掌握Python8种绘图类型带你深入时间序列数据分析

使用 Python 进行时间序列分析的 8 种绘图类型 评估时间序列数据以确定相关统计数据和其他数据属性的技术称为时间序列分析。任何具有重复模式的时间序列,包括金融市场、天气和社交媒体统计数据,都可能受到影响。时间序列分析的主要目标是研究有关市场趋势和经济周期的关键思想。可视化在从时间序列数据中获取有洞察力的信息的过程中至关重要,使我们能够理解复杂的关系并做出明智的决策。本文介绍了几种类型的绘图,可帮助您使用 Python 进行时间序列分析,并提供使用可免费访问的数据集的详细示例。数据集描述。 阅读详情

时间序列数据是许多领域的核心,从金融市场到气象学,都需要对时间序列数据进行分析和可视化。

Python提供了丰富的库和工具,用于处理和绘制时间序列数据。

以下8种不同的绘图类型,在分析时间序列数据比较常用。

1. 折线图

折线图是最常见的时间序列数据可视化类型之一。它显示了数据随时间的变化趋势,通常以连续的折线表示。

kotlin
复制代码
import matplotlib.pyplot as plt
import pandas as pd

# 创建时间序列数据
data = {'日期': pd.date_range(start='2023-01-01', periods=30, freq='D'),
        '数值': [10, 15, 13, 12, 18, 20, 22, 25, 28, 30, 35, 40, 38, 36, 34, 32, 30, 28, 26, 24, 22, 20, 18, 16, 14, 12, 10, 8, 6, 4]}

df = pd.DataFrame(data)
plt.plot(df['日期'], df['数值'])
plt.xlabel('日期')
plt.ylabel('数值')
plt.title('折线图')
plt.show()

2. 散点图

散点图用于表示数据点的分布和关系,适合展示时间序列数据中的离散观测。

kotlin
复制代码
import matplotlib.pyplot as plt
import pandas as pd

# 创建时间序列数据
data = {'日期': pd.date_range(start='2023-01-01', periods=30, freq='D'),
        '数值': [10, 15, 13, 12, 18, 20, 22, 25, 28, 30, 35, 40, 38, 36, 34, 32, 30, 28, 26, 24, 22, 20, 18, 16, 14, 12, 10, 8, 6, 4]}

df = pd.DataFrame(data)
plt.scatter(df['日期'], df['数值'])
plt.xlabel('日期')
plt.ylabel('数值')
plt.title('散点图')
plt.show()

3. 柱状图

柱状图适用于展示时间序列数据的分组或分类,通常用于比较不同时间点或不同组之间的数据。

ini
复制代码
import matplotlib.pyplot as plt
import pandas as pd

# 创建时间序列数据
data = {'日期': pd.date_range(start='2023-01-01', periods=5, freq='D'),
        '数值1': [10, 15, 13, 12, 18],
        '数值2': [5, 8, 7, 6, 10]}

df = pd.DataFrame(data)
df.set_index('日期', inplace=True)
df.plot(kind='bar')
plt.xlabel('日期')
plt.ylabel('数值')
plt.title('柱状图')
plt.show()

4. 面积图

面积图是折线图的一种变体,用于显示时间序列数据的趋势和数据点之间的关系。

kotlin
复制代码
import matplotlib.pyplot as plt
import pandas as pd

# 创建时间序列数据
data = {'日期': pd.date_range(start='2023-01-01', periods=30, freq='D'),
        '数值1': [10, 15, 13, 12, 18, 20, 22, 25, 28, 30, 35, 40, 38, 36, 34, 32, 30, 28, 26, 24, 22, 20, 18, 16, 14, 12, 10, 8, 6, 4],
        '数值2': [5, 8, 7, 6, 10, 12, 15, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 35, 30, 25, 20, 15, 10, 5, 4, 3, 2]}

df = pd.DataFrame(data)
plt.fill_between(df['日期'], df['数值1'], df['数值2'], color='lightblue')
plt.xlabel('日期')
plt.ylabel('数值')
plt.title('面积图')
plt.show()

