简介：2024年五一赛C题获奖作品，围绕煤矿深部开采冲击地压危险预测，系统整理电磁辐射与声发射数据的分析流程，适合数学建模备赛者与矿山安全数据人员研读。作品综合运用傅里叶变换、随机森林和朴素贝叶斯模型，先通过最大值、最小值、均值、标准偏差、峰度与偏度等统计量刻画干扰信号特征，再定位干扰区间并量化前兆概率，两类信号均给出了明确的规律对比和计算数值。压缩包内仅1个PDF文件，约1.16MB，章节覆盖问题重述、数据预处理、模型训练、结果分析及结论展望，便于完整还原获奖思路。目前已有1468人学习，可直接用作赛题复盘参考，帮助读者掌握从信号特征提取到危险概率预测的系统建模方法。

1. 冲击地压预测研究的难点不在模型，而在“事件太少、噪声太多”

2024年五一赛C题煤矿深部开采冲击地压危险预测研究，表面上是训练一个分类模型，实际上考的是从一份带缺失、带噪声、带人工干扰的真实监测数据里，把事件稀疏的危险时段捞出来。冲击地压是深部开采中最常见也最难防的动力灾害，应力、位移、速度、微震、爆破记录这些监测数据都不缺，但真正标记为危险的有效样本往往只占总样本的5%到10%。很多队伍把这道题当成普通二分类来做，结果模型一路预测“安全”还能拿到85%以上的准确率，这就是典型的被数据分布骗了。要在这道题上做出有说服力的结果，绕不开四个环节：统一时间轴、构造窗口特征、时序评估、解释性验证。这篇笔记按这个顺序拆解，中间会单独拉出几个高发翻车点，帮备赛队伍把时间花在刀刃上。

2. 从监测日志到建模特征：合并、清洗、造特征三步缺一不可

2.1 两张原始表的时间粒度不同，先统一主时间轴

比赛数据通常分成监测表和事件日志两类。监测表按固定间隔采样，常见的是15分钟或3小时，字段一般包含日期时间、测点编号、应力值、位移值、速度值。事件日志则按事件触发记录，微震事件只有发生时间和震级、能量，爆破记录只有每次爆破的时间点。这两张表直接合并行不通，时间戳对不齐，必须先确定一条主时间轴。

我一般把监测表的时间戳作为主时间轴，原因很简单：模型最后输出的“危险概率”要落在特定的时间点上，而监测表正好提供了等间隔的采样点。微震日志和爆破记录都按这条时间轴做聚合，变成“近3小时发生了多少次微震”“累计能量是多少”这类统计特征。下图这个思路看着简单，实际操作里很多队伍在第一行read_excel之后就急着跑模型，到后面才发现日期格式没统一，merge出来的结果是笛卡尔积。

import pandas as pd import numpy as np # 附件1 监测表，日期时间列直接解析成 datetime df = pd.read_excel('附件1_监测.xlsx', parse_dates=['日期时间']) df = df.sort_values(['测点编号', '日期时间']).reset_index(drop=True) # 通过时间差分布确认主采样周期 delta_h = df.groupby('测点编号')['日期时间'].diff().dt.total_seconds() / 3600 print(delta_h.dropna().describe()) # 粗看各列缺失率 print(df.isna().mean().sort_values(ascending=False).round(4))

这段代码先排序，再按测点编号分组求时间差，目的是确认监测表是不是真的“等间隔”采样。很多矿井监测系统会在中途调整采样频率，如果describe结果里出现两个明显不同的时间差簇，后面做滚动窗口时就要格外注意对齐问题。缺失率打印出来之后，不要直接dropna删除，时序数据行在时间轴上有位置，删掉会让滞后特征整体错位。

参数方面，parse_dates指定的时间列要确保Excel里没有多余空格或合并单元格；groupby里的测点编号要在排序时一并考虑，否则同一测点的记录会被其他测点插空。如果表里不止一个测点，建议先只保留目标工作面做单测点建模，最后再用另一个测点做迁移验证，这样比把所有测点混在一起更干净。

