销量预测04（数据的初步处理：使用机器学习，在此考虑了时间窗作为输入）

最新推荐文章于 2024-07-14 22:18:32 发布
最新推荐文章于 2024-07-14 22:18:32 发布
阅读量355 收藏 4
点赞数 1
分类专栏： 时间序列预测 文章标签： python 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39215918/article/details/128508704
版权

导入计算库

import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
import seaborn as sns 
plt.style.use("fivethirtyeight")
plt.rcParams["font.sans-serif"] = ["Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False
from sklearn.preprocessing import OneHotEncoder

import statsmodels.api as sm 
from statsmodels.graphics.tsaplots import plot_acf,plot_pacf
from pandas.tseries.offsets import DateOffset


from statsmodels.tsa.arima.model import ARIMA

import warnings
warnings.filterwarnings("ignore")

导入数据

path_train = "../preocess_data/train_data_o.csv"
path_test = "../data/test_data.csv"
data  = pd.read_csv(path_train)
data_test = pd.read_csv(path_test)
data["运营日期"] = pd.to_datetime(data["运营日期"] )
data_test["运营日期"] = pd.to_datetime(data_test["日期"])

data.drop(["行ID","日期"],axis=1,inplace=True) 
data_test.drop(["行ID","日期"],axis=1,inplace=True)

折扣编码

enc = OneHotEncoder(drop="if_binary")
enc.fit(data["折扣"].values.reshape(-1,1))
enc.transform(data["折扣"].values.reshape(-1,1)).toarray()
enc.transform(data_test["折扣"].values.reshape(-1,1)).toarray()

array([[0.],
       [0.],
       [0.],
       ...,
       [1.],
       [0.],
       [0.]])

data["折扣"] = enc.transform(data["折扣"].values.reshape(-1,1)).toarray()
data_test["折扣"]  = enc.transform(data_test["折扣"].values.reshape(-1,1)).toarray()

日期衍生

def time_derivation(t,col="运营日期"):
    t["year"] = t[col].dt.year
    t["month"] = t[col].dt.month
    t["day"] = t[col].dt.day
    t["quarter"] = t[col].dt.quarter
    t["weekofyear"] = t[col].dt.weekofyear
    t["dayofweek"] = t[col].dt.dayofweek+1
    t["weekend"] = (t["dayofweek"]>5).astype(int)
    return t

data_train  = time_derivation(data)
data_test_  = time_derivation(data_test)

对每家店进行探索

对第一家尝试

# 训练集合
data_train_1 = data_train[data_train["商店ID"] ==1]
# 测试集合
data_test_1 = data_test_[data_test_["商店ID"] ==1]

plt.figure(figsize=(16,8))
plt.plot(data_train_1["运营日期"],data_train_1["销量"])
plt.xlabel("日期",fontsize= 20)
plt.ylabel("销量",fontsize= 20)
plt.title("1号店的销量",fontsize=20)

Text(0.5, 1.0, '1号店的销量')

​
png
​

开始尝试

data_train_1.head()
商店ID商店类型位置地区节假日折扣销量运营日期yearmonthdayquarterweekofyeardayofweekweekend
01S1L3R111.07011.842018-01-012018111110
6071S1L3R101.042369.002018-01-022018121120
10461S1L3R101.050037.002018-01-032018131130
12071S1L3R101.044397.002018-01-042018141140
17521S1L3R101.047604.002018-01-052018151150

复制获得数据

data_train__1 = data_train_1.copy()
data_test__1 = data_test_1.copy()

删除不变的属性

data_train__1.drop(["商店类型","商店ID","位置","地区","运营日期"],axis=1,inplace=True)
data_test__1.drop(["商店类型","商店ID","位置","地区","运营日期"],axis=1,inplace=True)

在这里留下一个思考的点， 其实节假日的附近几天的属性也会对预测结果产生一定影响。

data_train__1.shape

(516, 10)

data_train__1
节假日折扣销量yearmonthdayquarterweekofyeardayofweekweekend
011.07011.842018111110
60701.042369.002018121120
104601.050037.002018131130
120701.044397.002018141140
175201.047604.002018151150
.................................
18656901.033075.00201952722210
18716501.037317.00201952822220
18739101.044652.00201952922230
18796201.042387.00201953022240
18811311.039843.78201953122250

