数据分析常用类型？

一、数据分析常用类型？

数据分析常用的类型包括以下几种：

1. 描述性统计分析：这种类型的数据分析旨在总结和描述数据集中的所有变量。这包括寻找平均值、中位数、众数、标准差等指标，以及绘制直方图、箱形图、散点图等。

2. 探索性数据分析：探索性数据分析致力于发现新的关系或模式。这种类型的分析通常涉及绘制多个图形，进行聚类和降维等处理。

3. 预测性建模：预测性建模通常使用机器学习算法来构建预测模型，从而预测未来趋势或结果。典型的例子是分类和回归问题，如利用客户历史数据预测某项产品的销售量。

4. 假设检验：假设检验旨在确定某项研究结果是否具有实际意义。例如，如果两组数据之间存在统计显著性，则可以得出结论说这两组数据确实不同。

5. 实验设计：实验设计包括确定实验条件和处理因素，以及预测不同因素之间的相互作用。通过实验设计来优化生产过程，改善产品质量等。

以上是常用的数据分析类型之一，它们都有各自的特点和应用场景，数据分析师可以根据具体的问题和需求来选择适当的类型。

二、excel数据分析常用公式？

常用的分析，可以使用以下几个函数：

1. SUM函数：计算指定区域内的所有单元格的总和；

2. AVERAGE函数：计算指定区域内的所有单元格的平均值；

3. COUNT函数：计算指定区域内的非空单元格的个数；

4. MAX函数：计算指定区域内的最大值；

5. MIN函数：计算指定区域内的最小值；

6. IF函数：根据指定条件来求值；

7. AND函数：仅当所有参数均为 TRUE 时，其结果才为 TRUE；

8. OR函数：只要有任意

三、常用的数据分析工具？

1 有Excel、Python、R、Tableau等。2 Excel是一款功能强大的电子表格软件，可以进行数据的整理、计算和可视化分析。它易于使用，适合初学者和小规模数据分析。3 Python是一种通用编程语言，具有丰富的数据分析库（如pandas、numpy、matplotlib等），可以进行数据处理、统计分析和机器学习等任务。它的灵活性和扩展性使得Python成为数据科学领域的热门工具。4 R是一种专门用于统计分析和数据可视化的编程语言，拥有丰富的统计分析库和图形绘制功能。它在学术界和统计学领域广泛应用。5 Tableau是一款流行的数据可视化工具，可以通过直观的图表和仪表板展示数据，帮助用户更好地理解和发现数据中的模式和趋势。6 此外，还有其他一些数据分析工具如SPSS、SAS、Power BI等，根据具体需求和个人偏好可以选择适合自己的工具。

四、几种常用彩票技术分析方法？

彩票技术分析和基本分析都认为号码的形成是由一定数学概率所决定。

1、走势图整体分析法： 用位置坐标图直观地描绘出历次开奖号码，为满足不同彩民分析需要，可分为奇数走势、偶数走势及整体号码走势，让彩民对开奖号码走势一目了然，分析走势图时充分结合对称、递增、递减、同号等选号原则。从走势图上可以清楚地看到，某段时间内开奖号码表现出明显的对称、递增或递减走势。　　　

2、单位分析法： 通过统计每期开奖号码中个位单位号码出现情况及以前个位出现的情况，可进一步摸清开奖号码的个位走势变化。分析历史统计结果表明，几乎每期开奖号码中都存在相同个位起伏波浪，在其变化的长期观察我们可以判断其起伏的规律，因此投注时有针对选择也个单位的出现情况。　

3、同尾相连重复分析法： 通过统计历次开奖号码中，号码同尾 相连 重复的组合特点，以便更好地选配号码组。从统计结果可以看出，几乎每注中奖号码必然有同尾相连 重复的组合特征。　4. 相关性分析法： 统计出各个号码间的相关系数，以便于选择号码间的搭配。号码ａ与号码ｂ的相关系数定义如下：相关系数＝ａｂ同时出现次数／?ａ出现次数＋ｂ出现次数　。相关系数在一定程度上反映了两个号码间相互依赖性。同样，如果用户选择了某个号码作为重点投注对象，则与其相关系数较大的号码也可作为参考投注对象。　

