NLTK基礎教程 用NLTK和Python庫構建機器學習應用 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

Nitin，Hardeniya，哈登尼亞 著，淩傑 譯

圖書標籤:

• 自然語言處理
• NLTK
• Python
• 機器學習
• 文本分析
• 數據科學
• 編程
• 教程
• 人工智能
• 計算語言學

齣版社： 人民郵電齣版社

ISBN：9787115452573

版次：1

商品編碼：12078197

品牌：異步圖書

包裝：平裝

開本：16開

齣版時間：2017-05-01

用紙：膠版紙

頁數：153

正文語種：中文

産品特色

編輯推薦

自然語言處理（NLP）屬於人工智能與計算機語言學的交叉領域，處理的是計算機與人類語言之間的交互問題。隨著人機交互需求的日益增長，計算機具備處理當前主要自然語言的能力已經成為瞭一個必然趨勢。NLTK正是這一領域中一個強大而穩健的工具包。
在這本書中，我們首先會介紹一些與NLP相關的知識。然後，我們會探討一些與數據科學相關的任務，通過這些任務來學習如何從零開始構建自定義的標識器和解析器。在此過程中，我們將會深度探索NLP領域的基本概念，為這一領域各種開源的Python工具和庫提供具有實踐意義的見解。接下來，我們將會介紹如何分析社交媒體網站，發現熱門話題，進行輿情分析。zui後，我們還會介紹一些用於處理大規模文本的工具。
在閱讀完本書之後，您將會對NLP與數據科學領域中的概念有一個充分的瞭解，並能將這些知識應用到日常工作中。
如果您是NLP或機器學習相關領域的愛好者，並有一些文本處理的經驗，那麼本書就是為你量身定做的。此外，這本書也是專業Python程序員快速學習NLTK庫的理想選擇。

通過本書，你將學會：
■ 瞭解自然語言的復雜性以及機器對它們的處理方式。
■ 如何利用標識化處理手段清理文本歧義，並利用分塊操作更好地處理數據。
■ 探索不同標簽類型的作用，並學習如何將句子標簽化。
■ 如何根據自己的需要來創建自定義的解析器和標識器。
■ 如何構建齣具有拼寫檢查、搜索、機器翻譯以及問答係統等功能的實用程序。
■ 如何通過信息爬取與捕獲的手段對相關數據內容進行檢索。
■ 如何通過特性的提取與選取，構建齣針對不同文本的分類係統。
■ 如何使用各種第三方Python庫，如pandas、scikit-learn、matplotlib、gensim。
■ 如何對社交媒體網站進行分析，包括發掘熱門話題、輿情分析等。

內容簡介

NLTK 庫是當前自然語言處理（NLP）領域zui為流行、使用zui為廣泛的庫之一， 同時Python語言經過一段時間的發展也已逐漸成為主流的編程語言之一。
本書主要介紹如何通過NLTK庫與一些Python庫的結閤從而實現復雜的NLP任務和機器學習應用。全書共分為10章。第1章對NLP進行瞭簡單介紹。第2章、第3章和第4章主要介紹一些通用的預處理技術、專屬於NLP領域的預處理技術以及命名實體識彆技術等。第5章之後的內容側重於介紹如何構建一些NLP應用，涉及文本分類、數據科學和數據處理、社交媒體挖掘和大規模文本挖掘等方麵。
本書適閤 NLP 和機器學習領域的愛好者、對文本處理感興趣的讀者、想要快速學習NLTK的zishenPython程序員以及機器學習領域的研究人員閱讀。

作者簡介

Nitin Hardeniya 數據科學傢，擁有4年以上從業經驗，期間分彆任職於Fidelity、Groupon和[24]7等公司，其業務橫跨各個不同的領域。此外，他還擁有IIIT-H的計算語言學碩士學位，並且是5項客戶體驗專利的作者。

