金融数据清理和转换的函数式方法

19/28金融数据清理和转换的函数式方法第一部分函数式转换过程概览 2第二部分数据预处理函数应用 3第三部分类型系统和类型检查 7第四部分纯净函数避免副作用 9第五部分函数组合增强可读性 11第六部分高阶函数处理复杂任务 14第七部分异常处理策略探讨 17第八部分性能优化技术分析 19

第一部分函数式转换过程概览函数式转换过程概览

1.加载数据

*从各种数据源（如CSV、数据库、API）加载原始数据。

*确保数据格式和结构与期望一致。

2.数据清洗

空值处理：

*检测和处理空值，例如填充缺失数据、删除空值记录或标记为特殊值。

数据类型转换：

*将数据转换为适当的数据类型，例如数字、日期、布尔值或字符串。

异常值检测：

*识别并处理远离正常范围的极端值，例如删除异常值或将它们限制在特定范围内。

数据标准化：

*将不同单位或格式的数据标准化为统一的表示形式。

数据修整：

*纠正数据中的错误或不一致之处，例如拼写错误、格式不正确或重复项。

数据去重：

*检测并删除重复的数据记录，确保数据的唯一性。

3.数据转换

特征工程：

*从原始数据创建新特征，以提高模型性能。

*例如，从日期创建星期几或月份特征。

数据聚合：

*将数据分组并聚合到不同级别，例如求和、平均值或最大值。

*例如，按客户分组并计算每个客户的总购买量。

数据重塑：

*更改数据的形状或结构以满足特定模型或应用程序的需求。

*例如，从宽表（具有大量列）转换为长表（具有较少列）。

数据拆分：

*将数据集划分为训练集、验证集和测试集，以用于模型开发和评估。

4.保存数据

*将转换后的数据保存到持久存储中，例如数据库、数据仓库或数据湖。

*确保转换后的数据易于访问和使用。

5.监控和维护

*定期监控数据质量，检测任何错误或不一致之处。

*根据需要执行数据维护任务，例如更新转换规则或重新处理数据。第二部分数据预处理函数应用关键词关键要点主题名称：数据类型转换

1.识别和转换不同数据类型，例如字符串到数值、日期到时间戳。

2.使用类型检查和强制转换函数确保数据类型的一致性。

3.利用lambda表达式和map函数批量转换数据。

主题名称：缺失值处理

数据预处理函数应用

在金融数据清理和转换中，函数式方法应用了以下数据预处理函数：

1.映射（Map）

映射函数应用于数据集中的每个元素，对每个值进行指定的转换。例如，将货币值转换为统一的货币单位：

```

map(lambdax:x*1.15,dataset['price'])

```

2.滤除（Filter）

滤除函数对数据集中的元素进行筛选，仅保留满足指定条件的元素。例如，滤除包含无效值的行：

```

filter(lambdax:x['date']!='NA',dataset)

```

3.规约（Reduce）

规约函数将数据集中的元素逐个处理，返回一个聚合值。例如，计算数据集中的总值：

```

reduce(lambdax,y:x+y,dataset['value'])

```

4.分组（Group）

分组函数根据指定的键将数据集中的元素分组，返回一组键值对。例如，根据股票代码对数据集分组：

```

group(lambdax:x['stock'],dataset)

```

5.转换类型（TypeCasting）

转换类型函数将数据集中的元素转换为指定的类型。例如，将字符串转换为浮点数：

```

map(lambdax:float(x),dataset['price'])

```

6.分割（Split）

分割函数将数据集拆分为多个子集。例如，根据时间戳将数据集拆分为训练集和测试集：

```

split(lambdax:x['timestamp']<'2023-01-01',dataset)

```

7.合并（Merge）

合并函数将两个或多个数据集合并为一个新的数据集。例如，将交易数据与价格数据合并：

```

merge(dataset1,dataset2,on='stock')

```

8.去重（Distinct）

去重函数从数据集中移除重复元素。例如，移除重复的交易记录：

```

distinct(dataset['transaction_id'])

```

9.排序（Sort）

排序函数根据指定的键对数据集中的元素进行排序。例如，根据交易金额对数据集排序：

```

sort(lambdax:x['amount'],dataset)

```

10.翻转（Reverse）

翻转函数将数据集中的元素顺序反转。例如，按时间顺序翻转交易记录：

```

reverse(dataset)

