基于决策树的银行存款预测

最新推荐文章于 2024-07-04 13:04:57 发布
最新推荐文章于 2024-07-04 13:04:57 发布
阅读量2.1k 收藏 25
点赞数 2
分类专栏： 机器学习 文章标签： 决策树 机器学习 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/m0_47970623/article/details/125321578
版权

文章目录

前言

本文主要介绍了决策树的具体实现过程，其中主要包括单特征信息熵的计算、信息增益的计算、决策树的建立及模型保存、模型训练和预测，最后通过对银行存款预测来检测建立的模型。
银行存款数据集：机器学习——决策树数据2

一、决策树是什么？

决策树(Decision Tree):是一种树形归纳分类算法,通过对训练集数据的学习,挖掘出一定的规则,用于对测试集数据进行预测.
决策树是一种典型的分类方法
1）首先对数据进行处理，利用归纳算法生成可读的规则和决策树，
2）然后使用决策对新数据进行分析。
本质上决策树是通过一系列规则对数据进行分类的过程。

二、实验原理

分别对各个特征求取他们的信息增益，对信息增益最明显（最大值）的特征作为当前的划分特征，并根据该特征下各个元素，将原表分为各个子表，重复上述步骤，直至表中的标签只含一个值，或达到所设定的阈值。建立决策树之后，将经过预处理的数据放入模型中进行预测，并对预测结果和标签进行对比，分析结果。

三、具体实现

1.求每个特征的信息熵

在这里插入图片描述

代码如下（示例）：


import math
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split


# 计算信息熵
def Ent(data, feature, target):  # data为dataframe型，feature：特征（字符串），target：标签（字符串）
    data = data.loc[:, [feature, target]]  #选出特征列和标签列
    data_target = set(data.loc[:, target].values) 
    len1 = data.shape[0]  #len1:总行数
    sum = 0
    for i in data_target:
        len2 = data[data[target] == i].shape[0]  #len2:该特征下i结果的行数
        if len2/len1 != 1:
            sum += -(len2/len1)*math.log2(len2/len1)
    return sum

2.求每个特征信息增益并找寻信息增益最大的特征值

随着树的深度的增加，结点的熵迅速降低，熵降低的越快越好，这样我们有望得到一棵高度最矮的决策树
在这里插入图片描述

代码如下（示例）：

# 计算信息增益 
def Gain(data, feature, target):
    #计算划分前信息熵
    s0 = Ent(data, feature, target)
    #计算划分后的信息熵
    tz_set = set(data.loc[:, feature].values)  #特征所有可能的取值
    count = data.shape[0] #划分前数据表中所有行数
    sum = 0  # 保存划分后信息熵与所占比乘积之和
    for i in tz_set:
        data_temp = data[data[feature] == i]
        count_temp = data_temp.shape[0] #划分后数据表中所有行数
        sum += (count_temp/count) * Ent(data_temp, feature, target)
    return s0-sum  # 返回信息增益

# 寻找信息增益最大的特征值
def Get_MaxGain(data, target):
    column = data.columns
    max = 0
    for i in column:  # 计算各个特征的信息增益
        if i == target:  
            continue
        sum = Gain(data, i, target)
        if sum>max:
            max = sum
            max_feature = i
    return max_feature

3.实现决策树的网络结构并保存

由于python没有专门的树形结构，所以我才用列表的形式保存树，该列表由三部分构成，分别是特征名称、特征值、该特征值下的下一层结构，[特征名称, 特征值1，[特征值1的下一层结构]，特征值2，[特征值2的下一层结构]，…，特征值n, [特征值n的下一层结构]]。
例如：
在这里插入图片描述
该决策树结构为：[‘年龄’, ‘大于20岁’, [‘身高’, ‘大于180cm’, [‘结果’, 0], ‘小于180cm’, [‘结果’, 1]], ‘小于20岁’, [‘体重’, ‘小于50kg’, [‘结果’, 0], ‘大于70kg’, [‘结果’, 1]]]

