聚类算法（2）--- ISODATA算法

于 2024-06-22 11:30:00 发布
阅读量1.4k 收藏 31
点赞数 31
分类专栏： AI学习 文章标签： 算法 聚类 数据挖掘 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/qq_51399582/article/details/139819102
版权

       本篇文章是博主在人工智能等领域学习时，用于个人学习、研究或者欣赏使用，并基于博主对人工智能等领域的一些理解而记录的学习摘录和笔记，若有不当和侵权之处，指出后将会立即改正，还望谅解。文章分类在AI学习笔记：

      AI学习笔记（8）---《聚类算法（2）--- ISODATA算法》

聚类算法（2）--- ISODATA算法

目录

一、 ISODATA算法

1.1算法原理

1.2实验应用

二、 ISODATA算法python实现

2.1 算法流程

2.2 算法python程序

2.3 算法注意事项

三、 ISODATA算法实验结果

四、小结

一、 ISODATA算法

        ISODATA算法（Iterative Self-Organizing Data Analysis Technique Algorithm）是一种经典的聚类算法，结合了K-均值和层次聚类的特点。该算法通过动态调整簇的数量和簇的中心点，能够根据数据特点自适应地调整聚类情况。

其他聚类算法见：

聚类算法（1）---最大最小距离、C-均值算法

1.1算法原理

        SODATA算法采用迭代的方式动态地更新簇的数目和簇的中心，根据设定的参数来调整簇的数量以及样本点与簇之间的距离等。算法首先初始化聚类中心并对样本进行初步的分组，然后根据一定

1.2实验应用

        ISODATA算法在实际应用中有着广泛的应用，特别是在数据挖掘、图像处理和生物信息学等领域。例如在地理信息系统（GIS）领域，ISODATA算法可以用于空间数据的聚类分析，对地理位置数据进行聚类，以实现地理空间上的模式识别和区域划分。

二、 ISODATA算法python实现

        ISODATA（Iterative Self-Organizing Data Analysis Technique）算法是一种自组织数据分析技术，主要用于聚类分析。其算法流程如下：

2.1 算法流程

（1）初始化参数：选择初始的簇中心数量K、设定其他参数（如每个簇的最小样本数、簇内样本方差阈值等），并随机选择K个点作为初始的簇中心。

（2）分配样本：对于数据集中的每个样本点，计算它与各个簇中心的距离，并将其分配到距离最近的簇中。

（3）簇合并：检查每个簇的样本方差是否大于预设的阈值，如果是，则将该簇进行分裂，生成新的簇中心。

（4）簇分裂：重复执行步骤2和步骤3，直至满足终止条件（如簇中心不再发生大的变化、达到最大迭代次数等）。

（5）更新簇中心：根据当前的簇分配情况，重新计算每个簇中所有样本点的均值，以此更新簇中心的位置。

（6）重复迭代：重复执行步骤2至步骤5，直至满足终止条件（如簇中心不再发生大的变化、达到最大迭代次数等）。

（7）输出结果：得到K个簇，每个簇包含若干个样本点，完成聚类过程。

2.2 算法python程序

导入需要的python库

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import euclidean_distances
import copy

ISODATA聚类算法

class ISODATA():
    def __init__(self, designCenterNum, Nc, LeastSampleNum, StdThred, LeastCenterDist, L, iterationNum):
        #  指定预期的聚类数、初始聚类中心个数、每类的最小样本数、标准差阈值、最小中心距离、每次可合并的最多对数、迭代次数
        self.K = designCenterNum
        self.centerNum = Nc
        self.thetaN = LeastSampleNum
        self.thetaS = StdThred
        self.thetaC = LeastCenterDist
        self.L = L
        self.iteration = iterationNum

        self.data = np.stack([[0, 0], [0, 1], [4, 4], [4, 5], [5, 4], [5, 5], [1, 0]], dtype=np.float64)
        self.label = np.stack([0, 0, 0, 0, 0, 0, 0])

        # 随机选取NC个初始聚类中心
        center_ind = np.random.choice(np.arange(len(self.data), dtype=np.int32), Nc, replace=False)
        self.center = np.stack([copy.deepcopy(self.data[center_ind[i], :]) for i in range(Nc)])
        self.centerMeanDist = 0

