2019最全Python入门学习路线

Python最全学习路线 Python学习路线 阅读详情

今天接着给大家分享Python八大知识体系的最后三大体系以及在学习每个体系时需要学习的打野技巧(即各阶段需掌握的技能)。

(一)Python基础(佳)

(二)Python高级(企鹅)

(三)前端开发(裙)

(四)Web开发(2765)

(五)爬虫开发(824)

以上内容请查看上期分享。(34)

把括号的内容仔细看哟,可以零曲编程资辽

(六)自动化运维:

环境部署

代码发布流程手工代码发布

脚本代码发布shel运维快速入门

shel脚本与变量

shell常见命令进阶

shel流程控制

(七)数据挖掘与数据分析:

顺序表

栈,链表,队列

分组聚合

排序与索引

Series对象

树与树算法

Pandas绘图

DataFrame对象

DataFrame查询

数据操作、存取与统计

金融数据的分析和处理

数据可视化matplotlib

数据规整清理,转换与合并

科学计算numpy、 pandas

(八)人工智能:

特征工程

监督学习分类算法

Scikit-learn使用

模型选择与调优

历史数据、实时数据

多因子模型

量化交易策略

回测框架

量化交易平台项目实战

上述八大知识体系并不是都要掌握,而是看你将来的研究方向,当然有精力的话都掌握那更好不过了。然而光学不练不实践是耍流氓,下面介绍每个部分需要学会并加以实践的打野技巧。

(一)Python基础:

掌握基础语法编程能力

有编程思维以及面向对象程序设计思想

完成针对小问题的程序编写

完成小游戏程序的开发

(二)Python高级:

熟练使用Linux操作系统

熟练掌握网络编程相关技术

掌握并发处理以及数据库的相关操作

熟练掌握Web服务器原理以及框架原理

(三)前端开发:

根据UI设计开发Web前端页面

进行前端页面的性能优化

PC端和移动端页面的特效制作

和后台数据进行通信

(四)Web开发:

根据业务流程图完成Web网站后台开发

根据使用的Web框架开发对应的数据库

静态文件和缓存服务器的设计

能够开发负载均衡的高并发服务器

(五)爬虫开发:

掌握爬虫额工作原理和设计思想

掌握反爬机制和分布式数据采集

熟练理解Scrapy框架原理并且熟练使用

可以根据实际开发需求定制爬虫采集系统

(六)自动化运维:

掌握基础语法和shell编程能力

有编程思维以及面向对象程序设计思想

能够使用标准的shell命令进行运维工作

能够编写实际生产需要的脚本

(七)数据挖掘和数据分析:

熟练操作Jupyter Notebook和Matplotib

掌握数据挖掘工具的使用以及数据处理的方法大型多维数组(矩阵)上执行数值运算解决Scipy/Pandas/scikit-learn等科学计算

(八)人工智能:

了解机器学习算法原理

根据量化交易规则设计策

略熟练掌握深度学习算法和框架

了解图像识别原理以及检测的实现

可以实现深度学习模型的训练过程

以上就是Python八大知识体系以及所需实战技能,假如能把以上内容熟练掌握并加以应用,你将会是下一个最强王者哦。

吃得苦中苦,方为人上人。



作者:正在简书上学习
链接:https://www.jianshu.com/p/8d38e90331be
来源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。

华为数通---配置风暴控制案例 风暴控制可以通过阻塞报文或关闭端口来阻断广播、未知组播和未知单播报文的流量。 阅读详情

相关推荐

新手必看!BUUCTF-PWN题实战:从零搭建Kali环境到成功RIP栈溢出

本文为CTF二进制安全新手提供了一份详实的BUUCTF-PWN入门指南。内容涵盖从零搭建Kali Linux环境、安装配置pwntools等核心工具,到深入浅出地讲解栈溢出原理与汇编基础,并手把手带领读者完成一道名为“rip”的经典栈溢出题目实战,成功利用漏洞获取系统权限。

t8u9v0w1x的博客 505

全网最全的python学习路线图,帮你整理好了!

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。(全套教程文末领取哈)

m0_59163425的博客 1万+

NXP S32K3xx 多次复位(reset)后MCU跑死、崩溃、出错分析

s32k3出现多次复位后死机的情况

HeFlyYoung的博客 9515

Python学习路线,全网最全

最近几年随着互联网的发展学习Python人越来越多,Python的初学者总希望能够得到一份Python学习路线图,小编经过多方面汇总,总结出比较全套Python学习路线,快速上手。对于一个零基础的想学习python的朋友来说,学习方法很重要, 学习方法不对努力白费 一定要有一个正确的学习线路与方法。

Python栈 7843

DMTF相关协议(一):Redfish和SMBIOS

Redfish 是一种管理标准,使用超媒体 RESTful 接口中的数据模型表示。该模型以标准的、机器可读的模式表示,消息的有效负载以 JSON 表示。该协议本身利用了 OData v4。由于它是一个超媒体 API,因此能够通过一致的接口表示各种实现。它具有管理数据中心资源、处理事件、长时间任务和发现的机制。

weixin_44032634的博客 2269

[统计模型] 基于R的潜在剖面分析(LPA)

