简介这份资源是面向电气电子类竞赛参赛者与毕业设计学生的电力AI项目源码包围绕“大航杯·智造扬中”赛题展开聚焦电力系统与人工智能结合的实际工程问题如能源优化分配、电网智能管理、设备故障预测及可再生能源利用等。包内共18个文件以Python脚本为核心涵盖数据切分、特征提取、模型构建与可视化等模块另含CSV数据表、XML配置、Shell运行脚本、PNG特征重要性图及README说明压缩包约835KB结构紧凑、便于按模块研读。目前已有44人学习下载。读者可从中获取完整的赛题实现思路包括算法设计、数据处理流程、模型训练与评估细节以及一键运行脚本和依赖配置适合作为竞赛复盘、课程实践或毕业设计的参考模板帮助理解从理论到可运行代码的转化过程。1. 从一份电赛资源包说起电力AI大赛里到底塞了什么如果你正在准备电赛尤其是电力电子方向或者AI电力交叉方向的赛题手头大概率已经攒了一堆命名混乱的压缩包。我这次拆的是「大航杯“智造扬中”电力AI大赛_1.zip」名字里带“电赛”和“电力AI大赛”看起来像是某个校级或企业冠名赛事的资料合集。打开之前我以为里面就是几份题目PDF加一个说明文档结果解压后目录结构比预想的要完整有赛题说明、数据集样本、参考代码框架还有几份往届的评分细则。对于正在找电力AI赛题练手、或者想摸清这类比赛出题套路的人来说这份资源的价值不在于它有多“新”而在于它把从题目到数据到基线代码的链路基本凑齐了。适合谁适合已经学过Python基础、用过pandas和sklearn、但对电力场景下的负荷预测或故障诊断还没有完整项目经验的人。如果你连numpy数组切片都还不熟建议先补基础再回来拆这个包。2. 拆包先看目录电力AI赛题的数据长什么样2.1 解压后的目录结构与文件类型判断拿到压缩包第一步不是急着跑代码而是把目录树看清楚。我习惯用tree命令或者直接在文件管理器里按类型排序。这份资源解压后大致是三层结构顶层是赛题说明和评分标准中间层是数据文件夹底层是参考代码和提交模板。数据文件夹里常见的是CSV和Excel偶尔会有MAT文件——电力系统仿真数据经常用MAT格式存。先确认文件扩展名再决定用什么工具读。# 查看解压后的目录结构只看两层深度 tree -L 2 -h --filelimit 20 # 如果系统没有tree用find替代 find . -maxdepth 2 -type f | head -50tree的-L 2限制显示深度避免目录太深刷屏-h显示人类可读的文件大小方便判断哪个是主数据文件。如果发现某个CSV有几十MB而其他都是几KB那大概率它就是训练集主体。注意Windows下如果解压后中文文件名乱码是压缩时编码的问题用7-Zip打开时在“代码页”里选UTF-8或者GBK试一下别急着重新下载。2.2 用pandas快速摸清数据字段和缺失情况电力AI赛题的数据通常有几类字段时间戳、负荷值、温度、湿度、电价、设备ID、故障标签。先别管业务含义用pandas把每个表的形状、列名、缺失率、数据类型打出来五分钟就能对数据质量有个底。import pandas as pd import os # 遍历数据目录下所有CSV文件输出基本信息 data_dir ./data for fname in os.listdir(data_dir): if fname.endswith(.csv): fpath os.path.join(data_dir, fname) df pd.read_csv(fpath, nrows5000) # 先读5000行探路 print(f {fname} ) print(f形状: {df.shape}) print(f列名: {list(df.columns)}) print(f缺失率:\n{df.isnull().mean().round(3)}) print(f类型:\n{df.dtypes}) print(---)nrows5000是为了避免大文件一次性读入内存先探路再决定是否全量加载。isnull().mean()直接给出每列缺失比例比isnull().sum()更直观——缺失率超过30%的列要警惕要么是采集设备掉线要么是字段本身就不该用。如果发现时间列是字符串格式后面做时序特征前必须转成datetime否则按时间排序会出错。这一步做完你基本能判断这份数据是“能直接跑”还是“得先洗”。2.3 参考代码框架的入口文件识别参考代码文件夹里通常有个main.py或者run.py但也可能叫train.py。先看文件大小和修改时间最近修改的、体积适中的那个大概率是入口。用head命令快速扫一眼开头几十行看import了哪些库就能判断技术栈。# 查看Python文件的开头识别依赖和入口 head -30 ./code/main.py # 统计代码目录下各文件行数找核心逻辑 wc -l ./code/*.py | sort -nhead -30足够看到import区和全局配置。如果看到import torch或import tensorflow说明是深度学习方案如果只有sklearn和xgboost那就是传统机器学习路线。wc -l按行数排序行数最多的那个文件往往是特征工程或模型定义的核心值得优先精读。注意有些参考代码会硬编码数据路径直接跑会报FileNotFoundError先把路径改成你本地的实际路径再执行。