第五章 字符串专题 ---------------- 5.2 题解:巧妙翻转字符串

2022年0701-Com.Java.Basis第六课《主题String》 算法在于自己的实践,在于时间的积累。是一个漫长的过程。我们备战蓝桥杯一个多月的时间,我了解到了只是基础真正的算法高手都在练习算法,因为算法真的能让你的大脑思维提升。这只是我训练的八章成果。算法的在于你要有计算机语言去执行你要实现的功能。面向对象的思维思考问题。...... 阅读详情

题目:

请实现一个算法,翻转一个给定的字符串。

代码:

public class ReverseString {

    /**
     * 解法一
     */
    public static String reverseString(String iniString){
        int len = iniString.length();
        char[] charArr = new char[len];
        for (int i = 0; i < charArr.length; i++) {
            charArr[i] = iniString.charAt(len-1-i);
        }
        return new String(charArr);
    }
    
    /**
     * 解法二
     */
    public static String reverseString_1 (String iniString){
//        StringBuilder sBuilder = new StringBuilder(iniString)  // 和StringBuffer效果差不多。 
        StringBuffer sBuffer = new StringBuffer(iniString);
        return sBuffer.reverse().toString();
    }
    
    public static void main(String[] args) {

    }

}

来源:https://www.cnblogs.com/xiaoyh/p/10299429.html

微生物组数据分析实战:从OTU/ASV过滤到相对丰度转换的标准化流程 本文详细介绍了微生物组数据分析中从原始OTU/ASV表格到标准化相对丰度表格的完整预处理流程。通过基于绝对丰度和出现频率的过滤步骤有效剔除测序噪音与污染,再通过相对丰度转换解决样本间测序深度差异问题,为后续的多样性分析和差异比较奠定可靠基础。文章提供了清晰的R语言实战代码与参数设置思路。 阅读详情

相关推荐

TwinCAT3与Matlab Simulink集成开发:如何快速生成和调试TcCOM模块

本文详细介绍了如何将TwinCAT3与Matlab Simulink进行深度集成,实现从控制算法模型到实时TcCOM模块的高效开发。通过环境搭建、模型配置、代码生成、系统集成与调试的完整流程,工程师可以快速将Simulink算法部署到倍福实时控制平台,大幅缩短开发周期并提升可靠性。

ik67890123的博客 224

团体程序设计天梯赛-练习集L1-011 A-B (20分)getline输入

题目: 本题要求你计算A−B。不过麻烦的是,A和B都是字符串 —— 即从字符串A中把字符串B所包含的字符全删掉,剩下的字符组成的就是字符串A−B。 输入格式: 输入在2行中先后给出字符串A和B。两字符串的长度都不超过10 ​4 ​​ ,并且保证每个字符串都是由可见的ASCII码和空白字符组成,最后以换行符结束。 输出格式: 在一行中打印出A−B的结果字符串。 输入样例: I love GPLT! It’s a fun game! aeiou 输出样例: I lv GPLT! It’s fn gm! 分

zeng_jun_yv的博客 366

Flotherm XT学习历程

大家好,通过半年的热仿真软件学习使用,最终发现最好用,最好上手的软件就是Flotherm XT,对新手非常友好,但由于软件近几年才发布,网上教程非常少,后面我将在这里持续分析软件使用心得,和大家一起学习。

xiaoredred的博客 6268

leetcode-简单题-1047. 删除字符串中的所有相邻重复项

https://leetcode-cn.com/problems/remove-all-adjacent-duplicates-in-string/ 栈应用的简单题,注意最后出栈顺序相反,所以要倒转一下字符串。 class Solution { public String removeDuplicates(String s) { Stack<Character> queue = new Stack<>(); StringBuffer res =

qq_19875729的博客 258

PX4无人机offboard开发之旅

(慢慢更)无人机OFFBOARD开发

InTereSTingHE的博客 1078

android 14.0 去掉usb授权提示框 默认给予权限

在14.0的系统rom产品开发中,在进行iot关于插入usb设备的开发过程中,在插入usb设备时会弹出usb授权提示框,也带来一些不便, 这个需要默认授予USB权限,插拔usb都不弹出usb弹窗所以这要从usb授权相关管理页默认给与usb权限,接下来分析下 相关的实现功能流程

安卓兼职framework和app工程师的博客 2263

巧妙的字符串排序,保证你不看,绝对想不到

题目描述 编写一个程序,将输入字符串中的字符按如下规则排序。 规则1:英文字母从A到Z排列,不区分大小写。       如,输入:Type 输出:epTy 规则2:同一个英文字母的大小写同时存在时,按照输入顺序排列。     如,输入:BabA 输出:aABb 规则3:非英文字母的其它字符保持原来的位置。     如,输入:By?e 输出:Be?y

