Mysql学习---DML语句

MySQL学习:Python MySQL数据库执行DML语句 都说不懂数据库的程序员不是合格的程序员,正在学Python的我怎么能不懂数据库,几经思考,终于选了数据库经典入门课程MySQL开始学习。 可是刚一开始学我就遇到了难题~! SQLite Expert ? 这是什么?网上查了好久,才明白SQLite Expert 是一种数据库工具。 想要学数据库,就得先学会使用SQLite Expert工具 ,并熟悉SQLite,执行DML语句进行“增删改查”这是最... 阅读详情

DML:数据操作语句,就是数据的增删改查语句,主要关键字insert、update、delete、select

(关键字最好大写,但是来回切换大小写太烦了,所以就小写了,这是个坏习惯,在代码上写的时候要改这个坏习惯)

新建表,结构如下

1.插入语句 INSERT INTO 表(字段...) VALUES(数据...);

insert into student(stuno,name,sex,address) values(1,'jack','man','shanghai');

不指定字段名则values后面的顺序要和字段排列顺序一致

insert into student values(2,'sair',null,default);

not null字段一定要填,默认字段、自增字段可以不在insert后的字段表里面出现,values只写对应字段的value

 insert into student(stuno,name) values(3,'amy');

一次插入多个数据

insert into student values(4,'a','girl','shanghai'), (5,'w',null,default),(6,'g','boy','guangdong');

2.更新语句 UPDATE 表 SET 字段=更新数据 WHERE 字段=数据

p:如果不写where条件会把所有的数据都更新

更新多张表数据:update table1 tab1,table2 tab2 set tab1.name='xxx',tab2.sex='x'  where tab1.id=tab2.id;(table1 tab1表示tab1是table1的别名)

3.删除语句 DELETE FROM 表 [WHERE 字段=数据]

p.如果不写where条件会把所有的数据都删除

删除多张表数据:delete tab1,tab2 from  able1 tab1,table2 tab2  where tab1.id=tab2.id and tab1.id=3;

4.查询语句 SELECT × FROM 表 [WHERE]

 *表示所有数据都选出来

查询不重复数据

select distinct name  from student;

条件查询

select *  from student where name='a';

select *  from student where name='a' and stuno=8;

查询排序(DESC 降序排序,ASC升序排序)

select * from student order by stuno;

select * from student order by stuno asc;

select * from student order by stuno desc;

查询显示多少条

select * from student order by stuno limit 3;

select * from student order by stuno limit 2,7;

 

【MySQL 系列】MySQL 语句篇_DML 语句 DML(Data Manipulation Language),即数据操作语言,用于操作数据库对象中所包含的数据。常用关键字包括:插入(INSERT)、更新(UPDATE)、删除(DELETE)。 DML有助于管理数据库中的数据。通常用于从数据库中提取信息、修改现有数据或添加新数据。DML 与 DQL 语句是开发人员使用最频繁的操作。 阅读详情

相关推荐

杂货店商品数据集挖掘关联规则实验

(2)选择事务集中前100条事务,选择合适的支持度阈值,使用Apriori算法和FP-growth算法挖掘频繁项集(推荐使用mlxtend包的apriori和fpgrowth函数),并对比apriori算法和fpgrowth算法的时间复杂度;(比如用户1000在2015年3月15日对应的事务为{‘sausage’,’whole milk’,’semi-finished bread’,’yogurt’}),然后按照用户ID递增,时间递增的方式对事务进行排序;7. 排版工整自洽,图表标题准确(10分)

m0_62500122的博客 1441

MySQL基础之DML语句

DML 语句 DML(Data Manipulation Language)语句:数据操纵语句。 用途:用于添加、修改、删除和查询数据库记录,并检查数据完整性。 常用关键字:insert、update、delete、select等。 DML 操作的对象是库表的数据(记录)。 主要包括插入(insert)、更新(update)、删除(delete)和查询(select)。 DML 语句是开发人员使用最频繁的操作。 1.插入记录 插入一条记录 insert into tablename (f

