字典的键值对交换技巧

软件测试|如何实现字典的键值互换,你会了吗? 在Python中,字典是一种非常有用的数据结构,它将数据存储为键值对,并且键必须是唯一的。有时候,我们可能需要将字典的键和值互换,以便查找或操作数据更加方便。本文将详细介绍如何在Python中实现字典键值的互换操作。本文详细介绍了如何在Python中实现字典键值的互换操作。我们可以选择使用字典推导式或循环亦或是使用来完成这个任务,具体取决于你的喜好和项目需求。无论哪种方法,都可以让你更轻松地处理字典中的数据,提高代码的可读性和灵活性。 阅读详情

有时候,我们需要交换字典中的键和值,或者创建一个新的字典,其中原字典的值成为新字典的键,原字典的键成为新字典的值。

===

本篇文章中,我们将介绍如何使用简单的技巧来进行字典的键值对交换,以及为什么这在编程中非常有用。

===

===

为什么需要字典的键值对交换?

字典是一种非常灵活的数据结构,通常用于表示各种映射关系。然而,有时候我们的需求可能会改变,我们希望将原字典的键和值进行交换,或者创建一个新字典,以满足新的数据结构要求。

这种情况下,字典的键值对交换技巧就非常有用。

=============================

方法一:使用字典推导式

Python中的字典推导式(Dictionary Comprehension)允许我们通过一行代码来创建新的字典。要进行键值对的交换,只需使用字典推导式并交换原字典中的键和值。

下面是一个例子,将原字典的键和值交换:

original_dict = {'apple': 1, 'banana': 2, 'cherry': 3}``   ``# 使用字典推导式进行键值对交换``swapped_dict = {value: key for key, value in original_dict.items()}``   ``print(swapped_dict)

输出结果将是:

{1: 'apple', 2: 'banana', 3: 'cherry'}

在这个例子中,我们使用了字典推导式,通过{value: key for key, value in original_dict.items()}将原字典的键和值交换,创建了一个新的字典。


方法二:使用**zip函数**

另一种进行键值对交换的方法是使用zip函数,将原字典的值和键组合成元组,然后将这些元组转换为字典。


下面是一个示例:

original_dict = {'red': 'apple', 'yellow': 'banana', 'purple': 'grape'}``   ``# 使用zip函数交换键和值``swapped_dict = dict(zip(original_dict.values(), original_dict.keys()))``   ``print(swapped_dict)

输出结果将是:

{'apple': 'red', 'banana': 'yellow', 'grape': 'purple'}

这个例子中,我们首先使用original_dict.values()和original_dict.keys()获取原字典的值和键,然后使用zip函数将它们组合成元组,并最终使用dict()函数将元组列表转换为字典。


方法三:使用循环

除了字典推导式和zip函数,我们还可以使用循环来实现字典的键值对交换。这种方法可能不如前两种方法简洁,但在某些情况下可能更容易理解。


下面是一个使用循环的示例:

original_dict = {'dog': 'bark', 'cat': 'meow', 'bird': 'chirp'}``   ``# 创建一个空字典,用于存储交换后的键值对``swapped_dict = {}``   ``# 遍历原字典的键值对,交换键和值并添加到新字典中``for key, value in original_dict.items():`    `swapped_dict[value] = key``print(swapped_dict)

输出结果将是:

{'bark': 'dog', 'meow': 'cat', 'chirp': 'bird'}

这个示例中,我们首先创建了一个空字典swapped_dict,然后使用循环遍历原字典的键值对,交换键和值,并将它们添加到新字典中。

以上就是“字典的键值对交换技巧”的全部内容,希望对你有所帮助。
​
​关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!

一、Python所有方向的学习路线

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。

在这里插入图片描述

二、Python必备开发工具

img

三、Python视频合集

观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

img

四、实战案例

光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

img

五、Python练习题

检查学习结果。

img

六、面试资料

我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。

img

最后祝大家天天进步!!

上面这份完整版的Python全套学习资料已经上传至优快云官方,朋友如果需要可以直接微信扫描下方优快云官方认证二维码免费领取【保证100%免费】。

【Python】 Python键值互换 Python中,字典是一种可变的、可迭代的数据类型,它由键值对组成,其中键是唯一的,而值可以重复。有时候,我们需要以值作为键,以键作为值来操作字典,需要使用键值互换的场景。 阅读详情

相关推荐

C语言—for循环打印矩形,正三角形,倒三角形,九九乘法,等腰三角形,倒着的等腰三角形(简易版代码)(重点考察for循环嵌套)

本章节教大家如何利用for循环打印正三角形,倒三角形,九九乘法表及等腰三角形(简易版代码)说明:1、循环语句的循环体内又包含另一个完整的循环结构,称为循环结构的嵌套。内嵌的循环语句中还可以再嵌套循环结构,这样就形成多重循环结构的嵌套。2、for 语句、while 语句和 do-while 语句都允许嵌套。三种循环语句可以相互嵌套。3、内层的循环语句必须完全被包含在外层的循环体中,不能发生交叉。

m0_63501145的博客 1695

字典(键值对数据)

字典 dict 用{} 来表示 键值对数据 {key:value} 键 唯一不可重复 都是必须可哈希的 不可变的都可以当 键 dic.setdefault(‘火女’, ‘安妮’) 如果有key,value值不变 字典删除 字典删除没有remove dic.pop(‘key’) 返回删除的value值 dic.popitem() 随机删除 返回值 一个元组 (key,value) dic.update ...

