积差相关系数 -
相关系数(Correlationcoefficient)
和可反映两个变量之间的相互关系及其，但无法确切地表明两个变量之间相关的程度。著名统计学家设计了统计指标——相关系数。相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的。依据相关现象之间的不同特征，其的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为）；将反映两变量间的统计指标称为、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。
积差相关系数 -
相关系数的公式
相关系数用r表示，它的基本公式为：　　r=\frac{n\sumxy-\sumx\sumy}{\sqrt{n\sumx^2-(\sumx)^2}\sqrt{n\sumy^2-(\sumy)^2}}相关系数的值介于–1与+1之间，即–1≤r≤+1。其性质如下：　　*当r&0时，表示两变量，r&0时，两变量为。　　*当|r|=1时，表示两变量为完全线性相关，即为函数关系。　　*当r=0时，表示两变量间无线性相关关系。　　*当0&|r|&1时，表示两变量存在一定程度的线性相关。且|r|越接近1，两变量间线性关系越密切；|r|越接近于0，表示两变量的线性相关越弱。　　*一般可按三级划分：|r|&0.4为低度线性相关；0.4≤|r|&0.7为显著性相关；0.7≤|r|&1为高度线性相关。例:某财务软件公司在全国有许多代理商，为研究它的财务软件产品的广告投入与销售额的关系，统计人员随机选择10家代理商进行观察，搜集到年广告投入费和月平均销售额的数据，并编制成相关表，见表1:表1　广告费与月平均销售额相关表　单位：万元　　年广告费投入月均销售额　　12.5　　15.3　　23.2　　26.4　　33.5　　34.4　　39.4　　45.2　　55.4　　60.921.2　　23.9　　32.9　　34.1　　42.5　　43.2　　49.0　　52.8　　59.4　　63.5参照表1，可计算相关系数如表2：序号广告投入(万元)　　x月均销售额(万元)　　yx^2y2xy　　1　　2　　3　　4　　5　　6　　7　　8　　9　　1012.5　　15.3　　23.2　　26.4　　33.5　　34.4　　39.4　　45.2　　55.4　　60.921.2　　23.9　　32.9　　34.1　　42.5　　43.2　　49.0　　52.8　　59.4　　63.5156.25　　234.09　　538.24　　696.96　　1122.25　　1183.36　　1552.36　　2043.04　　3069.16　　.44　　571.21　　1082.41　　1162.81　　1806.25　　1866.24　　2401.00　　2787.84　　3528.36　　.00　　365.67　　763.28　　900.24　　1423.75　　1486.08　　1930.60　　2386.56　　3290.76　　3867.15合计346..6679.09　　r=\frac{n\sumxy-\sumx\sumy}{\sqrt{n\sumx^2-(\sumx)^2}\sqrt{n\sumy^2-(\sumy)^2}}　　=\frac{10\times.2\times422.5}{\sqrt{10\times.2^2}\sqrt{10\times.5^2}}　　=0.9942相关系数为0.9942，说明广告投入费与月平均之间有高度的线性正相关关系。
万方数据学位论文
万方数据期刊论文
统计与信息论坛
万方数据学位论文
为本词条添加和相关影像
互动百科的词条（含所附图片）系由网友上传，如果涉嫌侵权，请与客服联系，我们将按照法律之相关规定及时进行处理。未经许可，禁止商业网站等复制、抓取本站内容；合理使用者，请注明来源于。
登录后使用互动百科的服务，将会得到个性化的提示和帮助，还有机会和770多万专业认证智愿者沟通。
您也可以使用以下网站账号登录：
此词条还可添加&
编辑次数：4次
参与编辑人数：3位
最近更新时间： 01:43:06
贡献光荣榜
扫描二维码用手机浏览词条
保存二维码可印刷到宣传品
扫描二维码用手机浏览词条
保存二维码可印刷到宣传品如何在“积差相关系数（r）临界值表”中选定所要的数据？
如何在“积差相关系数（r）临界值表”中选定所要的数据？