2.2 异常值与缺失值处理：一个不会引入未来信息的清洗流程

冲击地压监测数据的异常来源主要有三类：传感器瞬时掉线产生的毛刺、开采震动造成的数值跳变、人工维护时的错误读数。处理这类点不能直接删行，正确做法是先置为NaN，再通过插值补回。我见过有人把应力值超过某个阈值的行全部删掉，结果时间序列上出现一个大洞，后面构造diff特征时直接出现一个夸张的负值。

def smooth_spike(df, col, window=7, threshold=3.0): # 以局部均值为中心，局部标准差为尺度，识别尖峰 roll_mean = df[col].rolling(window, center=True).mean() roll_std = df[col].rolling(window, center=True).std() z = (df[col] - roll_mean) / roll_std df.loc[z.abs() > threshold, col] = np.nan return df for col in ['应力值', '位移值', '速度值']: df = smooth_spike(df, col) # 短缺口线性插值，长缺口用同小时均值回填 df['应力值'] = df['应力值'].interpolate(method='linear', limit_direction='forward') df['应力值'] = df['应力值'].fillna( df.groupby(df['日期时间'].dt.hour)['应力值'].transform('mean') )

smooth_spike的逻辑是以当前点前后各3个样本（window=7，包含中心点）的局部均值为参照，偏离超过3倍局部标准差就判定为尖峰，置为NaN。threshold=3.0对应3西格玛，对监测数据来说偏保守，如果毛刺很密集可以考虑下调到2.5。这个参数不要盲调，先画一段原始曲线看毛刺幅度，再决定阈值。

填补阶段先用线性插值补短缺口，一般连续缺口不超过3个采样点都适合。超过插值范围的长缺口再用“同小时均值”回填，比如所有发生在凌晨2点的应力值均值，这样做保留了昼夜周期，也不像全局均值那样把白天夜晚压成一个水平。需要注意，如果原始数据不是等间隔采样，线性插值就不可靠，这也是前面先确认主采样周期的原因。

2.3 微震事件与爆破记录：聚合统计和干扰剔除

微震日志和爆破记录都是事件型数据，不能直接拼到监测表里当特征，常见做法是把它们按主时间轴切块，每3小时一个桶，统计桶内事件数、最大震级、总能量、平均能量，再合并到监测表上。

ev = pd.read_excel('附件2_微震.xlsx', parse_dates=['发生时间']) ev['时间桶'] = ev['发生时间'].dt.floor('3h') ev_agg = ev.groupby('时间桶').agg( 微震次数=('震级', 'count'), 最大震级=('震级', 'max'), 总能量=('能量', 'sum'), 平均能量=('能量', 'mean') ).reset_index() df['时间桶'] = df['日期时间'].dt.floor('3h') df = df.merge(ev_agg, on='时间桶', how='left') df['微震次数'] = df['微震次数'].fillna(0).astype(int)

dt.floor('3h')把时间戳对齐到最近的前一个3小时整数点，比如08:00、11:00、14:00，这样微震事件和监测记录就共享同一个桶key。合并后没有微震记录的桶会得到NaN，“微震次数”用0填充是合理的，因为“没发生事件”本身就是信息。但“平均能量”空桶不能简单填0，没有事件和事件能量真为0是两回事，我一般让平均能量保持NaN，让模型把缺失当作一种状态。

爆破干扰是这类赛题里最隐蔽的坑：爆破产生的高能量震动会被传感器记录成微震事件，如果不处理，模型会天然认为“爆破后半小时能量大等于有危险”，这对真实预测毫无意义。做法是给爆破时间前后各15分钟窗口内的微震事件打上干扰标记，再决定剔除还是单列特征。

def mark_blast_window(ev, blast, mins=15): ev['爆破干扰'] = 0 for bt in blast['爆破时间']: mask = (ev['发生时间'] >= bt - pd.Timedelta(minutes=mins)) & \ (ev['发生时间'] <= bt + pd.Timedelta(minutes=mins)) ev.loc[mask, '爆破干扰'] = 1 return ev ev = mark_blast_window(ev, blast) ev_clean = ev[ev['爆破干扰'] == 0]

mins参数要根据爆破密集程度调整，如果两次爆破间隔本身就小于半小时，窗口缩到10分钟更合适。我在处理类似数据时发现，爆破记录和微震时间表高度重合的情况下，不剔除爆破干扰的“最大震级”特征几乎等价于“是否刚爆破”，训练F1虚高不少。剔除后重跑模型，分数通常下降一点，但这才接近真实泛化能力。千万别为了保训练分数把干扰样本留着。

