『壹』 vs 和 python 分析數據 哪個好
總的概括：R主要在學術界流行，python(numpy scipy)在工程方便比較實用。
R是S（Splus）的開源版本，或者下一代。發源地在紐西蘭奧克蘭。這個軟體的統計背景很濃烈。我這里濃烈的意思是，如果你不熟習統計知識（歷史）的話，R的幫助文檔看起來是很累的。由統計背景的人開發。R的維護組叫CRAN-R。在生物信息方便，有個叫bioconctor的組織，裡面有很多生物信息方面可以用的軟體包，他們有一套自己維護package系統。
Python是個綜合語言（這里特指指CPython解釋器），numpy scipy是數值計算的擴展包，pandas是主要用來做數據處理（numpy依賴），sympy做符號計算（類似mathematica？）此外還有一些不太成熟的包如sciki learn，statistical models。成熟度不如R。但是已經到了可用的水平了。是讀計算機的人寫的統計包。ipython 更新到1.0以後，功能基本完善，其notebook非常強大（感覺就像mathematica)而且還是基於web，在合作分享方面非常好用。
性能：
大家都說R慢，特別是CS的人。其實這里主要是兩點：一個R裡面數組的調用都是用復制的，二是Rscript慢。三是處理大數據慢。如果R用的好的話，R是不太慢的。具體來說就是Rscript用的少，多用命令，跑點小數據。這樣的話，實際在跑的都是背後的fortran和C庫。他們都有快二三十年歷史了。可謂異常可靠，優化得不能再優化了（指單線程，如果去看源代碼揮發先許多莫名的常數，永用了以後精度高速度快！）。比如一個自己編寫一個R腳本，loop套loop的那種，那真是想死的心都會有。外加一點，R處理文本文件很慢！
Python歸根揭底還是個有解釋器的腳本語言，而且有致命傷——GIL，但python最難能可貴的就是它很容易變得更快。比如pypy，cython，或者直接ctypes掛C庫。純python寫個原型，然後就開是不斷的profiling和加速吧。很輕易可以達到和C一個數量級的速度，但是寫程序、調試的時間少了很多。
並行計算：
R v15 之後有了自帶的parallel包，用挺輕松的。不過其實就是不停的fork，或者mpi，內存消耗挺厲害的。parSapply，parApply什麼的，真是很好用。
Python雖然有GIL——並行計算的死敵，但是有multiprocessing(fork依賴) ，是可以共享數據的什麼的，估計內存消耗方面比R好點，數據零散的話overhead很多。到了MPI的話，mpi4py還是挺好用的。用cython的話結合openmp可以打破GIL，但是過程中不能調用python的對象。
學習曲線：假設什麼編程都不會的同學。
R一開始還是很容易上手的，查到基本的命令，包，直接print一下就有結果了。但是如果要自己寫演算法、優化性能的時候，學習難度陡增。
Python么，挺好學的，絕大多數的幫助文檔都比R好了許多。有些包用起來沒R方便。總的來說深入吼R陡。
擴展資源：
基本上新的統計方法都會有R的package，安裝實用都不麻煩。但是基本上都是搞統計的人寫的計算機包。所以效能上可能有問好。比較出名的有兩個包的管理網站，cran-r 和bioconctor。 所以搞生化的估計R用起來很方便。
python的統計計算包們比R少，多很年輕，還在不斷的開發中。優於是計算機人寫的統計包，用起來的時候要多漲個心眼。
畫圖：
R自帶的那些工具就挺好用了，然後還有ggplot這種非常優美的得力工具。
python 有matplotlib，畫出來效果感覺比R自帶的好一些些，而且界面基於QT，跨平台支持。可能是R用得多了，pyplot用起來還是不太順手，覺得其各個組建的統一性不高。
IDE：
Rstudio非常不錯，提供類matlab環境。（用過vim-r-plugin，用過emacs + ess現在用vim。）
windows 下有python(x,y) 還有許多商業的工具。（本人現在的emacs環境還不是很順手~）
建議：
如果只是處理（小）數據的，用R。結果更可靠，速度可以接受，上手方便，多有現成的命令、程序可以用。
要自己搞個演算法、處理大數據、計算量大的，用python。開發效率高，一切盡在掌握。
ps：盲目地用R的包比盲目的地用python的包要更安全。起碼R會把你指向一篇論文，而python只是指向一堆代碼。R出問題了還有論文作者、審稿人陪葬。
『貳』 怎麼在mac 系統上使用Python怎麼安裝Anaconda
1. 首先安裝python，我選擇安裝Anaconda （Windows 64-Bit Python 2.7 Graphical Installer 下載地址）。
Anaconda的一些命令（在Anaconda的命令行窗口輸入）：
conda list #該命令，將列出Anaconda安裝的所有應用包，我們可以看到Anaconda已經安裝了numpy, nose, pip, python, scipy, mingw等等。
conda install <pkg name> #該命令用於安裝應用包，如 conda install numpy.
