蓝桥青少竞赛,输入输出【Python篇】

蓝桥杯模拟题 蓝桥杯省赛模拟题中高级组 阅读详情

蓝桥青少-Python组-第二部分现场编程 👉 输入输出。
一个完整的程序主要分为:输入、处理、输出。逻辑处理部分涉及诸多知识点,是本专栏后期的重点。
此文聚焦输入输出,先搞定数据流入和流出的问题。

输入

input():从控制台接收用户的输入,默认输入的信息为字符串类型值。

  • 一个绝不: input() 中绝不添加提示信息,input(“请输入:”) ;
  • 多种输入:按照具体场景区分。

单行单值输入

【案例】:输入一个字符串,然后将这个字符串输出。

""" 0、字符串 """
st = input()	# 默认字符串 str 类型

""" 1、整数 """
x = input()
x = int(x)	# 整数 int 类型

""" 2、浮点数 """
y = input()
y = float(y)	# 浮点数 float 类型(小数)

""" 可写在一行 """
p = int(input())
q = float(input())

多行单值输入

【案例】:从控制台输入三行数据,分别是:学生学号、成绩、年级。
学号为 [220001,229999][220001, 229999][220001,229999] 区间内的整数,成绩为 [0.0,100.0][0.0, 100.0][0.0,100.0] 之间的浮点数,年级为字符串。

id = int(input())	# 学号
score = float(input())	# 成绩
grade = input()	# 年级

单行多值输入

基本原理:将控制台输入的字符串,按指定分隔符拆分,并转成需要的类型。通用解法:1. 列表推导式;2. 映射。以案例说明。

【编程实现】排序
  连续输入 5 个正整数(正整数之间以英文逗号隔开),然后将 5 个正整数按照从大到小的顺序输出(输出排序后的正整数之间以英文逗号隔开,相同大小的正整数并列输出)。

【输入描述】
  输入 5 个正整数
【输出描述】
  将 5 个正整数按照从大到小的顺序输出

【样例输入】
  3,2,5,5,4
【样例输出】
  5,5,4,3,2


聚焦输入 1:按英文逗号分割输入的若干个数字

方案1:列表推导式

nums = [int(x) for x in input().split(",")]	# nums 整数列表

方案2:映射

nums = map(int, input().split(","))	# nums 整数列表

👉 上述代码,等效于以下过程 👇

""" 1、获取输入的字符串:input() """
st = input()

""" 2、处理字符串:split(),拆分成多个子字符串 """
strs = st.split(",")

""" 3、遍历每个子字符串转成整数 int 类型 """
nums = []
for s in strs:
	x = int(s)
	nums.append(x)

【编程实现】 做统计
  输入 10 个正整数,以空格分隔。依次输出其中的最大值、最小值以及平均 值,以逗号分隔。

【输入描述】
  输入 10 正整数 (0<正整数≤1000)(0< 正整数≤1000)(0<正整数≤1000),正整数之间空格隔开。
【输出描述】
  一行输出 10 个正整数中的最大值、最小值及 10 个数的平均值(平均值保留两位小数),三个值之间一个英文逗号隔开。

【样例输入】
  1 2 3 4 5 6 7 8 9 10
【样例输出】
  10, 1, 5.50


聚焦输入 2:按空格分割输入的若干个数字

方案1:列表推导式

nums = [int(x) for x in input().split()]	# nums 整数列表

方案2:映射

nums = map(int, input().split())	# nums 整数列表

多行多值输入

几乎不会遇到,或百分百不会遇到。👈

特殊输入

极少遇到,或大概率见不到。暂省,遇到再说,避免太多知识负担。

方案:循环解决。

【案例】输入若干行,每行一个整数 (−10000≤整数≤10000)(-10000 ≤ 整数 ≤10000)(−10000≤整数≤10000),当输入是 - 1 (≤0)(≤ 0)(≤0) 时,结束输入。输出所有整数中最大的。

max = -10010

while True:
    x = int(input())
    if x == -1:
        break
    else:
        if x > max:
            max = x
            
print(max)

【进阶要求】输出最大值、最小值,及平均值(平均值保留 2 位有效数字)

【输入样例】
  122
  -34
  56
  78
  355
  1002
  -1
【输出样例】
  max = 1002, min = -34, avg = 263.17


max, min = -10010, 10010
sum = cnt = 0

while True:
    x = int(input())
    if x == -1:
        break
    else:
        if x > max:
            max = x
        if x < min:
            min = x
        sum += x
        cnt += 1
        
avg = sum / cnt
print("max = {:d}, min = {:d}, avg = {:.2f}".format(max, min, avg))
# print("max = %d, min = %d, avg = %.2f"%(max, min, avg))