2.4 构造三类核心特征：水平、变化率与波动性

冲击地压的危险往往不是某一瞬间数值高低决定的，而是趋势异常。所以原始监测值进入模型前，要延展出三类特征：一是水平特征，看当前值和前几步的值；二是变化率特征，看相邻时刻的差值；三是波动性特征，看过去一小段时间的均值和标准差。

for col in ['应力值', '位移值', '速度值']: df[f'{col}_lag1'] = df[col].shift(1) df[f'{col}_lag2'] = df[col].shift(2) df[f'{col}_diff1'] = df[col].diff(1) df[f'{col}_ma3'] = df[col].rolling(3).mean() df[f'{col}_std3'] = df[col].rolling(3).std()

lag1和lag2做的是滞后特征，让当前时刻能“看到”前两步的状态，对时间序列模型很重要。diff1是相邻两点的一阶差分，代表变化速率，冲击地压发生前应力变化率往往会出现持续抬升。ma3和std3分别代表过去三个采样周期的均值和波动程度，窗口大小和数据粒度强相关，3小时粒度下window=3覆盖9小时，如果改成15分钟粒度，window可能要放到12以上才合理。

这里有个容易忽略的点：不能把时间戳本身直接当特征。日期时间列如果转成数值丢进模型，很容易让模型按时间分段记忆，而不是学到物理特征，最后在盲测中严重过拟合。时间信息要通过滞后、差分、滚动统计体现，而不是用原始时间戳。

2.5 特征筛选与业务保留：相关性过滤后还要看物理含义

特征造完之后容易膨胀，尤其加入多组滚动统计后特征数可能到30以上。先用方差过滤掉近常数特征，再按相关性去冗余。

# 去掉方差过低的列 low_var_cols = df.var()[df.var() < 1e-6].index df = df.drop(columns=low_var_cols) # 相关性大于0.9的两列只保留一个 corr = df.corr().abs() upper = corr.where(np.triu(np.ones(corr.shape), k=1).astype(bool)) drop_cols = [c for c in upper.columns if any(upper[c] > 0.9)] df = df.drop(columns=drop_cols)

相关性去重的逻辑很简单，但业务含义要小心：应力值和位移值相关系数很高，不代表两者在冲击地压预警里可以随便删一个。获奖作品里常见做法是先在同一监测类型内部去重，比如应力值的lag1和lag2高度相关时只留lag1，但在应力值和位移值之间，即使相关性高，也会优先保留“变化率”类特征而不是水平值。因为冲击地压前的变化率特征比绝对数值更有区分度，这是物理背景决定的，不是相关系数能衡量的。

3. 冲击地压危险预测模型：逻辑回归到集成学习的三层对比

3.1 标签构造：预警窗口长度直接决定模型上限

大部分情况下题目给的不是现成的二分类标签，而是一份冲击地压发生时刻的清单。模型要预测的不是“某一秒突然发生”，而是在事件发生前的一段时间内发出预警。那y标签怎么打？常见做法是把事件前某个时间窗口内的所有样本标记为1。

# 已知的冲击地压发生时刻，从题目或附件中提取 danger_times = pd.to_datetime(['2024-03-01 06:00', '2024-03-08 22:00']) df['label'] = 0 for t in danger_times: mask = (df['日期时间'] >= t - pd.Timedelta(hours=12)) & (df['日期时间'] < t) df.loc[mask, 'label'] = 1

这段代码把每个冲击地压事件前12小时标记为危险期，12小时就是预警窗口。窗口太短，比如3小时，模型能学到更精确的前兆，但漏报率会很高，因为很多前兆从12小时前就开始累积；窗口太长，比如36小时，召回率上来了，但样本里危险比例太高，误报也跟着涨。预警窗口本质上是业务参数，不是模型参数。

如果题目直接给定了危险等级列，那就不需要构造窗口标签，而是做成多分类或者回归问题。但多数赛题给的是事件时刻或等级不完整的记录，窗口构造这一步基本绕不开。标签构造完成后，要检查正负样本比例，如果正样本低于10%，直接进模型是不行的。