pip install <pkg name> #該命令用於安裝應用包，如 pip install theano.
conda update <pkg name> #升級應用包，如 conda update python
2. 安裝Theano，在Anaconda 的命令窗口中輸入 pip install theano，可以看到程序開始下載安裝包，並檢查是否滿足安裝條件：numpy>=1.5.0，scipy>=0.7.2，滿足條件之後開始運行setup.py安裝theano，安裝完成後會顯示Successfully installed theano。
3. 測試Theano安裝情況。
（1）在ipython中輸入以下兩行代碼：
import theano
theano.test（）
會顯示theano的版本號，安裝位置，已經其他包的安裝版本，如numpy,nose,python等。
在運行中出現g++不是內部或外部命令，也不是可運行的程序或批處理文件。
（2）在Anaconda的命令行窗口輸入：python Lib\site-packages\theano\tests\run_tests_in_batch.py
顯示unable to find theano-nose，查看run_tests_in_batch.py發現，其中路徑設置為在bin下尋找theano-nose文件，而實際上Anaconda文件夾下根本沒有bin這個文件夾，theano-nose存放在Scripts文件夾中。
》》》嘗試1：將Scripts更名為bin，重新運行這句命令，可以成功運行。但是出現一個warning，提示沒有檢測到g++，所以無法運行優化後的C代碼版本，只能執行python版本。
該種嘗試的結果是，下次打開Anaconda 命令窗口後出現錯誤，因為其運行路徑為Scripts，所以還是不要修改了。
（3）g++問題。我們打開MinGW文件夾，可以很清楚的看到有g++，但是為什麼使用不了呢？？在Anaconda 命令窗口中輸入g++也能成功調用g++.exe啊。所以結論是，鑒於這個代碼中出現很明顯的漏洞，所以說不定這里也是錯誤，先不管這些了。
試著做了以下配置，也不知行不行。
添加環境變數： path: C:\Anaconda\MinGW\bin;C:\Anaconda\MinGW\x86_64-w64-mingw32\lib;
新建環境變數： PYTHONPATH: C:\Anaconda\Lib\site-packages\theano;
在home目錄下（cmd可以看到，我的是C:\Users\Administrator），創建 .theanorc.txt 文件內容如下：
[global]
openmp=False
[blas]
ldflags=
[gcc]
cxxflags = -IC:\MinGW\include
（4）驗證BLAS是否安裝成功。由於numpy是依賴BLAS的，如果BLAS沒有安裝成功，雖然numpy亦可以安裝，但是無法使用BLAS的加速。驗證numpy是否真的成功依賴BLAS編譯，用以下代碼試驗：
>>> import numpy
>>> id（numpy.dot） == id（numpy.core.multiarray.dot）
False
結果為False表示成功依賴了BLAS加速，如果是Ture則表示用的是python自己的實現並沒有加速。
『叄』 並行程序開發的語言現在有多少種
一般沒有專門的獨立語言，都是附加在傳統語言之上的，比如：
OpenMP附加在C、C++、Fortran之上
MPI（有多種，如MPICH）附加在C、C++、Fortran、Python、JAVA等語言之上
類似的還有Ateji PX、CUDA、OpenCL、OpenHMPP、PVM、Intel TBB、Boost Thread、Global Arrays、Charm++、Cilk、Dryad、DryadLINQ等等
還有傳統語言的並行化改進版，如Parallel C、High Performance Fortran、Co-array Fortran等
『肆』 怎樣用 Matlab 寫出優雅的代碼
用deal實現Python中的「一行賦多值」。
[H, W, N] = deal(42); % H = 42, W = 42, N = 42
[H, W, N] = deal(28, 28, 32); % H = 28, W = 28, N = 32, respectively
Matlab向量化的技巧網上文章很多，此處不表。矩陣操作和循環操作混雜的時候，考慮用structfun, arrayfun, bsxfun, cellfun等等，例如從N幅圖像中減去均值：