# 递归实现决策树的网络结构并保存
def DisTree(data, target, k, ListTree):  # k:格式化输出
    ListNode = [] # 叶节点
    if len(set(data.loc[:, target])) == 1:
        ListNode.append('结果')  # 添加结果结点，同时也是决策树最底层结果的标识
        ListNode.append(data.loc[:, target].values[0])
        # print('{}结果为：{}'.format((k-1)*2*' ', data.loc[:, target].values[0]))
        ListTree.append(ListNode)  # 将叶节点添加到树中
        return ListTree
    if k==6:  # 树结构为五层判别条件，一层结果
        ListNode.append('结果')
        ListNode.append(list(data[target].mode())[0])  # 找到target里面的众数，不存在众数的情况下找出任意一个
        # print('{}结果为：{}'.format((k-1)*2*' ', list(data[target].mode())[0]))
        ListTree.append(ListNode)  # 将叶节点添加到树中
        return ListTree
    feature = Get_MaxGain(data, target) # 目前表中最佳分类的特征
    ListNode.append(feature)  # 添加特征
    tz_set = set(data.loc[:, feature].values)  #特征所有可能的取值
    for i in tz_set:
        # print('{}当{}为{}时'.format((k-1)*2*' ', feature, i))   
        ListNode.append(str(i)) # 添加条件
        data_temp = data[data[feature] == i]
        DisTree(data_temp, target, k+1, ListNode)
    ListTree.append(ListNode)  # 将叶节点添加到树中
return ListTree

# 规范化训练函数
def fit(data, target): 
    model = DisTree(data, target, 1,[])  
    return model

4.模型中未出现的判决条件情况下，结果确定

由于数据预处理时不太合理会导致预测时遇到一些从未出现的情况，这个时候采用及时终止—就地分析的策略，数据在该层的预测到此位置，但结果的产生依据模型中该层以下所有结果，在这些结果中采用等权投票的方法，选出最佳结果作为该数据的预测结果。
例如：当遇见年龄为68的时候
在这里插入图片描述
结果为：0


# 模型中未出现的判决条件情况下，结果确定
def Not_in_model(model, result):
    if(model[0] == '结果'):
        result.append(model[1])
        return result
    m = 2
    while(m<len(model)):
        Not_in_model(model[m], result)
        m += 2
    return result

5.预测函数

根据训练的模型，对待预测的每条数据进行预测，根据模型中的每个特征名称，寻找待预测数据该特征下的特征值，根据该特征值在列表中寻找对应索引，索引值加一即为下一层的结构，根据下一层的特征名称继续进行寻找，直至找到特征名称为“结果”的列表，表明已找到决策树的最低层—结果层，该列表下标为1的位置对应为预测结果。

#预测函数
def predict(model, data):
    result = []  # 预测的结果保存
    for i in range(len(data)):  # 对每条数据进行预测
        models = model[0]
        feature = models[0]  # 第一个需要判别的特征名称
        while feature != '结果':
            # print(" \n"*5)  # 显示模型变化
            # print(models)
            value = str(data.loc[data.index[i], feature])  # 找出该数据的feature对应的值
            try:
                k = models.index(value)  # 在模型中找到value对应的下标
            except:  # 如果该选项未出现，则到判定此为止，开始分析结果
                temp = Not_in_model(models,[])
                result.append(max(temp, default='列表为空', key=lambda v: temp.count(v)))
                break
            models = models[k+1]  # 根据model的结构树，value值对应下一个索引值为下一层的判决条件
            feature = models[0] 
        if models[0] == '结果': 
            result.append(models[1])
    return result

6.对银行数据进行预测

1）对数据进行与处理
分析各连续值特征的分布规律对其进行划分
对特征’balance’:
在这里插入图片描述

对特征’duration’:
在这里插入图片描述

对特征’previous’:
在这里插入图片描述

对特征’campaign’:
在这里插入图片描述

对特征’pdays’:
在这里插入图片描述

# 数据处理
    data.drop('day', axis = 1, inplace= True)
    data.drop('month', axis = 1, inplace= True)

    data.loc[data["age"]<=18,"age"]=0
    data.loc[data["age"]>50,"age"]=2
    data.loc[data["age"]>18,"age"]=1

    data.loc[data["balance"]<=20000,"balance"]=0
    data.loc[data["balance"]>40000,"balance"]=2
    data.loc[data["balance"]>20000,"balance"]=1

