file-type

Slope: 一个C语言的数据可视化库，基于Gtk+和cairo

ZIP文件

visualization
charts
cairo
下载需积分: 9 | 98KB | 更新于2024-11-05 | 34 浏览量 | 0 下载量 举报 收藏
download 立即下载
Slope库特别设计为与Gtk + 3.X版本兼容，并且它所有的图形绘制工作都依赖于cairo图形库，这意味着它不需要依赖于Gtk堆栈之外的其他图形库。 安装Slope库需要首先安装相关的开发工具和依赖库。对于基于Debian或Ubuntu的Linux发行版，可以通过包管理器安装`build-essential`, `cmake`, 和`libgtk-3-dev`。而在Fedora系统上，相应的安装命令为`dnf`。安装完成后，使用`cmake`和`make`命令进行编译安装。具体的步骤包括创建构建目录，进入该目录，运行`cmake`来配置项目，使用`make`来编译代码，最后通过`sudo make install`命令安装编译好的库到系统中。 在编译使用Slope库的程序时，需要在编译器的命令行中添加`-lslope`标志，以便链接到Slope库。如果程序中使用了数学函数，还需要链接数学库，即添加`-lm`标志。编译成功后，可以生成可执行文件，例如在示例中使用`gcc simple.c -lslope -lm -o sim`命令生成名为`sim`的可执行文件。 Slope库支持创建各种图表，如条形图、折线图等，并能通过Slope提供的API进行定制，例如设置颜色、字体等属性，从而生成符合特定需求的视觉化图形。 Slope库的出现降低了数据可视化的复杂性，使得C语言开发者能够更加方便地创建各种图形界面。此外，由于Slope库完全基于Gtk +和cairo，因此能够提供跨平台的能力，并且具备高效和响应速度快的特点。" 知识点: 1. Slope是一个基于Gtk +的C语言数据可视化库，使用LGPL协议。 2. 该库专为与Gtk + 3.X版本集成设计，使用cairo图形库进行图形绘制。 3. 安装Slope库需要先安装开发工具和依赖库，Debian/Ubuntu和Fedora系统的安装命令不同。 4. 编译安装Slope库的步骤：创建构建目录、配置项目、编译代码、安装到系统。 5. 编译使用Slope库的程序时需要添加`-lslope`和`-lm`标志。 6. Slope库可以创建多种类型的图表，支持自定义设置属性。 7. Slope库具有跨平台能力，高效且响应速度快。 8. Slope库降低了数据可视化的复杂度，使C语言开发者能够更便捷地实现数据可视化功能。

相关推荐

filetype

这段代码是什么意思plt.text(0,1500,'overall_rating: ' + str(iso_rating.overall_rating()) + '\n' + 'corridor_rating: ' + str(iso_rating.corridor_rating()) + '\n' + 'phase_rating: ' + str(iso_rating.phase_rating()) + '\n' + 'magnitude_rating: ' + str(iso_rating.magnitude_rating()) + '\n' + 'slope_rating: ' + str(iso_rating.slope_rating()),fontsize = 10)

这段代码使用Matplotlib库中的text函数，在图表中添加了一段文本。其中0和1500分别表示文本的x和y坐标，后面的字符串是要显示的文本内容。这段代码使用了字符串拼接将评价指标的值与对应的评价指标名称拼接在一起，...
filetype

ggflags包的定制化主题与调色板：个性化数据可视化打造秘籍

![ggflags包的定制化主题与调色板：个性化数据可视化...ggflags允许用户以类似于ggplot2的方式创建复杂的图形，并将地理标志与传统的折线图、条形图等结合起来，极大地增强了数据可视化的表达能力。 ## 1.2 数据可视
filetype

等高面与GIS联手：空间数据的可视化革命，探索未知世界

[等高面与GIS联手：空间数据的可视化革命，探索未知世界](http://riboseyim-qiniu.riboseyim.com/GIS_History_2.png) # 1. 等高面与GIS的概念和原理** 等高面是连接地形图上相同海拔高度点的线，是描述地形起伏的...
filetype

线性最小二乘拟合matlabX：0+1+2+3+4+5+6+7+8+9+10\n\nY：-0.447+1.987+3.28+6.16+7.08+7.34+7.66+9.56+9.48+9.3+11.2

线性最小二乘拟合是一种常用的数据拟合方法，它可以用来找到一条直线（或者更一般的曲线）来拟合给定的数据点。在Matlab中，可以使用polyfit函数进行线性最小二乘拟合。 根据你提供的数据点，我们可以将X和Y分别...
filetype

