Python实战开发及案例分析（8）—— 聚类算法

最新推荐文章于 2024-08-18 11:24:59 发布
最新推荐文章于 2024-08-18 11:24:59 发布
阅读量1.8k 收藏 40
点赞数 20
分类专栏： python实战开发及案例分析 文章标签： 算法 python 聚类 开发语言 学习 数据结构 kmeans
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_42912425/article/details/138489333
版权

        聚类是一种将数据分组的无监督学习方法，其目标是使同组内的数据相似度高，不同组间的数据相似度低。常用的聚类算法包括K均值聚类、层次聚类和DBSCAN等。下面是这些算法的Python实现和案例分析。

案例分析：使用K均值聚类对数据集进行分组

项目背景：我们有一组二维数据点，目标是将这些点分成三组（即三类）。

K均值聚类算法

        K均值聚类是一种迭代算法，目标是通过最小化类内距离平方和来找到簇的最优分组。

Python 实现：

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
np.random.seed(0)
X = np.vstack([
    np.random.normal(loc=[2, 2], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[8, 3], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[5, 8], scale=0.5, size=(50, 2))
])

# 使用K均值算法聚类
kmeans = KMeans(n_clusters=3, random_state=0)
kmeans.fit(X)
y_kmeans = kmeans.predict(X)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')
centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75, marker='X')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('K-Means Clustering')
plt.show()

案例分析：使用层次聚类对数据集进行分组

项目背景：层次聚类的目标是通过递归合并或拆分簇来形成一组聚类。它可以通过聚合或分裂的方式进行。

层次聚类算法

Python 实现：

from scipy.cluster.hierarchy import dendrogram, linkage, fcluster
import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
np.random.seed(0)
X = np.vstack([
    np.random.normal(loc=[2, 2], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[8, 3], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[5, 8], scale=0.5, size=(50, 2))
])

# 进行层次聚类
Z = linkage(X, 'ward')
dendrogram(Z)
plt.xlabel('Samples')
plt.ylabel('Distance')
plt.title('Dendrogram for Hierarchical Clustering')
plt.show()

# 根据距离阈值分配簇标签
max_d = 5
clusters = fcluster(Z, max_d, criterion='distance')

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=clusters, s=50, cmap='viridis')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Hierarchical Clustering')
plt.show()

案例分析：使用DBSCAN聚类算法

项目背景：DBSCAN是一种基于密度的聚类算法，它可以发现任意形状的簇，并识别出噪声点。

DBSCAN算法

Python 实现：

from sklearn.cluster import DBSCAN
import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
np.random.seed(0)
X = np.vstack([
    np.random.normal(loc=[2, 2], scale=0.3, size=(50, 2)),
    np.random.normal(loc=[8, 3], scale=0.3, size=(50, 2)),
    np.random.normal(loc=[5, 8], scale=0.3, size=(50, 2)),
    np.random.normal(loc=[8, 8], scale=0.3, size=(50, 2))
])

# 使用DBSCAN算法聚类
dbscan = DBSCAN(eps=0.5, min_samples=5)
y_dbscan = dbscan.fit_predict(X)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=y_dbscan, s=50, cmap='viridis')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('DBSCAN Clustering')
plt.show()

结论

不同的聚类算法在面对不同形状、大小和密度的数据集时各有优缺点：

  • K均值聚类：适用于数据分布较均匀、簇数已知的情况，但对异常值敏感。
  • 层次聚类：可用于层次结构分析，适合较小规模的数据集。
  • DBSCAN：适用于发现任意形状的簇，同时识别噪声，但对参数设置敏感。

在实际应用中，选择合适的聚类算法需要结合数据的特性、任务的需求和算法的复杂度等因素。

案例分析：使用均值漂移（Mean Shift）聚类算法

项目背景：均值漂移是一种基于密度的聚类算法，通过平滑分布并逐步漂移均值来找到簇的峰值。它不需要预先指定簇的数量。

Mean Shift算法

Python 实现：

from sklearn.cluster import MeanShift, estimate_bandwidth
import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
np.random.seed(0)
X = np.vstack([
    np.random.normal(loc=[2, 2], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[8, 3], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[5, 8], scale=0.5, size=(50, 2))
])

