【Python】numpy库

最新推荐文章于 2024-07-27 17:39:19 发布
最新推荐文章于 2024-07-27 17:39:19 发布
阅读量473 收藏 1
点赞数
分类专栏： 编程语言 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Flowers_for_Algernon/article/details/108554094
版权

文章目录

简介

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，包括：

  1. 一个强大的N维数组对象 ndarray
  2. 广播功能函数
  3. 整合 C/C++/Fortran 代码的工具
  4. 线性代数、傅里叶变换、随机数生成等功能

Numpy 是 Scipy、Pandas 等数据处理或科学计算库的基础

Ndarray

定义

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引，每个元素在内存中都有相同存储大小的区域。ndarray 内部由以下内容组成：

  1. 一个指向数据的指针
  2. 数据类型或 dtype，描述在数组中的固定大小值的格子
  3. 一个表示数组形状（shape）的元组，表示各维度大小的元组。若 shape 为一个数字时，则表示一维数组的大小
  4. 一个跨度元组（stride），指为了前进到当前维度下一个元素需要“跨过”的字节数。跨度可以是负数，这样会使数组在内存中后向移动

ndarray 对象可以去掉元素间运算所需的循环，使得一维向量更想单个数据

# 计算 A*A + B*B，其中 A 和 B 是一维数组
import numpy as np

a = np.array([0, 1, 2, 3, 4])
b = np.array([9, 8, 7, 6, 5])
c = a**2 + b**2

ndarray 对象创建的一般形式为

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

# object：数组或嵌套的数列
# dtype：数组元素的数据类型，可选
# copy：对象是否需要复制，可选
# order：创建数组的样式，C 为行方向，F 为列方向，A 为任意方向（默认）
# subok：默认返回一个与基类类型一致的数组
# ndmin：指定生成数组的最小维度

数据类型

基本数据类型

numpy 支持的元素类型要比 Python 内置的类型要多，基本上可以和 C 语言的数据类型对应上

  • bool：布尔类型
  • int_：默认的整数类型
  • intc：与 C 语言中的 int 类型一致，一般为 int32 或 int64
  • intp：用于索引的整数，与 C 语言中 ssize_t 一致，为 int32 或 int64
  • int8、 int16、 int32、int64：分别为字节长度整数、16位长度整数、32位长度整数、64位长度整数
  • uint8、uint16、uint32、uint64：分别为8位无符号整数、16位无符号整数、32位无符号整数、64位无符号整数
  • float_：float64 类型的简写
  • float16、 float32、float64：分别为16位半精度浮点数（1位符号位，5位指数、10位尾数）、32位半精度浮点数（1位符号位，8位指数、23位尾数）、64位半精度浮点数（1位符号位，11位指数、52位尾数）
  • complex_：complex128 类型的简写
  • complex64、complex128：复数类型，实部和虚部大小各占一半

数据类型对象

数据类型对象是用来描述与数组对应的内存区域如何使用，这依赖如下几个方面：

  • 数据的类型（整数，浮点数或者 Python 对象）
  • 数据的大小（例如， 整数使用多少个字节存储）
  • 数据的字节顺序（小端法或大端法）。字节顺序是通过对数据类型预先设定"<“或”>“来决定的。”<“意味着小端法(最小值存储在最小的地址，即低位组放在最前面)。”>"意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。
  • 在结构化类型的情况下，字段的名称、每个字段的数据类型和每个字段所取的内存块的部分
  • 如果数据类型是子数组，它的形状和数据类型

dtype 对象创建的一般形式为

numpy.dtype(object, align, copy)

# object：要转换为的数据类型对象
# align：如果为 true，填充字段使其类似 C 的结构体
# copy：复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用

import numpy as np

dt = np.dtype(np.int32)
print(dt) # int32

# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
dt = np.dtype('<i4')
print(dt) # int32

student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])  
# 每个元组的第一个元素表示索引名称，第二个元素表示索引所指元素类型
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student) 
print(a['age']) # [21, 18]