5. 箱线图

箱线图用于显示时间序列数据的统计分布,包括中位数、四分位数和异常值。

kotlin
复制代码
import matplotlib.pyplot as plt
import pandas as pd

# 创建时间序列数据
data = {'日期': pd.date_range(start='2023-01-01', periods=30, freq='D'),
        '数值': [10, 15, 13, 12, 18, 20, 22, 25, 28, 30, 35, 40, 38, 36, 34, 32, 30, 28, 26, 24, 22, 20, 18, 16, 14, 12, 10, 8, 6, 4]}

df = pd.DataFrame(data)
plt.boxplot(df['数值'])
plt.xticks([1], ['数值'])
plt.title('箱线图')
plt.show()

6. 饼图

饼图用于显示时间序列数据的占比和相对比例,适用于表示各部分在整体中的贡献。

ini
复制代码
import matplotlib.pyplot as plt

# 创建数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.axis('equal')
plt.title('饼图')
plt.show()

7. 热图

热图用于可视化时间序列数据的关系和相似性,通常用于呈现多维数据集。

ini
复制代码
import seaborn as sns
import pandas as pd

# 创建时间序列数据
data = {'时间': pd.date_range(start='2023-01-01', periods=10, freq='D'),
        '特征1': [3, 1, 4, 2, 6, 8, 7, 5, 9, 10],
        '特征2': [7, 8, 6, 9, 5, 4, 2, 3, 1, 10]}

df = pd.DataFrame(data)
corr_matrix = df.corr()
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.title('热图')
plt.show()

8. 雷达图

雷达图用于展示多个维度的时间序列数据,比较不同类别或时间点的数据分布。

ini
复制代码
import matplotlib.pyplot as plt
import pandas as pd

# 创建时间序列数据
data = {'时间': pd.date_range(start='2023-01-01', periods=1, freq='D'),
        '维度1': [3],
        '维度2': [7],
        '维度3': [5],
        '维度4': [9],
        '维度5': [6]}

df = pd.DataFrame(data)
categories = list(df.columns[2:])
values = df.iloc[:, 2:].values[0]

fig, ax = plt.subplots(figsize=(6, 6))

angles = [n / float(len(categories)) * 2 * 3.14159265359 for n in range(len(categories))]
angles += angles[:1]

plt.polar(angles, values)
plt.fill(angles, values, 'b', alpha=0.1)
plt.xticks(angles[:-1], categories)
plt.title('雷达图')
plt.show()

总结

Python进行时间序列分析的8种常见绘图类型,每种类型都具有独特的用途和适用场景。

折线图常用于展示时间序列数据的趋势和变化,散点图用于呈现离散数据点的分布。柱状图适合比较不同时间点或组之间的数据,而面积图可以突出数据点之间的关系。箱线图有助于了解数据的分布和离群值。饼图适用于显示数据占比,热图用于呈现多维数据的关系,而雷达图展示多个维度的时间序列数据。

通过运用这些绘图技巧,可以提高对时间序列数据的洞察力,发现隐藏在数据中的信息,从而做出更明智的决策和预测。

题外话

在此疾速成长的科技元年,编程就像是许多人通往无限可能世界的门票。而在编程语言的明星阵容中,Python就像是那位独领风 骚的超级巨星, 以其简洁易懂的语法和强大的功能,脱颖而出,成为全球最炙手可热的编程语言之一。


Python 的迅速崛起对整个行业来说都是极其有利的 ,但“人红是非多”,导致它平添了许许多多的批评,不过依旧挡不住它火爆的发展势头。

如果你对Python感兴趣,想要学习pyhton,这里给大家分享一份Python全套学习资料,都是我自己学习时整理的,希望可以帮到你,一起加油!

😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

👉优快云大礼包🎁:全网最全《Python学习资料》免费分享(安全链接,放心点击)👈

​

1️⃣零基础入门

① 学习路线

对于从来没有接触过Python的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,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

② 路线对应学习视频

还有很多适合0基础入门的学习视频,有了这些视频,轻轻松松上手Python~
在这里插入图片描述

③练习题

每节视频课后,都有对应的练习题哦,可以检验学习成果哈哈!
在这里插入图片描述

2️⃣国内外Python书籍、文档

① 文档和书籍资料

在这里插入图片描述

3️⃣Python工具包+项目源码合集

①Python工具包

学习Python常用的开发软件都在这里了!每个都有详细的安装教程,保证你可以安装成功哦!
在这里插入图片描述

②Python实战案例

光学理论是没用的,要学会跟着一起敲代码,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。100+实战案例源码等你来拿!
在这里插入图片描述

③Python小游戏源码

如果觉得上面的实战案例有点枯燥,可以试试自己用Python编写小游戏,让你的学习过程中增添一点趣味!
在这里插入图片描述

4️⃣Python面试题

我们学会了Python之后,有了技能就可以出去找工作啦!下面这些面试题是都来自阿里、腾讯、字节等一线互联网大厂,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。
在这里插入图片描述
在这里插入图片描述

5️⃣Python兼职渠道

而且学会Python以后,还可以在各大兼职平台接单赚钱,各种兼职渠道+兼职注意事项+如何和客户沟通,我都整理成文档了。
在这里插入图片描述

上述所有资料 ⚡️ ,朋友们如果有需要的,可以扫描下方👇👇👇二维码免费领取🆓
​

Python数据分析笔记 第一章 NumPy基础:数组和矢量计算 1.Numerical Python是高性能科学计算和数据分析的基础包。它提供了一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组ndarray;用于对整组数据进行快速运算的标准数学函数(无需编写循环);用于读写磁盘数据的工具以及用于操作内存映射文件的工具;线性代数、随机数生成以及傅里叶变换功能;用于集成由C、C++、Fortran等语言编写的代 阅读详情

相关推荐

python数据分析与可视化第二版答案

大家好,小编来为大家解答以下问题,python数据分析与可视化第二版答案,Python数据分析与可视化第2版答案,今天让我们一起来看看吧!Source code download: 本文相关源码什么是数据可视化? 数据可视化是为了使得数据更高效地反应数据情况,便于让读者更高效阅读,通过数据可视化突出数据背后的规律,以此突出数据中的重要因素,如果使用Python做数据可视化,建议学好如下这四个Python数据分析包,分别是:学好以上四个数据分析包,做可视化足够用了,全文较长,建议耐心看完,学习后即可使用Pyt

2401_84667974的博客 3535

独家 | Python时间序列分析:一项基于案例的全面指南

作者:Selva Prabhakaran 翻译:陈超校对:王可汗 本文约7500字,建议阅读20+分钟本文介绍了时间序列的定义、特征并结合实例给出了时间序列在Python中评价指标和...

数据派THU 4634

《利用Python进行数据分析》阅读笔记

利用Python进行数据分析》这本书是由Wes McKinney编写的,他是Python pandas项目的创始人。这本书详细介绍了如何使用pandas进行数据分析,以及如何利用Python的其他库,如NumPy和IPython,来处理、清洗和规整数据。Series和statsmodels是Python的一个库,用于拟合多种统计模型,进行统计测试和数据探索。scikit-learn是Python的一个库,支持简单和复杂的机器学习算法。

