引用类型 —— Array类型

壹、创建数组

一、使用Array构造函数

var colors = new Array();

var colors = Array();

给构造函数传递值:

1、传递一个值

如果传递的是数值,则会按照该值创建包含指定项数的数组;

var colors = new Array(3);   //  [ undefined, undefined, undefined ]

如果传递的是其他类型的值,则会创建包含那个值的只有一项的数组;

var colors = new Array('lily');  // ['lily']

2、传递多个值:不管是什么类型的值,都会生成包含那些值的数组;

var colors = new Array('red', 'blue', 'gray');  //  ['red','blue','gray']

二、使用数组字面量表示法

var colors = ['blue', 'red', 'gray'];

三、读取和设置数组值

colors[索引]

colors[0]  // blue

如果给的索引大于数组的数量,则会自动更新数组的length值,多出来的数组项,默认值都为undefined

特点:利用length属性可以方便的在数组末尾添加新项;

贰、检测数组

 1、colors instanceof Array

此种检测方法在页面上有多个框架的全局执行环境时,从一个框架向另一个框架传递参数时,是不一样的Array构造函数,因此判断会不准确

2、Array.isArray(colors):最终确定某个值到底是不是数组

3、高级函数之安全监测类型 (待定)

转载于:https://www.cnblogs.com/coconutGirl/p/10476693.html

飞书云文档API实战:从权限申请到自动化操作 本文详细介绍了飞书云文档API的实战应用,从权限申请到自动化操作。内容涵盖如何创建应用、获取关键API权限、理解并使用Tenant Access Token,并通过Python代码示例演示了读取和写入飞书表格数据的具体方法,旨在帮助开发者和业务人员实现文档数据处理的自动化,提升工作效率。 阅读详情

相关推荐

手把手教你用STM32F103的IO口模拟XY2-100协议驱动数字振镜(附Keil O3优化代码)

本文详细介绍了如何使用STM32F103的IO口模拟XY2-100协议驱动数字振镜,包括协议解析、偶校验算法、寄存器级优化及Keil O3编译下的性能调优。通过硬件配置、核心代码实现和优化技巧,帮助开发者实现高速二维偏转控制,适用于工业激光雕刻和精密定位系统。

weixin_42527401的博客 261

打卡学习:2.引用类型——Array

引用类型学习打卡 引用类型——Array 1.两点概念: ECMAscript数组的每一项都可以保存任何类型的数据。 数组的大小是可以动态变化的。 2.创建Array类型 Array构造函数 var color = new Array(); //可以在创建数组时给数组一个参数,用作数组的长度(length值) var color = new Array(20)//length=20的数组 //也可以省略new关键字,结果是一样的 var color = Array(); 字面量形式 var

peanut 294

别再只看K线了!用Python自制筹码分布图,可视化Winner函数帮你判断支撑压力

本文详细介绍了如何用Python自制筹码分布图,通过数据清洗、算法实现和动态可视化,帮助投资者更准确地判断股票支撑压力位。文章重点讲解了Winner函数的应用,结合筹码分布与交易策略,提升交易决策的精准度。

weixin_42520796的博客 315

引用类型---Array

一.Array类型 除了Object类型之外,Array类型是ECMAScript最常用的类型。而且ECMAScript中的Array类型和其他语言中的数组有着很大的区别。虽然数组都是有序排列,但ECMAScript中的数组每个元素可以保存任何类型。ECMAScript中数组的大小也是可以调整的。 创建Array类型有两种方式:第一种是new运算符,第二种是字面量。 1.使用new关键

小毛驴的博客 381

四大AI编程工具深度对比:Claude Code、Codex、OpenCode与WorkBuddy选型指南

AI编程助手正从代码补全走向自主执行的智能体形态,其核心原理是通过“规划-执行-观察”循环让模型自主完成文件修改、命令运行与错误修复。这类工具的技术价值在于提升长任务连续性与上下文理解能力,同时通过自定义指令与技能机制沉淀团队规范,适应不同工程场景。在实际选型中,开发者常面临终端CLI与图形化工作台、模型开放程度与绑定生态之间的权衡:Claude Code强调深度Agent体验,Codex支持灵活接入OpenAI兼容模型,OpenCode以开源多模型见长,WorkBuddy则提供全流程集成环境。本文基于真实

weixin_42526166的博客 136

深度学习模型设计的方法和技巧

设计神经网络模型是一个迭代的过程,需要不断试验和调整各个组成部分,以达到最佳性能。同时,遵循良好的工程实践,如模块化设计、版本控制、文档记录等,也是成功的关键。

xw555666的博客 4027

数组引用类型与基本类型的区别

数组引用类型引用类型和基本类型的区别 引用类型和基本类型的区别 引用类型:赋值,传递的是地址 里面的值都指向了同一个空间,都在堆内存中 基本类型:变量赋值,传递的是值 在栈内存保存数据,在堆内存中的地址引用; 栈内存用的是堆内存里面的地址 区别引用类型和基本类型的区别: <script type="text/javascript"> var arr=[90,80];...