08-10-20 & 发布维基百科，自由的百科全书
在中，皮尔逊积矩相关系数（：Pearson product-moment correlation coefficient，又称作 PPMCC或PCCs, 文章中常用r或Pearson's r表示）用于度量两个变量X和Y之间的（线性相关），其值介于-1与1之间。在自然科学领域中，该系数广泛用于度量两个变量之间的相关程度。它是由从在19世纪80年代提出的一个相似却又稍有不同的想法演变而来的。这个相关系数也称作“皮尔森相关系数r”。
几组(x, y)的点集，以及各个点集中x和y之间的相关系数。我们可以发现相关系数反映的是变量之间的线性关系和相关性的方向（第一排），而不是相关性的斜率（中间），也不是各种非线性关系（第二排）。请注意：中间的图中斜率为0，但相关系数是没有意义的，因为此时变量Y是0
两个变量之间的皮尔逊相关系数定义为两个变量之间的和的商：
以上方程定义了总体相关系数, 一般表示成希腊字母ρ(rho)。基于对协方差和标准差进行估计，可以得到样本相关系数, 一般表示成r：
一种等价表达式的是表示成的均值。基于(Xi, Yi)的点，样本皮尔逊系数是
分别是、样本和样本。
总体和样本皮尔逊系数的绝对值小于或等于1。如果样本数据点精确的落在直线上（计算样本皮尔逊系数的情况），或者双变量分布完全在直线上（计算总体皮尔逊系数的情况），则相关系数等于1或-1。皮尔逊系数是对称的：corr(X,Y) = corr(Y,X)。
皮尔逊相关系数有一个重要的数学特性是，因两个变量的位置和尺度的变化并不会引起该系数的改变，即它该变化的 (由符号确定)。也就是说，我们如果把X移动到a + bX和把Y移动到c + dY，其中a、b、c和d是常数，并不会改变两个变量的相关系数（该结论在总体和样本皮尔逊相关系数中都成立）。我们发现更一般的线性变换则会改变相关系数：参见对该特性应用的介绍。
由于μX = E(X), σX2 = E[(X - E(X))2] = E(X2) - E2(X)，Y也类似, 并且
故相关系数也可以表示成
对于样本皮尔逊相关系数:
以上方程给出了计算样本皮尔逊相关系数简单的单流程算法，但是其依赖于涉及到的数据，有时它可能是的。
皮尔逊相关系数的变化范围为-1到1。 系数的值为1意味着X 和 Y可以很好的由直线方程来描述，所有的数据点都很好的落在一条 上，且 Y 随着 X 的增加而增加。系数的值为-1意味着所有的数据点都落在直线上，且 Y 随着 X 的增加而减少。系数的值为0意味着两个变量之间没有线性关系。
更一般的, 我们发现，当且仅当 Xi and Yi 均落在他们各自的均值的同一侧， 则(Xi - X)(Yi - Y) 的值为正。 也就是说，如果Xi 和 Yi 同时趋向于大于, 或同时趋向于小于他们各自的均值，则相关系数为正。 如果 Xi 和 Yi 趋向于落在他们均值的相反一侧，则相关系数为负。
回归直线： y=gx(x) [红色] 和 x=gy(y) [蓝色]
对于没有中心化的数据, 相关系数与两条可能的y=gx(x) 和 x=gy(y) 夹角的余弦值一致。
对于中心化过的数据 (也就是说, 数据移动一个样本平均值以使其均值为0), 相关系数也可以被视作由两个随机变量
的 （见下方）。
一些人 倾向于是用非中心化的相关系数 (non-Pearson-compliant) 。 比较如下。
例如，有5个国家的国民生产总值分别为 10, 20, 30, 50 和 80 亿美元。 假设这5个国家 (顺序相同) 的贫困百分比分别为 11%, 12%, 13%, 15%, and 18% 。 令 x 和 y 分别为包含上述5个数据的向量: x = (1, 2, 3, 5, 8) 和 y = (0.11, 0.12, 0.13, 0.15, 0.18)。
利用通常的方法计算两个向量之间的夹角
(参见 ), 未中心化 的相关系数是:
我们发现以上的数据特意选定为完全相关: y = 0.10 + 0.01 x。 于是，皮尔逊相关系数应该等于1。将数据中心化 (通过E(x) = 3.8移动 x 和通过 E(y) = 0.138 移动 y ) 得到 x = (-2.8, -1.8, -0.8, 1.2, 4.2) 和 y = (-0.028, -0.018, -0.008, 0.012, 0.042), 从中，
-0.09 to 0.0
0.0 to 0.09
-0.3 to -0.1
0.1 to 0.3
-0.5 to -0.3
