浙大PTA 第5章-10 两数之和 (30 分)

【PTA】【浙大版《Python 程序设计》题目集】7-10 两数之和 (30 分) 给定一组整数,还有一个目标数,在给定这组整数中找到两个数字,使其和为目标数,如找到,解是唯一的。找不到则显示 “no answer”。输出的下标按从小到大排序。用一重循环加字典实现。 输入格式: 在一行中给出这组数。 在下一行输入目标数 输出格式: 在一行中输出这两个数的下标,用一个空格分开。 输入样例1: 在这里给出一组输入。例如: 2,7,11,15 9 输出样例1: 在这里给出相应的输出。例... 阅读详情

全题解析链接

浙大Python题目集 PTA95题全部解析


给定一组整数,还有一个目标数,在给定这组整数中找到两个数字,使其和为目标数,如找到,解是唯一的。找不到则显示 "no answer"。输出的下标按从小到大排序。用一重循环加字典实现。

输入格式:

在一行中给出这组数。 在下一行输入目标数

输出格式:

在一行中输出这两个数的下标,用一个空格分开。

输入样例1:

在这里给出一组输入。例如:

2,7,11,15
9

输出样例1:

在这里给出相应的输出。例如:

0 1

输入样例2:

在这里给出一组输入。例如:

3,6,9
10

输出样例2:

在这里给出相应的输出。例如:

no answer

题解:

li=list(map(eval,input().split(',')))
obj=eval(input())
for i in range(len(li)):
    if obj-li[i] in li[(i+1):]:
        print(i,li.index(obj-li[i]))
        break
else:
    print('no answer')

给定一个整数数组,返回两个数字的索引,使它们相加得到一个特定目标值 给定一个整数数组,返回两个数字的索引,使它们相加到一个特定的目标。 您可以假设每个输入都只有一个解决方案,而您可能不会使用相同的元素两次。 阅读详情

相关推荐

浙大PTA 第4章-30 找完数 (20 分)

所谓完数就是该数恰好等于除自身外的因子之和。例如:6=1+2+3,其中1、2、3为6的因子。本题要求编写程序,找出任意两正整数m和n之间的所有完数。 输入格式: 输入在一行中给出2个正整数m和n(1<m≤n≤10000),中间以空格分隔。 输出格式: 逐行输出给定范围内每个完数的因子累加形式的分解式,每个完数占一行,格式为“完数 = 因子1 + 因子2 + ... + 因子k”,其中完数和因子均按递增顺序给出。若区间内没有完数,则输出“None”。 输入样例: 2 30 输出样例:

amateur_python的博客 1159

Python编程PTA题解——两数之和

Description:给定一组整数,还有一个目标数,在给定这组整数中找到两个数字,使其和为目标数,如找到,解是唯一的。找不到则显示 “no answer”。输出的下标按从小到大排序。用一重循环加字典实现。 Input:在一行中给出这组数。 在下一行输入目标数 Output:输出仅一行,输出这两个数的下标,用一个空格分开。 Sample Input: 2,7,11,15 9 Sample Outp...

美好事物 7176

【Python基础】PTA浙大版《Python程序设计》题目集题解 (一)

这个系列的博客主要内容是PTA中浙大版的《Python程序设计》题目集的所有题解,共同89道编程题和6道函数题,帮助初学者快速上手做题。由于题量过大,我会分成几个小块发表。 本博客为该系列的第一篇博客,主要内容为编程题的第一章3道题以及第二章的1-8题题解,后续会持续更新。 PTA浙大版《Python程序设计》题目集题解(一)1.第1章-1 从键盘输入两个数,求它们的和并输出2.第1章-2 从键盘输入三个数到a,b,c中,按公式值输出3.第1章-3 输出“人生苦短,我学Python”4.第2章-1 计算 .

