001Numpy基础

NumPy数值运算001 任何时候你需要进行数值计算、处理表格数据(如来自 CSV)、矩阵运算、图像处理(图像是像素数组)或任何科学计算任务时,都应首选 NumPy 数组而不是列表。(N-dimensional array)对象,它是一个多维、同质的(所有元素类型相同)数组容器。当一个数组与另一个形状不同的数组进行逐元素运算时,NumPy 会自动尝试广播。NumPy 的一套强大规则,允许不同形状的数组进行数学运算。需要获取单个元素、一行/一列数据,或一个矩形区域的数据时。将多个数组合并成一个,或将一个数组拆分成多个。 阅读详情
import numpy as np

ndarray 多维数组

  • Array数组创建函数
# np.array()
arr_1 = np.array([[1,2,3],[5,6,7]])
type(arr_1)
numpy.ndarray
arr_1.shape
(2, 3)
arr_1.dtype
dtype('int32')
arr_2 = np.array([[1,2,3],[5,6,7]],dtype = np.float32)
arr_2.dtype
dtype('float32')
# 更改array的数据类型,.astype(np.)
arr_3 = arr_2.astype(np.int32)
arr_3.dtype
dtype('int32')
# np.zeros(),全0数组
np.zeros(6)
array([0., 0., 0., 0., 0., 0.])
np.zeros((3,4))
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])
# np.ones(),全1数组
np.ones(6)
array([1., 1., 1., 1., 1., 1.])
np.ones((3,4))
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])
# np.empty() 只分配内容控件不填充任何值
np.empty((2,3,3))
array([[[1.04246130e-297, 1.69121096e-306, 1.29061074e-306],
        [1.69119873e-306, 1.78019082e-306, 8.34441742e-308],
        [1.78022342e-306, 6.23058028e-307, 9.79107872e-307]],

       [[6.89807188e-307, 7.56594375e-307, 6.23060065e-307],
        [1.78021527e-306, 8.34454050e-308, 1.11261027e-306],
        [1.15706896e-306, 1.33512173e-306, 3.49698923e-317]]])
# np.arange(),类似内置的range,返回的是Array数组
np.arange(12).reshape(3,4)
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
# np.eye(),单位矩阵
np.eye(6)
array([[1., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0.],
       [0., 0., 1., 0., 0., 0.],
       [0., 0., 0., 1., 0., 0.],
       [0., 0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 0., 1.]])

数组运算

  • 算术运算
arr = np.arange(12).reshape(3,4)
arr
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
arr+arr
array([[ 0,  2,  4,  6],
       [ 8, 10, 12, 14],
       [16, 18, 20, 22]])
arr*arr
array([[  0,   1,   4,   9],
       [ 16,  25,  36,  49],
       [ 64,  81, 100, 121]])
  • 索引
  • 切片
arr[0]
arr[:3]
arr[-1]
array([ 8,  9, 10, 11])
arr[1,2]
6
arr[1][2]
6
arr[1,2] = 66
arr
array([[ 0,  1,  2,  3],
       [ 4,  5, 66,  7],
       [ 8,  9, 10, 11]])
# 转置
arr.T
array([[ 0,  4,  8],
       [ 1,  5,  9],
       [ 2, 66, 10],
       [ 3,  7, 11]])

布尔型数组

names = np.array(['Bob','Joe','Will'])
date = np.arange(1,10,4)
names == 'Bob'
array([ True, False, False])
date
array([1, 5, 9])
date[names == 'Bob']
array([1])
date[~(names == 'Bob')]
array([5, 9])
date[names != 'Bob']
array([5, 9])
date[date>=5]
array([5, 9])

多个布尔条件 算术运算

  • 且 &
  • 或 |
key = (names == 'Bob' ) | (date<3)
key
array([ True, False, False])
key = (names == 'Bob' ) & (date<3)
key
array([ True, False, False])

