简介围绕红酒数据集展开的数据分析大作业文档面向统计学、数据科学课程学习者及需要完成课程设计的本科生聚焦红酒评分影响因素与分类标准的建模分析。压缩包内共1个docx文件约202KB以实验报告形式组织便于查阅、摘录和二次修改。文档从11项物理属性与010分感官评分的关联入手串联相关性分析、多元线性回归、主成分回归及KNN简单分类的完整分析链条并讨论变量降维、模型拟合优度与预测检验等关键环节。已有4271人学习或下载适合作为课程作业参考、回归与分类方法对照以及报告写作框架借鉴。需注意资源为单一文档不含原始数据与代码附件读者可据此理解分析思路与结论呈现方式。1. 从一份评分表开始这个红酒数据集凭什么撑起一份数据分析大作业数据分析大作业最容易卡在选题数据要能公开拿到要有连续变量撑起回归要有一个类别标签撑起分类最后最好还能落到一句能被追问的结论上。红酒理化指标数据集三样都占——11 项理化指标加一个 0 到 10 的感觉评分够做相关性分析、多元线性回归、主成分回归还能用 KNN 做一次评分档位的分类。这份方案的定位很直接给要交数据分析大作业、课程设计的人一条从读表到验收的完整路径每一步都有可复现的代码和判断标准而不是跑完summary()就交差。整套流程用 Python 做数据搬运和 KNN用 R 做统计建模两个工具各干各擅长的事最后落在「怎么验收、答辩会被问什么」上。2. 数据准备与字段体检11 个理化指标的口径、量纲与分布2.1 变量字典x1 到 x11 先落成有物理含义的字段拿到一张宽表就急着跑模型是这类作业最常见的起手式错误。原始数据集的列名是英文长名空格、大小写、缩写混在一起R 里写公式时全是反引号主成分还原系数时顺序还容易对错。我一般先做一张变量字典把每个字段压成 x1 到 x11 的短代号同时把物理含义、量纲和典型范围写清楚后面所有代码、表格、答辩 PPT 都统一用这一套代号不会出现「第 9 列到底是 pH 还是密度」这种扯皮。代号含义均值标准差x1非挥发性酸度8.36231.7415x2挥发性酸度0.52730.1791x3柠檬酸0.27190.1947x4残糖2.53711.4103x5氯化物0.08780.0471x6游离二氧化硫15.705410.4627x7总二氧化硫46.403732.9041x8密度0.99680.00189x9pH 值3.3090.154x10硫酸盐0.65830.1695x11酒精10.41141.0657q感觉评分3 到 8 分集中在 5、6—这张表不只是给人看的。后面做方差、做标准化、做主成分系数还原处处要用到均值和标准差与其到 R 里现敲mean()和sd()不如现在就算好固定下来写进脚本常量。这样别人复现你的结果时不会因为princomp的cor参数改了一位就整个还原公式错位。量纲差异是我在体检阶段最关心的一件事。x7 总二氧化硫的标准差是 32.9x8 密度的标准差是 0.00189两者差四个数量级。任何基于欧氏距离的方法KNN 就是如果直接拿原始值算距离几乎完全由 x7 这一列决定其余十项等于没参与。这一点在第 5 章的排查里还会再出现一次是 KNN 准确率上不去的第一嫌疑人。2.2 从 csv 到 xlsx一次格式转换解决 R 读表的坑原始文件是 csv分隔符不是逗号而是分号R 里直接read.csv不显式指定sep ;就会把整行读成一列。R 的readxl读 xlsx 不依赖外部 Java 环境字段类型判断也稳所以我在 Python 侧先把 csv 转成 xlsx顺便把列名换成短代号一次解决分隔符、编码、列名三件事。import pandas as pd # 原始文件用分号分隔必须显式指定否则整行被读成一列 raw pd.read_csv(winequality-red.csv, sep;) # 长列名统一压成 x1..x11 和 q后续 R 公式和系数还原都按这套代号走 raw raw.rename(columns{ fixed acidity: x1, volatile acidity: x2, citric acid: x3, residual sugar: x4, chlorides: x5, free sulfur dioxide: x6, total sulfur dioxide: x7, density: x8, pH: x9, sulphates: x10, alcohol: x11, quality: q, }) # 只保留约定的 12 列多余列一律不带进模型 raw raw[[x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11, q]] raw.to_excel(redwine.xlsx, sheet_nameSheet1, indexFalse) print(raw.shape, raw.dtypes.value_counts())这段脚本有两个地方值得说。