```

这些函数通过组合使用，可以灵活地对金融数据进行清理和转换，为建模和分析做好准备。函数式方法的优势在于其声明性、简洁性和可重用性。第三部分类型系统和类型检查类型系统和类型检查

类型系统是编程语言的重要组成部分，它允许开发者定义数据结构的约束条件并强制执行这些约束。类型系统有助于确保代码的健壮性和可靠性，因为它可以发现类型不匹配和数据不一致的问题。

类型系统在数据清理和转换中的作用

在数据清理和转换过程中，类型系统可以发挥关键作用，因为它：

*确保数据完整性：类型检查可以确保数据符合预期的类型约束，例如数值列不包含文本值。

*提高可读性和可维护性：明确定义的数据类型有助于提高代码的可读性，并使其他开发者更容易理解其用途和预期值。

*减少错误：通过强制执行类型约束，类型系统可以防止出现类型不匹配的错误，从而提高代码的整体质量。

函数式编程中的类型系统

函数式编程语言通常拥有强大的类型系统，允许开发者定义复杂的数据类型和类型约束。一些常见的类型系统特征包括：

*类型推断：编译器可以从代码中推断类型，而无需开发者显式声明它们。

*多态性：类型可以参数化，允许创建适用于多种数据类型的通用函数。

*模式匹配：开发者可以使用模式匹配来检查数据结构的类型并根据类型提取值。

函数式编程中类型检查的优点

函数式编程中的类型检查提供了以下优点：

*增强代码可靠性：类型检查可以发现错误并防止它们在运行时出现。

*提高开发效率：类型系统可以帮助开发者快速排除错误并保持代码的高质量。

*提高可重用性：定义明确的数据类型有助于提高函数的可重用性，因为它允许开发者放心地将它们用于不同的数据集。

函数式编程中用于数据清理和转换的具体类型

函数式编程语言提供了各种特定类型，专门用于数据清理和转换，例如：

*Maybe类型：表示一个可能为`None`或包含某个值的可选值。

*Either类型：表示成功或失败的结果，包含成功值或错误消息。

*Tuple类型：表示一组固定数量和类型的值。

*List类型：表示一个包含相似类型值的顺序集合。

类型驱动的函数式数据清理和转换

函数式编程类型系统可以与函数式概念（如不可变性、纯函数和函数组合）相结合，创建健壮且可维护的数据清理和转换管道。

*不可变性：数据结构不能被修改，这有助于防止意外的类型更改。

*纯函数：函数仅依赖于其输入，不产生副作用，这确保了类型检查的可靠性。

*函数组合：函数可以组合在一起形成更复杂的数据转换，类型系统可以确保组合的正确性。

结论

类型系统在函数式编程中对于数据清理和转换至关重要。它确保了数据完整性、提高代码可读性和可维护性，并减少错误。函数式编程语言中强大的类型系统，结合函数式概念，提供了创建健壮、可靠和可重用的数据清理和转换管道的强大工具。第四部分纯净函数避免副作用关键词关键要点【纯函数避免副作用】

