python-字符串

python中字符串的使用01字符串切片 python中字符串的使用 字符串指一系列的字符,在python中,使用引号括起来的就是字符串,引号可以是单引号,也可以是双引号。在python中可以对字符串进行:字符串切片、字符串合并、字符串查找、字符串替换、修改字符串大小写、字符串对齐、使用换行符或制表符添加空白、删除空白、对字符串判断等操作。 ... 阅读详情

Python 字符串

1、定义

如下定义的变量a 存储的数字类型的变量

a = 100

如下定义的变量b 存储的字符串类型的变量

b = "Hello Python"

小总结: 双引号或者单引号中的数据就是字符串

2、字符串的输出

输出就是之前 在屏幕上打印输出的  print 举个打印名片的栗子:

name = "PythonCodeZ"
work = "程序员"
address = "北京市昌平区"

print("=" * 20)
print("姓名:%s" % name)
print("职业:%s" % work)
print("地址:%s" % address)
print("=" * 20)

运行效果

3、字符串的输入

输入就是获取用户在键盘上输入的内容,在Python3中,用input获取用户在键盘上输入的数据,获取到的内容都是字符串类型。

举个获取用户输入的小栗子:

name = input("请输入你的姓名:")
work = input("请输入你的职业:")
address = input("请输入你的地址:")

print("=" * 20)
print("姓名:%s" % name)
print("职业:%s" % work)
print("地址:%s" % address)
print("=" * 20)

运行结果:

3、字符串的下标

所谓的下标,就相当于索引,就是标号,就跟我们上学时的学号一样,可以根据学号找到对应的学生信息
  • 字符串中下标的使用 :

    列表与元组支持下标索引好理解,字符串实际上就是字符的数组,所以也支持下标索引。

    假设有字符串 a = “helloPython” ,在内存中实际存储如下:

    如果想取出字符串a中的字符,可以通过下标的方法,python中的下标是从0开始的:

    name = "Hello Python"
    
    print(name[0])
    print(name[1])
    print(name[2])
    

    结果:

4、字符串的切片

切片是指对操作的对象截取其中一部分的操作。字符串、列表、元组都支持切片操作。

切片的语法:[起始:结束:步长]

注意:选取的区间属于左闭右开型,即从"起始"位开始,到"结束"位的前一位结束(不包含结束位本身)。

下面以字符串为例介绍一下切片

  • 截取字符串的一部分:

    name = "helloPython" 
    
    print(name[0:3])  # 截取下标0-2的字符
    

    运行结果:

    name = "helloPython"
    
    print(name[5:])  # 截取下标5开始到最后结束的字符
    

    运行效果:

    name = "helloPython"
    
    print([name[:5]])  # 截取下标从0开始到下标为4的字符
    

    运行效果:

    name = "helloPython"
    
    print(name[0:-1])  # 截取从下标为0开始到字符串倒数第二个字符
    

    运行效果

    name = "helloPython"
    print(name[0:7:2]) # 从下标为0开始截取,截取的步数是2
    

    运行效果

    name = "helloPython"
    
    print(name[::-1]) #  翻转字符串
    

    运行效果:

Hermes V0.10.0:官方UI几乎无Bug版 如果你还在观望Hermes,现在可能是最好的入局时机。 因为网页端来了,门槛降到了最低。 如果你已经是Hermes用户,升级就对了。 因为0.9.0的更新,值得一试。 阅读详情

相关推荐

保姆级教程:用YOLOv8n模型在RKNN和Horizon平台完成目标检测(附C++部署代码与性能实测)

本文提供了一份详尽的YOLOv8n模型在RKNN和Horizon平台上的部署指南,涵盖环境配置、模型优化、跨平台适配及性能调优。通过实战案例和C++部署代码,帮助开发者在嵌入式设备上高效实现目标检测,显著提升推理性能。

weixin_42659194的博客 469

【Python】字符串切片

Python字符串 与许多常见的程序设计语言不同,Python中字符串可以用单引号引起来,也可以用双引号引起来。 s = "Hello Python" t = 'Hello world' Python字符串的下标也是从0开始的。但可以从末尾往前引用,此时下标从-1开始。例如下列代码: t = 'Hello world' print(t[-1]) 输出: d 字符串切片 切片格式s[start:end],注意实际上切片范围是左闭右开的[start,end),如果没有start或end会默认补充此方向上的

智子的博客 5854

从稀疏表示到低秩表示(一)

确定研究方向后一直在狂补理论,最近看了一些文章,有了些想法,顺便也总结了representation系列的文章,由于我刚接触,可能会有些不足,愿大家共同指正。 从稀疏表示到低秩表示系列文章包括如下内容: 一、 sparse representation 二、 一、 sparse representation 1  sparsity  一个线性表示解决的问题如下图所示:

彼岸花 3万+

python学习第九天

学习目标: (1)认识字符串 (2)下标 (3)切片 (4)常用操作方法 1.认识字符串 一般用引号创建字符串 1.1字符串的输出 1.2 字符串的输入 2. 下标 下标又称为索引,就是编号,比如座位号,根据座位号可以快速找到自己的位置。在计算机中,我们存储的数据都放在内存中,内存会自动开辟一个空间,并给这个空间按照从左到右的顺序进行一个编号 2.1例子体验 需求:有一个字符串meng,我们需要拿到n这个字符 3. 切片 切片是对操作的对象,截取其中一部分进行操作,字符串,列表,元组都支持切片。

纯粹的博客 475

java 二维码生成及其标签打印

本文主要内容 二维码生成 二维码标签预览及打印 二维码生成 笔者此次的二维码是通过调用第三方接口生成的,具体流程如下: 根据规范要求调用第三方接口,返回二维码下载地址及二维码图片的属性值(图片大小等) 根据返回的值获取二维码下载地址,根据地址下载二维码图片,保存至本地磁盘及记录数据信息 扫描二维码跳转相应地址,显示资产的基本信息 最终生成的二维码如下图所示: 预览并批量打印二维码标签 先...

孙小牟的博客 4945

Dify+MCP 双剑合璧:告别知识库模糊统计,让AI精准查询数据库数据!

本文详细介绍了如何通过Dify和MCP的结合,解决知识库在数据库查询中的模糊统计问题。通过MCP中间件将自然语言实时转换为SQL语句,实现精准数据查询,并支持SSE协议持续更新数据。文章包含MySQL环境搭建、MCP服务端部署、Dify工作流配置等实战步骤,帮助用户高效构建智能数据库查询系统。

weixin_33737774的博客 370

Python 基础(7-3)-- 切片

Python 基础

qq_41664822的博客 351

Docker:安装Apache Pulsar 消息队列的详细指南

本文详细介绍了Apache Pulsar的Docker化安装部署方法,包括单节点Pulsar服务和管理界面Pulsar Manager的安装配置。通过Docker命令快速搭建Pulsar环境,并演示了租户和命名空间的基础管理操作。同时提供了Spring Boot项目与Pulsar集成的完整方案,从依赖配置到客户端初始化,为开发人员构建实时消息系统提供实用参考。

木头 2209

Python基础(二):字符串中的切片str[0:-1]

1.print(str[0:-1]) 如上图所示,str[0:-1]为切片,意思是从前面开始截取到后面-1为止,所以输出第一个到倒数第二个的所有字符 str = "abcdef" print(str[0:-1]) 输出:abcde 2.print(str[2:5]) 如上图所示,str[2:5]从2开始截取到5结束 str = "abcdef" print(str[2:5]) 输出...

doudou_wsx的博客 2万+

【WorkBuddy专栏15】灵感被折叠到「更多」里,真的不重要了吗?——一个「被低估」功能的当下价值与未来演变

【WorkBuddy专栏15】灵感被折叠到「更多」里,真的不重要了吗?——一个「被低估」功能的当下价值与未来演变

AI人人懂 964

零差云控 ZeroErr eRob 电机 CAN、CANopen、EtherCAT、ROS2 机器人开发详细教程

TwinCAT 3(Windows 控制与自动化技术)是 Beckhoff 提供的开发平台,可将任何兼容 PC 转变为实时控制系统,用于管理各种类型的工业自动化系统,如 PLC(可编程逻辑控制器)、运动控制、机器人等。

机器人控制与仿真应用 1万+

Python 字符串

这些方法实现了 string 模块的大部分方法,如下表所示列出了目前字符串内建支持的方法,所有的方法都包含了对 Unicode 的支持,有一些甚至是专门用于 Unicode 的。maketrans() 方法用于创建字符映射的转换表,对于接受两个参数的最简单的调用方式,第一个参数是字符串,表示需要转换的字符,第二个参数也是字符串表示转换的目标。检测 str 是否包含在 string 中,如果 beg 和 end 指定范围,则检查是否包含在指定范围内,如果是返回开始的索引值,否则返回-1。

chongfei1998的博客 2180

基于MATLAB自动发电控制(AGC)仿真系统的设计与实现:电力系统频率稳定与功率平衡的深入解析

自动发电控制(AGC)是电力系统运行中的一个关键功能,其主要任务是通过自动调节发电机组的输出功率,使得电网中的频率稳定在规定范围内,并维持发电与负荷的动态平衡。当电力负荷发生变化时,AGC会立即响应,调整发电机的功率输出,以避免电网频率的剧烈波动。维持系统频率稳定:电网频率通常应维持在标准值(例如50Hz或60Hz)附近。当负荷波动或电力需求突然变化时,AGC通过调节发电机输出,确保频率不发生过大的偏离。实现区域内的功率平衡。

qq_38334677的博客 1112

【Python】字符串

本文介绍了Python字符串的基本概念和操作。字符串是Unicode字符的不可变序列,可以使用单引号、双引号或三引号创建。文章详细讲解了字符串的索引访问、切片操作(包括正负索引和步长)以及常见修改方法(如替换、大小写转换等)。重点强调了字符串的不可变性,所有修改操作实际上都是创建新字符串对象。此外,还提供了实用的字符串处理技巧,如反转字符串、截取子串等,帮助读者更好地理解和操作Python字符串。

m0_72516377的博客 1058

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

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字符串切片输出_python字符串 切片_Python切片字符串

python字符串 切片Python string supports slicing to create substring. Note that Python string is immutable, slicing creates a new substring from the source string and original string remains unchanged.Pytho...