本文主要介绍基于R进行潜在剖面分析(Latent Profile Aanalysis, LPA)。 关于潜在类别分析LCA/潜在剖面分析LPA的概念和区别,可以参考一下这篇文章: 潜在类别分析LCA \潜在剖面分析LPA介绍https://www.jianshu.com/p/4c830094131e?utm_campaign=maleskine 但是此文对潜类别分析的阐释还比较生涩,而且没有具体的代码编写、模型优选等内容。本文旨在丰富LPA的内容,并希望和大家交流、共同进步。 1. 什么是潜类别分.

bigstar863的博客 1万+

看完这篇python学习路线图,你的Python入门基础就差不多了

全民学Python的话题铺天盖地,中国的Python学习者是全球第一,现在孩子都会,学习它来体现自身的价值? 所以,不论竞争者多少,建立自己强有力的竞争力才是关键。现在学Python的人越多,正代表着它成为编程界的国际通用语言大有可能。 基于此小编整理了一些Python学习路线图,我把它再次推荐给你! 打开百度APP,查看更多高清图片 对于想学习Python的人来说,幸运之处在于,现在比以前拥有更多的资源。但这也会增加筛选相关书籍、课程和其他资源的难度。而且,人们的学习方式都大相径庭——对一个人

MUMUBIANCHENG的博客 1550

【数据集】中国各类水文专业常用数据集合集

对中国各类水文专业常用数据集进行整理并总结

WW、forever的博客 9309

Python学习路径:从基础到精通

从基础语法入手,掌握数据结构与控制流,进阶学习函数与模块。随后深入面向对象编程,并探索Web开发、数据分析等领域。实践项目,参与社区,持续学习新技术。

byte轻骑兵的技术小窝 1万+

物联网通信中NB-IoT、Cat.1、LTE-M该如何选择?

首先我们要确定我们产品的关键需求,例如:我们的设备是否对数据传输速率有较高的要求,有较高要求我们就需要选择较高传输速率的Cat.1来开发我们的产品。同时关于产品性能方面,我们对功耗、延迟、可靠性也会有所要求,例如我们的产品为移动端产品,不方便布线以及安装电源,那我们就会采用电池供电的方式,所以在选择时可以优先考虑低功耗产品,最终结合其他需求选择出合适的协议。首先,我们需求的产品是不同的,我们需要根据产品需求或项目需求来进行选择,NB-IoT、Cat.1、Cat.M都有属于自己的优势。

a1809032425的博客 1217

扩充两个三维体积:ITK实现

在医学图像处理中,经常需要进行 3D 体积的操作,比如合并、分割等。而 ITK (Insight Segmentation and Registration Toolkit) 是一个常用的开源库,可以用于实现各种医学图像处理算法。这篇文章将介绍如何使用 ITK 实现扩充两个三维体积的操作。不过以上代码已经足够简单明了地演示了如何使用 ITK 实现扩充两个三维体积的操作。首先,我们需要准备两个三维体积的数据。这里假设这两个体积大小相同,并且已经加载到内存中了。来读取和保存体积数据,使用了。

CodeVorter的博客 205

史上最全Python学习路线

Python语言开发工具,内容覆盖了计算机原理、网络、Web前端、后端、架构、数据库、项目部署、数据获取、数据提取、数据清洗、数据分析、数据挖掘、机器学习、深度学习、图像识别等领域所需要的全部技术的最新前沿课程。Python语言开发工具,内容覆盖了计算机原理、网络、Web前端、后端、架构、数据库、项目部署、数据获取、数据提取、数据清洗、数据分析、数据挖掘、机器学习、深度学习、图像识别等领域所需要的全部技术的最新前沿课程。------------------------------------结尾。

Saki_Python的博客 3412

【24届数字IC秋招总结】正式批面试经验汇总6——禾赛

15、ahb写或者读的数据存储起来了嘛,ahb读的话,apb这边是怎样的。19、覆盖率收集的时候有没有哪些是很难收集到的,然后写了定向测试。2、C++有学过嘛 还记得C++的什么内容 C++成绩多少。12、config_db机制用过嘛 四个参数的含义。8、脚本语言有学过嘛 简单学过 简单是指代码数少嘛。13、run_phase和mian_phase的区别。10、覆盖机制的创建方法 ,是不是覆盖用的很少。6、call_back机制记得哪些细节的东西。9、uvm实战学了哪些章节 印象深刻的章节。

qq_42135020的博客 1089

2019最全Python入门学习路线,绝对是最全

近几年Python的受欢迎程度可谓是扶摇直上,当然了学习的人也是愈来愈多。一些学习Python的小白在学习初期,总希望能够得到一份Python学习路线图,小编经过多方汇总为大家汇总了一份Python学习路线图。 对于一个零基础的想学习python的朋友来说,学习方法很重要, 学习方法不对努力白费 一定要有一个正确的学习线路与方法 推荐下小编的Python学习q群;882492178,不管你是小白还...