A = rand(H, W, N); % N 2D images
B = bsxfun(@minus, A, mean(A, 3)); % take out the mean
需要和高維數組(Tensor)打交道的話，思考時不要想著row, column, page這些術語, 要用dim_1, dim_2,... dim_M來思考。好多地方說Matlab是先存column， 用我們的術語其實就是Matlab按照從左到右：dim_1, dim_2,... dim_M的順序存儲元素。例如想想下面 2 x 4 x 3 x 5 矩陣的存儲順序：
sz = [2, 4, 3, 5]; % dim_1 = 2, dim_2 = 4, dim_3 = 3, dim_4 = 5
A = reshape( 1 : prod(sz), sz );
可能的話，用generic for。例如以下代碼哪個好一望便知：
z = [1, 3, 7, 11, 15];
for each = z
disp( each );
end
for i = 1: numel(z)
disp( z(i) );
end
用Matlab的方式組織自己的數據結構。比如，有時應該把struct當做dictionary用，比Python里的dict還方便。例如:
a.tom = 1; // insert (key = tom, value = 1)
a.jerry = 2; // insert (key = jerry, value = 2)
c = a.tom + 1; // access key = tom
理解cell的()引用和{}引用的區別。
理解Matlab傳遞參數時的逗號語義，以及相關的用cell實現變長參數的傳遞。例如：
x = linspace(0, 2*pi);
sty = {'linewidth', 2, 'color','r', 'linestyle','--'};
plot(x, sin(x), sty{:});
理解Matlab為面向過程編程、函數式編程提供了哪些語言層面上的支持。可變參數和返回值用varargin, varargout，Nested function相當於其它動態語言裡面的閉包，函數和類名也是first-class type，能方便的被當做參數傳遞（加@）。
Matlab對並行編程提供語言層面的支持，如parfor, spmd等關鍵字，你可以用類似openmp或者cuda C那樣的思維寫並行代碼。
在寫行業相關代碼時，函數參數和函數名可以用長名，別人調用時比較清晰。本地變數用短名，做這行的一看變知含義，自己也方便。例如 e = m * c^2等等。
寫面向過程Matlab代碼時，不要把所有的演算法流程都塞到一個幾百行上千行的函數里。把功能拆分成若干小函數。一個典型m文件的layout
function [r_1, r_2] = do_a (arg1, arg2, varargin)
t = 5
z1 = sub_1 (3);
…
z2 = sub_2 (4);
…
r_1 = …;
r_2 = …;
return;
function r = sub_1 (aa)
…
r = aa + t;
end
end
function t = sub_2 (bb)
…
end
代碼規模較大時，做好名字空間管理。如果有大量互相獨立的短函數，用靜態方法實現名字空間的管理。
classdef xxu
methods(Static)
function r = fun_1 (arg)
end
function v = fun_2 (arg)
end
end
end
調用時：
xy = xxu.fun_1(A);
vv = xxu.fun_2(A);
如果函數多，每個函數也比較大（比如一個函數就是一個幾百行的文件，裡面還有sub function, nested function），用pakage管理。例如新建一個叫 "+xxu"的文件夾（xxu前面一個加號），文件夾裡面有函數文件fun_1.m和fun_2.m，調用時就可以用名字空間xxu:
xy = xxu.fun_1(A);
vv = xxu.fun_2(A);
如果直接寫fun_1或fun_2就會出錯。
理解Matlab為面向對象編程提供了哪些支持。class的傳值，handle class的傳引用。繼承。定義介面的Abstract Class。將行業的演算法庫封成class是比較推薦的做法，近期的官方toolbox基本都開始轉向這種風格了。當然怎麼用OO的思維編程就是「功夫在Matlab外」了。
最後給題主潑點冷水，做科研的話，太大型的gui不適合用matlab搞。matlab的gui是給工toolbox提供一個可視化的portal。經典例子：信號處理中濾波器設計，matlab提供一個gui讓你手拖帶寬。
