,改进,优化,分布式系统场景定制,与Hadoop有关的各种开源项目,总之就是玩转Hadoop
QQ群:288410967 

鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

 

GMT+8, 2018-7-17 13:38 , Processed in 0.136326 second(s), 24 queries .