算法每日一题(python,2024.05.23) day.5

Python datetime 深度解析:从天真时间到工业级时区处理 datetime 是 Python 中处理时间的基础概念,其核心在于区分 naive(无时区)与 aware(有时区)时间对象,本质是时间坐标的确定性建模。原理上依赖格里高利历算法、IANA 时区数据库及固定长度时间间隔(timedelta)与日历感知偏移(relativedelta)的双轨设计。技术价值体现在避免静默数据污染、保障跨时区系统一致性、支撑金融/IoT 等高精度场景。典型应用场景包括 API 时间解析、数据库时间戳存储、定时任务调度与多时区用户界面渲染。本文聚焦 Python 原生 datet 阅读详情

题目来源(力扣. - 力扣(LeetCode),简单)

解题思路:

法一:消消乐法

准备一个pre集合,遍历nums列表,若num未在pre内,则添加进pre集合内,若存在,则将pre内与该数相同的数据删除,则最后留下的数据即为只出现一次的数据。

法二:位运算中的异或运算

已知异或运算时相同的数据进行异或运算将会得到0,而其他数据与0进行异或运算得到的为本身,因此我们可以对列表中的所有数据进行异或运算,最后得到的数据即为只出现一次的数据

优化:利用reduce函数重复执行xor(异或运算)  Python reduce() 函数 | 菜鸟教程

代码实现:

法一: 

pre = set()
for num in nums:
    if num in pre:
        pre.remove(num)
    else:
        pre.add(num)
return pre.pop()

法二: 

x = 0
for num in nums:
    x ^= num  
return x

优化:

return reduce(xor,nums)

总结: 

找准切入点--得到唯一元素->1.消除其他元素  2.直接遍历找到唯一元素(耗时过长,pass)

消除其他元素->做比较,有相同的消去->得到法一

->直接消除法(看其他人题解法)->得到法二

个人资金流自动化系统:Python+轻量AI构建本地财务操作系统 资金流管理是个人财务管理的核心基础,其本质是围绕收入、支出、归集、预警等环节建立可重复、可验证的数据处理闭环。传统记账工具受限于数据主权缺失与规则僵化,难以适配个性化消费行为;而基于Python的本地化方案通过结构化数据流设计、规则引擎与轻量AI协同(如Sentence-BERT商户标准化、DistilBERT消费意图识别),在保障隐私前提下实现高准确率分类与毫秒级预算联动。该技术路径强调工程实效性——90%问题由确定性逻辑解决,AI仅在模糊匹配、上下文推理和异常检测等关键节点增强决策能力,广泛适用于多币种 阅读详情

相关推荐

生成式AI落地的5%验证法则:可审计、可归因、可交付

生成式AI的价值落地,本质不是技术先进性比拼,而是商业结果可验证性的工程实践。从‘能生成’到‘真有用’,关键在于建立可量化、可归因、可审计的业务指标闭环——这正是‘5%验证法则’的核心逻辑:它以财务认可的微小但确定的提升(如客服首次解决率+5%)为锚点,倒逼场景筛选、轻量技术选型(RAG/提示词工程/API集成)、组织协同机制与实时价值仪表盘建设。该方法论直击企业AI落地三大断点:数据不可用、流程难嵌入、效果不可证,尤其适用于CRM/ERP/HRIS等核心系统中的高确定性、低风险业务切口。本文即围绕这一‘最

weixin_33720078的博客 485

GPT-5.5不存在,但GPT-4o极致优化方案真实可用

大语言模型(LLM)的版本演进并非线性数字堆砌,而是能力范式跃迁;GPT-4o作为当前OpenAI最新公开旗舰模型,已具备全模态、低延迟、高性价比等关键特性,其真实技术价值远超‘GPT-5.5’这类未经验证的营销概念。理解Transformer架构优化、Prompt工程、RAG增强与模型路由等核心原理,可显著提升响应速度、专业准确率与中文语境适配度——这正是用户所期待的‘下一代体验’本质。本文聚焦GPT-4o深度调优与国产大模型(如Qwen2-72B、Llama 3-70B)本地化落地,结合真实政务、医疗、

