Pandas的Categorical Data相关函数 （17）

最新推荐文章于 2022-08-14 09:15:51 发布
最新推荐文章于 2022-08-14 09:15:51 发布
阅读量602 收藏
点赞数
分类专栏： Pandas总结
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/qq_36622490/article/details/103118040
版权

本章在前两章内容的理解之上研究一下和Categorical Data相关的一些函数和属性。

17.1 修改Categorical的categories

Categorical Data数据的categories是可以通过赋值或者rename函数被修替换改掉的。

  • 通过赋值的方式改变categories或者用set_categories() 函数。
import pandas as pd
idx = [1,2,3,5,6,7,9,4,8]
name = ["apple","pearl","orange", "apple","orange","orange","apple","pearl","orange"]
price = [5.20,3.50,7.30,5.00,7.50,7.30,5.20,3.70,7.30]
df = pd.DataFrame({ "fruit": name , "price" : price}, index = idx)
df['fruit'] = df['fruit'].astype('category')
print df,"\n"
print df.fruit.values.categories
print df.fruit.values.codes
df.fruit.values.categories = ["Pearl", "Orange", "Apple"]
print df.fruit.values.categories
print df.fruit.values.codes
print df

程序执行结果

    fruit  price
1   apple    5.2
2   pearl    3.5
3  orange    7.3
5   apple    5.0
6  orange    7.5
7  orange    7.3
9   apple    5.2
4   pearl    3.7
8  orange    7.3 

Index([u'apple', u'orange', u'pearl'], dtype='object')
[0 2 1 0 1 1 0 2 1]
Index([u'Pearl', u'Orange', u'Apple'], dtype='object')
[0 2 1 0 1 1 0 2 1]
    fruit  price
1   Pearl    5.2
2   Apple    3.5
3  Orange    7.3
5   Pearl    5.0
6  Orange    7.5
7  Orange    7.3
9   Pearl    5.2
4   Apple    3.7
8  Orange    7.3

对比一下改变了categorical date的categories后数据的变化情况，这里categorical的codes并未改变，但最后的df.fruit的输出值values的值却发生了变化。

供货商水果价格替换前后水果价格
1apple5.20<==>Pearl5.20
2pearl3.50<==>Apple3.50
3orange7.30<==>Orange7.30
5apple5.00<==>Pearl5.00
6orange7.50<==>Orange7.50
7orange7.30<==>Orange7.30
9apple5.20<==>Pearl5.20
4pearl3.70<==>Apple3.70
8orange7.30<==>Orange7.30

原因是原categorical data变量df.fruit的categories是["apple"，"orange","pearl" ]被变成了["Pearl", "Orange", "Apple"],注意此函数有个参数inplace默认是False即不影响原数据，如果想影响原categorical data数据则需将inplace设置为True。

  • 使用rename_categories函数来修改categories值。
import pandas as pd
idx = [1,2,3,5,6,7,9,4,8]
name = ["apple","pearl","orange", "apple","orange","orange","apple","pearl","orange"]
price = [5.20,3.50,7.30,5.00,7.50,7.30,5.20,3.70,7.30]
df = pd.DataFrame({ "fruit": name , "price" : price}, index = idx)
df['fruit'] = df['fruit'].astype('category')
print df[:4],"\n"
print df.fruit.values.categories
print df.fruit.values.codes
df.fruit.values.rename_categories(["Pearl", "Orange", "Apple"],inplace = True)
print df.fruit.values.categories
print df.fruit.values.codes
print df[:4]

程序的执行结果：

    fruit  price
1   apple    5.2
2   pearl    3.5
3  orange    7.3
5   apple    5.0 

Index([u'apple', u'orange', u'pearl'], dtype='object')
[0 2 1 0 1 1 0 2 1]
Index([u'Pearl', u'Orange', u'Apple'], dtype='object')
[0 2 1 0 1 1 0 2 1]
    fruit  price
1   Pearl    5.2
2   Apple    3.5
3  Orange    7.3
5   Pearl    5.0

