实验手册 - 第7周Spark DataFrame

最新推荐文章于 2023-10-16 10:47:14 发布
最新推荐文章于 2023-10-16 10:47:14 发布
阅读量524 收藏 1
点赞数 1
分类专栏： spark 文章标签： spark 大数据 分布式
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_52331159/article/details/130139201
版权

目录标题

DataFrame

官方解释：

  1. DataFrame = RDD[Person] - 泛型 + Schema + SQL操作 + 优化
  2. 官方原文：A DataFrame is a DataSet organized into named columns.
  3. 中文翻译：以列（列名，列类型，列值）的形式构成的分布式的数据集。

用大白话讲：

  1. 在 Spark 中，DataFrame 是一种以 RDD 为基础的分布式数据集，是一种特殊的RDD，是一个分布式的表，类似于传统数据库中的二维表格。
  2. DataFrame 与 RDD 的主要区别在于，前者带有 schema 元信息，即 DataFrame 所表示的二维表数据集的每一列都带有名称和类型。

原文链接：https://blog.csdn.net/qq_17685725/article/details/123069407

DataFrame编程步骤：

step 1: 引入相关模块

step 2: 创建SparkSession对象

step 3: 通过SparkSession对象读取数据源，生成DataFrame对象

step 4: 对DataFrame进行Transformation操作（有两种方式）

方式(1) 通过DataFrame API 提供的方法

方式(2) 通过Spark SQL

step 5: 对DataFrame进行Action操作

# # 以下三行为新增内容
# import os
# import os

# os.environ["PYSPARK_PYTHON"]="D:/develop/anaconda3/python.exe"
# os.environ["PYSPARK_DRIVER_PYTHON"]="D:/develop/anaconda3/python.exe"

# !pip install  widgetsnbextension

import findspark
findspark.init()
from pyspark.sql import SparkSession

spark = SparkSession.builder.getOrCreate()

实验内容

实验1

实验1：已知 scores = [(“Tom”, 89, 80, 77), (“Mike”, 68, 73, 90), (“Rose”, 88, 65, 70), (“Lucy”, 56, 75, 86)]

(1) 根据scores生成DataFrame对象，并查看默认生成的列名和列类型

scores = [("Tom", 89, 80, 77), ("Mike", 68, 73, 90), ("Rose", 88, 65, 70), ("Lucy", 56, 75, 86)]
df = spark.createDataFrame(scores)  
print(df.columns,"\n")
print(df.printSchema())

['_1', '_2', '_3', '_4'] 

root
 |-- _1: string (nullable = true)
 |-- _2: long (nullable = true)
 |-- _3: long (nullable = true)
 |-- _4: long (nullable = true)

None

(2) 根据scores生成DataFrame对象，并指定列名分别是：name, hadoop_score, spark_score, nosql_score。之后调用show()方法查看数据

scores = [("Tom", 89, 80, 77), ("Mike", 68, 73, 90), ("Rose", 88, 65, 70), ("Lucy", 56, 75, 86)]
columns = ['name','hadoop_score', 'spark_score', 'nosql_score']
df1 = spark.createDataFrame(scores,columns)
df1.show()

+----+------------+-----------+-----------+
|name|hadoop_score|spark_score|nosql_score|
+----+------------+-----------+-----------+
| Tom|          89|         80|         77|
|Mike|          68|         73|         90|
|Rose|          88|         65|         70|
|Lucy|          56|         75|         86|
+----+------------+-----------+-----------+

​

(3) 查看(2)中DataFrame的分区个数，及其各个分区上的数据（提示：先把DataFrame转换到RDD）

scores_rdd = df1.rdd
scores_rdd.getNumPartitions()

12

scores_rdd.glom().map(len).collect()

[0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 1]

scores_rdd.glom().collect()

[[],
 [],
 [Row(name='Tom', hadoop_score=89, spark_score=80, nosql_score=77)],
 [],
 [],
 [Row(name='Mike', hadoop_score=68, spark_score=73, nosql_score=90)],
 [],
 [],
 [Row(name='Rose', hadoop_score=88, spark_score=65, nosql_score=70)],
 [],
 [],
 [Row(name='Lucy', hadoop_score=56, spark_score=75, nosql_score=86)]]

df1.rdd.glom().collect()