『伍』 有沒有簡單的中文python的openMP和MPI教程
MPI（MPI是一個標准，有不同的具體實現，比如MPICH等）是多主機聯網協作進行並行計算的工具，當然也可以用於單主機上多核/多CPU的並行計算，不過效率低。它能協調多台主機間的並行計算，因此並行規模上的可伸縮性很強，能在從個人電腦到世界TOP10的超級計算機上使用。缺點是使用進程間通信的方式協調並行計算，這導致並行效率較低、內存開銷大、不直觀、編程麻煩。
OpenMP是針對單主機上多核/多CPU並行計算而設計的工具，換句話說，OpenMP更適合單台計算機共享內存結構上的並行計算。由於使用線程間共享內存的方式協調並行計算，它在多核/多CPU結構上的效率很高、內存開銷小、編程語句簡潔直觀，因此編程容易、編譯器實現也容易（現在最新版的C、C++、Fortran編譯器基本上都內置OpenMP支持）。不過OpenMP最大的缺點是只能在單台主機上工作，不能用於多台主機間的並行計算！
如果要多主機聯網使用OpenMP（比如在超級計算機上），那必須有額外的工具幫助，比如 MPI + OpenMP 混合編程。或者是將多主機虛擬成一個共享內存環境（Intel有這樣的平台），但這么做效率還不如混合編程，唯一的好處是編程人員可以不必額外學習MPI編程。
『陸』 為什麼越來越多的科學家使用Python，Ruby而非Fortran
需要強調的一點是， 語言只是工具， 在特定應用場景下滿足特定需要的工具，
脫離應用場景來談不但沒有意義而且還會扣友善度。以下經驗（吐槽）都是針對大規模科學計算的， 個人電腦寫一個下午的代碼，然後跑十分鍾的代碼趁早去用
Python/R/Matlab/Ruby， 上手容易， 功能強大， 網上資源豐富， 絕對是您無悔的選擇。
大家的難用都是從
fortran77那裡感受來的，看過80年代的Fortran77代碼，混亂程度簡直爆表。再看2000年左右的Fortran95代碼，馬馬虎虎，
算是中規中矩的結構化語言。最近看過2010年左右的Fortran2003 code（Fortran的lua介面）
。抽象類，構造函數滿天飛，我擦好多feature都不知道。
所以你們批判的不是Fortran， 而是任性的，非結構化的coding
style。這不過恰巧搞科學的這票人都不太鳥coding standard和coding style，
所以Fortran寫出來的代碼大都比較亂， 這是使用者自身需要學習一個， 跟語言本身關系不大吧。見過師弟師妹們寫的C代碼，
比Fortran版本的還魔幻。
而C和C++裡面也有goto， 也有extern可以不做函數參數參數檢查，倒是沒見你們怎麼噴。Fortran裡面也有interface來聲明函數原型， 倒也沒見你們怎麼用。
比
如elemental， pure， 函數重載， forall， where，
Fortran95新加的功能一大部分是為並行度設計的，其語法也非常偏向高維的大數組操作， 自動並行化（openmp
workshare）用起來簡直比C++爽不知道多少倍。在OpenMP+MPI的場合加上千核量級的並行度，還是有優勢的。還有一種東西叫CAF，
CoArray Fortran， 專門針對大並行度的超級計算機添加了很多新語法，估計知道的人不多。
更不要說Fortran2003/2008支持面向對象。當然在虛函數方面好像比C++缺了一個功能， 其他都是完整復刻的。
所
以真要批判， 請先看看Fortran95/2003/2008在來批判， 哪怕只看目錄或者Feature
List也好。真正值得噴的是Fortran95裡面的mole的mod file的依賴問題， 寫Makefile很麻煩，
還有就是輸入輸出功能太弱， 必須要靠lua，hdf5，netcdf， json這些第三方工具來支撐。
至少說，只要不用implicit，Fortran編譯的時候可以精確地告訴你哪一行有問題。（對，我就是說給C++黨的， 最近做習題被虐的不要不要的）
如
果要用心做好一個代碼， 並行度在幾千CPU核心的量級上， 有核心維護團隊， 用戶在百人千人量級上的話，正確的姿勢是，
Fortran負責運算密集部分， C++/C負責常用邏輯和介面，
python/ruby/lua負責做膠水，負責暴露給不太關心細節的終端用戶。這套東西199幾年就有人在做，
結果到現在大家還在吵哪一個更好的問題。
-----2016-02-07 補充-------
獲悉Fortran2008裡面終
於對變數聲明坑進行了修補， 在2008之前的版本中， 變數只能在函數的開始部分聲明， 實際的聲明語句可能距離使用語句較遠，
