3.4 降维任务

3.4 降维任务

Scikit-learn 实践应用：降维任务详解

1. 降维任务概述

1.1 什么是降维？

降维，顾名思义，是指降低数据特征的维度。从数学角度来看，降维是将原始高维空间的数据映射到一个低维空间的过程。这个过程的目标是在减少特征数量的同时，最大程度地保留原始数据的内在结构和信息。

1.2 为什么需要降维？

降维的重要性体现在以下几个方面：

• 缓解维度灾难 (Curse of Dimensionality)： 在高维空间中，数据变得稀疏，距离度量失效，导致许多机器学习算法的性能急剧下降。降维可以有效地缓解维度灾难，提升模型的泛化能力。

• 提高计算效率： 降低特征维度可以显著减少模型训练和预测的计算量，加快算法的运行速度，尤其是在处理大规模数据集时效果更加明显。

• 数据可视化： 高维数据难以直接可视化，而降维可以将数据投影到二维或三维空间，方便我们进行数据探索和模式识别。

• 去除噪声和冗余信息： 原始数据中可能存在噪声和冗余特征，降维可以帮助我们提取关键特征，去除不相关信息，提高模型的鲁棒性和准确性。

• 特征选择和特征提取： 降维可以作为特征工程的一部分，帮助我们选择更重要的特征或提取更有效的特征表示，提升模型的解释性和性能。

1.3 降维的类型

降维方法主要分为两大类：

• 特征选择 (Feature Selection)： 从原始特征集中选择一部分最相关的特征子集，直接移除不相关的或冗余的特征。特征选择方法保持了原始特征的含义，易于理解和解释。

• 特征提取 (Feature Extraction)： 通过某种变换将原始特征转换为一组新的特征，新的特征是原始特征的组合或映射。特征提取方法创建了新的特征空间，通常能够更有效地捕捉数据中的潜在结构，但新特征的含义可能不如原始特征直观。

2. Scikit-learn 中的降维工具

Scikit-learn 提供了丰富的降维算法，涵盖了特征选择和特征提取两大类。常用的降维方法包括：

特征选择方法：

• 方差阈值 (VarianceThreshold)： 移除方差低于设定阈值的特征，适用于特征值方差较小的特征对模型贡献不大的情况。

• 单变量特征选择 (SelectKBest, SelectPercentile, SelectFpr, SelectFdr, SelectFwe)： 基于单变量统计检验选择 K 个最佳特征或指定百分比的最佳特征。常用的统计检验方法包括卡方检验、F 检验、互信息等。

• 递归特征消除 (RFE, RFECV)： 基于模型性能迭代地移除特征，直到达到指定的特征数量或模型性能最优。

• 基于模型的特征选择 (SelectFromModel)： 利用训练好的模型（例如线性模型、树模型）的特征重要性或系数来选择特征。

特征提取方法：

• 主成分分析 (PCA - Principal Component Analysis)： 通过线性变换将数据投影到方差最大的方向，提取主成分，是一种无监督的降维方法。

• 线性判别分析 (LDA - Linear Discriminant Analysis)： 通过线性变换将数据投影到类间距离最大、类内距离最小的方向，是一种有监督的降维方法，常用于分类任务。

• 非负矩阵分解 (NMF - Non-negative Matrix Factorization)： 将非负矩阵分解为两个非负矩阵的乘积，常用于图像处理、文本挖掘等领域。

• 截断奇异值分解 (TruncatedSVD)： 对矩阵进行奇异值分解，保留最大的 k 个奇异值和奇异向量，用于稀疏数据的降维，例如文本数据的 TF-IDF 矩阵。

• t-分布随机邻域嵌入 (t-SNE - t-distributed Stochastic Neighbor Embedding)： 一种非线性降维方法，主要用于高维数据的可视化，能够很好地保留数据的局部结构。

• 均匀流形逼近和投影 (UMAP - Uniform Manifold Approximation and Projection)： 一种新型的非线性降维方法，在保持全局结构和局部结构方面都表现出色，且计算效率较高。 (注意：UMAP 虽然非常流行且与 Scikit-learn 兼容，但它本身不是 Scikit-learn 核心库的一部分，需要单独安装 umap-learn 库。)