# 使用均值漂移算法聚类
bandwidth = estimate_bandwidth(X, quantile=0.2, n_samples=100)
meanshift = MeanShift(bandwidth=bandwidth, bin_seeding=True)
meanshift.fit(X)
labels = meanshift.labels_
cluster_centers = meanshift.cluster_centers_

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=labels, s=50, cmap='viridis')
plt.scatter(cluster_centers[:, 0], cluster_centers[:, 1], c='red', s=200, alpha=0.75, marker='X')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Mean Shift Clustering')
plt.show()

案例分析：使用高斯混合模型（GMM）聚类算法

项目背景：GMM是一种基于概率模型的聚类方法，假定数据来自于多个不同的正态分布，并通过EM算法估计参数。

Gaussian Mixture Model算法

Python 实现：

from sklearn.mixture import GaussianMixture
import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
np.random.seed(0)
X = np.vstack([
    np.random.normal(loc=[2, 2], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[8, 3], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[5, 8], scale=0.5, size=(50, 2))
])

# 使用GMM聚类
gmm = GaussianMixture(n_components=3, random_state=0)
gmm.fit(X)
labels = gmm.predict(X)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=labels, s=50, cmap='viridis')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Gaussian Mixture Model Clustering')
plt.show()

案例分析：使用谱聚类（Spectral Clustering）算法

项目背景：谱聚类是一种利用图论的聚类算法，通过对数据点之间的相似性矩阵进行谱分解来确定聚类。

Spectral Clustering算法

Python 实现：

from sklearn.cluster import SpectralClustering
import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
np.random.seed(0)
X = np.vstack([
    np.random.normal(loc=[2, 2], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[8, 3], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[5, 8], scale=0.5, size=(50, 2))
])

# 使用谱聚类算法聚类
spectral = SpectralClustering(n_clusters=3, affinity='nearest_neighbors', random_state=0)
labels = spectral.fit_predict(X)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=labels, s=50, cmap='viridis')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Spectral Clustering')
plt.show()

结论

        我们在这几个案例中展示了不同聚类算法的使用和效果，包括：

  1. Mean Shift：适用于任意形状的聚类，且无需指定簇数量，但对参数选择敏感。
  2. Gaussian Mixture Model (GMM)：基于概率模型，可对聚类进行概率解释。
  3. Spectral Clustering：通过相似性矩阵来定义数据点之间的关系，适用于发现复杂形状的聚类。

        不同的聚类算法在不同的场景下都有各自的优缺点。结合数据的特点和实际需求选择合适的算法，可以提高聚类的准确性和实用性。

        继续深入探讨更多的聚类算法，我们可以学习模糊C均值（FCM）和自组织映射（SOM）等技术，以及探讨如何评估聚类结果的质量。

案例分析：使用模糊C均值（Fuzzy C-Means）聚类算法

项目背景：模糊C均值聚类是一种允许数据点同时属于多个簇的聚类方法。每个数据点都分配了一个隶属度，表示其属于某一簇的概率。

FCM算法

Python 实现：

安装scikit-fuzzy库：

pip install scikit-fuzzy

代码实现：

import numpy as np
import matplotlib.pyplot as plt
import skfuzzy as fuzz

# 生成示例数据
np.random.seed(0)
X = np.vstack([
    np.random.normal(loc=[2, 2], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[8, 3], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[5, 8], scale=0.5, size=(50, 2))
])

# 转置输入数据
X_T = X.T

# 使用模糊C均值算法聚类
cntr, u, u0, d, jm, p, fpc = fuzz.cluster.cmeans(
    X_T, 3, 2, error=0.005, maxiter=1000, init=None)

# 获取每个数据点的聚类标签
cluster_membership = np.argmax(u, axis=0)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=cluster_membership, s=50, cmap='viridis')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Fuzzy C-Means Clustering')
plt.show()

案例分析：使用自组织映射（SOM）聚类算法

项目背景：自组织映射（SOM）是一种无监督学习的神经网络方法，通过映射高维数据到低维网格的方式实现聚类和数据可视化。

SOM算法

Python 实现：

安装minisom库：

pip install minisom

代码实现：

import numpy as np
import matplotlib.pyplot as plt
from minisom import MiniSom

# 生成示例数据
np.random.seed(0)
X = np.vstack([
    np.random.normal(loc=[2, 2], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[8, 3], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[5, 8], scale=0.5, size=(50, 2))
])