chuanao8829的博客 401

零基础搭建AI Agent:5步实现职场自动化闭环

AI Agent 是一种具备感知、决策、执行与记忆能力的智能体,其核心原理在于将大模型与工具调用、状态管理、结构化输出相结合,形成可闭环的任务执行系统。相比传统提示工程或RAG检索增强,Agent 更强调真实业务动作的端到端完成,技术价值体现在稳定性、可调试性与工作流嵌入能力。典型应用场景包括销售日报自动生成、HR入职流程同步、电商库存预警等高频重复任务。本文聚焦‘第一个可用Agent’的落地路径,以飞书机器人+MySQL+本地JSON记忆为技术栈,通过目标锚定、感官装配、决策中枢、记忆缓存、交互入口五步法

hwpokay的专栏 422

异或、左移

按位异或的3个特点:  0^0=0,0^1=1  0异或任何数=任何数1^0=1,1^1=0  1异或任何数-任何数取反 任何数异或自己=把自己置0 示例:给定一个整数数组,除了一个元素外,每个元素都会出现两次。 找到那一个。 def singleNumber(self, nums): res = 0 for num in nums: res

qq_34798326的博客 591

数据科学6大核心库实战地图:NumPy/Pandas/Scikit-learn等工业级用法

数据科学不是算法堆砌,而是以NumPy为内存地基、Pandas为数据管道、Scikit-learn为工程标准、Statsmodels为统计归因、XGBoost/LightGBM为规模引擎、Matplotlib/Seaborn为沟通协议的系统性实践。其底层原理直指向量化计算、确定性数据流、防泄漏验证、可解释建模与内存可控性等关键技术价值,在电商销量预测、金融风控、广告ROI优化等高频场景中决定项目成败。本文聚焦这6个不可替代的工业级Python库,解析其在真实生产环境中的选型逻辑、性能陷阱与端到端落地范式。

xpmwgcwm的博客 436

A/B测试实战|推荐算法线上A/B测试从设计到决策全流程|AI训练师项目案例

维度内容项目名称电商首页推荐算法A/B测试测试对象Item-CF(对照组A)vs DeepFM(实验组B)核心指标首页推荐CTR(点击率)辅助指标人均曝光量、人均点击量、人均GMV、推荐覆盖率预期效果CTR相对提升5%-15%测试周期14天显著性水平α = 0.05(置信度95%)统计功效1-β = 0.8(检出真实效果的概率80%)指标:衡量"更好"的标准是什么方向:提升还是下降量级:预期变化幅度有多大坑1: 分流不均匀导致结果不可信。

白话机器学习 148

每日一题 136. 只出现一次的数字(简单,位运算)

异或运算性质,两个相等的数作异或运算得零,任何数与零作异或运算保持不变。一行代码,reduce作累积操作。所以整个数组的异或和就是答案。

eyvr的博客 228

PADS VX2.4差分对设置避坑指南:常见错误与解决方案

本文深度解析了在PADS VX2.4中进行高速PCB设计时,差分对设置的核心要点与常见陷阱。针对Layout规则设置、Router布线实战中的阻抗控制、线长匹配等关键环节,提供了具体的避坑指南和解决方案,帮助工程师确保信号完整性,提升设计质量。

weixin_29216049的博客 359

力扣第20题:有效的括号(×)不用堆栈的消消乐!(√)

力扣第20题,有效的括号,C语言实现,官方题解分析以及避免使用堆栈思路的解法。

m0_74102727的博客 439

2023西工大NOJ (C语言版) 完结!!!