weixin_51424157的博客 6501

python刷题第八周

以下是有所收获的题目: 第一题 第5章-10 两数之和 (30 分) 给定一组整数,还有一个目标数,在给定这组整数中找到两个数字,使其和为目标数,如找到,解是唯一的。找不到则显示 “no answer”。输出的下标按从小到大排序。用一重循环加字典实现。 输入格式: 在一行中给出这组数。 在下一行输入目标数 输出格式: 在一行中输出这两个数的下标,用一个空格分开。 我的代码: ls = list(map(int, input().split(","))) i = int(input()) length =

weixin_52025885的博客 2607

PTA-浙大版《Python 程序设计》AC解答汇总

感谢点赞收藏~~~???? 编程题[第1章-1 从键盘输入两个数,求它们的和并输出 (30分)][第1章-2 从键盘输入三个数到a,b,c中,按公式值输出 (30分)] [第1章-3 输出“Python语言简单易学” (10分)] ...

卷子的博客 1万+

浙江大学pta答案python第四章_浙大PTA-Python题库 编程题第一章(1-1~1-3)题解

其他各章题解链接如下浙大PTA-Python题库 编程题第一章(1-1~1-3)题解https://blog.youkuaiyun.com/zimuzi2019/article/details/107020657浙大PTA-Python题库编程题 第二章(2.1~2.14)题解https://blog.youkuaiyun.com/zimuzi2019/article/details/106984549浙大PTA-Pyt...

weixin_36399446的博客 3047

【题解】【PTA-Python题库】第5章-10 两数之和 (30 分)

两数之和 给定一组整数,还有一个目标数,在给定这组整数中找到两个数字,使其和为目标数,如找到,解是唯一的。找不到则显示 “no answer”。输出的下标按从小到大排序。用一重循环加字典实现。 输入格式: 在一行中给出这组数。 在下一行输入目标数 输出格式: 在一行中输出这两个数的下标,用一个空格分开。 输入样例1: 在这里给出一组输入。例如: 2,7,11,15 9 输出样例1: 在这里给出相...

葑鈊丶 1万+

Vmware安装windowsServer2022版本

全网最详细的Vmware安装windowsServer2022版本

A乐神的博客 7005

浙大Python题目集 PTA解析

引言 业余学习python有两年多时间,中间进步最快的阶段是我兼职给学生讲python课,怎么讲好一个知识点、如何给学生布置合适的作业、评判学生作业和作业讲解都让我对自己所学的知识做了一个很好的梳理,编程能力也得到一定提升。看来最好的学习方法就是学以致用,不断逼着自己去产出一些东西,反过来就能更好地去学习。 为进一步加强自己的编程基本功,最近业余时间好好琢磨了浙大PTA的python习题,花了10天左右认真做了一遍,感觉有些收获。 现在用写博客的方式好好整理一下。第一次写博客,写的不好的地方慢慢改善。

amateur_python的博客 1万+

基于大模型的自动驾驶智能体:Agent-Driver架构、训练与实战指南

自动驾驶系统正从传统的模块化流水线向以智能体为核心的新范式演进。其核心原理在于将车辆视为一个能够与环境持续交互的自主决策智能体,通过多模态感知、记忆管理和基于大模型的推理能力,实现对复杂交通场景的理解与应对。这一技术价值在于利用大模型的常识推理和泛化能力,有望解决传统方法在长尾场景下面临的挑战。在应用场景上,智能体驱动架构特别适合处理动态交互密集、需高层语义理解的城区驾驶、无保护转弯及突发状况应对。本文聚焦的Agent-Driver项目,正是这一方向的典型实践,它通过融合视觉、语言大模型与强化学习,构建了一

weixin_28729843的博客 529

别再自己写组件了!用uni-app的midButton属性5分钟搞定中间凸起TabBar(H5/小程序通用)