Detrend DEM by Valley Slope:Detrends a DEM by Valley Slope-matlab开发

"Detrend DEM by Valley Slope" 是一个基于 MATLAB 的程序，专门用于对DEM进行去趋势处理，特别是针对山谷区域的坡度。 MATLAB 是一种强大的编程环境，广泛应用于科学计算、数据分析和工程应用。在这个项目中，...
filetype

matlab代码影响-pub-constriction-slope:底部坡度通过收缩对流量和床荷传递的影响

此存储库包含在中使用的数据。 数据来自我的博士学位论文（）中描述的设置的实验室实验。 数据处理是使用Python （请参阅参考资料）和Matlab / Octave代码完成的。 引文 建议引文： Schwindt，S。 Franca，MJ和...
filetype

【实战项目与案例研究】数据报告撰写与演示技巧：清晰表达与可视化展示

[【实战项目与案例研究】数据报告撰写与演示技巧：清晰表达与可视化展示](https://teamhub.com/wp-content/uploads/2023/09/image-70.png) # 1. 数据报告撰写与演示的重要性 撰写和演示数据报告是任何数据驱动型...
filetype

R语言：财务数据可视化的7个核心概念与实践案例

本文首先介绍了财务数据可视化的基础理论，强调了数据可视化在解释数据和决策中的重要性，同时探讨了R语言强大的数据处理能力，包括数据清洗、预处理以及对数据类型和结构的理解。随后，本文详细介绍了R语言中的可视...
filetype

大数据零基础入门：统计分析与数据可视化工具

大数据统计分析和数据可视化是当前信息时代的热门领域，其重要性在于帮助人们从庞大的数据中提取有用的信息，并以直观的方式展示出来。这一章节将介绍大数据统计分析和数据可视化的概念、应用领域以及为什么需要它们...
filetype

