SQL Server高级内容之子查询和表链接

SQL操作全集(包括:随机选择记录;四表联查问题;in 的使用方法;外连接查询;子查询等等) 随机选择记录;四表联查问题;in 的使用方法;外连接查询;子查询等等 立即下载

1.子查询概念

   (1)就是在查询的where子句中的判断依据是另一个查询的结果,如此就构成了一个外部的查询和一个内部的查询,这个内部的查询就是自查询。

   (2)自查询的分类

  1)独立子查询

     ->独立单值(标量)子查询  (=)

复制代码
 1 Select
 2 
 3     testID,stuID,testBase,testBeyond,testPro 
 4 
 5 from Score
 6 
 7     where stuID=(
 8     
 9         select stuID from Student where stuName=’Kencery’
10 
11        )
复制代码

   ->独立多值子查询  (in)

复制代码
 1 Select
 2 
 3     testID,stuID,testBase,testBeyond,testPro 
 4 
 5 from Score
 6 
 7     where stuID in(
 8 
 9         select stuID from Student where stuName=’Kencery’
10 
11     )
复制代码

   2)相关子查询

   (3)写子查询的注意事项

  1)子查询用一个圆括号阔气,有必要的时候需要为表取别名,使用“as 名字”即可。

2.表连接\

  (1)表链接就是将多个表合成为一个表,但是不是向union一样做结果集的合并操作,但是表链接可以将不同的表合并,并且共享字段。

  (2)表连接之交叉连接 (cross join)

    1)创建两张表

复制代码
 1  use Test
 2 
 3 go
 4 
 5 create table testNum1
 6 
 7 (
 8 
 9     Num1 int
10 
11 );
12 
13 create table testNum2
14 
15 (
16 
17     Num2 int
18 
19 );
20 
21 insert into testNum1 values(1),(2),(3)
22 
23 insert into testNum2 values(4),(5)
复制代码

    2) 执行交叉连接的SQL语句

      select * from testNum1 cross join testNum2

    3)注解

      交叉连接就是将第一张表中的所有数据与第二张表中的所有数据挨个匹配一次,构成一个新表。

    4)自交叉的实现

      执行插入SQL语句:

      insert into testNum1 values(4),(5),(6),(7),(8),(9),(0)

      执行自交叉的SQL语句:

      select t1.num1,t2.num2 from testNum1 as t1 cross join testNum2 as t2

    5)另外一种写法:

      select * from testNum1,testNum2不提倡使用,首先是有比较新的语法,缺陷是逗号不明确,并且这个语法与内连接和外连接都可以使用,如果使用join声明,那么语法错误的时候可以报错,但是使用这个语法,可能因为部分语法的错误,会被SQL Server解释为交叉连接而跳过这个语法的检查

   (3)表连接之内连接

     1)内链接是在交叉连接的基础之上添加一个约束条件

     2)语法:select * from 表1 inner join 表2 on 表1.字段=表2.字段

复制代码
 1 Select  s1.stuID,
 2 
 3     s1.stuName,
 4 
 5     s1.stuSex,
 6 
 7     s2.testBase,
 8 
 9     s2.testBeyond 
10 
11         from Student as s1
12 
13     inner join Score as s2
14 
15         on s1.stuID=s2.stuID
16 
17     where s1.stuIsDel=0;
复制代码

   (4)表连接之外连接

     1)执行下面的SQL语句

复制代码
 1 create table tblMain
 2 
 3 (
 4 
 5     ID int,
 6 
 7     name nvarchar(20),
 8 
 9     fid int
10 
11 );
12 
13 create table tblOther
14 
15 (
16 
17     ID int,
18 
19     name nvarchar(20)
20 
21 )
22 
23 insert into tblMain values(1,'张三',1),(2,'李四',2)
24 
25 insert into tblOther values(1,'C++'),(2,'.net'),(3,'java')
26 
27 select * from 
28 
29     tblMain as t1
30 
31        inner join 
32 
33     tblOther as t2
34 
35         on 
36 
37     t1.fid=t2.id 
复制代码

 

     2)在内连接的基础之上,在做一件事儿,就是将tblOther中的Java也显示出来,这时候就要使用到外连接,外连接有左外连接和右外连接。

     3)左连接和右连接有什么区别呢??区别就是**连接就是以**表为主表,在内连接的基础之上,将没有数据的那张表的信息还是要显示出来供用户查看,那么这个主表就是要显示的那张表。左外连接和右外连接的分别是在前面的这张表就是左表,在后面的那张表就是右表,左连接使用left join ,有连接使用right join。

     4)上面重新执行下面的SQL语句,就会显示出tblOther表中的Java。

复制代码
1 select * from 
2 
3     tblMain as t1
4 
5         right join tblOther as t2
6 
7     on t1.fid=t2.id 
复制代码

 

本文转载自:http://www.hello-code.com

SQL Server高级内容之子查询和表链接概述及使用 子查询就是在查询的where子句中的判断依据是另一个查询的结果,表链接就是将多个表合成为一个表,但是不是向union一样做结果集的合并操作,但是表链接可以将不同的表合并,并且共享字段,感兴趣的你可以了解下本 立即下载