目錄

第1章　自然語言處理簡介 1
1．1　為什麼要學習NLP 2
1．2　先從Python開始吧 5
1．2．1　列錶 5
1．2．2　自助功能 6
1．2．3　正則錶達式 8
1．2．4　字典 9
1．2．5　編寫函數 10
1．3　嚮NLTK邁進 11
1．4　練習 16
1．5　小結 17
第2章　文本的歧義及其清理 18
2．1　何謂文本歧義 18
2．2　文本清理 20
2．3　語句分離器 21
2．4　標識化處理 22
2．5　詞乾提取 23
2．6　詞形還原 24
2．7　停用詞移除 25
2．8　罕見詞移除 26
2．9　拼寫糾錯 26
2．10　練習 27
2．11　小結 28
第3章　詞性標注 29
3．1　何謂詞性標注 29
3．1．1　Stanford標注器 32
3．1．2　深入瞭解標注器 33
3．1．3　順序性標注器 35
3．1．4　Brill標注器 37
3．1．5　基於機器學習的標注器 37
3．2　命名實體識彆（NER） 38
3．3　練習 40
3．4　小結 41
第4章　文本結構解析 43
4．1　淺解析與深解析 43
4．2　兩種解析方法 44
4．3　為什麼需要進行解析 44
4．4　不同的解析器類型 46
4．4．1　遞歸下降解析器 46
4．4．2　移位-歸約解析器 46
4．4．3　圖錶解析器 46
4．4．4　正則錶達式解析器 47
4．5　依存性文本解析 48
4．6　語塊分解 50
4．7　信息提取 53
4．7．1　命名實體識彆（NER） 53
4．7．2　關係提取 54
4．8　小結 55
第5章　NLP應用 56
5．1　構建第一個NLP應用 57
5．2　其他NLP應用 60
5．2．1　機器翻譯 60
5．2．2　統計型機器翻譯 61
5．2．3　信息檢索 62
5．2．4　語音識彆 64
5．2．5　文本分類 65
5．2．6　信息提取 66
5．2．7　問答係統 67
5．2．8　對話係統 67
5．2．9　詞義消歧 67
5．2．10　主題建模 68
5．2．11　語言檢測 68
5．2．12　光符識彆 68
5．3　小結 68
第6章　文本分類 70
6．1　機器學習 71
6．2　文本分類 72
6．3　取樣操作 74
6．3．1　樸素貝葉斯法 76
6．3．2　決策樹 79
6．3．3　隨機梯度下降法 80
6．3．4　邏輯迴歸 81
6．3．5　支持嚮量機 81
6．4　隨機森林算法 83
6．5　文本聚類 83
6．6　文本中的主題建模 84
6．7　參考資料 87
6．8　小結 87
第7章　Web爬蟲 88
7．1　Web爬蟲 88
7．2　編寫第一個爬蟲程序 89
7．3　Scrapy庫中的數據流 92
7．3．1　Scrapy庫的shell 93
7．3．2　目標項 98
7．4　生成網站地圖的蜘蛛程序 99
7．5　目標項管道 100
7．6　參考資料 102
7．7　小結 102
第8章　NLTK與其他Python庫的搭配
運用 104
8．1　NumPy 104
8．1．1　多維數組 105
8．1．2　基本運算 106
8．1．3　從數組中提取數據 107
8．1．4　復雜矩陣運算 108
8．2　SciPy 112
8．2．1　綫性代數 113
8．2．2　特徵值與特徵嚮量 113
8．2．3　稀疏矩陣 114
8．2．4　優化措施 115
8．3　pandas 117
8．3．1　讀取數據 117
8．3．2　數列 119
8．3．3　列轉換 121
8．3．4　噪聲數據 121
8．4　matplotlib 123
8．4．1　子圖繪製 123
8．4．2　添加坐標軸 124
8．4．3　散點圖繪製 125
8．4．4　條形圖繪製 126
8．4．5　3D繪圖 126
8．5　參考資料 126
8．6　小結 127
第9章　Python中的社交媒體挖掘 128
9．1　數據收集 128
9．2　數據提取 132
9．3　地理可視化 134
9．3．1　影響力檢測 135
9．3．2　Facebook 135
9．3．3　有影響力的朋友 139
9．4　小結 141
第10章　大規模文本挖掘 142
10．1　在Hadoop上使用Python的
不同方式 142
10．1．1　Python的流操作 143
10．1．2　Hive/Pig下的UDF 143
10．1．3　流封裝器 143
10．2　Hadoop上的NLTK 144
10．2．1　用戶定義函數
（UDF） 144
10．2．2　Python的流操作 146
10．3　Hadoop上的Scikit-learn 147
10．4　PySpark 150
10．5　小結 153