import os import numpy as np import matplotlib.pyplot as plt import re from matplotlib.ticker import MaxNLocator from scipy.stats import linregress # 解决中文显示问题 plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'WenQuanYi Micro Hei'] plt.rcParams['axes.unicode_minus'] = False def natural_sort_key(s): """自然排序算法：确保文件名按数字顺序排列""" return [int(text) if text.isdigit() else text.lower() for text in re.split(r'(\d+)', s)] def normalize_data(data): """归一化数据到[0,1]范围""" min_val = min(data) max_val = max(data) if max_val == min_val: # 避免除以零 return [0.5] * len(data) # 所有值相同，返回0.5 return [(x - min_val) / (max_val - min_val) for x in data] def find_stable_intervals(counts, method='std', min_window=300, max_window=2000, threshold=0.5, merge_gap=300, min_length=500, window_step=50): """ 改进版稳定区间检测：支持三种不同指标 :param counts: 预测框数量列表（已归一化） :param method: 检测方法 ('std', 'cv', 'slope') :param min_window: 最小窗口尺寸 :param max_window: 最大窗口尺寸 :param threshold: 阈值（基于整体统计量） :param merge_gap: 相邻区间合并的最大间隔 :param min_length: 最小有效区间长度 :param window_step: 窗口尺寸增加的步长 :return: 优化后的稳定区间列表 """ n = len(counts) if n == 0: return [] # 返回空列表 # 计算整体统计量（基于归一化数据） total_mean = np.mean(counts) total_std = np.std(counts) # 1. 多窗口尺寸检测机制 base_intervals = [] # 遍历所有窗口尺寸 for window_size in range(min_window, max_window + 1, window_step): # 确保窗口大小不超过数据长度 if window_size > n: continue step_size = max(1, window_size) # 50%重叠滑动 # 使用当前窗口尺寸检测稳定区间 for i in range(0, n - window_size + 1, step_size): window = counts[i:i + window_size] if len(window) < 2: # 至少需要2个点计算 continue # 根据不同方法计算稳定性指标 if method == 'std': # 标准差方法 std_dev = np.std(window) if std_dev < total_std * threshold: base_intervals.append((i, i + window_size - 1)) elif method == 'cv': # 变异系数方法 mean_val = np.mean(window) if mean_val > 0: # 避免除以0 cv = np.std(window) / mean_val if abs(cv) < threshold * (total_std / total_mean): base_intervals.append((i, i + window_size - 1)) elif method == 'slope': # 趋势斜率方法 x = np.arange(len(window)) slope, _, _, _, _ = linregress(x, window) if abs(slope) < threshold * total_std / window_size: base_intervals.append((i, i + window_size - 1)) # 如果没有检测到任何区间，直接返回 if not base_intervals: return [] # 返回空列表 # 2. 合并相邻平稳段 base_intervals.sort(key=lambda x: x[0]) # 确保按起始索引排序 merged_intervals = [] if base_intervals: # 确保列表非空 current_start, current_end = base_intervals[0] for start, end in base_intervals[1:]: if start - current_end <= merge_gap: # 间隔小于合并阈值 current_end = max(current_end, end) # 扩展当前区间 else: merged_intervals.append((current_start, current_end)) current_start, current_end = start, end merged_intervals.append((current_start, current_end)) # 3. 过滤短时伪平稳段 final_intervals = [ (start, end) for start, end in merged_intervals if (end - start + 1) >= min_length # 区间长度包含两端点 ] return final_intervals def plot_box_count_trend(file_list, box_counts, stable_intervals, output_path, title_suffix="", method_name="标准差"): """ 绘制预测框数量变化趋势图并标记稳定区间 :param file_list: 文件名列表 :param box_counts: 原始预测框数量列表 :param stable_intervals: 稳定区间列表 :param output_path: 输出图片路径 :param title_suffix: 标题后缀 :param method_name: 检测方法名称 """ plt.figure(figsize=(20, 10)) # 绘制整体趋势（原始数据） plt.plot(file_list, box_counts, 'b-', linewidth=1.5, label='预测框数量') # 标记稳定区间 - 确保区间显示 for i, (start, end) in enumerate(stable_intervals): interval_files = file_list[start:end + 1] interval_counts = box_counts[start:end + 1] if not interval_counts: # 确保区间有效 continue # 计算区间统计量 avg_count = np.mean(interval_counts) min_count = np.min(interval_counts) max_count = np.max(interval_counts) std_dev = np.std(interval_counts) # 绘制稳定区间 - 增加透明度使区间更明显 plt.fill_between(interval_files, min_count, max_count, color='green', alpha=0.3, # 增加透明度使区间更明显 zorder=0, # 确保填充在数据线下方 label=f'稳定区间{i + 1}' if i == 0 else "") # 添加区间标注 - 确保标注位置正确 mid_idx = start + (end - start) // 2 if mid_idx < len(file_list): # 确保索引有效 plt.annotate(f"区间{i + 1}: {start + 1}-{end + 1}\n均值: {avg_count:.1f}±{std_dev:.1f}", (file_list[mid_idx], avg_count), xytext=(0, 20), textcoords='offset points', ha='center', fontsize=10, bbox=dict(boxstyle="round,pad=0.3", fc="yellow", alpha=0.7), zorder=10) # 确保标注在最上层 # 设置图表属性 plt.title(f'预测框数量变化趋势 - {method_name}{title_suffix}', fontsize=18) plt.xlabel('图像文件名', fontsize=14) plt.ylabel('预测框数量', fontsize=14) plt.xticks(rotation=90, fontsize=7) plt.grid(True, linestyle='--', alpha=0.6) plt.legend(loc='upper right') # 限制X轴刻度数量 plt.gca().xaxis.set_major_locator(MaxNLocator(20)) plt.tight_layout() plt.savefig(output_path, dpi=150, bbox_inches='tight') plt.close() def