第9课 《常见的数据处理过程》课件 2025-2026学年河大版初中信息科技七年级全一册

该初中信息科技课件聚焦数据处理全过程，从体育测试记录的杂乱与结构化对比切入，系统讲解数据与信息的区别、脏数据识别及数据处理五步法，构建从问题导入到流程掌握的学习支架。 其亮点在于融合信息意识（强调隐私保护）、计算思维（五步法流程化）和数字化学习与创新（图书借阅分析、家庭垃圾分类实践），通过生活化案例、小组协作及记忆口诀总结，提升学生数据处理能力与实践创新，为教师提供完整教学流程与实例支持。

常见的数据处理过程 河大版 · 七年级信息技术 1.7.2013 同学们好！欢迎来到今天的信息技术课堂。在我们开始新知识的学习之前，大家有没有想过，我们每天接触到的各种数字、文字背后隐藏着什么秘密呢？今天，就让我们一起走进数据的世界，学习如何让这些杂乱无章的数据变得有用起来！ ‹#› 这是什么？ 面对杂乱无章的体育测试记录，是不是感觉一头雾水，毫无头绪？ “张三80、李四92、张三85、王五缺考、赵六78、李四重复记录92、分数无单位...” 记录重复 同一人分数多次出现，信息冗余，难以分辨正误。 要素缺失 缺考无标注、分数无单位，关键信息不完整，统计困难。 结构混乱 数据排列毫无逻辑，同名混淆，无法快速提取有效内容。 1.7.2013 请看屏幕上的这段文字，这是我们班上个月的体育测试记录。大家花10秒钟快速浏览一下，能马上告诉我谁的分数最高吗？张三到底得了多少分？是不是感觉有点乱，信息一团糟？ ‹#› 现在呢？ 姓名 成绩 备注 张三 85 分 表现稳定，继续保持 李四 92 分 (全班第一) 逻辑清晰，解题思路完整 王五 —— 缺考，需尽快安排补考 赵六：78分，基础知识点掌握尚可，部分难题有待加强。 总结：数据结构化后，成绩分布与问题一目了然！ 1.7.2013 好，现在再看这个表格。是不是一下子就清晰了？李四92分最高，张三是85分，王五缺考也一目了然。从乱糟糟的文字到清晰的表格，这个过程，就是我们今天要学习的——数据处理！ ‹#› 无处不在的数据 数据其实就是对客观事物属性的记录，它并非遥不可及，而是真实存在于我们生活的每一个角落，用不同的形式描述着这个世界。 量化的数字 用具体数值记录客观属性，比如身高165cm、环境温度22℃，是最直观的定量数据。 描述性文字 用语言文字描述事物状态，比如天气是“晴天”、花朵是“红色”，传递定性的信息。 抽象的符号 用约定的标记表示特定含义，比如正确符号“√”、性别符号“♂”，是高度浓缩的信息载体。 总结：无论是数字、文字还是符号，只要能记录信息，就可以被称为数据。 1.7.2013 到底什么是数据呢？其实很简单，我们身边处处都是数据。你的身高、体重是数据，今天的天气、温度是数据，甚至你的性别、喜欢的颜色，这些都可以用文字或符号记录下来，它们都是数据。 ‹#› 有价值的信息 从感知到行动，信息让生活更美好。 信息不是孤立的数字，而是经过加工、处理、分析后，具有使用价值和指导意义的数据集合。 原始数据 是零散、客观的事实记录。例如：22℃、晴天、微风，这些单独存在时缺乏指导意义。 加工信息 是整合后的结论与判断。例如：“今天天气真好，适合去春游！”，能直接指导我们的行动。 核心价值：信息的本质，在于帮助我们消除不确定性，做出更优的决策。 1.7.2013 那信息又是什么呢？信息就是从数据中提炼出来的有用内容。比如，我们知道了温度、天气状况这些数据后，经过思考分析，得出‘今天适合春游’这个结论，这个结论就是信息。它能指导我们的行动。 ‹#› 数据 ≠ 信息 什么是数据？ 数据是零散的、原始的记录，就像厨房里未经处理的蔬菜、肉类等食材。它们孤立存在，本身通常不具备直接的指导意义。 什么是信息？ 信息是经过加工、整理后形成的有价值结论。