《Python數據科學實戰：從數據采集到模型部署》 內容簡介 在當今信息爆炸的時代，數據已經成為驅動決策、創新和進步的核心要素。掌握從海量數據中提取有價值信息的能力，已經成為個人和企業在激烈競爭中脫穎而齣的關鍵。本書旨在為讀者提供一套係統、全麵的數據科學實踐指南，涵蓋從數據采集、清洗、探索性分析，到機器學習模型構建、評估和部署的全流程。我們摒棄瞭繁雜的理論推導，聚焦於實際應用，通過豐富的代碼示例和真實案例，幫助讀者快速掌握Python在數據科學領域的核心工具和技術。 一、 數據世界的入口：數據采集與預處理 數據的質量直接影響著後續分析和模型的效果。本書的第一部分將引導讀者深入理解各種數據采集的技術與方法，並著重於如何處理不完整、不一緻、噪聲等問題，確保數據的可用性。 網絡數據采集的利器：BeautifulSoup與Scrapy 我們將從零開始，學習如何使用`BeautifulSoup`庫，優雅地從HTML和XML文檔中提取所需信息。你將學會如何定位元素、解析標簽屬性、處理嵌套結構，以及構建簡單的爬蟲腳本來抓取網頁內容。 對於更復雜的、大規模的網絡數據采集需求，`Scrapy`框架將是你的得力助手。本書將詳細介紹`Scrapy`的核心組件，包括Spider、Item Pipeline、Downloader Middleware等，指導你構建高效、可擴展的網絡爬蟲，完成定嚮抓取任務。我們將模擬真實場景，例如抓取電商網站的商品信息、新聞網站的文章列錶等。 實戰應用：學習如何利用爬蟲技術，收集特定行業的市場數據、社交媒體上的用戶反饋，為後續分析提供一手素材。 結構化數據的利刃：Pandas數據操控 `Pandas`是Python數據科學領域不可或缺的瑞士軍刀。本書將以其為核心，詳細講解數據框（DataFrame）和序列（Series）的創建、索引、切片、排序等基本操作。 數據清洗是數據科學的核心步驟之一。我們將深入探討如何處理缺失值（NaN），包括刪除、填充（均值、中位數、眾數、插值等）以及更高級的預測填充方法。 數據的格式轉換、數據閤並（merge, join, concat）、數據分組（groupby）與聚閤（aggregation）等常用操作，都將通過生動的代碼示例進行闡釋。 實戰應用：以一份包含用戶交易記錄的CSV文件為例，演示如何清洗數據中的重復項、異常值，如何根據用戶ID進行分組統計，計算用戶的消費總額、購買頻率等關鍵指標。 數據可視化初探：Matplotlib與Seaborn 在動手處理數據的同時，直觀地理解數據至關重要。`Matplotlib`作為Python繪圖的事實標準，本書將教會你創建各種基本的圖錶，如摺綫圖、散點圖、柱狀圖、餅圖等，並進行美化，調整顔色、樣式、標簽等。 `Seaborn`作為`Matplotlib`的上位庫，提供瞭更美觀、更高級的統計圖形。我們將學習如何使用`Seaborn`輕鬆繪製熱力圖（heatmap）、箱綫圖（boxplot）、小提琴圖（violinplot）、分布圖（distplot）等，用於探索變量之間的關係和數據分布。 實戰應用：將上一環節清洗好的用戶交易數據進行可視化，例如繪製用戶消費金額的分布直方圖，查看不同用戶的交易筆數散點圖，以直觀的方式發現潛在的規律。 二、 探索數據的內在規律：探索性數據分析（EDA） EDA是理解數據集、發現模式、形成假設的關鍵階段。本部分將帶領讀者掌握一係列探索數據的方法。 描述性統計的智慧 掌握如何利用`Pandas`計算數據的均值、中位數、方差、標準差、分位數等描述性統計量，全麵瞭解數據的中心趨勢、離散程度和分布形態。 學習如何使用`describe()`函數快速概覽數據集的統計摘要。 實戰應用：對金融數據集進行描述性統計分析，例如計算股票價格的日均漲跌幅、波動率，瞭解曆史數據的基本特徵。 變量間的關聯探秘 理解不同變量之間的關係對於構建有效的模型至關重要。我們將學習如何計算和可視化變量之間的相關係數（Pearson, Spearman），並利用熱力圖直觀展示相關性矩陣。 探索協方差的概念，以及它與相關係數的區彆。 實戰應用：分析房産數據集，計算房屋麵積、臥室數量、地理位置與房屋價格之間的相關性，找齣對房價影響最大的因素。 數據分組與趨勢分析 深入掌握`groupby()`操作，根據某個或多個類彆變量對數據進行分組，並對每個分組進行聚閤分析。 學習如何繪製分組柱狀圖、摺綫圖，觀察不同類彆下數據的變化趨勢。 實戰應用：在一個包含銷售數據的錶格中，按地區、産品類彆對銷售額進行分組統計，並可視化不同區域的銷售趨勢，發現市場錶現差異。 三、 機器學習的基石：模型構建與評估 本部分將是本書的核心，聚焦於如何使用Python的強大庫構建、訓練和評估各類機器學習模型。 機器學習的預備知識：特徵工程 特徵提取與選擇：學習如何從原始數據中提取有用的特徵，例如從文本中提取詞袋模型（Bag-of-Words）、TF-IDF特徵；從日期時間中提取年、月、日、星期等。 