plot_combined_intervals(file_list, box_counts, intervals_std, intervals_cv, intervals_slope, output_path): """ 绘制三种方法检测结果的合并图 :param file_list: 文件名列表 :param box_counts: 原始预测框数量列表 :param intervals_std: 标准差方法检测的区间 :param intervals_cv: 变异系数方法检测的区间 :param intervals_slope: 趋势斜率方法检测的区间 :param output_path: 输出图片路径 """ plt.figure(figsize=(20, 10)) # 绘制整体趋势（原始数据） plt.plot(file_list, box_counts, 'b-', linewidth=1.5, label='预测框数量') # 为每种方法定义不同的颜色和标签 method_colors = { '标准差': ('green', '标准差区间'), '变异系数': ('blue', '变异系数区间'), '趋势斜率': ('orange', '趋势斜率区间') } # 绘制标准差方法的区间 - 确保区间显示 for i, (start, end) in enumerate(intervals_std): interval_files = file_list[start:end + 1] min_count = min(box_counts[start:end + 1]) max_count = max(box_counts[start:end + 1]) plt.fill_between(interval_files, min_count, max_count, color=method_colors['标准差'][0], alpha=0.3, zorder=0, # 确保填充在数据线下方 label=method_colors['标准差'][1] if i == 0 else "") # 绘制变异系数方法的区间 - 确保区间显示 for i, (start, end) in enumerate(intervals_cv): interval_files = file_list[start:end + 1] min_count = min(box_counts[start:end + 1]) max_count = max(box_counts[start:end + 1]) plt.fill_between(interval_files, min_count, max_count, color=method_colors['变异系数'][0], alpha=0.3, zorder=0, # 确保填充在数据线下方 label=method_colors['变异系数'][1] if i == 0 else "") # 绘制趋势斜率方法的区间 - 确保区间显示 for i, (start, end) in enumerate(intervals_slope): interval_files = file_list[start:end + 1] min_count = min(box_counts[start:end + 1]) max_count = max(box_counts[start:end + 1]) plt.fill_between(interval_files, min_count, max_count, color=method_colors['趋势斜率'][0], alpha=0.3, zorder=0, # 确保填充在数据线下方 label=method_colors['趋势斜率'][1] if i == 0 else "") # 设置图表属性 plt.title('预测框数量变化趋势及稳定区间分析 - 三种方法合并', fontsize=18) plt.xlabel('图像文件名', fontsize=14) plt.ylabel('预测框数量', fontsize=14) plt.xticks(rotation=90, fontsize=7) plt.grid(True, linestyle='--', alpha=0.6) plt.legend(loc='upper right') # 限制X轴刻度数量 plt.gca().xaxis.set_major_locator(MaxNLocator(20)) plt.tight_layout() plt.savefig(output_path, dpi=150, bbox_inches='tight') plt.close() # 配置路径 label_dir = "E:/0712/0712-labels" # 替换为您的标签文件夹路径 output_dir = "E:/0712/0712-stable" # 输出目录 os.makedirs(output_dir, exist_ok=True) # 获取文件列表并按自然顺序排序 file_list = [f for f in os.listdir(label_dir) if f.endswith(".txt")] file_list.sort(key=natural_sort_key) # 提取文件名（不含扩展名） file_names = [os.path.splitext(f)[0] for f in file_list] # 统计每个文件的预测框数量 box_counts = [] for file in file_list: file_path = os.path.join(label_dir, file) count = 0 with open(file_path, 'r') as f: for line in f: if line.strip(): # 非空行 count += 1 box_counts.append(count) # 归一化预测框数量（仅用于区间检测） normalized_counts = normalize_data(box_counts) # 计算整体统计数据 total_mean = np.mean(box_counts) total_std = np.std(box_counts) # 使用三种不同方法找出稳定区间（基于归一化数据） intervals_std = find_stable_intervals( normalized_counts, method='std', min_window=1000, max_window=2000, threshold=0.5, # 标准差阈值 merge_gap=300, min_length=300 ) intervals_cv = find_stable_intervals( normalized_counts, method='cv', min_window=1000, max_window=2000, threshold=0.2, # 变异系数阈值 merge_gap=300, min_length=300 ) intervals_slope = find_stable_intervals( normalized_counts, method='slope', min_window=1000, max_window=2000, threshold=0.1, # 趋势斜率阈值 merge_gap=300, min_length=300 ) # 生成三种方法的结果图片 output_std = os.path.join(output_dir, "box_count_stable_intervals_std.png") output_cv = os.path.join(output_dir, "box_count_stable_intervals_cv.png") output_slope = os.path.join(output_dir, "box_count_stable_intervals_slope.png") output_combined = os.path.join(output_dir, "box_count_stable_intervals_combined.png") # 绘制最终结果图表 plot_box_count_trend(file_names, box_counts, intervals_std, output_std, title_suffix="", method_name="标准差方法") plot_box_count_trend(file_names, box_counts, intervals_cv, output_cv, title_suffix="", method_name="变异系数方法") plot_box_count_trend(file_names, box_counts, intervals_slope, output_slope, title_suffix="", method_name="趋势斜率方法") # 生成合并图 plot_combined_intervals(file_names, box_counts, intervals_std, intervals_cv, intervals_slope, output_combined) # 输出详细结果 print(f"分析完成! 