cedricdx的博客 2426

基于Pixi.js的Live2D看板娘离线加载实战指南

本文详细介绍了基于Pixi.js实现Live2D看板娘离线加载的完整方案,涵盖环境搭建、模型加载、交互功能实现及常见问题解决。通过Pixi.js的硬件加速优势,开发者可在Web和Electron项目中无缝集成离线运行的Live2D模型,提升用户体验并避免网络依赖问题。

weixin_29001423的博客 343

Array引用数据类型

在javascript中,数组是很神奇的一个存在。数组中的可以包含任何类型的数据。也就是说,在数组中的第一个位置可以保存字符串类型,第二个可以是number类型的,第三个可以是object类型的。而且,数组的length是可以动态调整的。创建的两种方法,第一种就是调用Array()函数来创建,第二种就是使用的字面量来创建。当时使用字面来创建数组的时候,是不会调用Array()的,就和对象使用字面量...

m0_37592558的博客 1637

80MHz~100MHz频谱分析仪设计

由理论分析可知,经过乘法器后输出的信号为频率为w1+w2的高频信号和w1-w2的低频信号,除了想要采样的直流信号外,最小的信号频率为100kHz。因此,经过一系列推导可以得到该滤波器的元件C1,C2,C3,R1,R2的近似值分别为:C1=2.36nF,C2=32.1nF,C3=1.07nF,R1=1.39k,R2=2.84k。AK,此时的频率w2即为被测信号的频率,待测信号源电压幅度为,因此为了能达到直流采样的设计,我们将本振源的频率输出范围做成80~110 MHz,提高了题目的频率要求。

qq_48771816的博客 5242

不止于连接:用VS Code Remote-SSH深度开发树莓派(Ubuntu 22.04环境实战)

本文详细介绍了如何在Ubuntu 22.04环境下使用VS Code的Remote-SSH功能进行树莓派深度开发。通过SSH配置、VS Code扩展安装和远程环境优化,开发者可以在本地高效编写代码,同时在树莓派上直接运行和测试,解决性能瓶颈问题。文章还提供了高级功能如端口转发、多项目管理和远程调试的实战技巧。

didui8202的博客 352

关于数组的基本数据类型和引用类型

关于数组的基本数据类型和引用类型

mickle_deng1的博客 8393

GEE APP:基于Sentinel-1 SAR数据的洪水检测与制图系统:利用GEE平台实现洪涝区域提取、面积统计及矢量栅格化导出

本文介绍了一个基于Google Earth Engine平台的Sentinel-1 SAR洪水监测应用,通过自动化流程实现洪水淹没区域的精准检测与分析。系统采用Refined Lee滤波降噪和Otsu自适应阈值算法,结合SRTM地形数据消除干扰,可自动计算淹没面积并生成可视化结果。该工具提供用户友好的交互界面,支持多格式数据导出,适用于灾害应急响应、环境监测和城市规划等领域,具有云平台处理、算法鲁棒性强和操作简便等技术优势。

此星光明博客 327

C# Array数组是引用类型

在C#中值类型都是由System.ValueType的直接派生类,System.ValueType本身又是直接从System.Object派生的。派生的意思是‘利用继承机制,新的类可以从已有的类中生出来‘。简单点就是‘粑粑生娃’。有时是‘爷爷生娃‘例如:枚举都从System.Enum抽象类派生,而后者又从System.ValueType派生。值类型的基类是:System.ValueType,而引用...

weixin_30322405的博客 392

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

引用类型(object、array)

基本类型值和引用类型值是变量可能包含的两种不同数据类型的值。 基本类型值也就是布尔值、数值、字符串,以及两个特殊类型值null和undefined。 引用类型的值是引用类型的一个实例,而引用类型又包括object类型、array类型、date类型、regExp类型、function类型、基本包装类型、单体内置对象。 Object类型 创建object实例的方法: var 变量名=new Object(); 变量名.属性=“ ”; var 变量名={属性 : “ ” }; 访问对象属性时,一般都使用点

HeleneWoods的博客 509

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

js引用类型之Array类型-new Array()

引 用 类 型 定义:引用类型是一种数据结构,用于将数据和功能组织在一起,引用类型有时候也被称为对象定义 Array 类型 Array实例的创建 /* * 创建数组的基本方式有两种。 */ // 第一种是使用 Array 构造函数,也可以省略 new 操作符 var colors = new Array(); var colors = new Array(20); ...

qq_42025192的博客 7066

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

基本类型String和引用类型Array

区分基本类型和引用类型 基本类型值指的是简单的数据段,而引用类型值指那些可能由多个值构成的对象。基本类型包含Undefined、Null、Boolean、Number、String,这5种基本数据类型是按值访问的,因为可以操作保存在变量中的实际值。而在操作对象时,实际上是在操作对象的引用而不是实际的对象。为了方便操作基本类型值,ECMAS...

weixin_33711647的博客 247

JS中数组的基础类型和引用类型的解释,以及Array类型的常用操作方法

基本数据类型:按值访问,可操作保存在变量中的实际的值。基本类型值指的是简单的数据段。                             基本数据类型有这五种:Undefined、Null、String、Number、Boolean。                              ps: 基础类型就这几个 引用类型:当赋值保存着对象的某个变量时,操作的是对象的引用,但在为对象...