1.纯函数保证结果一致性：纯函数总是在相同的输入下产生相同的输出，不会受外部状态的影响。这确保了数据清理和转换过程的可预测性和可重现性。

2.纯函数简化调试：由于不会产生副作用，因此纯函数的调试更容易。可以独立测试和隔离函数，无需考虑外部状态的交互。

3.纯函数提高并行化效率：纯函数的无状态特性允许并行执行，从而提升数据处理速度。多个进程可以同时处理不同的数据子集，而不用担心数据干扰或竞争条件。

【避免副作用的策略】

避免副作用的纯净函数

纯净函数是函数式编程中一个核心的概念，它要求函数满足以下两个条件：

1.确定性：对于相同的输入，函数总是产生相同的结果。

2.无副作用：函数不会修改自身外部的环境（例如，全局变量、文件系统）。

避免副作用的一个关键原因是可预测性和可测试性。如果一个函数具有副作用，那么它的行为将取决于其执行的环境，这使得预测和测试其行为变得更加困难。

此外，副作用会导致状态依赖性，即函数的行为取决于其执行顺序。这使得理解和调试代码变得更加复杂，并可能导致难以跟踪的错误。

纯净函数的好处

*可预测性和可测试性：纯净函数对于相同的输入总是产生相同的结果，这使得预测和测试其行为变得更加容易。

*并行性和并发性：纯净函数可以安全地在并发环境中执行，因为它们不会互相干扰。

*可组合性：纯净函数可以很容易地组合起来形成更复杂的函数，而无需担心副作用之间的交互。

*可重用性：纯净函数可以被重复使用，而不用担心它们会修改外部环境。

*可追溯性：纯净函数可以很容易地跟踪其执行路径，因为它们不会修改外部环境。

避免副作用的技术

有多种技术可以用来避免副作用，包括：

*使用不可变数据结构：不可变数据结构不能被修改，从而确保函数不会意外地修改输入或输出。

*使用函数式数据类型：函数式数据类型，如链表和树，天生就是不可变的，这有助于保证纯净性。

*使用局部变量：局部变量只能在函数体内访问，这限制了函数对外部环境的影响。

*使用惰性求值：惰性求值推迟计算，直到结果真正需要时才进行，这有助于避免不必要的副作用。

结论

纯净函数在函数式编程中至关重要，因为它们提供了可预测性、可测试性、并行性、可组合性、可重用性和可追溯性等好处。通过避免副作用，函数式编程可以编写出更可靠、更可维护、更易于推理的代码。第五部分函数组合增强可读性函数组合增强可读性

函数式编程中的函数组合提供了一种增强数据清理和转换代码可读性的强大方式。通过将单个、特定任务的函数组合在一起，可以创建更复杂的转换，而无需牺牲代码清晰度。

组合的优点

函数组合的主要优点包括：

*可读性增强：将代码分解成较小的、模块化的函数使代码更容易理解和维护。

*可重用性：单个函数可以被多个转换过程重用，提高代码效率和一致性。

*简洁性：使用函数组合可以减少代码行数，使代码更简洁、更易于管理。

*可测试性：模块化代码更容易进行单元测试，确保每个函数的行为正确。

组合技巧

在函数式编程中，有几种常用的组合技巧：

*管道（Piping）：管道运算符（|>）允许将函数输出作为后续函数的输入。例如：

```

data%>%clean()%>%transform()

```

*点号（Dotting）：点号运算符（.）允许直接调用对象的方法。例如：

```

data.clean().transform()

```

*柯里化（Currying）：柯里化是一种将多参数函数转换为一系列单参数函数的技术。这使函数组合更加灵活。例如：

```

add_n<-function(n)function(x)x+n

data%>%add_n(3)

```

示例

以下示例演示如何使用函数组合来转换金融数据：

```

data<-tibble(

name=c("John","Jane","Mark"),

age=c(32,28,35),

salary=c(1000,1200,1500)

)

#使用管道运算符进行转换

data%>%

mutate(age=age+1)%>%

mutate(salary=salary*1.1)%>%

select(name,salary)

```

在这个示例中，我们使用管道运算符将三个函数组合在一起，对数据进行以下转换：

*将年龄增加1岁

*将工资增加10%

*选择姓名和工资列

结论

函数组合是一种强大的工具，可用于增强金融数据清理和转换代码的可读性、可重用性、简洁性和可测试性。通过将单个函数组合在一起，我们可以创建更复杂、更容易理解和维护的转换过程。第六部分高阶函数处理复杂任务关键词关键要点高阶函数的优势

1.函数重用：高阶函数允许将复杂的计算划分为较小的、可重用的函数，从而提高代码的可维护性和可读性。

2.代码简化：通过使用高阶函数，代码可以变得更简洁和优雅，因为它消除了对冗余代码和重复任务的需要。

3.可扩展性：高阶函数易于扩展，因为它们可以接受其他函数作为参数，从而允许在不修改现有代码的情况下添加新功能。

lambda表达式的灵活性

1.匿名函数：lambda表达式允许定义匿名函数，这些函数没有名称，可以动态创建和传递。

2.简短语法：lambda表达式语法简洁，只需要指定参数列表和函数体，从而简化了代码编写。

3.即时使用：lambda表达式可以即时创建和使用，无需事先定义或声明，这提供了极大的灵活性。高阶函数处理复杂任务

高阶函数是一种接受其他函数作为参数或返回其他函数的函数。它们在金融数据清理和转换中非常有用，可以帮助我们编写灵活且可重用的代码。

映射

映射函数将一个函数应用于序列中的每个元素，并返回一个包含结果的新序列。例如，我们可以使用映射函数将一列字符串转换为小写：

```python

lowercase_strings=map(lambdax:x.lower(),strings)