    # 更新
    def updateLabel(self):
        # 计算样本到中心的距离
        distance = euclidean_distances(self.data, self.center.reshape((self.centerNum, -1)))
        # 选出每个模式到各个中心的最小距离，并为样本重新分配标签
        self.label = np.argmin(distance, 1)
        for i in range(self.centerNum):
            # 找出同一类样本
            index = np.argwhere(self.label == i).squeeze()
            sameClassSample = self.data[index, :]
            # 更新中心
            if len(sameClassSample.shape) >= 2:
                  self.center[i, :] = np.mean(sameClassSample, 0)

        # 计算所有类到各自中心的平均距离之和
        for i in range(self.centerNum):
            # 找出同一类样本
            index = np.argwhere(self.label == i).squeeze()
            sameClassSample = self.data[index, :]
            if len(sameClassSample.shape) < 2:
                sameClassSample = sameClassSample.reshape((1,-1))
            # 计算样本到中心距离的平均值
            distance = np.mean(euclidean_distances(sameClassSample, self.center[i, :].reshape((1, -1))))
            # 更新中心
            self.centerMeanDist += distance
        self.centerMeanDist /= self.centerNum

    def divide(self):
        # 临时保存更新后的中心集合,否则在删除和添加的过程中顺序会乱
        newCenterSet = self.center
        # 计算每个类的样本在每个维度的标准差
        for i in range(self.centerNum):
            # 找出同一类样本
            index = np.argwhere(self.label == i).squeeze()
            sameClassSample = self.data[index, :]
            # 计算样本到中心每个维度的标准差
            stdEachDim = np.mean((sameClassSample - self.center[i, :])**2, axis=0)
            if type(stdEachDim) is not np.ndarray:
                maxStd = stdEachDim
                sameClassSample = sameClassSample.reshape(1,-1)
            # 找出其中维度的最大标准差
            else:
                maxIndex = np.argmax(stdEachDim)
                maxStd = stdEachDim[maxIndex]
            # 计算样本到本类中心的距离
            distance = np.mean(euclidean_distances(sameClassSample, self.center[i, :].reshape((1, -1))))
            # 如果最大标准差超过了阈值
            if maxStd > self.thetaS:
                # 还需要该类的样本数大于于阈值很多 且 太分散才进行分裂
                if self.centerNum <= self.K//2 or \
                        sameClassSample.shape[0] > 2 * (self.thetaN+1) and distance >= self.centerMeanDist:
                    newCenterFirst = self.center[i, :].copy()
                    newCenterSecond = self.center[i, :].copy()

                    newCenterFirst[maxIndex] += 0.5 * maxStd
                    newCenterSecond[maxIndex] -= 0.5 * maxStd

                    # 删除原始中心
                    newCenterSet = np.delete(newCenterSet, i, axis=0)
                    # 添加新中心
                    newCenterSet = np.vstack((newCenterSet, newCenterFirst))
                    newCenterSet = np.vstack((newCenterSet, newCenterSecond))

            else:
                continue
        # 更新中心集合
        self.center = newCenterSet
        self.centerNum = self.center.shape[0]

    def combine(self):
        # 临时保存更新后的中心集合,否则在删除和添加的过程中顺序会乱
        delIndexList = []

        # 计算中心之间的距离
        centerDist = euclidean_distances(self.center, self.center)
        centerDist += (np.eye(self.centerNum)) * 10**10
        # 把中心距离小于阈值的中心对找出来,每次和并数量少于L对
        for i in range(self.L):
            # 如果最小的中心距离都大于阈值的话，则不再进行合并
            minDist = np.min(centerDist)
            if minDist >= self.thetaC:
                break
            # 否则合并（两个中心距离太近合并）
            index = np.argmin(centerDist)
            row = index // self.centerNum
            col = index % self.centerNum
            # 找出合并的两个类别
            index = np.argwhere(self.label == row)
            classNumFirst = len(index)
            index = np.argwhere(self.label == col)
            classNumSecond = len(index)
            newCenter = self.center[row, :] * (classNumFirst / (classNumFirst+ classNumSecond)) + \
                        self.center[col, :] * (classNumSecond / (classNumFirst+ classNumSecond))
            # 记录被合并的中心
            delIndexList.append(row)
            delIndexList.append(col)
            # 增加合并后的中心
            self.center = np.vstack((self.center, newCenter))
            self.centerNum -= 1
            # 标记，以防下次选中
            centerDist[row, :] = float("inf")
            centerDist[col, :] = float("inf")
            centerDist[:, col] = float("inf")
            centerDist[:, row] = float("inf")