5、概率分析法： 统计出历次开奖号码中各个号码开出的次数，并把各号码摇出次数及名次按大小进行排列，通过分析比较结果可以看出在指定的分析范围内，某些号码的冷热排名情况。我们把在指定分析范围内摇出次数较多的号码称之为冷门号码，相反称之为热门号码。　

6、分值与比例分析法： 统计出每期开奖号码的总分值、奇偶比例，让用户对号码组合规律有进一步了解。特别是用图示描绘出每期开奖号码的合分值，结合类似应用于股市中的波浪理论，具有很好的分析效果。　

7、数字分析法： 从理论上来说，如果摇奖机中每个球的外部条件一样，那么摇出每个号码球的概率也是一样的，因此，在一定的号码组中各个号码出现的概率也是相同的，数字分析法就是按一定的规律统计每期开奖号码在其中各号码组中的分布规律。博奥彩票软件提供按大小数、除三、除五、除七等进行分组统计，用户据此来制定选号限定规则能在一定程度上提高中奖率。　1、部分随机投注法：用户经过分析后能够确定或排除若干个号码，又想通过运气补足几个号码时，可采用指定必选号码与排除号码，通过随机挑选的方法组成能满足您要求的情况。　2、位置组合投注法：根据各开奖位置上可能出现的号码，组合出所有的号码组， 投注时可根据分析时所选出的号码按从小到大排列，在每一开奖位置中依次填上待选的号码。　3、复式投注法：复式投注固然有中奖率高的优点，但它也存在资金投入太大的缺点，说不定还会全军覆没，我们认为这种投注法少用为妙。最好的办法是通过某种软件进行人为的筛选，只保留符合设定条件的组合。　

4、旋转距阵：旋转距阵也就是我们经常说的缩水方法，在同样性质一定数量的号码后我们在没有资金的情况下，用它既可以保住我们辛苦选择的成果，也可以大大减少我们的投入比例。（目前彩市出现的以各种缩水为幌子，来收取用户高额费用的骗局，彩神彩票网将在近期推出缩水作用，功能，极限率等技术文章，帮助广大彩民认识缩水，合理的使用它。） 　

五、常用的生化分析技术？

生化分析技术就是通过分析身体内血液、尿液、脑脊液以及其他体液的化学物质的变化，来做疾病诊断，尤其是在前期做筛选和判断的时候，提供一种判断依据。

其中血液和尿液是常用的检测物质，脑脊液某些项目才会用，有时还会用到其他体液，比如说唾液。

生化分析技术主要是通过生化分析试剂和生化分析仪结合使用，通过试剂与相关待测物的特异反应，给出特定的光学信号，由生化分析仪记录，与校准品进行比较给出相关待测物的水平。

六、数据分析常用的数据库有？

数据分析中常用的数据库包括以下几种：

1. 关系型数据库（RDBMS）：如MySQL、PostgreSQL、Microsoft SQL Server等，用于存储结构化数据。

2. 非关系型数据库（NoSQL）：如MongoDB、Redis、Cassandra等，用于存储非结构化数据或半结构化数据。

3. 数据仓库（Data Warehouse）：如Amazon Redshift、Google BigQuery等，用于批量处理和分析大规模数据集。

4. 图数据库（Graph Database）：如Neo4j、ArangoDB等，用于存储和查询图形结构的数据。

选择合适的数据库主要取决于具体的业务场景和所需的数据类型。

七、图像数据分析的常用方法？

以下是我的回答，图像数据分析的常用方法包括：图像预处理：包括灰度化、噪声消除、对比度增强等操作，以改善图像质量。特征提取：从图像中提取关键特征，例如颜色、纹理、形状和边缘等。这些特征可以用于分类、识别和聚类等任务。图像分割：将图像划分为多个区域或对象，以便更好地处理和分析。图像分类：使用机器学习算法对图像进行分类，例如基于深度学习的图像分类算法。目标检测：在图像中检测特定对象或特征的位置和边界。图像生成：通过机器学习技术生成全新的图像或从现有图像中生成新的版本。以上只是简单的介绍，如果需要了解更多，建议请教统计学专业人士获取更多帮助。

