做數據分析要會(huì )哪些分析方法(數據分析方法)
1.數據分析方法有哪些
一、描述性統計
描述性統計是一類(lèi)統計方法的匯總，揭示了數據分布特性。它主要包括數據的頻數分析、數據的集中趨勢分析、數據離散程度分析、數據的分布以及一些基本的統計圖形。
1、缺失值填充：常用方法有剔除法、均值法、決策樹(shù)法。
2、正態(tài)性檢驗：很多統計方法都要求數值服從或近似服從正態(tài)分布，所以在做數據分析之前需要進(jìn)行正態(tài)性檢驗。常用方法：非參數檢驗的K-量檢驗、P-P圖、Q-Q圖、W檢驗、動(dòng)差法。
二、回歸分析
回歸分析是應用極其廣泛的數據分析方法之一。它基于觀(guān)測數據建立變量間適當的依賴(lài)關(guān)系，以分析數據內在規律。
1. 一元線(xiàn)性分析
只有一個(gè)自變量X與因變量Y有關(guān)，X與Y都必須是連續型變量，因變量Y或其殘差必須服從正態(tài)分布。
2. 多元線(xiàn)性回歸分析
使用條件：分析多個(gè)自變量X與因變量Y的關(guān)系，X與Y都必須是連續型變量，因變量Y或其殘差必須服從正態(tài)分布。
3.Logistic回歸分析
線(xiàn)性回歸模型要求因變量是連續的正態(tài)分布變量，且自變量和因變量呈線(xiàn)性關(guān)系，而Logistic回歸模型對因變量的分布沒(méi)有要求，一般用于因變量是離散時(shí)的情況。
4. 其他回歸方法：非線(xiàn)性回歸、有序回歸、Probit回歸、加權回歸等。
三、方差分析
使用條件：各樣本須是相互獨立的隨機樣本；各樣本來(lái)自正態(tài)分布總體；各總體方差相等。
1. 單因素方差分析：一項試驗只有一個(gè)影響因素，或者存在多個(gè)影響因素時(shí)，只分析一個(gè)因素與響應變量的關(guān)系。
2. 多因素有交互方差分析：一頊實(shí)驗有多個(gè)影響因素，分析多個(gè)影響因素與響應變量的關(guān)系，同時(shí)考慮多個(gè)影響因素之間的關(guān)系
3. 多因素無(wú)交互方差分析：分析多個(gè)影響因素與響應變量的關(guān)系，但是影響因素之間沒(méi)有影響關(guān)系或忽略影響關(guān)系
4. 協(xié)方差分祈：傳統的方差分析存在明顯的弊端，無(wú)法控制分析中存在的某些隨機因素，降低了分析結果的準確度。協(xié)方差分析主要是在排除了協(xié)變量的影響后再對修正后的主效應進(jìn)行方差分析，是將線(xiàn)性回歸與方差分析結合起來(lái)的一種分析方法。
四、假設檢驗
1. 參數檢驗
參數檢驗是在已知總體分布的條件下（一股要求總體服從正態(tài)分布）對一些主要的參數（如均值、百分數、方差、相關(guān)系數等）進(jìn)行的檢驗 。
2. 非參數檢驗
非參數檢驗則不考慮總體分布是否已知，常常也不是針對總體參數，而是針對總體的某些一般性假設（如總體分布的位罝是否相同，總體分布是否正態(tài)）進(jìn)行檢驗。
適用情況：順序類(lèi)型的數據資料，這類(lèi)數據的分布形態(tài)一般是未知的。
1）雖然是連續數據，但總體分布形態(tài)未知或者非正態(tài)；
2）總體分布雖然正態(tài)，數據也是連續類(lèi)型，但樣本容量極小，如10以下；
主要方法包括：卡方檢驗、秩和檢驗、二項檢驗、游程檢驗、K-量檢驗等。
2.數據分析的方法有哪些
分析大數據，R語(yǔ)言和Linux系統比較有幫助，運用到的方法原理可以翻翻大學(xué)的統計學(xué)，不需要完全理解，重在應用。
分析簡(jiǎn)單數據，Excel就可以了。Excel本意就是智能，功能很強，容易上手。我沒(méi)有見(jiàn)過(guò)有人說(shuō)自己精通Excel的，最多是熟悉Excel。Excel的函數可以幫助你處理大部分數據。