通用函数 – ufunc

arr = np.arange(10)
np.sqrt(arr) # 计算各个元素的平方根
array([0.        , 1.        , 1.41421356, 1.73205081, 2.        ,
       2.23606798, 2.44948974, 2.64575131, 2.82842712, 3.        ])
np.exp(arr) # 计算各个元素的指数e^x
array([1.00000000e+00, 2.71828183e+00, 7.38905610e+00, 2.00855369e+01,
       5.45981500e+01, 1.48413159e+02, 4.03428793e+02, 1.09663316e+03,
       2.98095799e+03, 8.10308393e+03])
x = np.random.randn(8)
x
array([ 1.54492539,  1.23743264, -0.43177947, -0.62904697, -0.49509432,
        1.37267661,  0.45616824,  0.69478241])
y = np.random.randn(8)
y
array([ 1.41358016,  1.71561102,  0.30880553,  2.34460093,  0.31110363,
        2.00262837,  0.89447709, -0.61136333])
np.rint(x) # 各个元素四舍五入到最近的整数,保留dtype
array([ 2.,  1., -0., -1., -0.,  1.,  0.,  1.])
np.isnan(x) # 判断哪些元素是NaN
array([False, False, False, False, False, False, False, False])
  • 二元 ufunc

更多通用函数 取numpy官网查询

np.add(x,y)# 将数组中对应元素相加
array([ 2.95850554,  2.95304366, -0.12297395,  1.71555397, -0.18399068,
        3.37530498,  1.35064533,  0.08341909])
np.minimum(x,y)# 元素级最小值计算
array([ 1.41358016,  1.23743264, -0.43177947, -0.62904697, -0.49509432,
        1.37267661,  0.45616824, -0.61136333])
np.fmin(x,y)# 元素级最小值计算,忽略NaN
array([ 1.41358016,  1.23743264, -0.43177947, -0.62904697, -0.49509432,
        1.37267661,  0.45616824, -0.61136333])
np.maximum(x,y)# 元素级最大值计算
array([1.54492539, 1.71561102, 0.30880553, 2.34460093, 0.31110363,
       2.00262837, 0.89447709, 0.69478241])
np.fmax(x,y)# 元素级最大值计算,忽略NaN
array([1.54492539, 1.71561102, 0.30880553, 2.34460093, 0.31110363,
       2.00262837, 0.89447709, 0.69478241])

统计

arr = np.random.randn(3,4)
arr
array([[-0.26664427, -1.60844846, -0.59910976,  0.2213661 ],
       [ 2.11733409,  1.35787167,  1.03795679,  0.68043033],
       [-0.18726122, -0.18600493, -0.56661837,  1.72816168]])
arr.mean() # 均值
0.3107528023087508
arr.mean(1) # axis = 1,求每行的均值
array([-0.5632091 ,  1.29839822,  0.19706929])
arr.mean(0) #axis = 0,求每列的均值
array([ 0.5544762 , -0.14552724, -0.04259045,  0.8766527 ])
arr.sum() #求和
3.7290336277050096
arr.sum(1)
array([-2.2528364 ,  5.19359287,  0.78827716])
arr.sum(0)
array([ 1.66342859, -0.43658172, -0.12777135,  2.6299581 ])
arr = np.arange(12).reshape(3,4)
arr
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
arr.cumsum() # 元素累加
array([ 0,  1,  3,  6, 10, 15, 21, 28, 36, 45, 55, 66], dtype=int32)
arr.cumsum(1)# 元素行累加
array([[ 0,  1,  3,  6],
       [ 4,  9, 15, 22],
       [ 8, 17, 27, 38]], dtype=int32)
arr.cumsum(0)
array([[ 0,  1,  2,  3],
       [ 4,  6,  8, 10],
       [12, 15, 18, 21]], dtype=int32)
arr.cumprod()# 元素累积
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int32)
arr.std() # 标准差, 有axis操作
3.452052529534663
arr.std(0)
array([3.26598632, 3.26598632, 3.26598632, 3.26598632])
arr.var() # 方差
11.916666666666666
np.argmin(arr)# 最小元素的索引
0
np.argmax(arr) # 最大元素的索引
11
np.max(arr)
11
np.min(arr)
0
arr = np.random.randn(100)
# 布尔型数组
(arr > 0).sum()
54