八、大数据分析的常用方法？

总的分两种：

1列表法将实验数据按一定规律用列表方式表达出来是记录和处理实验数据最常用的方法。

表格的设计要求对应关系清楚、简单明了、有利于发现相关量之间的物理关系；此外还要求在标题栏中注明物理量名称、符号、数量级和单位等；根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。

最后还要求写明表格名称、主要测量仪器的型号、量程和准确度等级、有关环境条件参数如温度、湿度等。

2作图法作图法可以最醒目地表达物理量间的变化关系。从图线上还可以简便求出实验需要的某些结果（如直线的斜率和截距值等），读出没有进行观测的对应点（内插法），或在一定条件下从图线的延伸部分读到测量范围以外的对应点（外推法）。

此外，还可以把某些复杂的函数关系，通过一定的变换用直线图表示出来。

例如半导体热敏电阻的电阻与温度关系为，取对数后得到，若用半对数坐标纸，以lgR为纵轴，以1／T为横轴画图，则为一条直线。

九、利用数据库技术分析大数据技术原理？

数据筛选中数据挖掘的算法分析主要有以下几种。

分类算法分析

分类数据挖掘是通过找出共同事物的相同属性及不同事物间的差异。利用找出的相同点或者不同点将事物分类。决策树的优点在于，其描述简单，当数据量较大时仍能够快速的将数据进行分类。分类算法通常是基于决策树来实现，设定的分类种类都用叶子节点表示，而中间的节点用来表示事物的属性。在构造决策树时候，决策树并不是完全不变的，而是在不断变化的、完善的。通常会对建立的决策树进行实验，如果决策树对所有给定对象分类结果达不到预期要求，就要通过增加些特殊的例子对其进行完善，这一过程会在后续实验中不断进行，直到决策树能够将给定事物进行准确分类，形成较为完善的决策树。

分类算法在构建模型中使用广泛，常用于信用、客户类别分析模型中。在邮件营销中可以使用此分类算法依据已有客户以往的消费信息进行分析，得出购买力较高的客户特征列表，从而对此类客户进行精准营销以获得更多客户。在构建模型时，使用决策树的方法对于以往信息进行分类，得到以前进行消费客户的共同点，收集其共同特征，得出消费用户的主要特性。最后得出一个可以对客户进行判别的决策树，这样就可以对其余客户进行判定，得到较有价值的潜在客户列表。这种基于对已有信息进行分析、判断分类的方法，将已有信息分为不同类别，使得企业更有针对性的为不同类群提供针对性的服务，从而提高企业的决策效率和准确度。

聚类算法分析

聚类算法的作用是将具有相同特征的事物进行分组，又称为群分析。聚类算法可以用来大致判断将对象分为多少组，并提供每组数据的特征值。在聚类分析中可以将给定实例分成不同类别，相同类别中的实例是相关的，但是不向类别之间是不相关的。聚类算法中的重要之处就是分类步骤，在将给定实例分类时，需要先任选一个样本，作为样本中心，然后选定中心距，将小于中心距的实例归入一个集合，将剩下的距中心样本距离大于中心距的归入另一个集合。再在剩余样本中选出新的中心，重复上面步骤，不断形成新的类别，直至将所有样本都归入集合。

从上面步骤可以看出，聚类算法在归类时速度的快慢，受给定中心距的影响。如果给定中心距较小，类别就会相对增多，降低归类速度。同样在聚类算法中，确定将实例分成的类别数也是十分重要的，如果类别较多不但在分类时会耗费太多时间，也会失去分类的意义。但是具体应该分出多少类，并没有一个最优的方法来判定，只能通过估算来计算。通过聚类算法处理过后的数据，同一类中的数据都非常接近，不同类就有种很大差异性。在聚类算法中判断数据间间隔通常利用距离表示，也就是说可以利用函数将数据间任意距离转换成一个实数，通常实数越大表示间距越远。

关联算法分析

关联算法用于表示两事物间关系或依赖。事物问关联通常分为两种，一种是称为相关性，另一种称为关联性。两者都用来表示事物间的关联性，但是前者通常用来表示互联网内容及文档上的关联性，后者通常用于表示电子商务间各网站商品间的关系，但两者并无本质区别。关联算法既然是用来表示两事物问关系或依赖度，那么就需要用定量会来衡量相关度，这一概念被称为支持度，即当某个商品出现时另一商品伴随出现的概率。