如同用食材精心烹饪出的美味菜肴，它整合了数据的意义，能够直接为我们的决策提供依据。 核心关系 数据是信息的原料，信息是数据的产品。只有将杂乱的数据进行筛选、分析和整合，去除无效噪声，才能转化为对我们真正有用的信息。 💡 一句话总结：数据是“原材料”，信息是“加工品”，我们追求的是从海量数据中提炼出高价值信息。 1.7.2013 所以大家要记住，数据和信息不是一回事。数据就像是厨房里的各种食材，而信息则是我们用这些食材做出的美味菜肴。数据是原材料，信息是加工后的成品。 ‹#› 小心！脏数据！ 这些数据“捣蛋鬼”，就该被清理掉！ 数据重复：记录“双胞胎” 同一个人或信息被多次录入，比如学生成绩表里，同一个人的名字出现了两次，造成数据冗余，影响统计结果。 信息缺失：关键“零件”丢了 数据信息不完整，比如只有姓名没有成绩，或者联系方式为空，这类数据无法被有效使用，是典型的“半成品”数据。 逻辑错误：明显的“胡说八道” 数据内容不符合常理，比如考试成绩出现150分（满分100），或者年龄填写为负数，这类错误数据会误导分析判断。 1.7.2013 在处理数据时，我们经常会遇到一些‘捣蛋鬼’，它们就是‘脏数据’。就像我们导入案例里重复的李四成绩、缺失的王五成绩，还有写错的分数，这些都会影响我们得出正确的结论，必须先把它们清理掉。 ‹#› 火眼金睛找不同 挑战开始！仔细观察右侧的数据列表，找出里面藏着的“小秘密”，看看谁能最先发现所有问题！ 姓名 年龄 班级 小明 / 小红 / 小明 / 小刚 / 小丽 13 / 14 / 13 / (空) / 200 七(1) / 七(2) / 七(1) / 七(1) / 七(2) 数据重复 “小明”的信息出现了两次，属于明显的重复记录，会增加数据冗余。 信息缺失 “小刚”的年龄字段为空，关键信息缺失，会导致统计分析结果不准确。 数值异常 “小丽”的年龄填了200，远超正常范围，属于不合逻辑的错误数据。 1.7.2013 现在轮到大家大显身手了！请快速找出这个表格里的‘脏数据’，并告诉老师它们分别属于哪一类问题。看看谁的眼睛最亮！ ‹#› 数据处理五步法 01 数据采集 从各类数据源中获取原始信息，是数据处理的起点，决定了数据的基础质量。 02 数据清洗 去除重复、错误、缺失的无效数据，修补异常值，让数据变得准确且规范。 03 数据整理 对数据进行分类、排序、结构化处理，统一格式，为后续分析做好准备工作。 04 数据分析 运用统计方法和算法挖掘数据规律，探索变量关系，提炼出有价值的核心信息。 05 数据呈现 将分析结果通过图表、报告等直观形式展示，让复杂的数据结论清晰易懂。 遵循标准化的五步流程，能够将杂乱无章的原始数据转化为驱动决策的关键智慧，实现数据价值最大化。 1.7.2013 处理数据就像做一道菜，需要遵循固定的步骤。今天我们就来学习这神奇的‘五步法’：采集、清洗、整理、分析、呈现。跟着这五个步骤走，再乱的数据也能被我们轻松搞定！ ‹#› Step 1: 数据采集 数据采集是获取原始数据的第一步，也是数据分析的基石。我们通过多种渠道，将分散、零散的信息汇聚起来，为后续处理提供基础支撑。 线下传统采集 依托实体场景进行信息收集，包括发放纸质问卷调查、现场表格登记、访谈记录等方式。适合针对特定人群、特定场景的精准信息获取，是最基础的原始数据来源。 线上智能采集 利用互联网技术高效获取数据，涵盖在线问卷工具、网页埋点数据抓取、开放API接口对接等形式。具有覆盖面广、数据回收快、存储便捷的优势，是现代数据采集的主流方式。 1.7.2013 第一步，采集数据。就是把我们需要的原始信息收集起来。比如，我们想了解同学们的兴趣爱好，可以发纸质问卷，也可以用在线问卷工具。收集天气数据，可以看报纸，也可以查网站。 ‹#› 校园数据采集 在校园场景中，图书借阅量是反映校园文化活跃度的重要指标。