0.3 to 0.5
-1.0 to -0.5
0.5 to 1.0
一些作者 已经给出了解释相关系数的指南。 然而, 所有这些标准从某种意义上说是武断的和不严格的。 对相关系数的解释依赖于具体的应用背景和目的。 如果是应用在使用高性能的仪器来验证一个物理定律，0.9的相关系数可能是很低的。但如果是应用在社会科学中，由于社会科学受到各种复杂多变因素影响，0.9的相关系数是相当高的。
皮尔逊距离度量的是两个变量X和Y，它可以根据皮尔逊系数定义成
我们可以发现，皮尔逊系数落在 [-1, 1], 而皮尔逊距离落在 [0, 2]。
图表显示对于给定的样本大小，在0.05的置信度上，皮尔逊相关系数显著不为零。
基于皮尔逊相关系数的统计推断通常关注以下两个目标。
是否为真， 即相关系数 ρ 是否等于 0, 该相关系数使用的是样本相关系数 r。
在給定的α之下，构建一个围绕r的 。
提供了一种假设检验和构造置信区间的直接方法。
对皮尔逊相关系数的显著性检验包括以下两个步骤：
随机地将原始的数据对 (xi, yi)重新定义成数据集 (xi, yi′), 其中 i′ 表示数列 {1,...,n}。 数列 i′ 的选取是随机的, 以相同的概率落在 n! 种可能的数列中。 这等价于随机地"不可重复地"从数列{1,..., n}中选取 i′ 。 一种相近的且合乎情理的方法 ()是“可重复地”从数列{1,..., n}中选取 i 和 i′
由随机数据构造相关系数 r 。
为了完成显著性检验, 需要多次重复步骤 (i) 和 (ii) 。显著性检验的
是由测试数据除以步骤（ii）得到的 r，其中r大于由原始数据计算出的皮尔逊相关系数。 在这里“大”可能是绝对值比较大或者是数值比较大，这取决于测试使用的是
可以被用来构造皮尔逊系数的置信区间。 在 "非参数"的自助抽样法中, “可重复”地从观测数据集n中重新采样n 对的 (xi, yi) 数据, 用来计算相关系数 r 。 这个过程重复了大量次数,。重新采样后数据的 r值的分布被用来估计统计学上的 。 ρ'的95%的
可以被定义成重新采样样本 r值的%2.5到%97.5之间。
对于近似 的数据, 皮尔逊相关系数的
近似於自由度为N - 2的 。特别地，如果两个变量服从双变量正态分布，变量
也會服从不相关的t分布。 如果样本容量不是特别小，这个结论也大致成立，即便观测数据不是正态分布的。 如果需要构建置信区间和进行有力的分析，还需要采用如下的可逆变换
或者, 也可以采用大量采样数据的方法。
早期对样本相关系数的研究得益于
和 A. K. Gayen.的工作。 另一篇早期的论文 给出了在小样本的情况下总体相关系数 ρ的图表, 并讨论了相关的计算方法。
准确的双变量样本相关系数的分布是
注意到 , 因此 r 是 的一个有偏估计。 一种获得无偏估计的方法是解的方程
。 然而，解 是次优的。 一种无偏估计, 可以从 n较大情况下的最小方差和有偏序列 , 通过最大化 , 也就是获得。
特殊情况下，当 时, 分布可以被写成
实际应用中, 与ρ相关的 和
通常是通过 获得
如果 F(r) 是 r的fisher变换, n 是样本容量, 那么 F(r) 近似服从
    and standard error    
对 进行 ，可以设想样本数据对是
并且服从 . 因此 估计可以从正态分布概率表中获得。 比如, 如果观测数据 z = 2.2 并且要用双边p值对 进行零假设检验, p值是 2·Φ(-2.2) = 0.028, 其中 Φ 是正态分布 。
为了获得 ρ的信賴区间, 首先，我们应该计算 F()的信賴区间:
通过可逆 Fisher 变换可以获得相关尺度上的区间。
举例来说, 假设我们观测到 r = 0.3 ，样本容量 n=50, 并且我们期望获得ρ的 95% 的信賴区间。 变换后的值是 artanh(r) = 0.30952, 所以在变换尺度上的信賴区间是 0.30952 ± 1.96/√47, 或者 (0.023624, 0.595415)。 变换回相关尺度上是 (0.024, 0.534)。
样本相关系数的平方, 亦称作 , 利用估计由X引起的 Y的变化。 一开始, Yi 围绕它们平均值上的变化可以分解成
是作回归分析时的适应值。 整理后得
两个被加数是由X (右边)引起的Y的变化和不是由X (左边) 引起的变化。
接下来, 我们利用最小方差回归模型, 使
的样本协方差为0。 于是, 观测数据和适应值的样本相关系数可以被写成