數據分析是指用適當的統計分析方法對收集來(lái)的大量數據進(jìn)行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過(guò)程。這一過(guò)程也是質(zhì)量管理體系的支持過(guò)程。在實(shí)用中，數據分析可幫助人們作出判斷，以便采取適當行動(dòng)。
數據分析的數學(xué)基礎在20世紀早期就已確立，但直到計算機的出現才使得實(shí)際操作成為可能，并使得數據分析得以推廣。數據分析是數學(xué)與計算機科學(xué)相結合的產(chǎn)物。
“啤酒與尿布”的故事產(chǎn)生于20世紀90年代的美國沃爾瑪超市中，沃爾瑪的超市管理人員分析銷(xiāo)售數據時(shí)發(fā)現了一個(gè)令人難于理解的現象：在某些特定的情況下，“啤酒”與“尿布”兩件看上去毫無(wú)關(guān)系的商品會(huì )經(jīng)常出現在同一個(gè)購物籃中，這種獨特的銷(xiāo)售現象引起了管理人員的注意，經(jīng)過(guò)后續調查發(fā)現，這種現象出現在年輕的父親身上。
在美國有嬰兒的家庭中，一般是母親在家中照看嬰兒，年輕的父親前去超市購買(mǎi)尿布。父親在購買(mǎi)尿布的同時(shí)，往往會(huì )順便為自己購買(mǎi)啤酒，這樣就會(huì )出現啤酒與尿布這兩件看上去不相干的商品經(jīng)常會(huì )出現在同一個(gè)購物籃的現象。如果這個(gè)年輕的父親在賣(mài)場(chǎng)只能買(mǎi)到兩件商品之一，則他很有可能會(huì )放棄購物而到另一家商店， 直到可以一次同時(shí)買(mǎi)到啤酒與尿布為止。沃爾瑪發(fā)現了這一獨特的現象，開(kāi)始在賣(mài)場(chǎng)嘗試將啤酒與尿布擺放在相同的區域，讓年輕的父親可以同時(shí)找到這兩件商品，并很快地完成購物；而沃爾瑪超市也可以讓這些客戶(hù)一次購買(mǎi)兩件商品、而不是一件，從而獲得了很好的商品銷(xiāo)售收入，這就是“啤酒與尿布” 故事的由來(lái)。
當然“啤酒與尿布”的故事必須具有技術(shù)方面的支持。1993年美國學(xué)者Agrawal提出通過(guò)分析購物籃中的商品集合，從而找出商品之間關(guān)聯(lián)關(guān)系的關(guān)聯(lián)算法，并根據商品之間的關(guān)系，找出客戶(hù)的購買(mǎi)行為。艾格拉沃從數學(xué)及計算機算法角度提 出了商品關(guān)聯(lián)關(guān)系的計算方法——Aprior算法。沃爾瑪從上個(gè)世紀 90 年代嘗試將 Aprior 算 法引入到 POS機數據分析中，并獲得了成功，于是產(chǎn)生了“啤酒與尿布”的故事。
3.數據分析方法5種,數據分析有什么方法
借助工具，未至科技魔方是一款大數據模型平臺，是一款基于服務(wù)總線(xiàn)與分布式云計算兩大技術(shù)架構的一款數據分析、挖掘的工具平臺，其采用分布式文件系統對數據進(jìn)行存儲，支持海量數據的處理。
采用多種的數據采集技術(shù)，支持結構化數據及非結構化數據的采集。通過(guò)圖形化的模型搭建工具，支持流程化的模型配置。
通過(guò)第三方插件技術(shù)，很容易將其他工具及服務(wù)集成到平臺中去。數據分析研判平臺就是海量信息的采集，數據模型的搭建，數據的挖掘、分析最后形成知識服務(wù)于實(shí)戰、服務(wù)于決策的過(guò)程，平臺主要包括數據采集部分，模型配置部分，模型執行部分及成果展示部分等。
4.常用的數據分析方法有哪些
一、掌握基礎、更新知識。
基本技術(shù)怎么強調都不過(guò)分。這里的術(shù)更多是（計算機、統計知識）， 多年做數據分析、數據挖掘的經(jīng)歷來(lái)看、以及業(yè)界朋友的交流來(lái)看，這點(diǎn)大家深有感觸的。