[[],
 [],
 [Row(name='Tom', hadoop_score=89, spark_score=80, nosql_score=77)],
 [],
 [],
 [Row(name='Mike', hadoop_score=68, spark_score=73, nosql_score=90)],
 [],
 [],
 [Row(name='Rose', hadoop_score=88, spark_score=65, nosql_score=70)],
 [],
 [],
 [Row(name='Lucy', hadoop_score=56, spark_score=75, nosql_score=86)]]

(4) 选取(2)中DataFrame的name和spark_score列，生成新的DataFrame，并调用show()方法查看数据（用三种方法）

方法一：使用DataFrame API: select()

df_select = df1.select('name','spark_score')
df_select.show()

+----+-----------+
|name|spark_score|
+----+-----------+
| Tom|         80|
|Mike|         73|
|Rose|         65|
|Lucy|         75|
+----+-----------+

方法二：使用DataFrame API: drop()

df_select = df1.drop('hadoop_score','nosql_score')
df_select.show()

+----+-----------+
|name|spark_score|
+----+-----------+
| Tom|         80|
|Mike|         73|
|Rose|         65|
|Lucy|         75|
+----+-----------+

方法三：使用Spark SQL

df_select = df1.createOrReplaceTempView('df_views')
df_select = spark.sql("select name,spark_score from df_views")
df_select.show()

+----+-----------+
|name|spark_score|
+----+-----------+
| Tom|         80|
|Mike|         73|
|Rose|         65|
|Lucy|         75|
+----+-----------+

(5) 将(2)中DataFrame的name列重命名为student_name（用两种方法）

方法一：使用DataFrame API: withColumnRenamed()

df1_rename = df1.withColumnRenamed('name','student_name')
df1_rename.show()

+------------+------------+-----------+-----------+
|student_name|hadoop_score|spark_score|nosql_score|
+------------+------------+-----------+-----------+
|         Tom|          89|         80|         77|
|        Mike|          68|         73|         90|
|        Rose|          88|         65|         70|
|        Lucy|          56|         75|         86|
+------------+------------+-----------+-----------+

方法二：使用Spark SQL

df1_rename = df1.createOrReplaceTempView('df_view')
df_sql = spark.sql("select name as student_name, hadoop_score, spark_score, nosql_score from df_view")
df_sql.show()

+------------+------------+-----------+-----------+
|student_name|hadoop_score|spark_score|nosql_score|
+------------+------------+-----------+-----------+
|         Tom|          89|         80|         77|
|        Mike|          68|         73|         90|
|        Rose|          88|         65|         70|
|        Lucy|          56|         75|         86|
+------------+------------+-----------+-----------+

df1_rename = df1.createOrReplaceTempView('df_view')
df_sql = spark.sql("select name as student_name from df_view")
df_sql.show()

+------------+
|student_name|
+------------+
|         Tom|
|        Mike|
|        Rose|
|        Lucy|
+------------+

df1.show()

+----+------------+-----------+-----------+
|name|hadoop_score|spark_score|nosql_score|
+----+------------+-----------+-----------+
| Tom|          89|         80|         77|
|Mike|          68|         73|         90|
|Rose|          88|         65|         70|
|Lucy|          56|         75|         86|
+----+------------+-----------+-----------+

(6) 根据(2)中DataFrame的3个成绩列，生成新列total_scores和avg_scores，其列值分别为3个成绩列的总和与平均值(平均值保留两位小数)（用两种方法）

方法一：使用DataFrame API: withColumn()

df2 = df1.withColumn('total_scores',df1.hadoop_score + df1.spark_score + df1.nosql_score)
df2 = df2.withColumn('avg_scores',(df1.hadoop_score + df1.spark_score + df1.nosql_score)/3)
df2.show()