相关推荐

SQL临时表递归查询子信息并返回记录的代码

代码如下: declare @Q_ID uniqueidentifier set @Q_ID = dbo.uf_GetParamValueByName(@Params,’@指标ID’); declare @QAExp_ID char(36) –指标属性公式ID set @QAExp_ID=’3D2B8F3F-0B7E-46FD-9B33-050F846C2869′ declare @temp_qid table(QID char(36),ExpValue nvarchar(max)) –临时表变量获得指标根ID declare @QIDtemp char(36),@express nvarch

SQL Server 子查询使用详细与性能问题

子查询是嵌套在其他SQL查询中的查询。它是一个完整的SELECT语句,并且可以返回单个值、一列值或者一个结果集。子查询在执行时先于外部查询执行,外部查询可以使用子查询返回的结果来进一步筛选、计算等操作。

weixin_39604653的博客 1751

保姆级教程:用Unidbg搞定阿里系App的x-sign和长x-mini-wua签名(附完整Java代码)

本文详细介绍了如何使用Unidbg框架模拟执行阿里系App的原生库,生成关键的x-sign和x-mini-wua签名参数。通过完整的Java代码示例和实战技巧,帮助开发者高效实现签名算法,适用于安全研究、数据分析和第三方应用开发场景。

weixin_29243279的博客 486

SQL Server链接表和子查询

SQL Server链接表和子查询 一、 介绍: 在关系数据中,数据分布在多个逻辑表中时,要获取完整且有意义的数据时,就需要使用链接来查询这些表中的数据,在SQL Server数据库中拥有多种连接方式,有内连接、左连接、右链接、全外链接以及交叉链接,每种的链接类型指定SQL Server如何使用查询一个表中的数据来选择另一个表中的数据。 二、 内连接 内连接是SQL Server数据库中最常用的链接之一。内部链接子句用来查询来自两个或者多个相关表的数据,且其子句inner join将表1的每一行和表2的每一

xiaochen020425的博客 785

自然二进制数与格雷码的相互转换

自然二进制数与格雷码两者优势: 自然二进制数的编码方式简单明了,容易理解,在加减运算中能够直接进行,同时十分方便进行一些位运算操作(如移位、取反等)。 格雷码计数时只有一位变化,可有效减少计数器状态的冗余转换,同时在传输数据时能够减小传输错误的概率,此外带权重编码处理更加方便。 在一定程度上自然二进制数与格雷码优缺点基本相反,综上所述,自然二进制数和格雷码各有优劣之处,需要根据具体应用场景选择合适的编码方式。简单来说,在计数器和编码器中,倾向于使用格雷码;而在进行加减运算时,则倾向于使用自然二进制数。

Loudrs的博客 7494

【硬件自锁开关】用两个D触发器完成实用的自锁开关电路

性价比是做电子设计的人要考虑的事,在学会了用单片机解决大多数问题的时候,是否你也想过用简单的手段解决一个多数场合要解决的问题呢?按一下,输出状态由关闭变成开启,再按一下开启变成关闭。机械弹簧式的开关可以实现自锁的功能:钩子和弹簧将当前状态“储存”起来,这个能量为下一次触发的提供状态“翻转”的动力;在电子设计中,经常通过单片机的程序指令实现自锁:通过寄存器将当前电平状态暂存起来,下一次触发的时候寄存器内容“取反”,再将其输出到端口。可否用电路实现以上过程呢?完全可以,方案很简单,通过两个D触发器即可实现。

qq_33175704的博客 4261

SQL学习笔记(05)——连接查询、自关联、子查询

内连接:连接两个表时,取的是两个表中都存在的数据。(取交集)左连接:连接两个表时,取的是左表中特有的数据,对于右表中不存在的数据,用null来填充。右连接:连接两个表时,取的是右表中特有的数据,对于左表中不存在的数据,用null来填充。

雨轩GodLike的博客 2307

基于高光谱的物质反演与分类 — 技术文章(原理详解 + 深度代码实现)

高光谱遥感 / 近场光谱采集产生逐像素上百波段的光谱曲线,是物质识别与定量反演(abundance / composition estimation)和语义分类(landcover / material class)的一把利器。本文第一部分对常用模型(线性混合模型、非线性辐射传输、稀疏反演、降维与特征选择、分类器/神经网络)进行数学推导与理论分析;第二部分给出两套完整实现:A. 基于 LMM 的约束最小二乘 / 稀疏反演流水线(含端到端评估);

VectorShift的博客 220

sql多表连接查询与子查询

SELECT语句中不设置连接条件,FROM语句中填入多张表名会和连接,两张表以此可以得到。

Webber_leaf的博客 4406

外部PLC触发VisionMaster多流程运行

上一讲,介绍了海康VisionMaster与西门子PLC1200进行S7通信。在前一讲的基础上,讲解如何通过PLC触发,实现VisionMaster的多流程运行。

haier123888的博客 4653

Python爬虫实战:百度贴吧帖子与评论抓取全攻略(附舆情分析技巧)