本文将重点介绍 方差阈值 (VarianceThreshold), SelectKBest, SelectFromModel, 主成分分析 (PCA), 线性判别分析 (LDA) 和 t-分布随机邻域嵌入 (t-SNE) 这几种常用的降维方法，并通过代码示例进行详细讲解。

3. 降维任务的代码实践与详解

3.1 特征选择方法

特征选择旨在从原始特征集中选择一个子集，而无需改变特征本身的表示形式。Scikit-learn 提供了多种特征选择器，下面我们将介绍几种常用的方法。

3.1.1 方差阈值 (VarianceThreshold)

VarianceThreshold 是一种简单但有效的特征选择方法，它移除方差低于设定阈值的特征。假设特征的方差很小，意味着该特征的取值变化不大，对模型的贡献可能较小。

代码示例：

import numpy as np
from sklearn.feature_selection import VarianceThreshold
# 示例数据
X = np.array([[0, 0, 1],
              [0, 1, 0],
              [1, 0, 0],
              [0, 1, 1],
              [0, 1, 0],
              [0, 1, 1]])
# 创建 VarianceThreshold 对象，设置阈值为 0.8
selector = VarianceThreshold(threshold=0.8)
# 应用方差阈值选择
X_transformed = selector.fit_transform(X)
print("原始数据:\n", X)
print("降维后的数据:\n", X_transformed)
print("保留的特征索引:", selector.get_support(indices=True))
​

代码详解：

1. 导入模块: 导入 numpy 用于创建示例数据，导入 VarianceThreshold 类。

2. 创建示例数据: X 是一个 6x3 的 numpy 数组，代表 6 个样本，3 个特征。

3. 创建 VarianceThreshold 对象: VarianceThreshold(threshold=0.8) 创建一个方差阈值选择器，阈值设置为 0.8。这意味着方差小于 0.8 的特征将被移除。

4. 应用方差阈值选择: selector.fit_transform(X) 先使用 fit 方法计算每个特征的方差，然后使用 transform 方法根据阈值移除方差过小的特征，并返回降维后的数据 X_transformed。

5. 打印结果: 打印原始数据 X，降维后的数据 X_transformed，以及 selector.get_support(indices=True) 返回的保留特征的索引。

运行结果分析：

原始数据:
 [[0 0 1]
 [0 1 0]
 [1 0 0]
 [0 1 1]
 [0 1 0]
 [0 1 1]]
降维后的数据:
 [[1]
 [0]
 [0]
 [1]
 [0]
 [1]]
保留的特征索引: [2]
​

可以看到，原始数据有 3 个特征，经过方差阈值选择后，只保留了索引为 2 的特征（即第三列特征），因为第一列和第二列特征的方差都低于 0.8。

适用场景：

• 当你怀疑某些特征的方差很小，对模型贡献不大时，可以使用 VarianceThreshold 进行快速的特征筛选。

• 尤其适用于特征值分布比较集中的数据集。

参数详解：

• threshold: 方差阈值，默认为 0。方差低于此阈值的特征将被移除。

3.1.2 单变量特征选择 (SelectKBest)

SelectKBest 基于单变量统计检验选择 K 个最佳特征。它评估每个特征与目标变量之间的相关性（对于分类任务或回归任务），然后选择得分最高的 K 个特征。

代码示例 (分类任务，使用卡方检验)：

from sklearn.datasets import load_iris
from sklearn.feature_selection import SelectKBest, chi2
# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target
# 创建 SelectKBest 对象，使用卡方检验，选择 2 个最佳特征
selector = SelectKBest(score_func=chi2, k=2)
# 应用特征选择
X_transformed = selector.fit_transform(X, y)
print("原始特征名称:", iris.feature_names)
print("降维后的数据:\n", X_transformed[:5]) # 打印前 5 行数据
print("保留的特征索引:", selector.get_support(indices=True))
print("特征得分:", selector.scores_)
​