```

筛选

筛选函数根据指定的条件从序列中过滤元素，并返回一个包含满足条件的元素的新序列。例如，我们可以使用筛选函数从一列数字中过滤出所有偶数：

```python

even_numbers=filter(lambdax:x%2==0,numbers)

```

折迭

折迭函数将一个函数迭代应用于序列中的每个元素，并将结果合并到一个累积器中。例如，我们可以使用折迭函数计算一列数字的总和：

```python

total_sum=reduce(lambdax,y:x+y,numbers)

```

组合

组合函数将多个函数组合成一个新函数。例如，我们可以组合映射函数和筛选函数，将一列字符串转换为小写并过滤掉所有空字符串：

```python

clean_strings=filter(lambdax:x,map(lambdax:x.lower(),strings))

```

lambda表达式

lambda表达式是一种匿名函数，可以内嵌到其他函数中。它们通常用于定义映射、筛选和折迭函数中使用的简单函数。例如，我们可以使用lambda表达式将一列数字乘以2：

```python

doubled_numbers=map(lambdax:x*2,numbers)

```

示例

以下是一个示例，展示了如何使用高阶函数处理复杂任务：

```python

defclean_and_transform_data(data):

#将所有字符串转换为小写

data['strings']=data['strings'].map(lambdax:x.lower())

#过滤掉所有空字符串

data['strings']=data['strings'].filter(lambdax:x)

#将所有数字乘以2

data['numbers']=data['numbers'].map(lambdax:x*2)

#计算数字的总和

total_sum=data['numbers'].reduce(lambdax,y:x+y)

returndata