通过多样化的采集方式，我们能更全面地掌握同学们的阅读偏好与习惯。 传统线下采集 依靠图书馆的纸质借阅登记本进行人工统计。这种方式直观但效率较低，需要耗费大量时间整理纸质记录，且容易出现数据录入错误。 高效线上采集 直接从图书馆管理系统中导出结构化数据。数据实时同步、准确完整，能够快速生成借阅报表，极大提升了统计分析的效率与精准度。 1.7.2013 举个例子，学校想知道每周有多少同学借书。老师可以去翻看厚厚的纸质登记本，这是线下采集。更高效的方式是直接从图书馆的电脑系统里导出数据，这就是线上采集。 ‹#› Step 2: 数据清洗 就像洗菜一样，把数据里的“泥沙”和“杂质”统统剔除！ 剔除“脏数据” 识别并删除重复、错误、缺失或异常的数据，过滤掉无效信息，确保数据源头的纯净，为后续分析扫清障碍。 保障数据可靠 让数据变得干净、一致且可信，为建模、分析和决策提供坚实基础，避免因劣质数据导致的结论偏差与误判。 1.7.2013 第二步，数据清洗。这是非常关键的一步！就像洗菜一样，我们要把数据中的‘泥沙’和‘虫子’（也就是脏数据）都清理掉，才能保证后续分析的准确性。 ‹#› 清洗三大招 01. 处理重复数据 精准识别数据集中的重复条目，直接删除多余部分，确保每条数据的唯一性，为后续的统计分析建立可靠基础。 02. 标注缺失数据 遇到数据空缺时，切忌随意编造填补，应详细标注缺失的具体原因（如“缺考”、“设备故障”），真实还原数据采集状态。 03. 修正错误数据 发现数据异常时，必须追溯原始记录进行逐一核对。只有找到确凿依据，才能对错误进行修正，保证数据的严谨性。 💡核心原则：清洗数据的关键在于“有据可依”，所有操作都要保留痕迹，确保数据的真实性和可追溯性。 1.7.2013 清洗数据有三招。遇到重复的，删掉多余的。遇到缺失的，注明原因。遇到错误的，找到原始记录改过来。记住，没有根据不能随便改数据哦！ ‹#› 动手试一试 删除重复记录 发现表格中“张三”的信息重复出现了两次，属于冗余数据。操作时直接删除其中一行重复的记录，保持数据唯一性。 填补缺失数据 “李四”的成绩单元格为空值，无法直接用于统计。经核实情况后，在空白处规范填写备注“因病缺考”，完善数据信息。 修正错误数值 “赵六”的分数显示为150，而试卷满分仅为100，属于明显异常值。通过原始记录核对，将错误数值修改为正确的80分。 清洗小结：经过删除、填补和修正这三步操作，原本杂乱的原始数据变得规范、完整且准确，为后续分析打下了坚实基础。 1.7.2013 我们来看这个例子。张三出现了两次，我们删掉一行。李四的成绩是空的，我们注明‘因病缺考’。赵六的分数是150，满分才100，明显错了，我们核对后改成80。看，清洗后的数据是不是干净多了？ ‹#› Step 3: 数据整理 清洗完数据后，我们需要通过排序、分类和统一格式，让杂乱的信息变得井然有序。 01 数据排序 根据实际需求，将数据按一定规则排列。例如按考试分数从高到低排序，或按姓名的拼音首字母顺序排列，让数据关系一目了然。 02 数据分类 按照特定维度对数据进行分组归纳。比如按班级将学生分开统计，或按性别对体检数据进行归类，便于后续针对不同群体分析。 03 统一格式 规范数据的表现形式。统一数值单位，如温度统一使用“℃”；统一日期书写格式，消除格式差异带来的误解，保证数据一致性。 💡 核心目标：消除数据中的混乱与歧义，为后续的分析和可视化打好坚实基础。 1.7.2013 第三步，数据整理。清洗干净后，我们要给数据排个队，分个类。比如，把成绩从高到低排好，或者把男生女生的数据分开。同时，确保所有数据的格式都一样，比如温度都带上‘℃’。 ‹#› 整理前后大不同 整理前：杂乱无序 数据排列毫无逻辑，各类格式混乱混杂，关键信息被淹没在无序的内容中。不仅视觉上缺乏条理，查找和分析数据时更是费时费力，严重影响工作效率。 