本文详细介绍了uni-app官方提供的midButton属性,帮助开发者5分钟内实现中间凸起的TabBar效果,无需编写繁琐的自定义组件代码。该方案兼容H5和微信小程序平台,配置简单且维护成本低,大幅提升开发效率和性能表现。

weixin_30431445的博客 347

PTA-Python题库(浙大版Python程序设计教材对应练习) 题解索引

最近为了巩固Python基础,所以趁着疫情期间白嫖做了PTA的Python题库,中间边写边记录了自己写的题解答案,下面是各章题解的链接。总的来说题目并不是很难(大部分都超过15行),所以花了几个整天暴刷刷完了,因此写的方法上未必是最好的(有些可能有些投机取巧或者比较笨拙)。写到一半多的时候才发现之前已经有大佬写过这个的题解了,所以后续更新会参考下别人的做法进行改进或者做到某些题有多种解法,其中某些我觉得稍微有点难度和思维量的题目也会单独拿出来写一下详细的分析过程。 各章题解链接如下 浙大PTA-Pytho

zimuzi2019的博客 2万+

Temporal Fusion Transformer(TFT)与扩散模型融合:时间序列预测新范式

本文探讨了Temporal Fusion Transformer(TFT)与扩散模型融合的时间序列预测新范式。该融合方案利用TFT强大的特征提取与可解释性,为扩散模型提供精准的“导航图”,从而在噪声数据中实现鲁棒预测,并原生支持不确定性量化,输出完整的概率分布与置信区间,为金融、能源等领域的风险决策提供更可靠的依据。

weixin_29096377的博客 289

浙大PTA-Python题库 编程题第四章(4-1~4-30)题解

其他各章题解链接如下 浙大PTA-Python题库 编程题第一章(1-1~1-3)题解 https://blog.youkuaiyun.com/zimuzi2019/article/details/107020657 浙大PTA-Python题库编程题 第二章(2.1~2.14)题解 https://blog.youkuaiyun.com/zimuzi2019/article/details/106984549 浙大PTA-Python题库 编程题第三章(3-1~3-22)题解 https://blog.youkuaiyun.com/zimu

zimuzi2019的博客 7万+

【Unity工具篇】| 使用YooAsset接入自己的游戏项目,实现完整热更新流程

前面文章介绍了YooAsset的原理和接入官方示例文档的文章介绍,本文使用YooAsset接入自己的游戏项目做示例。 【Unity工具篇】| 资源管理插件YooAsset,原理及相关配置 【Unity工具篇】| 游戏完整资源热更新流程,YooAsset官方示例项目 具体接入方法有很多种,本文会参照官方示例 Space Shooter 太空战机DEMO 用到的方式接入自己的游戏项目。

努力前行,总会成为自己心中的那道光 1万+

n8n智能体开发:Microsoft Outlook 节点

使用 Microsoft Outlook 节点可以自动化 Microsoft Outlook 工作流程,并将其与其他应用程序集成。n8n 内置支持多种 Microsoft Outlook 功能,包括创建、更新、删除和获取文件夹、邮件及草稿等操作。

王国平的博客 570

浙大PTA-Python题库 编程题第五章(5-1~5-11)题解

题目列表 5-1 输出星期名缩写 输入一个1到7的数字,输出对应的星期名的缩写。 1 Mon 2 Tue 3 Wed 4 Thu 5 Fri 6 Sat 7 Sun 输入格式: 输入1到7之间数字 输出格式: 输出对应的星期名的缩写 输入样例: 在这里给出一组输入。例如: 1 输出样例: 在这里给出相应的输出。例如: Mon 题解 daysdict={1:"Mon",2:"Tue",3:"Wed",4:"Thu",5:"Fri",6:"Sat",7:"Sun"} print(daysdict[eval

zimuzi2019的博客 3万+

使用ChatGPT工具阅读文献的实战教程

本文介绍核心内容为使用ChatGPT工具阅读文献,希望对学习和使用ChatGPT的同学们有所帮助。为了兼顾质量和速度,本专栏的更新频率为一周一到两更。 文章目录 1. 前言 2. 实战教程 2.1 下载工具并登录 2.2 提取文献中的关键信息