输出

print():将括号内的信息输出到控制台,默认输出信息后,直接换行,等价于 print(, end = "\n")。其中 end = "\n" 是默认省略项。

  • 一个绝对: print() 绝对严格按照要求输出,**不可**输出多余的空格、换行等;
  • 多种输出,按照具体场景区分。

简单输出

【编程实现】
  在一行中输出两个正整数,按照空格分割,按要求输出较大的值。
【输入样例】
   3 5
【输出样例 1】
   5
【输出样例 2】:注意空格
   max = 5


聚焦输出 1:输出单个变量的值

print(max)

聚焦输出 2:格式化输出单个变量的值

print("max = %d"%(max))
# print("max = {:d}".format(max))

【完整代码】

""" 1、使用类似下例,将输入转成整数后,直接分别赋值给 x, y """
x, y = map(int, input().split())

""" 2、比较获取较大值【暂不要求】 """
max = 0
if(x > y):
	max = x
else:
	max = y
	
""" 3、输出单个变量的值 """
print(max)

""" 4、格式化输出单个变量的值 """
print("max = %d"%(max))
# print("max = {:d}".format(max))

【编程实现】 做统计
  输入 10 个正整数,以空格分隔。依次输出其中的最大值、最小值以及平均 值,以逗号分隔。

【输入描述】
  输入 10 正整数 (0<正整数≤1000)(0< 正整数≤1000)(0<正整数≤1000),正整数之间空格隔开。
【输出描述】
  一行输出 10 个正整数中的最大值、最小值及 10 个数的平均值(平均值保留两位小数),三个值之间一个英文逗号隔开。

【样例输入】
  1 2 3 4 5 6 7 8 9 10
【样例输出】
  10, 1, 5.50


聚焦输出 3:格式化输出多个变量的值

max = 10
min = 1
avg = 5.50

""" %d 是整数占位符,%.2f 是浮点数占位符,.2 表示保留两个小数位 """
print("%d,%d,%.2f"%(max, min, avg))
# print("{:d},{:d},{:.2f}"format(max, min, avg))

format() 是字符串格式化方法,功能更强大,先混个眼熟,后期精进。注意:format() 格式化时的占位符,前置符号是冒号 :。

复杂输出

常遇到,很重要。知识点较多,暂省,避免太多知识负担。

方案:循环、边界判断、字符串拼接 | 直接输出。

  • 直接输出:print(a, b, c, d, sep=',', end=".")【多值输出时,使用 sep 分割】
  • 字符串拼接:str += str1 + "," 和 str[:-2] + '.' 【字符串拼接后,切片整理】
  • 【最重要】:循环、边界判断。需大量见题,后话。
""" 直接输出 """
print(1,2,3,4,5, sep = '+', end = '.')
# 结果是:1+2+3+4+5.
蓝桥杯青少组赛项介绍 蓝桥杯全国软件和信息技术专业人才大赛简称“蓝桥杯”,是由工业和信息化部人才交流中心举办的国内最大的信息技术竞赛。为促进中小学科技创新,提升中小学生逻辑思维,发现和培养面向未来的科技精英人才,自2016年起,“蓝桥杯”在原有大学生数个专业编程组别的基础上增加了中小学创意编程组(简称青少组)。于2022年9月进入教育部办公厅公布的2022—2025学年面向中小学生的全国性竞赛活动名单。 阅读详情

相关推荐

python青少年编程比赛_第十一届蓝桥杯大赛青少年创意编程组比赛细则

蓝桥杯大赛组委会官网在2019/10/12号发布了关于举办第十一届蓝桥杯大赛青少年创意编程组比赛的通知,详情如下:蓝桥杯全国软件和信息技术专业人才大赛组委会蓝桥杯组委会字[2019]57号关于举办第十一届蓝桥杯大赛青少年创意编程组比赛的通知各参赛学校及机构:工信人才[2019]99号文发布了举办第十一届蓝桥杯大赛的通知,其中青少年创意编程组的落实方案及参赛通知如下:本届大赛由工业和信息化部人才交流...

weixin_39715460的博客 4769

蓝桥青少竞赛考纲,一文须知【Python 篇】

关于 蓝桥青少竞赛,需要知道的只有这些。

用编程认知世界,Just coding.... 1万+

【蓝桥杯省赛真题42】python独立海域 中小学青少年组蓝桥杯比赛 算法思维python编程省赛真题解析

​ python独立海域 第十三届蓝桥杯青少年组python省赛真题 一、题目要求 (注:input()输入函数的括号中不允许添加任何信息) 1、编程实现 有一片海域划分为N“M个方格,其中有些海域已被污染(用0表示),有些海域没被污染(用1表示)。请问这片N'M海域中有几块是没被污染的独立海域(没被污染的独立海域是指该块海域上下左右被已污染的海域包围,且N*M以外的海域都为已被污染的海域) 例如:N=4,M=5,4*5的海域中,已被污染海域和没被污染的海域如下图: 这块4*5的海域,有3块海域