# 使用SOM进行聚类
som = MiniSom(x=7, y=7, input_len=2, sigma=0.5, learning_rate=0.5)
som.random_weights_init(X)
som.train_random(X, 100)

# 获取每个数据点的聚类标签
labels = np.array([som.winner(x) for x in X])
unique_labels = {label: index for index, label in enumerate(np.unique(labels))}
cluster_membership = np.array([unique_labels[label] for label in labels])

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=cluster_membership, s=50, cmap='viridis')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Self-Organizing Map Clustering')
plt.show()

聚类评估指标

        聚类算法的效果需要使用评估指标来衡量。常用的评估指标包括轮廓系数、调整兰德指数和聚类纯度。

使用轮廓系数评估聚类

Python 实现：

from sklearn.metrics import silhouette_score

# 生成示例数据
np.random.seed(0)
X = np.vstack([
    np.random.normal(loc=[2, 2], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[8, 3], scale=0.5, size=(50, 2)),
    np.random.normal(loc=[5, 8], scale=0.5, size=(50, 2))
])

# 使用K均值算法聚类
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3, random_state=0)
labels = kmeans.fit_predict(X)

# 计算轮廓系数
score = silhouette_score(X, labels)
print(f'Silhouette Score: {score:.2f}')

结论

        我们进一步介绍了模糊C均值和自组织映射聚类算法，以及如何通过轮廓系数评估聚类效果。

  • Fuzzy C-Means：提供了一种更加灵活的聚类方法，允许数据点同时属于多个簇。
  • Self-Organizing Map (SOM)：利用神经网络的方式映射高维数据，实现聚类和可视化。
  • 聚类评估：轮廓系数提供了一种评估聚类紧密度和分离度的方法。