sep;不是可选项是必须项判错的直接表现是df.shape变成(行数, 1)一眼能看出来raw[...]那次显式选列的作用是锁定列顺序后面主成分的均值向量、特征向量都按这个顺序排一旦中间有人插了一列还原出来的系数就全对不上号了。打印shape和dtypes是给自己留一个读数手感行数对不对、有没有整列变成 object 类型说明混进了脏字符五秒钟的事能省掉后面半小时的排查。转出来的文件用Sheet1作表名是因为 R 的read_excel默认读第一个 sheet起个明确名字比事后 debug 强。2.3 评分分布体检集中在 5 分和 6 分意味着什么q是这篇作业里唯一的有监督标签它的分布决定了后面所有评价指标该怎么读。先看一眼分布再决定用什么指标。library(readxl) df - read_excel(redwine.xlsx, sheet 1, col_names TRUE) table(df$q) # 每个评分档位的样本数 prop.table(table(df$q)) # 换算成占比更直观 mean(df$q); sd(df$q) # 均值和标准差写进报告第一段跑出来的结论很明确评分落在 3 到 8 分之间5 分和 6 分占掉绝大多数高分档7、8和低分档3、4都是少数。这个分布特征会引出两个后果必须在报告里主动交代而不是等老师问。第一分类任务的准确率不能只看绝对值。如果 5 分和 6 分合计占到六成以上那么一个什么都不学、把所有样本都猜成 6 分的「模型」也能拿到六成左右的准确率。所以任何 KNN 的准确率都必须和一个基准对比基准就叫多数类基线majority baseline算法跑出来只比基线高几个百分点那这几个百分点才是它真正的贡献。第二回归任务里极端评分样本太少模型会向中间收缩预测值天然集中在 5 到 6 之间这是评分数据的常见现象不是模型写错了。理解这一点后面看到 R² 只有 0.6589 时才不会慌。提示分布体检这一步的产出要写进报告一句「样本在评分档位上分布不均多数类占比约六成」比一堆模型参数更能体现你懂数据。3. 相关性分析用 Spearman 矩阵决定砍掉哪三个变量3.1 为什么用 Spearman 而不是 Pearson相关性分析的目的是筛变量筛完要降维所以这一步的方法选择必须站得住脚。数据集里的自变量大致是连续型的理化指标但因变量q是 3 到 8 的整数评分本质上是一个有序等级不是连续正态变量自变量里残糖、总二氧化硫、游离二氧化硫的分布也明显右偏长尾很重。Pearson 相关系数度量的是线性关系对离群点敏感两列变量要是单调但非线性比如先快后慢Pearson 会低估。Spearman 先把每列转成秩再算相关只看单调趋势不看具体数值正好匹配「评分等级 偏态指标」这个组合。这一条在答辩时被问到的概率很高答案就一句话因变量是有序等级自变量有偏态用秩相关更稳。3.2 相关矩阵的代码与读法整张相关矩阵的计算在 R 里只有一行难点全在读法。# 全部 12 列一起算秩相关矩阵 cor_mat - cor(df, method spearman) # 只取与评分 q 相关的那一列按绝对值从大到小排序 q_cor - cor_mat[, q] q_cor - q_cor[order(abs(q_cor), decreasing TRUE)] round(q_cor, 3)输出是一列长度 12 的数值含 q 与自己的相关恒为 1。读数的时候我按三档处理而不是盯着一两个小数纠结与 q 的秩相关处置说明接近 0绝对值很小优先剔除对评分几乎没有单调影响留着只会增加维度中等保留进全变量模型观察单独看弱但可能和其他变量组合后有用明显偏高单独建模的核心变量与评分关系最直接按这个规则落到这份数据上x4 残糖、x6 游离二氧化硫、x9 pH 值与评分的相关性都不高可以先剔除达到降维目的x2 挥发性酸度、x10 硫酸盐、x11 酒精三项与评分的相关性明显更高是后面精简模型的主力。其余变量的相关性居中不急着在相关性阶段就砍掉留到回归阶段靠 t 检验来裁决这比在相关性阶段凭感觉砍要严谨得多。这里有个容易被忽略的细节cor(df, method spearman)要求每一列都是数值型。