數據庫查詢(xún)—SQL 數據分析師在計算機的層面的技能要求較低，主要是會(huì )SQL，因為這里解決一個(gè)數據提取的問(wèn)題。有機會(huì )可以去逛逛一些專(zhuān)業(yè)的數據論壇，學(xué)習一些SQL技巧、新的函數，對你工作效率的提高是很有幫助的。
統計知識與數據挖掘 你要掌握基礎的、成熟的數據建模方法、數據挖掘方法。例如：多元統計：回歸分析、因子分析、離散等，數據挖掘中的：決策樹(shù)、聚類(lèi)、關(guān)聯(lián)規則、神經(jīng)網(wǎng)絡(luò )等。
但是還是應該關(guān)注一些博客、論壇中大家對于最新方法的介紹，或者是對老方法的新運用，不斷更新自己知識，才能跟上時(shí)代，也許你工作中根本不會(huì )用到，但是未來(lái)呢？行業(yè)知識 如果數據不結合具體的行業(yè)、業(yè)務(wù)知識，數據就是一堆數字，不代表任何東西。是冷冰冰，是不會(huì )產(chǎn)生任何價(jià)值的，數據驅動(dòng)營(yíng)銷(xiāo)、提高科學(xué)決策一切都是空的。
一名數據分析師，一定要對所在行業(yè)知識、業(yè)務(wù)知識有深入的了解。例如：看到某個(gè)數據，你首先必須要知道，這個(gè)數據的統計口徑是什么？是如何取出來(lái)的？這個(gè)數據在這個(gè)行業(yè)， 在相應的業(yè)務(wù)是在哪個(gè)環(huán)節是產(chǎn)生的？數值的代表業(yè)務(wù)發(fā)生了什么（背景是什么）？對于A(yíng)部門(mén)來(lái)說(shuō)，本月新會(huì )員有10萬(wàn)，10萬(wàn)好還是不好呢？先問(wèn)問(wèn)上面的這個(gè)問(wèn)題：對于A(yíng)部門(mén)，1、新會(huì )員的統計口徑是什么。
第一次在使用A部門(mén)的產(chǎn)品的會(huì )員？還是在站在公司角度上說(shuō)，第一次在公司發(fā)展業(yè)務(wù)接觸的會(huì )員？2、是如何統計出來(lái)的。A：時(shí)間；是通過(guò)創(chuàng )建時(shí)間，還是業(yè)務(wù)完成時(shí)間。
B：業(yè)務(wù)場(chǎng)景。是只要與業(yè)務(wù)發(fā)接觸，例如下了單，還是要業(yè)務(wù)完成后，到成功支付。
3、這個(gè)數據是在哪個(gè)環(huán)節統計出來(lái)。在注冊環(huán)節，在下單環(huán)節，在成功支付環(huán)節。
4、這個(gè)數據代表著(zhù)什么。10萬(wàn)高嗎？與歷史相同比較？是否做了營(yíng)銷(xiāo)活動(dòng)？這個(gè)行業(yè)處理行業(yè)生命同期哪個(gè)階段？在前面二點(diǎn)，更多要求你能按業(yè)務(wù)邏輯，來(lái)進(jìn)行數據的提取（更多是寫(xiě)SQL代碼從數據庫取出數據）。
后面二點(diǎn)，更重要是對業(yè)務(wù)了解，更行業(yè)知識了解，你才能進(jìn)行相應的數據解讀，才能讓數據產(chǎn)生真正的價(jià)值，不是嗎？對于新進(jìn)入數據行業(yè)或者剛進(jìn)入數據行業(yè)的朋友來(lái)說(shuō)：行業(yè)知識都重要，也許你看到很多的數據行業(yè)的同仁，在微博或者寫(xiě)文章說(shuō)，數據分析思想、行業(yè)知識、業(yè)務(wù)知識很重要。我非常同意。
因為作為數據分析師，在發(fā)表任何觀(guān)點(diǎn)的時(shí)候，都不要忘記你居于的背景是什么？但大家一定不要忘記了一些基本的技術(shù)，不要把基礎去忘記了，如果一名數據分析師不會(huì )寫(xiě)SQL，那麻煩就大了。哈哈。
你只有把數據先取對了，才能正確的分析，否則一切都是錯誤了，甚至會(huì )導致致命的結論。
