超全sql语句(实干派)持续更新

【持续更新】Leetcode SQL题目全解析(附建表sql) Leetcode SQL题目解析I越前须知(雾)题目Q & A175 组合两个表181 超过经理收入的员工182 查找重复电子邮箱183 从不订购的用户197 上升的温度595 超过5名学生的课1068 & 1069 产品销售1303 查询团队人数 越前须知(雾) 本系列将详解Leetcode的SQL题库(附建表语句),采用DBMS为MySQL。 本系列仅提供博主个人解法,均经过MySQL检验,且解法有对应注意点,请放心食用。 本系列适合从入门到进阶选手;若希望系统学习SQL进阶知识,请移 阅读详情

操作数据

查询

  1. 基础查询语句:
查询全部
SELECT  * FROM 表名称 

查询一些字段
SELECT  字段1,字段2  FROM 表名称 

条件查询
SELECT  * FROM 表名称  where 字段名

排序查询
SELECT  * FROM 表名称 order by 字段名

分组查询
SELECT  聚合函数 FROM 表名称 group by 字段名
[例子](https://www.runoob.com/mysql/mysql-group-by-statement.html)
having 在 <分组查询的结果> 上进行筛选操作
例子:在女生中选出年龄超过20岁的总人数
select sex,count(1) from study group by sex having sex > 20

查询一条
SELECT  * FROM 表名称  limit 1

查询几条
SELECT  * FROM 表名称  limit 1,10
SELECT  * FROM 表名称  between 1 and 10
SELECT  * FROM 表名称  in(1,10)

模糊查询
SELECT 字段 FROM 表 WHERE (某字段 Like 条件)
条件:通配符
():表示整体

插入数据

INSERT INTO table_name 
  ( field1, field2,...fieldN )
VALUES
  ( value1, value2,...valueN )

更新数据

UPDATE table_name 
 SET 
	field1=new-value1, 
	field2=new-value2
[WHERE Clause]     更新数据:可以更新多个字段,也可以按条件更新

删除数据

DELETE FROM `user_2` WHERE `id` = 11

常见聚合函数

sum avg count max min   空值不计算	

over()开窗函数:将聚合函数的查询结果还原到原来的表中,写在聚合函数的后面
rand()产生随机数
sin cos三角函数
cast()数据类型转换 + decimal(4,1)

联合查询(重点)

操作数据库(数据表结构)

创建
create database demo创建名为xx的数据库
use xx 更改当前的用户
drop database demo 删除xx数据库

  1. 表结构
创建名为user的表,表中有字段名,与数据类型用逗号隔开
create table user
(number int primary key, name char(50) ..............)


drop table user 删除xx表中的数据同时删除表
delete from user [WHERE Clause] 删除xx表中的数据一行或全部数据但不删除表 	

控制表中的字段
1.alter table xx add '字段名及数据类型'   增加字段(列)

2.alter table xx alter column '字段名及类型'    修改字段的类型

3.alter  table xx drop column ''字段名‘’ 删除xx表中的字段
  1. 增加字段的限制
    一般分为五个约束
    主键约束:数据唯一
    唯一约束:要求该列唯一,允许为空,但只能出现一个空值。
    检查约束:检查字段是否符合条件
    默认约束:设置字段的默认值
    外键约束:用于在两表之间建立关系需要制定引用主表的哪一列。
1.primary key 主键约束

	alter table 表名
	add 
	constraint PK_表名_字段名 primary key(字段名);
	
2.foreign key 外键约束   
	alter table Stu_PkFk_Sc 
	add constraint Fk_s foreign key (sno) 
	references Stu_PkFk_S(sno) 

3.unique  唯一约束	说明:此字段不能出现重复
	alter table 表名
	add
	constraint UQ_表名_字段名 unique(字段);
	
4.check  检查约束	例:年龄
	alter table 表名
	add
	constraint CK_表名_字段名 check(表达式);
	//表达式是一些判断的规则
	stuAge>=0 and stuAge<=150 or stuAge is null	连接多个条件使用and和or
			