每个内建类型都有一个唯一定义它的字符代码

  • b：布尔型
  • i：(有符号) 整型
  • u：无符号整型 integer
  • f：浮点型
  • c：复数浮点型
  • m：timedelta（时间间隔）
  • M：datetime（日期时间）
  • O：(Python) 对象
  • S, a：(byte-)字符串
  • U：Unicode
  • V：原始数据 (void)

数组属性

ndarray 对象的属性有

  • ndarray.ndim：秩（rank），它表示数组的维数。秩也是轴（axis）的数量，一维数组的秩为 1，二维数组的秩为 2。同时，第一个轴相当于是底层数组，第二个轴是底层数组里的数组。在对数组的操作中可以指明 axis，即表明操作遵循的方向，如 axis=0 表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1 表示沿着第1轴进行操作，即对每一行进行操作
  • ndarray.shape：数组的维度，对于矩阵为 n 行 m 列。它返回一个元组，这个元组的长度即为 ndim 属性。修改 ndarray.shape 属性可以用于调整数组大小，或者直接使用 reshape 函数，其参数为新的 shape
  • ndarray.size：数组元素的总个数，相当于 .shape 中 n*m 的值
  • ndarray.dtype：ndarray 对象的元素类型
  • ndarray.itemsize：ndarray 对象中每个元素的大小，以字节为单位
  • ndarray.flags：ndarray 对象的内存信息，包含以下属性，取值为 True 或 False：
    • C_CONTIGUOUS：数据是在一个单一的 C 风格的连续段中
    • F_CONTIGUOUS：数据是在一个单一的 Fortran 风格的连续段中
    • OWNDATA：数组拥有它所使用的内存或从另一个对象中借用它
    • WRITEABLE：数据区域可以被写入，将该值设置为 False，则数据为只读
    • ALIGNED：数据和所有元素都适当地对齐到硬件上
    • UPDATEIFCOPY：这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新
  • ndarray.real：ndarray元素的实部
  • ndarray.imag：ndarray 元素的虚部
  • ndarray.data：包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性

创建数组

直接创建

ndarray 数组除了可以使用底层 ndarray 构造器来创建外，也可以通过以下几种方式来直接创建

  • numpy.empty：创建一个数组，且数组元素为随机值，因为它们未初始化。一般形式为
numpy.empty(shape, dtype = float, order = 'C')

# shape：数组形状
# dtype：数据类型，可选
# order：有"C"和"F"两个选项，分别代表行优先和列优先，在计算机内存中的存储元素的顺序
  • numpy.zeros：创建指定大小的数组，数组元素以 0 来填充。一般形式为
numpy.zeros(shape, dtype = float, order = 'C')
  • numpy.ones：创建指定形状的数组，数组元素以 1 来填充。一般形式为
numpy.ones(shape, dtype = None, order = 'C')
  • numpy.eye：创建一个 n*n 单位矩阵，对角元素为1，其余为0。一般形式为
numpy.eye(N, M = None, k = 0, dtype = float, order = 'C')

# N：矩阵的行数
# M：矩阵的列数，可选
# k：k=0则主对角线元素为1，k>0 时则为主对角线上面第 k 条对角线元素为1；k<0 则为主对角线下面第 k 条对角线元素为1，如
# np.eye(3, k=1)
# array([[0.,  1.,  0.],
#        [0.,  0.,  1.],
#        [0.,  0.,  0.]])
  • numpy.full：创建一个指定元素的数组。一般形式为
numpy.full(shape, fill_value, dtype = None, order = 'C')

通过已有数组创建

  • numpy.ones_like：根据参数数组的形状生成一个全1数组。一般形式为
numpy.ones_like(a, dtype = None, order = 'K', subok = True, shape = None)