weixin_52209561的博客 1127

【Python】时间序列分析

同时,小值样本可能存在更大的误差,比如真实值是1,预测值是2,这偏差就是100%了,小样本本来就噪声大。但是时间序列分析的数据结构有它的特殊性,对随机序列而言,在任意时刻t的序列值Xt都是一个随机变量,而且由于时间的不可重复性,该变量在任意时刻只能获得唯一的样本观测值。对于ARIMA模型,其残差被假定为高斯白噪声序列,所以当我们用ARIMA模型去拟合数据时,拟合后我们要对残差的估计序列进行LB检验,判断其是否是高斯白噪声,如果不是,那么就说明ARIMA模型也许并不是一个适合样本的模型。

noobiee的博客 7414

Python实现时序图

运行以上代码,我们会得到一个基本的时序图。在这个例子中,我们创建了一个图形对象和一个子图对象,并设置了坐标系范围和标签。Python语言作为一种通用编程语言,同样可以用于绘制时序图。总之,Python语言不仅是一种强大的编程语言,也可以用于绘制各种类型的图形,包括时序图。使用matplotlib库,我们可以快速、方便地实现时序图。在Python中,我们可以使用matplotlib库来绘制时序图。在实际应用中,我们可以根据需要对代码进行修改和扩展,以实现更复杂的时序图。接下来,我们可以开始编写代码。

BUG?不存在的! 1553

Python如何根据时间序列数据作图

本例子程序展示了长白山火山气体地球化学2002年观测数据中CO2和He两种气体元素深度的时间序列。程序中用到了常用的时间序列python数据处理方法,箭头标识方法,适合学习基本python作图学习使用。程序中所用到的no09.csv数据样式如下: 代码如下 import pandas as pd import matplotlib.pyplot as plt import datetime df = pd.read_csv('no09.csv') t = df.iloc[0:200, 0] t = [datetime.datetime.strptime(i, '%Y/%m/%d') for

《利用Python 进行数据分析》第十章:时间序列

       对《利用Python 进行数据分析》(Wes Mckinney著)一书中的第十章中时间序列进行代码实验。原书中采用的是Python2.7,而我采用的Python3.7在Pycharm调试的,因此对书中源代码进行了一定的修改,每步结果与原文校验对照一致(除了随机函数外;输出结果在注释中,简单的输出就没写结果),全手工敲写,供参考。        Pdf文档和数据集参见:《利用P

南洲.的博客 767

Unity UI适配实战:从Canvas Scaler到主流游戏适配方案解析

本文深入解析Unity UI适配的核心技术,重点介绍Canvas Scaler组件的关键参数如Reference Resolution和Screen Match Mode,并提供主流游戏适配方案实战分析。通过九宫格拉伸、动态调整等技巧,帮助开发者解决多设备适配难题,提升游戏UI在不同分辨率下的表现。

weixin_29001419的博客 975

金融时间序列分析:3. First Demo By Python

1. 前言金融时间序列分析:1. 基础知识 金融时间序列分析:2. 数学分析模型前面2篇文章讲了金融时间序列分析的基础知识,本文简单介绍下怎么实战。 网上有很多用R语言进行金融时间序列分析的资料,但是用Python的不多,我在此介绍下怎么用Python操作,至于R语言怎么弄,读者随便在网上查查就好了。 PS: 在时间序列分析领域R比Python简单的多,如果单单是进行分析的话R就够了,但是要

矩阵实验室 1万+

运营商技术岗一面面经:从面试流程到回答框架的复盘总结

面试本质上是一场信息匹配与表达能力测试,技术岗一面尤其看重候选人能否在有限时间内清晰展现思考路径。运营商技术岗面试虽涉及网络、系统等专业基础,但核心考察点往往在于结构化表达、抗干扰能力以及面对未知问题的分析逻辑。从自我介绍的项目细节,到项目经历中的回滚方案,再到Linux命令、Python脚本等基础技能,面试官更关注你如何组织思路、如何应对追问。这类一面场景常见于通信运营商、网络运维、IT支撑等岗位的招聘流程中。提前梳理高频问题框架,训练90秒内的高密度表达,并掌握有条件的表态策略,能显著提升面试通过率。这

