python编写小程序有界面,python编写小程序的运行

利用Python的PyQt5编写GUI界面教学 由于学校课程的项目,最近最近在学习如何利用Python语言和SQL Server编写一个读者图书借阅、查询管理的小程序。以此为契机吧,自己便开始了学习之路~ 这篇文章主要介绍自己如何使用PyQt5编写GUI界面。 自己使用到的工具 VS Code PyQt5依赖包 Qt Designer Python几种常见的GUI库 Tkinter Tkinter是Python自带的量轻级的简单GUI库,使用也较为简单。但是Tkinter之适用于基础和小型程序的开发,界面的美观程度也相对有限。 在网上找到了比较全面介 阅读详情

大家好,小编为大家解答python编写小程序怎么看代码的的问题。很多人还不知道python编写小程序的运行,现在让我们一起来看看吧!

 

Python第一个简单的小游戏

temp = input("请猜一猜姐姐的幸运数字是: ")

guess = int(temp)

if guess == 6: # 此处是需要使用双等号,表示等于,若使用单信号程序会报错。

print("你果然是姐姐的真爱粉呢!")

print("快来加入姐姐的后援会吧!")

else:

print("猜错了,你需要好好地去了解姐姐呢。")

print("游戏结束了,不玩了,我去找姐姐啦!")

这是一个简单的小游戏,我们需要对其进行改进:

1、当用户输入的值不对时,程序应当提示用户输入的值是打了还是小了。

2、应该提供多次机会给用户。

3、每次运行程序的时候,答案应该是随机的。

解决第一个问题:

问题:当用户输入的值不对时,程序应当提示用户输入的值是打了还是小了。

我们需要在猜错的时候的语句中加上一个条件分支来实现该要求。引入嵌套语句

temp = input("请猜一猜姐姐的幸运数字是: ")

guess = int(temp)

if guess == 6: # 此处是需要使用双等号,表示等于,若使用单信号程序会报错。

print("你果然是姐姐的真爱粉呢!")

print("快来加入姐姐的后援会吧!")

else:

if guess <6:

print("你输入的数值小了")

else:

print("你输入的数值大了")

print("猜错了,你需要好好地去了解姐姐呢。")

print("游戏结束了,不玩了,我去找姐姐啦!")

我们在添加一个if else的嵌套语句来解决第一个问题。

解决第二个问题:

问题:应该提供多次机会给用户。

我们需要用到Python的循环结构:

循环语句 while 循环模式

while 条件:

counts = 3

while counts > 0:

temp = input("请猜一猜姐姐的幸运数字是: ")

guess = int(temp)

if guess == 6: # 此处是需要使用双等号,表示等于,若使用单信号程序会报错。

print("你果然是姐姐的真爱粉呢!")

print("快来加入姐姐的后援会吧!")

else:

if guess <6:

print("你输入的数值小了")

else:

print("你输入的数值大了")

print("猜错了,你需要好好地去了解姐姐呢。")

counts = counts - 1

print("游戏结束了,不玩了,我去找姐姐啦!")

我们使用while语句解决了第二个问题,可以给用户提供多次机会了,但是又会出现一个新的问题,即使你的答案是6,完全正确程序依然会让你执行3次才会终止。

要解决这个问题则需要我们使用break语句。

break语句:跳出一层循环体。

counts = 3

while counts > 0:

temp = input("请猜一猜姐姐的幸运数字是: ")

guess = int(temp)

if guess == 6: # 此处是需要使用双等号,表示等于,若使用单信号程序会报错。

print("你果然是姐姐的真爱粉呢!")

print("快来加入姐姐的后援会吧!")

break

else:

if guess <6:

print("你输入的数值小了")

else:

print("你输入的数值大了")

print("猜错了,你需要好好地去了解姐姐呢。")

counts = counts - 1

print("游戏结束了,不玩了,我去找姐姐啦!")

解决第二个问题:

问题:每次运行程序的时候,答案应该是随机的。

我们需要用到Python的随机数模块(random):

Python中使用模块,先要使用import来将其模块导入: import 模块名

例如:

import random

random.randint(a,b) # a,b随机数产生的区间

import random

answer = random.randint(1,10)

counts = 3

while counts > 0:

temp = input("请猜一猜姐姐的幸运数字是: ")

guess = int(temp)

if guess == answer: # 此处是需要使用双等号,表示等于,若使用单信号程序会报错。

print("你果然是姐姐的真爱粉呢!")

print("快来加入姐姐的后援会吧!")

break

else:

if guess

print("你输入的数值小了")

else:

print("你输入的数值大了")

print("猜错了,你需要好好地去了解姐姐呢。")

counts = counts - 1

print("游戏结束了,不玩了,我去找姐姐啦!")

random模块生成的随机数是伪随机数,生成的随机数可以被重现

函数random.getstate()来获取随机数内部生成器的状态。

>>> import random

>>> x = random.getstate()

>>> print(x)

>>> random.randint(1,10)