516 rows × 10 columns

data_train__1["diff_1"] = data_train__1["销量"].diff(10)
data_train__1 = data_train__1.dropna()

# data_test__1["diff_1"] = data_test__1["销量"].diff(1)
# data_test__1 = data_test__1.dropna()

将数据集变为有监督数据集

def series_to_supervisied_(data,step_in,step_out,dropnan = True):
    """
    :param data: 观测的序列，类型为列表或者二维的numpy数组
    :param step_in: 作为输入滞后观测数量（x）
    :param step_out: 作为输出的观测值数量（y）
    :param  dropnan: 是否具有Nan的行，默认为True
    return 监督学习的重组得到的dataframe列
    """
    n_vars = 1 if type(data) is list else data.shape[1]
    df = data
    cols = []
    names = []
    # 输入序列[(t-n),(t-n+1),(t-n+2)..(t-1)]
    for i in range(step_in,0,-1):
        cols.append(df.shift(i))
        names+=[f"{name}-({i})step" for name in df.columns]
    # 输出序列[t,(t+1),(t+2)...(t+n)]
    for i in range(0,step_out):
        cols.append(df.shift(-i))
        if i ==0:
            names+=[f"{name}+(0)step" for name in df.columns]
        else:
            names+=[f"{name}+({i})step" for name in df.columns]
    
    df_re = pd.concat(cols,axis=1)
    df_re.columns = names
    if dropnan:
        df_re.dropna(inplace=True)
    
    return df_re

data_step = series_to_supervisied_(data_train__1,step_in= 10,step_out=2,dropnan = True)
data_step
节假日-(10)step折扣-(10)step销量-(10)stepyear-(10)stepmonth-(10)stepday-(10)stepquarter-(10)stepweekofyear-(10)stepdayofweek-(10)stepweekend-(10)step...折扣+(1)step销量+(1)stepyear+(1)stepmonth+(1)stepday+(1)stepquarter+(1)stepweekofyear+(1)stepdayofweek+(1)stepweekend+(1)stepdiff_1+(1)step
76580.00.036873.002018.01.011.01.02.04.00.0...0.044178.752018.01.022.01.04.01.00.018534.75
77910.00.025644.002018.01.012.01.02.05.00.0...0.028086.002018.01.023.01.04.02.00.0-12804.00
83370.01.040890.002018.01.013.01.02.06.01.0...0.047835.002018.01.024.01.04.03.00.08580.60
86101.01.039254.402018.01.014.01.02.07.01.0...1.045384.002018.01.025.01.04.04.00.0-6609.00
88210.01.051993.002018.01.015.01.03.01.00.0...1.025868.882018.01.026.01.04.05.00.0-11847.12
..................................................................
1861520.01.047619.002019.05.016.02.020.04.00.0...1.033075.002019.05.027.02.022.01.00.0-23178.00
1865690.01.056253.002019.05.017.02.020.05.00.0...1.037317.002019.05.028.02.022.02.00.0-15560.82
1871651.01.052877.822019.05.018.02.020.06.01.0...1.044652.002019.05.029.02.022.03.00.0-24081.00
1873910.01.068733.002019.05.019.02.020.07.01.0...1.042387.002019.05.030.02.022.04.00.018891.00
1879620.00.023496.002019.05.020.02.021.01.00.0...1.039843.782019.05.031.02.022.05.00.03231.78

495 rows × 132 columns

list(data_step.columns)[-11:]

['节假日+(1)step',
 '折扣+(1)step',
 '销量+(1)step',
 'year+(1)step',
 'month+(1)step',
 'day+(1)step',
 'quarter+(1)step',
 'weekofyear+(1)step',
 'dayofweek+(1)step',
 'weekend+(1)step',
 'diff_1+(1)step']

y_columns = "销量+(1)step"
y = data_step[y_columns]
x = data_step[list(data_step.columns)[:-11]]