是由X的线性方程引起的 Y 的平均变化。
总体皮尔逊相关系数被定义成 , 因此任意的双变量是非零的， 也就是说
是由定义的。 一些概率分布， 诸如
有未定义的方差，因此X or Y 如果服从这种分布，ρ便是未定义的。 在实际应用中, 如果有数据被怀疑服从, 这个条件就需要引起重视。 然而, 相关系数的存在性通常并需要太介意; 例如, 如果分布是有界的, ρ 便总是有意义的。
在双变量 的案例中， 只要边缘均值和方差是已知的，总体相关系数描述的是便是联合分布。 在其他的双变量分布中，这个结论并不正确。 总之, 不论两个随机变量的联合分布是不是正态的，相关系数在研究的它们之间的线性依赖性都是有帮助的。 样本相关系数是对两个正态分布变量总体相关系数的 并且是
的 和 , 这也就是说如果数据是正态的并且样本容量是中等的或大量的，就不可能构造出一个比样本相关系数更准确的估计。对于非正态的数据, 样本相关系数大致上是无偏的，但有可能是无效的。 只要样本均值、方差和协方差是一致的（当可以应用的情况下），样本相关系数是总体相关系数的
与其他常用的统计指标相似的, 样本指标r 不是 的 。因此如果由 ，这个指标是有误导性的。 特别的, PMCC 既不是稳健分布的, 也不是异常值稳健的 (see )。 对X 和 Y的的观察可以很明显的揭示出缺乏稳健性的情况,在这种情况下，采用的联合的方法是比较明智的。 注意到，虽然大多数稳健的估计器从某种程度上说都是有的, 它们总的来说，在总体相关系数的尺度上都是可辨的。
基于皮尔逊相关系数的统计推断对数据分布式敏感的。 如果数据大致是正态分布的，可以使用精确检验和基于的渐进检验，但是它们可能由误导性。 在一些情况下,
可以用来构造置信区间。 同时，
可以应用在假设检验中。 这些 的方法在某些情况下，如双变量正态分布不能保证时，可能得出更有意义的结论。 然而，这些方法的标准形式依赖于数据的 。这也就意味着被分析的数据时没有顺序的和组别的。因为这有可能会影响估计相关系数的特性。
分层分析是一种容许缺少双变量正态性的方法，或者说是用来隔离相互关联因素的关联结果。 如果 W 代表聚类成员或者其它需要被控制的因素，我们可以分离基于W的数据, 然后我们可以再每个层里计算相关系数。 当我们控制变量W，我们便能在层的等级上估计与所有相关系数相关的各自的相关系数。
假设我们要计算关联性的观测数据有着不同的重要程度，表示成权值向量 w。 利用权值向量w (总长度 n)计算向量 x 和 y 的相关系数,
加权协方差
加权相关系数
我们总是可以通过一定的线性变换去除随机变量之间的相关性, 即便变量间的关系是非线性的。 Cox & Hinkley给出了在总体相关系数中的表达形式。
与此相应的，样本相关系数也存在这样的结论，使得样本相关系数变为0。假设长度为 n 的随机变量被随机采样 m 次。 令 X 是一个矩阵，其中
是第i次采样的第 j个变量。 令
是一个所有元素都为1的 m * m 的方阵。 那么 D 是变换后的数据，使得随机变量的均值为0, 并且 T 是变换后的数据，使得所有的变量均值为0和与除自身外的其他变量的相关系数为0 - T的矩作为身份矩阵。 为了得到单位方差，还需要除以标准差。 虽然变换后的数据有可能不是，但他们一定是不相关的。
其中，指数-1/2表示矩阵置换后的 。T的协方差被当做身份矩阵。如果新的样本数据x是n个元素的向量, 那么相同的变换可以应用到x中以获得变换向量d和t：
这个去相关性的方法被应用到多变量的中。
反射相关系数是皮尔逊相关系数的变体，数据并不是以他们的均值为中心。总体反射相关系数是
反射相关系数是对称的, 但在如下的变换中并不是不变的
样本反射相关系数是
样本加权相关系数是
规模的相关性是一个变种的皮尔森相关数据的范围限制故意以受控的方式揭示时间序列之间的快速成分的相关性。比例相关的定义是在短数据段的平均相关性。 对于给定规模S，令K为可以适应信号的总长度的段数：
比例相关的整个信号的rs的计算公式为
rs为k的部分皮尔森相关系数。 通过对参数s的选择，减少值的范围和较长的时间尺度上的相关性被过滤掉，只有在很短的时间尺度上的相关性被发现。因此，慢分量的贡献被删除，快分量被保留。
强噪声条件下，提取相关系数两个随机变量之间的是平凡的，特别是在典型相关分析报告在退化的相关值的情况下，由于存在大量噪声。一种概括的方法在其他地方给出。
（中國醫藥大學，生物統計課程）
（中國醫藥大學，生物統計課程）