+----+------------+-----------+-----------+------------+-----------------+
|name|hadoop_score|spark_score|nosql_score|total_scores|       avg_scores|
+----+------------+-----------+-----------+------------+-----------------+
| Tom|          89|         80|         77|         246|             82.0|
|Mike|          68|         73|         90|         231|             77.0|
|Rose|          88|         65|         70|         223|74.33333333333333|
|Lucy|          56|         75|         86|         217|72.33333333333333|
+----+------------+-----------+-----------+------------+-----------------+

df2.printSchema()

root
 |-- name: string (nullable = true)
 |-- hadoop_score: long (nullable = true)
 |-- spark_score: long (nullable = true)
 |-- nosql_score: long (nullable = true)
 |-- total_scores: long (nullable = true)
 |-- avg_scores: double (nullable = true)

from pyspark.sql.functions import col
from pyspark.sql.functions import round, format_number
# 一定要记得导入 round,format_number,col,不然会报错好多错误…………
# df2 = df2.withColumn('avg_scores',round(col('avg_scores'),2))
df2 = df2.withColumn('avg_scores',round('avg_scores',2))
df2.show()

+----+------------+-----------+-----------+------------+----------+
|name|hadoop_score|spark_score|nosql_score|total_scores|avg_scores|
+----+------------+-----------+-----------+------------+----------+
| Tom|          89|         80|         77|         246|      82.0|
|Mike|          68|         73|         90|         231|      77.0|
|Rose|          88|         65|         70|         223|     74.33|
|Lucy|          56|         75|         86|         217|     72.33|
+----+------------+-----------+-----------+------------+----------+

方法二：使用Spark SQL

df1.createOrReplaceTempView('df3_view')
df3 = spark.sql("select name,hadoop_score, spark_score, nosql_score,(hadoop_score + spark_score + nosql_score) as total_scores,round((hadoop_score + spark_score + nosql_score)/3,2) as avg_scsores from df3_view")
df3.show()

+----+------------+-----------+-----------+------------+-----------+
|name|hadoop_score|spark_score|nosql_score|total_scores|avg_scsores|
+----+------------+-----------+-----------+------------+-----------+
| Tom|          89|         80|         77|         246|       82.0|
|Mike|          68|         73|         90|         231|       77.0|
|Rose|          88|         65|         70|         223|      74.33|
|Lucy|          56|         75|         86|         217|      72.33|
+----+------------+-----------+-----------+------------+-----------+

(7) 将(2)中DataFrame的3个成绩列的类型均修改为integer类型（用两种方法）

方法一：使用DataFrame API: withColumn()

df1.printSchema()

root
 |-- name: string (nullable = true)
 |-- hadoop_score: long (nullable = true)
 |-- spark_score: long (nullable = true)
 |-- nosql_score: long (nullable = true)

from pyspark.sql.types import IntegerType
# 一定要导入模块
df7 = df1.withColumn('hadoop_score',df1['hadoop_score'].cast(IntegerType()))
df7 = df7.withColumn('spark_score',df1['spark_score'].cast(IntegerType()))
df7 = df7.withColumn('nosql_score',df1['nosql_score'].cast(IntegerType()))
df7.printSchema()

root
 |-- name: string (nullable = true)
 |-- hadoop_score: integer (nullable = true)
 |-- spark_score: integer (nullable = true)
 |-- nosql_score: integer (nullable = true)

方法二：使用Spark SQL

df1.createOrReplaceTempView('df7_view')
df7_2 = spark.sql("select name, cast(hadoop_score as integer),cast(spark_score as integer),cast(nosql_score as integer) from df7_view")
df7_2.printSchema()

root
 |-- name: string (nullable = true)
 |-- hadoop_score: integer (nullable = true)
 |-- spark_score: integer (nullable = true)
 |-- nosql_score: integer (nullable = true)

​

(8) 根据(2)中DataFrame的name列以及其余3列的和，生成新的DataFrame，列名分别重命名为stuName和totalScores（用两种方法）

方法一：使用DataFrame API: selectExpr()

df8 = df2.selectExpr("name as stuName","total_scores as totalScores")
df8.show()

+-------+-----------+
|stuName|totalScores|
+-------+-----------+
|    Tom|        246|
|   Mike|        231|
|   Rose|        223|
|   Lucy|        217|
+-------+-----------+

​

方法二：使用Spark SQL

df2.createOrReplaceTempView("df8_view")
df8_2 = spark.sql("select name as stuName,total_scores as totalScores from df8_view")
df8_2.show()

+-------+-----------+
|stuName|totalScores|
+-------+-----------+
|    Tom|        246|
|   Mike|        231|
|   Rose|        223|
|   Lucy|        217|
+-------+-----------+