新同學(xué)，還是好好花時(shí)間把基礎技能學(xué)好。因為基礎技能你可以在短期內快速提高，但是在行業(yè)、業(yè)務(wù)知識的是一點(diǎn)一滴的積累起來(lái)的，有時(shí)候是急不來(lái)的，這更需要花時(shí)間慢慢去沉淀下來(lái)。
不要過(guò)于追求很高級、高深的統計方法，我提倡有空還是要多去學(xué)習基本的統計學(xué)知識，從而提高工作效率，達到事半功倍。以我經(jīng)驗來(lái)說(shuō)，我負責任告訴新進(jìn)的同學(xué)，永遠不要忘記基本知識、基本技能的學(xué)習。
二、要有三心。1、細心。
2、耐心。3、靜心。
數據分析師其實(shí)是一個(gè)細活，特別是在前文提到的例子中的前面二點(diǎn)。而且在數據分析過(guò)程中，是一個(gè)不斷循環(huán)迭代的過(guò)程，所以一定在耐心，不怕麻煩，能靜下心來(lái)不斷去修改自己的分析思路。
三、形成自己結構化的思維。數據分析師一定要嚴謹。
而嚴謹一定要很強的結構化思維，如何提高結構化思維，也許只需要工作隊中不斷的實(shí)踐。但是我推薦你用mindmanagement，首先把你的整個(gè)思路整理出來(lái)，然后根據分析不斷深入、得到的信息不斷增加的情況下去完善你的結構，慢慢你會(huì )形成一套自己的思想。
當然有空的時(shí)候去看看《麥肯錫思維》、結構化邏輯思維訓練的書(shū)也不錯。在我以為多看看你身邊更資深同事的報告，多問(wèn)問(wèn)他們是怎么去考慮這個(gè)問(wèn)題的，別人的思想是怎么樣的？他是怎么構建整個(gè)分析體系的。
四、業(yè)務(wù)、行業(yè)、商業(yè)知識。當你掌握好前面的基本知識和一些技巧性東西的時(shí)候，你應該在業(yè)務(wù)、行業(yè)、商業(yè)知識的學(xué)習與積累上了。
這個(gè)放在最后，不是不重要，而且非常重要，如果前面三點(diǎn)是決定你能否進(jìn)入這個(gè)行業(yè)，那么這則是你進(jìn)入這個(gè)行業(yè)后，能否成功的最根本的因素。 數據與具體行業(yè)知識的關(guān)系，比作池塘中魚(yú)與水的關(guān)系一點(diǎn)都不過(guò)分，數據（魚(yú)）離開(kāi)了行業(yè)、業(yè)務(wù)背景（水）是死的，是不可能是“活”。
而沒(méi)有“魚(yú)”的水，更像是“死”水，你去根本不知道看什么（方向在哪）。如何提高業(yè)務(wù)知識，特別是沒(méi)有相關(guān)背景的同學(xué)。
很簡(jiǎn)單，我總結了幾點(diǎn)：1、多向業(yè)務(wù)部門(mén)的同事請教，多溝通。多向他們請教，數據分析師與業(yè)務(wù)部門(mén)沒(méi)有利益沖突，而更向是共生體，所以如果你態(tài)度好，相信業(yè)務(wù)部門(mén)的同事也很愿意把他們知道的告訴你。
2、永遠不要忘記了google大神，定制一些行業(yè)的關(guān)鍵字，每天都先看看定制的郵件。3、每天有空去瀏。
5.數據分析的基本方法有哪些
數據分析的三個(gè)常用方法：
1. 數據趨勢分析
趨勢分析一般而言，適用于產(chǎn)品核心指標的長(cháng)期跟蹤，比如，點(diǎn)擊率，GMV，活躍用戶(hù)數等。做出簡(jiǎn)單的數據趨勢圖，并不算是趨勢分析，趨勢分析更多的是需要明確數據的變化，以及對變化原因進(jìn)行分析。
趨勢分析，最好的產(chǎn)出是比值。在趨勢分析的時(shí)候需要明確幾個(gè)概念：環(huán)比，同比，定基比。環(huán)比是指，是本期統計數據與上期比較，例如2019年2月份與2019年1月份相比較，環(huán)比可以知道最近的變化趨勢，但是會(huì )有些季節性差異。為了消除季節差異，于是有了同比的概念，例如2019年2月份和2018年2月份進(jìn)行比較。定基比更好理解，就是和某個(gè)基點(diǎn)進(jìn)行比較，比如2018年1月作為基點(diǎn)，定基比則為2019年2月和2018年1月進(jìn)行比較。
