MySQL 2022-01-20 【学习笔记】

AIGC算法工程师面试八股文深度解析与进阶指南:揭秘Diffusion Models核心原理与实战技巧 总结来说,Cosine Noise Scheduler 的核心优势在于它能够更巧妙地平衡信号和噪声的比例,在扩散过程的早期阶段更长时间地保留原始图像的细节信息,从而为去噪模型提供一个更友好的学习环境,最终带来更优异的生成质量。🚀 阅读详情

1.DQL 查询数据(重点)

SELECT 字段 FROM 表;
-- 查询所有的学生
SELECT * FROM `student`;
​
-- 别名,给查询结果起一个名字,可以给字段起别名,也可以给表起别名
-- AS后不用加单引号
SELECT `StudentNo` AS 学号, `StudentName` AS 学生姓名 FROM `student`;
​
-- 函数CANCAT,括号内的并在一个列输出
SELECT CONCAT('NAME:'`StudentName`) AS 学生姓名 FROM `student`;

通常来说,BIGINT能满足整数存储的需求,VARCHAR(N)能满足字符串存储的需求,这两种类型是使用最广泛的。

SELECT DISTINCT `字段名` FROM `表名  `;  -- 删去重复的结果
​
SELECT VERSION();    -- 查询系统版本
SELECT 100*3-1 AS 计算结果;    -- 以计算结果为列名显示结果
SELECT @@AUTO_INCREMENT_INCREMENT;    -- 查询自增的步长
​
-- 数据全部加一后查看
SELECT `grade`+1,`result`+1 AS 加一后 FROM result;
SELECT `grade` FROM result WHERE grade>=5 AND grade<=10;
SELECT `grade` FROM result WHERE grade BETWEEN 5 AND 10;
​
SELECT `grade` FROM result WHERE NOT grade = 10;    -- 选择不等于10的

模糊查询

-- 查询刘某
SELECT `name` , `number` FROM result WHERE `name` LIKE '刘_';
-- 查询刘某某
SELECT `name` , `number` FROM result WHERE `name` LIKE '刘__';
-- 查询刘姓的人
SELECT `name` , `number` FROM result WHERE `name` LIKE '刘%';
-- 查询范围内的人 -- IN(具体的一个或多个值)
SELECT `name` , `number` FROM result WHERE `number` IN (1000,1001,1002);

1.1联表查询

-- INNER JOIN
SELECT s.studentNo,studentName,SubjectNo,StudentResult
FROM student AS s
INNER JOIN result AS r
WHERE s.studentNo = r.studentNo;
​
-- RIGHT JOIN 
SELECT s.studentNo,studentName,SubjectNo,StudentResult
FROM student s
RIGHT JOIN result r
WHERE s.studentNo = r.studentNo;
​
-- 查询缺考的同学
SELECT s.studentNo,studentName,SubjectNo,StudentResult
FROM student s
LEFT JOIN result r
ON s.studentNo = r.studentNo
WHERE StudentResult IS NULL;
​
-- in与虚拟表
select sname from student where sid not  in (
​
select score.student_id from score where course_id in (
​
select course.cid from course inner join teacher on course.teacher_id = teacher.tid where teacher.tname = "李平老师"
) 
);
​
-- FULL JOIN
SELECT column_name(s)
FROM table_name1
FULL JOIN table_name2 
ON table_name1.column_name=table_name2.column_name;
操作描述
INNER JOIN如果表中至少有一个匹配,就返回行(有至少一个交集时)
LEFT JOIN会从左表中返回所有的值,即使右表没有匹配
RIGHT JOIN会从右表中返回所有的值,即使左表没有匹配
FULL JOIN并集,只要左右表中其中一个有数据,就返回行

1.2自连接(了解)

-- 查询父子信息(把一张表看成两张一摸一样的表)
SELECT a.`myId` AS '父栏目', b.`myId` AS '子栏目'
FROM `category` AS a,`category` AS b
WHERE a.`myId`=b.`pId`;