3. 把数据喂给模型从特征工程到基线提交3.1 电力负荷数据的时序特征构造电力AI赛题里最常见的任务是负荷预测或异常检测。负荷预测的核心是把时间序列转成监督学习问题用过去N个时刻的值预测未来M个时刻的值。常见做法是构造滑窗特征再加上时间派生特征小时、星期、是否节假日。import pandas as pd import numpy as np # 假设df有timestamp和load两列 df pd.read_csv(./data/load.csv, parse_dates[timestamp]) df df.sort_values(timestamp).reset_index(dropTrue) # 时间派生特征 df[hour] df[timestamp].dt.hour df[dayofweek] df[timestamp].dt.dayofweek df[is_weekend] (df[dayofweek] 5).astype(int) # 滑窗特征过去6个时刻的负荷值 for lag in range(1, 7): df[fload_lag_{lag}] df[load].shift(lag) # 滑动平均 df[load_roll_mean_6] df[load].rolling(window6).mean() # 丢弃因滑窗产生的NaN行 df df.dropna().reset_index(dropTrue) print(df.head())shift(lag)把前一时刻的值挪到当前行构造出“历史负荷”作为特征。rolling(window6).mean()算最近6个点的均值能平滑噪声。dropna()必须加因为前6行没有足够的历史值。参数怎么改如果数据采样间隔是15分钟那lag1代表15分钟前lag4代表1小时前如果采样间隔是1小时lag24才代表一天前。别照搬先确认采样频率。3.2 用LightGBM跑一个能提交的基线特征构造完先别上深度学习。LightGBM在表格数据上又快又稳适合做基线。把数据按时间切分——前80%做训练后20%做验证别随机切时序数据随机切会泄露未来信息。import lightgbm as lgb from sklearn.metrics import mean_absolute_error # 按时间切分 split_idx int(len(df) * 0.8) train df.iloc[:split_idx] valid df.iloc[split_idx:] feature_cols [c for c in df.columns if c not in [timestamp, load]] X_train, y_train train[feature_cols], train[load] X_valid, y_valid valid[feature_cols], valid[load] # 训练 model lgb.LGBMRegressor( n_estimators500, learning_rate0.05, num_leaves31, early_stopping_rounds50 ) model.fit( X_train, y_train, eval_set[(X_valid, y_valid)], eval_metricmae ) # 验证集MAE pred model.predict(X_valid) print(fMAE: {mean_absolute_error(y_valid, pred):.4f})n_estimators500是树的数量配合early_stopping_rounds50在验证集不再下降时自动停防止过拟合。learning_rate0.05比默认的0.1更保守通常效果更稳。num_leaves31控制单棵树复杂度电力负荷数据特征不多的话31够用。跑完看MAE如果比“直接用前一天同时刻的值”还差说明特征没构造对回去检查滑窗有没有写错。3.3 提交文件的格式对齐与常见校验赛题提交通常要求特定列名和顺序。参考代码里一般有submission_template.csv先读它再把自己的预测结果按同样格式写出去。# 读取提交模板确认列名和ID顺序 template pd.read_csv(./data/submission_template.csv) print(template.columns.tolist()) print(template.head()) # 假设预测结果对应valid集的timestamp submission pd.DataFrame({ timestamp: valid[timestamp].values, load: pred }) # 按模板列顺序重排 submission submission[template.columns] submission.to_csv(./submission.csv, indexFalse) print(f提交文件行数: {len(submission)})template.columns.tolist()打印出模板要求的列名submission[template.columns]强制按这个顺序排。