排序

arr = np.random.randn(6)
arr
array([ 1.04535439,  0.46594185,  0.7804373 ,  1.56907968, -0.78065019,
        0.58804597])
arr.sort()
arr
array([-0.78065019,  0.46594185,  0.58804597,  0.7804373 ,  1.04535439,
        1.56907968])
  • 多维数组
arr = np.random.randn(3,4)
arr
array([[-1.37985941,  0.65325469, -0.28817527, -0.02299107],
       [ 0.4429337 ,  3.51252763, -1.02962186,  1.45001376],
       [-1.42937016, -0.65463081, -0.09767723, -0.49224928]])
arr.sort() # 有axis轴
arr
array([[-1.37985941, -0.28817527, -0.02299107,  0.65325469],
       [-1.02962186,  0.4429337 ,  1.45001376,  3.51252763],
       [-1.42937016, -0.65463081, -0.49224928, -0.09767723]])

去重

arr = np.random.randint(2,5,5)
arr
array([4, 4, 2, 4, 2])
np.unique(arr)
array([2, 4])
arr = np.random.randint(3,6,12).reshape(3,4)
arr
array([[4, 4, 4, 4],
       [5, 5, 3, 3],
       [4, 4, 3, 3]])
np.unique(arr)
array([3, 4, 5])

数组的集合运算

x = np.random.randint(2,6,10)
x
array([5, 2, 3, 4, 4, 3, 4, 5, 5, 2])
y = np.random.randint(3,7,10)
y
array([5, 4, 6, 3, 4, 4, 4, 6, 6, 6])
np.intersect1d(x,y) #求公共元素,交集
array([3, 4, 5])
np.union1d(x,y) # 求并集
array([2, 3, 4, 5, 6])
np.setdiff1d(x,y)# 集合的差
array([2])
np.setxor1d(x,y) # 求异或
array([2, 6])

Numpy输入输出

arr = np.random.randn(6)
np.save('demo',arr)# 以未压缩的原始二进制格式保存在扩展名为.npy的文件中
np.load('demo.npy')# 读取磁盘上的数组
arr
array([ 0.32358355,  0.91039905,  1.40027705,  1.2007988 ,  0.56437337,
       -1.37940863])
x = np.random.randn(6)
y = np.random.randn(8)
np.savez('demo.npz',a = x,b = y)# 保存多个数组到一个压缩文件中
arch = np.load('demo.npz')
arch['b']
array([-0.73327216,  0.64236622,  0.47694044, -0.76341329,  1.10744661,
        3.01207849, -2.31595105,  0.02843877])
  • 文本文件
z = np.random.randn(6)
np.savetxt('demo.txt',z)
a =np.loadtxt('demo.txt',delimiter = ',')
a
array([ 1.87221781, -1.19406744, -0.43478245, -0.69413357,  1.81840891,
        0.87762923])

点乘(矩阵乘法) – 线性代数函数

  • np.dot
  • x.T.dot(x),x.dot(y)
x = np.arange(1,13).reshape(3,4)
x
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])
x.T.dot(x)
array([[107, 122, 137, 152],
       [122, 140, 158, 176],
       [137, 158, 179, 200],
       [152, 176, 200, 224]])
x*x# 数组乘法
array([[  1,   4,   9,  16],
       [ 25,  36,  49,  64],
       [ 81, 100, 121, 144]])
NumPy数值计算简化示例001 输出结果: 分析: 创建了一个包含5个元素的一维数组。实际意义: 将Python列表转换为NumPy数组,为后续数值计算做准备。精要总结: 是创建NumPy数组的基本方法。 输出结果: 分析: 创建了一个2行3列的二维数组。实际意义: 表示矩阵或表格数据。精要总结: 嵌套列表可以创建多维数组。 输出结果: 分析: 获取了数组的形状、维度和元素数量信息。实际意义: 了解数组结构,为后续操作做准备。精要总结: , , 是数组的基本属性。 输出结果: 分析: 创建了浮点型数组,而不是默认的整数型。实际意义: 阅读详情