代码详解：

1. 导入模块: 导入 load_iris 加载数据集，导入 SelectKBest 和 chi2 类。

2. 加载鸢尾花数据集: load_iris() 加载鸢尾花数据集，X 是特征数据，y 是目标变量（类别标签）。

3. 创建 SelectKBest 对象: SelectKBest(score_func=chi2, k=2) 创建一个 SelectKBest 选择器，score_func=chi2 指定使用卡方检验作为评分函数，k=2 指定选择 2 个最佳特征。

4. 应用特征选择: selector.fit_transform(X, y) 先使用 fit 方法计算每个特征的卡方统计量，然后使用 transform 方法选择得分最高的 2 个特征，并返回降维后的数据 X_transformed。注意，fit 方法需要同时传入特征数据 X 和目标变量 y，因为卡方检验是用于分类任务的，需要目标变量信息。

5. 打印结果: 打印原始特征名称 iris.feature_names，降维后的数据 X_transformed 的前 5 行，保留的特征索引 selector.get_support(indices=True)，以及每个特征的卡方统计量得分 selector.scores_。

运行结果分析：

原始特征名称: ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
降维后的数据:
 [[1.4 0.2]
 [1.4 0.2]
 [1.3 0.2]
 [1.5 0.2]
 [1.4 0.2]]
保留的特征索引: [2 3]
特征得分: [ 10.81782088   3.71072703 116.31261309  67.04836428]
​

可以看到，原始的 4 个特征中，SelectKBest 使用卡方检验选择了索引为 2 和 3 的特征，即 'petal length (cm)' 和 'petal width (cm)'，这两个特征的卡方统计量得分最高，表明它们与目标变量类别标签的相关性更强。

适用场景：

• 当你需要选择固定数量的特征，并且可以根据特征与目标变量之间的相关性进行选择时。

• 适用于分类任务和回归任务，需要根据任务类型选择合适的评分函数。

• 常用的评分函数包括：

  • 分类任务： chi2 (卡方检验，适用于非负特征), f_classif (方差分析 F 检验), mutual_info_classif (互信息)

  • 回归任务： f_regression (F 检验), mutual_info_regression (互信息)

参数详解：

• score_func: 评分函数，用于计算每个特征的得分。

• k: 选择的特征数量。可以是整数，也可以是 "all" (选择所有特征)。

3.1.3 基于模型的特征选择 (SelectFromModel)

SelectFromModel 使用一个训练好的模型来选择特征。它可以利用模型的特征重要性属性 (例如树模型的 feature_importances_) 或特征系数 (例如线性模型的 coef_) 来评估特征的重要性，并选择重要性高于设定阈值的特征。

代码示例 (使用 RandomForestClassifier 作为模型)：

from sklearn.datasets import load_iris
from sklearn.feature_selection import SelectFromModel
from sklearn.ensemble import RandomForestClassifier
# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target
# 使用 RandomForestClassifier 作为模型
model = RandomForestClassifier(random_state=42)
# 创建 SelectFromModel 对象，使用模型进行特征选择，阈值为 'mean' (平均特征重要性)
selector = SelectFromModel(model, threshold='mean')
# 应用特征选择
X_transformed = selector.fit_transform(X, y)
print("原始特征名称:", iris.feature_names)
print("降维后的数据:\n", X_transformed[:5])
print("保留的特征索引:", selector.get_support(indices=True))
print("特征重要性:", model.fit(X, y).feature_importances_) # 打印模型的特征重要性
​

代码详解：

1. 导入模块: 导入 load_iris, SelectFromModel, RandomForestClassifier 类。

2. 加载鸢尾花数据集: 同上。

3. 创建 RandomForestClassifier 模型: RandomForestClassifier(random_state=42) 创建一个随机森林分类器，random_state=42 设置随机种子以保证结果可复现。

4. 创建 SelectFromModel 对象: SelectFromModel(model, threshold='mean') 创建一个 SelectFromModel 选择器，model 参数传入我们创建的随机森林模型，threshold='mean' 指定阈值为特征重要性的平均值。这意味着特征重要性高于平均值的特征将被保留。

5. 应用特征选择: selector.fit_transform(X, y) 先使用 fit 方法训练模型，并计算每个特征的特征重要性，然后使用 transform 方法根据阈值选择特征，并返回降维后的数据 X_transformed。