        不同的聚类算法适用于不同的数据特性和应用场景。通过评估指标，可以更好地选择合适的聚类算法，提高模型的准确性和实用性。

贾贾乾杯
关注
专栏目录
【数学建模】聚类分析——python实现
m0_56120502的博客
04-30 2万+
数模小白成长史~看用python做系统聚类！
python聚类分析如何可视化？
xiqng17111342931的博客
11-24 4314
python聚类分析如何可视化？
Python之层次聚类/系统聚类（Hierarchical Clustering）、变量聚类
最新发布
whY的笔记
08-18 1419
本文介绍了层次聚类/系统聚类、变量聚类的基本原理，以及对应的python代码
python使用聚类分析来分析数据
hdnbnsnbns的博客
06-10 374
【代码】python使用聚类分析来分析数据。
用python实现聚类分析
热门推荐
TSzero的博客
05-07 3万+
本文简单介绍如何用python里的库实现聚类分析
机器学习：Python实现聚类算法(三)之总结
weixin_30908707的博客
06-08 6461
考虑到学习知识的顺序及效率问题，所以后续的几种聚类方法不再详细讲解原理，也不再写python实现的源代码，只介绍下算法的基本思路，使大家对每种算法有个直观的印象，从而可以更好的理解函数中参数的意义及作用，而重点是放在如何使用及使用的场景。 （题外话： 今天看到一篇博文：刚接触机器学习这一个月我都做了什么？ 里面对机器学习阶段的划分很不错，就目前而言我们只要做到前两阶段即可...
Python聚类分析
08-13
Python聚类分析，是无监督的机器学习中的一种！
Python 实操案例：一文详解10种聚类算法
Python学习与数据挖掘
03-31 8793
聚类或聚类分析是无监督学习问题。它通常被用作数据分析技术，用于发现数据中的有趣模式，例如基于其行为的客户群。有许多聚类算法可供选择，对于所有情况，没有单一的最佳聚类算法。相反，最好探索一系列聚类算法以及每种算法的不同配置。在本教程中，你将发现如何在 python 中安装和使用顶级聚类算法。 完成本教程后，你将知道： 聚类是在输入数据的特征空间中查找自然组的无监督问题。 对于所有数据集，有许多不同的聚类算法和单一的最佳方法。 在 scikit-learn 机器学习库的 Python 中如何实现、适
聚类算法实例分析
init——whiletrue——learn
07-28 4595
聚类算法实例分析 KMeans聚类 —— 1999年中国31省消费水平 KMeans原理自述 ：①随机挑选K个初始簇中心，并计算每一个原始数据与初始簇中心的距离（默认欧氏距离），分配给距离最近的簇； ：②此时计算每个簇的簇中心是否与初始簇中心相同，如若不同，将当前的簇中心替换掉初始簇中心，并重复步骤①；如若相同，则聚类结束。 源代码 原部分数据 import numpy as np from ...
聚类算法Python代码
07-23
聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。 聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。 聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
基于Python的机器学习K-means聚类分析NBA球员案例
03-18
代码，介绍，数据源，效果展示
人工智能——K-Means聚类算法（Python）
2401_84003733的博客
04-22 1036
同时减轻大家的负担。**[外链图片转存中…(img-eHdZYJ8K-1713751767909)][外链图片转存中…(img-7rOLJ6eb-1713751767910)][外链图片转存中…(img-BpscYNKe-1713751767911)][外链图片转存中…(img-1qJKQzx6-1713751767911)]
MATLAB算法实战应用案例精讲-【数模应用】聚类分析（附MATLAB、python和R语言代码实现）
qq_36130719的博客
06-06 377
在聚类的背景下，通过针对前两个成分绘制观测值，然后按聚类对它们进行着色，我们可以可视化我们的高维数据集，并且我们希望看到不同类中的观测值。聚类分析则可以采用多种不同的算法，如K均值聚类、层次聚类、密度聚类等，这些算法基于不同的相似性度量标准和优化目标，将数据划分为不同的簇。聚类分析的结果则是一组数据簇，每个簇内的数据点具有相似的特征或属性，但不同簇之间的数据点则具有较大的差异。而聚类分析则是一种无监督的学习方法，它不需要事先知道数据的分类信息，而是根据数据点之间的相似性，将数据划分为若干个不同的簇或类别。
Python 机器学习 基础 之 【实战案例】中药数据分析项目实战
仙魁XAN
06-08 1218
Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。
(6) 聚类算法KMeans(案例：矢量量化的降维)
m0_56676945的博客
04-18 1244
但在完全收敛之前，我们也可以使用max_iter，最大迭代次数，或者tol，两次迭代间Inertia下降的量，这两个参数来让迭代提前停下来。在分类中，有直接结果（标签）的输出，并且分类的结果有正误之分，所以我们使用预测的准确度，混淆矩阵，ROC曲线等等指标来进行评估，但无论如何评估，都是在”模型找到正确答案“的能力。但轮廓系数也有缺陷，它在凸型的类上表现会虚高，比如基于密度进行的聚类，或通过DBSCAN获得的聚类结果，如果使用轮廓系数来衡量，则会表现出比真实聚类效果更高的分数。初步看数据大概有4簇。
10种Python聚类算法完整操作示例（建议收藏
机器学习算法那些事
03-08 4611
来源：海豚数据科学实验室著作权归作者所有，本文仅作学术分享，若侵权，请联系后台删文处理！！文末附每日小知识点哦！！聚类或聚类分析是无监督学习问题。它通常被用作数据分析技术，用于发现数据中的...
【Nginx】如何高效地均衡应用层负载
Edidaughter的博客
11-19 269
1.引言 参照陶辉老师在开源社区基础培训课中的内容： 链接： https://www.bilibili.com/video/BV13f4y1d7PX?t=26 UP主 【F5Networks】 感谢 2.
Python实现聚类分析
kun_coder的博客
03-15 2844
Python实现聚类分析并可视化 import matplotlib.pyplot as plt import numpy as np import pandas as pd from sklearn.cluster import KMeans from sklearn import datasets from pylab import * mpl.rcParams['font.sans-seri...