    data.loc[data["duration"]<=500,"duration"]=0
    data.loc[data["duration"]>2000,"duration"]=2
    data.loc[data["duration"]>500,"duration"]=1

    data.loc[data['previous']<=10,'previous']=0
    data.loc[data['previous']>20,'previous']=2
    data.loc[data['previous']>10,'previous']=1

    data.loc[data['campaign']<=10,'campaign']=0
    data.loc[data['campaign']>20,'campaign']=2
    data.loc[data['campaign']>10,'campaign']=1

    data.loc[data['pdays']<=200,'pdays']=0
    data.loc[data['pdays']>400,'pdays']=2
    data.loc[data['pdays']>200,'pdays']=1

2）划分训练集、测试集，并训练及对测试机进行预测

X_train, X_test, y_train, y_test = train_test_split(data, data.loc[:, target],test_size=0.25, random_state=7)
    model = fit(X_train, target)
    print(model)
    result = predict(model, X_test)
    score(result, y_test)

四、实现结果

处理后的数据：
在这里插入图片描述
训练的模型：
在这里插入图片描述
结果预测：
在这里插入图片描述

在这里插入图片描述

五、结果分析

1、由于数据处理的时候不够精细导致结果误差较大。
2、模型保存重复值出现次数太多，列表保存树结构不是一个很好的解决方案。

六、源码

import math
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split


# 计算信息熵
def Ent(data, feature, target):  # data为dataframe型，feature：特征（字符串），target：标签（字符串）
    data = data.loc[:, [feature, target]]  #选出特征列和标签列
    data_target = set(data.loc[:, target].values) 
    len1 = data.shape[0]  #len1:总行数
    sum = 0
    for i in data_target:
        len2 = data[data[target] == i].shape[0]  #len2:该特征下i结果的行数
        if len2/len1 != 1:
            sum += -(len2/len1)*math.log2(len2/len1)
    return sum

# 计算信息增益 
def Gain(data, feature, target):
    #计算划分前信息熵
    s0 = Ent(data, feature, target)
    #计算划分后的信息熵
    tz_set = set(data.loc[:, feature].values)  #特征所有可能的取值
    count = data.shape[0] #划分前数据表中所有行数
    sum = 0  # 保存划分后信息熵与所占比乘积之和
    for i in tz_set:
        data_temp = data[data[feature] == i]
        count_temp = data_temp.shape[0] #划分后数据表中所有行数
        sum += (count_temp/count) * Ent(data_temp, feature, target)
    return s0-sum  # 返回信息增益

# 寻找信息增益最大的特征值
def Get_MaxGain(data, target):
    column = data.columns
    max = 0
    for i in column:  # 计算各个特征的信息增益
        if i == target:  
            continue
        sum = Gain(data, i, target)
        if sum>max:
            max = sum
            max_feature = i
    return max_feature

# 递归实现决策树的网络结构并保存
def DisTree(data, target, k, ListTree):  # k:格式化输出
    ListNode = [] # 叶节点
    if len(set(data.loc[:, target])) == 1:
        ListNode.append('结果')  # 添加结果结点，同时也是决策树最底层结果的标识
        ListNode.append(data.loc[:, target].values[0])
        # print('{}结果为：{}'.format((k-1)*2*' ', data.loc[:, target].values[0]))
        ListTree.append(ListNode)  # 将叶节点添加到树中
        return ListTree
    if k==6:  # 树结构为五层判别条件，一层结果
        ListNode.append('结果')
        ListNode.append(list(data[target].mode())[0])  # 找到target里面的众数，不存在众数的情况下找出任意一个
        # print('{}结果为：{}'.format((k-1)*2*' ', list(data[target].mode())[0]))
        ListTree.append(ListNode)  # 将叶节点添加到树中
        return ListTree
    feature = Get_MaxGain(data, target) # 目前表中最佳分类的特征
    ListNode.append(feature)  # 添加特征
    tz_set = set(data.loc[:, feature].values)  #特征所有可能的取值
    for i in tz_set:
        # print('{}当{}为{}时'.format((k-1)*2*' ', feature, i))   
        ListNode.append(str(i)) # 添加条件
        data_temp = data[data[feature] == i]
        DisTree(data_temp, target, k+1, ListNode)
    ListTree.append(ListNode)  # 将叶节点添加到树中
    return ListTree