比如：2019年2月份某APP月活躍用戶(hù)數我2000萬(wàn)，相比1月份，環(huán)比增加2%，相比去年2月份，同比增長(cháng)20%。趨勢分析另一個(gè)核心目的則是對趨勢做出解釋?zhuān)瑢τ谮厔菥€(xiàn)中明顯的拐點(diǎn)，發(fā)生了什么事情要給出合理的解釋?zhuān)瑹o(wú)論是外部原因還是內部原因。
2. 數據對比分析
數據的趨勢變化獨立的看，其實(shí)很多情況下并不能說(shuō)明問(wèn)題，比如如果一個(gè)企業(yè)盈利增長(cháng)10%，我們并無(wú)法判斷這個(gè)企業(yè)的好壞，如果這個(gè)企業(yè)所處行業(yè)的其他企業(yè)普遍為負增長(cháng)，則5%很多，如果行業(yè)其他企業(yè)增長(cháng)平均為50%，則這是一個(gè)很差的數據。
對比分析，就是給孤立的數據一個(gè)合理的參考系，否則孤立的數據毫無(wú)意義。在此我向大家推薦一個(gè)大數據技術(shù)交流圈： 658558542 突破技術(shù)瓶頸，提升思維能力 。
一般而言，對比的數據是數據的基本面，比如行業(yè)的情況，全站的情況等。有的時(shí)候，在產(chǎn)品迭代測試的時(shí)候，為了增加說(shuō)服力，會(huì )人為的設置對比的基準。也就是A/B test。
比較試驗最關(guān)鍵的是A/B兩組只保持單一變量，其他條件保持一致。比如測試首頁(yè)改版的效果，就需要保持A/B兩組用戶(hù)質(zhì)量保持相同，上線(xiàn)時(shí)間保持相同，來(lái)源渠道相同等。只有這樣才能得到比較有說(shuō)服力的數據。
3. 數據細分分析
在得到一些初步結論的時(shí)候，需要進(jìn)一步地細拆，因為在一些綜合指標的使用過(guò)程中，會(huì )抹殺一些關(guān)鍵的數據細節，而指標本身的變化，也需要分析變化產(chǎn)生的原因。這里的細分一定要進(jìn)行多維度的細拆。常見(jiàn)的拆分方法包括：
分時(shí) ：不同時(shí)間短數據是否有變化。
分渠道 ：不同來(lái)源的流量或者產(chǎn)品是否有變化。
分用戶(hù) ：新注冊用戶(hù)和老用戶(hù)相比是否有差異，高等級用戶(hù)和低等級用戶(hù)相比是否有差異。
分地區 ：不同地區的數據是否有變化。
組成拆分 ：比如搜索由搜索詞組成，可以拆分不同搜索詞；店鋪流量由不用店鋪產(chǎn)生，可以分拆不同的店鋪。
細分分析是一個(gè)非常重要的手段，多問(wèn)一些為什么，才是得到結論的關(guān)鍵，而一步一步拆分，就是在不斷問(wèn)為什么的過(guò)程。
6.做數據分析時(shí)有哪些方法論
完整的數據分析流程：
? 業(yè)務(wù)建模。
? 經(jīng)驗分析。
? 數據準備。
? 數據處理。
? 數據分析與展現。
? 專(zhuān)業(yè)報告。
? 持續驗證與跟蹤。
作為數據分析師，無(wú)論最初的職業(yè)定位方向是技術(shù)還是業(yè)務(wù)，最終發(fā)到一定階段后都會(huì )承擔數據管理的角色。比如：
數據提取：將數據取出的過(guò)程，數據提取的核心環(huán)節是從哪取、何時(shí)取、如何取。
? 從哪取，數據來(lái)源——不同的數據源得到的數據結果未必一致。
? 何時(shí)取，提取時(shí)間——不同時(shí)間取出來(lái)的數據結果未必一致。
? 如何取，提取規則——不同提取規則下的數據結果很難一致。
在數據提取階段，數據分析師首先需要具備數據提取能力。其次是理解業(yè)務(wù)需求的能力。