特徵縮放：理解為什麼需要進行特徵縮放（標準化、歸一化），以及如何使用`StandardScaler`和`MinMaxScaler`進行處理，以避免某些特徵對模型産生過大的影響。 類彆特徵處理：掌握獨熱編碼（One-Hot Encoding）、標簽編碼（Label Encoding）等方法，將非數值型特徵轉換為模型可以處理的格式。 實戰應用：在構建用戶流失預測模型時，從用戶行為日誌中提取用戶活躍度、訪問時長等特徵，並進行相應的編碼和縮放。 監督學習的實踐：迴歸與分類 綫性迴歸與邏輯迴歸：從最基礎的模型開始，深入理解綫性迴歸在預測連續值問題上的應用，以及邏輯迴歸在二分類問題上的原理與實踐。我們將使用`Scikit-learn`庫進行模型的訓練和預測。 決策樹與隨機森林：學習如何構建決策樹模型，理解其決策過程，並掌握隨機森林作為集成學習方法的優勢，如何通過投票或平均來提升模型的泛化能力。 支持嚮量機（SVM）：理解SVM的核心思想，包括最大間隔分類器和核函數的應用，用於處理綫性和非綫性分類問題。 K近鄰（KNN）：學習基於距離度量的分類和迴歸方法，理解其原理和在實際應用中的優劣。 實戰應用： 迴歸：構建一個房屋價格預測模型，利用房屋的各種特徵（麵積、位置、年齡等）來預測其售價。 分類：構建一個客戶流失預測模型，根據客戶的消費習慣、服務使用情況等信息，預測客戶是否會流失。 多分類：構建一個新聞文章分類器，將新聞文章劃分到體育、科技、娛樂等不同類彆。 無監督學習的探索：聚類與降維 K-Means聚類：學習如何將數據劃分為若乾個簇，發現數據中的隱藏分組。我們將講解K-Means算法的原理、優化方法以及如何選擇閤適的簇數量。 主成分分析（PCA）：掌握PCA降維技術，用於減少數據的維度，去除冗餘信息，並可視化高維數據。 實戰應用： 聚類：對電商平颱的客戶進行細分，根據其購買行為將其劃分為不同的客戶群體，為個性化推薦提供依據。 降維：在處理高維圖像數據時，使用PCA進行降維，以加快模型的訓練速度，並提取圖像的關鍵特徵。 模型評估與調優：知曉模型的優劣 分類模型評估指標：深入理解準確率（Accuracy）、精確率（Precision）、召迴率（Recall）、F1分數、ROC麯綫和AUC值，並知道在不同場景下如何選擇閤適的指標。 迴歸模型評估指標：掌握均方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）、R²分數等，用於衡量迴歸模型的預測精度。 交叉驗證：學習K摺交叉驗證等方法，科學地評估模型的泛化能力，避免過擬閤。 超參數調優：理解超參數與模型參數的區彆，並掌握網格搜索（Grid Search）和隨機搜索（Random Search）等技術，尋找最優的模型超參數組閤。 實戰應用：對之前構建的客戶流失預測模型進行全麵評估，分析其精確率和召迴率，通過交叉驗證和超參數調優，不斷提升模型的預測性能。 四、 模型部署：讓模型服務於實際 構建齣優秀模型隻是第一步，如何將模型部署到實際應用環境中，讓它發揮價值，是數據科學項目的最終目標。 模型持久化：保存與加載 學習使用`pickle`或`joblib`庫，將訓練好的模型保存到文件中，以便後續重復使用，無需重新訓練。 實戰應用：將訓練好的房屋價格預測模型保存為文件，方便後續編寫Web應用調用。 簡單的Web服務集成：Flask入門 我們將介紹`Flask`這個輕量級的Web框架，學習如何構建一個簡單的API接口，接收外部請求，調用已保存的模型進行預測，並將結果返迴。 實戰應用：創建一個RESTful API，讓用戶可以通過HTTP請求輸入房屋信息，並返迴預測的房屋價格。 模型部署的思考與實踐 簡要討論模型部署時可能遇到的問題，如性能優化、實時預測、監控與維護等。 介紹一些常見的模型部署方案，如容器化（Docker）和雲平颱部署（AWS, Azure, GCP等）的基本概念。 本書的特色 實戰驅動：每一章都配有大量的代碼示例和真實案例，讀者可以通過親手實踐，加深對知識的理解。 循序漸進：從基礎的數據處理到復雜的機器學習模型，內容組織邏輯清晰，適閤不同階段的讀者。 聚焦Python生態：全麵介紹Python在數據科學領域最常用、最強大的庫，如`Pandas`, `NumPy`, `Matplotlib`, `Seaborn`, `Scikit-learn`等。 解決實際問題：本書旨在幫助讀者掌握解決實際數據科學問題的能力，而非僅僅學習理論知識。 無論你是初學者，希望入門數據科學領域，還是有一定基礎，希望係統梳理和提升技能的數據從業者，亦或是希望將數據分析和機器學習技術應用於自身業務的開發者，本書都將是你寶貴的參考資料。通過本書的學習，你將能夠自信地駕馭數據，構建強大的機器學習應用，從而在信息時代贏得先機。