herosunly的博客 15万+

浙大PTA-Python题库编程题 第二章(2.1~2.14)题解

2-1 计算 11+12+13+…+m 输入一个正整数m(20<=m<=100),计算 11+12+13+…+m 的值。 输入格式: 在一行输入一个正整数m。 输出格式: 在一行中按照格式“sum = S”输出对应的和S. 输入样例: 在这里给出一组输入。例如: 90 输出样例: 在这里给出相应的输出。例如: sum = 4040 题解 print(sum([i for i in range(11,eval(input()+'+1'))])) 2-2 计算分段函数[1] 本题目要求计算下

zimuzi2019的博客 2万+

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

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")

PTA浙大版《Python 程序设计》题目集答案(一)-第1章-共3道题

笔者近来正在学习Python,在PTA上练习Python题目,特此分享一下我的解答过程,这是第一章内容

wangdaoxia的博客 1万+

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

PTA浙大版《Python 程序设计》题目集答案(二)-第2章-共14道题-前7道

第2章前7道

wangdaoxia的博客 9589

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

浙大PTA 第5章-8 能被3,5和7整除的数的个数(用集合实现) (30 分)

求指定区间内能被3,5和7整除的数的个数 输入格式: 在一行中从键盘输入2个正整数a,b(1<=a<b<=10000000),用空格隔开。 输出格式: 在一行输出大于等于a且小于等于b的能被3,5和7整除的数的个数。 输入样例1: 在这里给出一组输入。例如: 10 100 输出样例1: 在这里给出相应的输出。例如: 0 输入样例2: 在这里给出一组输入。例如: 1000 100000 输出样例: 在这里给出相应的输出。例如: 943 题解:

amateur_python的博客 1466

浙大PTA基础编程题目集(编程题)

7.1厘米换算英尺英寸 如果已知英制长度的英尺foot和英寸inch的值,那么对应的米是(foot+inch/12)×0.3048。现在,如果用户输入的是厘米数,那么对应英制长度的英尺和英寸是多少呢?别忘了1英尺等于12英寸。 输入格式: 输入在一行中给出1个正整数,单位是厘米。 输出格式: 在一行中输出这个厘米数对应英制长度的英尺和英寸的整数值,中间用空格分开。 输入样例:170 输出样例: 5 6 题目不难,唯一算是难点的地方在于:解答者容易陷入题目所给公式的误区里,总想着把公式倒过来便

无知的圆的博客 5133

第2章-7 产生每位数字相同的n位数 (30分)

PTA 浙大版《Python 程序设计》题目集 第2章-7 产生每位数字相同的n位数 (30分) 读入2个正整数A和B,1<=A<=9, 1<=B<=10,产生数字AA…A,一共B个A 输入格式: 在一行中输入A和B。 输出格式: 在一行中输出整数AA…A,一共B个A 输入样例1: 在这里给出一组输入。例如: 1, 5 输出样例1: 在这里给出相应的输出。例如: 1111...

Weary_PJ的博客 5290

PTA浙大版《Python 程序设计》题目集

本题目集是在2021年初写的,当时受疫情影响,题目集是对所有用户开放的,后来题目集就有权限了,需要购买浙大的Python教材才能用。 题目集记录了我初学Python时的经历,所以前几道题看起来会不符合Python简洁的特性。 初学Python时,没有老师教我,完全就是在自学,所以不会做的题也会上网上搜答案,这就导致题目集中有些题和网上的很相似。 其他题目集: PTA浙大版《C语言程序设计实验与习题指导(第3版)》题目集(参考代码) PTA浙大版《C语言程序设计(第3版)》题目集(参考代码) PTA团体程序设

Re:从零开始的代码生活的博客 7276
上一篇: 浙大PTA 第5章-9 求矩阵鞍点的个数 (30 分)
下一篇: 浙大PTA 第5章-11 字典合并
amateur_python
博客等级 码龄5年 118粉丝 94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