5.default 默认约束   例:性别
	alter table 表名
	add
	constraint DF_表名_字段名 default(值) for 字段;
not null 不为空
求一个点到任意两个点所在直线距离 C#代码公式 求点C(X0,Y0) 到点A(x1,y1)和点B(x2,y2)所在直线的距离 1.已知任意两个点,求这两个点所在直线 已知点A(x1,y1),点B(x2,y2) 设直线上另外任意一个点为(x,y) 那么 (x-x1)/(y-y1) = (x2-x1)/(y2-y1); 整理后得方程: (y2-y1)x + (x1-x2)y + (y1-... 阅读详情

相关推荐

从压电传感器到示波器:手把手教你用CA3140搭建电荷放大器(含PCB布局与调零技巧)

本文详细介绍了如何使用CA3140运算放大器搭建专业级电荷放大器,从压电传感器信号特性分析到PCB布局与调零技巧,全程实战演示。重点解析了CA3140的低通滤波器设计、反馈网络参数计算及抗干扰增强方案,帮助电子爱好者高效实现微弱电荷信号的稳定转换与测量。

weixin_31355483的博客 597

SQL超全基础知识点汇总---篇一(持续更新中)

本文涉及SQL语言分类、规则规范、SELECT语句、运算符四大模块知识点汇总,包含理论知识和代码实操,是数据库专栏SQL知识点汇总的第一篇。

2503_90543222的博客 2174

FusionCompute8.0.0实战指南:从零部署CNA与VRM环境

本文以华为FusionCompute 8.0.0为例,详细介绍了如何利用老旧硬件从零开始部署CNA计算节点与VRM管理节点的完整实战指南。内容涵盖实验环境准备、CNA安装与网络配置、VRM虚拟机部署方案对比,并提供了典型故障排查与性能调优技巧,帮助读者低成本构建可用的虚拟化学习环境。

weixin_29306317的博客 315

SQL注入语句笔记(很全,持续更新ing)

1.参数用户可控化:前端传递给后端的参数是用户可以控制的2.参数带入数据库查询:传入的参数拼接到SQL语句,且带入数据库查询sql注入常用知识:1.information_schema:表示所有信息,包括库、表、列2.information_schema.tables:记录所有表名信息的表3.information_schema.columns:记录所有列名信息的表4.table_schema:数据库的名称5.table_name:表名6.column_name:列名。

weixin_62512865的博客 1198

GLDAS数据高效处理指南:基于Matlab的NC4转GeoTIFF实战解析

本文提供了一份基于Matlab的GLDAS数据处理实战指南,详细解析了如何将NetCDF4格式的GLDAS数据高效、准确地批量转换为GIS友好的GeoTIFF格式。文章核心内容包括数据理解、环境搭建、核心代码逐步拆解、效率提升技巧以及常见避坑方案,旨在帮助全球生态、水文与气候领域的研究者打通数据预处理的关键环节,提升科研工作效率。

weixin_29094775的博客 311

R语言实战:5分钟搞定GEO单细胞数据(scRNA-seq)下载与整理(附完整代码)

本文详细介绍了如何使用R语言快速下载和整理GEO单细胞数据(scRNA-seq),提供完整的自动化处理代码。从环境准备、数据获取到文件整理和质量检查,涵盖10X Genomics标准格式及非标准数据的处理技巧,帮助生物信息学研究者高效完成数据预处理工作。

weixin_29054399的博客 604

sql优化的N种方法_持续更新

当你访问网站的时候,有的时候会慢的想让你砸电脑,这个时候服务器要背锅了吗? 不,要背锅的不仅仅是服务器,数据库也有很大责任,不负责任的sql开发者更会让你崩溃的.为了提高sql响应速度,还是好好了解下sql的优化吧 sql优化的方式 1: explain关键字 :使用explain关键字来查看当前sql语句的执行情况,来对症下药.因为内容较多,放在最后进行讲解 2: 正确的建立索引:索引的建立对sql的影响是非常大的,如果对索引不太理解的可以看我另一篇文章: ............