評分☆☆☆☆☆

坦白說，《NLTK基礎教程：用NLTK和Python庫構建機器學習應用》這本書的價值在於它提供瞭一個係統性的學習路徑，讓你能夠從零開始，一步步構建起紮實的NLP基礎。我之前嘗試過一些其他的NLP入門資料，但總感覺碎片化，難以形成完整的知識體係。這本書則不然，它從NLTK庫的核心功能開始，逐步深入到機器學習模型在NLP領域的應用。我特彆欣賞書中對模型選擇和評估的討論，它並沒有強推某一個模型，而是鼓勵讀者去理解不同模型的優缺點，並根據具體任務進行選擇。書中還提到瞭評估指標的重要性，比如準確率、召迴率、F1分數等，這對於衡量模型性能至關重要。此外，書中也包含瞭一些關於數據獲取和處理的實用建議，這對於任何機器學習項目來說都是不可或缺的。我感覺這本書不僅教我“是什麼”，更重要的是教我“怎麼做”以及“為什麼這麼做”，這種深入的理解是我在其他地方很難獲得的。

評分☆☆☆☆☆

這本書的書名是《NLTK基礎教程：用NLTK和Python庫構建機器學習應用》。 讀完《NLTK基礎教程》這本書，我真的感覺收獲頗豐，仿佛打開瞭一扇通往自然語言處理（NLP）世界的大門。一開始接觸NLP，我總是覺得它高深莫測，各種算法和概念聽起來就讓人頭疼。但這本書的敘述方式非常平易近人，就像一位經驗豐富的導師，循序漸進地引導我一步步探索。它並沒有直接拋齣復雜的模型，而是從最基礎的NLTK庫的安裝和常用功能講起，比如分詞、詞性標注、詞形還原等等。每一個概念都配有清晰的代碼示例，並且解釋得非常到位，讓我這個Python小白也能輕鬆理解。更重要的是，它不僅僅停留在理論層麵，而是立刻將這些基礎概念應用到實際的機器學習任務中，比如文本分類、情感分析。我尤其喜歡書中關於文本預處理的章節，它詳細地講解瞭如何去除停用詞、處理特殊字符、構建詞袋模型等，這些都是構建有效機器學習模型不可或缺的步驟。通過書中大量的練習和項目，我不僅掌握瞭NLTK這個強大的工具，更重要的是培養瞭解決實際NLP問題的思路和能力。這本書的結構安排也非常閤理，每一章的內容都承上啓下，讓我能夠紮實地建立起對NLP的理解。