# 规范化训练函数
def fit(data, target): 
    model = DisTree(data, target, 1,[])  
    return model

# 模型中未出现的判决条件情况下，结果确定
def Not_in_model(model, result):
    if(model[0] == '结果'):
        result.append(model[1])
        return result
    m = 2
    while(m<len(model)):
        Not_in_model(model[m], result)
        m += 2
    return result


#预测函数
def predict(model, data):
    result = []  # 预测的结果保存
    for i in range(len(data)):  # 对每条数据进行预测
        models = model[0]
        feature = models[0]  # 第一个需要判别的特征名称
        while feature != '结果':
            # print(" \n"*5)  # 显示模型变化
            # print(models)
            value = str(data.loc[data.index[i], feature])  # 找出该数据的feature对应的值
            try:
                k = models.index(value)  # 在模型中找到value对应的下标
            except:  # 如果该选项未出现，则到判定此为止，开始分析结果
                temp = Not_in_model(models,[])
                result.append(max(temp, default='列表为空', key=lambda v: temp.count(v)))
                break
            models = models[k+1]  # 根据model的结构树，value值对应下一个索引值为下一层的判决条件
            feature = models[0] 
        if models[0] == '结果': 
            result.append(models[1])
    return result

#结果显示
def score(result, target):
    error = 0
    for i in range(len(result)):
        if result[i] != target[target.index[i]]:    
            # print(target[target.index[i]],result[i])
            error += 1
    print(result)
    print('错误数为:{},错误率为：{}'.format(error, error/len(result)))

def test():
    data = pd.read_csv(r'D:\python111\机器学习\课设\bank.csv')
    target = data.columns.values[-1]

    # 数据处理
    data.drop('day', axis = 1, inplace= True)
    data.drop('month', axis = 1, inplace= True)

    data.loc[data["age"]<=18,"age"]=0
    data.loc[data["age"]>50,"age"]=2
    data.loc[data["age"]>18,"age"]=1

    data.loc[data["balance"]<=20000,"balance"]=0
    data.loc[data["balance"]>40000,"balance"]=2
    data.loc[data["balance"]>20000,"balance"]=1

    data.loc[data["duration"]<=500,"duration"]=0
    data.loc[data["duration"]>2000,"duration"]=2
    data.loc[data["duration"]>500,"duration"]=1

    data.loc[data['previous']<=10,'previous']=0
    data.loc[data['previous']>20,'previous']=2
    data.loc[data['previous']>10,'previous']=1

    data.loc[data['campaign']<=10,'campaign']=0
    data.loc[data['campaign']>20,'campaign']=2
    data.loc[data['campaign']>10,'campaign']=1

    data.loc[data['pdays']<=200,'pdays']=0
    data.loc[data['pdays']>400,'pdays']=2
    data.loc[data['pdays']>200,'pdays']=1

    print(data)
    X_train, X_test, y_train, y_test = train_test_split(data, data.loc[:, target],test_size=0.25, random_state=7)
    model = fit(X_train, target)
    print(model)
    result = predict(model, X_test)
    score(result, y_test)