实验2

实验2：已知 Others\StudentData.csv

(1) 根据Others\StudentData.csv生成DataFrame对象(注意是否有表头)，并查看DataFrame数据及默认生成的列类型

dfs = spark.read.csv(r'file:\D:\juniortwo\spark\Spark2023-02-20\Others\StudentData.csv',header = True, inferSchema = True)
dfs.show()

+---+------+----------------+------+------+-----+--------------------+
|age|gender|            name|course|  roll|marks|               email|
+---+------+----------------+------+------+-----+--------------------+
| 28|Female| Hubert Oliveras|    DB|  2984|   59|Annika Hoffman_Na...|
| 29|Female|Toshiko Hillyard| Cloud| 12899|   62|Margene Moores_Ma...|
| 28|  Male|  Celeste Lollis|    PF| 21267|   45|Jeannetta Golden_...|
| 29|Female|    Elenore Choy|    DB| 32877|   29|Billi Clore_Mitzi...|
| 28|  Male|  Sheryll Towler|   DSA| 41487|   41|Claude Panos_Judi...|
| 28|  Male|  Margene Moores|   MVC| 52771|   32|Toshiko Hillyard_...|
| 28|  Male|     Neda Briski|   OOP| 61973|   69|Alberta Freund_El...|
| 28|Female|    Claude Panos| Cloud| 72409|   85|Sheryll Towler_Al...|
| 28|  Male|  Celeste Lollis|   MVC| 81492|   64|Nicole Harwood_Cl...|
| 29|  Male|  Cordie Harnois|   OOP| 92882|   51|Judie Chipps_Clem...|
| 29|Female|       Kena Wild|   DSA|102285|   35|Dustin Feagins_Ma...|
| 29|  Male| Ernest Rossbach|    DB|111449|   53|Maybell Duguay_Ab...|
| 28|Female|  Latia Vanhoose|    DB|122502|   27|Latia Vanhoose_Mi...|
| 29|Female|  Latia Vanhoose|   MVC|132110|   55|Eda Neathery_Nico...|
| 29|  Male|     Neda Briski|    PF|141770|   42|Margene Moores_Mi...|
| 29|Female|  Latia Vanhoose|    DB|152159|   27|Claude Panos_Sant...|
| 29|  Male|  Loris Crossett|   MVC|161771|   36|Mitzi Seldon_Jenn...|
| 29|  Male|  Annika Hoffman|   OOP|171660|   22|Taryn Brownlee_Mi...|
| 29|  Male|   Santa Kerfien|    PF|182129|   56|Judie Chipps_Tary...|
| 28|Female|Mickey Cortright|    DB|192537|   62|Ernest Rossbach_M...|
+---+------+----------------+------+------+-----+--------------------+
only showing top 20 rows

(2) 根据Others\StudentData.csv生成DataFrame对象(注意是否有表头)，并在生成DataFrame对象时推断列类型，然后查看推断的类型

dfs.printSchema()

root
 |-- age: integer (nullable = true)
 |-- gender: string (nullable = true)
 |-- name: string (nullable = true)
 |-- course: string (nullable = true)
 |-- roll: integer (nullable = true)
 |-- marks: integer (nullable = true)
 |-- email: string (nullable = true)

​

(3) 将roll列的类型更改为string

from pyspark.sql.types import StringType
dfs3 = dfs.withColumn('roll',dfs['roll'].cast(StringType()))
dfs3.printSchema()

root
 |-- age: integer (nullable = true)
 |-- gender: string (nullable = true)
 |-- name: string (nullable = true)
 |-- course: string (nullable = true)
 |-- roll: string (nullable = true)
 |-- marks: integer (nullable = true)
 |-- email: string (nullable = true)

实验3

实验3：第五周实验时，曾将genome-scores.csv文件上传到了虚拟机的HDFS上

(1) 使用HDFS上的genome-scores.csv生成DataFrame（注意表头），同时推断列类型。然后查看推断的类型

df = spark.read.csv("hdfs://192.168.110.128:9000/input/genome-scores.csv", header=True, inferSchema=True)
df.printSchema()

root
 |-- movieId: integer (nullable = true)
 |-- tagId: integer (nullable = true)
 |-- relevance: double (nullable = true)