7.數據分析的方法有哪些
總的分兩種：
1 列表法
將實(shí)驗數據按一定規律用列表方式表達出來(lái)是記錄和處理實(shí)驗數據最常用的方法。表格的設計要求對應關(guān)系清楚、簡(jiǎn)單明了、有利于發(fā)現相關(guān)量之間的物理關(guān)系；此外還要求在標題欄中注明物理量名稱(chēng)、符號、數量級和單位等；根據需要還可以列出除原始數據以外的計算欄目和統計欄目等。最后還要求寫(xiě)明表格名稱(chēng)、主要測量?jì)x器的型號、量程和準確度等級、有關(guān)環(huán)境條件參數如溫度、濕度等。
2 作圖法
作圖法可以最醒目地表達物理量間的變化關(guān)系。從圖線(xiàn)上還可以簡(jiǎn)便求出實(shí)驗需要的某些結果（如直線(xiàn)的斜率和截距值等），讀出沒(méi)有進(jìn)行觀(guān)測的對應點(diǎn)（內插法），或在一定條件下從圖線(xiàn)的延伸部分讀到測量范圍以外的對應點(diǎn)（外推法）。此外，還可以把某些復雜的函數關(guān)系，通過(guò)一定的變換用直線(xiàn)圖表示出來(lái)。例如半導體熱敏電阻的電阻與溫度關(guān)系為，取對數后得到，若用半對數坐標紙，以lgR為縱軸，以1/T為橫軸畫(huà)圖，則為一條直線(xiàn)。
8.數據分析需要分析哪些方面
數據分析（Data Analysis） 數據分析概念
數據分析是指用適當的統計方法對收集來(lái)的大量第一手資料和第二手資料進(jìn)行分析，以求最大化地開(kāi)發(fā)數據資料的功能，發(fā)揮數據的作用。是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過(guò)程。
數據也稱(chēng)觀(guān)測值，是實(shí)驗、測量、觀(guān)察、調查等的結果，常以數量的形式給出。
數據分析與數據挖掘密切相關(guān)，但數據挖掘往往傾向于關(guān)注較大型的數據集，較少側重于推理，且常常采用的是最初為另外一種不同目的而采集的數據。 數據分析的目的與意義
數據分析的目的是把隱沒(méi)在一大批看來(lái)雜亂無(wú)章的數據中的信息集中、萃取和提煉出來(lái)，以找出所研究對象的內在規律。
9.如何做數據分析
數據分析是指用適當的統計分析方法對收集來(lái)的大量數據進(jìn)行分析，將它們加以匯總和理解并消化，以求最大化地開(kāi)發(fā)數據的功能，發(fā)揮數據的作用。數據分析是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過(guò)程。數據也稱(chēng)觀(guān)測值，是實(shí)驗、測量、觀(guān)察、調查等的結果，常以數量的形式給出。通過(guò)不斷的摸索與發(fā)展，現形成了一門(mén)獨立的學(xué)科——數據挖掘與客戶(hù)關(guān)系管理碩士。
具體方法
數據分析有極廣泛的應用范圍。典型的數據分析可能包含以下三個(gè)步：
1、探索性數據分析：當數據剛取得時(shí)，可能雜亂無(wú)章，看不出規律，通過(guò)作圖、造表、用各種形式的方程擬合，計算某些特征量等手段探索規律性的可能形式，即往什么方向和用何種方式去尋找和揭示隱含在數據中的規律性。
2、模型選定分析，在探索性分析的基礎上提出一類(lèi)或幾類(lèi)可能的模型，然后通過(guò)進(jìn)一步的分析從中挑選一定的模型。
3、推斷分析：通常使用數理統計方法對所定模型或估計的可靠程度和精確程度作出推斷。
數據分析軟件：
Excel是最簡(jiǎn)單的，但是也就只能做很簡(jiǎn)單的數據分析
Finereport 兼顧了基本的數據錄入與展現功能，一般的數據源都支持，學(xué)習成本比較低，比較適合企業(yè)級用戶(hù)使用