关联算法的数据挖掘通常分为两步，第一步就是在集合中寻找出现频率较高的项目组，这些项目组相当于整体记录而言必须达到一定水平。通常会认为设置要分析实体间支持度，如果两实体问支持度大于设定值，则称二者为高频项目组。第二步是利用第一步找出的高频项目组确定二者间关系，这种关系通常由二者间概率表示。即计算A事件出现时B事件出现的概率，公式为(A与B同时出现的概率)/(A出现的概率)，当比值满足既定概率时候，才能说明两事件相关联。关联分析能够从数据库中找出已有数据间的隐含关系，从而利用数据获得潜在价值。

十、常用的数据分析方法有哪些？

数据分析师们，能用到的数据分析分发不外乎我这个回答里涉及到的10个方法，这10个方法都是非常简单易学的。

当然了，前提是你能够彻底理解，并且有案例佐证和辅助理解。刚好我这个回答就每个方法，都给了一个典型案例，帮助各位理解！

在回答中间，我还穿插了一些学习方法和学习路径，供各位快速学习和理解。

那么，我们开始吧。

一、对维度拆解分析法

多维度拆解法就是把复杂问题按照维度拆解成简单问题，观察数据异动，发现问题的原因。

举个例子，比如我们要分析推广效果和留存率的话。

比如这次推广造成了留存率的下降，那么都有哪些原因，会造城留存率下降呢。我们通过经验可以分解出以下原因，

1. 推广方式一（短视频）、推广方式二（海报）、 推广方式三（广告图片）、推广方式四（文章）分别的曝光量、点击量、注册量情况
2. 推广平台A、推广平台B、推广平台C、推广平台D分别的曝光量、点击量、注册量情况
3. 广告语关键词分别带来的曝光量、点击量、注册量情况
4. 商品推广中ABCD产品分别带来的曝光量、点击量、注册量情况

同一推广方式，不同平台之间，哪些留存率更好

相同平台，不同广告词，留存率哪个更好

相同广告词，不同推广平台哪种留存率更好？

以此类推。。。

得出问题的原因

二、对比分析法

对比分析法就是将两个或两个以上的数据进行比较，分析它们的差异，以认识被研究对象的规律，如规模、速度等，并做出正确的判断和评价。

例如电商大促活动月，GMV一定是高于全年月均值的。那这时候就可以和目标值进行对比，看今年的大促活动是否达到目标，如果没有达到可以继续分析是哪个区域、哪个品类、哪个环节出现问题，当然你也可以和行业标准值进行对比，看是否高于行业标准值。

三、假设检验分析法

假设检验分析方法底层思想其实很简单，就是逻辑推理。

假设检验分析方法分为3步：

举个例子：

比如公司发现销售额业绩下降了，可以通过理论出发来提出假设

从产品出发提出的假设：是销售下降原因有可能是产品不能满足用户需求？

从价格出发提出的假设是：价格和竞争对手比可能没有优势？

从渠道出发提出的假设：某个渠道是不是没有货了？

从促销出发提出的假设：活动促销是不是没有效果？

假设你去面试，面试官抛给你一组数据，是某app一周的活跃率，问了一个一个司空见惯的问题：数据中看到了什么问题？你觉着背后的原因是什么？

拿到本类问题要先对数据进行可视化，光从表格上无法看到数据随时间变化的趋势。

比如说根据表格绘制成折线图，这周六数据下降了，根据上篇文章的对比分析法，没有对比就没有好坏，这周六的数据跟这周数据比较是下降的，但是有没有可能这个app本身周六就不活跃呢？

为了更好的进行分析，还要继续问面试官往前几周的数据是什么样的，才能从整体上看出数据在一个较长范围内是怎么变化的，可以看出数据变化的规律。

面试官微微一笑，给了上周的数据。

你一对比，这个APP的规律是每周末的活跃率都有所下降，但是本周六下降的更明显，可以计算出前几周的平均日活跃率和这周六的日活跃率进行对比，发现了这周六的日活跃率下降了5%。

其实如果你想要学习数据分析师的分析方法的话，可以在网上找一些教程，也可以跟着比较厉害的老师学习。目前国内厉害的老师很多，像什么猴子啊，沈浩老师，刘万祥，张文彤老师啊，他们的课程都是很厉害的。