(2) 通过show()方法查看DataFrame的前10行数据

df.show(10)

+-------+-----+--------------------+
|movieId|tagId|           relevance|
+-------+-----+--------------------+
|      1|    1|0.029000000000000026|
|      1|    2|0.023749999999999993|
|      1|    3| 0.05425000000000002|
|      1|    4| 0.06874999999999998|
|      1|    5| 0.15999999999999998|
|      1|    6| 0.19524999999999998|
|      1|    7| 0.07600000000000001|
|      1|    8|               0.252|
|      1|    9| 0.22749999999999998|
|      1|   10| 0.02400000000000002|
+-------+-----+--------------------+
only showing top 10 rows

​

忽儿
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
4.2 Spark SQL DataFrame 编程操作大全 (超详细)
炫云云
04-01 1814
🎆 1、为什么推出Spark SQL 🧨 2、DataFrame概述 🥇 3、DataFrame的创建 🎾读取数据文件来创建 🎿 使用RDD来创建 🎃Pandas的DataFrame创建 🎍使用List来创建 🎑4、DataFrame的保存 🍇5、DataFrame的常用操作 🍈基本的DataFrame操作 🍉查询操作 🍊简单查询 🍋数值条件查询 🍌字符串条件查询 🍍提取数据操作 🥥添加列数据操作 🍅简单添加 🥝SQL添加 🍑python函数添加 🥑RDD添加 🍆P
Spark SQL 实验
08-27
Spark SQL 详细介绍 实验介绍 有需要的尽快下载吧
spark dataframe实战(持续更新)
zg_hover的专栏
12-19 6883
spark dataframe实战 说明：该文基于spark-2.0+ dataframe介绍 dataframe是dataset的行的集合。 Dataset是分布式数据集合。Dataset是Spark 1.6+中添加的一个新接口，它提供了RDD的很多优点。 （强类型化，使用强大的lambda函数的功能），以及Spark SQL优化执行引擎的优点。数据集可以从JVM对象构建，然后使用函
Spark的DataFrame和Schema详解和实战案例Demo
programmer589的博客
07-29 791
Spark的DataFrame和Schema详解和实战案例Demo
Spark SQL 中 dataFrame 学习总结
weixin_34377919的博客
09-13 125
dataFrame多了数据的结构信息。就是schema。RDD是分布式的 Java对象的集合。DataFrame是分布式的Row对象的集合。DataFrame 提供了详细的结构信息，可以让sparkSQL清楚的知道数据集中包含哪些列，列的名称和类型各是什么? RDD是分布式的 Java对象的集合。DataFrame是分布式的Row对象的集合。DataFrame除了提供了...
roohom#Code-Cookbook#[Spark]将Spark DataFrame中的数值取出1
07-25
[Spark]将Spark DataFrame中的数值取出有时候经过Spark SQL计算得到的结果往往就一行，而且需要将该结果取出，作为字符串参与别的代码块的
spark-hbase-ingestion:Spark HBase使用DataFrame进行读写
05-17
使用数据框的spark-hbase-ingestion / ** 转换记录以插入HBase的方法 @param记录 @param cf列族 @返回 */ def toHbaseRecords（记录：Array [（String，Array [（String，String）]）]，cf：String）：RDD [...
Spark学习笔记（三）：Spark DataFrame
01-20
Spark SQL增加了DataFrame（即带有Schema信息的RDD），使用户可以在Spark SQL中执行SQL语句，数据既可以来自RDD，也可以是Hive、HDFS、Cassandra等外部数据源，还可以是JSON格式的数据 Spark SQL目前支持Scala、...
pandas和spark dataframe互相转换实例详解
09-17
主要介绍了pandas和spark dataframe互相转换实例详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
Spark DataFrame 演示Demo
05-20
简单一个示例，演示Spark中DataFrame的创建与操作
10 spark中的DataFrame编程
张力的程序园
06-19 83