weixin_28721917的博客 186

channel || channelGroup || ctx.writeAndFlush()发送字符串消息客户端接收不到的原因

一、原因 网络上传播的数据都是字节(二进制数据)类型。我们如果直接向网络流里面写入一个对象(如:String对象),是无法传输的。只有将对象序列化(转换为可以传输的字节类型)之后,才可以进行传输。所以问题的根源就很清楚了,需要把字符串转换成字节进行传输。、 二、解决办法 1、手动序列化 服务端: channelGroup.writeAndFlush(Unpooled.copiedBuffer("【客户端】"+remoteAddress+"已下线"+format.format(new Date()), Cha

haohaoxuexiyai的博客 4062

用python数据分析怎么做_如何用Python绘图和制作数据分析报告?

Live 简介:你要向老板汇报自己的工作成果,如果光靠生硬的语言或文字来展示,那么老板很有可能听不懂,更没有兴趣看那一堆文字。这会直接影响你的升职加薪。但是你还要还房贷、买车子、旅游、结婚、生孩子、孝敬父母、朋友聚会,这些事情没有升职加薪,光靠现在的工资可不够,你该怎么办呢?数据可视化可以帮助你解决这些问题,这次live包括:信息时代,如何掘金?我们生活中常见的图形有哪些?数据可视化基础知识Pyt...

weixin_39534002的博客 150

从零开始安装pytorch(包含GPU和CPU版本的安装)

Pytorch是。

qiaoxinyu1989的博客 8万+

python 金融时间序列分析_Python数据分析-金融时间序列分析(一)

一、序言此系列文章内容、数据,均来自《金融时间序列分析》(第三版 Ruey S. Tsay著)。原著中使用的数据处理语言是R,但本人对R不熟悉,故准备改用python做为学习此书的数据分析语言。文章中所使用的数据/源代码,都会陆续发布在 strengthening/AFTS 中,如有错误或者问题,可以直接在git中开issue。二、环境准备Python 2.7iPython :一种基于pytho...

weixin_39641386的博客 1054

【AI大模型:认知升级】1、全面解析AI大模型:从起源到发展脉络与应用价值

AI大模型是具备超大规模参数(千亿至万亿级)、海量训练数据(TB级)和强迁移学习能力的基础模型。其技术特征包括Transformer架构革新、大数据预训练范式及参数规模超过临界值后的能力涌现。发展历程经历了语言模型突破(2018-2020)、多模态融合(2021-2023)和架构创新(2023至今)三波浪潮,遵循数据、算力、算法协同进化规律。底层驱动因素包括能力涌现机制、算力基础设施突破和应用场景拓展,正在重构产业价值链。通过"知识星系""认知

2025博客之星Top81。专注AI工程化与架构实战。从分布式思维到模型部署,用工程化视角为你厘清AI落地的真实路径。 2295

MIMIC数据库简介

一 、MIMIC简介 MIMIC(Medical Information Mart for Intensive Care),是一个大型的公开数据库。该数据库记录了2001年至2019年期间贝斯以色列女狄肯斯医疗中心重症监护病房患者的相关数据,拥有4万多名患者的医疗健康数据和记录。 MIMIC数据库记录了人口统计学信息,如病人的性别、身高、宗教等情况。记录了实验室检验信息,如血常规,肝功能,肾功能等实验室检测数据。记录了患者的用药信息,如高血压患者服用了治疗高血压类药物等。记录了护理人员以及患者的护理级别等。