爱敲代码的小鼠的博客 1095

SAP-ABAP:ABAP Development Tools(ADT)安装配置学习分享教程-第一篇:ADT安装前置准备与环境校验教程

ABAP Development Tools(ADT)安装配置教程摘要 本文是ADT安装系列的第一篇,重点讲解环境准备与版本校验。ADT是基于Eclipse的现代ABAP开发工具,相比传统SAP GUI提供更智能的开发体验。安装前需确认: 推荐使用Eclipse 2026-03 + Java 21组合 操作系统需Windows 10+/macOS 14+ SAP GUI版本要求Windows≥8.00/macOS≥8.10 后端系统需NetWeaver 7.31 SP04+或S/4HANA 通过java -

baidu_35680696的博客 690

字符串练习趣味题目

题目: 输入一个字符串,同时输入帧头和帧尾(可以是多个字符),将该字符串中合法的帧识别出来. 提示:帧头和帧尾分别是head和tail 字符串”asdheadhauboisoktail”中headhauboisoktail是合法帧 #include &amp;amp;lt;stdio.&amp;amp;gt; #include &amp;amp;lt;string.h&amp;amp;gt; int main() { char a[10],b[10],c

weixin_44579291的博客 393

华为OD机考双机位C卷 - 相对开音节 (Java & Python & JS & GO & C++ & C)

华为OD机考双机位C卷 - 相对开音节 , 提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。

算法大师! 745

使用 MATLAB/Simulink 构建一个 基于神经网络控制的单相并网逆变器系统

单相并网逆变器广泛应用于户用光伏小型储能和电动汽车V2G等场景。其核心控制目标是实现高质量的并网电流,即电流与电网电压同频同相(单位功率因数),且总谐波畸变率 (THD)极低。非线性因素:电力电子器件的开关死区非线性电感寄生参数。参数不确定性:滤波器元件(L, C)的老化温漂。电网扰动:电压谐波频率波动不平衡。模型依赖性:PI、PR等控制依赖于精确的系统模型,模型失配导致性能下降。动态响应:在光照突变(光伏)或负载突变(储能)下,需快速、无超调地响应。

xiaoheshang_123的博客 274

字符串题解

字符串习题

qq_52588168的博客 1922

在YOLO中扩充新类别并且不影响旧类的识别精度

让我们先从简单的部分开始:用我们的新类训练自定义 YOLOv8 模型。在本教程中,我们将向模型添加车牌类。我们将使用Roboflow 中的一个数据集。这个数据集有两个车牌类。在开始训练之前,我们还必须对库进行一些更改。为了节省时间,我还将本教程中我们将进行的更改转换为补丁该补丁包含多项更改,但大多数更改都用于指南的下一部分。if RANK!= -1:是的,我们将编写一个回调。我们希望将此自定义训练模型的头部与 COCO 预训练模型中的旧头部一起使用。

如果想成为中心,那么就到中心去吧。 1226

第五章 字符串专题 ---------------- 5.8 题解:将字符串中按单词翻转

题目: 翻转单词。将字符串按单词翻转,如here you are 翻转成are you here 一、利用strtok(字符数组分割函数),和reverse函数: 1、C++代码: #include<iostream> #include<algorithm> #include <cstring> using namespace std; stri...

Curtis’Blog 297

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

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

第五章 字符串专题 ---------------- 5.10 题解:神奇的回文串

一、回文字符串: 1、题目: 判断一个字符串是否为 回文字符串。 思路:判断翻转后,是否与原串相同。 2、C++代码: #include <iostream> #include<algorithm> using namespace std; bool isPalindrome(string src) { if(src.empty()) { r...

Curtis’Blog 373

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")

字符串数字相加减_leetcode415. 字符串相加

leetcode415. 字符串相加给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和。注意:num1 和num2 的长度都小于 5100.num1 和num2 都只包含数字 0-9.num1 和num2 都不包含任何前导零。你不能使用任何內建 BigInteger 库, 也不能直接将输入的字符串转换为整数形式。方法:双指针思路:不能直接将字符串转为整数,我们直接使用小学算术的方式...

weixin_39942351的博客 420

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

字符串题目合集(上)

字符串题目合集(上) ps:会把洛谷和acwing上的所有字符串的题目都刷一遍,分为上中下发一下,这篇博客写的比较粗略,明天等我醒了补充点知识点啥的 关于复习字符串的初衷还是因为对其掌握不牢,而字符串又是校赛的必考题,所以希望在校赛前把字符串的题目都刷一遍(至少不会爆零hhh) 文章目录字符串题目合集(上)1.字符串的长度题目输入格式输出格式输入样例:输出样例:AC代码2.字符串中的数字个数题目输入格式输出格式输入样例:输出样例:AC代码3.循环相克令题目输入格式输出格式数据范围输入样例输出样例AC代码4.

m0_53565874的博客 1760

字符串排列组合算法_题库 | 网易算法工程师笔试编程题型介绍及解析 第 5 期...

