明明白白安装Python解释器(多版本共存切换)、Python IDE:PyCharm(专业版永久)、透彻!

Python解释器 Python解释器,作用同 Java的JVM一样 阅读详情

Python解释器安装

————————

解释器(英语:Interpreter)。用户可以到Python的官网上直接下载Python解释器安装程序。
在浏览器地址栏中输入:

http://www.python.org

需要最新专业版PyCharm永久使用权限的扫码免费获取,还剩最后几个名额。

进而登录Python的官方网站,点击下图所示:

本次选择下载Python 3.10.10版本的Windows 64位安装程序包

下载完成,安装文件仅27.6MB:

以管理员身份运行Python的安装程序python-3.10.10-amd64.exe。

下图标识1勾选Add Python.exe to PATH,它会帮助我们将Python 解释器的路径添加到环境变量中_(注释1)_,这样就可以在命令行或终端窗口中直接运行 Python 解释器。

下图标识2勾选Use admin privileges when installing py.exe,表示在安装 Python 时使用管理员权限。如果选择此选项,安装程序将请求提升为管理员权限,以便更容易地安装Python并在系统上正确配置它。我这里无法勾选,可能是已经安装其他版本的原因。

点击下图标识3_Customize installation_定制化安装,即允许用户根据自己的需求选择安装路径、要安装哪些 Python 组件和工具。

注释1:

当我们成功安装Python 3.10.10后,因为本次安装没有选择为所有用户安装,所以_环境变量看当前用户的_。

图一

可以看到,在_系统环境变量_中有两个python解释器:Python311和Python37。由于Python37在环境变量中的位置比Python311更加靠前,所以系统会优先使用Python37这个python版本。

在CMD做如下操作,反馈的为Python 3.7.9。

通过下图中的操作,我们手动将Python311上移

**在CMD做如下操作,反馈的为Python 3.11。**

如何能指定Python3.10呢?删除图一中的_当前用户的_环境变量,添加到_系统环境变量_中

**在CMD做如下操作,反馈的为Python 3.10。**

接下来,安装向导会提示你勾选需要的_“Optional Features”(可选特性),这里咱们_可以直接全选。

下图标识1 Documentation(说明书)离线的 .chm 格式文档,必须保留。英文还 OK 的小伙伴可以直接看这份文档,比所有书都靠谱。看英文有压力的,平时随时查查标准库模块用法什么的是极好的。

下图标识2 pip Python 包下载工具,必须保留。

下图标识3 tcl/tk and IDLE,安装tkinter包和IDLE开发环境_(注释2)_。

下图标识4 Python test suite,这个可以没有,当然留下来也没关系。

下图标识5 py launcher,如果对所有用户安装,则需要 administrator 的权限_(注释3)_。我这里无法勾选,安装3.11时已经安装了“py launcher”。

注释2:

tkinter 包 (“Tk 接口”) 是针对 Tcl/Tk GUI 工具包的标准 Python 接口。Tcl/Tk集成到Python中已经有一些年头了。Python程序员可以通过 tkinter 包和它的扩展 tkinter.tix 模块和 tkinter.ttk 模块,来使用这套鲁棒的、平台无关的窗口工具集。

tkinter 包是使用面向对象方式对 Tcl/Tk 进行的一层薄包装。使用 tkinter,你不需要写 Tcl 代码,但你将需要参阅 Tk 文档。 tkinter 是一组包装器,它将_Tk 的可视化部件实现为相应的 Python 类_。IDLE:Python 的集成开发与学习环境,它本身就是完全用Python和Tkinter GUI工具包编写的。

注释3:

py launcher 适用于Windows用户,适用于电脑上有多个Python版本的用户,如今最新的Python版本的Windows安装程序中肯定附带 py launcher 的安装程序。The Python launcher for Windows(py launcher)是一个实用程序,可帮助查找和执行不同的Python版本。py launcher 允许你通过脚本(或命令行:cmd、power shell)设置要使用Python版本。与环境变量(PATH变量)不同,默认情况下 py launcher 将为你选择最合适的Python版本。

接下来是对_“Advanced Options”(高级选项)_的选择。

  • Install for all user,是否对所有人安装,如果是,需要 administrator 的权限。建议勾选。

  • 标识1关联文件到 Python,这个保持原样即可。它就是把 .py 文件和 python 程序关联起来,这样双击 .py 文件的时候,自动就用 python 去执行了。建议勾选。

  • 标识2创建快捷方式,保持原样即可。建议勾选。

  • 标识3添加 Python 到环境变量,第 2 次出现将“Python”的路径添加到环境变量。建议勾选。

  • 标识4“Customize install location”(自定义安装路径)强烈建议修改为自定义的路径,这个路径中不应该包含中文、空格或其他特殊字符,注意这一点会为你减少很多不必要的麻烦。设置完成后,点击“Install”开始安装。