"The human disease network", Albert Barabasi et al., Plos.org
J. L. Rodgers and W. A. Nicewander. . The American Statistician, 42(1):59–66, February 1988.
Stigler, Stephen M. Francis Galton's Account of the Invention of Correlation. Statistical Science. 1989, 4 (2): 73–79. :.  .
A. Buda and A.Jarynowski (2010) Life-time of correlations and its applications vol.1, Wydawnictwo Niezalezne: 5–21, December 2010,
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.)
Fulekar (Ed.), M.H. (2009) Bioinformatics: Applications in Life and Environmental Sciences, Springer (pp. 110)
N.A Rahman, A Course in Theoretical S Charles Griffin and Company, 1968
Kendall, M.G., Stuart, A. (1973)The Advanced Theory of Statistics, Volume 2: Inference and Relationship, Griffin.
(Section 31.19)
. Frequency distribution of the values of the correlation coefficient in samples from an indefinitely large population. . 1915, 10 (4): 507–521. :.
(). . 1921, 1 (4): 3–32 .
Gayen, A.K. The frequency distribution of the product moment correlation coefficient in random samples of any size draw from non-normal universes. . 1951, 38: 219–247. :.
Soper, H.E., Young, A.W., Cave, B.M., Lee, A., Pearson, K. (1917). "On the distribution of the correlation coefficient in small samples. Appendix II to the papers of "Student" and R. A. Fisher. A co-operative study", , 11, 328-413. doi:10.1093/biomet/11.4.328
Kenney, J. F. and Keeping, E. S., Mathematics of Statistics, Pt. 2, 2nd ed. Princeton, NJ: Van Nostrand, 1951.
Wilcox, Rand R. Introduction to robust estimation and hypothesis testing. Academic Press. 2005.
Devlin, Susan J; Gnanadesikan, R; Kettenring J.R. Robust Estimation and Outlier Detection with Correlation Coefficients. Biometrika. 1975, 62 (3): 531–545. :.  .
Huber, Peter. J. Robust Statistics. Wiley. 2004.[]
Katz., Mitchell H. (2006) Multivariable Analysis - A Practical Guide for Clinicians. 2nd Edition. Cambridge University Press. .