1.3分页和排序

分页 LIMIT

-- 语法: LIMIT起始值,页面的大小
-- LIMIT 0,5    1~5
-- LIMIT 1,5    2~6
-- LIMIT 6,5    7~11
-- 第N页        (N-1)*5

排序 ORDER BY

-- 升序ASC   
-- 降序DESC
-- 降序排列
ORDER BY `studentName` DESC
Cleo Synchronization接口任意文件读取漏洞CVE-2024-50623 附POC 微信公众号搜索:南风漏洞复现文库该文章 南风漏洞复现文库 公众号首发Cleo。 阅读详情

相关推荐

从 0 到 1,实战 Power BI 电商销售可视化看板全流程

本文详细介绍了从零开始使用Power BI构建电商销售可视化看板的全流程,涵盖数据准备、建模、可视化设计及高级功能应用。通过实战案例展示如何将复杂销售数据转化为直观图表,帮助电商从业者快速掌握销售趋势、热销产品和用户画像等关键信息,提升数据分析效率。

weixin_29061041的博客 485

mysql 年,月,日 查询 某时间段的 日期列表

mysql 年,月,日 查询 某时间段的 日期列表

OOObject的博客 1285

STM32G474使用HRTIM触发多路ADC采样,通过DMA传输,通过串口打印显示,实现PWM中间时刻采样,避免开关噪声

本章工程使用HRTIM定时器进行ADC的触发,打开主定时器,子定时器A,B,C。(本工程未使用到A与C定时器,配置时可无需打开)主定时器配置:设置主定时器的频率为100KHz,并且设置自动更新以及自动重装载值。子定时器B设置:设置子定时器B为100KHz,并且每九次计数完成后产生一次中断。配置如上:1.打开自动预装载值2.打开自动复位3.设置死区时间以及互补PWM4.定时器复位触发更新寄存器5.定时器翻转重置更新6.重置触发源(定时器计数器在发生更新事件时重置)

weixin_41407439的博客 4909

Mysql datetime格式 转换为 date格式(2022-01-01 00:00:00 转换为 2022-01-01)

Mysql

Sophie_huang的博客 3579

SAP 超详细解析信用控制

当然,集团内中国区、日本或欧洲区的公司使用了不同本位货币会计核算虽然分开,但对于客户的信用也可以统一管 理的,只要将这些不同本位币的公司代码纳入同一信用控制范围,信用控制范围货币可以考虑使用总部集团的货币,各公司代码的信用发生额自动根据系统设定汇率 转换为统一的信用控制范围货币。此步有一个“覆盖CC范 围”的选项,表示在过账时此步缺省的分配给公司代码的信用控制范围可以在其它信用控制范围使用,有时当一个公司代码的客户需要将信用数据过账到其它信用控 制区域,这个选择就非常有必要。

matinal 當冬夜漸暖 。公众号:matinal 1万+

Avellaneda & Stoikov’s market-making strategy AS模型的通俗理解篇(一)

δa, δb = bid/ask spread, symmetrical → δa=δb 也就是一段时间内,这个midprice 上蹿下跳的幅度计算,其实做市也就是一种网格,或者说类似布林带,我们经过计算在底部放买单,在高点放一个卖单,如果上下都成交了,那么仓位不变,你把利差赚了。一般来说在震荡行情中,很适合做市,特别是波动率不高情况下,我们通过AS的经典论文得到2个最关键公式,下面来解读一下这个公式的含义,如何在hummingbot 策略中如何设置这些参数。如果单边上涨,你就无货可卖,俗称卖飞了。

weixin_42480337的博客 1万+

数据库连接(MySQL与VS2022)