代码均可AC,不含解析。

annesede的博客 8万+

ParallelsDesktop 安装 CentOS-6.9-x86_64-minimal 教程

安装参考 tools没做 想安装的可以参考这个 mac 本机环境: 系统:macOS Catalina version 10.15.6 虚拟机软件:parallels Desktop 15 for Mac( Parallels Desktop-15.1.4(47270)) Centos镜像: CentOS-6.9-x86_64-minimal.iso https://mirrors.aliyun.com/centos-vault/6.8/isos/x86_64/ http://vault.centos.

爱吃鱼的小明的博客 955

Python reduce()函数详解:累积计算的艺术

本篇文章从多个角度深入解析reduce()函数,帮助你全面掌握它的使用方法以及概念知识,相信你看完之后会对此方面的知识点有一个更高的认识

x15514104477的博客 4225

QCC305x-QCC304x系列开发教程之应用程序子系统详解 嵌入式

本文对QCC305x-QCC304x系列芯片的应用程序子系统进行了详细解析,并给出了一个LED闪烁的示例代码。嵌入式系统的开发既需要理论知识的支持,也需要实践经验的积累,希望本文能够为读者在QCC305x-QCC304x系列芯片的开发中提供一些有益的指导。QCC305x-QCC304x系列芯片提供了丰富的外设接口,包括UART、SPI、I2C等,开发者可以根据需求选择适合的接口进行数据传输和控制。QCC305x-QCC304x系列芯片的应用程序子系统是整个嵌入式系统的核心部分,负责管理和执行各种应用程序。

CodeMaven的博客 225

LeetCode-1

一、Single Number 给定一个整数的数组,每个数字出现两次,但有一个数字只出现了一次,找到这个单独的数字。class Solution(object): def singleNumber(self, nums): """ :type nums: List[int] :rtype: int """ re

cod16xx的博客 276

22、光无线通信调制技术详解

本文详细介绍了光无线通信中的多种调制技术,包括开关键控(OOK)、脉冲位置调制(PPM)、数字脉冲间隔调制(DPIM)、副载波强度调制(SCM)、相移键控(PSK)、正交幅度调制(QAM)以及多载波调制(MCM)如OFDM和MSIM。文章分析了各类调制技术在带宽需求、功率效率、传输容量、传输速率和PAPR等方面的性能差异,并通过Matlab仿真展示了其在AWGN信道下的误码率表现。同时,对比了不同技术的适用场景,提出了调制选择流程,并结合室内光通信与自由空间光通信的应用案例,展望了未来调制技术向高频谱效率、

net55的博客 116

《Autosar_MCAL高阶配置》总目录_培训教程持续更新中...

《Autosar_MCAL高阶配置》总目录_培训教程持续更新中...

「汽车电子助手」的博客 1万+

GLM-5.1华为云Day0上线:大模型开箱即用工程实践指南

大模型落地正从‘能跑通’迈向‘第一天就可用’——这背后涉及模型压缩、算子适配、服务封装与全栈协同等核心工程能力。以GLM-5.1在华为云ModelArts的Day0上线为例,其本质是通过INT4量化、动态KV Cache、预置昇腾加速库等技术,实现低延迟、高并发、易运维的生产级推理服务。该范式显著降低企业AI平台接入成本,提升算法工程师验证效率,适用于智能客服、政务热线、金融知识库等需快速交付的业务场景。本文聚焦国产大模型在公有云上的开箱即用实践,详解从控制台开通、API流式调用到性能压测的全链路实操细节。

a2850363633的博客 515

【WRF数据准备】土地利用数据-MODIS MCD12Q1数据下载及制备

【WRF数据准备】MODIS静态地理数据下载及制备

WW、forever的博客 3413

数学建模Day16:预测模型的本质是业务诊断而非算法选择

预测模型是数据科学与实际决策交汇的基础技术概念,其核心原理在于区分内生时序依赖与外生事件驱动两类问题本质。技术价值体现在通过特征工程、残差诊断和可解释性分析,将业务逻辑转化为可验证的数学表达。典型应用场景包括销售预测、能源消纳预测、城市调度优化等强业务约束任务,尤其在数学建模竞赛中,模型合理性远重于算法复杂度。本文聚焦XGBoost在销售预测中的优势机制——树结构对离散事件(如促销、节假日)的天然适配性,以及瀑布图与残差自相关检验(如Durbin-Watson统计量)在模型可信度审计中的关键作用,直击‘数学

weixin_34293911的博客 545

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

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")