```

通过使用高阶函数，我们可以以一种简洁且可重用的方式处理复杂的数据清洗和转换任务。这可以提高代码的效率和可维护性。第七部分异常处理策略探讨异常处理策略探讨

金融数据处理中不可避免地会遇到各种异常情况，妥善处理这些异常至关重要，以确保数据质量和处理流程的鲁棒性。以下探讨了三种常见的异常处理策略：

#1.忽略异常

优点：

*最简单、最快速的策略。

*不影响正常数据的处理。

缺点：

*无法捕获潜在的错误或质量问题。

*可能导致下游流程出现意外行为。

适用场景：

*当异常数据数量较少并且对结果影响незначительный时。

*当时间或资源有限时。

#2.替代异常

优点：

*确保数据完整性，防止下游流程中断。

*可以使用预定义的值（如均值或中位数）或特定规则来填充异常值。

缺点：

*可能会掩盖潜在的问题或错误。

*填充值可能不准确，导致偏差。

适用场景：

*当异常数据数量适中且填充值足够准确时。

*当数据完整性是关键时。

#3.移除异常

优点：

*消除错误或异常数据的影响。

*保持数据的真实性和准确性。

缺点：

*可能导致数据丢失，特别是当异常数据量较大时。

*需要识别异常值的明确规则或阈值。

适用场景：

*当异常数据数量较大或对结果有显著影响时。

*当数据准确性至关重要且数据丢失可以接受时。

策略选择因素

选择合适的异常处理策略取决于以下因素：

*异常数据数量：数量较少的异常可以通过忽略或替代来处理，而数量较大的异常可能需要移除。

*异常数据的影响：如果异常数据会显著影响结果，则应该移除或使用更严格的替代方法。

*数据完整性要求：对于需要高完整性的数据，应优先考虑替代或移除异常。

*时间和资源限制：如果时间或资源有限，则忽略异常可能是权宜之计。

异常处理最佳实践

除了选择合适的策略外，还应遵循以下最佳实践：

*明确定义异常并制定处理规则。

*记录异常处理过程和异常数量。

*定期审查异常情况，以识别潜在的问题或错误。

*在可能的情况下，尝试修复异常数据。

*考虑使用异常检测算法或机器学习技术来自动识别异常值。

通过遵循这些最佳实践，可以在金融数据处理中有效地处理异常情况，确保数据质量和处理流程的可靠性。第八部分性能优化技术分析关键词关键要点流式处理

1.利用ApacheSpark或Flink等流式处理框架，对数据进行实时清洗和转换。

2.将数据分解为较小的块，以提高并行处理能力，降低延迟。

3.利用反压机制控制数据流速率，避免系统过载。

内存缓存

1.将经常访问的数据存储在内存中，以减少磁盘访问次数，提高处理速度。

2.使用分布式缓存系统，如ApacheSpark的Broadcast或ApacheFlink的Cache，将数据广播到集群中的所有节点。

3.对缓存数据进行有效过期管理，避免占用过多内存资源。

并行计算

1.利用多核CPU或GPU进行并行计算，同时处理多个数据块。

2.使用ApacheSpark的RDDs或Flink的DataSets等并行数据结构。

3.优化并行代码，减少锁竞争和同步开销。

数据分区

1.将数据根据某些键或范围分区，以便并行处理不同的数据子集。

2.使用ApacheSpark的repartition和coalesce算子，或ApacheFlink的partitionBy和rebalance算子，进行数据分区。

3.优化分区策略，确保数据分布均匀，避免处理不平衡。

批处理优化

1.将大型数据集分解为较小的批次进行处理，以减少内存开销。

2.使用ApacheSpark的coalesce和reduceByKey算子，或ApacheFlink的groupBy和reduceGroup算子，进行批处理优化。

3.调优批处理参数，如批次大小和分区数，以实现最佳性能。

懒惰求值

1.惰惰求值是一种延迟执行计算的操作，直到需要结果时才进行。

2.使用ApacheSpark的Transformations和Actions算子，或ApacheFlink的Transformations和Triggers，实现懒惰求值。

3.通过避免不必要的操作，优化数据处理管道，提高性能。性能优化技术分析

1.使用惰性序列

惰性序列允许延迟评估表达式，直到需要时才进行评估。这可以避免不必要计算，从而提高性能。例如，在Spark中使用`LazyList`而不是`List`可以提高性能。

2.避免不必要重新分区

重新分区操作会将数据重新分布到不同的分区上。当需要在不同分区上执行聚合或连接操作时，重新分区是必要的。然而，不必要的重新分区会降低性能。因此，在进行重新分区之前，请确保确实需要。

3.缓存中间结果

缓存中间结果可以避免对相同数据进行重复计算。例如，在Spark中使用`persist()`方法可以将中间结果缓存到内存中。这可以在以后需要时快速访问数据，从而提高性能。

4.将列投影到所需列

只投影到处理中需要的列可以提高性能。例如，在Spark中使用`select()`方法只投影所需列。这可以减少数据传输量，从而提高性能。

5.使用高效的编码格式

选择高效的编码格式可以减少数据大小，从而提高传输和处理速度。例如，在Spark中使用Parquet格式可以比使用CSV格式更有效率。

6.并行化操作

将操作并行化可以利用多核处理器。例如，在Spark中使用`parallelize()`方法可以将操作并行到多个分区。这可以大幅提高性能。

7.使用优化器提示

优化器提示可以提供有关数据分布或处理计划的信息。这可以帮助优化器生成更高效的执行计划。例如，在Spark中使用`hint()`方法可以提供优化器提示。

8.使用自定义分区定义

自定义分区定义允许控制数据的分布方式。这可以帮助优化分区大小和数据本地性，从而提高性能。例如，在Spark中使用`HashPartitioner`或`RangePartitioner`可以自定义分区定义。

9.启用批处理

批处理涉及一次处理大量数据。这可以通过减少数据传输和处理开销来提高性能。例如，在Spark中使用`coalesce()`方法可以批处理数据。

10.避免不必要的排序

排序操作会对数据进行排序，从而增加处理开销。因此，在进行排序之前，请确保确实需要。例如，在Spark中使用`orderBy()`方法可以对数据进行排序。

11.使用索引

索引可以加快数据查找速度。例如，在Spark中使用`filter()`方法时，使用索引可以避免扫描整个数据集。

12.使用字典编码

字典编码将重复值映射到较小的整数索引。这可以减少数据大小，从而提高传输和处理速度。例如，在Spark中使用`StringIndexer`可以对字符串列进行字典编码。

13.使用布隆过滤器

布隆过滤器是一种概率数据结构，用于快速检测元素是否存在于集合中。这可以避免对整个数据集进行扫描，从而提高性能。例如，在Spark中使用`BloomFilter`类可以实现布隆过滤器。