17.2 增加categories

增加categories即增加分类个数，可以使用add_categories函数。下面给示例增加一个供应水果种类watermelon西瓜。

import pandas as pd
idx = [1,2,3,5,6,7,9,4,8]
name = ["apple","pearl","orange", "apple","orange","orange","apple","pearl","orange"]
price = [5.20,3.50,7.30,5.00,7.50,7.30,5.20,3.70,7.30]
df = pd.DataFrame({ "fruit": name , "price" : price}, index = idx)
df['fruit'] = df['fruit'].astype('category')
df_new = pd.DataFrame({"fruit":["watermelon"] * 3, 
                       "price":[2.75, 2.60, 2.55]},
                       index = [11, 12, 13])
df.fruit.values.add_categories("watermelon", inplace = True)
print "insert datas->\n",df_new
df = df.append(df_new)
print "after insert->\n", df
print "categories->\n",df.fruit.values.categories
print "codes->\n",df.fruit.values.codes

程序执行结果如下：

insert datas->
         fruit  price
11  watermelon   2.75
12  watermelon   2.60
13  watermelon   2.55
after insert->
         fruit  price
1        apple   5.20
2        pearl   3.50
3       orange   7.30
5        apple   5.00
6       orange   7.50
7       orange   7.30
9        apple   5.20
4        pearl   3.70
8       orange   7.30
11  watermelon   2.75
12  watermelon   2.60
13  watermelon   2.55
categories->
Index([u'apple', u'orange', u'pearl', u'watermelon'], dtype='object')
codes->
[0 2 1 0 1 1 0 2 1 3 3 3]

这里需要注意的是add_categories函数需要在插入数据之前调用，否则数据增加进去了但是codes并未更新都是-1。 如果将df.fruit.values.add_categories("watermelon", inplace = True)放在添加数据语句df = df.append(df_new)之后：

import pandas as pd
idx = [1,2,3,5,6,7,9,4,8]
name = ["apple","pearl","orange", "apple","orange","orange","apple","pearl","orange"]
price = [5.20,3.50,7.30,5.00,7.50,7.30,5.20,3.70,7.30]
df = pd.DataFrame({ "fruit": name , "price" : price}, index = idx)
df['fruit'] = df['fruit'].astype('category')
df_new = pd.DataFrame({"fruit":["watermelon"] * 3, 
                       "price":[2.75, 2.60, 2.55]},
                       index = [11, 12, 13])

print "insert datas->\n",df_new
df = df.append(df_new)
df.fruit.values.add_categories("watermelon", inplace = True)
print "after insert->\n", df
print "categories->\n",df.fruit.values.categories
print "codes->\n",df.fruit.values.codes

结果则是：

insert datas->
         fruit  price
11  watermelon   2.75
12  watermelon   2.60
13  watermelon   2.55
after insert->
     fruit  price
1    apple   5.20
2    pearl   3.50
3   orange   7.30
5    apple   5.00
6   orange   7.50
7   orange   7.30
9    apple   5.20
4    pearl   3.70
8   orange   7.30
11     NaN   2.75
12     NaN   2.60
13     NaN   2.55
categories->
Index([u'apple', u'orange', u'pearl', u'watermelon'], dtype='object')
codes->
[ 0  2  1  0  1  1  0  2  1 -1 -1 -1]

17.3 删除categories

如果水果点不卖苹果了apple那么fruit下得删除所有的apple记录，种类categories里也得去掉apple。

import pandas as pd
idx = [1,2,3,5,6,7,9,4,8]
name = ["apple","pearl","orange", "apple","orange","orange","apple","pearl","orange"]
price = [5.20,3.50,7.30,5.00,7.50,7.30,5.20,3.70,7.30]
df = pd.DataFrame({ "fruit": name , "price" : price}, index = idx)
df['fruit'] = df['fruit'].astype('category')
print "before del 'apple'\n", df
df = df[df.fruit != "apple"]
df.fruit.values.remove_categories("apple", inplace = True)
print "after del 'apple'\n", df
print "categories->\n",df.fruit.values.categories
print "codes->\n",df.fruit.values.codes
print df.fruit