Since_I_was_32的博客 3257

芯片Tapeout前GDS Review | Calibre中如何切出gds中指定区域版图?

芯片Tapeout GDS Review 之Calibre中如何切出指定区域版图GDS

weixin_37584728的博客 1787

Python中字典键值互换的方法

Python中字典键值互换的方法

PlutoZuo的博客 3520

VS code平台调试AutoLISP程序教程

VS code平台调试AutoLISP程序教程

BearElder的博客 3184

AD5940阻抗测量开发板实战:从源码获取到工程调试全解析

本文详细解析了AD5940阻抗测量开发板的实战应用,从源码获取到工程调试的全过程。AD5940作为ADI公司的高精度阻抗测量前端芯片,适用于生物阻抗分析、电化学传感器等领域。文章提供了开发环境搭建、工程配置、常见问题排查及进阶调试技巧,帮助开发者快速掌握AD5940开发板的使用方法。

weixin_30919429的博客 213

【Python】字典键(key)、值(value)互换

Python 字典键(key)、值(value)互换。

东寻的博客 2708

密码学新手必看:三大顶级会议论文下载与阅读指南(附完整资源链接)

本文为密码学新手提供了系统性的三大顶级会议(Crypto、Eurocrypt、Asiacrypt)论文学习指南。内容涵盖如何高效获取最新论文资源、结构化精读论文的方法论,以及将理论转化为代码实践的路径,旨在帮助初学者快速构建密码学知识体系并应用于研究。

weixin_29214691的博客 319

PythonTip79-字典键值交换

补充:交换字典键值对的多种方法。

c_xiaoshuang的博客 275

【WSL2 Win10】解决子系统中nividia-smi出现的Failed to initialize NVML GPU access blocked by the operating systeM

环境:WIN10专业版 WSL2 Ubuntu x64架构 尝试在WSL2中装CUDA,装好以后在wsl系统中输入nvidia-smi命令,结果报错。但是在Win10的CMD中正常显示 Failed to initialize NVML: GPU access blocked by the operating system Failed to properly shut down NVML: GPU access blocked by the operating system在网上搜了一下,没太多类似的情况

6745

深度学习笔记——前向传播与反向传播、神经网络(前馈神经网络与反馈神经网络)、常见算法概要汇总

本文简要介绍深度学习的前向传播与反向传播,以及前馈神经网络与反馈神经网络。

haopinglianlian的博客 3043

str和list相互转换,在字典中添加元素,交换字典中键值对的位置

str和list相互转换:https://www.jb51.net/article/142644.htm 在字典中添加元素:https://www.jb51.net/article/196873.htm

weixin_44295084的博客 468

芯片工程师-必须掌握的linux操作-第一讲

一个从材料专业,转行芯片验证初级工程师,自己也是从0基础开始学习入门,更知道0基础的人应该怎么去学习。 现在工作三个多月了,特地花时间给大家写这篇文章。希望能关注、支持下。 为什么芯片验证工程师必须要学习linux命令? 答: ① 芯片工程师主要的职责,就是与IC设计工程师和系统工程师密切合作,开发验证平台,能够根据项目要求产生测试计划,产生代码及功能覆盖率,撰写验证报告。 ②简单点说,主要工作内容,是编写代码去验证设计的对不对。 那么问题来了,编写代码,在什么环境呢,我现在告诉你,都是在linux系统中进

小白蒋-材料转行芯片验证 4841

56 字典推导式

文章目录1、基本使用2、根据列表生成字典3、练习 使用字典推导式可以快速生成一个字典,它的表现形式和列表推导式类似。 1、基本使用 例如,我们可以使用下面的代码生成一个包含4个随机数的字典,其中字典的键使用数字表示。 2、根据列表生成字典 另外,使用字典推导式也可根据列表生成字典。 定义两个包括4个元素的列表,再应用字典推导式将前两个列表转换为对应的字典,并且输出该字典。 zip()函数用于将可迭代的对象作为参数,将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的zip对象。zip()函数的语

Blog of Lytracy 1023

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

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。

Python字典:竟还有我不会的高阶玩法?