indexFalse避免多出一列索引。常见翻车点时间格式不一致——模板是2024-01-01 00:00:00你写的是2024/1/1 0:00系统直接判格式错误。用pd.to_datetime统一转一遍再输出。4. 避坑与排查电力AI赛题里那些让人返工的细节4.1 时间戳时区不统一导致特征错位现象模型在验证集上MAE很低但提交后排名垫底。原因训练数据的时间戳是UTC而测试数据是本地时间差了8小时导致滑窗特征整体偏移。解决读数据后第一件事就是pd.to_datetime加utcTrue统一转UTC再tz_convert到目标时区。别信文件名里的“local”打开看实际值。4.2 缺失值填充用了未来信息现象离线验证效果很好线上测试崩了。原因用df.fillna(methodbfill)后向填充把未来的值填到了过去。解决时序数据只用前向填充ffill或者用训练集的均值/中位数填充。如果缺失块很大考虑加一个“是否缺失”的指示列让模型自己学。4.3 类别特征直接当数值喂给模型现象模型把“设备ID10”和“设备ID11”当成连续值学出莫名其妙的规律。原因设备ID、区域编码这类字段是类别型的直接当数值输入会让树模型按大小切分。解决用pd.get_dummies做独热编码或者LightGBM里用categorical_feature参数指定。类别数超过50的考虑目标编码或嵌入。4.4 提交文件列顺序和模板不一致现象本地检查没问题上传后系统报“格式错误”。原因模板要求id, prediction你写成了prediction, id。解决永远用submission[template.columns]重排别手动写列名。提交前用diff对比模板和提交文件的前几行。4.5 参考代码里的随机种子没固定现象每次跑出来的MAE都不一样差个0.5%左右。原因train_test_split或模型初始化没设random_state。解决在代码开头统一设np.random.seed(42)和random.seed(42)LightGBM的random_state也设上。不是为了刷分是为了让实验可复现不然你都不知道改的那个特征到底有没有用。5. 进阶技巧用交叉验证和特征重要性反推赛题考点5.1 时序交叉验证代替单次切分单次按时间切分有个问题如果验证集那段时间恰好有异常事件比如节假日、极端天气模型评估会偏。更稳的做法是滚动交叉验证每次用前N天训练预测后1天然后窗口往前滑。from sklearn.model_selection import TimeSeriesSplit tscv TimeSeriesSplit(n_splits5) for fold, (train_idx, valid_idx) in enumerate(tscv.split(df)): train_fold df.iloc[train_idx] valid_fold df.iloc[valid_idx] # 这里重复训练和评估流程 print(fFold {fold}: train{len(train_idx)}, valid{len(valid_idx)})TimeSeriesSplit保证训练集始终在验证集之前不会泄露未来。n_splits5把数据切成5份每份都做一次验证。跑完看5个MAE的均值和方差方差大说明模型对时间段敏感得加更多时间特征或做数据增强。5.2 特征重要性排序与业务解释LightGBM训练完可以直接输出特征重要性。别只看数值把重要性最高的几个特征和业务对上能反推赛题想考什么。import matplotlib.pyplot as plt importance pd.DataFrame({ feature: feature_cols, gain: model.booster_.feature_importance(importance_typegain) }).sort_values(gain, ascendingFalse) print(importance.head(10)) importance.head(20).plot.barh(xfeature, ygain, figsize(10, 8)) plt.tight_layout() plt.savefig(./feature_importance.png)importance_typegain用信息增益衡量比split更稳定。如果load_lag_1和load_lag_2排最前说明赛题核心是短期依赖如果hour和is_weekend排前面说明考的是周期性模式。根据这个调整特征工程方向——短期依赖强就加更多lag周期性强就加傅里叶项或周期编码。5.3 从评分细则反推提交策略资源包里如果有评分细则仔细读。常见评分维度包括预测精度、代码规范性、创新性、答辩表现。如果精度只占40%那别死磕模型把代码注释写清楚、README补全、可视化做漂亮这些“软分”加起来可能比调参涨的那点MAE更值。我见过太多人模型跑得不错但提交文件命名混乱、没有说明文档最后总分被扣掉一截。从那以后我每次提交前都强制走一遍检查清单文件命名对不对、列顺序对不对、有没有README、随机种子固定没有、验证集划分有没有泄露。希望帮到你。本文还有配套的精品资源点击获取 电力AI大赛资源包拆解：从数据探索到LightGBM基线提交