# a：数组 a 的形状和数据类型决定返回的数组的形状和数据类型
# shape：重写数组类型，可选
  • numpy.zeros_like：根据参数数组的形状生成一个全0数组。一般形式为
numpy.zeros_like(a, dtype=None, order='K', subok=True, shape=None)
  • numpy.full_like：根据参数数组的形状生成一个指定元素的数组。一般形式为
numpy.full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None)
  • numpy.asarray：类似 numpy.array，但 numpy.asarray 参数只有三个，一般形式为
numpy.asarray(a, dtype = None, order = None)

# a：任意形式的输入参数，可以是列表、列表的元组、元组、元组的元组、元组的列表、多维数组
  • numpy.frombuffer：用于实现动态数组。numpy.frombuffer 接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。一般形式为
numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)

# buffer：可以是任意对象，会以流的形式读入。buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b
# count：读取的数据数量，默认为-1，读取所有数据
# offset：读取的起始位置，默认为0
  • numpy.fromiter：从可迭代对象中建立 ndarray 对象，返回一维数组。一般形式为
numpy.fromiter(iterable, dtype, count = -1)

# iterable：可迭代对象，如 range(5) 等
# count：读取的数据数量，默认为-1，读取所有数据

从数值范围创建数组

  • numpy.arange：根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。一般形式为
numpy.arange(start, stop, step, dtype)

# start：起始值，默认为0
# stop：终止值（不包含）
# step：步长，默认为1
  • numpy.linspace：用于创建一个等差数列。一般形式为
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

# start：序列的起始值
# stop：序列的终止值
# num：要生成的等步长的样本数量，默认为50
# endpoint：该值为 True 时，数列中包含stop值，反之不包含，默认是True
# retstep：如果为 True 时，生成的数组中会显示间距，反之不显示
  • numpy.logspace：用于创建一个等比数列。一般形式为
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

# start：序列的起始值为：base ** start
# stop：序列的终止值为：base ** stop。如果endpoint为true，该值包含于数列中
# num：要生成的等步长的样本数量，默认为50
# endpoint：该值为 true 时，数列中中包含stop值，反之不包含，默认是True
# base：对数 log 的底数
  • numpy.concatenate：将两个或多个数组合并成一个新的数组。一般形式为
numpy.concatenate((a1, a2, ...), axis=0, out=None)

# a1, a2, ...：这些数组除了 axis 方向的大小可以不同外，必须要有相同的形状
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[11,21,31],[7,8,9]])
np.concatenate((a,b),axis=0)
# array([[ 1,  2,  3],
#        [ 4,  5,  6],
#        [11, 21, 31],
#        [ 7,  8,  9]])
# 此时可以 a = np.array([[1,2,3],[4,5,6],[7,8,9]])，则结果为
# array([[ 1,  2,  3],
#        [ 4,  5,  6],
#        [ 7,  8,  9],
#        [11, 21, 31],
#        [ 7,  8,  9]])

np.concatenate((a,b),axis=1)
# array([[ 1,  2,  3, 11, 21, 31],
#        [ 4,  5,  6,  7,  8,  9]])

数组操作

广播机制

广播（Broadcast）是 numpy 对不同形状的数组进行数值计算的方式。若两个数组形状相同，则两个数组的运算就是对应位的运算。而当运算中的两个数组的形状不同时，numpy 将自动触发广播机制

import numpy as np 

a = np.array([1,2,3,4]) 
b = np.array([10,20,30,40]) 
c = a * b  # [ 10  40  90 160]