程序的执行结果：

before del 'apple'
    fruit  price
1   apple    5.2
2   pearl    3.5
3  orange    7.3
5   apple    5.0
6  orange    7.5
7  orange    7.3
9   apple    5.2
4   pearl    3.7
8  orange    7.3
after del 'apple'
    fruit  price
2   pearl    3.5
3  orange    7.3
6  orange    7.5
7  orange    7.3
4   pearl    3.7
8  orange    7.3
categories->
Index([u'orange', u'pearl'], dtype='object')
codes->
[1 0 0 0 1 0]
2     pearl
3    orange
6    orange
7    orange
4     pearl
8    orange
Name: fruit, dtype: category
Categories (2, object): [orange, pearl]

代码里df = df[df.fruit != "apple"]是利用布尔选择删除了所有的"apple"的记录，而df.fruit.values.remove_categories("apple", inplace = True)则是删除了df的fruit这个categorical data的categories里的种类"apple"，如果注释掉此语句，codes则还是用原categories进行编码。

import pandas as pd
idx = [1,2,3,5,6,7,9,4,8]
name = ["apple","pearl","orange", "apple","orange","orange","apple","pearl","orange"]
price = [5.20,3.50,7.30,5.00,7.50,7.30,5.20,3.70,7.30]
df = pd.DataFrame({ "fruit": name , "price" : price}, index = idx)
df['fruit'] = df['fruit'].astype('category')
print "before del 'apple'\n", df
df = df[df.fruit != "apple"]
#df.fruit.values.remove_categories("apple", inplace = True)
print "after del 'apple'\n", df
print "categories->\n",df.fruit.values.categories
print "codes->\n",df.fruit.values.codes
print df.fruit

结果为：

before del 'apple'
    fruit  price
1   apple    5.2
2   pearl    3.5
3  orange    7.3
5   apple    5.0
6  orange    7.5
7  orange    7.3
9   apple    5.2
4   pearl    3.7
8  orange    7.3
after del 'apple'
    fruit  price
2   pearl    3.5
3  orange    7.3
6  orange    7.5
7  orange    7.3
4   pearl    3.7
8  orange    7.3
categories->
Index([u'apple', u'orange', u'pearl'], dtype='object')
codes->
[2 1 1 1 2 1]
2     pearl
3    orange
6    orange
7    orange
4     pearl
8    orange
Name: fruit, dtype: category
Categories (3, object): [apple, orange, pearl]

删除了categories后的codes为[1 0 0 0 1 0],没执行删除categories的codes为[2 1 1 1 2 1]。

17.4 删除未使用的categories

删除未使用的categories的意思是数据里没有那么的分类，那么可以将categories没有用到的categories删除。

import pandas as pd
cat = ["watermelon","pearl","orange", "apple"]
idx = [1,2,3,5,6,7,9,4,8]
name = ["apple","pearl","orange", "apple","orange","orange","apple","pearl","orange"]
price = [5.20,3.50,7.30,5.00,7.50,7.30,5.20,3.70,7.30]
df = pd.DataFrame({ "fruit": name , "price" : price}, index = idx)
df['fruit'] = df['fruit'].astype('category')
print "1_initial-->"
print "dataframe:\n",df[:3]
print "categories:\n",df.fruit.values.categories
print "codes:\n",df.fruit.values.codes
df.fruit.cat.set_categories(cat, inplace = True)
print "\n2_after set_catgories()-->"
print "dataframe:\n",df[:3]
print "categories:\n",df.fruit.values.categories
print "codes:\n",df.fruit.values.codes
df.fruit.cat.remove_unused_categories(inplace = True)
print "\n3_after remove used categories-->"
print "categories:\n",df.fruit.values.categories
print "codes:\n",df.fruit.values.codes
print "dataframe:\n",df[:3]

程序的执行结果：

1_initial-->
dataframe:
    fruit  price
1   apple    5.2
2   pearl    3.5
3  orange    7.3
categories:
Index([u'apple', u'orange', u'pearl'], dtype='object')
codes:
[0 2 1 0 1 1 0 2 1]

2_after set_catgories()-->
dataframe:
    fruit  price
1   apple    5.2
2   pearl    3.5
3  orange    7.3
categories:
Index([u'watermelon', u'pearl', u'orange', u'apple'], dtype='object')
codes:
[3 1 2 3 2 2 3 1 2]