3.2 不平衡样本：class_weight 优先于过采样

冲击地压数据的正样本比例天然很低，我处理过的类似监测数据里，危险标签大多在3%到10%之间。这种不平衡下，模型倾向于把所有样本都预测成安全。第一反应是SMOTE，但在时间序列上使用SMOTE非常危险——少数类样本的插值会跨越时间索引，生成一个“过去和未来混合”的合成样本，训练和验证的信息边界被打破。

from sklearn.ensemble import RandomForestClassifier model = RandomForestClassifier( n_estimators=200, max_depth=8, min_samples_leaf=10, class_weight='balanced_subsample', random_state=42, n_jobs=-1 )

class_weight='balanced_subsample'是随机森林里处理不平衡的经典配置，它让每个决策树的随机子样本都按类别比例自动加权，比手动设置权重更稳健。相比SMOTE，它不会凭空生成样本，只是调整损失贡献，不会破坏时序结构。逻辑回归里则用class_weight='balanced'，效果类似。

如果调查比赛评分标准里“命中率”权重很高，可以把正样本的权重再调大一点。但盲目把权重调特别大也不行，模型会把大量正常时段误判为危险，precision掉得非常快。一般做法是先跑一版balanced，看混淆矩阵里漏报和误报的比例，再决定往哪个方向调整。

3.3 模型训练与调参：以 F1 为目标的网格搜索

这类题目我一般会对比三层模型：逻辑回归做基线，随机森林做主力，LightGBM做提升尝试。逻辑回归作为基线的意义在于判断特征工程是否有效，如果线性模型的F1和随机森林差距不大，说明特征之间的非线性交互还没被充分挖掘，需要回到特征工程而不是继续调参。

from sklearn.model_selection import TimeSeriesSplit, GridSearchCV from sklearn.metrics import f1_score, make_scorer param_grid = { 'n_estimators': [100, 200], 'max_depth': [6, 8], 'min_samples_leaf': [5, 10] } grid = GridSearchCV( RandomForestClassifier(class_weight='balanced_subsample', random_state=42), param_grid, scoring=make_scorer(f1_score), cv=TimeSeriesSplit(n_splits=5) ) grid.fit(X_train, y_train) print(grid.best_params_)

这里评分函数用f1而不是accuracy，cv用TimeSeriesSplit而不是KFold，这是两个关键决策。TimeSeriesSplit保证训练集始终在测试集之前，不会让“未来”数据混进训练。在时间序列问题上，随机网格搜索加时序交叉验证的结果才是可信的。

LightGBM在表格数据上往往比随机森林更快更好，但它对缺失值和噪声更敏感。冲击地压数据里不少特征是经过插值回填的，LightGBM会把插值痕迹当真实信号学进去，所以我的经验是先用随机森林定特征和窗口，最后再上LightGBM微调。如果LightGBM表现明显好于随机森林，要警惕是不是学到了插值痕迹而不是物理规律。

3.4 评估指标为什么不能只看准确率

准确率这个指标在不平衡数据上会严重误导人。假设98%的样本是安全状态，模型完全放弃预测危险，准确率也是98%，看起来“优秀”得离谱。冲击地压预测关心的是漏报有多大代价——一次漏报可能意味着矿压事故，而一次误报只是增加检查成本。所以召回率比准确率重要，precision则决定预警系统会不会被人当成狼来了。

常用指标组合是F1分数和ROC-AUC曲线，其中F1综合了precision和recall，ROC-AUC反映模型在不同阈值下的排序能力。如果比赛评分里有“预警命中率”这一类指标，通常等价于在保证一定召回率的前提下最大化precision，可以输出概率后用阈值扫描。

from sklearn.metrics import precision_recall_curve, f1_score y_proba = model.predict_proba(X_valid)[:, 1] prec, rec, thresh = precision_recall_curve(y_valid, y_proba) f1_scores = 2 * prec * rec / (prec + rec + 1e-9) best_idx = f1_scores.argmax() best_thr = thresh[best_idx] print('最优阈值:', best_thr, 'F1:', f1_scores[best_idx])

阈值扫描这一步在竞赛中非常重要，model.predict默认用0.5做阈值，但对不平衡数据，0.3甚至0.2可能是更优的预警线。获奖作品通常会在论文里给出阈值选择的曲线图，说明为什么最终选用某个阈值，这也是模型落地性和可解释性的体现。