# 最简单例子
a = np.array([1,2,3,4])
a += 4  # [5,6,7,8]

a = np.array([[ 0, 0, 0],
              [10,10,10],
              [20,20,20],
              [30,30,30]])
b = np.array([1,2,3])
c = a + b
# 此时先将数组 b 扩展为
# [[1 2 3]
#  [1 2 3]
#  [1 2 3]
#  [1 2 3]]
# 再作运算，得到 c 为
# [[ 1  2  3]
#  [11 12 13]
#  [21 22 23]
#  [31 32 33]]

a = np.array([[0],[1],[2],[3]])
b = nap.array([1,2,3])
c = a + b
# 此时同时发生两个广播
# 数组 a 扩展为
# [[0 0 0]
#  [1 1 1]
#  [2 2 2]
#  [3 3 3]]
# 数组 b 扩展为
# [[1 2 3]
#  [1 2 3]
#  [1 2 3]
#  [1 2 3]]
# 最后作运算得到 c
# [[1 2 3]
#  [2 3 4]
#  [3 4 5]
#  [4 5 6]]

广播的规则

  • 让所有输入数组都向其中形状最长的数组看齐，形状中不足的部分都通过在前面加 1 补齐
  • 输出数组的形状是输入数组形状的各个维度上的最大值
  • 如果输入数组的某个维度和输出数组的对应维度的长度相同或者其长度为 1 时，这个数组能够用来计算，否则出错
  • 当输入数组的某个维度的长度为 1 时，沿着此维度运算时都用此维度上的第一组值

访问数组

索引

  • 切片索引：ndarray 对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组
import numpy as np
 
a = np.arange(10)
s = slice(2,7,2) # [2  4  6]
b = a[2:7:2]     # [2  4  6]
o = a[2] # [2]

c = np.array([[1,2,3],[3,4,5],[4,5,6]])
d = c[1:] # 在第一维切片
#[[3 4 5]
# [4 5 6]]
e = c[0][1:] # 在第二维切片
# [2 3]
  • 整数数组索引：索引中数字由逗号隔开，第一个元素为行索引，第二个元素为列索引
import numpy as np
a = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]])