越努力 越幸运 1万+

Python数据分析-绘图-2-Seaborn进阶绘图-1-基础配置

Seaborn具有以下特点: 1.基于matplotlib绘图风格,增加了一些绘图模式。 2.增加调色板功能,具有色彩丰富的显示数据的模式。 3.面向整个数据集,可以显示多个变量之间的关系。 4.可视化单变量和双变量分布以及在数据子集间进行比较。 5.不同种类因变量的线性回归模型的自动估计和绘图。 6.方便查看复杂数据集的整体结构。 7.灵活处理时间序列数据。 8.利用网络建立复杂图像集。 一、Seaborn基础 1.简单绘图 可以使用get_dataset_names函数获取全部内置

weixin_44020827的博客 1824

YOLOv8独家原创改进:原创自研 | 自研独家创新DSAM注意力 ,基于BiLevelRoutingAttention注意力升级

提出新颖的注意力DSAM(Deformable Bi-level SpatialAttention Module),创新度极佳,适合科研创新,效果秒杀CBAM,Channel Attention+Spartial Attention升级为新颖的Deformable Bi-level Attention+Spartial Attention

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1517

python数据分析与可视化清华大学_Python数据分析与可视化(微课视频版)

目录第1章数据分析与可视化概述1.1数据分析1.2数据可视化1.3数据分析与可视化常用工具1.4为何选用Python进行数据分析与可视化1.5Python数据分析与可视化常用类库1.6Jupyter Notebook的使用1.7本章小结第2章Python编程基础2.1Python语言基本语法2.1.1基础数据类型2.1.2变量和赋值2.1.3运算符和表达式2.1.4字符串2.1.5流程控制2.2内...

weixin_39640444的博客 2118

OpenClaw 安装失败:npm install 多次报错的完整排错与解决方案

这次问题的最终解决,其实并不复杂,但关键在于思路的转变:从“脚本怎么又失败了”,切换为“npm 在这一层到底失败在哪里”。当我们手动复现安装过程、打开 verbose 日志、直面真实错误栈时,问题就不再是模糊的“安装不了”,而是一个可以被定位、被验证、被修复的具体工程问题。

博客 1万+

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

《利用Python进行数据分析·第2版》第11章 时间序列

第1章 准备工作第2章 Python语法基础,IPython和Jupyter第3章 Python的数据结构、函数和文件第4章 NumPy基础:数组和矢量计算第5章 pandas入门第6章 数据加载、存储与文件格式第7章 数据清洗和准备第8章 数据规整:聚合、合并和重塑第9章 绘图和可视化第10章 数据聚合与...

weixin_34267123的博客 1161

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

12python数据分析时间序列分析

时间序列时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法,研究随机数据序列所遵从的统计规律,以用于解决实际问题。 随着时间发展变化的一个规律 时间序列:每个时间点上都是一个随机变量,每个时间点上都获得一个观测值。 预测未来的值。 不同年份的气温变化规律,应用于未来的气温预测上面 时间序列算法  平滑法 用于趋势分析...

AthlenaA的博客 1060

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

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

python数据分析pdf下载-利用Python进行数据分析 PDF扫描版[MB]

利用Python进行数据分析 内容简介:还在苦苦寻觅用Python控制、处理、整理、分析结构化数据的完整课程?《利用Python进行数据分析》含有大量的实践案例,你将学会如何利用各种Python库(包括NumPy、pandas、matplotlib以及IPython等)高效地解决各式各样的数据分析问题。由于作者Wes McKinney是pandas库的主要作者,所以本书也可以作为利用Python实...

weixin_37988176的博客 1514

《利用Python进行数据分析·第2版》

《利用Python进行数据分析·第2版》 第 1 章 准备工作第 2 章 Python 语法基础,IPython 和 Jupyter第 3 章 Python 的数据结构、函数和文件第 4 章 NumPy 基础:数组和矢量计算第 5 章 pandas 入门第 6 章 数据加载、存储与文件格式第 7 章 数据清洗和准备第 8 章 数据规整:聚合、合并和重塑第 9 章 绘图和可视化第 10 章 ...

weixin_30546189的博客 435
上一篇: 程序员有哪些规避风险的合法兼职渠道?
下一篇: Python编程的经典示例及应用
AI大模型学习
博客等级 码龄4年 2480粉丝 620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