然后知乎最近和猴子老师一起研发了一个数据分析课程，我看了下，课程是从从基础讲起，用大厂实际案例手把手带练数据分析工具和数据分析思维，既能让大家先有系统扎实的基础，又能学完就上手工作，对0基础和漏洞多的人来说是很友好的选择。

我在上完课之后，觉得热血沸腾，当年对数据的热情又回来了，这才决定把数据分析的知识分享出来给大家。

而且我觉得这个课程最厉害的就是整个课程通俗易懂。

比如10大分析方法，依次列觉了案例，让人理解非常透彻

比如为了给同学讲清楚分析防范，举了一个APP日活异动分析的例子

通过这个例子，来解释假设检验分析法

通过对用户问题，产品问题，竞品问题的假设，最终发现是B渠道发生了问题

这么个简单的案例，就把比较高大上的假设分析法讲明白了，这个真的非常厉害。

并且课程不断强调数据分析的万能三步法，这个真的是我们数据分析师经常用到的。

这种方法教给大家，即便是不会excel，不会python，等工具，也能非常快速，通过对数据的处理，完成任务！

所以说这么牛逼的课程，我是第一次见到，所以推荐给各位！

四、相关分析方法

找到两个数据指标之间的相关关系。比如一个APP里，用户反复浏览一款商品，所以他会买吗？

• 一派认为：看的多，说明用户感兴趣，所以会买
• 另一派认为：看了这么久都不买，那肯定不会买了
• 还有一派认为：看多少次跟买不买没关系，得看有没有活动

听听似乎都有理，最后还是得数据说话。这里讨论的，就是：用户浏览行为与消费行为之间，是否有关系的问题。相关分析，即要找出这两个指标之间的关系

五、群组分析方法

“群组分析方法”（也叫同期群分析方法）是按某个特征，将数据分为不同的组，然后比较各组的数据，说白了就是对数据分组然后来对比。这个分析方法在我们生活中经常可见，例如，在学校上体育课的时候，体育老师考虑到男生和女生的运动项目不一样，会把男生分为一组打篮球，女生分为一组跳绳。这其实是按性别对学生进行了分组

比如我们的营销数据就可以按时间进行划分，得到月度季度年度数据，进行专题分析。同时群组分析法也是初级分析方法，为ABtest，相关分析打下基础，甚至是为后期模型建模提供一份力量。因此群组分析法是数据分析师必备技能。

举个例子吧

加入我们要分析不同时间激活用户的留存率问题。

我们按照用户的激活时间，将他们分成了8组，图中对应着8行。

同时统计了这 8 组用户8周的一个留存率变化，形成了如上一个表格。

以2019年1月7日那一周都激活了账户的用户为例，第一周之后，只有70.4％的用户仍然活跃在产品中，处于留存状态，换句话说，14,256 * 70.4％= 10,036个用户继续活跃。

两周后，只有35.9％的用户仍然活跃，也就是 5,118名用户继续活跃。

我们发现，第7和第8组与其他同类组相比具有更高的留存。

那么我们就要分析原因了。

是为什么发生了如此变化，是产品优化了？还是渠道变化了，还是说因为外部环境，比如公关和节日等群体性事件，导致了变化的发生。

六、rfm分析方法

最近1次消费时间间隔(Recency)、消费频率(Frequency)、消费金额(Monetary),通过这3个指标对用户分类的方法称为RFM分析方法

这个方法可以对用户的价值做评判。

但是在这之前，我们可以根据需求，对rfm进行负值，之后对每个用户进行打分，判断用户价值。

• R↑F↑M↑：重要价值客户
• R↑F↑M↓：一般价值客户
• R↑F↓M↑：重要发展客户
• R↑F↓M↓：一般发展客户
• R↓F↑M↑：重要保持客户
• R↓F↑M↓：一般保持客户
• R↓F↓M↑：重要挽留客户
• R↓F↓M↓：一般挽留客户

