自学python之字典

Python基础学习七(字典) 目录 前言 一、字典的创建与获取 1.字典的创建 2.字典元素的获取 二、字典的常用操作 1.key的判断,字典元素的删除与新增 2.获取字典视图 ​3.字典元素的遍历 三、字典生成式 前言 字典: python内置的数据结构之一,与列表一样是一个可变序列; 以键值对的方式储存数据,字典是一个无序的序列; 字典的实现原理: ... 阅读详情

1.字典的定义

        以键值对的方式存储数据,是一个无序的序列

        {‘键’:值}——采用花括号

2.字典的创建

#使用{}进行字典创建

score={'掌声':100,'记录':23,'哦怕':90}

print(score,type(score))

 

#使用内置函数dict()创建

student=dict(name='ji',age=90)

print(student,type(student))

 

#空字典

d={}

print(d)

 

3.字典元素的获取

        获取方式一:直接字典[键]

        获取方式二:字典.get(键),使用get函数

score={'掌声':100,'记录':23,'哦怕':90}

print(score['哦怕'])

print(score.get('哦怕'))

        当查找的键不存在时,使用[]会报错,而使用get函数不会报错,只是会返回一个None,或者返回一个默认值

4.键的判断

        in和not in的使用

5.字典删除、增加与修改

        clear()函数,字典元素的清空

        del 字典名[key],删除键值对

        字典[没有的键]=值,在字典的末尾增加键值对

        字典[有的键]=值,对字典中的键进行值修改

6.字典视图获取

        keys()函数:

        获取字典中所有的键

score={'掌声':100,'记录':23,'哦怕':90}

key=score.keys()

print(key,type(key))

print(list(key))#转换成列表

        values()函数:

        获取字典中所有的值

        items()函数:

        获取字典中所有的键值对

score={'掌声':100,'记录':23,'哦怕':90}

item=score.items()

print(item,type(item))

print(list(item))

        转换之后的列表元素是元组

7.字典元素的遍历

for遍历

score={'掌声':100,'记录':23,'哦怕':90}

for item in score:#这里的item代表键

print(item)

 

8.字典的特点

        字典中的所有元素都是一个键值对,键不可以重复,值可以重复;

        字典中的元素无序;

        键必须是不可变对象;

        可以动态伸缩;

        浪费内存,以空间换时间的数据结构

9.字典生成式

zip()函数:

当两个列表的元素不一样,则以小的那个为标准

items=['fruits','apple','pear']

prices=[11,34,56]

d={item:price   for item,price in zip(items,prices)}

print(d)

我的Python自学之路三:元组及字典学习总结 我的Python自学之路三:元组及字典学习总结 一、元组 最近开始整理python的资料,博主建立了一个qq群,希望给大家提供一个交流的同平台 938587844 。 1、Python的元组与列表类似,不同之处在于元组的元素不能修改。 元组使用小括号,列表使用方括号。 元组创建很简单,只需要在括号中添加元素,并使用逗号隔开即可。 2、创建元组 tup = (“python”,“java”,“... 阅读详情

相关推荐

【Python自学笔记】python如何遍历字典

文章目录python遍历字典 python遍历字典 python遍历字典参考文章 更多内容

XiaoqiangClub的博客 250

Python每日一练7、字典的增、删、改、查

每日一练,字典,继续加油!!

m0_73730228的博客 494

Python自学之路第八步——遍历字典&嵌套

今天结束字典,写的有点多,对照效果图以及注释也很好理解…… """遍历字典""" username={'full_name':'LiHeng', 'surname':'Li', 'name':'Heng' } #遍历所有的键-值对 for k,v in username.items(): #方法items()返回一个键-值对列表

想不出一个好的标题,就用这个吧 1万+

python中字典的定义和操作

1.字典的定义字典的格式:字典名 = {key1:value1, key2:value2,...}字典是无序的,是可变的数据类型字典的key不能是可变的数据类型(列表 字典)字典的key是不能重复的 但value可以例:my_dict = {"name": "小明", "age": 19}定义一个空的字典:my_dict = {}   或   my_dict = dict()2.字典的常见操作定...

weixin_42589922的博客 3万+

抖音直播间人气接口算法 抖音协议

抖音直播间人气接口算法 抖音协议 抖音算法

Q44804487的博客 1万+

工业级24V电源保护电路深度解析:五重防护机制详解

自恢复保险丝(PPTC,Positive Temperature Coefficient)是一种过流保护元件✅可恢复:过流后自动恢复,无需更换⚡响应快:电流超标立即动作🔄多次使用:在额定范围内可反复使用第1层(F1):阻挡过流 → 物理熔断第2层(D3):吸收浪涌 → 能量泄放第3层(Q1):防止反接 → 逻辑阻断第4层(Q2/Q3):抵御过压 → 主动切断第5层(CR):平滑启动 → 时序控制设计哲学:"让每一级保护专注做好一件事"通过这篇文章,我们深入理解了:✅自恢复保险丝。