3_after remove used categories-->
categories:
Index([u'pearl', u'orange', u'apple'], dtype='object')
codes:
[2 0 1 2 1 1 2 0 1]
dataframe:
    fruit  price
1   apple    5.2
2   pearl    3.5
3  orange    7.3

从程序的执行结果可以看出，数据并未发生变化，变化的只是数据的categories。df['fruit'] = df['fruit'].astype('category')设置fruit列为categorical data型数据，创建了其categories为['pearl', 'orange', 'apple'];语句df.fruit.cat.set_categories(cat, inplace = True)改变了其categories为['watermelon', 'pearl', 'orange', 'apple'];而语句df.fruit.cat.remove_unused_categories(inplace = True)删除了尚未使用的watermelon分类回到了['pearl', 'orange', 'apple']。

17.5 value_counts函数

value_counts函数可以统计categorical data的各个categories数据出现的次数，算式categorical data的一种典型应用。

import pandas as pd
cat = ["watermelon","pearl","orange", "apple"]
idx = [1,2,3,5,6,7,9,4,8]
name = ["apple","pearl","orange", "apple","orange","orange","apple","pearl","orange"]
price = [5.20,3.50,7.30,5.00,7.50,7.30,5.20,3.70,7.30]
df = pd.DataFrame({ "fruit": name , "price" : price}, index = idx)
df['fruit'] = df['fruit'].astype('category')
print "dataframe:\n",df
print "categories:\n",df.fruit.values.categories
print "codes:\n",df.fruit.values.codes
print "value_counts()\n", df.fruit.value_counts()

程序的执行结果：

dataframe:
    fruit  price
1   apple    5.2
2   pearl    3.5
3  orange    7.3
5   apple    5.0
6  orange    7.5
7  orange    7.3
9   apple    5.2
4   pearl    3.7
8  orange    7.3
categories:
Index([u'apple', u'orange', u'pearl'], dtype='object')
codes:
[0 2 1 0 1 1 0 2 1]
value_counts()
orange    4
apple     3
pearl     2
dtype: int64