6. 打印结果: 打印原始特征名称，降维后的数据，保留的特征索引，以及模型的特征重要性 model.fit(X, y).feature_importances_。 注意，为了获取特征重要性，我们需要先使用 model.fit(X, y) 训练模型。

运行结果分析：

原始特征名称: ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
降维后的数据:
 [[1.4 0.2]
 [1.4 0.2]
 [1.3 0.2]
 [1.5 0.2]
 [1.4 0.2]]
保留的特征索引: [2 3]
特征重要性: [0.10595931 0.02492451 0.44453523 0.42458095]
​

可以看到，使用随机森林模型进行特征选择后，也选择了索引为 2 和 3 的特征，即 'petal length (cm)' 和 'petal width (cm)'，这与 SelectKBest 使用卡方检验的结果一致。随机森林模型的特征重要性也显示，这两个特征的重要性明显高于其他两个特征。

适用场景：

• 当你想利用模型的特征重要性或系数进行特征选择时。

• 可以使用各种线性模型 (例如 Logistic Regression, LinearSVC) 或树模型 (例如 RandomForestClassifier, GradientBoostingClassifier) 作为基础模型。

• 阈值的设置可以根据需求调整，例如 'mean', 'median', 或者自定义数值。

参数详解：

• estimator: 用于特征选择的基础模型，需要具有 feature_importances_ 或 coef_ 属性。

• threshold: 特征重要性或系数的阈值。可以是字符串 ('mean', 'median') 或数值。低于阈值的特征将被移除。

• prefit: 是否假设模型已经训练好。如果为 True，则直接使用已经训练好的模型进行特征选择，否则会在 fit 方法中训练模型。

3.2 特征提取方法

特征提取通过变换原始特征空间，创建新的特征表示。Scikit-learn 提供了多种特征提取算法，下面我们将介绍几种常用的方法。

3.2.1 主成分分析 (PCA - Principal Component Analysis)

PCA 是一种无监督的线性降维方法，它通过正交变换将原始数据投影到新的坐标系中，新坐标系是按照数据方差大小排序的，称为主成分。PCA 选择方差最大的前 K 个主成分作为新的特征，从而实现降维。

代码示例：

from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target
# 创建 PCA 对象，指定降维到 2 个主成分
pca = PCA(n_components=2)
# 应用 PCA 降维
X_pca = pca.fit_transform(X)
print("原始数据 shape:", X.shape)
print("降维后的数据 shape:", X_pca.shape)
print("解释方差比率:", pca.explained_variance_ratio_)
# 可视化降维结果 (二维)
plt.figure(figsize=(8, 6))
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap='viridis')
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')
plt.title('PCA降维后的鸢尾花数据集')
plt.colorbar(label='类别')
plt.show()
​

代码详解：

1. 导入模块: 导入 load_iris, PCA, matplotlib.pyplot 类。

2. 加载鸢尾花数据集: 同上。

3. 创建 PCA 对象: PCA(n_components=2) 创建一个 PCA 对象，n_components=2 指定降维到 2 个主成分。

4. 应用 PCA 降维: pca.fit_transform(X) 先使用 fit 方法计算主成分，然后使用 transform 方法将数据投影到主成分空间，并返回降维后的数据 X_pca。

5. 打印结果: 打印原始数据和降维后数据的 shape，以及 pca.explained_variance_ratio_ 返回的每个主成分的解释方差比率。解释方差比率表示每个主成分解释了原始数据总方差的比例。

6. 可视化降维结果: 使用 matplotlib.pyplot 绘制散点图，将降维后的数据 X_pca 的第一和第二主成分作为 x 和 y 轴，颜色表示类别标签 y。

运行结果分析：

原始数据 shape: (150, 4)
降维后的数据 shape: (150, 2)
解释方差比率: [0.92461872 0.05306648]
​

运行代码后，会弹出一个二维散点图，显示降维后的鸢尾花数据集在两个主成分空间上的分布情况。从输出结果可以看到，原始数据有 4 个特征，经过 PCA 降维后变为 2 个特征。explained_variance_ratio_ 显示第一个主成分解释了原始数据 92.46% 的方差，第二个主成分解释了 5.31% 的方差。两者加起来已经解释了超过 97% 的原始数据方差，说明降维效果良好，保留了大部分信息。