4. 时序交叉验证与预警窗口敏感性：预测模型的落地评估

4.1 时间序列交叉验证与随机划分的差距

很多队伍用train_test_split随机打乱数据，然后在测试集上拿到不错的F1，最后提交盲测却一塌糊涂。原因在于滞后特征和滚动统计让相邻样本之间存在强相关性，随机划分的测试集里包含大量和训练样本紧邻的观测，模型几乎等于“记住了”上下文。

from sklearn.model_selection import TimeSeriesSplit tscv = TimeSeriesSplit(n_splits=5) for fold, (tr_idx, te_idx) in enumerate(tscv.split(X)): print(f'fold {fold}: train {len(tr_idx)}, test {len(te_idx)}')

TimeSeriesSplit按时间顺序切分，每次测试集都在训练集之后，模拟的是“用过去预测未来”的真实场景。在冲击地压预测里，时序交叉验证得到的分数通常会比随机划分低5到10个百分点，这个差距是合理的。如果成绩单上时序验证分数和随机划分几乎一样，要怀疑是不是特征构造里引入了异常信息。

随机划分还有一个衍生问题：同一个冲击地压事件前12小时的样本可能一部分落在训练集、一部分落在测试集，模型在测试时看到的是“同一个危险过程的中间状态”，这属于典型的数据泄漏。用时间序列交叉验证可以彻底避免这种“穿越”。

4.2 不同预警窗口下的召回率与误报实验

预警窗口这个设计变量值得单独做一次敏感性实验。常见做法是固定模型和特征，只改变3.1节里的窗口长度，分别记录召回率、precision和误报率，然后对比。

上面这个表是一个典型结果模式，不同数据会有差异。核心规律是窗口拉长，召回率上升，precision下降。12小时在多数场景下是召回率和误报的平衡点，但这个结论必须从实验里得出来，不能拍脑袋。

我在这类赛题里见过两篇获奖论文，共同点是都会附一张窗口敏感性曲线图，横轴是预警窗口，纵轴是F1和误报率。这个实验的目的是证明自己的模型确实有实用价值，而不是正好在某个参数上撞了好结果。

4.3 停采期与正常生产期：模型稳定性测试

冲击地压监测数据里常有一个特殊时段：矿井停采检修。停采期间监测系统可能关闭，数据出现大段缺失，就算插值回填，物理意义也和正常开采完全不同。模型如果在停采恢复初期连续误报，说明它把插值痕迹当成了危险信号。

# 假设已知停采时间区间 stop_periods = [('2024-02-01', '2024-02-07')] df['阶段'] = '正常' for start, end in stop_periods: mask = (df['日期时间'] >= start) & (df['日期时间'] <= end) df.loc[mask, '阶段'] = '停采'

把样本按阶段分组，分别计算F1和召回率，如果停采期的召回率明显低于正常期，说明模型的可靠性和数据插值策略绑定太紧。这时有两个调整方向：一是停采期单独做一版模型，二是把“距离最近一次停采的天数”作为特征加入模型。第二个方向在论文里更好写，因为它揭示了模型对矿井生产状态的适应性。

5. 冲击地压危险预测里的四个高发坑：现象、原因、解决

5.1 坑1：全样本标准化导致跨时间信息泄漏

现象是模型在交叉验证里F1很高，放到最后一段盲测数据上暴跌。原因是很多队伍在建模前用StandardScaler对整个X做了fit和transform，标准化器里包含了未来的均值和方差。时间序列问题里，测试集的均值和方差本来就不该被模型知道。

解决方法是把标准化放进交叉验证循环内部，每一折只用训练集的数据拟合scaler，再用训练好的scaler转换测试集。

# 错误示范 scaler = StandardScaler().fit(X) X_scaled = scaler.transform(X) # 正确示范 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test)

这条规则对缺失值填充同样适用。如果用全样本均值填充缺失，严格来说也引入了未来信息。训练集和测试集的缺失值要分别处理，哪怕填充策略一样，拟合参数也必须来自训练集。

5.2 坑2：用准确率评价模型，危险样本被完美无视

现象是模型训练完成后准确率85%，提交结果几乎全部预测为“安全”，但比赛评分的命中率部分得了0分。原因是整个建模流程里只盯着准确率，没有看一眼混淆矩阵。

解决方法是训练完第一个模型后，立刻打印混淆矩阵和分类报告。如果发现recall低于0.5，说明模型没有真正学会识别危险。处理手段包括给正样本加权、降低预警阈值、在特征里补充微震能量趋势等。准确率只能作为参考，真正该盯的是召回率和F1。