# 获取数组中(0,0)处元素
o = a[0,0] # 0

# 获取数组中(0,0)，(1,1)和(2,0)位置处的元素
b = a[[0,1,2],[0,1,0]] # [0  4  6]

# 获取数组中的四个角的元素。行索引是 [0,0] 和 [3,3]，而列索引是 [0,2] 和 [0,2]
c = a[[[0,0],[3,3]], [[0,2],[0,2]]] 
# [[ 0  2]
#  [ 9 11]]


# 整数数组索引与切片 : 结合
# 获取行索引从1到3，列索引从1到3的数组
d = a[1:3, 1:3]
# [[4 5]
#  [7 8]]

# 获取行索引从1到3，列索引是1和2的数组
e = a[1:3,[1,2]]
# [[4 5]
#  [7 8]]

# 获得行索引从1到3，列索引是1的数组
f = a[1:3,1] # [4,7]

# 获得列索引是1的数组
g = a[:,1] # [ 1,  4,  7, 10]


# 整数数组索引与Ellipsis ... 结合。 ... 和 [:] 都是指所有元素，因此用法相同
# 获得数组第2列元素
h = a[...,1
最低0.47元/天 解锁文章
Flower_For_Algernon
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python Numpy库常见用法入门教程
09-18
Python Numpy库是进行数值计算和科学计算的强大工具，它提供了高效的多维数组对象——ndarray，以及大量的数学函数来处理这些数组。本教程将深入介绍Numpy库的基础知识和常用操作。 首先，Numpy的核心是ndarray对象...
Python NumPy库安装使用笔记
09-22
主要介绍了Python NumPy库安装使用笔记,本文讲解了NumPy的安装和基础使用,并对每一句代码都做了详细解释,需要的朋友可以参考下
11-25numpy学习笔记
bxuqingjie的博客
11-27 238
numpy从范围内创建数组 1 np.arange([start,]stop[,step],dtype) 2 np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 参数 描述 start 序列的起始值 stop 序列的终止值，如果endpoint为true，该值包含于数列中 num 要生成的等步长的样本数量，默认为50 endpoint 该值为 true 时，数列中包含stop值，反之不包含，默认是True。
python设置变量精度_190530-Python 浮点数精度设置的几种方式
weixin_39609770的博客
12-09 2372
记录一下浮点数精度设置的几种方法1. round方式内置函数，四舍五入，但是和我们一般理解意义上的四舍五入不太一样，先看下使用姿势1round(digit, num)第一个参数是浮点数，第二个参数标识保留的小数个数，第二个参数不传时，标识保留0个小数接下来看下为什么说这个方法和传统的四舍五入不一样一般的四舍五入实现是 (a + 0.5) 然后取整；但是我们这里却不是这样的其规则如下:碰到舍入的后一...
双精度，单精度和半精度
热门推荐
程序员深度学习
11-17 3万+
浮点数是计算机上最常用的数据类型之一，有些语言甚至数值只有浮点型（Perl，Lua同学别跑，说的就是你）。 常用的浮点数有双精度和单精度。除此之外，还有一种叫半精度的东东。 双精度64位，单精度32位，半精度自然是16位了。 半精度是英伟达在2002年搞出来的，双精度和单精度是为了计算，而半精度更多是为了降低数据传输和存储成本。 很多场景对于精度要求也没那么高，例如分布式深
numpy设置输出精度
skyecs的博客
03-05 3万+
使用set_printoptions设置输出的精度import numpy as np x=np.random.random(10) print(x) # [ 0.07837821 0.48002108 0.41274116 0.82993414 0.77610352 0.1023732 # 0.51303098 0.4617183 0.33487207 0.71162095...
Numpy精度设置
FrankDura的博客
05-08 5840
综述 近期遇到了一个很有意思的问题，在这里记录一下： 一般来说我们设置numpy的精度： np.round(V,decimals=6) 而我们也知道在保存txt时候， np.savetxt(cur_dir+"/imgs/V0_.txt",V,fmt='%1.6f') 可以使用fmt参数来设置。 但是使用这种方式： np.savetxt(cur_dir+"/imgs/V0_.txt", np....
python numpy库
qq_52109814的博客
12-21 9823
NumPy( Numeric Python) numpy是python中一个可以用来处理多维数组的库。
Python NumPy库详解：高效处理数组的利器
qq_72290695的博客
06-28 3472
本篇博客详细介绍了NumPy库的重要特性和常用功能，包括数组的创建与操作、数值计算与统计、数组广播与向量化运算、数组索引与切片、数组形状操作与重塑、文件输入输出以及与其他科学计算库的整合。我们可以使用NumPy提供的函数来创建各种类型的数组，例如一维数组、二维数组和多维数组。NumPy的数组广播是一种强大的特性，它使得对不同形状的数组进行计算变得简单和高效。同时，你还可以探索与NumPy整合的其他科学计算库，如SciPy、Pandas和Matplotlib，通过它们的官方网站获取更多资源和文档。