简介这份资源是面向电气电子类竞赛参赛者与毕业设计学生的电力AI项目源码包围绕“大航杯·智造扬中”赛题展开聚焦电力系统与人工智能结合的实际工程问题如能源优化分配、电网智能管理、设备故障预测及可再生能源利用等。包内共18个文件以Python脚本为核心涵盖数据切分、特征提取、模型构建与可视化等模块另含CSV数据表、XML配置、Shell运行脚本、PNG特征重要性图及README说明压缩包约835KB结构紧凑、便于按模块研读。目前已有44人学习下载。读者可从中获取完整的赛题实现思路包括算法设计、数据处理流程、模型训练与评估细节以及一键运行脚本和依赖配置适合作为竞赛复盘、课程实践或毕业设计的参考模板帮助理解从理论到可运行代码的转化过程。1. 从一份电赛资源包说起电力AI大赛里到底塞了什么如果你正在准备电赛尤其是电力电子方向或者AI电力交叉方向的赛题手头大概率已经攒了一堆命名混乱的压缩包。我这次拆的是「大航杯“智造扬中”电力AI大赛_1.zip」名字里带“电赛”和“电力AI大赛”看起来像是某个校级或企业冠名赛事的资料合集。打开之前我以为里面就是几份题目PDF加一个说明文档结果解压后目录结构比预想的要完整有赛题说明、数据集样本、参考代码框架还有几份往届的评分细则。对于正在找电力AI赛题练手、或者想摸清这类比赛出题套路的人来说这份资源的价值不在于它有多“新”而在于它把从题目到数据到基线代码的链路基本凑齐了。适合谁适合已经学过Python基础、用过pandas和sklearn、但对电力场景下的负荷预测或故障诊断还没有完整项目经验的人。如果你连numpy数组切片都还不熟建议先补基础再回来拆这个包。2. 拆包先看目录电力AI赛题的数据长什么样2.1 解压后的目录结构与文件类型判断拿到压缩包第一步不是急着跑代码而是把目录树看清楚。我习惯用tree命令或者直接在文件管理器里按类型排序。这份资源解压后大致是三层结构顶层是赛题说明和评分标准中间层是数据文件夹底层是参考代码和提交模板。数据文件夹里常见的是CSV和Excel偶尔会有MAT文件——电力系统仿真数据经常用MAT格式存。先确认文件扩展名再决定用什么工具读。# 查看解压后的目录结构只看两层深度 tree -L 2 -h --filelimit 20 # 如果系统没有tree用find替代 find . -maxdepth 2 -type f | head -50tree的-L 2限制显示深度避免目录太深刷屏-h显示人类可读的文件大小方便判断哪个是主数据文件。如果发现某个CSV有几十MB而其他都是几KB那大概率它就是训练集主体。注意Windows下如果解压后中文文件名乱码是压缩时编码的问题用7-Zip打开时在“代码页”里选UTF-8或者GBK试一下别急着重新下载。2.2 用pandas快速摸清数据字段和缺失情况电力AI赛题的数据通常有几类字段时间戳、负荷值、温度、湿度、电价、设备ID、故障标签。先别管业务含义用pandas把每个表的形状、列名、缺失率、数据类型打出来五分钟就能对数据质量有个底。import pandas as pd import os # 遍历数据目录下所有CSV文件输出基本信息 data_dir ./data for fname in os.listdir(data_dir): if fname.endswith(.csv): fpath os.path.join(data_dir, fname) df pd.read_csv(fpath, nrows5000) # 先读5000行探路 print(f {fname} ) print(f形状: {df.shape}) print(f列名: {list(df.columns)}) print(f缺失率:\n{df.isnull().mean().round(3)}) print(f类型:\n{df.dtypes}) print(---)nrows5000是为了避免大文件一次性读入内存先探路再决定是否全量加载。isnull().mean()直接给出每列缺失比例比isnull().sum()更直观——缺失率超过30%的列要警惕要么是采集设备掉线要么是字段本身就不该用。如果发现时间列是字符串格式后面做时序特征前必须转成datetime否则按时间排序会出错。这一步做完你基本能判断这份数据是“能直接跑”还是“得先洗”。2.3 参考代码框架的入口文件识别参考代码文件夹里通常有个main.py或者run.py但也可能叫train.py。先看文件大小和修改时间最近修改的、体积适中的那个大概率是入口。用head命令快速扫一眼开头几十行看import了哪些库就能判断技术栈。# 查看Python文件的开头识别依赖和入口 head -30 ./code/main.py # 统计代码目录下各文件行数找核心逻辑 wc -l ./code/*.py | sort -nhead -30足够看到import区和全局配置。如果看到import torch或import tensorflow说明是深度学习方案如果只有sklearn和xgboost那就是传统机器学习路线。wc -l按行数排序行数最多的那个文件往往是特征工程或模型定义的核心值得优先精读。