适用场景：

• 当你需要进行无监督的线性降维，并且希望保留数据中方差最大的方向时。

• 常用于数据可视化、噪声去除、特征压缩等场景。

• 尤其适用于特征之间存在线性相关性的数据集。

参数详解：

• n_components: 降维后的维度，即保留的主成分数量。可以是整数，也可以是 0 到 1 之间的小数，表示保留的方差比例。例如 n_components=0.95 表示保留能够解释 95% 方差的主成分数量。

• whiten: 是否进行白化处理。白化处理将主成分缩放到单位方差，并去除特征之间的相关性。

3.2.2 线性判别分析 (LDA - Linear Discriminant Analysis)

LDA 是一种有监督的线性降维方法，主要用于分类任务。它通过寻找最佳的投影方向，使得降维后的数据在同一类别内部尽可能紧凑，不同类别之间尽可能分散。与 PCA 不同，LDA 考虑了类别信息，因此更适合用于分类任务的特征提取。

代码示例：

from sklearn.datasets import load_iris
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
import matplotlib.pyplot as plt
# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target
# 创建 LDA 对象，指定降维到 2 个成分
lda = LinearDiscriminantAnalysis(n_components=2)
# 应用 LDA 降维
X_lda = lda.fit_transform(X, y)
print("原始数据 shape:", X.shape)
print("降维后的数据 shape:", X_lda.shape)
# 可视化降维结果 (二维)
plt.figure(figsize=(8, 6))
plt.scatter(X_lda[:, 0], X_lda[:, 1], c=y, cmap='viridis')
plt.xlabel('Linear Discriminant 1')
plt.ylabel('Linear Discriminant 2')
plt.title('LDA降维后的鸢尾花数据集')
plt.colorbar(label='类别')
plt.show()
​

代码详解：

1. 导入模块: 导入 load_iris, LinearDiscriminantAnalysis, matplotlib.pyplot 类。

2. 加载鸢尾花数据集: 同上。

3. 创建 LDA 对象: LinearDiscriminantAnalysis(n_components=2) 创建一个 LDA 对象，n_components=2 指定降维到 2 个成分。

4. 应用 LDA 降维: lda.fit_transform(X, y) 先使用 fit 方法计算 LDA 投影方向，需要同时传入特征数据 X 和目标变量 y，然后使用 transform 方法将数据投影到 LDA 空间，并返回降维后的数据 X_lda。

5. 打印结果: 打印原始数据和降维后数据的 shape。

6. 可视化降维结果: 同 PCA 的可视化代码，只是 x 和 y 轴标签改为 'Linear Discriminant 1' 和 'Linear Discriminant 2'。

运行结果分析：

原始数据 shape: (150, 4)
降维后的数据 shape: (150, 2)
​

运行代码后，会弹出一个二维散点图，显示 LDA 降维后的鸢尾花数据集在两个线性判别成分空间上的分布情况。从图中可以看出，不同类别的样本在 LDA 空间中被很好地分离开来，这表明 LDA 在分类任务上具有良好的降维效果。

适用场景：

• 主要用于分类任务的特征提取，特别是当不同类别之间的数据分布差异较大时。

• 可以用于数据可视化，但更侧重于展示类别可分性。

• 适用于特征之间存在线性关系，且类别信息对降维有重要影响的数据集。

参数详解：

• n_components: 降维后的维度，即保留的线性判别成分数量。取值范围为 1 到 n_classes - 1，其中 n_classes 是类别数量。

3.2.3 t-分布随机邻域嵌入 (t-SNE - t-distributed Stochastic Neighbor Embedding)

t-SNE 是一种非线性降维方法，主要用于高维数据的可视化。它通过将高维空间中样本之间的相似度映射到低维空间，并尽可能保留样本之间的局部结构，从而实现降维和可视化。 t-SNE 特别擅长揭示高维数据中的聚类结构。