評分☆☆☆☆☆

我必須說，《NLTK基礎教程：用NLTK和Python庫構建機器學習應用》這本書的深度和廣度都超齣瞭我的預期，絕對是NLP入門者和進階者的寶藏。這本書的亮點在於它能夠將理論與實踐完美結閤，而且講解得非常透徹。它不僅僅是介紹NLTK庫的使用，而是深入探討瞭如何運用這些工具來構建實際的機器學習應用。書中的案例分析非常精彩，我印象特彆深刻的是關於情感分析的部分，作者不僅展示瞭如何用NLTK提取文本特徵，還詳細介紹瞭如何利用scikit-learn等庫來訓練和評估模型，比如樸素貝葉斯、支持嚮量機等。這種跨庫的整閤能力，對於想要構建完整NLP pipeline的開發者來說至關重要。此外，書中對文本錶示方法（如TF-IDF、Word Embeddings）的講解也十分到位，讓我對如何將文本轉化為機器學習模型能夠理解的數值嚮量有瞭更深入的認識。它沒有迴避一些技術上的細節，但處理得恰到好處，既能滿足技術愛好者的求知欲，又不至於讓初學者望而卻步。最後，這本書還觸及瞭一些更高級的話題，比如主題模型，為讀者打開瞭進一步探索NLP世界的窗戶。

評分☆☆☆☆☆

這本書給我最大的感受就是它的實用性，簡直是為我量身定做的。我一直對用代碼來理解和處理人類語言這件事充滿興趣，但又苦於沒有一個好的切入點。《NLTK基礎教程》恰恰填補瞭我的這個空白。它從最基礎的文本處理單元開始，比如字、詞，到句子的結構，再到篇章的理解，層層遞進，非常清晰。讓我印象深刻的是，書中在講解各種NLP技術時，總是會聯係到實際的應用場景，比如如何利用NLTK來分析用戶評論，找齣産品優缺點；如何通過文本相似度來做文本檢索；甚至是如何構建一個簡單的問答係統。這些例子都非常貼近生活，讓我覺得NLP不再是遙不可及的技術，而是可以解決實際問題的利器。而且，書中的代碼示例都非常簡潔明瞭，易於復製和修改，我可以直接拿來在自己的項目中使用，或者在此基礎上進行擴展。作者的講解風格也很幽默風趣，讀起來一點也不枯燥，就像在和一個朋友交流學習心得一樣。

評分☆☆☆☆☆

對於我這樣一個對文本數據充滿好奇，但又對編程和算法感到一絲畏懼的讀者來說，《NLTK基礎教程》這本書無疑是一場及時雨。它沒有一開始就用晦澀難懂的術語轟炸我，而是用非常接地氣的方式，將NLP這個看似高大上的領域變得觸手可及。我喜歡書中關於文本情感分析的章節，它不僅僅是教我如何調用NLTK的函數，更是讓我理解瞭背後的邏輯：如何從文本中提取能夠代錶情感的詞語，如何將這些詞語量化，以及如何用這些量化後的數據去訓練一個模型來判斷文本的情感傾嚮。書中的圖示和流程圖也幫助我更好地理解復雜的概念，比如文本數據的預處理流程，從原始文本到模型輸入的每一步都清晰可見。最讓我感到興奮的是，這本書鼓勵讀者動手實踐，它提供瞭大量的代碼片段和項目挑戰，讓我可以在學習新知識的同時，立刻應用到實踐中，獲得即時的反饋和成就感。這本書讓我意識到，原來構建一個能夠理解和分析文本的智能係統，並沒有想象中那麼難。

評分☆☆☆☆☆

主要是講nlp，使用nltk來實現的。可以學習下nlp的基礎知識，書也不厚還算可以

評分☆☆☆☆☆

非常實用非常實用非常實用非常實用非常實用非常實用非常實用非常實用

評分☆☆☆☆☆

有點薄，不過講的好

評分☆☆☆☆☆

買瞭兩本，一個送給小孩，一個我自己看。

評分☆☆☆☆☆

很好，商品描述一緻，很好的一次購物體驗

評分☆☆☆☆☆

很好，送貨快，價格優惠

評分☆☆☆☆☆

好好好好好好好好好好好好好好好好好好

評分☆☆☆☆☆

好薄，不知道實用性怎麼樣……

評分☆☆☆☆☆

買瞭兩本，一個送給小孩，一個我自己看。