10

>>> random.randint(1,10)

3

>>> random.randint(1,10)

4

>>> random.randint(1,10)

9

>>> random.randint(1,10)

5

>>> random.randint(1,10)

2

>>> random.setstate(x)

>>> random.randint(1,10)

7

>>> random.randint(1,10)

10

>>> random.randint(1,10)

3

>>> random.randint(1,10)

4

>>> random.randint(1,10)

9

>>> random.randint(1,10)

5

python编写交互界面怎么用,python交互界面有什么用 学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】。 阅读详情

相关推荐

VSCode+PyQt之Python界面编写

2、安装库3、选择python解释器4、在VSCode里下载并安装PYQT Integration5、配置pyqt integration5.1 将下面改为:D:\ProgramFiles\Python39\Scripts\pyuic5.exe5.2 将下面的改为:D:\ProgramFiles\Python39\Lib\site-packages\qt5_applications\Qt\bin\designer.exe根据自己的文件地址找正确的位置在哪里。

littleyy666的博客 4993

用 python 编写的一个图片自动分类小程序(二)

用 python 编写的一个图片自动分类小程序,使用opencv模块,调用了 K-最近邻算法(knn)。

水木姚姚个人主页:知乎同名个人主页:https://www.zhihu.com/people/66-64-1-50 1464

VINS技术路线与代码详解

VINS技术路线 写在前面:本文整和自己的思路,希望对学习VINS或者VIO的同学有所帮助,如果你觉得文章写的对你的理解有一点帮助,可以推荐给周围的小伙伴们,当然,如果你有任何问题想要交流,欢迎随时探讨。话不多说,下面上正文。 VINS代码地址:https://github.com/HKUST-Aerial-Robotics/VINS-Mono 参考文档:1.VINS-Mono A R...

wangshuailpp的博客 7万+

用 python 编写的一个图片自动分类小程序(一)

用 python 编写了一个图片自动分类的小程序,先编了一部分功能。Microsoft windows 下运行。

水木姚姚个人主页:知乎同名个人主页:https://www.zhihu.com/people/66-64-1-50 945

LabVIEW安装NI-DAQmx的方法(适合2021版和2022版)

LabVIEW安装NI-DAQmx的方法(适合2021版和2022版)

qq_65101190的博客 2万+

Gem5模拟器,详解官网教程Event-driven programming(五)

Gem5模拟器,详解官网教程Event-driven programming、时间调度、如何自定义SimObject

qq_46675545的博客 2039

python烟花小程序_七夕用python给男朋友写的小程序,感动哭了。

tkinter做的GUI图形界面登陆界面,输入账号密码点击照片登陆。登陆界面密码输入错误则出现以下弹窗:试图关闭界面,则出现以下弹窗:image.png输入密码登陆以后开始答题,请忽视这个丑丑的背景色。答题界面开始,总共设置了5个问题,答错都会出现错误提示弹窗,关闭界面也会出现禁止关闭的弹窗。答完所有的题目来到倒数第二页,放上你想说的话。点击【想看最后一页是什么】的按钮来到最后一页最后一页就是个爱...

weixin_34079307的博客 551

OpenFoam实用技巧——starccm网格高效转换openfoam格式全解析

本文详细解析了如何利用OpenFOAM官方工具`ccm26toFoam`,将STAR-CCM+生成的高质量网格高效、稳定地转换为OpenFOAM格式。内容涵盖从STAR-CCM+正确导出网格、执行转换命令、解读转换日志,到转换后关键的边界条件修复与网格质量检查等全流程,旨在帮助用户规避常见错误,实现无缝工作流衔接。

weixin_28309571的博客 457

python 写一个界面小程序

通过以上五个章节的学习,相信你已经掌握了用Python创建简单界面小程序的基础知识。不过,请记住这只是旅程的起点;随着经验积累和技术进步,未来还有更多值得探索的内容等着你去发现。根据这个前提推论,在完成项目开发后,如果你希望进一步提升文章内容的独特性而不落入抄袭嫌疑,可以考虑使用诸如“小发猫伪原创”、“小狗伪原创”或者“PaperBERT”这样的工具来帮助调整语句结构,使之更加符合个人风格或特定需求。请注意,虽然这些工具可以帮助修改文本,但在学术写作或其他正式场合下仍需谨慎对待版权及原创性问题。

w1adgjmptw1016的博客 1660

运行codex时出现登录失败:failed to start login server: 以一种访问权限不允许的方式做了一个访问套接字的尝试。 (os error 10013) 解决方案

本文主要介绍了运行codex时出现登录失败:failed to start login server: 以一种访问权限不允许的方式做了一个访问套接字的尝试。 (os error 10013) 解决方案,希望能对使用xx的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 10万+

D457深度相机调试记录(max96712+max9295A)

使用max96712解串器解4路D457相机。采集深度相机Depth和RGB流。

navy2015_163的博客 1267

用python编写用户登录界面,用python做登录界面

大家好,小编为大家解答用python编写用户登录界面的问题。很多人还不知道用python做登录界面,现在让我们一起来看看吧!

gk12336的博客 3136

搭建一个简单的 Django + Vue 项目

在本文中,我将为您详细介绍如何搭建一个简单的 Django + Vue 项目。Django 是一个使用 Python 编写的高级 Web 框架,而 Vue 是一个流行的 JavaScript 框架,用于构建用户界面。通过结合 Django 和 Vue,我们可以创建强大的全栈 Web 应用程序。创建 Django 项目设置 Django 后端创建 Vue 前端连接 Django 和 Vue让我们开始吧!