相关推荐

Numpy教程(001):Numpy的介绍和数组创建

NumPy是 Python 中用于科学计算的核心库之一,专门用于高效的数值计算。它提供了支持多维数组(ndarray)、矩阵运算以及大量数学函数的功能,是构建机器学习、数据分析和科学计算应用的基础。NumPy 的特点高效的多维数组提供ndarray数据结构,支持快速的向量化运算。比 Python 的原生列表在存储和操作数值数据时更高效。丰富的数学函数包括线性代数、傅里叶变换、统计分析等。广播机制能够在不同形状的数组之间进行运算,而无需显式循环。与其他库兼容。

WwLK123的博客 255

秒了!!!【XXXhas type numpy.ndarray, but expected one of: int】,不是bug!!!

在使用第三方的模块代码时,出现了“XXXhas type numpy.ndarray, but expected one of: int”的错误,此报错的问题有可能出现在protobuf的版本上。

weixin_44257107的博客 378

Revit实战:从零到一,手把手教你用族(Family)搭建一个完整的水闸BIM模型

本文详细介绍了如何使用Revit的族(Family)功能从零开始构建一个完整的水闸BIM模型。通过参数化族设计,实现闸门开度调整自动关联流量计算等智能化功能,提升水利工程BIM模型的工程价值和应用效率。文章涵盖族库规划、核心构件创建、高级技巧及BIM数据深度应用,为水利工程数字化提供实用指南。

weixin_28738165的博客 265

numpy结构化数组

一、创建结构化数组 1、元组列表,每个字段一个元组 每个元组都有这些属性(fieldname,datatype,shape):filename:名称、datatype:数据类型、shape:形状 如果fieldname是空字符串'',那么该字段将被赋予一个默认名称形式f#,其中#是该字段的整数索引,从左边以0开始计数: >>> np.dtype([('x', 'f4')...

qq_18246731的博客 1279

遥感生态指数(RSEI)——四个指数的计算

遥感生态指数是在4个生态指数的基础上通过主成分变换得出的一个评价生态环境质量的指标。因此,第二部分就是要分别计算出这4个指数的值。 ①首先,是绿度指数的计算,一般用归一化植被指数(NDVI) NDVI=(NIR-Red)/(NIR+Red) 在Bandmath工具中输入NDVI计算公式 (float(b4-b3))/(b4+b3) 其中,b3、b4分别是红波段和近红外波段 ②其次,是湿度计算。 WET = c1B1 + c2B2 + c3B3...

qq_41978498的博客 9万+

【LDLTS解析】从重叠峰到精准参数:拉普拉斯深能级瞬态光谱如何重塑半导体缺陷分析

本文深入解析了拉普拉斯深能级瞬态光谱(LDLTS)技术如何革新半导体缺陷分析。针对传统DLTS难以分辨重叠峰的痛点,LDLTS通过拉普拉斯逆变换对高精度电容瞬态曲线进行数学解卷积,成功分离发射率相近的缺陷信号,实现从模糊宽峰到精准独立峰的转变。该技术不仅大幅提升了缺陷激活能和捕获截面等关键参数的提取精度,更推动分析范式从经验拟合转向第一性原理,为先进半导体工艺开发与良率提升提供了强大的精准诊断工具。

weixin_29224309的博客 276

onnx resize层转换报错,TypeError: 1.0 has type numpy.float32, but expected one of: int

系统环境:onnx=1.6.0 onnx转换时,resize层报错: TypeError: 1.0 has type numpy.float32, but expected one of: int 解决方法引用自:https://ask.csdn.net/questions/1231921 原因:onnx依赖protobuf,系统的protobuf版本太低引起。将protobuf版本3.0.0升级至3.7.1问题解决。 pip3 install -U protobuf ...