Yo,的博客 519

js 有关object 、array 等引用类型的赋值问题

let obj = {name: '小黑'} obj.age = 25 // 修改引用地址下的数据 let nb = obj // 把引用地址给到了nb obj = null // 修改了obj对象的值,对应的引用地址未改变 console.log(nb) // 结果 {name: "小黑", age: 25} function ap(nb1) { // 等价于nb1 = nb,生成新的变量nb1 nb1.sex = '男' nb1 = null } ap(nb) console.log(nb

会飞的程序猿 1110

Array、Dictionary、Set 是值类型还是引用类型?

Swift中的集合类型(Array、Dictionary、Set)都是值类型,采用结构体实现。其核心特点是赋值时进行逻辑拷贝,修改副本不会影响原数据,并通过Copy-on-Write机制优化性能。代码示例展示了三种集合类型的值语义特性:数组赋值后修改副本不影响原数组,字典和集合同理。与引用类型(class)不同,值类型拷贝内容而非共享引用,使用==比较内容,===比较引用地址。这种设计既保证了数据安全,又通过写时复制实现了高效性能。

u010130947的专栏 345

前端讲义17_javascript引用类型(object --Array)

Object是引用类型的基础,其他的引用类型也是以Object为根本 重点介绍介绍引用类型Array数组 JavaScript中基于对象(Object)创建了类数组的结构,把数组的下标转换成字符串当作属性。 两种申明方式1,Array()构造函数 new操作符调用Array构造函数,完成数组的实例化 var myArr = new Array(); 当传入的参数是数值时,生成一个length属性...

木生火 213

js复习第二天(JS的垃圾清除,引用类型Object,Array)

参考书籍:红宝书 一、JS中的垃圾清除 (1)标记清除(最常用) 垃圾收集器在运行的使用会给存储在内存中的所有变量都加上标记。然后他会去掉环境中的变量以及被环境中的变量引用的变量的标记。再将其视为 (2)引用计数(用的已经非常的少了) 引用计数的含义:跟踪记录每个值被引用的次数。当声明了一个变量并将应用类型的值赋给该变量时,则这个值的应用次数是1.如果同一个值又被赋给另一个变量,则这个值的引用次数...

weixin_44956861的博客 496

《JavaScript高级程序设计》笔记——chapter5 引用类型(Object/Array)

前言 前面在第三章基本概念一节稍微提及了引用类型的概念,在第四章详细介绍了基本数据类型与引用类型作为变量时的不同。本章将详细介绍ECMAScript的原生引用类型。 首先复习下基本类型值与引用类型值的特点: 基本类型值在内存中占据固定大小的空间,因此被保存在栈内存中从一个变量向另一个变量复制基本类型的值,会创建这个值的一个副本引用类型的值是对象,保存在堆内存中;包含引用类型值的变量确实是

dancing_burry的博客 468

JavaScript高级程序设计-引用类型(一)object、Array、Date、RegExp

文章目录5 引用类型5.1 Object类型5.2 Array类型5.2.1 检测数组5.2.2 转换方法5.2.3 栈方法5.2.4 队列方法5.2.5 重排序方法5.2.6 操作方法5.2.7 位置方法5.2.8 迭代方法5.2.9归并方法5.3 Date类型5.3.1 继承的方法5.3.2 日期格式化方法5.3.3 日期/时间组件方法5.4 RegExp类型5.4.1 RegExp实例属性5...

Three_ST的博客 358

《JavaScript高级程序设计》学习笔记之Object、Array、Date、Function等引用类型介绍

引用类型 引用类型的值(对象)是引用类型的一个实例,在ECMAScript中,引用类型是一种数据结构。对象是某个特定引用类型的实例,新对象是使用new操作符后跟一个构造函数来创建的。构造函数本身就是一个函数,只不过该函数是出于创建新对象的目的而定义的。如下面的一行代码: var person = new Object(); 这行代码创建了Object引用类型的一个新实例,然后把该实例保存在...

Sunny王维 2812
上一篇: 引用类型 —— Object类型
下一篇: 问题:鼠标放在卡片最下端发生不停闪动
abc589721
博客等级 码龄11年 1粉丝 0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  | 博主筛选后可见
 
 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