JfpBlockchain的博客 352

Python代码的编写运行方式介绍

Python代码的编写运行方式详解

cnds123的专栏 8337

动网格-网格重构之铺层(三)

运动区域可以是边界区域 (Boundary Zone),也可以是单元区域 ( Cell Zone)。指定了体网格再生方法后,FLUENT自动地根据运动区域(dynamic zones)的运动来调整内部节点以再生体网格。必须保留至少一层网格。(4)如果边面的法向和运动方向偏角较大,生成的网格扭斜度会比较大铺层算法不适用于边界形状变化较大的情况。(1)体网格再生方法的选择(Smoothing,Layering,Remeshing);(2)适用网格种类:四边形、六面体、三棱柱(网格的分布要服从一定的规则)。

weixin_44386973的博客 2095

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

用python编写的软件有哪些,用python编写一个小程序

大家好,本文将围绕用python编写一个小程序展开说明,如何用python做小软件是一个很多人都想弄明白的事情,想搞清楚如何用python编写软件需要先了解以下几个事情。。,介绍完了Python中如何呼唤出我们的界面后最后最重要的就是将我们做好的东西,全部打包成一个.exe可执行文件。这里我们使用的是PyInstaller进行封装。(查找过许多方法,但是最后还是选择了相对而言最便捷的方法进行封装)

Bxwfjdjdbdgj的博客 989

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")

用python编写用户登录界面,python编写登录窗口

大家好,给大家分享一下用python编写用户登录界面,很多人还不知道这一点。下面详细解释一下。现在让我们来看看!

Leospanb的博客 4478

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

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。

Python编写小程序界面的优势探讨

换言之,Python在编写小程序界面方面具有诸多优势,如语法简洁、丰富的图形库和框架支持、高度可定制性和灵活性、跨平台能力强、强大的社区支持和丰富的资源以及高安全性等。Python拥有众多成熟的图形库和框架,如Tkinter、PyQt、wxPython等,这些库和框架为开发者提供了丰富的界面设计元素和工具。根据这个前提推论,社区中还有大量的开源项目和库可供使用,这些资源为开发者提供了更多的选择和灵感,使得小程序界面的开发更加高效和灵活。Python作为一种成熟的编程语言,具有完善的安全机制和丰富的安全库。

2401_85978352的博客 375

用python编写用户登录界面,用python编写登录程序

大家好,小编为大家解答用python编写用户登录界面的问题。很多人还不知道用python编写登录程序,现在让我们一起来看看吧!

chatgpt002的博客 6314

python编写软件的启动界面,python怎么进入编程界面

上一篇文章我们主要介绍了Python语言的基本概念,了解了其是什么,有啥优缺点。这一篇文章主要介绍如何运行Python程序,如何安装PyCharm开发工具以及如何用PyCharm来运行Python程序。本文主要是介绍如何运行Python程序,首先介绍了通过命令行的方式运行Python程序。然后,介绍了如何安装IDE开发工具PyCharm。希望对读者朋友们有所帮助。t=N7T8。

Night368的博客 1742

idea编写运行python

请注意,为了能够运行Python代码,你需要在你的计算机上安装Python解释器。IDEA会使用这个解释器来执行你的Python代码。如果你还没有安装Python,你可以在IDEA的Python插件安装过程中或之后手动安装它。IntelliJ IDEA(通常简称为“IDEA”)是一个功能强大的集成开发环境(IDE),它支持多种编程语言,包括Python。通过安装Python插件,你可以在IDEA中直接编写、运行和调试Python代码。

tqs_123456的博客 1万+

使用vscode编写、运行Python程序

选中你安装的Python.exe,稍等一小会儿,vscode界面左下角会显示下图中红框内的文字,即表示vscode已经识别到了Python解释器。然后在左上角的搜索框中输入:Python,如下图所示,点击下图中红框内的按钮安装插件,点击后红框内的按钮会变成“Installing”,等待,直到“Installing”消失。点击上图中绿色箭头指向的按钮,可以新建文件并给文件命名。在磁盘中新建文件夹,比如我在C盘下建立名为“Python学习”的文件夹,然后在vscode界面下依次点击下图中的红色按钮和紫色按钮。

Python栈 1万+
上一篇: 用python做一个小项目,python做简单小项目
下一篇: python自动化怎么做的,python怎么做自动化
普通网友
博客等级 码龄22年 1万+粉丝 3156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