wang5701071的博客 8万+

光耦继电器电路分析

光耦电路的分析笔记

MingYue_SSS的博客 6881

【php】sql 常用语句(持续更新)

1、判断登录相等 2、注册 3、查询数据表 A 中 一列与 4、同时删除两个表中相同的数据

firstbird的博客 996

Linux磁盘扩容实战:用parted命令无损扩展/data分区(附常见报错解决方案)

本文详细介绍了在Linux生产环境中使用parted命令对已挂载的/data分区进行在线磁盘扩容的完整实战流程。通过风险评估、状态检查、parted工具深度解析及实战演练,指导用户安全完成动态扩容,并提供了常见报错如'Partition is being used'、MBR 2TB限制等的解决方案,确保业务不中断、数据不丢失。

weixin_29207439的博客 297

200_matlab处理NCEP数据并画全球彩色的风场图

200_matlab处理NCEP数据并画全球彩色的风场图。

miaobo0的博客 1240

MySQL常用SQL语句(持续更新中。。。)

1、新增语句 INSERT INTO table_name ( field1, field2,...fieldN ) VALUES ( value1, value2,...valueN ); 2、MySQL IFNULL函数 select IFNULL(expression_1,expression_2) from table; SQL 如果expression_1不为NULL,则IFNULL函数返回expression_1; 否则返回expression_2的结果。 3、se...

我真的睡不够 255

ARM学习 | 紧耦合存储器 (TCM)

TCM 是一种专用的片上存储器,直接与处理器核心耦合。确定性访问:由于不涉及缓存替换或一致性管理,访问延迟固定。高带宽:TCM 通常通过专用总线连接处理器核心,可以提供更高的数据吞吐率。用户管理:TCM 的分配和管理完全由开发者控制,不依赖硬件缓存策略。ARM 处理器中的 TCM 通常分为ITCM(指令紧耦合存储器)和DTCM(数据紧耦合存储器),分别用于存储指令和数据。TCM 是 ARM 处理器中不可忽视的重要特性,在实时系统和高性能嵌入式应用中具有重要地位。

qq_43167806的博客 3329

SQL注入—MYSQL基础语句(持续更新)附图

SQL注入—mysql基础语句 简介:常见的Web安全漏洞中,SQL注入利用和危害极大,通过其可以直接获取数据表的内容,从而获得Web站点的账号和密码,在学习SQL注入时,我们需要先对常见的数据库基础进行学习和了解。 MYSQL基础语句 一:数据库操作 1,在当前数据库管理系统中创建/删除数据库:create/drop dadabase websec; 2,查看当前数据库管理系统下所有数据库:show databases; 3,使用(进入)操作的数据库,use websec; 二:数据表操作 1,创建数据

weixin_44431280的博客 5905

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

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

常用sql 语句大全{持续更新中...}

select age, count(*) count_age from [TaskManagerSystem].[dbo].[prescription]where age between 1 and 50 //筛选年龄1-50岁,统计各年龄个数。select top 8 *from [TaskManagerSystem].[dbo].[prescription] WHERE Age in(20,18,35) //where条件后的前八个。UTF-8 编码中,一个英文字为一个字节,一个中文为三个字节。

qq_38151300的博客 1254

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.