同時可能引發臨時變數誤修改的情況， Fortran2008內加入了BLOCK結構， 可以當地生成臨時變數，
並顯式指明生存期，即使在BLOCK內部使用goto強行跳出， 編譯器也會釋放臨時變數，即
mole m
implicit none
contains
subroutine test1(a, b)
integer，intent(in) :: a
integer, intent(out) :: b
....（執行語句）
TMP1 : BLOCK
integer :: temp_var
temp_var = a*b
a = temp_var
END BLOCK TMP1
....（執行語句）
end subroutine test1
end mole m
『柒』 R 和 Python 用於統計學分析，哪個更好
總的概括：R主要在學術界流行，python(numpy scipy)在工程方便比較實用。
R是S（Splus）的開源版本，或者下一代。發源地在紐西蘭奧克蘭。這個軟體的統計背景很濃烈。我這里濃烈的意思是，如果你不熟習統計知識（歷史）的話，R的幫助文檔看起來是很累的。由統計背景的人開發。R的維護組叫CRAN-R。在生物信息方便，有個叫bioconctor的組織，裡面有很多生物信息方面可以用的軟體包，他們有一套自己維護package系統。
Python是個綜合語言（這里特指指CPython解釋器），numpy scipy是數值計算的擴展包，pandas是主要用來做數據處理（numpy依賴），sympy做符號計算（類似mathematica？）此外還有一些不太成熟的包如sciki learn，statistical models。成熟度不如R。但是已經到了可用的水平了。是讀計算機的人寫的統計包。ipython 更新到1.0以後，功能基本完善，其notebook非常強大（感覺就像mathematica)而且還是基於web，在合作分享方面非常好用。
性能：
大家都說R慢，特別是CS的人。其實這里主要是兩點：一個R裡面數組的調用都是用復制的，二是Rscript慢。三是處理大數據慢。如果R用的好的話，R是不太慢的。具體來說就是Rscript用的少，多用命令，跑點小數據。這樣的話，實際在跑的都是背後的fortran和C庫。他們都有快二三十年歷史了。可謂異常可靠，優化得不能再優化了（指單線程，如果去看源代碼揮發先許多莫名的常數，永用了以後精度高速度快！）。比如一個自己編寫一個R腳本，loop套loop的那種，那真是想死的心都會有。外加一點，R處理文本文件很慢！
Python歸根揭底還是個有解釋器的腳本語言，而且有致命傷——GIL，但python最難能可貴的就是它很容易變得更快。比如pypy，cython，或者直接ctypes掛C庫。純python寫個原型，然後就開是不斷的profiling和加速吧。很輕易可以達到和C一個數量級的速度，但是寫程序、調試的時間少了很多。
並行計算：
R v15 之後有了自帶的parallel包，用挺輕松的。不過其實就是不停的fork，或者mpi，內存消耗挺厲害的。parSapply，parApply什麼的，真是很好用。
Python雖然有GIL——並行計算的死敵，但是有multiprocessing(fork依賴) ，是可以共享數據的什麼的，估計內存消耗方面比R好點，數據零散的話overhead很多。到了MPI的話，mpi4py還是挺好用的。用cython的話結合openmp可以打破GIL，但是過程中不能調用python的對象。
學習曲線：假設什麼編程都不會的同學。
R一開始還是很容易上手的，查到基本的命令，包，直接print一下就有結果了。但是如果要自己寫演算法、優化性能的時候，學習難度陡增。
Python么，挺好學的，絕大多數的幫助文檔都比R好了許多。有些包用起來沒R方便。總的來說深入吼R陡。
擴展資源：
基本上新的統計方法都會有R的package，安裝實用都不麻煩。但是基本上都是搞統計的人寫的計算機包。所以效能上可能有問好。比較出名的有兩個包的管理網站，cran-r 和bioconctor。 所以搞生化的估計R用起來很方便。
python的統計計算包們比R少，多很年輕，還在不斷的開發中。優於是計算機人寫的統計包，用起來的時候要多漲個心眼。
畫圖：
R自帶的那些工具就挺好用了，然後還有ggplot這種非常優美的得力工具。
python 有matplotlib，畫出來效果感覺比R自帶的好一些些，而且界面基於QT，跨平台支持。可能是R用得多了，pyplot用起來還是不太順手，覺得其各個組建的統一性不高。
IDE：
Rstudio非常不錯，提供類matlab環境。（用過vim-r-plugin，用過emacs + ess現在用vim。）