qigeminghao的博客 2067

SAP接口错误查询日志

随着数字经济的迅速发展,企业数字化转型不在只追求“业财一体化”,而是在业务端也想要进行更为精细化的管理,所以很多企业在SAP ERP的基础上,集成更多垂直领域更精细的外围系统,比如销售CRM系统,采购SRM系统,生产MES系统等等,琳琅满目的产品,那对SAP实施来说,系统集成过程中,接口的一些报错查询能力必不可少,今天我们就介绍一下,SAP和CRM系统集成中接口常见的报错。

weixin_43657667的博客 2050

mysql中基本的DML语句

1. 数据操纵语言(Data Manipulation Language,DML) 由 DBMS 提供,用于让用户或程序员使用,实现对数据库中数据的操作。基本的 DML 分为两类四种:检索(查询)和更新(插入、删除、修改)。

zxj744021881的博客 1万+

STM32实战:5分钟搞定MXL90614红外测温模块的I2C驱动(附完整代码)

本文提供了一份快速集成MLX90614红外测温模块的STM32实战指南。通过详细的软件I2C驱动代码,重点解析了SMBus通信协议、CRC校验及温度数据转换,帮助开发者避开常见陷阱,实现5分钟内完成模块驱动并读取准确温度值。

wasm7browser的博客 354

Blender到Unreal Engine高效资产迁移:Datasmith插件工作流详解

在3D内容创作与实时渲染领域,数字资产的无损迁移是连接创意设计与最终呈现的关键环节。其核心原理在于通过高保真的数据转换管道,替代传统离散的导出-导入流程,从而保留完整的场景层级、材质属性和关联信息。这项技术的核心价值在于极大提升了跨平台工作流的效率与数据保真度,减少了因格式转换导致的信息丢失和调试成本。它广泛应用于建筑可视化、产品设计、影视预演和游戏开发等场景,使艺术家能在专业DCC工具中专注创作,并一键同步至实时引擎进行交互式渲染与逻辑构建。本文聚焦于实现这一流程的**Datasmith**插件,并深入解

weixin_34110970的博客 271

mysql基本语句:DML(数据操作语言)

DML语言 1、 INSERT ( 添加数据语句 ) 2、UPDATE ( 更新数据语句 ) 3、SQL中的运算符 4、DELETE ( 删除数据语句 )

qi341500的博客 5700

人工蜂群优化算法(ABC)详解:原理、实现与应用

人工蜂群算法(Artificial Bee Colony, ABC)是Karaboga于2005年提出的一种群体智能优化算法,其灵感来源于蜜蜂群体在自然界中高效的采蜜行为。该算法通过模拟雇佣蜂、观察蜂和侦察蜂三种角色的分工协作来寻找最优解。在ABC算法中,每个潜在的解决方案被视为一个“食物源”,其质量由适应度函数评估。雇佣蜂负责在已知优质食物源附近进行局部开采;观察蜂根据雇佣蜂分享的信息,以一定概率选择并跟进优质食物源;侦察蜂则随机探索新区域,防止种群陷入局部最优。

qq_42212808的博客 394

mysql之DML语句

DML语句 1、dml语句 什么是dml语句:DML:DATA MANIPULATION LANGUAGE(数据操纵语言),由INSERT、UPDATE、DELETE等语句构成,用来修改表中的数据。(数据操纵语言,可以更改表中的数据) 2、插入行到表中 insert INSERT [LOW_PRIORITY | DELAYED | HIGH_PRIORITY] [IGNORE] [INTO] tb...