&/ref&&ref&
Cox, D.R., Hinkley, D.V. (1974) Theoretical Statistics, Chapman & Hall (Appendix 3)
：隐藏分类：线性相关分析_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
文档贡献者
评价文档：
喜欢此文档的还喜欢
线性相关分析
把文档贴到Blog、BBS或个人站等：
普通尺寸(450*500pix)
较大尺寸(630*500pix)
大小：263.50KB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢相关系数 -
相关系数公式相关关系是一种非确定性的关系，相关系数是研究变量之间相关程度的量。由于研究对象的不同，相关系数有如下几种方式。简单相关系数：又叫相关系数或线性相关系数，一般用字母r&表示，用来度量两个变量间的线性关系。复相关系数：又叫多重相关系数。复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的季节性需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性关系的综合指标，再通过综合指标之间的线性相关系数来研究原各组变量间相关关系。
相关系数 -
相关系数的计算相关系数是测定变量之间关系密切程度的量。对两个变量之间的线性相关程度的度量称为单相关系数。通常以r表示样本的相关系数。计算该相关系数时，假定两个变量之间是线性关系，而且两个变量都是随机变量。此外，样本数据中不应有极端值，否则会对相关系数的值有较大影响。相关系数的性质如下：1.相关系数的值介于-1与+1之间，即-1≤r≤+1。当r&0时，表示两变量正相关，当r&0时，表示两变量为负相关。当|r|=1时，表示两变量为完全线性相关即函数关系。当r=1时，称为完全正相关，而当r=-1时，称为完全负相关。当r=0时，表示两变量间无线性相关关系。2.r具有对称性。X与y之间的相关系数rxy和y与x之间的相关系数ryx相等。3.r数值大小与x和y的数据原点及计量尺度无关。改变x和y的数据原点和计量尺度，并不改变r数值的大小。4.r仅仅是x与y&之间线性关系的一个度量，它不能用于描述非线性关系。5.r虽然是两个变量之间线性关系的一个度量，却不一定意味着x与y一定有因果关系。当︱r︱≥0.8时，可视为高度相关；当0.5≤︱r︱&0.8时，可视为中度相关；当0.3≤︱r︱&0.5时，视为低度相关；当︱r︱&0.3时，说明两个变量之间的相关程度极弱。
相关系数 -
相关系数相关系数r相关系数是变量之间相关程度的指标。样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1]。|r|值越大，误差Q越小，变量之间的线性相关程度越高；|r|值越接近0，Q越大，变量之间的线性相关程度越低。相关系数，又称皮（尔生）氏积矩相关系数，说明两个现象之间相关关系密切程度的统计分析指标。相关系数用希腊字母γ表示，γ值的范围在-1和+1之间。γ＞0为正相关，γ＜0为负相关。γ＝0表示不相关；γ的绝对值越大，相关程度越高。两个现象之间的相关程度，一般划分为四级：如两者呈正相关，r呈正值，r=1时为完全正相关；如两者呈负相关则r呈负值，而r=-1时为完全负相关。完全正相关或负相关时，所有图点都在直线回归线上；点子的分布在直线回归线上下越离散，r的绝对值越小。当例数相等时，相关系数的绝对值越接近1，相关越密切；越接近于0，相关越不密切。当r=0时，说明X和Y两个变量之间无直线关系。通常|r|大于0.75时，认为两个变量有很强的线性相关性。
相关系数 -
1、对称性：X与Y的相关系数（rXY）和Y与X之间的相关系数（rYX）相等；　2、相关系数与原点和尺度无关；3、若X与Y统计上独立，则它们之间的相关系数为零；但r=0不等于说两个变量是独立的。即零相关并不一定意味着独立性；4、相关系数是线性关联或线性相依的一个度量，它不能用于描述非线性关系；5、相关系数只是两个变量之间线性关联的一个度量，不一定有因果关系的含义。
万方数据期刊论文
光谱学与光谱分析
万方数据期刊论文
光谱学与光谱分析
万方数据期刊论文
光谱学与光谱分析
为本词条添加和相关影像
互动百科的词条（含所附图片）系由网友上传，如果涉嫌侵权，请与客服联系，我们将按照法律之相关规定及时进行处理。未经许可，禁止商业网站等复制、抓取本站内容；合理使用者，请注明来源于。
登录后使用互动百科的服务，将会得到个性化的提示和帮助，还有机会和770多万专业认证智愿者沟通。
您也可以使用以下网站账号登录：
此词条还可添加&
编辑次数：31次
参与编辑人数：18位
最近更新时间： 15:52:53
贡献光荣榜
扫描二维码用手机浏览词条
保存二维码可印刷到宣传品
扫描二维码用手机浏览词条
保存二维码可印刷到宣传品