整理后：井然有序 数据严格按照分数从高到低降序排列，统一了所有数据的呈现格式。主次分明、条理清晰，能够快速定位核心信息，大幅提升数据处理、分析与决策的效率。 清晰的结构让数据“说话”更有力，标准化的格式是高效分析与科学决策的基石。 1.7.2013 大家看，左边是整理前的表格，乱糟糟的。右边是整理后的，我们按分数从高到低排了序，看起来是不是一目了然？这就是整理的魔力！ ‹#› Step 4: 数据分析 用科学的方法探索数据奥秘，让每一个数字都说话！ 01. 数据计算：从杂乱到有序 通过求和、求平均值、统计数量等基础运算，把零散的数据转化为直观的指标，让我们能清晰看到数据的整体面貌。 02. 挖掘价值：发现隐藏规律 透过计算结果分析数据背后的逻辑，发现趋势和关联，为决策提供有力支撑，让数据真正产生价值。 1.7.2013 第四步，数据分析。这是最激动人心的一步！我们要从整理好的数据中挖掘出有用的信息。比如，计算全班的平均分，看看大家的整体水平；统计一下有多少人得了优秀。 ‹#› 从数据到结论 01. 收集数据 我们首先采集了全班每位同学的身高原始数值，这些零散的、独立的数字，是我们进行后续统计分析的基础信息来源。 02. 进行分析 将所有同学的身高数据相加求和，再除以班级的总人数，通过数学运算的方式，从杂乱的原始数据中提取出核心特征。 03. 得出结论 经过严谨的计算过程，我们最终确定班级同学的平均身高为158cm。这个数值精准概括了全班身高的整体水平，比零散数字更具代表性。 核心洞察：孤立的数据没有意义，只有经过科学的分析和处理，才能转化为对我们有价值的结论。 1.7.2013 举个例子，我们收集了全班同学的身高数据。通过计算，我们发现平均身高是158厘米。这个‘158厘米’就是我们通过分析得出的结论，它比一个个零散的身高数字更有价值。 ‹#› Step 5: 数据呈现 把复杂的分析结果转化为可视化的内容，让信息接收者能快速捕捉核心要点，是数据工作的最终价值体现。 多元呈现形式 根据受众和场景选择合适的载体：使用规范表格展示详细数据，撰写分析报告沉淀结论，或通过柱状图、饼图等直观图表，让趋势一目了然。 关键设计原则 始终坚持“清晰、准确、易于理解”的核心原则。剔除冗余信息，聚焦关键指标，确保数据传达的信息真实可靠，让读者能轻松抓住重点。 1.7.2013 最后一步，数据呈现。我们得出了结论，就要用别人能看懂的方式展示出来。可以是一个清晰的表格，一段文字报告，或者更直观的柱状图、饼图。 ‹#› 重要提醒：保护隐私！ 在处理和展示各类数据的全过程中，保护个人隐私是不可逾越的红线。 隐去敏感身份信息 在展示统计结果或案例分析时，务必对姓名、学号、身份证号等能够直接识别个人身份的敏感信息进行匿名化或模糊化处理。 严守数据分享底线 未经授权，绝不随意向第三方泄露他人的原始数据。尊重他人的信息安全，是每一位数据使用者应遵守的基本职业操守。 1.7.2013 在呈现数据时，有一件非常重要的事情大家一定要记住：保护隐私！比如公布成绩时，我们可以只展示分数段，而不是把每个人的姓名和分数都对应起来。我们要尊重他人的信息安全。 ‹#› 五步法回顾 01 采集 从多渠道获取原始数据，这是数据分析的基石，决定了数据的广度。 02 清洗 去除重复、错误或无效的数据，修正异常值，确保数据准确可用。 03 整理 对数据进行标准化、结构化处理，统一格式，为分析做好充分准备。 04 分析 运用统计与挖掘方法，探索数据规律，挖掘核心价值与关键洞察。 05 呈现 通过图表、报告等形式可视化展示结果，清晰传达数据背后的故事。 1.7.2013 好了，我们来快速回顾一下数据处理的五个步骤：采集、清洗、整理、分析、呈现。大家记住这个顺序了吗？这是我们处理任何数据都可以遵循的黄金法则。 ‹#› 人工 vs 计算机 传统人工处理 主要依赖纸笔进行数据记录与整理，通过手工计算完成统计分析工作。流程直观但高度依赖个人细心程度，是最基础的数据处理方式。 特点：工具易获取，但效率低、易出错、难以处理大量数据。 现代计算机处理 借助WPS表格、Excel等专业软件，利用公式、函数和图表功能，实现数据的自动化运算、可视化展示与高效管理，大幅提升工作质量。 特点：运算精准、速度快、可复用，适合处理复杂且海量的数据。 总结：简单、少量的数据记录适合人工处理；面对复杂计算、长期留存或海量数据时，计算机处理是更优解。二者结合，能充分发挥各自优势，提升数据处理效率。 1.7.2013 处理数据，我们有两种主要方式：传统的人工处理和现代的计算机处理。它们各有各的优缺点，适用于不同的情况。 ‹#› 怎么选？ 人工处理数据 优点：操作简单直接，完全不需要额外的电子设备，上手门槛极低。 局限：处理速度慢，容易因疲劳或疏忽出现计算错误，仅适合处理数据量极小的场景，比如统计3-5人的成绩。 计算机处理数据 优点：运算速度极快，结果精准无误，还能完成复杂的数据分析和图表制作，功能非常强大。 局限：需要学习基础的软件操作知识。适合处理大规模、重复性高的数据工作，比如统计全校几百人的期末成绩。 核心原则：根据数据量的大小选择工具。小量数据人工更便捷，海量数据计算机更高效！ 1.7.2013 我们来看这个对比表。人工处理适合数据量非常小的时候，比如统计我们小组几个人的分数。但如果要统计全校几百人的成绩，用计算机处理就快多了，而且不容易出错。 ‹#› 请你决策！ 从身边的小事出发，观察数据规模的变化，思考不同场景下的最佳解决方案。 场景一：小组跳绳数据统计 如果只需要统计咱们小组5位同学的跳绳个数，数据量非常少，范围也很集中。这种情况下，我们可以快速完成记录，甚至口头汇报就能搞定。 场景二：全校早餐偏好分析 如果要分析全校学生的早餐偏好，涉及的人数成百上千，数据分散且量大。这时候需要更系统的收集方法，比如问卷调查、数据表格统计等，才能高效完成任务。 核心思考：对比这两个场景，你会选择哪种处理方式？请结合数据的“数量”和“范围”，和同桌讨论一下背后的原因。 1.7.2013 现在请大家思考两个问题。如果让你统计咱们小组5个人的跳绳成绩，你会用哪种方式？如果让你分析全校同学喜欢吃什么早餐，你又会怎么选呢？和你的同桌讨论一下。 ‹#› 大显身手：图书借阅数据分析 核心任务：挑战“脏数据” 面对一份真实的“校园图书借阅原始表”，你需要敏锐识别其中的缺失值、重复记录、格式错误等“脏数据”，运用清洗技巧还原数据的真实面貌，为后续分析扫清障碍。 实践目标：挖掘数据价值 完整走完“采集-清洗-转换-分析”的全流程，从杂乱的数据中挖掘规律，比如热门书籍类别、借阅高峰时间或年级阅读偏好，最终形成清晰、有价值的分析结论。 小组协作时刻：以小组为单位，运用今天掌握的“五步法”分工合作，大胆探索数据背后的秘密，看看哪一组能发现最有趣的借阅故事！ 1.7.2013 理论学习结束，现在是实践时间！这里有一份学校图书馆的图书借阅原始数据，里面藏着一些‘脏数据’。请大家以小组为单位，运用今天学到的五步法，完成这份数据的处理，并告诉老师你们发现了什么有趣的信息。 ‹#› 任务指南 01 采集 获取项目所需的原始数据表，这是后续所有工作的基础。 02 清洗 仔细检查数据，找出重复、缺失或错误的“脏数据”并进行处理。 03 整理 按照借阅日期或图书类别等维度，对清洗后的数据进行排序整理。 04 分析 通过计算每日平均借阅量等方式，挖掘数据背后的规律和趋势。 05 呈现 将分析结果汇总，制作一份逻辑清晰、简洁易懂的分析报告。 1.7.2013 大家可以按照这个步骤来完成任务。先仔细检查数据，把‘脏数据’清理干净。然后进行整理和分析，最后，把你们的发现写成一小段文字报告。