weixin_42373127的博客 3406

80、编程学习资源与x86知识全解析

本文详细介绍了编程学习中多个领域的优秀书籍和博客资源,涵盖逆向工程、C/C++、x86/x86-64架构、ARM、汇编语言、Java、UNIX、密码学等多个方向。同时,深入解析了x86架构的核心知识,包括术语、通用寄存器、FPU寄存器、SIMD寄存器、调试寄存器以及常用指令的使用方法和操作步骤。通过本文,读者可以系统地掌握底层编程知识,并应用于逆向工程、系统开发和性能优化等领域。

tree的博客 222

vue+ThreeJS:从0 到1 搭建开发环境

本系列教程是在vue2.X的基础上加载threeJS程序,来开发各种示例程序。

大剑师兰特的GIS世界 2344

mysql学习-DML语句和DQL语句

DML语句: 增删改表中数据(很重要) 添加数据 语法: insert into 表名(列名1, 列名2,…列名n) values(值1, 值2,…,值n); 应该在插入单行的时候使用VALUES,在插入多行的时候使用VALUE, 这样速度比较快一点,不过两个都是对的. 插入多行是这样的: insert into student(name, age) value(‘a’, 1)(‘b’...

fanfan999的博客 836

vue2/3 - 【超详细】最新网站接入使用支付宝支付功能,点击支付跳转新页面后生成订单及支付二维码,实现支付宝在线付款详细的教程(整个支付的完整配置及支付流程,一键复制源码开箱即用)!

vue支付宝付款,vue支付宝支付,vue如何实现支付宝在线付款,vue网页pc项目接入支付宝支付,vue支付宝支付详细教程,vue2支付宝在线支付的详细示例代码,vue如何做支付宝付款,vue怎么实现支付宝的付款功能,vue调用支付宝进行付款支付,vue PC项目实现 支付宝支付,vue h5页面调用支付宝支付,vue页面唤起支付宝支付功能,vue支付宝支付跳转到新页面,vue如何跳转新开一页展示支付宝二维码支付,vue怎么新开页面进行支付宝在线支付,vue新页面支付宝支付功能,前端vue支付宝支付教程,

✅ 精选推荐文章 5733

MySQL---B站学习总结---DML语句

MySQL—B站学习总结—DML语句 DDL语句:库和表的管理 库的管理: 一、创建库 create database 库名 二、删除库 drop database 库名 表的管理: 1.创建表 CREATE TABLE IF NOT EXISTS stuinfo( 字段名 字段类型 【字段约束】, stuId INT, stuName VARCHAR(20), gender CHAR, bornDate DATETIME ); DESC stu

qq_39314972的博客 125

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

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

MySQL学习笔记_02DML语句

MySQL之DML、DCL语句 今天,进行对MySQL进行学习,首先分享一下感悟,我们为什么要学习数据库呢?此前我以学习Java后端开发为主,以Java为例,Java可以通过new对对象进行实例化操作并存入内存中,这种方式对数据的访问是十分快速的,但数据处于临时状态,不易保留。如果将数据通过IO流写入文件,数据得到了永久保存,但文件具有局限性,通常在本机使用,且对于数据的操作不方便,对于特定数据的查找和管理能力不强。 而数据库解决了上述问题,对数据进行永久的保存,对数据的查询速度快,且对数据的管理十分便

jdxbw_jgy的博客 294

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

MySQL学习2:DML语句

DML数据操纵语句,用于添加、删除、更新和查询数据库记录并检查数据完整性 插入记录 如果不在表名后面加括号写字段名后面的values就会按顺序依次赋值 单条插入 insert into 表名(字段1,字段2,字段3,...,字段n) values(值1,值2,值3,...,值n); 也可以不用指定字段名,但是values后面的顺序应该和字段的排序一致 多条插入 insert into 表名(字段1,字段2,字段3,...,字段n) values (值1,

Huamang的博客 261

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")

MySQL学习之路(3) - MySQL语句DML

目标: 1. 理解什么是存储引擎,为什么需要存储引擎。 2. 掌握常见存储引擎Innodb和MyISAM的优缺点及适用场景。 3. 掌握DML语句的增加INSERT、删除DELETE和TRUNCATE、更新UPDATE。 4. 理解逻辑删除和物理删除及不同业务场景如何选择删除的方式。 一、数据库储存引擎 (1)MySQL支持很多储存引擎,其中InnoDB和BDB支持事务安全,详细查询如下: 按键盘的win+r键,输入cmd,在输入框输入my...