kmeans聚类算法实例python
06-28
### 回答1： kmeans聚类算法是一种常用的无监督学习算法，用于将数据集分成k个不同的簇。Python中有许多库可以实现kmeans聚类算法，例如scikit-learn和numpy等。下面是一个使用scikit-learn库实现kmeans聚类算法的示例代码： ```python from sklearn.cluster import KMeans import numpy as np # 生成随机数据 X = np.random.rand(100, 2) # 定义kmeans模型 kmeans = KMeans(n_clusters=3) # 训练模型 kmeans.fit(X) # 预测结果 y_pred = kmeans.predict(X) # 打印结果 print(y_pred) ``` 在这个例子中，我们生成了一个100行2列的随机数据集，然后使用KMeans类定义了一个kmeans模型，将数据集分成3个簇。接着，我们使用fit()方法训练模型，并使用predict()方法预测结果。最后，我们打印出预测结果。 ### 回答2： K-Means是一种聚类算法，是一种无监督学习算法。K-Means算法的核心思想是将数据点分成K个类，使每个样本点只属于一个类，且每个类的中心越接近该类中的样本点。这种算法通常用于数据挖掘领域，如客户分群，图像分割等。 在Python中实现K-Means算法，需要使用第三方库scikit-learn。下面是实现K-Means算法的步骤： 1.导入库 import numpy as np from matplotlib import pyplot as plt from sklearn.cluster import KMeans 2.创建数据集 x = np.array([[1, 1], [1.5, 2], [3, 4], [5, 7], [3.5, 5], [4.5, 5], [3.5, 4.5]]) 3.绘制数据集 plt.scatter(x[:, 0], x[:, 1]) plt.show() 4.创建K-Means模型 kmeans = KMeans(n_clusters=2, init='k-means++', max_iter=300, n_init=10, random_state=0) 其中，n_clusters表示分成K个类，init表示初始的质心位置，max_iter表示最大迭代次数，n_init表示随机初始化次数，random_state表示随机种子。 5.模型训练 y_kmeans = kmeans.fit_predict(x) 6.绘制分类结果图 plt.scatter(x[y_kmeans == 0, 0], x[y_kmeans == 0, 1], s=50, c='red', label='Cluster 1') plt.scatter(x[y_kmeans == 1, 0], x[y_kmeans == 1, 1], s=50, c='blue', label='Cluster 2') plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=200, c='yellow', label='Centroids') plt.legend() plt.show() 其中，y_kmeans表示每个样本点属于的类别，kmeans.cluster_centers_表示聚类中心的位置。 最终，我们将得到一个分类结果图，图中分成了两个类别，分别为红色和蓝色，黄色是聚类中心。 总结： K-Means聚类算法可以非常方便地用Python实现，通过K-Means算法可以将数据点分成多个类别，对于数据挖掘和机器学习方面有着广泛的应用，需要注意的是算法需要经过调整参数才可以得到最好的聚类效果。 ### 回答3： K-means是一种常见的无监督聚类算法，通过将数据分成具有相似特征的组进行分组。Python中有许多库可以使用，如Scikit-learn，通过使用Scikit-learn库中的KMeans模块，我们可以轻松实现K-means算法。 下面以一个实例来说明如何在Python中使用K-means算法： 首先，我们需要安装Scikit-learn库并导入KMeans模块。 ``` !pip install scikit-learn from sklearn.cluster import KMeans ``` 其次，我们需要准备一些数据，并为其设置相应的超参数。在这个例子中，我们将使用Iris数据集。 ``` from sklearn.datasets import load_iris iris = load_iris() X = iris.data y = iris.target ``` 在这里，X是我们的数据集，y是标签。我们将其传递给KMeans模型。 我们可以通过设置n_clusters来定义簇的数量，这是K-means算法最重要的超参数之一。除此之外，还有其他超参数可以进行设置，如n_init，max_iter等。 ``` kmeans = KMeans(n_clusters=3, n_init=10, max_iter=300) kmeans.fit(X) ``` 我们可以通过使用以下代码来获得分类后的簇中心： ``` cluster_centers = kmeans.cluster_centers_ print(cluster_centers) ``` 还可以使用以下代码来获得每个数据点的标签： ``` labels = kmeans.labels_ print(labels) ``` 最后，我们可以使用以下代码来对模型进行可视化，以便更好地了解算法的工作原理： ``` import matplotlib.pyplot as plt plt.scatter(X[:,0], X[:,1], c=labels) plt.scatter(cluster_centers[:,0], cluster_centers[:,1], c='red', marker='x') plt.show() ``` 这将生成包含我们分类后的数据点和簇中心的散点图。 总之，在Python中使用K-means算法非常容易，使用Scikit-learn库中的KMeans模块，我们可以快速实现一个聚类分析解决方案，并将其应用于许多不同的问题。
评论 2
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

打赏作者

贾贾乾杯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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