Next  Previous

†徐先森®
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
一文速学(十三)-数据分析之Pandas处理分类数据(Categorical data)详解+代码演示(一)
master_hunter的博客
07-29 1432
时至如今Pandas仍然是十分火热的基于Python的数据分析工具，与numpy、matplotlib称为数据分析三大巨头，是学习Python数据分析的必经之路。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法，它是使Python成为强大而高效的数据分析环境的重要因素之一。使用Pandas进行数据预处理时需要对Pandas的基础数据结构Series和DataFrame有一个基础的了解。一文速学-数据分析之Pandas数据结构和基本操作代码一文速学-Pandas处理缺失值操作各类方法详解。...
wordpress中的 get_categories()函数
程序员
07-27 1509
get_categories()函数可以获得分类所有信息，返回与查询参数相匹配的类别对象数组。变量与wp_list_categories()函数基本一致，且变量可被作为数组传递，也可在查询句法中被传递。 语法结构 <?php $categories = get_categories( $args ); ?> <?php $args = array( 'type' => 'post', 'child_of' => 0, 'pare..
wp_list_categories函数用法详解
xjinza的专栏
12-10 996
正如标题所说，Wordpress是用wp_list_categories这个函数来显示分类的，其用法是： arguments即参数，默认参数设置为： $defaults = array( 'show_option_all' => '', 不列出分类链接 'orderby' => 'name', 按照分类名排序 'order' => 'ASC', 升序排列 'show_las
Categories
weixin_33744141的博客
01-08 377
FractionMath.h #import &lt;Foundation/Foundation.h&gt; #import "Fraction.h" @interface Fraction (Math) -(Fraction*) add:(Fraction*)f; -(Fraction*) mul:(Fraction*)f; -(Fraction*) div:(Fract...
categories php,详解WordPress中分类函数wp_list_categories的使用_php技巧
weixin_36268390的博客
03-29 415
wp_list_categories 函数是 WordPress 中用来罗列系统中分类的函数，该函数拥有许多控制输出的参数，今天突然被一个朋友问到，所以就大概整理了一下。因为 WordPress 中内置扩展的小工具功能，所以我们不经任何函数就可以在边栏或是其他我们想要的位置显示一个分类列表，所以wp_list_categories函数就很少有人用到，该函数使用起来有点类似于wp_list_book...
Pandas权威指南： Powerful Python Data Analysis Toolkit.pdf
02-19
《Pandas权威指南》是Python数据处理领域的一本经典著作，它深入浅出地介绍了如何使用Pandas这个强大的工具进行数据分析。Pandas是Python生态系统中的一个核心库，它提供了高效的数据结构，使得数据清洗、转换、合并...
python pandas 官网文档
05-21
21-Categorical Data 【*】22-Visualization 23-Styling 【+】24-IO Tools (Text, CSV, HDF5, ...) 【***** 文件】 25-Remote Data Access 【-】 26-Enhancing Performance 【*C语言提升性能】 27-Sparse data ...
pandas学习笔记（代码和解析）
07-13
4. **Data Alignment**: Pandas自动对齐数据，使得在操作时列名或索引匹配，这在处理不规则数据时非常有用。 **二、数据读取与写入** 5. **读取数据**: Pandas提供了多种函数来读取不同格式的数据，如`read_csv`...
Pandas实现数据类型转换的一些小技巧汇总
09-20
Pandas的数据类型包括整数(int64)、浮点数(float64)、布尔值(bool)、字符串(object)、日期时间(datetime64)、类别(Categorical)等。Numpy的数据类型与Pandas部分重叠，如int、float、bool等，同时Numpy还支持复数、...
Python for Data Analysis一书中的数据
01-26
4. **数据操作**：Pandas提供了一系列强大的数据操作功能，如选择子集（通过索引和切片）、合并数据集（`merge`和`concat`函数）、重塑数据（`pivot`和`stack`函数）、排序（`sort_values`）等。 5. **时间序列分析...
定性数据分析Categorical Data Analysis 2nd Edition - Agresti
10-05
分享产生价值！ A valuable new edition of a standard reference "A 'must-have' book for anyone expecting to do research and/or applications in categorical data analysis." –Statistics in Medicine on Categorical Data Analysis, First Edition The use of statistical methods for categorical data has increased dramatically, particularly for applications in the biomedical and social sciences. Responding to new developments in the field as well as to the needs of a new generation of professionals and students, this new edition of the classic Categorical Data Analysis offers a comprehensive introduction to the most important methods for categorical data analysis. Designed for statisticians and biostatisticians as well as scientists and graduate students practicing statistics, Categorical Data Analysis, Second Edition summarizes the latest methods for univariate and correlated multivariate categorical responses. Readers will find a unified generalized linear models approach that connects logistic regression and Poisson and negative binomial regression for discrete data with normal regression for continuous data. Adding to the value in the new edition is coverage of: Three new chapters on methods for repeated measurement and other forms of clustered categorical data, including