业余程序员实战指南:用Python解决真实生活问题

编程本质是解决问题的工具,而非职业门槛或知识体系。当技术基础设施日趋‘乐高化’,OCR、HTTP请求、定时任务等能力已封装为pip install即用的成熟模块,普通人无需掌握数据结构或微服务架构,也能通过场景化拼装快速构建自动化系统。这种以具体痛点为起点、以分钟级反馈为驱动、以可运行结果为终点的实践路径,正成为非科班人群切入技术世界的高效范式。本文聚焦Python生态中面向真实需求的轻量开发方法,涵盖微信聊天记录解析、家庭NAS配置、作业统计推送等典型场景,强调需求翻译、工具避坑与代码可维护性——让‘不会

lanmh的专栏 439

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

为什么腾讯到了面试阶段,还没约面,过两天直接终止流程了

普通二本,一段半年的大厂实习(应该算是),投了一周,每天刷来刷去都那几个公司,BOSS 投了八十个左。问两道八股就手撕的是不是kpi面啊问了两道八股,说的不对,面试官给纠正了,就让打开ide写代码了。明天面,应该算是大厂了,难度大吗 #我的实习求职记录# #没有实习经历,还有机会进大厂吗# #找实习。说下我的情况,我去年11月参加了七牛办的1024创作节,获奖拿到了七牛实习offer,进来以后先参加。因为技术一面没怎么准备,评价不好,没有过hr帮我又找了一个新的部门下午刚刚结束hr面明天下午主管面,

han_xue_feng的博客 1285

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Python开发实习全攻略:从小白到转正的18周实战之旅

Python以其简洁的语法、丰富的生态和广泛的应用场景(Web开发、数据分析、人工智能、自动化运维等),成为众多企业招聘实习生的热门技术栈。本文将围绕“Python开发工程师”实习岗位,系统性地解答这三个核心问题,帮助你理清思路,更有准备地开启第一段职业旅程。无论你是大二/大三正在寻找第一份实习,还是已经拿到Offer准备入职,这篇文章都能为你提供有价值的参考。这是你的“基础版”简历,需要清晰展示你的技术栈、项目经历和教育背景。理解这两者的区别,能帮助你更好地适应实习,并最大化实习价值。

热爱技术与前沿创新,深耕科技领域,在科创中精进自我;探索技术乐趣,分享技术干货与成长心得,以技术为伴,热爱生活,在科创与生活中双向成长。 268

初创公司用现代数据栈的5个致命陷阱与防错方案

现代数据栈指以云数仓为底座、dbt建模、Fivetran/Estuary做ELT、Airflow调度、Looker/Mode可视化的一整套数据基础设施。其核心原理是通过松耦合工具链实现数据开发标准化与协作自动化,技术价值在于提升分析迭代效率和跨团队语义一致性。典型应用场景包括SaaS用户留存归因、电商全链路事件溯源、AI原生产品的特征数据治理等。但对初创公司而言,盲目套用易引发结构性风险——尤其在调度过载、原始数据污染、dbt过度工程化、数据质量监控缺失及数据契约缺位等关键环节。本文聚焦这5个高发且修复成本

dengliugong3918的博客 399
上一篇: 算法每日一题(python,2024.05.22) day.4
下一篇: 算法每日一题(python,2024.05.24) day.6
Neophyte0608
博客等级 码龄3年 808粉丝 98原创
评论 1
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

Neophyte0608

你的鼓励将使我创作学的更加快乐

¥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