python numpy库的使用 python基础，演示了numpy库的使用，提供python2例程代码，适合初学者
08-17
**Python Numpy 库的使用** Numpy 是 Python 用于科学计算的核心库，它提供了高效的数据结构和数组操作。Numpy 的主要特点是其强大的多维数组对象（`ndarray`），以及对这些数组进行数学运算的函数。由于大部分功能...
pythonnumpy教程-PythonNumpy库常见用法入门教程.pdf
06-11
Python的Numpy库是进行数值计算的核心工具，尤其在科学计算和数据分析领域有着广泛的应用。Numpy库的主要特点是它的ndarray对象，这是一个高效处理多维数据的结构。它与Python的列表不同，ndarray的元素类型是固定的...
Python Numpy库安装与基本操作示例
09-19
Python Numpy库是数据分析、科学计算领域不可或缺的工具，它为Python提供了高效的多维数组对象，以及大量的数学函数来操作这些数组。Numpy的核心数据结构是`ndarray`，一个可以容纳同类型元素的多维数组。这个库的...
Python 浮点数转半精度IEEE 754表示 modbus数据传输编码
qq_25392183的博客
07-28 1263
Python 浮点数转半精度IEEE 754表示 modbus数据传输编码 写modbus编码时遇到，记录一下。 思路是先用numpy将待转换浮点数变为半精度存储，之后用tobytes()将内存里存储的二进制码转化为bytes类型返回，使用unpack解包为无符号短整型 最后格式化输出。 代码如下： import struct import numpy as np #转半精度，浮点到二进制 def float2bin_half(F): #F是浮点数 return '{:016b}'.form
快醒醒，别睡了!...讲《数据分析pandas库》了—/—＜4＞
qq_64603703的博客
07-27 566
详细解说数据分析pandas库中的常用方法
全网最详细Gradio教程系列5——Gradio Client: python
shao918516的博客
07-26 747
程序部署完成后，如何将Gradio App作为API访问使用呢，这就用到Gradio Client。本章讲解Gradio Client的三种使用方式：python、javascript和curl，受字数限制，所以分三篇博客发布。 使用Gradio Python Client非常易于将Gradio应用程序作为API使用，本节讲述gradio_client安装、如何连接Gradio应用程序、查看可用API及其使用方式、job及session等用法。 通过Gradio Python Cli
随机数种子的作用
帆的博客
07-23 1272
设置随机数种子（random seed）的目的是为了确保随机数生成器在每次运行时产生相同的随机数序列，从而保证实验结果的一致性。随机数种子通过初始化随机数生成器的内部状态，使得在相同的种子值下，随机数生成器每次调用时生成的序列是相同的。
全面解析 SnowNLP：中文文本处理、情感分析
有勇气的牛排博客
07-24 455
SnowNLP 是一个专门用于处理中文文本的 Python库。分词情感分析关键词提取文本分类拼音转换繁体转简体词相似度计算等测试环境：Python3.10.9尚未测出该功能text = "有勇气的牛排写的文章通俗易懂，爱了爱了"文本分类使用的是 SnowNLP 的情感分析模型。
安卓手机部署大模型实战
奇舞周刊
07-25 535
本文作者系360奇舞团前端开发工程师前言自ChatGPT发布以来，大语言模型（Large language model, LLM)就成了AI乃至整个计算机科学的话题中心。学术界，工业界围绕大语言模型本身及其应用展开了广泛的讨论，大量的新的实践层出不穷。由于LLM对计算资源的需求极大，有能力部署大语言模型的公司和实验室一般通过搭建集群，然后开放API或者网页demo的方式让用户可以使用模型。在人们纷...
python语言利用Tkinter实现GUI计算器|（二）优化计算器：过滤用户不合理的输入
最新发布
人工智能视觉分析算法学习实践和经验分享。
07-27 373
python语言利用Tkinter实现GUI计算器|（二）优化计算器python语言利用Tkinter实现GUI计算器|（二）计算器打包。
python numpy 库
10-06
NumPy是一个开源的Python科学计算库，它提供了高效的多维数组对象和各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的函数和API。NumPy库包含以下主要组件： 1. ndarray：多维数组对象，是NumPy库的核心。它提供了快速的向量化算术操作和复杂的广播功能。 2. ufunc：通用函数，可对数组进行元素级操作，例如加法、乘法、指数等。 3. indexing：NumPy提供了灵活的索引机制，可用于访问数组的子集或单个元素。 4. broadcasting：NumPy的广播机制允许不同形状的数组进行算术运算。 5. linear algebra：NumPy包含了线性代数算法，例如矩阵分解、求解线性方程组、计算特征值和特征向量等。 6. random number generation：NumPy内置了用于随机数生成的函数，包括正态分布、均匀分布等。 NumPy库是数据科学领域中不可或缺的工具，它为数据科学家提供了高效的数组操作和运算功能，使得数据分析和处理变得更加简单和便捷。
评论
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