前面我们了解了RDD编程，RDD优点极多，但是不包含schema信息，即列的信息，只能通过反复的迭代处理获取期待的数据，本文将阐述DataFrame的用法，所谓DataFrame就是包含schema信息的RDD。 RDD【弹性分布式数据集】是spark的核心，它是只读的，基于内存的，RDD结合算子会形成一个DAG【有向无环图】，DAG可以推测和延迟执行，效率极高。本文将阐述基于RD...
创建dataframe_Spark原理与实战(五) Spark核心数据抽象DataFrame
weixin_39540023的博客
12-11 404
导读：上一期介绍了Spark最重要的数据抽象RDD，相比RDD，DataFrame增加了scheme概念，从这个角度看，DataFrame有点类似于关系型数据库中表的概念。本章来具体讲解DataFrame的特点、创建和使用。本文经授权转自公众号DLab数据实验室作者 |小舰出品 | DLab数据实验室(ID：rucdlab)数据抽象DataFrame1.DataFrame特点DataF...
2023_Spark_实验十五：自定义法创建Dataframe及SQL操作
最新发布
pblh123的专栏
10-16 1412
基于Spark 中样例类，隐式转换，使用Spark Core API生成RDD，将RDD转换为DataFrame，并将其注册成临时表，使用Spark SQL API分析数据
spark编程基础--6.DataFrame
欢迎来到我的博客
12-11 161
使用spark安装时自带的样例数据people.json文件，生成DataFrame： 下面从示例文件people.json中创建一个DataFrame，然后保存成csv格式文件，代码如下： scala> val peopleDF = spark.read.format("json").load("file:///usr/local/spark/examples/src/main/resources/people.json") scala> peopleDF.select("n..
Spark SQL编程之DataFrame
hu10131013的博客
04-24 2288
Spark SQL 特性 易整合 统一的数据访问方式 兼容hive 标准的数据链接 Spark SQL是Spark用来处理结构化数据的一个模块，它提供了2个编程抽象：DataFrame和DataSet，并且作为分布式SQL查询引擎的作用 SparkSession创建 在老的版本中，SparkSQL提供两种SQL查询起始点：一个叫SQLContext，用于Spark自己提供的SQL查询；一个叫HiveContext，用于连接Hive的查询。 SparkSession是Spark...
SparkSql编程之《DataFrame行动操作》
ImezZ
02-23 328
一、数据准备，json文件 项目处新建people.json文件 {"name":"Michael"} {"name":"Andy", "age":30} {"name":"Justin", "age":19} 创建DataFrame val df = spark.read.json("input/people.json") 二、DataFrame上的行动操作 行动操作有：show、collect、collectAsList、describe、first、 head、 take、 t..
Spark SQL和DataFrame的学习总结
myy1012010626的专栏
05-10 5805
1、DataFrame 一个以命名列组织的分布式数据集。概念上相当于关系数据库中一张表或在R / Python中的data frame数据结构,但DataFrame有丰富的优化。在spark 1.3之前，核心的新类型为RDD-schemaRDD,现改为DataFrame。spark 通过DataFrame操作大量的数据源，包括外部文件（如 json、avro、parquet、sequ
SparkSQL编程之DataFrame详解
@小刘同学nice
08-14 349
SparkSession新的起始点 在老的版本中，SparkSQL提供两种SQL查询起始点：一个叫SQLContext，用于Spark自己提供的SQL查询；一个叫HiveContext，用于连接Hive的查询。 SparkSession是Spark最新的SQL查询起始点，实质上是SQLContext和HiveContext的组合，所以在SQLContext和HiveContext上可用的API在S...
2. 掌握 Spark DataFrame/SQL 编程——aboutyun
火麒马
12-31 126
1、什么是 Spark DataFrame & SQL？ Spark DataFrame 是一个带有列名称的分布式数据集，类似于关系型数据库中的一张表，可以通过结构化的数据文件，Hive中的表，外部数据库以及已经存在的RDD得到。（通过Rdd来创建DataFrame） Spark SQL 是使用 SQL 或 HiveQL 语法编写 SQL 语句，来执行计算任务。 2、Spark...
spark dataframe与pandas dataframe
09-23
spark dataframe与pandas dataframe是两种不同的数据处理工具。Spark DataFrame是Apache Spark中的一种数据结构，它是分布式的、可扩展的数据集合，可用于处理大规模数据。而Pandas DataFrame是一个基于NumPy数组的...

“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