代码示例 (使用 digits 数据集)：

from sklearn.datasets import load_digits
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
# 加载 digits 数据集 (手写数字数据集)
digits = load_digits()
X, y = digits.data, digits.target
# 创建 t-SNE 对象，降维到 2 维
tsne = TSNE(n_components=2, random_state=42)
# 应用 t-SNE 降维
X_tsne = tsne.fit_transform(X)
print("原始数据 shape:", X.shape)
print("降维后的数据 shape:", X_tsne.shape)
# 可视化降维结果 (二维)
plt.figure(figsize=(10, 8))
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=y, cmap='Spectral') # 使用 Spectral 色彩映射
plt.xlabel('t-SNE Component 1')
plt.ylabel('t-SNE Component 2')
plt.title('t-SNE降维后的手写数字数据集')
plt.colorbar(label='数字')
plt.show()
​

代码详解：

1. 导入模块: 导入 load_digits, TSNE, matplotlib.pyplot 类。

2. 加载 digits 数据集: load_digits() 加载手写数字数据集，这是一个包含 1797 个样本，每个样本有 64 个特征 (8x8 像素图像) 的数据集，目标变量 y 是数字类别 (0-9)。

3. 创建 TSNE 对象: TSNE(n_components=2, random_state=42) 创建一个 TSNE 对象，n_components=2 指定降维到 2 维，random_state=42 设置随机种子。

4. 应用 t-SNE 降维: tsne.fit_transform(X) 先使用 fit 方法计算 t-SNE 嵌入，然后使用 transform 方法将数据投影到 t-SNE 空间，并返回降维后的数据 X_tsne。 t-SNE 的计算复杂度较高，尤其是在大规模数据集上，fit_transform 方法可能需要较长时间。

5. 打印结果: 打印原始数据和降维后数据的 shape。

6. 可视化降维结果: 使用 matplotlib.pyplot 绘制散点图，颜色使用 Spectral 色彩映射，更适合展示多类别数据的分布。

运行结果分析：

原始数据 shape: (1797, 64)
降维后的数据 shape: (1797, 2)
​

运行代码后，会弹出一个二维散点图，显示 t-SNE 降维后的手写数字数据集在两个 t-SNE 成分空间上的分布情况。从图中可以看出，不同数字类别的样本在 t-SNE 空间中形成了明显的聚类，即使是高维的 64 维手写数字数据，t-SNE 也能够有效地将它们投影到二维空间并展示其聚类结构。

适用场景：

• 主要用于高维数据的可视化，特别是当你想揭示数据中的聚类结构时。

• 可以用于数据探索，帮助理解高维数据的内在结构。

• 不适合用于下游机器学习任务的特征提取，因为 t-SNE 是一种非线性方法，且计算复杂度较高，通常只用于可视化目的。

参数详解：

• n_components: 降维后的维度，通常设置为 2 或 3 用于可视化。

• perplexity: 困惑度，控制局部邻域的大小，影响 t-SNE 的结果。通常取值范围在 5 到 50 之间，可以根据数据集大小和结构进行调整。

• n_iter: 迭代次数，影响 t-SNE 的优化过程，增加迭代次数可以获得更稳定的结果，但也会增加计算时间。

• random_state: 随机种子，用于控制随机性，保证结果可复现。

4. 降维任务的实践应用领域

降维技术在机器学习和数据挖掘领域有着广泛的应用，以下列举一些常见的应用场景：

• 图像处理： 图像数据通常是高维的，例如彩色图像的像素信息。降维可以用于图像压缩、图像特征提取、图像检索等任务。例如，PCA 可以用于人脸识别中的特征脸提取。

• 自然语言处理 (NLP)： 文本数据的词向量表示 (例如 Word2Vec, GloVe) 通常是高维的。降维可以用于文本主题建模、文本分类、情感分析等任务。例如，TruncatedSVD 可以用于文本数据的 TF-IDF 矩阵降维，从而降低文本分类模型的复杂度。

• 生物信息学： 基因表达数据、蛋白质序列数据等生物数据通常是高维的。降维可以用于基因选择、疾病诊断、药物发现等任务。例如，PCA 可以用于基因表达数据的降维，从而发现重要的基因组合。