test()
不会就用洛必达
关注
  • 2
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
大数据分析案例-基于决策树算法构建银行客户流失预测模型
m0_64336780的博客
02-07 9770
银行客户流失是指银行的客户终止在该行的所有业务并销号。但在实际运营中，对于具体业务部门，银行客户流失可以定位为特定的业务终止行为。商业银行的客户流失较为严重，流失率可达20%。而获得新客的成本是维护老客户的5倍。因此，从海量客户交易数据中挖掘出对流失有影响的信息，建立高效的客户流失预警体系尤为重要。时代与技术的发展使得数据的获取与挖掘成为可能，本实验将通过python对用户做特征分析和顾客流失分析，帮助银行发现并改善顾客体验，以及确定挽留的目标顾客并帮助银行制定方案。
python 逻辑回归，预测银行客户是否购买定期存款
weixin_43213268的博客
04-03 8616
问题： 逻辑回归其实是一个二分类问题，预测银行客户是否购买定期存款我们会提出以下一些问题： (1)影响银行客户购买定期存款的因素有哪些 (2)对于类别变量我们应该怎样处理， (3)我们应该怎样进行特征选择 (4)逻辑回归模型预测，以及最终的评估 另外还有很多需要注意的，比如数据处理，缺失值异常值的怎样处理，等等 下面开始一步步进行实现 首先导入在整个过程中需要用到的模块 import pandas...
【阿旭机器学习实战】【32】预测银行客户是否会开设定期存款账户--逻辑回归
阿旭的博客
02-23 3125
【阿旭机器学习实战】【32】预测银行客户是否会开设定期存款账户--逻辑回归
机器学习-决策树预测
m0_74216325的博客
04-29 686
决策树是一种常用的机器学习算法，它模拟人类在面对决策时的思维过程，通过一系列的分支条件来进行决策。它可以用于分类和回归任务。在决策树中，每个节点代表一个属性/特征，每个分支代表一个属性值的选择，而每个叶子节点代表一个类别标签（用于分类问题）或一个数值（用于回归问题）。决策树的构建过程包括特征选择、决策树的生成和剪枝。特征选择是指从所有特征中选择一个最优的特征作为当前节点的划分属性，常用的特征选择方法有信息增益、信息增益比、基尼系数等。
基于决策树算法的银行营销预测
F18730093632的博客
12-29 8479
摘 要： 本文通过搜集银行营销的相关数据，使用C5.0算法进行数据挖掘，根据相关指标预测客户是否会订购定期存款。首先用箱线图来确定连续型属性的离群点并删除，删除意义不明的因子型属性的记录，使用分层抽样的方式选取测试集和训练集，然后代入C5.0算法建立模型，初次建模训练集的正确率为95.3%，在测试据的正确率为92.05%，生成的决策树大小为15。对pdays和duration属性进行同统一划归后...
R语言机器学习篇——决策树
m0_73275932的博客
02-05 6989
决策树"算法是一种非参数方法，它本质上也是一种“近邻”方法，因此本章分别介绍运用于回归问题以及分类问题的决策树算法。
机器学习之分类决策树与回归决策树—基于python实现
qq_45856698的博客
05-02 3603
介绍分类决策树与回归决策树案例
R语言学习#2-使用C5.0决策树识别高风险银行贷款
Xiaoli_Rao的博客
10-04 529
根据银行过去的历史数据，包括贷款者的主要特征、贷款金额、是否违约等数据样本，建立决策树模型，用于预测新样本是否可以贷款1、利用已发生的1000多条数据样本，20个条件属性包括支票余额、期限、信用记录、用途、贷款金额、储蓄余额、工作年限、利率、个人状态、债务、居住时间、财产、年龄、还贷计划、住房、信用卡数量、主从卡、有无电话、是否老外、工作；1个结论属性：是否违约。建立决策树分类模型；2、对于新样本，根据准备贷款人的特征，预测输出审批通过或拒绝。基于R语言与数据样本，建立决策树模型。对模型进行训练、评估和优化
银行用户流失分析与预测
shorex的博客
06-03 7691
使用逻辑回归、支持向量机不同内核、随机森林四种模型做对比分析。从表现上看，随机森林效果最优。随机森林模型测试数据的准确率为64%，召回率为54%。随机森林模型在预测为流失客户的准确性上较低，但客户流失较少。通过对预测流失客户的存款，年龄，工资收入等调查分析，通过提高服务质量，增加产品种类等针对性措施降低客户流失率缺失值处理很关键，根据数据和模型选择是否需要独热编码和标准化。筛选特征的方法有很多种，比如标准差、相关系数等，但在我们的数据中，数据都是差不多构造好的，数据也不需要特殊处理。
【机器学习300问】28、什么是决策树？