data_ = pd.concat([x,y],axis=1)
data_
节假日-(10)step折扣-(10)step销量-(10)stepyear-(10)stepmonth-(10)stepday-(10)stepquarter-(10)stepweekofyear-(10)stepdayofweek-(10)stepweekend-(10)step...销量+(0)stepyear+(0)stepmonth+(0)stepday+(0)stepquarter+(0)stepweekofyear+(0)stepdayofweek+(0)stepweekend+(0)stepdiff_1+(0)step销量+(1)step
76580.00.036873.002018.01.011.01.02.04.00.0...44625.00201812113717752.0044178.75
77910.00.025644.002018.01.012.01.02.05.00.0...44178.752018122141018534.7528086.00
83370.01.040890.002018.01.013.01.02.06.01.0...28086.0020181231420-12804.0047835.00
86101.01.039254.402018.01.014.01.02.07.01.0...47835.00201812414308580.6045384.00
88210.01.051993.002018.01.015.01.03.01.00.0...45384.0020181251440-6609.0025868.88
..................................................................
1861520.01.047619.002019.05.016.02.020.04.00.0...25035.00201952622171-22584.0033075.00
1865690.01.056253.002019.05.017.02.020.05.00.0...33075.00201952722210-23178.0037317.00
1871651.01.052877.822019.05.018.02.020.06.01.0...37317.00201952822220-15560.8244652.00
1873910.01.068733.002019.05.019.02.020.07.01.0...44652.00201952922230-24081.0042387.00
1879620.00.023496.002019.05.020.02.021.01.00.0...42387.0020195302224018891.0039843.78

495 rows × 122 columns

划分训练集测试集

lens = -1
from sklearn.model_selection import train_test_split
from sklearn.utils import shuffle
data_train_,data_test_ = train_test_split(data_,test_size=0.2,shuffle=False)
data_train_  = shuffle(data_train_,random_state=1412)
xtrain,ytrain = data_train_.iloc[:,:lens],data_train_.iloc[:,lens]
xtest,ytest = data_test_.iloc[:,:lens],data_test_.iloc[:,lens]

归一化

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(ytrain.values.reshape(-1,1))
y_train = scaler.transform(ytrain.values.reshape(-1,1))
y_test = scaler.transform(ytest.values.reshape(-1,1))

随机森林

from sklearn.ensemble import RandomForestRegressor
rf_clf = RandomForestRegressor(max_depth=12, 
                               min_impurity_decrease=0.0, 
                               n_estimators= 300)
rf_clf.fit(xtrain,ytrain)
rf_clf.score(xtest,ytest)

0.43699715354836455

from sklearn.metrics import mean_squared_error
mean_squared_error(ytest,rf_clf.predict(xtest))**0.5

10330.02670862774

mean_squared_error(ytrain,rf_clf.predict(xtrain))**0.5

3440.408502696517

def symmetric_mean_absolute_percentage_error(y_true, y_pred):
    y_true, y_pred = np.array(y_true), np.array(y_pred)
    return np.sum(np.abs(y_true - y_pred) * 2) / np.sum(np.abs(y_true) + np.abs(y_pred))

def prophet_smape(y_true, y_pred):
    smape_val = symmetric_mean_absolute_percentage_error(y_true, y_pred)
    return 'SMAPE', smape_val, False

 prophet_smape(ytrain,rf_clf.predict(xtrain))

('SMAPE', 0.07417421103653893, False)

 prophet_smape(ytest,rf_clf.predict(xtest))

xgboost

from xgboost import XGBRegressor
xgb_clf = XGBRegressor(max_depth=12, 
                               n_estimators=500)
xgb_clf.fit(xtrain,ytrain)
xgb_clf.score(xtest,ytest)

0.40055294233563

mean_squared_error(ytest,xgb_clf.predict(xtest))**0.5

10659.125252942618

mean_squared_error(ytrain,xgb_clf.predict(xtrain))**0.5

0.0036928046625203763

 prophet_smape(ytest,xgb_clf.predict(xtest))

('SMAPE', 0.22077657322671448, False)

 prophet_smape(ytrain,xgb_clf.predict(xtrain))

('SMAPE', 7.480844639369475e-08, False)

用一下贝叶斯优化看一下，是不是历史时间步长的问题?

from hyperopt import hp,fmin,tpe,Trials,partial
from hyperopt.early_stop import no_progress_loss