注意有些参考代码会硬编码数据路径直接跑会报FileNotFoundError先把路径改成你本地的实际路径再执行。3. 把数据喂给模型从特征工程到基线提交3.1 电力负荷数据的时序特征构造电力AI赛题里最常见的任务是负荷预测或异常检测。负荷预测的核心是把时间序列转成监督学习问题用过去N个时刻的值预测未来M个时刻的值。常见做法是构造滑窗特征再加上时间派生特征小时、星期、是否节假日。import pandas as pd import numpy as np # 假设df有timestamp和load两列 df pd.read_csv(./data/load.csv, parse_dates[timestamp]) df df.sort_values(timestamp).reset_index(dropTrue) # 时间派生特征 df[hour] df[timestamp].dt.hour df[dayofweek] df[timestamp].dt.dayofweek df[is_weekend] (df[dayofweek] 5).astype(int) # 滑窗特征过去6个时刻的负荷值 for lag in range(1, 7): df[fload_lag_{lag}] df[load].shift(lag) # 滑动平均 df[load_roll_mean_6] df[load].rolling(window6).mean() # 丢弃因滑窗产生的NaN行 df df.dropna().reset_index(dropTrue) print(df.head())shift(lag)把前一时刻的值挪到当前行构造出“历史负荷”作为特征。rolling(window6).mean()算最近6个点的均值能平滑噪声。dropna()必须加因为前6行没有足够的历史值。参数怎么改如果数据采样间隔是15分钟那lag1代表15分钟前lag4代表1小时前如果采样间隔是1小时lag24才代表一天前。别照搬先确认采样频率。3.2 用LightGBM跑一个能提交的基线特征构造完先别上深度学习。LightGBM在表格数据上又快又稳适合做基线。把数据按时间切分——前80%做训练后20%做验证别随机切时序数据随机切会泄露未来信息。import lightgbm as lgb from sklearn.metrics import mean_absolute_error # 按时间切分 split_idx int(len(df) * 0.8) train df.iloc[:split_idx] valid df.iloc[split_idx:] feature_cols [c for c in df.columns if c not in [timestamp, load]] X_train, y_train train[feature_cols], train[load] X_valid, y_valid valid[feature_cols], valid[load] # 训练 model lgb.LGBMRegressor( n_estimators500, learning_rate0.05, num_leaves31, early_stopping_rounds50 ) model.fit( X_train, y_train, eval_set[(X_valid, y_valid)], eval_metricmae ) # 验证集MAE pred model.predict(X_valid) print(fMAE: {mean_absolute_error(y_valid, pred):.4f})n_estimators500是树的数量配合early_stopping_rounds50在验证集不再下降时自动停防止过拟合。learning_rate0.05比默认的0.1更保守通常效果更稳。num_leaves31控制单棵树复杂度电力负荷数据特征不多的话31够用。跑完看MAE如果比“直接用前一天同时刻的值”还差说明特征没构造对回去检查滑窗有没有写错。3.3 提交文件的格式对齐与常见校验赛题提交通常要求特定列名和顺序。参考代码里一般有submission_template.csv先读它再把自己的预测结果按同样格式写出去。# 读取提交模板确认列名和ID顺序 template pd.read_csv(./data/submission_template.csv) print(template.columns.tolist()) print(template.head()) # 假设预测结果对应valid集的timestamp submission pd.DataFrame({ timestamp: valid[timestamp].values, load: pred }) # 按模板列顺序重排 submission submission[template.columns] submission.to_csv(./submission.csv, indexFalse) print(f提交文件行数: {len(submission)})template.columns.tolist()打印出模板要求的列名submission[template.columns]强制按这个顺序排。