基础配置# 要爬取的贴吧名称(替换成自己需要的,比如“XX手游吧”)TIEBA_NAME = "XX手游"# 分页参数(每页50条帖子,可根据需求调整)PAGE_NUM = 3 # 爬取前3页帖子,共150条# 请求头(从浏览器复制自己的,更真实)Win64;

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 2387

SQL Server高级内容:子查询和表链接

表链接就像连接两张数据表的连线,线的两端是分别在两张表的特定字段上的。今天我们就将谈到表链接和子查询。 1.子查询概念  (1)就是在查询的where子句中的判断依据是另一个查询的结果,如此就构成了一个外部的查询和一个内部的查询,这个内部的查询就是自查询。  (2)自查询的分类 1)独立子查询 ->独立单值(标量)子查询  (=)   Sele

tansuwei1984的专栏 785

YOLO26优化:注意力魔改 | 用于微小目标检测的上下文增强和特征细化网络ContextAggregation,助力小目标检测,暴力涨点

用于微小目标检测的上下文增强和特征细化网络ContextAggregation,助力小目标检测

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 490

SQL Server Form子查询、链接查询

所用数据表:用户,钱包,订单 一、from子查询 --查询钱包里金额大于30000 select * from Users where exists (select User_ID from Wallets where Money > 30000 and User_ID = Users.ID) select * from Users where ID in (select U...

weixin_30919235的博客 758

多天线技术:5G波束成形&空间复用&空时编码

以提升信号的可靠性。然而,在20世纪90年代中期,研究者们惊讶地发现,多天线技术不仅仅提供分集增益,还可以开启一些单天线系统无法实现的新机遇。,我们可以将信道矩阵 ( H ) 视为一个满秩矩阵,则理论上可以建立min(𝑁𝑇,𝑁𝑅)个独立的数据流,形成一个。波束成形是5G物理层的核心技术,其本质是利用多个天线来增强特定方向上的信号,同时抑制干扰方向的信号。:物理波束成形 = 🔦 类似手电筒的聚焦光束,虚拟波束成形 = 🌊 类似水波的相干叠加。随着 5G 和 6G 时代的到来,多天线技术的作用愈发重

weixin_43199439的博客 1389

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

学习SQL Server这一篇就够了

目录第一章 数据库概述1.1、数据库的好处1.2、数据库的常见概念1.3、数据库的存储特点1.4、数据库的常见分类1.5、SQL语言的分类第二章 SQL Server概述2.1、SQL Server的概述2.2、SQL Server的下载2.3、SQL Server的安装2.4、SQL Server的第一种连接2.5、SQL Server的第二种连接2.6、SQL Server的连接说明第三章 SQL Server数据库管理3.1、创建数据库3.1.1、界面方式3.1.2、命令方式3.2、修改数据库3.2.

轻松的小希 6万+

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

多表连接查询与子查询

多表连接查询和子查询 一、连接查询 1.1使用无连接规则连接两表 所谓无连接规则连接,就是指两个表的SELECT语句中不设置任何连接条件,这样的到的链接结果是第一个表的每一行都会和第二个表的所有行进行连接,即得到一个笛卡尔积。 SELECT * FROM STU_INFO,SCORE       1.2 使用有连接规则连接两表            有连接规则连接,其实就是在无连

牟尼的专栏 1万+

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

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")

SQL Server 子查询

仅个人记录学习

weixin_43888054的博客 662

mysql相关子查询_高级查询(嵌套查询)和(相关子查询)

SQL Server高级子查询1.子查询概念(1)就是在查询的where子句中的判断依据是另一个查询的结果,如此就构成了一个外部的查询和一个内部的查询,这个内部的查询就是自查询。(2)自查询的分类1)独立子查询 (查询的结果用=接收,只有一个值)->独立单值(标量)子查询(=)SelecttestID,stuID,testBase,testBeyond,testProfrom Scorew...

weixin_35294082的博客 526

oracle查询创建的所有表,使用子查询创建表(oracle)

转自:https://blog.youkuaiyun.com/lxh123456789asd/article/details/81164321语句:CREATE TABLE tablename[(column1,column2,column3.....]AS subquery;例子:1.create table tabletest as select * from emp where 1=2;这句话后面的wh...

weixin_31544577的博客 1155

SQL SERVER专题实验4 复杂查询

本关主要介绍的是概念性知识,因此测试以选择题的形式对本关介绍的知识进行测试。请参考后面的正确运行结果,使用嵌套查询的方案写T-SQL语句。请参考后面的正确运行结果,使用集合查询方案写T-SQL语句。5、关于基于派生表的查询,下面说法正确的有:(ABD)3、关于嵌套查询,下面说法正确的有:(ABCD)4、关于集合查询,下面说法正确的有:(ABCD)1、关于自身连接,下面说法正确的有:(ABC)2、关于自然连接,下面说法正确的有:(ABC)请参考后面的正确运行结果写T-SQL语句。

qq_45326829的博客 1万+
上一篇: SQL Server高级内容之case语法函数
下一篇: 事务嵌套,你懂多少
普通网友
博客等级 码龄14年 0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
 
 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