如果read_excel把某一列读成了字符比如某行混进了「N/A」cor会直接报错而不是给你一个 NA报错信息还不一定指向那一列。稳妥的做法是先跑一遍str(df)确认全列数值再算相关。3.3 变量之间的共线先兆pH 与非挥发性酸自变量的相关矩阵比自变量与因变量的那一列更有信息量因为它提前告诉你会不会踩共线性这个坑。# 只看几组在酿酒常识上就有关系的变量 round(cor_mat[c(x1, x9, x8, x11), c(x1, x9, x8, x11)], 3)结果里有两个现象值得写进报告pH 与 x1 非挥发性酸度的相关性很高因为非挥发性酸本身就是决定酸度水平的主体成分数据里这一项的含量也偏高酒精 x11 与密度 x8 存在明显相关酒精浓度上去液体密度自然下来这是物理常识不是数据错误。这两组高相关意味着什么意味着后面做多元线性回归时x1 和 x9 同时进模型会互相「抢」解释权两个变量说的是同一件事模型给出的系数会一个正一个负、数值忽大忽小标准误被撑大t 检验跟着不显著。这就是第 4 章全变量模型里部分参数通不过检验的直接原因也是主成分回归这条路线存在的理由。相关性分析阶段先把这层关系讲清楚比在回归结果里看到一堆不显著再回头找原因要舒服得多。4. 回归建模从 8 变量全模型到 3 变量精简模型4.1 全变量回归8 个变量里谁没通过检验剔除与评分相关性低的三项后剩下的 8 个变量先全部塞进模型看一遍整体情况。# 剔除 x4、x6、x9 后的全变量模型 lm.sol - lm(q ~ x1 x2 x3 x5 x7 x8 x10 x11, data df) summary(lm.sol)summary()里有三块要看Coefficients 表的Pr(|t|)列告诉你每个变量单独是否显著Multiple R-squared告诉你整体解释了多少方差F-statistic的 p 值告诉你模型整体是否成立。这份数据跑出来部分变量的系数没通过 t 检验p 值偏大。没通过检验不等于「这个变量没用」更常见的原因是它和别的变量挤在一起了。x1 与 x9 高度相关放进同一个模型里两个都变得不显著是很典型的表现x3 柠檬酸均值只有 0.27、标准差 0.19本身波动小解释力自然弱。处理办法不是一口气全删而是一次剔一个删掉 p 值最大的那个重跑看 R² 掉了多少、其余变量的显著性有没有改善如此往复。一次性删五个变量最后说不清是哪个变量在起作用。4.2 三变量精简模型R²0.6589 该怎么读按相关性排序挑出最直接的三项重跑模型会干净很多。# 只用相关性最高的三个变量 lm.sol2 - lm(q ~ x2 x10 x11, data df) summary(lm.sol2)三个参数全部通过 t 检验得到的方程是q 2.61104 - 1.22130 * x2 0.67898 * x10 0.30920 * x11R² 为 0.6589。这个数字怎么讲决定了答辩时是被追问还是被认可。先说它意味着什么三个理化指标解释了评分方差的约 66%剩下 34% 没有被解释。再说为什么不该追求更高评分是人的感觉评分品鉴者的个体差异、当天的状态、酒的储存和醒酒条件这些信息压根没进这张表模型再复杂也补不上。同时前面已经看到评分集中在 5、6 两档因变量本身方差有限R² 天然上不去。把这两条讲清楚0.6589 就不是「拟合不好」而是「在只用客观理化指标的前提下达到了合理水平」。比 R² 更值得讲的是三个系数的符号。x2 挥发性酸度的系数是负的挥发酸含量高的时候酒闻起来会像醋或者洗甲水口感失衡评分自然被拉低x10 硫酸盐的系数是正的它在酿酒里承担抗氧化、护色、帮助提取风味的角色x11 酒精的系数也是正的酒精度适中偏高时口感更饱满。三个符号全部能和酿酒常识对上这是模型可信度的第一道验证。反过来说如果哪个系数符号跟常识拧着来八成是共线性或者量纲出了问题先别急着解释先去查数据。4.3 单点预测置信区间和预测区间的差别把一组没参与建模的样本代进去验证模型能不能用。# 一组留出来的样本x20.31, x100.66, x1111实际评分为 6 new - data.frame(x2 0.31, x10 0.66, x11 11) # 均值的置信区间这个 x 上所有样本的平均评分落在哪 predict(lm.sol2, new, interval confidence) # 单个样本的预测区间下一个酒样会打几分 predict(lm.sol2, new, interval prediction)两个区间给出的点估计完全一样宽度差很多。