# 定义目标函数：
def hpyeropt_objective(params):

    data_step = series_to_supervisied_(data_train__1,step_in = int(params["time_step"]),step_out=2,dropnan = True)
    
    y_columns = "销量+(0)step"
    y = data_step[y_columns]
    x = data_step[list(data_step.columns)[:-20]]
    data_ = pd.concat([x,y],axis=1)
    
    from sklearn.model_selection import train_test_split
    from sklearn.utils import shuffle
    data_train,data_test = train_test_split(data_,test_size=0.2,shuffle=False)
    data_train  = shuffle(data_train,random_state=1412)
    xtrain,ytrain = data_train.iloc[:,:-20],data_train.iloc[:,-1]
    xtest,ytest = data_test.iloc[:,:-20],data_test.iloc[:,-1]
    
    # 归一化
    from sklearn.preprocessing import MinMaxScaler
    scaler = MinMaxScaler()
    scaler.fit(ytrain.values.reshape(-1,1))
    ytrain = scaler.transform(ytrain.values.reshape(-1,1))
    ytest = scaler.transform(ytest.values.reshape(-1,1))

    
    clf = RandomForestRegressor(n_estimators=int(params["n_estimators"]),
                                max_depth=int(params["max_depth"]),
#                                max_features=int(min(params["max_features"],len(xtrain.columns))),
                               min_impurity_decrease=params["min_impurity_decrease"],
                               random_state=1412,
                               verbose=False,
                               n_jobs=-1
                               ).fit(xtrain,ytrain)
    
    scores = clf.score(xtest,ytest)
    return -scores   


#定义参数空间
params_grid = {"n_estimators":hp.quniform("n_estimators",10,1000,20),
                   "max_depth":hp.quniform("max_depth",5,25,1),
#                    "max_features":hp.quniform("max_features",10,10000,1),
                   "min_impurity_decrease":hp.quniform("min_impurity_decrease",0,5,1),
              
           
               "time_step":hp.quniform("time_step",10,200,5)
              }

#定义迭代
def param_hyperopt(max_evals = 100):
    trials = Trials()
    early_stop_fn =no_progress_loss(50)
    params_best = fmin(hpyeropt_objective,
                      space=params_grid,
                       algo=tpe.suggest,
                       max_evals=max_evals,
                       verbose=True,
                       trials=trials,
                       early_stop_fn=early_stop_fn
                      )
    print("\n","\n","best params:",params_best,"\n")
    return params_best,trials

params_best,trials =  param_hyperopt(max_evals = 300)

 34%|███████████████                             | 103/300 [02:59<05:43,  1.75s/trial, best loss: -0.48958559215129405]

​
best params: {‘max_depth’: 9.0, ‘min_impurity_decrease’: 0.0, ‘n_estimators’: 660.0, ‘time_step’: 10.0}

​

目前来讲的话，效果都不是很好，那么接下来从时间角度来想的话，在每个时间窗内进行差分以及其他的特征衍生,尽量的提取一些其他的特征！ 至此先考虑下另外一个方案。

data_train__1["销量"].diff()-data_train__1["销量"].diff()
节假日折扣销量yearmonthdayquarterweekofyeardayofweekweekend
01.00.0-35357.160.00.0-1.00.00.0-1.00.0
6070.00.0-7668.000.00.0-1.00.00.0-1.00.0
10460.00.05640.000.00.0-1.00.00.0-1.00.0
12070.00.0-3207.000.00.0-1.00.00.0-1.00.0
17520.01.023109.000.00.0-1.00.00.0-1.0-1.0
.................................
1865690.00.0-4242.000.00.0-1.00.00.0-1.00.0
1871650.00.0-7335.000.00.0-1.00.00.0-1.00.0
1873910.00.02265.000.00.0-1.00.00.0-1.00.0
187962-1.00.02543.220.00.0-1.00.00.0-1.00.0
188113NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN

516 rows × 10 columns

我也要做小太阳
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
机器学习-时间序列（一）：日期和时间处理
全栈川川
11-09 1016
日期和时间处理
基于机器学习对销量预测的研究
08-07
基于机器学习方法对销售预测的研究 ：销售预测是完善客户需求管理、指导运营、以提高企业利润为最终目的商业问题。 而预测的精确性是销售预测的核心痛点。
Sales-Predictions:使用python通过执行数据清理，数据可视化并最终运行最适合的机器学习模型来预测各种商品的销售额
04-12
销售预测项目 该项目分析了在各个商店出售的食品的销售预测。 目的是帮助零售商了解在增加销售中起关键作用的产品和商店的属性。 目标： 探索性数据分析 数据清理 数据可视化 建立机器学习模型 随机森林 提供建议 数据清理 我使用python加载了数据集并导入了库，Pandas和Numpy，以开始探索数据。 前几个步骤需要验证数据类型并检查语法错误。 尽管所有数据类型都是一致的，但两列中缺少值。 在继续之前，Item_Fat_Content列中的语法存在一些需要更改的不一致之处。 例如，字符串是“ LF”，“ reg”，“ low fat”，需要将其映射到“ Low Fat”或“ Regular”下的字典中。 现在我们可以继续处理遗漏的值。 “ Outlet_Size”和“ Outlet_Type”中缺少值。 在填写缺失值之前，我创建了一个No Flag列，以防万一我想检查输入的值如何影响
python跑一亿次循环_案例|用Python实现某化妆品企业的销售分析
weixin_31419153的博客
01-30 749
【导语】本篇文章是关于某化妆品企业的销售分析。从分析思路思路开始带大家一步步的用python进行分析，最后找出问题，并提出解决方案的整个流程。需求：希望全面了解此化妆品企业的销售情况，帮助此化妆品企业运营领导层了解企业整体销售运营情况及商品销售情况，为此化妆品企业的营销策略提供相对应的建议意见。业务分析流程1、 场景(诊断现状)对象：用户；销售关注点：找到影响销售的增长因素目标：发现问题&...
作业——机器学习教你预测商品销售额
sjl20021006的博客
12-24 9022
（一）作业要求 advertising.csv文件是某商品的广告推广费用（单位为元）和销售额数据（单位为千元），其中每行代表每一周的广告推广费用（包含微信、微博和其他类型三种广告费用）和销售额。若在未来的某两周，将各种广告投放金额按如下分配，请预测对应的商品销售额： （1）微信：100，微博：100，其他类型：100 （2）微信：200，微博：100，其他类型：50 另外，请提交对应的代码。若有对应的说明文档，也请提交。 （二）作业内容 对于这个实验，是机器学习中最常见的一类回归问题，通过已有的
用机器学习来提升你的用户增长：第六步，预测销量
lizz2276的博客
10-18 980
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Barış KaramanFollow 编译：ronghuaiyang 正文共：6867 字 16 图 预计阅读时间：20 分钟 导读 预测销量有很多的用处，这是一个时间序列的预测问题，我们可以使用传统的时序回归的方法，也可以使用机器学习，深度学习的方法，一起来了解一下。 前文回顾： 用机器学习来提升你的用户增长：第一步，了解你的目标 用机器学习来提升你的用户增长：第二步，客户分群 用机器学习来提升你的用户增长：第三步
020优惠券预测数据集划分--时间窗口划分法
m0_62865498的博客
04-25 724
在阿里天池竞赛o2o优惠券预测题目中，划分训练集、测试集、验证集是为了评估模型的性能，以便确定最佳的模型。而对于每个数据集，又需要将其进一步划分为历史区间、中间区间和标签区间，主要是为了构建有标签的训练样本和测试样本，以便模型能够进行有监督的学习和预测。因此，在阿里天池竞赛o2o优惠券预测中，训练集和验证集的历史区间、中间区间和标签区间都是根据优惠券领取时间来划分的，而测试集的历史区间和中间区间是指领取优惠券时间到测试集开始日期之间的时间段，标签区间则是指测试集中需要预测的数据。
ARIMA时间序列分析：预测餐厅销量 数据集
08-01
销售数据：第一列为日期（2015/1/1-2015/2/6），第二列为销售量。
机器学习在商品销量预测中的应用.pdf
09-24