5.3 坑3：随机切分训练测试集，结果虚高却不自知

现象是随机划分下F1有0.85，换成TimeSeriesSplit之后掉到0.72，队伍开始怀疑模型不稳定。其实模型没有变，是评估方式暴露了真实水平。冲击地压数据高度时间相关，随机划分天然制造了数据泄漏。

解决方法是固定使用TimeSeriesSplit，并且在论文里明确写出“所有评估均基于时序交叉验证”。这是一个很小的代码改动，但对评分影响巨大。评委看过太多随机划分虚高、实际泛化拉胯的作品，你能主动用时序验证本身就是加分项。

5.4 坑4：爆破微震事件没剔除，模型学到的是爆破

现象是模型的特征重要性排行里“最大震级”排第一，而且预测精确率出奇高。原因是爆破产生的高能量震动被记录成微震事件，而这些时间点和危险标签大概率不相关，模型学到的是“爆破后一段时间有高能量=危险”，等于在学爆破规律而不是冲击地压规律。

解决方法是回到2.3节，把爆破前后窗口内的微震事件标记出来并剔除，或者单独加一个“是否爆破后30分钟内”的特征。后者在论文里更好解释，因为它展示了队伍对生产干扰因素的显式建模能力。剔除后模型F1通常会下降，但提交后的盲测分数更稳定，这一点值得在答辩时主动提出来。

6. 从入围到获奖的三个进阶技巧：窗口实验、特征签名与呈现

6.1 把预警窗口当成超参数，给出敏感性证据

普通作品只会说“我们用了12小时预警窗口”，获奖作品会给出窗口从3小时到36小时的完整实验结果，说明为什么选12小时。做法很简单：

windows = [3, 6, 12, 24, 36] for w in windows: y = make_label(danger_times, w) # 复用标签构造函数 f1, rec = train_and_eval(X, y) # 时序交叉验证 print(w, f1, rec)

这个实验的结论通常是一条先升后降的曲线。F1峰值对应的窗口就是业务上的最佳预警时间。把这个过程写进论文，比直接给一个结论有说服力得多。

6.2 用 SHAP 提炼危险特征签名，给评委一份解释

模型拿到F1之后，下一步是解释“什么特征在驱动预警”。SHAP是树模型解释的常见工具，可以输出每个特征对预测结果的贡献方向。冲击地压数据里我常看到的结果是：累计微震能量、应力变化率、顶板位移速度，这三个特征在危险样本中显著偏高。

import shap explainer = shap.TreeExplainer(grid.best_estimator_) shap_values = explainer.shap_values(X_test) shap.summary_plot(shap_values, X_test, feature_names=X_test.columns)

把SHAP结果提炼成两三句话：冲击地压发生前24到48小时，微震累计能量呈现阶梯式上升，同时应力变化率持续为正，这两个信号叠加构成主要预警依据。这部分内容在评委眼里比一堆调参实验更有价值，因为它说明模型不是黑匣子。

6.3 呈现与答辩：三张图讲完整条逻辑链

第一张图是时间轴上的危险概率曲线，横轴是日期，纵轴是模型输出概率，把真实事件时刻标注成竖线，直观展示模型提前多久发出预警。第二张是特征重要性排序图，重点标出应力变化率、累计能量、顶板速度这三个核心特征。第三张是预警窗口敏感性曲线，给出F1随窗口变化的趋势。

这三张图配合时间序列交叉验证的结果，基本上把“是什么数据、怎么做特征、为什么可信”讲清楚了。我做这类题目习惯把答辩时间分成三块：两分钟讲数据清洗和特征构造，三分钟讲模型对比和窗口实验，两分钟讲SHAP特征签名和落地建议。评委问到细节时，再从答辩材料里翻出对应的表格，而不是临场翻代码。

希望这些经验能帮你们少走几个月的弯路。冲击地压预测这道题，模型算法一年比一年卷，但真正拉开差距的始终是数据理解、时序意识和解释深度——这三样做扎实了，获奖是水到渠成的事。

本文还有配套的精品资源，点击获取