14.使用随机采样

随机采样涉及从数据集的子集中提取数据。这可以提供数据集统计信息的近似值，而无需处理整个数据集。例如，在Spark中使用`sample()`方法可以从数据集中进行随机采样。

15.使用近似算法

近似算法提供对计算复杂问题的近似解决方案。这可以减少计算时间，从而提高性能。例如，在Spark中使用`approxQuantile()`方法可以计算数据的近似分位数。

通过应用这些性能优化技术，可以显著提高金融数据清理和转换的效率。关键词关键要点函数式数据转换概述

过滤

-关键要点:

-从数据集中删除不满足指定条件的记录。

-使用布尔表达式或谓词作为过滤器。

-可以应用于各种数据类型和结构。

映射

-关键要点:

-按元素对数据集进行转换，生成新的数据集。

-使用函数作为映射规则，该函数指定如何转换每个元素。

-可以用于数据类型转换、格式化或修改值。

分组和聚合

-关键要点:

-将数据集按指定的键分组，并对每组执行聚合操作（例如求和、求平均值、求最大值）。

-允许在大量数据中识别模式和趋势。

-常用于数据摘要和数据分析。

连接

-关键要点:

-合并两个或多个数据集，基于共同的键或列。

-可以用于合并不同来源或类型的数据。

-扩展数据并丰富其内容。

排序

-关键要点:

-按指定字段对数据集进行排序，要么升序要么降序。

-允许根据特定标准对数据进行组织和检索。

-对于数据分析、可视化和报告很重要。

子集选择

-关键要点:

-从数据集选择特定列或行，生成新数据集的子集。

-允许专注于特定数据方面或执行后续分析。

-可以基于索引、位置或条件进行子集选择。关键词关键要点类型系统和类型检查

关键要点：

1.类型系统定义了程序中变量和表达式的允许值和运算。

2.类型检查确保程序遵守类型规则，并防止类型不匹配的错误。

3.函数式编程语言通常具有强大的类型系统，促进代码的安全性、可靠性和可读性。

类型推断

关键要点：

1.类型推断器根据变量的使用方式推断其类型，无需显式声明。

2.类型推断提高了代码简洁性和可维护性，减少了手动类型标注的需要。

3.随着语言和工具的不断发展，类型推断正在变得越来越准确和可靠。

多态类型

关键要点：

1.多态类型允许函数和数据结构在不同类型的参数或元素上操作。

2.多态性提高了代码的可重用性和灵活性，减少了代码重复。

3.函数式编程语言中的类型参数化功能支持多态类型。

模式匹配

关键要点：

1.模式匹配允许程序员通过匹配数据结构和模式来提取和操作数据。

2.模式匹配提供了一种优雅且强大的方式来处理和转换复杂数据。

3.函数式编程语言中的模式匹配功能增强了代码的可读性和可维护性。

异常和错误处理

关键要点：

1.函数式编程语言使用类型系统和模式匹配来处理异常和错误。

2.类型系统可以帮助捕获某些类型的错误在编译时。

3.模式匹配可以用于优雅地处理运行时错误，并提供有关错误原因的详细信息。

单元测试和类型导向开发

关键要点：

1.类型系统和类型检查有助于编写更可靠的代码，简化单元测试。

2.类型导向开发（TDD）是一种以类型检查为中心的方法，用于编写干净且可维护的代码。

3.通过利用类型系统，TDD可以提高代码质量和开发效率。关键词关键要点函数组合增强可读性

主题名称：提升可读性

关键要点：

1.函数组合将多个操作连接成一个单一的流水线，简化了代码结构，使流程更易于理解。

2.复合函数通过将中间结果隐藏起来，提高了代码的抽象级别，增强了可读性并减少了错误的可能性。

3.良好的命名约定对于保持函数组合的可读性至关重要，应使用清晰且描述性的名称，以便轻松理解其用途。

主题名称：减少认知负担

关键要点：

1.函数组合减少了代码中需要处理的认知单元数量，通过将复杂操作分解为更小的步骤，降低了理解的难度。

2.简化后的代码结构使程序员能够专注于业务逻辑，而不是流程的复杂细节，减轻了认知负担。

3.通过消除冗余性和重复性，函数组合提高了代码的可