indexFalse避免多出一列索引。常见翻车点时间格式不一致——模板是2024-01-01 00:00:00你写的是2024/1/1 0:00系统直接判格式错误。用pd.to_datetime统一转一遍再输出。4. 避坑与排查电力AI赛题里那些让人返工的细节4.1 时间戳时区不统一导致特征错位现象模型在验证集上MAE很低但提交后排名垫底。原因训练数据的时间戳是UTC而测试数据是本地时间差了8小时导致滑窗特征整体偏移。解决读数据后第一件事就是pd.to_datetime加utcTrue统一转UTC再tz_convert到目标时区。别信文件名里的“local”打开看实际值。4.2 缺失值填充用了未来信息现象离线验证效果很好线上测试崩了。原因用df.fillna(methodbfill)后向填充把未来的值填到了过去。解决时序数据只用前向填充ffill或者用训练集的均值/中位数填充。如果缺失块很大考虑加一个“是否缺失”的指示列让模型自己学。4.3 类别特征直接当数值喂给模型现象模型把“设备ID10”和“设备ID11”当成连续值学出莫名其妙的规律。原因设备ID、区域编码这类字段是类别型的直接当数值输入会让树模型按大小切分。解决用pd.get_dummies做独热编码或者LightGBM里用categorical_feature参数指定。类别数超过50的考虑目标编码或嵌入。4.4 提交文件列顺序和模板不一致现象本地检查没问题上传后系统报“格式错误”。原因模板要求id, prediction你写成了prediction, id。解决永远用submission[template.columns]重排别手动写列名。提交前用diff对比模板和提交文件的前几行。4.5 参考代码里的随机种子没固定现象每次跑出来的MAE都不一样差个0.5%左右。原因train_test_split或模型初始化没设random_state。解决在代码开头统一设np.random.seed(42)和random.seed(42)LightGBM的random_state也设上。不是为了刷分是为了让实验可复现不然你都不知道改的那个特征到底有没有用。5. 进阶技巧用交叉验证和特征重要性反推赛题考点5.1 时序交叉验证代替单次切分单次按时间切分有个问题如果验证集那段时间恰好有异常事件比如节假日、极端天气模型评估会偏。更稳的做法是滚动交叉验证每次用前N天训练预测后1天然后窗口往前滑。from sklearn.model_selection import TimeSeriesSplit tscv TimeSeriesSplit(n_splits5) for fold, (train_idx, valid_idx) in enumerate(tscv.split(df)): train_fold df.iloc[train_idx] valid_fold df.iloc[valid_idx] # 这里重复训练和评估流程 print(fFold {fold}: train{len(train_idx)}, valid{len(valid_idx)})TimeSeriesSplit保证训练集始终在验证集之前不会泄露未来。n_splits5把数据切成5份每份都做一次验证。跑完看5个MAE的均值和方差方差大说明模型对时间段敏感得加更多时间特征或做数据增强。5.2 特征重要性排序与业务解释LightGBM训练完可以直接输出特征重要性。别只看数值把重要性最高的几个特征和业务对上能反推赛题想考什么。import matplotlib.pyplot as plt importance pd.DataFrame({ feature: feature_cols, gain: model.booster_.feature_importance(importance_typegain) }).sort_values(gain, ascendingFalse) print(importance.head(10)) importance.head(20).plot.barh(xfeature, ygain, figsize(10, 8)) plt.tight_layout() plt.savefig(./feature_importance.png)importance_typegain用信息增益衡量比split更稳定。如果load_lag_1和load_lag_2排最前说明赛题核心是短期依赖如果hour和is_weekend排前面说明考的是周期性模式。根据这个调整特征工程方向——短期依赖强就加更多lag周期性强就加傅里叶项或周期编码。5.3 从评分细则反推提交策略资源包里如果有评分细则仔细读。常见评分维度包括预测精度、代码规范性、创新性、答辩表现。如果精度只占40%那别死磕模型把代码注释写清楚、README补全、可视化做漂亮这些“软分”加起来可能比调参涨的那点MAE更值。我见过太多人模型跑得不错但提交文件命名混乱、没有说明文档最后总分被扣掉一截。从那以后我每次提交前都强制走一遍检查清单文件命名对不对、列顺序对不对、有没有README、随机种子固定没有、验证集划分有没有泄露。希望帮到你。本文还有配套的精品资源点击获取