共处理 {len(file_list)} 个文件") print(f"整体平均框数: {total_mean:.2f} ± {total_std:.2f}") def print_interval_info(intervals, method_name): print(f"\n{method_name}发现 {len(intervals)} 个稳定区间:") for i, (start, end) in enumerate(intervals): interval_counts = box_counts[start:end + 1] interval_normalized = normalized_counts[start:end + 1] avg_count = np.mean(interval_counts) std_dev = np.std(interval_counts) cv = std_dev / avg_count if avg_count > 0 else 0 # 计算趋势斜率（基于原始数据） x = np.arange(len(interval_counts)) slope, _, _, _, _ = linregress(x, interval_counts) print(f"区间{i + 1}:") print(f" - 文件范围: {start + 1}-{end + 1} (共{end - start + 1}个文件)") print(f" - 平均框数: {avg_count:.2f} ± {std_dev:.2f}") print(f" - 变异系数: {cv:.4f}") print(f" - 趋势斜率: {slope:.6f}") print(f" - 最小值: {min(interval_counts)}, 最大值: {max(interval_counts)}") print_interval_info(intervals_std, "标准差方法") print_interval_info(intervals_cv, "变异系数方法") print_interval_info(intervals_slope, "趋势斜率方法") # 合并所有检测到的区间 all_intervals = intervals_std + intervals_cv + intervals_slope def merge_intervals(intervals, merge_gap=300, min_length=500): """合并重叠或接近的区间""" if not intervals: return [] # 按起始索引排序 intervals.sort(key=lambda x: x[0]) merged = [] current_start, current_end = intervals[0] for start, end in intervals[1:]: if start - current_end <= merge_gap: # 间隔小于合并阈值 current_end = max(current_end, end) # 扩展当前区间 else: merged.append((current_start, current_end)) current_start, current_end = start, end merged.append((current_start, current_end)) # 过滤短区间 final_merged = [ (start, end) for start, end in merged if (end - start + 1) >= min_length ] return final_merged # 合并所有检测到的区间 merged_intervals = merge_intervals(all_intervals, merge_gap=300, min_length=500) # 保存区间信息到文本文件 def save_interval_report(intervals, method_name, file_path): with open(file_path, 'a') as f: f.write(f"\n{method_name}稳定区间分析报告\n") f.write(f"稳定区间数: {len(intervals)}\n") for i, (start, end) in enumerate(intervals): interval_counts = box_counts[start:end + 1] interval_normalized = normalized_counts[start:end + 1] avg_count = np.mean(interval_counts) std_dev = np.std(interval_counts) cv = std_dev / avg_count if avg_count > 0 else 0 # 计算趋势斜率 x = np.arange(len(interval_counts)) slope, _, _, _, _ = linregress(x, interval_counts) f.write(f"\n区间 {i + 1}:\n") f.write(f" 起始文件索引: {start + 1} ({file_names[start]})\n") f.write(f" 结束文件索引: {end + 1} ({file_names[end]})\n") f.write(f" 文件数量: {end - start + 1}\n") f.write(f" 平均预测框数: {avg_count:.2f} ± {std_dev:.2f}\n") f.write(f" 变异系数: {cv:.4f}\n") f.write(f" 趋势斜率: {slope:.6f}\n") f.write(f" 最小值: {min(interval_counts)}, 最大值: {max(interval_counts)}\n") f.write("=" * 80 + "\n") # 创建报告文件 interval_info_path = os.path.join(output_dir, "stable_intervals_report.txt") with open(interval_info_path, 'w') as f: f.write(f"稳定区间综合分析报告\n") f.write(f"总文件数: {len(file_list)}\n") f.write(f"整体平均框数: {total_mean:.2f} ± {total_std:.2f}\n") f.write(f"归一化范围: {min(box_counts)}-{max(box_counts)}\n") # 保存三种方法的区间报告 save_interval_report(intervals_std, "标准差方法", interval_info_path) save_interval_report(intervals_cv, "变异系数方法", interval_info_path) save_interval_report(intervals_slope, "趋势斜率方法", interval_info_path) # 保存合并后的区间报告 with open(interval_info_path, 'a') as f: f.write("\n\n=== 合并区间分析报告 ===\n") f.write("此部分展示三种方法检测到的所有稳定区间合并后的结果\n") f.write(f"合并后稳定区间数: {len(merged_intervals)}\n") for i, (start, end) in enumerate(merged_intervals): interval_counts = box_counts[start:end + 1] avg_count = np.mean(interval_counts) std_dev = np.std(interval_counts) cv = std_dev / avg_count if avg_count > 0 else 0 # 计算趋势斜率 x = np.arange(len(interval_counts)) slope, _, _, _, _ = linregress(x, interval_counts) # 检测此区间被哪些方法覆盖 covered_by = [] if any(start >= s and end <= e for s, e in intervals_std): covered_by.append("标准差") if any(start >= s and end <= e for s, e in intervals_cv): covered_by.append("变异系数") if any(start >= s and end <= e for s, e in intervals_slope): covered_by.append("趋势斜率") f.write(f"\n合并区间 {i + 1}:\n") f.write(f" 起始文件索引: {start + 1} ({file_names[start]})\n") f.write(f" 结束文件索引: {end + 1} ({file_names[end]})\n") f.write(f" 文件数量: {end - start + 1}\n") f.write(f" 平均预测框数: {avg_count:.2f} ± {std_dev:.2f}\n") f.write(f" 最小值: {min(interval_counts)}, 最大值: {max(interval_counts)}\n") f.write(f" 覆盖方法: {', '.join(covered_by) if covered_by else '无'}\n") # 添加合并区间统计 total_covered_files = sum(end - start + 1 for start, end in merged_intervals) coverage_percentage = (total_covered_files / len(file_list)) * 100 f.write("\n合并区间统计:\n") f.write(f" 总覆盖文件数: {total_covered_files}/{len(file_list)} ({coverage_percentage:.2f}%)\n") f.write(f" 平均区间长度: {np.mean([end - start + 1 for start, end in merged_intervals]):.1f} 文件\n") f.write(f" 最长区间: {max([end - start + 1 for start, end in merged_intervals])} 文件\n") f.write(f" 最短区间: {min([end - start + 1 for start, end in merged_intervals])} 文件\n") print_interval_info(merged_intervals, "合并区间") print(f"\n结果图片已保存至: {output_dir}") print(f"详细区间报告已保存至: {interval_info_path}") 将代码中的归一化步骤去掉