题目1:一个由小写字母组成的字符串可以看成一些同一字母的最大碎片组成的。例如,"aaabbaaac" 是由下面碎片组成的:'aaa','bb','c'。牛牛现在给定一个字符串,请你帮助计算这个字符串的所有碎片的平均长度是多少。输入描述:输入包括一个字符串s,字符串s的长度length(1 ≤ length ≤ 50),s只含小写字母('a'-'z')输出描述:输出一个整数,表示所有碎片的...

weixin_34439836的博客 488

字符串类型题总结(不断补充中.......)

各种字符串题型更改字符串中字符1,丑陋的字符串回文串类型1,最短回文串 更改字符串中字符 1,丑陋的字符串 题目链接: https://www.nowcoder.com/questionTerminal/f004293aed0a46aba0e9c14d1f9f4f2b. 题目: 牛牛喜欢字符串,但是他讨厌丑陋的字符串。对于牛牛来说,一个字符串的丑陋值是字符串中相同连续字符对的个数。比如字符串 “ABABAABBB” 的丑陋值是 3,因为有一对 “AA” 和两对重叠的 “BB”。现在给出一个字符串,字符串中包

ALISAlwz的博客 687

01.09. 字符串轮转

字符串轮转思路代码 思路 笨比的我刚开始并没有一点思路。但是题解思路实在是妙啊。真是妙蛙种子吃着妙脆角进了米奇妙妙屋妙到家了 代码 var isFlipedString = function(s1, s2) { return s1.length === s2.length && (s2 + s2).includes(s1) }; 就是这样,十分简单,一看就懂,一做就不会。 ...

lcyouni的博客 220

[LeetCode 周赛183] 3. 最长快乐字符串(贪心、构造、巧妙解法)

文章目录1. 题目来源2. 题目说明3. 题目解析方法一:贪心+构造+巧妙解法 1. 题目来源 链接:5195. 最长快乐字符串 2. 题目说明 3. 题目解析 方法一:贪心+构造+巧妙解法 当然,转换数字的暴力方法,在 C++ 是行不通的,但支持大数运算的 py、java,就可了。这道题也是通过人数极多。既然暴力不成,那就只能模拟,简单说下思路: 首先输入是一串二进制数字串,那么对于二进制字...

Y-puyu 的博客 389

字符串处理的巧妙思路

代码不是原创,取自优快云,简单的几行,思想值得学习。 题目要求是取出String中的数字,一般会想到把String转换为char数组,再判断。这里用正则直接移除非数字字符,相当机智。 public class GetNumber1 { static String s = "32fdsfd8fds0fdsf9323k32k"; public static void main(String[] a

a291263379的专栏 680

希望的每日一题(字符串分割)

问题描述: 就是一个字符串分割问题,尽可能分到最小并且一种字符只能出现在一个子字符串 例如:abac —>> aba 和 c 输出:3 1 (每个子串的长度) 注意:要求尽可能短的分割 例如:abacde 不可分割为aba cde 要分割为aba c d e 思路: 要求一种字符只能在一起那么两个相同字母以及中间夹住的是必然在一起的。例如:abacab这个串中,aba是在一起的,aca是在一起的。 那么一种字母最左边的和最右边的以及夹在中的时必然在一个子串的。例如:abacab这个串中,aba

吃醋不爱蘸饺子的胡诌乱造 245

leetcode-简单题-1002. 查找共用字符

https://leetcode-cn.com/problems/find-common-characters/ 今天开始字符串、哈希表相关的题目,有点难搞,因为对于字符串的操作知识还一点都不懂,所以得一点点积累了。 出现问题: 解决方案:table是字符型,因此编码也要用字符型 class Solution { public List<String> commonChars(String[] words) { //List可以用add方法来添加,也就是说当得到重复字符

qq_19875729的博客 302

一些字符串(水)题

晚上不想写代码,就水一发博客吧qwq。 P2444 [POI2000]病毒 链接 无限长的字符串就是能在ACAMACAMACAM上无限跑下去而不会撞到已有的字符串,所以建出ACAMACAMACAM判环即可。 P3763 [TJOI2017]DNA 链接 建出SAMSAMSAM之后,由于可以有错误匹配的机会,所以我们可以考虑dpdpdp。令dp[i][j]dp[i][j]dp[i][j]表示匹配到i...

star_city 352

LeetCode(3)| 字符串刷题

目录 一、easy 1.Valid Palindrome(回文) 2.Implement strStr() 子串问题 3.add binary 4.Longest Common Prefix(最长公共前缀) 5.Roman to Integer 6.Integer to Roman 7.Count and Say 8.Length of Last Word 9. Isomorp...

向着星辰大海 1212
上一篇: 第五章 字符串专题 ---------------- 5.1 题解:判断字符串有无重复字符
下一篇: 第五章 字符串专题 ---------------- 5.3 走出思维误区:变形词问题
Estrellas_
博客等级 码龄9年 273粉丝 233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