qq_58068673的博客 3568

python基础心得笔记——字典

python基础——字典 一、字典的定义及工作原理 字典是python内置的数据结构之一,可存储任意类型对象,与列表一样是一个可变序列。 字典的工作原理和查字典类似,以键值对的方式存储数据,具体过程:通过哈希函数计算hash(key),找到value值的存储位置,从而找到value。 字典的每个键值 key=>value 对用冒号 : 分割,每个键值对之间用逗号 , 分割,整个字典包括在花括号 {} 中 ,格式如下所示: d={key1:value1,key2:value2,key3:value3}

m0_54965420的博客 1704

CDH Hue连接Hbase报错TSocket read 0 bytes

问题描述 安装好CDH集群后,在Hue中查看HBase信息时,Hue界面报错如下: Api 错误:TSocket read 0 bytes Hue日志报错: exceptions_renderable ERROR Potential trace: [('/opt/cloudera/parcels/CDH-6.3.2-1.cdh6.3.2.p0.1605554/lib/hue/apps/hbase/src/hbase/api.py', 46, 'query', 'return getattr(self

邢为栋 3492

Python字典操作

'age': 18,},'age': 17,},'age': 19,# 打印所有学生的姓名和成绩# 查找并打印分数最高的学生信息print(f"分数最高的学生是{highest_score_student['name']},分数为{highest_score}")# 根据姓名查找学生信息break # 找到后退出循环print(f"{name}的年龄是{found_student['age']}")else:print(f"未找到名为{name}的学生信息")

2401_84010302的博客 411

Xcelium XRUN实用指南:从入门到高效仿真

本文是Xcelium XRUN仿真工具的实用指南,从基础入门到高效应用全面解析。XRUN作为Cadence Xcelium的统一命令行入口,能自动化编译、精细和仿真流程,大幅提升数字芯片与FPGA验证效率。文章详细介绍了最简命令、波形调试、增量编译、多核并行仿真等核心功能,并提供了管理复杂项目、性能调优与深度调试的进阶技巧,帮助工程师快速上手并精通这一高效仿真工具。

weixin_29238147的博客 739

实战案例四:Claude Code + Excel 技能处理表格数据

Excel 是商业世界中最通用的数据工具。无论是财务报表、销售数据还是项目计划,Excel 无处不在。本案例将展示如何利用 Claude Code 的 Excel 技能,自动化处理复杂的表格数据,告别繁琐的手工操作。

gaoxiang_120的专栏 475

python自学第8天字典_python自学第8天字典_python自学日记7——字典

学会把复杂问题拆解成自己已经掌握的基础问题才是正确的学习之道1.编写一个函数,读入words.txt,并将它们作为键保存到一个字典中后面还有使用in检查某单词是否在字典中,按说这个并不难,先读取单词表,然后通过将单词作为键,值用空字符就可以了,然后代码如下:def read_dict():fin=open('words.txt')words_dict={}for line in fin:word=...

weixin_31211977的博客 414

航空电子系统标准全景图:ARP4754A、ARP4761、DO-178C、DO-254 的协同作用

通过 ARP4754A、ARP4761、DO-178C 和 DO-254 的相互配合,确保航空电子系统的安全性和功能性在开发过程中得到充分保障。每一个文件在不同层面发挥作用,共同构成了一个完整的、系统的开发和验证框架,确保航空电子设备达到适航要求。这些标准不仅帮助开发人员有条理地开发复杂的航空系统,还确保所有系统组件(软件和硬件)在整个生命周期内都能满足最严格的安全和可靠性要求。

qq_41854911的博客 1812

自学python笔记10--字典

自学python笔记10–字典 字典相关知识温习: 字典使用名称-内容进行数据的构建,在Python中分别对应着键(key)一值(value),习惯上称之为键值对。字典是Python中唯一的内置映射类型,其中的值不按顺序排列,而是存储在键下。键可能是数、字符串或元组。 字典的特征总结如下: 1.字典中数据必须是以键值对的形式出现的; 2.逻辑上讲,键是不能重复的,而值可以重复; 3.字典中的键(key)是不可变的,也就是无法修改的;而值(value)是可变的,可修改的,可以是任何对象。 字典的一般书写形式:

qq_45846025的博客 404

SAP_SD模块销售利润中心替代简介

SAP SD模块跨公司销售利润中心替代简介 在SAP SD模块中,系统自动生成的财务凭证需要正确反映利润中心归属。当默认利润中心取值不符合业务逻辑时(如跨公司销售、多组织共用工厂等情况),需配置利润中心替代功能。该功能通过事务码0KEM定义替代规则,可根据物料、客户等条件自动替换利润中心字段。系统配置包括创建替代规则、定义先决条件、设置用户出口程序等步骤。对于复杂业务场景,还可通过用户出口或BADI增强实现。利润中心替代能确保销售收入与成本正确核算,避免利润分配错误,满足企业多维度利润分析需求。