weixin_42365539的博客 2677

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。

python中字符串有哪些_Python中的字符串有哪些

Python中的字符串有哪些发布时间:2020-08-25 13:40:47来源:亿速云阅读:78作者:Leah今天就跟大家聊聊有关Python中的字符串有哪些,可能很多人都不太了解,为了让大家更加了解,小编给大家总结了以下内容,希望大家根据这篇文章可以有所收获。一、引言当打来浏览器登录某些网站的时候,需要输入密码,浏览器把密码传送到服务器后,服务器会对密码进行验证,其验证过程是把之前保存的密码与...

weixin_36480977的博客 1802

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字符串是什么类型_python字符串类型

python字符串类型发布时间:2018-12-18 19:51,浏览次数:157, 标签:pythonpython中的字符串python中的字符串类型为str,也是平时操作的类型。但除了str类型,还有一个专门的名为"string"的模块(导入即可知),是很早以前没有str类型的时候用的,现在几乎不用。在python 3.x中,字符串的类型str是Unicode的。除此之外还有byte类型、by...

weixin_39929918的博客 3671

Python字符串总结

总结了Python中各种字符串,以及与java和javaScript的区别

qq_39594281的博客 1005

python 字符串 换行_python字符串使用

python字符串使用什么是字符串Python 访问字符串中的值Python 字符串更新Python字符串运算符Python字符串格式化Python三引号什么是字符串字符串是 Python 中最常用的数据类型。我们可以使用引号('或")来创建字符串。创建字符串很简单,只要为变量分配一个值即可。例如1var1='HelloWorld!'2var2="PythonRunoob"P...

weixin_39815345的博客 1447

python字符串

# b = "hello usian.cn" # a = input("123456") # print("123456") #切片 # name = "jack tom" # print(name[3]) # 获取最后一个元素 # print(name[-1]) #获取前三个字符 name ="abcdefg" # print(name[0:3:1]) #取全部字符 # print(name[0:-1:1]) #截取全部字符 # print(name[::]) #每隔一个字符取一个 # print.

weixin_61180591的博客 1305

python字符串创建_Python字符串

字符串是 Python 中最常用的数据类型。我们可以使用引号('或")来创建字符串。创建字符串很简单,只要为变量分配一个值即可。例如:var1 = 'Hello World!'var2 = "Runoob"访问Python字符串中的值Python 不支持单字符类型,单字符也在Python中作为一个字符串使用Python 访问子字符串,可以使用方括号来截取字符串,如下实例:[root@localh...

weixin_29156679的博客 1485

python怎么创建字符串_Python 字符串

Python 字符串字符串是 Python 中最常用的数据类型。我们可以使用引号('或")来创建字符串。创建字符串很简单,只要为变量分配一个值即可。例如:var1 = 'Hello World!'var2= "Runoob"Python 访问字符串中的值Python 不支持单字符类型,单字符在 Python 中也是作为一个字符串使用。Python 访问子字符串,可以使用方括号来截取字符串,...

weixin_39661129的博客 1525

python怎么显示字符串_python字符串

Python 字符串字符串是 Python 中最常用的数据类型。我们可以使用引号('或")来创建字符串。创建字符串很简单,只要为变量分配一个值即可。例如:var1 ='Hello World!'var2 ="Python Runoob"Python访问字符串中的值Python不支持单字符类型,单字符也在Python也是作为一个字符串使用。Python访问子字符串,可以使用方括号来截取字符串,如下实...

weixin_39996234的博客 2032

Python字符串

简单地理解,字符串就是“一串字符”,也就是用引号内的任何数据,比如“Hello,Charlie”是一个字符串,“How are you?”也是一个字符串。 Python 要求,字符串必须使用引号括起来,可以使用单引号或者双引号,只要成对即可。字符串中的内容几乎可以包含任何字符,英文字符也行,中文字符也行。 Python 3.x 对中文字符支持较好,但 Python 2.x 则要求在源程序中增加“...

yinlu521wang的博客 283

python字符串_Python 字符串

字符串是 Python 中最常用的数据类型。我们可以使用引号('或")来创建字符串。创建字符串很简单,只要为变量分配一个值即可。例如:var1 = 'Hello World!' var2 = "Python Runoob" Python访问字符串中的值Python不支持单字符类型,单字符在 Python 中也是作为一个字符串使用。Python访问子字符串,可以使用方括号来截取字符串,如下实例:实例...

weixin_39906878的博客 385

python字符串是有序的吗_Python字符串

Python字符串字符串是一个元素以引号包围的,有序的,不可修改的序列。字符串的定义:‘’单引号或“”双引号student="my name is hk hk hk"print(student.capitalize())#首字母大写print(student.count("hk"))#统计hk有多少个print(student.center(50,"_"))#居中打印50个字符,不够用—来填补。p...

weixin_39900608的博客 1226
上一篇: Python-while循环
下一篇: Python列表
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