由于数据没有归一化，在计算整体统计量（total_mean, total_std）时，使用原始数据计算。 3. 在find_stable_intervals函数内部，我们使用原始数据的整体统计量（total_mean, total_std）来设定阈值条件。 注意：...
filetype

(完整版)校园欺凌预防教育实施预案.docx

(完整版)校园欺凌预防教育实施预案.docx
filetype

基于 Winform、Socket 与 MySQL 的 QQ 仿真系统

资源下载链接为： https://pan.quark.cn/s/193f31be9a84 基于 Winform、Socket 与 MySQL 的 QQ 仿真系统（最新、最全版本！打开链接下载即可用！）
filetype

微信公众号自定义菜单的设置配置

资源下载链接为： https://pan.quark.cn/s/5fc1f77039e5 微信公众号自定义菜单的设置配置（最新、最全版本！打开链接下载即可用！）
filetype

353高级财务管理理论与实务3版-刘淑莲1865-5.zip

353高级财务管理理论与实务3版-刘淑莲1865-5.zip
filetype

基于时间片轮转调度算法的进程调度模拟系统_实现多进程公平调度与可视化展示_用于操作系统课程教学与进程调度原理演示_包含FCFS策略时间片中断处理就绪队列管理进程状态转换调度.zip

基于时间片轮转调度算法的进程调度模拟系统_实现多进程公平调度与可视化展示_用于操作系统课程教学与进程调度原理演示_包含FCFS策略时间片中断处理就绪队列管理进程状态转换调度
filetype

pycharm-2025.1.3.1安装包

pycharm-2025.1.3.1安装包
filetype

(完整版)安全知识竞赛试题（含完整答案）.docx

(完整版)安全知识竞赛试题（含完整答案）.docx
filetype

学生信息管理系统（全java代码）

90+高分学生系统管理系统（含码+课设报告）
filetype

康佳电视遥控器用户手册.pdf

康佳电视遥控器用户手册.pdf
filetype

及时回到深圳

虽然从衡阳回深圳，花了很长时间(2天多，近3天)，但是值得庆幸的是赶上衡阳回深圳的最后一趟火车。否则今年过年就要留在衡阳过年啦!看现在铁路的情况，过年想回家都不可能的。我没有想过要回家过年，但是想回去的人呢？唉!!! 
filetype

电子商务环境下网络会计的发展【精品发布】.doc

电子商务环境下网络会计的发展【精品发布】.doc
仆儿
  • 粉丝: 29
上传资源 快速赚钱

最新资源