老师会巡视指导。 ‹#› 我们的成果 优秀案例：流程闭环的典范 小组A的作品构建了完整的数据分析闭环：从精准的需求梳理出发，经过规范的数据采集与多维度清洗，最终通过清晰的可视化图表呈现结论。其数据治理规范，逻辑链条严密，分析结果与业务场景高度贴合，充分挖掘并还原了数据的核心价值。 待改进案例：细节仍需打磨 小组B的作品完成了核心分析步骤，但在关键细节上存在疏漏：数据清洗环节未剔除异常值，致使图表趋势出现偏差；同时可视化排版元素堆砌，缺乏主次，关键业务结论不够突出。整体流程虽已成型，但在完整性与精细化程度上还有较大的提升空间。 💡 核心启示：严谨的逻辑链条与规范的数据治理，是产出高质量数据分析成果的关键基石。 🔍 提升方向：重视数据预处理细节，优化视觉呈现的层级感，让分析结论更聚焦、更有说服力。 1.7.2013 时间到！我们来看一下两个小组的成果。大家对比一下，哪个小组的流程更完整？哪个小组的数据清洗得更干净？我们一起来点评一下。 ‹#› 本节课收获了什么？ 01 / 一个核心 建立数据处理的标准化流程，让数据工作有章可循，这是确保信息准确、高效流转的核心基石。 02 / 五个步骤 掌握完整的闭环流程：从数据采集开始，历经清洗、整理、分析，最终通过可视化手段将结果清晰呈现。 03 / 两种方法 理解人工处理的精细与计算机处理的高效，学会根据数据量大小、复杂程度和时间要求，灵活选择适配的处理方式。 04 / 一个意识 树立严格的数据隐私保护意识，在数据的收集、存储、使用和分享全生命周期中，严守信息安全的红线。 1.7.2013 好了，一节课很快就过去了。让我们一起回顾一下今天的收获。我们掌握了数据处理的五个步骤，学会了区分两种处理方式，更重要的是，我们知道了要保护数据隐私。希望大家能把今天学到的知识运用到生活中去。 ‹#› 记忆口诀 前期：夯实基础 数据处理并不难，五步流程记心间。采集清洗先做好，去伪存真把错勘，夯实根基路才宽。 中期：挖掘亮点 纷繁信息来整理，逻辑梳理更有序。深度分析出亮点，数据背后藏真知，核心价值才凸显。 后期：规范交付 最后呈现要清晰，图表叙事更直观。隐私红线不能触，数据安全记心间，合规严谨保平安。 口诀要点：采集清洗 → 整理分析 → 清晰呈现 → 隐私保护，环环相扣，安全第一！ 1.7.2013 为了帮助大家更好地记忆，老师编了一个小口诀，大家跟我一起念一遍！ ‹#› 课后作业 亲身实践垃圾分类，做家庭环保小卫士，用数据发现生活中的绿色奥秘！ 01. 开展家庭垃圾调查 连续记录自己家庭一周内产生的各类垃圾（可回收物、厨余垃圾、其他垃圾等），做好分类统计的原始记录。 02. 用WPS表格处理数据 将调查数据录入WPS表格，完成数据的整理、计算和简单的图表制作（如柱状图），直观呈现各类垃圾占比。 03. 分析数据并提出建议 分析图表找出家庭中产生量最多的垃圾类型，并结合实际情况，提出一条切实可行的家庭环保改进小建议。 1.7.2013 今天的课后作业是一个非常有意义的实践活动。请大家调查自己家一周的垃圾分类情况，用今天学的方法处理数据，并看看能得出什么结论。下节课我们来分享！ ‹#› 下节课，更精彩！ 生动直观的信息图表示例，让复杂数据一目了然。 《数据可视化的实现》 预告：如何将枯燥的数据变成直观的图表？我们将玩转柱状图、饼图、折线图等多种形式，探索数据可视化的魔法，让冰冷的数据开口说话，用最生动的方式展示你的分析成果！ 准备好开启这场数据美学之旅，让你的报告脱颖而出！ 1.7.2013 今天我们学会了处理数据，下节课，我们将学习更酷的技能——数据可视化！我们会把处理好的数据变成漂亮的图表，让数据自己讲故事。大家期待吗？ ‹#› 谢谢观看！ 下课！ 1.7.2013 好了，同学们，今天的课就到这里。大家表现得都非常棒！下课！ ‹#› $