安装成功会出现如下图所示的画面。

标识1安装成功的关键词“successful”,如果安装失败,这里的单词会变成“failed”。

标识2禁止路径深度限制,强烈建议点击此选项,否则将来安装第三方库或第三方工具时,可能会因Windows对路径深度的限制而无法安装。

需要最新专业版PyCharm永久使用权限的扫码免费获取,还剩最后几个名额。
什么是 Python 解释器? python 解释器是一种计算机程序,可将每个高级程序语句转换为机器代码。如何在 Windows 中轻松隐藏文件和文件夹解释器将您写出的命令翻译成计算机可以理解的代码。然而,为了更好地理解这个定义,我们必须解释什么是高级语言和低级语言。计算机程序员使用高级编程语言编写。高级语言的编写更接近人类语言,并允许程序员专注于正在编写的命令。Python 是最著名的高级语言示例。然而,虽然高级语言相对容易被人类理解,但对于机器来说却并非如此。 阅读详情

相关推荐

下载与安装Python解释器

解释器的作用:运行文件解释器环境:先下载后安装。

qq_57907966的博客 9681

「Python系列」Python解释器

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。IPython 是一个增强版的 Python 解释器,提供了一些额外的功能和工具,使得 Python 代码的交互式开发和调试更加方便。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。

m0_59236602的博客 5478

2.1 Python 解释器

1. Python解释器介绍 1.1 CPython 1.2 Ipython 1.3 PyPy 1.4 Jython 1.5 IronPython 2. 解释器的下载与安装 2.1 下载解释器 2.2 安装 Python3解释器 2.3 安装Python2解释器 3. 解释器交互模式 3.1 多版本配置 3.2 编写第一个程序 3.3 交互模式提示符 3.4 退出交互模式 3.5 运行Python脚本 4. IDLE编辑器 5. 练习

清风 7267

明明白白安装Python解释器(多版本共存切换)、Python IDE:PyCharm(专业版永久)透彻!

py launcher 适用于Windows用户,适用于电脑上有多个Python版本的用户,如今最新的Python版本的Windows安装程序中肯定附带 py launcher 的安装程序。,它会帮助我们将Python 解释器的路径添加到环境变量中_(注释1)_,这样就可以在命令行或终端窗口中直接运行 Python 解释器。当我们成功安装Python 3.10.10后,因为本次安装没有选择为所有用户安装,所以_环境变量看当前用户的_。删除图一中的_当前用户的_环境变量,添加到_系统环境变量_中。

Python966的博客 4307

深入解析Vivado FIFO的Standard与FWFT模式:性能对比与应用场景

本文深入解析了Vivado FIFO的Standard与FWFT两种工作模式的核心差异。通过对比数据就绪时机、读延迟、控制逻辑和有效深度等关键特性,并结合图像处理、数据包转发等典型应用场景,为FPGA设计者提供了清晰的选择依据和实战配置指南,帮助优化数据流性能与设计效率。

weixin_29219189的博客 254

Windows 10/11一键搞定HDF5文件查看:HDFView 3.4.1免配置安装指南(附中文路径避坑技巧)

本文详细介绍了HDFView 3.4.1在Windows 10/11上的免配置安装方法及中文路径优化技巧。作为HDF5文件查看的专业工具,HDFView 3.4.1简化了安装流程,提升了科研数据处理效率,特别适合遥感、气象等领域的研究人员使用。

qsc9012345的博客 1146

Windows 11 Python 3.8.2超详细安装与配置指南

环境变量配置是软件开发和系统管理中连接应用程序与操作系统资源的核心机制,它定义了系统搜索可执行文件的路径集合。其原理在于操作系统通过PATH等变量定位命令对应的程序文件。正确的环境变量设置对于确保开发工具链的顺畅运行具有关键的技术价值,能避免“命令未找到”等常见问题,提升开发效率。在Python开发这一应用场景中,环境变量决定了能否在任意目录下调用python和pip命令。本文聚焦于Windows 11平台,详细解析Python 3.8.2安装过程中如何正确配置环境变量和pip工具,并深入介绍利用虚拟环境进

weixin_30718391的博客 272

Android HWC硬件合成器实战:从SurfaceFlinger到显示驱动的完整流程解析

本文深入解析Android HWC硬件合成器从SurfaceFlinger到显示驱动的完整流程,揭示HWC如何优化图形性能并降低功耗。通过实战案例和调试技巧,帮助开发者掌握硬件加速的图层混合技术,提升移动设备的显示效率。

gaochao的博客 494

这可能是一篇最贴心的Anaconda指北了(踩坑点)