windows 下有python(x,y) 還有許多商業的工具。（本人現在的emacs環境還不是很順手~）
建議：
如果只是處理（小）數據的，用R。結果更可靠，速度可以接受，上手方便，多有現成的命令、程序可以用。
要自己搞個演算法、處理大數據、計算量大的，用python。開發效率高，一切盡在掌握。
ps：盲目地用R的包比盲目的地用python的包要更安全。起碼R會把你指向一篇論文，而python只是指向一堆代碼。R出問題了還有論文作者、審稿人陪葬。
『捌』 anaconda 怎麼引用或者系統的python庫
1. 首先安裝python，我選擇安裝Anaconda （Windows 64-Bit Python 2.7 Graphical Installer 下載地址）。 Anaconda的一些命令（在Anaconda的命令行窗口輸入）： conda list #該命令，將列出Anaconda安裝的所有應用包，我們可以看到Anaconda已經安裝了numpy, nose, pip, python, scipy, mingw等等。 conda install <pkg name> #該命令用於安裝應用包，如 conda install numpy. pip install <pkg name> #該命令用於安裝應用包，如 pip install theano. conda update <pkg name> #升級應用包，如 conda update python 2. 安裝Theano，在Anaconda 的命令窗口中輸入 pip install theano，可以看到程序開始下載安裝包，並檢查是否滿足安裝條件：numpy>=1.5.0，scipy>=0.7.2，滿足條件之後開始運行setup.py安裝theano，安裝完成後會顯示Successfully installed theano。 3. 測試Theano安裝情況。 （1）在ipython中輸入以下兩行代碼： import theano theano.test() 會顯示theano的版本號，安裝位置，已經其他包的安裝版本，如numpy,nose,python等。 在運行中出現g++不是內部或外部命令，也不是可運行的程序或批處理文件。 （2）在Anaconda的命令行窗口輸入：python Lib\site-packages\theano\tests\run_tests_in_batch.py 顯示unable to find theano-nose，查看run_tests_in_batch.py發現，其中路徑設置為在bin下尋找theano-nose文件，而實際上Anaconda文件夾下根本沒有bin這個文件夾，theano-nose存放在Scripts文件夾中。 》》》嘗試1：將Scripts更名為bin，重新運行這句命令，可以成功運行。但是出現一個warning，提示沒有檢測到g++，所以無法運行優化後的C代碼版本，只能執行python版本。 該種嘗試的結果是，下次打開Anaconda 命令窗口後出現錯誤，因為其運行路徑為Scripts，所以還是不要修改了。 （3）g++問題。我們打開MinGW文件夾，可以很清楚的看到有g++，但是為什麼使用不了呢？？在Anaconda 命令窗口中輸入g++也能成功調用g++.exe啊。所以結論是，鑒於這個代碼中出現很明顯的漏洞，所以說不定這里也是錯誤，先不管這些了。 試著做了以下配置，也不知行不行。 添加環境變數: path: C:\Anaconda\MinGW\bin;C:\Anaconda\MinGW\x86_64-w64-mingw32\lib; 新建環境變數： PYTHONPATH: C:\Anaconda\Lib\site-packages\theano; 在home目錄下（cmd可以看到，我的是C:\Users\Administrator），創建 .theanorc.txt 文件內容如下： [global] openmp=False [blas] ldflags= [gcc] cxxflags = -IC:\MinGW\include （4）驗證BLAS是否安裝成功。由於numpy是依賴BLAS的，如果BLAS沒有安裝成功，雖然numpy亦可以安裝，但是無法使用BLAS的加速。驗證numpy是否真的成功依賴BLAS編譯，用以下代碼試驗： >>> import numpy >>> id(numpy.dot) == id(numpy.core.multiarray.dot) False 結果為False表示成功依賴了BLAS加速，如果是Ture則表示用的是python自己的實現並沒有加速。