Timeers的博客 232

mysql学习笔记 基本DML语句

DML:增删改表的数据 1.添加数据: 格式:insert into 表名(列名1,列名2,列名3…)values (值1,值2,值3…); 例如:insert into student(name,age,score) values('小明',18,99); 注意事项:列名和值要一一对应;列名可以省略不写 但是必须给每一个列赋值 例如:insert into student values('小明'...

qq_43227477的博客 306

MySQL学习笔记DDL/DML/DQL语句的AI学习

请帮我生成一个用户表,要求先给出建表语句,再给出插入语句,最后给出查询语句,豆包会返回对应的create开头select开头的SQL语句。

shotarohan的博客 58

MySQL学习笔记(2) - DML语句

常用的DDL语句使用方法简介具体步骤插入记录更新记录1.1.1 通过“服务”启动1.1.2 通过命令行窗口启动1.2 连接到MySQL服务器2. 具体操作2.1 创建数据库2.2 选择数据库2.2.1 创建表2.2.2 查看表2.2.3 修改表2.2.3 删除表2.3 查看数据库2.4 删除数据库 简介 DML(Data Manipulation Language)数据操纵语言:用于对数据库记录进...

weixin_43587255的博客 491

MYSQL学习系列--DML语句(二)

引言: 数据操纵语言(Data Manipulation Language, DML)是SQL语言中,负责对数据库对象运行数据访问工作的指令集,以INSERT、UPDATE、DELETE三种指令为核心,分别代表插入、更新与删除,是开发以数据为中心的应用程序必定会使用到的指令 实践操作 这篇是延续于上一篇更新写的,上一篇的文章:MYSQL学习系列--DML语句(一)我们上一次分别说了插入、更新、删除...

changmantong1045的博客 193

MySQL学习笔记DDL/DML/DQL的语句AI学习

【代码】MySQL学习笔记DDL/DML/DQL的语句AI学习。

2501_93734809的博客 394

MySQL学习笔记:吃透DDL、DML、DQL三类SQL语句

SQL语句是数据库操作的核心,日常开发中最常用的无非是DDL、DML、DQL三类。DDL负责定义表结构,如同搭建房屋框架;DML负责增删改数据,如同搬运与调整家具;DQL负责查询数据,如同对屋内物品进行清点。理解这三者的分工与原理,是系统掌握MySQL的基础。在实际工程中,合理的表结构设计、安全的事务控制、高效的查询优化都建立在对三类语句的深入理解之上。无论是刚入门的初学者,还是希望梳理知识体系的开发者,都可以通过分类学习、AI辅助验证、实测沉淀笔记的方式,将零散语法转化为可复用的知识框架。本文围绕MySQ

weixin_30516429的博客 322

MySQL表单操作学习DDL_DML_DQL语句

数据库名称为【schoolDB】,字符集【utf8】,排序规则【utf8_general_ci】。

2302_81555021的博客 663

MySQL 系统学习系列 - SQL 语句 DML 语句的使用《MySQL系列篇-02》

该 MySQL 系列文章每一部分的内容都非常重要,我结合了个人使用总结及相应笔记对 MySQL 进行按语句模块进行划分,非常适合一点一点看文章结合实践来学习下去(整个系列学完后开发常用 SQL 语句不成问题)

qq_73220073的博客 799
上一篇: Mysql学习---DDL语句
下一篇: Mysql学习---DML语句(函数)聚合查询&having过滤查询
珊珊333333
博客等级 码龄17年 83粉丝 1375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