常用SQL语句练习【持续更新】

mysql启动关闭 -- 启动/关闭Mysql数据库服务 net start mysql net stop mysql -- 登录/退出mysql服务器软件 mysql -uroot -p123 -- 连接他人的mysql mysql -hip地址 -u用户名 -p密码 mysql -host=127.0.0.1 -user=root -password=123456 -- mysql的退出 -- exit或者quit都可以在命令行退出mysql服务器软件,而不是关闭mysql服务。 DDL:数

你好啊cbw 2345

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持续更新中

问: 什么是SQL?答:结构化查询语言;其实就是定义了操作所有关系型数据库的规则。每一种数据库操作的方式存在不一样的地方,称为方言。通用语法-- 注释内容/* 注释 */SQL分类。

如无必要勿增实体 1656

常用SQL查询语句整理笔记【持续更新】

常用SQL查询语句整理笔记 查询表所有数据 SELECT * FROM myTable 查询指定学号学生的信息 SELECT * FROM myTable WHERE studentId=‘001’ IN关键字查询 SELECT name,age,height FROM myTable WHERE studentId in (‘001’,‘002’,‘003’) LIKE关键词模糊查询 ...

Together_CZ的博客 1267

Oracle常用sql语句记录 持续更新

常规表空间使用率查询 select to_char(sysdate,'yyyy-mm-dd hh24:mi:ss' ) from dual ; prompt ##########TABLESPACE set linesize 120 set pagesize 10000 col TABLESPACE format a20 SELECT A.TABLESPACE,A.tota...

Lizi_TT的博客 1424

【亲测免费】 掌握SQL语句的终极指南:SQL语句大全

掌握SQL语句的终极指南:SQL语句大全 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在数据库操作的世界里,SQL语句是连接开发者与数据之间的桥梁。无论你是数据库初学者,还是经验丰富的开发者,掌握SQL语句都是提升工作效率和数据处理能力的关键。为了帮助广大开发者更好地理解和运用SQL语句,我们推出了“SQL语句大全(很全)sql语句用法”项目。 这个项目不仅提供了详...

gitblog_06632的博客 488

【SQL系列】多表关联更新

💝💝💝欢迎来到我的博客,很高兴能够在这里和您见面!希望您在这里可以感受到一份轻松愉快的氛围,不仅可以获得有趣的内容和知识,也可以畅所欲言、分享您的想法和见解。非常期待和您一起在这个小小的网络世界里共同探索、学习和成长。💝💝💝 ✨✨ 欢迎订阅本专栏 ✨✨。

优快云站内信: https://i.youkuaiyun.com/#/msg/chat/qyj19920704 1万+

一些好用的C#和sql语句,持续更新

CHARINDEX(’-’,YH) 获取这个-是在第几位 len(‘hi,world!’) 获取字符串长度 SUBSTRING(YH,0,4) 截取字符串

qq_39218492的博客 480

SQL语句查询(持续更新中)

一、模糊查询 在要查询的变量前后添加 % 二、自主设计查询语句的小技巧 在where 后添加1 = 1

qq_42826747的博客 205

MongoDB 与 SQL 语句映射关系(持续更新中)

前序: 无论是刚开始接触mongodb,还是接触了一段时间的老用户,每次想写一个DML语句都觉得有点费劲, 因为mongo的语法确实与RDMS不一样,所以为了方便我也为了方便后人,故整理一下他们之间的对应关系 (会结合官网文档以及自己的一些实践总结,会持续更新。。。) SQL MongoDB database datab

逃跑的肉丸的博客 819

sql语句查询日期 持续更新

1、查询某一天的数据 select * from SJ_ZCFG_CQ where lrsj =to_date('2016-4-28','yyyy-mm-dd'); 2、查询时间段的数据 select * from SJ_ZCFG_CQ where lrsj between to_date('2016-4-1','yyyy-mm-dd') and to_date('2016-4-28','y

nvzizhou的专栏 691

SQL逻辑语句(持续更新example)

0 前言 在刚开始接触SQL的时候,觉得不就是几个命令嘛 select t1.xx from xxxx t1 join xxx t2 on t1.a = t2.a where t1.b = "xxx" group by t1.c having t1.d < xxx order by t1.e 对的,一般学MySQL这种数据库入门时,在书上和教程上可以学到的就这些,实际常用的应该也是这些...

xiaozhou的博客 1496
上一篇: TP5中的英雄model
下一篇: php简单的操作文件
new money
博客等级 码龄8年 777粉丝 37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