alex1801 1427

【Mode】FDE 求解器工作流程

Lumerical---FDE(Finite Difference Eigenmode) Solver

u011699626的博客 4946

TypeError: ‘‘ has type str, but expected one of: int, long

bug 由于输入的字段从必填改为非必填,因此字段可能输入空字符,而调用微服务的grpc限定该字段为uint32,因此日志报错 TypeError: '' has type str, but expected one of: int, long

记录过程 共享知识 2174

UE5实现物体高亮描边效果(含UE相关源码浅析)

UE5实现物体高亮描边效果

专注GIS开发 7335

国科大作业考试资料《人工智能原理与算法》2024新编-第三次作业整理

1. 你的目标是让机器人走出迷宫。机器人面朝北,开始位置在迷宫中间。你可以让机器人转向面朝东、南、西或北。你可以让机器人向前走一段距离,在撞墙之前它会停步。 (1)将问题形式化。状态空间有多大? (2)在迷宫中游走,在两条路或更多路交叉的路口可以转弯。重新形式化这个问题。现在状态空间有多大? (3)从迷宫的任一点出发,我们可以朝四个方向中的任一方向前进直到可以转弯的地方,而且我们只需要这样做。重新对这个问题进行形式化。我们需要记录机器人的方向吗? 2. 传教士和野人问题

MatsumotoChrikk 985

np.load()读取npy文件

在读取文件时,我们有时候会需要读取npy文件,有时候这样一个文件特别大读取起来非常慢,甚至有可能导致电脑卡死,所以这里记下一个笔记。 在读取文件的时候只需要添加上读取方式,那么就会使用给定模式对文件进行内存映射,内存映射的矩阵保留在磁盘上,并不是直接全部读取到内存里。 再贴出一个官方文档np.load()具体使用方法 def load_data(filename,filepath): x=...

qq_42825202的博客 4万+

基于FFmpeg的视频播放器之十二:seek

seek是播放器的常用操作,也是衡量播放器好坏的重要标志之一。 一.效果 下面是对正在播放的4K视频执行seek操作

草上爬的博客 5406

001-NumPy简介与环境搭建

NumPy简介与环境搭建摘要 NumPy是Python科学计算的核心库,提供高性能多维数组对象和丰富的数学运算功能。相比原生Python列表,NumPy在计算速度上可提升数十倍,内存效率更高,并支持向量化运算。安装可通过pip或conda完成,推荐使用Python 3.8+版本和Jupyter/PyCharm等开发环境。安装后可通过版本检查、性能测试和功能测试验证安装是否成功。NumPy作为科学计算的基础,与Pandas、Matplotlib等库构成完整的数据分析生态系统。

lvjesus的博客 1112

YOLOv11低光照检测性能优化:基于Retinexformer主干网络的深度改进实践

购买即可解锁300+YOLO优化文章,并且还有海量深度学习复现项目,价格仅需两杯奶茶的钱,别人有的本专栏也有!@[TOC]在自动驾驶、安防监控、遥感探测等关键领域,目标检测系统必须保证24小时全天候的可靠工作。然而,现有最先进的目标检测模型,包括YOLOv11,其训练数据大多源于光照良好的场景。当环境光照条件急剧下降时,图像会出现严重的噪声、低对比度、颜色失真和细节丢失,直接导致模型性能断崖式下跌。常规的解决方案如图像直方图均衡化或简单的伽马校正,往往收效甚微,甚至可能放大噪声,进一步干扰检测。

m0_71589036的博客 190

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

数据分析之Numpy001

一、numpy概述 1、NumPy(Numerical Python)是Python语言的一个扩充程序库。提供了python对多维数组对象的支持:ndarray,具有矢量运算能力,快速、节省空间。支持高级大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库! numeric pyth...