本文章介绍如何把VS2022与MySQL连接 目录要求一、MySQL与VS2022的连接二、代码编写1.界面设计2.引入库3.连接数据库3.查询4.增加5.删除6.修改7.完整代码操作及实验结果总结源码的clone地址: 要求 1、请设计一个项目连接到自己的MySQL数据库,数据库包含至少三张表; 2、使用dataGridView控件显示表中的数据; 3、实现基本crud操作; 一、MySQL与VS2022的连接 打开vs2022的界面 浏览下载第一个 我这边因为已安装了,具体的安装过程可以去网上查.

qq_57000518的博客 1万+

Android车载音频系统概览

官网有些部分的内容描述比较简单,对没有app、系统和底层开发经验,容易一眼扫过,没有留意到相关细节。 本节补充车载音频相关细节。

hwj的博客 785

MySQL学习笔记01【数据库概念、MySQL安装与使用】

MySQL数据库软件 MySQL数据库的安装 MySQL数据库的卸载 MySQL服务(启动与关闭) 登录 本地/异地 MySQL MySQL安装目录 MySQL数据目录

upward 864

初识 QML

QML 是一种声明性语言,允许根据用户界面的可视组件以及它们如何相互交互和相互关联来描述用户界面。QML 是一种高度可读的语言,旨在使组件能够以动态方式互连,并且允许组件在用户界面中轻松重复使用和自定义。 使用 Qt Quick,开发人员可以轻松地在 QML 中构建流体动画用户界面,并且可以选择将这些用户界面连接到任何后端 C++ 库。

青春不老,奋斗不止! 1万+

华为OD机试2025A卷 - 分苹果(Java & Python& JS & C++ & C )

华为OD机试2025A卷 - 分苹果(Java & Python& JS & C++ & C )

算法大师! 720

VS2022连接MySQL数据库并实现实现基本crud操作

目录 1.实验目的 2.具体操作 2.1数据库连接VS2022的操作 2.2在数据库中建立三张表 2.3使用DataGridView控件显示表中的数据; 3. 数据库连接 3.1数据库连接操作: 3.2 插入 3.3 删除 3.4修改 3.5查询 4.部分界面展示 5. 总结 6.项目源码 1.实验目的 1、请设计一个项目连接到自己的MySQL数据库,数据库包含至少三张表; 2、使用dataGridView控件显示表中的数据; 3、实现基本crud操作; 2.具体..

VIT_GO的博客 7775

混响效果的编程实现:Schroeder混响模型与Moorer型混响

Schroeder混响模型是由Manfred R. Schroeder在1962年提出的,它基于一系列串联的反射器(Allpass Comb Filters)和并联的反射器(Feedback Comb Filters)构成。Schroeder混响模型是由Manfred R. Schroeder在1962年提出的,它基于一系列串联的反射器(Allpass Comb Filters)和并联的反射器(Feedback Comb Filters)构成。通过调整各个反射器和全通滤波器的参数,可以实现不同的混响效果。

2301_79326857的博客 1082

2022-01-20-MySQL数据库

MySQL数据库

正在努力~ 493

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

MySQL学习笔记01

通过SQL语句操作执行数据库管理系统(oracle、MySQL等)来管理数据库。

qq_65785384的博客 1491

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")

在Ubuntu20.04上安装MySQL8.0及正确配置[已验证]

在Ubuntu20.04上安装MySQL8.0及正确配置[已验证]安装MySQL验证登陆MySQL创建db解决workbench连接的问题小结常用操作如何新增用户对新增的用户更改加密方式和密码卸载MySQL参考 Ubuntu在20.04版本中,源仓库中MySQL的默认版本已经更新到8.0。因此可以直接安装。 安装MySQL sudo apt-get update #更新源 sudo apt-get install mysql-server #安装 验证 安装完成后,可以通过下面的命令来查看时候安装成