青少年编程学习指导 2470

第十一届蓝桥杯青少组竞赛资料大全

在编程竞赛中,有多种算法是参赛者必须掌握的基础知识。首先,数据结构算法是核心,如数组、链表、栈、队列、树、图等,它们是构建更复杂算法的基石。接着,排序算法扮演着重要角色,例如快速排序、归并排序、堆排序等,这些算法的效率对于解决竞赛中的问题至关重要。在更高级的算法类别中,动态规划算法(如背包问题、最长公共子序列)和图算法(如最短路径、最小生成树)是常见的考察点。分治算法、贪心算法、回溯算法等也是需要熟练掌握的技巧。特别是对于涉及大量数据处理的竞赛题目,这些算法知识能够帮助选手找到最优解或近似最优解。

weixin_33173126的博客 903

AIGC内容溯源技术:如何追踪AI生成内容的原始来源

本文旨在系统性地介绍AIGC内容溯源的技术体系,帮助读者理解如何追踪AI生成内容的来源。我们将覆盖从基础概念到前沿技术的完整知识链,包括但不限于数字水印、区块链存证、内容指纹等技术方案。文章将从AIGC的基本概念出发,逐步深入探讨各种溯源技术,分析其原理和实现,最后讨论实际应用和未来趋势。AIGC:AI Generated Content,人工智能生成内容内容溯源:追踪数字内容的创作、修改和传播历史数字水印:嵌入在数字内容中的不可见识别信息数字水印:隐藏在内容中的识别信息,像隐形墨水内容指纹。

SuperAGI2025 2071

别再只飞不记了!用CsvView分析你的大疆飞行日志,优化航拍与排查炸机原因

本文详细介绍了如何利用CsvView工具分析大疆无人机的飞行日志,帮助用户优化航拍效率和飞行安全。通过解读飞行日志中的关键数据,如电池性能、飞行轨迹等,用户可以及时发现潜在问题并改进飞行习惯。文章还提供了事故排查方法和进阶分析技巧,适合无人机爱好者和专业飞手。

weixin_42535461的博客 549

Matlab:imageDatastore() 高效读取图像数据集的实战技巧

本文详细介绍了Matlab中imageDatastore()函数的高效使用技巧,帮助用户从繁琐的手动读取图像数据集中解放出来。通过核心语法、关键参数(如IncludeSubfolders、LabelSource、ReadSize)的解析,以及数据集分割、打乱等进阶实战操作,指导读者构建稳定、高效的图像数据读取管道,特别适用于大型图像数据集处理和机器学习项目。

hill8的博客 1101

STM32G474多通道ADC电压采集:软件触发与单次转换实战

本文详细介绍了STM32G474多通道ADC电压采集的实战方法,重点讲解了软件触发与单次转换的实现技巧。通过硬件设计、HAL库配置、多通道轮询采集及数据处理等环节的详细解析,帮助开发者高效完成精确电压采集任务。文章还提供了常见问题调试技巧和性能优化建议,适用于需要高精度电压监测的嵌入式应用场景。

weixin_28720767的博客 463

图数据库Neo4j面试内容整理-Neo4j的性能

在执行复杂关系查询时,Neo4j 通过图结构的高效存储和查询机制,能够比传统的关系型数据库提供更快的性能,尤其是在涉及深层关系的查询时。通过合理的配置、优化查询和使用合适的硬件,Neo4j 可以处理大规模的数据集和高并发的查询请求,满足企业级应用的需求。Neo4j 在处理图数据时,通过优化图的存储、查询和遍历等方面,提供了高效的性能,特别适合用于需要处理复杂关系和多层次连接的应用场景,如社交网络、推荐系统、知识图谱等。:Neo4j 会根据查询的结构和数据的分布自动选择最优的查询计划。

不务正业的猿 586

Allegro如何画Photoplot_Outline操作指导

在用Allegro进行PCB设计的时候,最后进行光绘输出前,Photoplot_Outline是必备一个图形,所有在Photoplot_Outline中的图形将被输出,Photoplot_Outline以外的图形都将不被输出。如何绘制Photoplot_Outline,具体操作如下。如何画Photoplot_Outline操作指导。

weixin_54787054的博客 2635

今日指数项目之实时流数据采集【六】

实时数据采集代码

Maynor的博客 2147

【PostgreSQL数据分析实战:从数据清洗到可视化全流程】5.2 数据分组与透视(CUBE/ROLLUP/GROUPING SETS)

【PostgreSQL数据分析实战:从数据清洗到可视化全流程】5.2 数据分组与透视(CUBE/ROLLUP/GROUPING SETS)

kngines 1835

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

上一篇: 蓝桥青少竞赛考纲,一文须知【Python 篇】
下一篇: 洛谷使用文档
老坛算粉
博客等级 码龄12年 708粉丝 73原创
评论 3
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

老坛算粉

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