四一二的博客 441

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

numpy初学者-001

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0) object为数组或嵌套的数列 dtype 数组元素的数据类型,可选 copy 对象是否需要复制,可选 order 创建数组的样式,C为行方向,F为列方向,A为任意方向(默认) subok默认返回一个与基类类型一致的数组 ndmin 指定生成数组的最小维度 实例: np.array(range(0,10),dtype..

weixin_40425026的博客 253

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

数据处理 numpy and pandas——001_numpy基础

内容: array生成数组 zeros生成零矩阵 arange生成浮点型数据 reshape重新定义形状 linspace生成数据 源代码及注释如下: import numpy as np a = np.array([[1,1,2],[2,2,4]],dtype = np.float64) #生成一个数组 array([ [ ] , [ ] ]) print(a) print(a.dty...

yu的博客 215

001-Getting NumPy

文章目录Getting NumPy Getting NumPy 待续。。。

sone 的博客 231

001.Numpy入门(一)

001.Numpy入门(一) 1. 简介 2. Numpy数组对象:ndarray Q:python已经存在list类型,为什么需要ndarray类型? 2.1构成 2.2使用 2.2.1定义 import numpy as np 2.2.2属性 2.2.3元素类型 itemsize为8个字节应该是按照int64进行存储的 ...

TommyLiuZ的博客 110

NumPy 系列教程 001:入门和使用数组

Python 系列教程

江帅帅 555

1.001 numpy产生随机数

均匀分布:numpy.random.rand(d0, d1, ...) 高斯分布:numpy.random.randn(d0, d1, ...)

zdegrh_2的博客 391

NumPy学习 -- 001_数组

#-*- coding: UTF-8 -*- ''' ################################################# # Author : 余欢 # Date : Dec 14, 2015 9:39:10 AM #company : # description : #####################################

HH的专栏 1020

数据分析学习之路001——NumPy库基础知识

NumPy库001基础知识 numpy数组与python列表的区别 1、python列表可以存放不同数据类型,numpy数组只能是相同数据类型 2、数组是可以多维的,相当于线性代数的矩阵 创建numpy数组 1、**np.array(列表)**以列表形式创建 2、**np.arange()**产生有规律的数组【和range类似】 3、**np.random()**生成随机数数组【这是一个模块,里面有很多函数】 a1 = np.random.random(2,2) # 生成2行2列的随机数的数组,元素在[0,

weixin_55730631的博客 408

Boost 001 Boost.python编译之boost_numpy37编译

Boost.python是可以单独编译的。 工具:VS2015 x64本机工具命令行 Boost版本:1.69.0 Python:3.7 打开VS2015 x64命令行控制台,切换到Boost目录:C:\local\boost_1_69_0 , 执行:bootstrap.bat,生成:b2.exe和bjam.exe bjam --toolset=msvc-14.0 address-mo...

islinyoubiao的专栏 1002

001.python科学计算库numpy(上)

genfromtxt 从文本文件加载数据,并按指定的方式处理缺失值。 import numpy # genfromtxt 从文本文件加载数据,并按指定的方式处理缺失值。 # delimiter 用来分隔值的字符串。 # 默认情况下,任何连续的空格都充当分隔符。 # 一个整数或整数序列也可以作为每个字段的宽度提供 # dtype 结果数组的可选数据类...

行者常至 290
上一篇: 创建和更改为Datetime、DatetimeIndex,时间序列
下一篇: 【ValueError: Duplicated level name: "Date", assigned to level 1, is already used for level 0.】临时解决方法
儒冠多误身
博客等级 码龄8年 12粉丝 24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
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