我小时候很黑的博客 434

2025年开源气象大模型的实现原理与实践指南

气象大模型在人工智能时代实现了革命性突破,通过深度学习技术以更低的计算成本达到甚至超越传统数值天气预报的精度。开源气象大模型的出现使得全球研究者和机构都能参与气象AI的创新。本文详细解析了开源气象大模型的实现原理,包括核心架构、数据准备、训练方法和实际预测流程,并提供了实践指南。核心架构主要采用Transformer、图神经网络和扩散模型,处理多模态数据融合和时空联合建模。数据体系构建涉及数据来源、预处理和增强策略。模型训练关键技术包括损失函数设计、分布式训练优化和训练过程监控。微调与领域适应策略包括迁移学

专注AI大模型,软件混淆,授权 1181

Python自学 - 字典的用法

字典是一种键值对存储类型,可以通过键名快速取值,而不需使用循环判断每个元素,可以提供高效的数据存取。

tyysoft的专栏 404

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

字典——python自学记录Day6

Python字典是一种灵活的数据结构,它以键值对的形式存储数据,支持多种数据类型作为值。字典的基本操作包括创建、添加、修改和删除键值对,以及遍历字典内容。字典可以嵌套使用,包括存储列表或其他字典。遍历字典时可以通过keys()、values()和items()方法分别获取键、值或键值对,还可以使用set()去除重复值。对于大型字典,建议采用规范的格式化书写方式。字典在编程中被广泛应用,如存储用户信息、配置参数等场景。

m0_48569756的博客 840

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

【头歌-Python】字典自学引导

字典自学引导 本文提供了字典自学引导中 5 题的 题目、示例、参考代码。

谛凌的博客 7076

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Python自学笔记————字典

字典 Python内置的数据结构之以,与列表一样是一个可变序列 以键值对的方式存储数据,字典是一个无序的序列 字典的创建 使用花括号 例:scores={'张三':100,'李四':98,'王五':45} 张三,李四,王五为键,100,98,45为值 使用内置函数dict() 例:scores=dict(name='jack',age=20) name,age为键,jack,20为值 ...

m0_56330179的博客 1522

python自学之字典

字典属于映射,也是唯一的一种内建的映射类型。(映射和数学中的映射类似,其他的语言中也有相应的类型,比如C++中的map,hash_table等) 字典在python中表示为{},其中每个元素都是键值对。如下: d={'name':'chenjun','sex':‘male’} 字典的键是唯一的,且键可以是任意不可变的类型,即可以是元祖、数字和字符串等(不可以是列表) 如果存在相同的键,那么

醉江楼的专栏 539

Python字典_自学

此方法既可以追加字典内数据,也可以修改已有的字典中键对应的value数据,还可以获取字典中已有的键对应的value值。{'四川': '成都', '贵州': '贵阳', '云南': '昆明', '天津': '天津'}{'四川': '成都', '贵州': '贵阳', '云南': '昆明'}{'四川': '成都', '贵州': '贵阳', '云南': '昆明'}{'四川': '成都', '贵州': '贵阳', '云南': '昆明'}{'四川': '绵阳', '贵州': '贵阳', '云南': '昆明'}

sfdssdf123的博客 499

自学Python 16 字典

Python 字典:成员以“键:值”对形式存在的数据类型 文章目录Python 字典:成员以“键:值”对形式存在的数据类型一、创建并访问字典二、向字典中添加数据三、修改字典四、删除字典中的元素五、和字典有关的内置函数六、遍历字典6.1 遍历字典中的所有键6.2 遍历字典中的所有值 在Python程序中,字典是一种比较特别的数据类型,字典中每一个成员是以“键:值”对形式存在的。字典以大括号“{ }”包围,并且以“键:值”对的方式声明和存在的数据集合。 注意:字典与列表相比,最大的不同在于字典是无序的,其成

江南赴艽野的博客 950

python自学日记7——字典

python自学日记7——字典 学会把复杂问题拆解成自己已经掌握的基础问题才是正确的学习之道——傅查理 1.编写一个函数,读入words.txt,并将它们作为键保存到一个字典中 后面还有使用in检查某单词是否在字典中,按说这个并不难,先读取单词表,然后通过将单词作为键,值用空字符就可以了,然后代码如下: def read_dict(): fin=open('words.txt') wor...

zxbylx1120471286的博客 880

python自学第8天字典_python自学日记7——字典

学会把复杂问题拆解成自己已经掌握的基础问题才是正确的学习之道1.编写一个函数,读入words.txt,并将它们作为键保存到一个字典中后面还有使用in检查某单词是否在字典中,按说这个并不难,先读取单词表,然后通过将单词作为键,值用空字符就可以了,然后代码如下:def read_dict():fin=open('words.txt')words_dict={}for line in fin:word=...

weixin_39996035的博客 278

Python 字典学习总结(自学)

对字典的理解 与列表进行对比: 1.列表的每一个索引(Index)都有其对应的值(Value); 2.字典的每一个键(Key)也都有其对应的值(Value),且键的内容可以由我们编写。 这样,字典的存在方便了我们根据关键字提取对应值了。 字典的创建方法 1.方法一:{Key:Value}  注意是 “:” 而不是 “=” >>> dict1={"name":"...

SenSe-HJ的博客 1457
上一篇: 遗传算法GA
下一篇: 自学python之元组与集合
CHENG__ZI_#
博客等级 码龄6年 21粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CHENG__ZI_#

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值