confidence回答的是「在这个理化指标组合下平均评分是多少」区间窄prediction回答的是「再拿一瓶同样指标的酒去评可能打几分」要把个体波动也算进去区间明显宽。这份方案里预测值和实际评分 6 分比较接近属于合理范围内。报告里两个区间都写只给点估计是典型的丢分点。老师问一句「你这个 6.2 分有多大把握」没有区间就没法回答。另外new这个 data.frame 的列名必须和模型里的变量名完全一致写成x2 0.31而不是volatile.acidity 0.31否则predict会报「变量长度不一致」这种让人摸不着头脑的错。4.4 主成分回归princomp 提取与系数还原全变量模型里那几个不显著的系数根子在共线性。主成分回归的思路是把 11 个自变量先转成互不相关的几个主成分用主成分去回归评分再把系数换算回原始变量。library(readxl) # range 锁定数据区域避免把表头或空行读进来 wine - read_excel(redwine.xlsx, sheet 1, col_names TRUE, range A1:K1559) # cor TRUE用相关阵做主成分等价于先把 11 个变量标准化 wine.pr - princomp(wine, cor TRUE) summary(wine.pr, loadings TRUE)summary输出的 Cumulative Proportion 那一行是关键它告诉你前几个主成分累计解释了多少原始方差。这份数据取前五个主成分累计贡献已经能覆盖绝大部分波动后面就用 z1 到 z5 五列来建模。取几个主成分没有绝对标准常规做法是取到累计贡献七成到八成的位置取得太少信息不够取得太多又把噪声带回来了。# 计算每个样本在主成分上的得分 pre - predict(wine.pr) z1 - pre[, 1]; z2 - pre[, 2]; z3 - pre[, 3]; z4 - pre[, 4]; z5 - pre[, 5] # 注意用 df$q 而不是 df[12]按列号取一旦列序变了就悄悄出错 redd - data.frame(q df$q, z1, z2, z3, z4, z5) lm.solp - lm(q ~ z1 z2 z3 z4 z5, data redd) summary(lm.solp)这一步的参数基本都能通过检验因为五个主成分彼此正交不存在共线性问题系数估计非常稳定。代价是主成分没有物理含义z1 大不代表某个具体指标高所以结论不能直接讲给做酒的人听必须还原回原始变量。XX - cor(wine) # 原始变量的相关阵与 princomp(cor TRUE) 对应 A - eigen(XX)$vectors # 特征向量列序对应 z1、z2、... beta - coef(lm.solp) # beta[1] 是截距beta[2]..beta[6] 对应 z1..z5 # 均值与标准差与第 2 章变量字典里的数值保持一致 X.bar - c(8.3623, 0.5273, 0.2719, 2.5371, 0.0878, 15.7054, 46.4037, 0.9968, 3.309, 0.6583, 10.4114) X.sd - c(1.7415, 0.1791, 0.1947, 1.4103, 0.0471, 10.4627, 32.9041, 0.00189, 0.154, 0.1695, 1.0657) # 五个主成分对应 A 的前五列少写一列是最常见的还原错误 coef_z - (beta[2] * A[, 1] beta[3] * A[, 2] beta[4] * A[, 3] beta[5] * A[, 4] beta[6] * A[, 5]) / X.sd # 截距也要跟着换算beta0 beta[1] - sum(mean * coef) beta0 - beta[1] - sum(X.bar * coef_z) round(c(beta0, coef_z), 4)输出第一个数是常数项后面依次是 x1 到 x11 的系数。这套换算看着绕逻辑其实就一层princomp(cor TRUE)内部先把每个 x 标准化成 (x - 均值) / 标准差主成分是标准化变量的线性组合所以还原时系数要除以标准差截距要减去系数与均值的内积。两个必须自己校验的点。第一beta的长度是 6截距加五个主成分如果只写到A[, 4]等于漏掉第五个主成分还原出来的系数全部偏移而代码不会报任何错这是我看过的最隐蔽的翻车方式。