weixin_34358092的博客 170

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

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

2019最全Python入门学习路线,不是我吹,绝对是最全

近几年Python的受欢迎程度可谓是扶摇直上,当然了学习的人也是愈来愈多。一些学习Python的小白在学习初期,总希望能够得到一份Python学习路线图,小编经过多方汇总为大家汇总了一份Python学习路线图。 对于一个零基础的想学习python的朋友来说,学习方法很重要, 学习方法不对努力白费 一定要有一个正确的学习线路与方法**创一个...

weixin_34318956的博客 146

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")

自学python推荐书籍2019-2019最全Python入门学习路线,不是我吹,绝对是最全

近几年Python的受欢迎程度可谓是扶摇直上,当然了学习的人也是愈来愈多。一些学习Python的小白在学习初期,总希望能够得到一份Python学习路线图,小编经过多方汇总为大家汇总了一份Python学习路线图。对于一个零基础的想学习python的朋友来说,学习方法很重要, 学习方法不对努力白费 一定要有一个正确的学习线路与方法**创一个小群,供大家学习交流聊天如果有对学python方面有什么疑惑问...

weixin_37988176的博客 118

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

python速成要多久2019-8-28_2019最全Python入门学习路线,不是我吹,绝对是最全

近几年Python的受欢迎程度可谓是扶摇直上,当然了学习的人也是愈来愈多。一些学习Python的小白在学习初期,总希望能够得到一份Python学习路线图,小编经过多方汇总为大家汇总了一份Python学习路线图。对于一个零基础的想学习python的朋友来说,学习方法很重要, 学习方法不对努力白费 一定要有一个正确的学习线路与方法**创一个小群,供大家学习交流聊天如果有对学python方面有什么疑惑问...

weixin_39925350的博客 88

python从入门到面试:超详细的学习路线,让你不走弯路

学习宝藏,建议收藏

weixin_58257948的博客 2092

2019最全Python学习路线

谈到学习路线,入门是基础课。基本上,熟练掌握Python入门指南即可。 其次,要想更进一步,需要熟读官方文档,掌握各种内置函数、标准库等知识。关于两者,英文不好的同学们可以关注圆方圆社区,里面的Python入门指南。关于Python的各种技巧,可以看《Effective Python:编写高质量Python代码的59个有效方法》这本书。 最近开始整理python的资料,博主建立了一个qq群,希望...

Dawyne_qiu的博客 344

Python 爬虫学习路线:从入门到精通

通过本文的学习路线,你可以从 Python 爬虫的入门到精通,逐步掌握爬虫的核心技能。无论是初学者还是资深开发者,爬虫技术都能为你打开一扇通往数据世界的大门!最后一个小幽默爬虫就像是互联网的“数据矿工”,每天都在挖掘数据的金矿。希望你能成为一个优秀的“数据矿工”,挖到属于自己的宝藏!如果你有任何问题或想法,欢迎在评论区留言讨论!

未来已来,AI时代,学AI编程,做AI量化,就来大鹏AI教育。 2192

2019最全学习路线

最近开始整理python的资料,博主建立了一个qq群,希望给大家提供一个交流的平台 78486745 。 谈到学习路线,入门是基础课。基本上,熟练掌握Python入门指南即可。 其次,要想更进一步,需要熟读官方文档,掌握各种内置函数、标准库等知识。关于两者,英文不好的同学们可以关注圆方圆社区,里面的Python入门指南。关于Python的各种技巧,可以看《Effective Python:编...

weixin_44604087的博客 160

2022最全Python入门学习路线,不是我吹,绝对是最全,不是你打我

2022最全Python入门学习路线,不是我吹,绝对是最全,不是你打我

一名正义的白帽黑客 222

不要再走弯路了2025最全的黑客入门学习路线在这

Web渗透阶段还是需要掌握一些必要的工具,主要要掌握的工具和平台:burp、AWVS、Appscan、Nessus、sqlmap、nmap、shodan、fofa、代理工具ssrs、hydra、medusa、airspoof等。自动化渗透需要掌握一门语言,且需要熟练运用,可以是任何一门自己已经掌握得很熟悉得语言,都可以,如果没有一门掌握很好的,那我推荐学习Python,最主要原因是学起来简单,模块也比较多,写一些脚本和工具非常方便。对于小白来说,有个人引导会比自学要高效的多,尤其是容易坚持不下去的小伙伴。

2401_85027792的博客 1225

不要再走弯路了,最全的黑客入门学习路线在这

在大多数的思维里总觉得学习网络安全得先收集资料、学习编程、学习计算机基础,这样不是不可以,但是这样学效率太低了!你要知道网络安全是一门技术,任何技术的学习一定是以实践为主的。也就是说很多的理论知识其实是可以在实践中去验证拓展的,这样学习比起你啃原理、啃书本要好理解很多。所以想要学习网络安全选对正确的学习方法很重要,这可以帮你少走很多弯路。因为如果你选择了一个低效的方法,也许别人都已经彻底学会了,你还停留在入门阶段。对于小白来说,有个人引导会比自学要高效的多,尤其是容易坚持不下去的小伙伴。

logic1001的博客 1059
上一篇: python干货|正则表达式
下一篇: PyCharm安装MicroPython插件(内附教程)
程序员林子
博客等级 码龄7年 369粉丝 149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