qq_39780701的博客
03-07 1421
什么是决策树？不就是if-else语句吗怎么被称为机器学习模型？决策树的优缺点。如何避免决策树的过拟合？
银行定期存款的分类预测
06-21
在银行存款分类预测中，我们可能采用监督学习的方法，如决策树、随机森林、支持向量机或神经网络等，通过已知的客户特征来预测他们的存款行为。 接下来，我们需要对数据进行预处理。这包括数据清洗，去除异常值、...
基于python的用户定期存款预测.docx
05-29
本论文针对银行用户定期存款的预测问题，开发了基于决策树和神经网络的预测模型，并构建了一个集数据展示、分析与预测功能于一体的系统。研究内容主要包括数据收集与处理、模型开发与评估以及系统构建与可视化分析。...
14.Building_Models:基于电话营销的银行营销数据集建立预测和响应模型
03-19
对于模型的结果，尤其是决策树和基于树的模型，可以使用特征重要性来解释模型预测。此外，LIME和SHAP等工具可用于局部解释单个预测。 7. 模型部署与监控： 最终将训练好的模型部署到生产环境中，实时预测客户对...
资金流入流出预测-数据集
03-29
3. **建立模型**：选择合适的预测模型，如线性回归、决策树、随机森林、支持向量机或者更复杂的神经网络模型，用历史数据训练模型以预测未来的资金流入流出。 4. **模型评估与优化**：使用交叉验证评估模型性能，...
银行营销
02-15
通过引入机器学习算法，如逻辑回归、决策树、随机森林或神经网络，我们可以训练模型以预测客户的未来行为。这些模型可以帮助银行提前识别可能流失的客户，采取措施提高他们的满意度；或者预测特定产品的市场需求，...
ID3算法决策树
最新发布
m0_74343360的博客
07-04 244
再比较信息增量的大小，确定分类依据。
智能决策的艺术：揭秘决策树的奇妙原理与实战应用
weixin_41859354的博客
07-03 1171
我们将使用著名的鸢尾花数据集（Iris Dataset），该数据集包含150个样本，每个样本有4个特征（花萼长度、花萼宽度、花瓣长度和花瓣宽度），目标是根据这些特征预测鸢尾花的种类（Setosa、Versicolor和Virginica）。本文详细介绍了决策树算法的原理，包括决策树的结构、划分标准、生成过程和剪枝方法。通过鸢尾花数据集案例，我们展示了如何使用Python和Scikit-learn构建、评估和可视化决策树模型。决策树是一种直观且易于解释的机器学习算法，适用于各种分类和回归任务。
机器学习Day10:聚类
weixin_52108189的博客
07-02 786
成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性尽可能大。如下图所示，由于a、b某特征有相似之处，将他们聚类一类，以此类推。改变样本和簇的隶属关系，使得每一次改进后的划分方法都比前一次。当簇近似于高斯分布时效果好。基本思想：对于给定的类别数据k首先给出。聚类是按照某个特定标准把一个数据集。典型算法：DBSCAN算法。代表：k-means算法。可被定义时才能使用；，直到满足某种条件为止。：对给定的数据集进行。
基于决策树的房价预测
09-12
基于决策树的房价预测是指使用决策树算法对波士顿房价数据集进行建模和预测决策树是一种常用的机器学习算法，适用于回归问题，可以根据特征的值来预测目标变量的连续型值，比如房价。 在使用决策树进行房价预测之前，我们首先需要导入sklearn库中的决策树模型（DecisionTreeRegressor）。接着，可以使用内置的波士顿房价数据集（datasets）作为我们的训练数据。这个数据集包含了多个特征，如房子的位置、房间数量等，以及对应的房价。 决策树模型中的参数包括：选择划分标准（gini系数或熵值）、特征选择方式（best或random）、最大特征数、树的最大深度以及叶子节点分裂的最小样本数等。其中，最大深度和叶子节点分裂的最小样本数是常用的参数，并且对模型的性能有较大影响。 在训练决策树模型之后，我们可以使用训练好的模型对测试数据进行预测。为了评估模型的性能，可以使用交叉验证方法，将训练集分成若干份进行反复训练和测试，最后得到模型的得分和最佳参数。 总结起来，基于决策树的房价预测是通过使用决策树算法对波士顿房价数据集进行模型建立和预测，通过调整决策树模型的参数来优化模型性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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