第二eigen()给出的特征向量与princomp的载荷在正负号上可能相反还原前跑一句all.equal(abs(A[, 1:5]), abs(wine.pr$loadings[, 1:5]))确认绝对值一致符号相反时对结果取负即可否则系数符号会集体反掉。还原之后的系数方向和 4.2 节三变量模型应该大致一致挥发性酸度为负硫酸盐和酒精为正。两个模型互相印证比单个模型的结论更有说服力这也是主成分回归这条路线在报告里的价值所在——它不一定让预测更准但它给了共线性一个交代。5. KNN 分类与常见问题排查五个特征的距离度量与投票陷阱5.1 三要素五个特征、欧氏距离、20 票多数表决KNN 做的是「给一瓶新酒估个评分档位」这件事思路是把新样本丢进已有样本里看离它最近的 k 个邻居都是什么评分取出现次数最多的那个。三要素定下来算法的行为就唯一确定了。特征是 x2 挥发性酸度、x5 氯化物、x7 总二氧化硫、x10 硫酸盐、x11 酒精五项选这五项是因为它们和评分的关系相对直接维度也不至于太高。距离用欧氏距离五个维度做差的平方和再开方。决策规则是 k 20 的多数表决。import openpyxl from collections import Counter # 0-based 列索引x2、x5、x7、x10、x11、q COLS [1, 4, 6, 9, 10, 11] def load(path, sheetSheet1): 从 xlsx 读数据返回 [[x2, x5, x7, x10, x11, q], ...] ws openpyxl.load_workbook(path, data_onlyTrue)[sheet] data [] for r in range(2, ws.max_row 1): # 第 1 行是表头从第 2 行开始 rec [ws.cell(rowr, columnc 1).value for c in COLS] if any(v is None for v in rec): # 空行、脏行直接跳过 continue data.append([float(v) for v in rec]) return data def knn_predict(train, target, k20): target 是长度 5 的特征列表返回 (评分, 票数) d [] for rec in train: dist sum((rec[j] - target[j]) ** 2 for j in range(5)) ** 0.5 d.append((dist, rec[5])) d.sort(keylambda t: t[0]) votes Counter(label for _, label in d[:k]) return votes.most_common(1)[0]load里有两个刻意的写法列索引用 0-based取值时统一加 1 转成 openpyxl 的 1-based免得两套下标混着用遇到None直接跳过而不是填 0因为填 0 会让这条样本在距离计算中被当成「氯化物为零」的极端值悄悄污染邻居选择。knn_predict里用Counter.most_common(1)取票王比自己维护字典再遍历取第一个键要可靠——字典的遍历顺序是插入顺序不排序直接取第一个拿到的是「最先被遍历到的评分」不是「票数最多的评分」。评估时按行切分训练集和测试集并且只切一次data load(redwine.xlsx) train, test data[:1200], data[1200:] hit sum(1 for rec in test if knn_predict(train, rec[:5])[0] rec[5]) print(accuracy:, hit / len(test))跑出来的准确率不算高这个结果是意料之中的原因后面几条会逐一说清楚。值得单独记一笔的是「只看距离最近的一个点」的命中率把 k 改成 1 再跑一遍如果明显高于 k 20 的结果说明邻居圈子拉太大把远处的噪声也拉进来投票了。这个对比是解释 KNN 表现最简单有力的证据。5.2 常见问题排查五条最容易翻车的点第一条准确率还不如「全猜 6 分」。现象是 KNN 跑出来 55%而直接猜多数类能到 60%看起来算法白写了。原因是评分分布本身就不均匀5 分和 6 分占绝大多数多数表决机制天然倾向于把边界样本判给多数类。