机器学习技术在商品销量预测中的应用是非常有意义的，通过构建机器学习模型，能够发现数据中隐含的信息，更好地对销量进行预测，并根据预测结果采取相应措施。 在商品销量预测中，机器学习技术可以很好地捕捉到数据...
光伏发电量预测机器学习数据集
03-30
在这样的脚本中，一般会包含数据预处理步骤（如缺失值填充、异常值处理、特征工程），选择合适的机器学习模型（如线性回归、随机森林、支持向量机、神经网络等），模型训练和验证，最后使用测试集数据进行预测并保存...
人人车二手车数据用于机器学习二手车价格预测
12-01
人人车二手车数据用于机器学习二手车价格预测，数据为json格式，二手车数据属性包含：售价、行驶里程、车牌所在地、保险信息、出厂日期、以及车辆的详细配置信息，大概有180-200个属性，内容丰富，属于爬取的原始...
matlab实现股票预测代码-SP500:使用机器学习进行股市预测
06-20
matlab实现股票预测代码使用机器学习进行股市预测 这是我2018年Spring用matlab做的一个项目，是机器学习在股市数据上的一个实现。 对于这个项目，没有使用任何库。 深度学习算法是根据数学原理手动编写的。 SP500....
机器学习——时间序列分析：滑动窗口
热门推荐
weixin_43675808的博客
08-18 1万+
机器学习——滑动窗口   滑动窗口，为了提升数据的准确性，将某个点的取值扩大到包含这个点的一段区间，用区间来进行判断，这个区间就是窗口。滑动窗口就是能够根据指定的单位长度来框住时间序列，从而计算框内的统计指标。相当于一个长度指定的滑块在刻度尺上面滑动，每滑动一个单位即可反馈滑块内的数据。 pandas里常用的滑动窗口函数有： 用法举例： import numpy as np import pandas as pd import matplotlib.pyplot as plt v = np.random.
机器学习实战 | 综合项目-电商销量预估进阶方案
ShowMeAI研究中心
03-22 1万+
本篇内容是Kaggle数据科学竞赛Rossmann store sales解决方案的进阶版本，整体方案包括探索性数据分析、缺失值处理、特征工程、基准模型与评估、XGBoost建模与调优等完整板块。
机器学习 - kaggle之Rossmann商店销售预测
qq_45876576的博客
02-27 245
数据集网址：https://www.kaggle.com/competitions/rossmann-store-sales。
【基于机器学习的汽车销量预测】
OverlordDuke的博客
12-01 1154
通过这个基于机器学习的汽车销量预测项目，汽车制造商可以更准确地预测市场需求，制定相应的生产和销售策略，以提高销售业绩。：我们收集了大量的汽车销售数据，包括国内生产总值当季值、汽油价格、人民币贷款基准利率、汽车总产量、公路里程数、汽车整车股票指数、消费者信心指数等经济和汽车市场相关的数据。：我们将使用Python的Scikit-Learn库进行机器学习建模，使用Flask构建一个简单的Web应用程序来展示预测结果。：首先，我们将对收集的数据进行预处理，包括数据清洗、特征选择和缺失值处理。
机器学习实战：沃尔玛销量预测（M5竞赛）
thorn_r的博客
11-28 4473
参考了Konstantin的特征处理，使用了XGBoost,lightGBM,CatBoost以及Blending策略对M5数据集中的德克萨斯州家居类产品作了预测。得到了可以接受的一个结果。
cv2读取和保存图片
m0_53291740的博客
07-12 269
cv2.imwrite('b\\img1.png',img)#b存在就可以保存进去。如果b存在，c不存在，程序不会报错，也不会保存图片。如果目录b不存在就会存到当前文件夹。
《JavaSE》---6.＜基础语法（Java三大程序控制结构）＞
最新发布
m0_73456341的博客
07-14 787
本篇博客主要讲解Java基础语法中的三大结构，一种顺序结构、两大分支结构i（if-else、swich-case）、四大循环结构（while、do while、fot、foreach）
使用机器学习预测房屋价格：基于Python的数据分析
"该课程设计关注的是使用Python进行房屋价格预测，通过数据处理和机器学习算法，基于爱荷华州艾姆斯市的住宅数据来建立预测模型。目标是理解和影响房价的多种因素，包括地理位置、建筑特征等，并为政策制定、房地产...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值