刚从Python3.7+pip转Anaconda+conda的配置坑里爬出来,写篇blog记录一些细节。 1 为啥要装Anaconda? 下面的几点是我想到哪写到哪,比较零散,大家看个大概,懂个意思就???? Anaconda是Python的一个发行版,其实就是一个Python的集成环境管理器,其中包含了Python以及许多常用的库,比如numpy、pandas等,另外!还包含了一个名为conda的包管理器。 Anaconda一举多得,一旦装了Anaconda,就代表你已经装好了Python编译器以及众

我的技术栈碎碎念空间 2508

AgentScope Java多智能体框架

AgentScope Java 的核心设计理念是“Agent-Oriented Programming” (面向智能体编程)。

zzz19920821的博客 1737

Python爬虫实战:高效爬取华尔街日报文章的技术与代码详解

在当今信息爆炸的时代,金融数据和分析对于投资者、研究人员和企业决策者来说至关重要。华尔街日报(WSJ)作为全球最具影响力的财经媒体之一,其文章内容具有极高的价值。本文将详细介绍如何使用Python最新技术构建一个高效、稳定的华尔街日报文章爬虫,涵盖从基础到高级的各种技术要点。本文详细介绍了如何使用Python最新技术构建一个高效、稳定的华尔街日报文章爬虫。我们从基础爬虫实现开始,逐步添加了高级功能如分布式处理、反反爬虫策略、数据清洗和存储等。异步处理:使用asyncio和httpx实现高性能网络请求。

2201_76125261的博客 385

Python解释器详细解释

Python解释器

weixin_56939868的博客 6153

【Android 教程系列第 30 篇】为什么要为 App 应用加固 ?如何为 App 应用加固 ?

一:为什么要为 App 应用加固 ? 二:如何为 App 应用加固 ? 三:加固后为什么要重新签名 ?

“Allen Su”的博客 7053

Python解释器的安装步骤——保姆级教程

在没有特殊说明的情况下,指的都是Cpython,因为python解释器这款应用程序,它的底层是使用C语言编写的。第四步,在【Advanced Options】窗口,现在展示出来的是它的默认路径,你也可以选择一个指定的安装路径,更换指定路径点击【Browse】,然后在弹出的窗口选择你要安装的路径,点击【确定】之后再点击【Install】安装即可。Python解释器的安装有“立即安装”和“自定义安装”两种方式。第六步,观察命令行,如果能够看到输出的“你好,python”,则说明python解释器可用且成功!

marye_1325的博客 2532

GEE:面对对象土地利用分类(结合SNIC、GLCM 和机器学习算法)

本文将介绍在Google Earth Engine中结合SNIC、GLCM和机器学习算法的的土地利用/土地覆盖(LULC)分类方法。结果如下图所示,

养乐多的博客 5617

《低功耗方法学》翻译——第一章:介绍

第一章:介绍

记录所学,分享知识,结识挚友 2069

Python解释器新手安装教程

Python解释器本身也是个程序,它是解释执行Python代码的,没有它Python代码是没有办法运行的。既然Python解释器如此重要,那么大家赶紧一起来看看Python解释器新手安装教程吧!

2201_75362610的博客 6155

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】Python简介和Python解释器

Python是著名的“龟叔”Guido van Rossum在1989年圣诞节期间,为了打发无聊的圣诞节而编写的一个编程语言。现在,全世界差不多有600多种编程语言,但流行的编程语言也就那么20来种。如果你听说过TIOBE排行榜,你就能知道编程语言的大致流行程度。这是最近10年最常用的10种编程语言的变化图:总的来说,这几种编程语言各有千秋。C语言是可以用来编写操作系统的贴近硬件的语言,所以,C语言适合开发那些追求运行速度、充分发挥硬件性能的程序。而Python是用来编写应用程序的高级编程语言。

m0_58477260的博客 2621

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【python零基础入门到就业】004、什么是Python解释器?

本篇文章,我们将深入探讨Python解释器的概念,帮助你更好地理解Python代码是如何被执行的

韩非雨的博客 2765

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

小白必看安装Python 解释器

主要是python的安装和多个python版本如何共存

2402_86110194的博客 4162

Python官网下载

Python官网下载

一名正义的白帽黑客 1759

【Python百日精通】超详细Python解释器安装、配置全攻略详解

Python解释器的主要作用是运行Python脚本文件,将高级语言转换为机器语言,以便计算机能够执行。不同的解释器实现提供了不同的功能和性能优化,适用于不同的使用场景。

屿小夏.的知识博客 1092
上一篇: 5个小技巧提升Python运行速度
下一篇: 10个Python脚本来自动化你的日常任务
大模型应用场景
博客等级 码龄5年 7648粉丝 1350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