通过序列生成字典 我们将下面的序列转换为dict类型。 lst = [('a', 1), ('b', 2), ('c', 3)] 普通的写法 for k, v in lst: dic[k] = v 更pythonic的写法 利用字典推导式快速生成字典。 {k: v for k, v in lst} key的默认值 当指定key不存在时,将value设置为 0。 普通的写法 if key not in dct: dct[key] = 0 pythonic的写法

m0_54214980的博客 508

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")

Python 元组,字典,集合

# tup=("nihao","wohao","dajiahao") # a. 计算元组长度并输出 # b.获取元组第2个元素并输出 # c.获取元素第2-3个元素并输出 # d.使用for循环遍历输出元组 # e.使用for ,len,range输出元组的索引 # f.将元组中元素第一个与最后一个交换后整体输出 tup = ("nihao", "wohao", "dajiahao") # print(len(tup)) #a # print(tup[1]) #b # print(t.

GaLeng_Yang的博客 553

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Python 中字符串、列表、元组、集合及字典之间的相互转换

Python 中包含几种基本的数据类型: 列表(list): 是长度可变有序的数据存储容器,可以通过下标索引取到相应的数据。 元组(tuple): 固定长度不可变的顺序容器,访问效率高,适合存储一些常量数据,可以作为字典的键使用。 集合(set): 无序,元素只出现一次,可以自动去重。 字典(dict): 长度可变的 hash 字典容器。存储的方式为键值对,可以通过相应的键获取相应的值,key 支持多种类型。key 必须是不可变类型且唯一。 这些数据类型之间都可以通过不同的方法进行相互转换: 1.字.

疯魔coding君的博客 1201

python+selenium 字典由value查key的三种方法

原文章:https://blog.youkuaiyun.com/ssswill/article/details/86618553添加链接描述 原文章写的很好,对我帮助很大,因为没有转发功能,不能直接转到我的列表,所有直接复制过来了 字典: student = {'小萌': '1001', '小智': '1002', '小强': '1003', '小明': '1004'} 方法1: 把字典列表化 list (student.keys()) [list (student.values()).index ('1004')]

zhaoweiya的博客 655

python matrix取元素_8个Python小技巧

交换变量值a, b = 5, 10print(a, b) # 5 10a, b = b, aprint(a, b) # 10 5将列表中的所有元素组合成字符串a = ['Python', 'is', 'awesome']print(' '.join(a)) # Python is awesome查找列表中频率最高的值a = [1, 2, 3, 1, 2, 3, 2, 2, 4, 5, 1...

weixin_39936792的博客 1534

python3 value查key的三种方法

字典: student = {'小萌': '1001', '小智': '1002', '小强': '1003', '小明': '1004'} 方法1 把字典列表化 list (student.keys()) [list (student.values()).index ('1004')] '小明' 方法2 def get_key (dict, value): retu...

whatday的专栏 1226

python note 05 字典及其操作

1、 '''#数据类型划分:可变数据类型,不可变数据类型不可变数据类型:元组,bool int str 可哈希可变数据类型:list,dict set 不可哈希dict key 必须是不可变数据类型,可哈希, value:任意数据类型。dict 优点:二分查找去查询 存储大量的关系型数据 特点:无序的 2、增删改查操作 #增...

weixin_30322405的博客 67

python综合设计问题_python面试常见问题及知识点整理之列表、字典与综合部分

• 数据类型 - 列表1.已知 AList = [1,2,3,1,2],对 AList 列表元素去重,写出具体过程。2.如何实现 "1,2,3" 变成 ["1","2","3"]3.给定两个 list,A 和 B,找出相同元素和不同元素4. [[1,2],[3,4],[5,6]] 一行代码展开该列表,得出 [1,2,3,4,5,6]5. 合并列表 [1,5,7,9] 和 [2,2,6,8]6. 如...

weixin_39593593的博客 354

【Python】Python代码技巧

1.简洁的表达式 交换变量值 a, b = 5, 10 print(a, b) # 5 10 a, b = b, a print(a, b) # 10 5 将列表中的所有元素组合成字符串 a = ['Python', 'is', 'awesome'] print(' '.join(a)) # Python is awesome 查找列表中频率最高的值 a = [1, 2, 3, 1, ...

Keep Moving 551

Python总结--基础知识-4

Python总结--基础知识-41.单星*和双星**的作用2.字典和列表都支持for循环3.列表合并成字典4. 1.单星*和双星**的作用 # 单星*和双星**的作用 # 单星(*) # 以元组形式导入 # 可变参数 # 如果可变参数不是最后一个参数,那么为可变参数后面的形参指定参数值,必须用命名参数 def fun1(param1, *param2,x): print('param1:'...

香蕉一号 234
上一篇: 字典推导式:一行代码创建字典
下一篇: 如何迭代遍历字典中的键和值
壹只小小码农
博客等级 码龄5年 8101粉丝 1334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