用心读书 6万+

MySQL学习笔记--day01

1、sql、DB、DBMS分别是什么,他们之间的关系? DB: DataBase(数据库,数据库实际上在硬盘上以文件的形式存在) DBMS: DataBase Management System(数据库管理系统,常见的有:MySQL Oracle DB2 Sybase SqlServer...) SQL: 结构化查询语言,是一门标准通用的语言。标准的sql适合于所有的数据库产品。 SQL属于高级语言。只要能看懂英语单词的,写出来的sql语句,可以读懂什么意思。 SQL语句在

weixin_45226558的博客 318

MySQL学习笔记 01、MySQL安装

文章目录前言一、windows安装MySQL1.1、Mysql介绍1.2、安装Mysql1.3、启动与停止Mysql1.4、配置环境变量1.5、Mysql登陆与退出1.6、图形化界面工具下载安装(含文档) 前言 本篇博客是MySQL的学习笔记,若文章中出现相关问题,请指出! 所有博客文件目录索引:博客目录索引(持续更新) 一、windows安装MySQL 1.1、Mysql介绍 官网:Mysql 官方文档:Mysql-doc MySQL5.7官方手册 MySQL是一个关系型数据库管理系统,由瑞典MySQ

每个人都是独一无二的,把握好自己的节奏,跟着自己的心走。 688

08s01 mysql_Mysql:SQL 错误 [08S01]: Communications link failure

1.使用软件DBeaver,连接MySQL2.表建立在本地数据库中,数据库大小如下1月20号,在对里面的数据进行清洗以后,1月22晚上对表进行操作,就会出现下面的错误 Communications link failure### 问题描述### 问题出现的环境背景及自己尝试过哪些方法### 相关代码粘贴代码文本(请勿用截图)### 你期待的结果是什么?实际看到的错误信息又是什么?The last ...

weixin_39847728的博客 4325

Ubuntu20.04基础MySQL Day01

/创建数据库,可选项[]为是否需要判断是否存在,如果不存在就创建,如果存在则不创建,是否设定为字符集为utf8。新建连接,设置好连接名,设置需要连接的Ubuntu中的数据库用户名和密码,如上文提到的超级用户用户名和密码,然后选SSH,使用SSH隧道,输入Ubuntu内网IP,输入Ubuntu登录用户名和密码,连接成功。//创建一张表,其中设置一定数量的字段,每个字段设置类型,类型的宽度为可选项,约束条件为可选项,字段说明为可选项,结尾对表的一些设置为可选项。) values (值1,值2,值3,…

Gravity0323的博客 125

mysql学习笔记01

mysql学习笔记01

qq_68289621的博客 817

idea中使用Database工具连接mysql5.7出现[08S01]错误

这里可以看出,my.cnf中并没有ssl相关的配置,但mysql数据库中SSL相关的变量是开启的,那这种情况下,MySQL 服务器已准备好接受 SSL 连接,客户端可以选择是否使用 SSL 进行连接,我在开始的连接是没有配置?useSSL=false来看,很明显是SSL连接的问题,于是为了定位问题,我从mysql的配置开始查看,首先确认mysql是否开启了SSL连接。在这个服务器上是没有这个ssl的证书存在的,也间接说明我的mysql服务器是开启了ssl连接的,至此,问题定位于mysql的SSL连接问题。

weixin_46043370的博客 1095

MySQL学习笔记-01(概念、SQL语法)

学习MySQL笔记

weixin_41016739的博客 1161

mysql报08s01的错误_MYSQL报08S01的异常

mysql报08S01的错误- SQL Error: 0, SQLState: 08S01- Communications link failureThe last packet sent successfully to the server was 0 milliseconds ago. The driver has not received any packets from the serve...

weixin_34475212的博客 1万+

【mysql入门笔记01 2022.9.27】

mysql笔记 2022.9.27

weixin_43360094的博客 1128

Incorrect datetime value: ‘2022-01-01‘ for function str_to_date

mysql问题

weixin_43939159的博客 2118
上一篇: MySQL 2022-01-15-2 学习笔记
下一篇: C++ 实现简单的文章续写
binaryyy
博客等级 码龄5年 118粉丝 20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