marginal models and associated generalized estimating equations (GEE) methods, and mixed models with random effects Stronger emphasis on logistic regression modeling of binary and multicategory data An appendix showing the use of SAS for conducting nearly all analyses in the book Prescriptions for how ordinal variables should be treated differently than nominal variables Discussion of exact small-sample procedures More than 100 analyses of real data sets to illustrate application of the methods, and more than 600 exercises An Instructor's Manual presenting detailed solutions to all the problems in the book is available from the Wiley editorial department.
Python之Categorical
女王の专属领地
04-24 8706
pandas从0.15版开始提供分类数据类型，用于表示统计学里有限且唯一性数据集，例如描述个人信息的性别一般就男和女两个数据常用'm'和'f'来描述，有时也能对应编码映射为0和1。血型A、B、O和AB型等选择可以映射为0、1、2、3这四个数字分别代表各个血型。pandas里直接就有categorical类型，可以有效地对数据进行分组进行相应的汇总统计工作。 当DataFrame的某列(字段)上的...
pandas-pandas.Categorical
柳杰的博客
01-06 283
文章目录pandas.Categorical案例 pandas.Categorical pandas.Categorical(values, categories=None, ordered=None, dtype=None, fastpath=False) 作用是:表示一个类别变量 - Parameters(参数) values : list-like 类别的值;如果给出类别，则不在类别中的值将被NaN代替。 categories : Index-like (unique), optional
Python/Pandas Categorical对象labels和levels属性已弃用，改为codes和categories
DREAM BIGGER
03-13 3888
《利用Python进行数据分析》，第7章-离散化和面元划分，这一章节提到Categorical对象，含有一个表示不同分类名称的levels数组和一个标号的labels属性。 按照书中代码测试的时候，系统反馈： 'Categorical' object has no attribute 'levels' 'Categorical' object has no attribute 'ind...
pandas使用Categorical函数将object数据数据列转化为categorical数据列并基于categorical的因子（分类）水平排序dataframe
data+scenario+science+insight
01-09 4181
pandas使用Categorical函数将object数据数据列转化为categorical数据列并基于categorical的因子（分类）水平排序dataframe
【Python 实战基础】Pandas如何对Categorical类型字段数据统计
菜鸟实战的博客
08-14 2580
Python 中 Pandas如何对Categorical类型字段数据统计 文件读写 基础语法 Pandas read_csv
pandas常见函数详细使用
weixin_30301449的博客
04-09 3002
groupby函数 pandas提供了一个灵活高效的groupby功能，它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作，根据一个或多个键（可以是函数、数组、Series或DataFrame列名）拆分pandas对象，继而计算分组摘要统计，如计数、平均值、标准差，或用户自定义函数。 ipl_data = {'Team': ['Riders', 'Riders', 'Devils'...
【手把手教你】搭建自己的量化分析数据库
简说Python的博客
05-11 4272
点击“简说Python”，选择“置顶/星标公众号”福利干货，第一时间送达！本文转载自Python金融量化，禁二次转载引 言数据是金融量化分析的重要基础，包括股票历史交易数...
WordPress分类列表函数:wp_list_categories用法及参数详解举例
weixin_30954265的博客
12-13 311
http://www.511yj.com/wordpress-wp-categories.html 注意： 1、 wp_list_categories() 和 list_cats() 以及 wp_list_cats() 的使用类似，但是后面 2 个已经弃用。 2、如果你希望不格式化输出分类，请使用 get_categories() 3、因为 WordPress 中内置扩展的小工具功能...
pandas cut函数用法
最新发布
06-12
在 Pandas 中，cut() 函数用于将一组数值数据分成多个离散的区间（bins），并将每个数据点分配到对应的区间中。cut() 函数的基本语法如下： ```python pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates='raise') ``` 其中，各参数的含义如下： - x：要进行划分的一维数组或 Series 对象。 - bins：用于划分的区间列表或整数，表示将数据分为几个区间。如果 bins 是一个整数，则表示将数据均匀分为 bins 个区间。 - right：布尔值，表示区间是否包含右端点。默认为 True，即包含右端点。 - labels：用于替换区间的标签，必须是与 bins 长度相同的列表或数组。如果未指定，则默认使用区间的整数编码。 - retbins：布尔值，表示是否返回区间的左右端点。默认为 False，即不返回区间端点。 - precision：整数，表示区间的精度。默认为 3，即小数点后保留 3 位。 - include_lowest：布尔值，表示是否包含最低区间。默认为 False，即不包含最低区间。 - duplicates：字符串，表示如何处理重复的区间。默认为 'raise'，即抛出异常，也可以设置为 'drop' 或 'raise'。 例如，假设我们有一个包含 10 个数值的 Series 对象： ```python import pandas as pd data = pd.Series([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) ``` 我们可以使用 cut() 函数将这些数据分成 3 个区间： ```python bins = [0, 5, 8, 10] labels = ['low', 'medium', 'high'] cuts = pd.cut(data, bins=bins, labels=labels) print(cuts) ``` 输出结果如下： ``` 0 low 1 low 2 low 3 low 4 low 5 medium 6 medium 7 medium 8 high 9 high dtype: category Categories (3, object): ['low' < 'medium' < 'high'] ``` 可以看到，cut() 函数返回一个 Categorical 类型的对象，其中每个数值被分配到了对应的区间中，并用指定的标签进行了替换。

“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