解决办法是先算出多数类基线写进报告再补一张混淆矩阵看模型到底在哪些档位上出错通常 5、6 之间互错很多而 7、8 这种少数档几乎全错这个结论比一个孤零零的准确率有价值得多。把 k 从 1 试到 20画出准确率随 k 变化的曲线也能体现你在做实验而不是碰运气。第二条距离完全被总二氧化硫一个维度主导。现象是无论怎么调 k结果几乎不变像是模型没在学东西。原因是五个特征量纲差异太大x7 总二氧化硫均值 46.4、标准差 32.9x5 氯化物均值 0.088、标准差 0.047两者相差三个数量级欧氏距离里 x7 的贡献压倒性的大。解决办法是算距离之前先标准化减均值除标准差用第 2 章表里的 X.bar 和 X.sd 就行如果还想更严谨可以换成马氏距离把特征间的相关性也考虑进去。# 标准化减均值、除标准差让五个特征在距离里等权 MEAN [0.5273, 0.0878, 46.4037, 0.6583, 10.4114] STD [0.1791, 0.0471, 32.9041, 0.1695, 1.0657] def norm(rec): return [(rec[j] - MEAN[j]) / STD[j] for j in range(5)]标准化之后knn_predict收到的 train 和 target 都要是标准化后的值两边漏一边是最常见的低级错误表现出来是准确率直接跌到随机水平。第三条换一次划分准确率上下浮动十几个点。现象是今天跑 58%、明天跑 47%自己都说不清模型到底什么水平。原因是只做了一次留出划分测试集样本量本来就不大抽到哪一批全看运气。解决办法是固定随机种子并且改成 5 折交叉验证取均值报告里写「5 折交叉验证准确率 52.3% ± 3.1%」比写一个单次结果可信得多。第四条训练集里混进了测试样本。现象是准确率异常地高高到不像话。原因通常是数据没打乱就按行切而原始文件恰好按评分排过序导致训练集和测试集的分布完全不同或者标准化时用了全量数据的均值和标准差这叫数据泄漏把测试集的信息提前泄露给了训练过程。解决办法是划分只做一次并保存索引标准化的均值方差只用训练集算测试集套用训练集的参数。第五条读表错位整张表偏了一行。现象是读进来的第一行数据明显不对或者特征值全是表头文字。原因是 openpyxl 的行列都从 1 开始如果用for row in range(1, rows)配cell(row 1, col 1)实际取到的是第 2 行到第 rows1 行整体上移一行表头被当成数据。解决办法是统一口径数据行从 2 开始跳过表头列索引写 0-based 再统一加 1。写完之后打印前三条记录肉眼看一眼比什么断言都管用。注意排查的顺序建议固定为「先看数据、再看量纲、再看划分、最后才怀疑算法」。这个顺序能覆盖九成以上的问题反过来先调 k 值基本是白费时间。6. 验收与答辩把三个模型讲成一条完整的证据链验收这件事我一般按「能不能被别人一条命令复现」来卡。脚本从 csv 读到结果全程无人工干预中间不出现「这里手动改了一下数值」才算过关。具体到这份方案验收清单大致是这样验收项合格标准常见不合格表现数据可复现一条命令从原始 csv 跑到全部图表中间某步手工改了 xlsx相关性分析给出方法理由 变量取舍依据只贴一张热力图不说为什么用 Spearman回归模型系数、R²、t 检验、区间预测齐全只报 R²没有区间主成分回归系数已还原回原始变量并校验符号停在主成分系数没还原分类模型有基线对比、有混淆矩阵、有 k 值实验只报一个准确率数字结论每条结论都能对应到具体系数结论和模型结果对不上答辩被问到的题目其实高度集中提前准备好这四问基本就稳了。为什么用 Spearman 不用 Pearson——因变量是有序等级、自变量有偏态秩相关更稳。R² 只有 0.66 为什么还说模型可用——评分是主观感觉评分客观理化指标只能解释一部分剩下的方差来自品鉴者差异和工艺外因素同时三个系数的符号全部符合酿酒常识。主成分回归比普通回归强在哪——它不追求更高的 R²它解决的是共线性导致的系数不稳定让每个变量的方向能被解释。KNN 的 k 怎么定的——从 1 试到 20看准确率曲线和基线对比取稳定区间的中段。还有一个特别容易被追问的点你的模型说挥发酸越低、硫酸盐和酒精越高评分越高那是不是酒厂照着调就能拿高分答案是不能。模型给的是相关关系不是因果而且三个变量都在合理区间内才有意义酒精无限高只会毁掉平衡感。能主动说出这句边界比多跑两个模型更能体现你懂自己在做什么。从那以后我每次带这类作业都会强制走一遍「结论回指」报告里每写一条结论必须在前面找到一个具体的系数或者一个具体的检验结果去本文还有配套的精品资源点击获取