七、AARRR模型

AARRR模型是一个常见的用户增长研究模型，2A3R对应着用户从来到一个网站/产品到变成这个网站/产品的忠实用户做出自传播的完整生命周期。

比如我们研究猪八戒网，或者其他的网站，就可以按照下面的思路。

猪八戒网在用户获取后的激活（Activation）、留存（Retention）、付费（Revenue）、自传播（Referral）环节分别做的如何

1、Acquisition（获客）：用户从哪里来？

答：猪八戒网的主要获客方式是SEM

2、Acvatation（激活）：用户下单了吗？

作为一个服务交易平台用户是否每天来到这个网站并没有那么重要，用户是否来到平台后还能产生一个订单，进行一次以上的完整交易流程，才能更好的判断用户是否被激活

3、Retention（留存）：用户还会回来吗？

假设用户已经在猪八戒网产生了一个订单，那么用户还会回来吗？

4、Revenue（付费）：如何让用户付钱？

产生消费行为需要一些触发机制，比如李佳琦在直播间内常说的：“OMG，买它！”，听得时间常了就会让用户产生一种下单试试的想法 。

猪八戒在每个订单的详情页都有着明显的付费提示，这种触发方式现在是否被用户所接受呢？

5、Referral（自传播）：用户愿意帮你宣传吗？

让用户用自己的私域流量帮一个产品做宣传 ，TA为什么原因？

八、漏斗分析法

漏斗是对一个连续的操作步骤的形象称呼。举个简单的例子，当你打开电商APP想买东西的时候，你至少会经历以下几步：

• 打开APP进入首页
• 点击首页上某个商品广告页
• 进去商品详情页，看了觉得还不错，点购物车
• 进入购物车页面，填快递信息，点支付
• 进入支付页面，完成支付，商家发货

全部做完，一共经历了：首页→广告页→详情页→购物车→支付，五个步骤。这五个步骤缺一不可，因此存在前后关系。即必须完成前一步，才能继续完成后一步。

但并非所有人都能一帆风顺走完这四个步骤。

有的人不喜欢商品的广告，连广告页都不进去。

有的人发现实物不咋好看，在详情页就走掉了。

有的人觉得价格实在太贵，在购物车页走掉了。

总之，很多人最后没有完成支付。

九、回归分析方法

回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。

比如说，在当前的经济条件下，你要估计一家公司的销售额增长情况。现在，你有公司最新的数据，这些数据显示出销售额增长大约是经济增长的2.5倍。那么使用回归分析，我们就可以根据当前和过去的信息来预测未来公司的销售情况。

十、逻辑树分析方法

逻辑树分析法，又称为麦肯锡逻辑树，其最大的优势在于，将繁杂的数据工作细分为多个关系密切的部分，不断地分解问题，帮助人们在纷繁复杂的现象中找出关键点，推动问题的解决。

运用逻辑树分析法的步骤

第一步:确定需要解决的问题。

也就是说将原本模糊笼统的问题,确定为一个个具体的、单纯的问题。

第二步:分解问题。

将问题的各个结构拆分成一个个更细致的的、互相独立的部分。

第三步:剔除次要问题。

针对各个部分再依次进行分析,找出问题的关键点,剔除那些不重要的。

第四部:进行关键分析。

针对关键驱动点，集思广益找出解决方案。

第五步:制定方案。

将思维过程转化为可执行的计划。

比如维基百科上有一个“芝加哥有多少调琴师”的例子。贴到这里：

如果芝加哥居民300万，平均每户4人，拥有钢琴的家庭占1/3，则全市有250000架钢琴。如果一架钢琴每5年调音一次，则全市每年有50000架钢琴要调音。如果一个调音师一天调4架钢琴，一年工作250天，那么，芝加哥市大约有50个调音师。

这就是利用逻辑树来解决费米问题的案例。

对于初学者，我的建议是跟着老师学习，最好是同时有长期教课经验和牛逼工作经验的老师，保证他确实是一个实战数据分析大佬，又确实能教会别人，两者缺一，要不然就是把你教成书呆子，要不就是大肚茶壶倒饺子——有货说不出。

我个人依然推荐知乎的数据分析课程，主讲老师是前IBM数据分析大佬猴子，课程是结合国内互联网一线大厂的案例（如下图），从基础讲起，用案例讲知识点，带练Excel，power BI，SQL等数据分析工具，传授数据分析常用十大分析方法，通过大厂的实际数据案例实操，让大家扎扎实实学会这些都东西，对小白来说是很友好的选择。

报名方法依然是点击下面链接即可：