        # 更新中心
        self.center = np.delete(self.center, delIndexList, axis=0)
        self.centerNum = self.center.shape[0]

    def drawResult(self):
        color = ['r', 'b', 'g', 'c', 'm', 'y']
        ax = plt.gca()
        ax.clear()
        for i in range(self.centerNum):
               index = np.argwhere(self.label == i).squeeze()
               ax.scatter(self.data[index, 0], self.data[index, 1], c=color[i], label=f'Cluster { i}')
               ax.scatter(self.center[i,0], self.center[i,1], c=color[i], marker='x',
                    label=f'Centroid { i}')
        # ax.set_aspect(1)
        # 坐标信息
        plt.title('ISODATA Clustering')
        plt.xlabel('X')
        plt.ylabel('Y')
        plt.legend()
        plt.show()

    def start(self):
        # 初始化中心和label
        self.updateLabel()
        self.drawResult()

        # 到设定的次数自动退出
        for i in range(self.iteration):
            # 如果是偶数次迭代或者中心的数量太多，那么进行合并
            if self.centerNum < self.K //2:
                self.divide()
            # 偶数次迭代或者中心数大于预期的一半，进行合并
            elif (i > 0 and i % 2 == 0) or self.centerNum > 2 * self.K:
                self.combine()
            else:
                self.divide()
            # 更新中心
            self.updateLabel()
            print("中心数量：{}".format(self.centerNum))
            self.drawResult()

主函数

if __name__ == "__main__":
    isoData = ISODATA(designCenterNum=2, Nc=3, LeastSampleNum=1, StdThred=0.1, LeastCenterDist=2, L=3, iterationNum=5)
    isoData.start()

2.3 算法注意事项

        ISODATA算法相比于传统的K-means算法增加了簇合并和簇分裂的步骤，这使得算法能够动态地调整簇的数量和形状，适应数据的复杂性。在实际应用中，还可以根据具体情况对参数进行调整，以获得更好的聚类效果。

三、 ISODATA算法实验结果

相关参数设置：

参数类型

数值

预期的聚类数

2

初始聚类中心个数

3

每类的最小样本数

3

标准差阈值

0.1

最小中心距离

2

每次可合并的最多对数

3

迭代次数

5

（1）数据可视化聚类单步输出结果：

第一步                                                 第二步

第三步                                                 第四步

第五步 

        由多次实验结果可知，一般运行到五步以内即可达到聚类目的，合理设置相关参数可以达到满足聚类的要求。

（1）调整预期聚类数：

预期的聚类数=3时，

第一步运行结果                                 最终运行结果

预期的聚类数=5时，

第一步运行结果                                    最终运行结果

        由此实验可知，设置预期的聚类数为3或者5，聚类的最终结果分类为2类。后续经过多次其他预期的聚类数设置，得到结果聚类分类为2类，初步推算，预期聚类数的设置不影响最终聚类的结果。若修改其他参数，也可分析相应的实验输出结果。

四、小结

        ISODATA算法是基于C-均值算法的改进，增加了簇的合并和分裂机制，使其能够动态地调整簇的数量和形状，适应数据的复杂性。这使得ISODATA算法更适用于数据集具有复杂形状、密度不均匀、簇的数量变化较大的情况。然而，对于该算法来说，需要合理设置参数，并且算法复杂度较高，需要更多的计算资源和时间。

        通过合理选择算法、优化参数和评估结果，可以实现对提供的数据成功的进行聚类。在实际应用中，通常会根据具体情况综合考虑算法的优缺点，选择合适的算法，并不断优化参数，以获得满足实际需求的聚类效果。

     文章若有不当和不正确之处，还望理解与指出。由于部分文字、图片等来源于互联网，无法核实真实出处，如涉及相关争议，请联系博主删除。如有错误、疑问和侵权，欢迎评论留言联系作者，或者私信联系作者。

不去幼儿园
关注
  • 31
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
ISODATA聚类
qq_39238001的博客
06-11 324
图片马赛克 标题
kmeans-ISODATA algotithm：k-means 和 ISODATA 的聚类算法。-matlab开发
06-01
zip文件包含两个函数：kmedia.mat和isodata.mat，这个函数做了两种聚类方法。 Kmedia 函数执行 k-means 算法，它具有树输入（X 向量、Y 向量和最终簇数）并返回每个簇的元素和每个簇的中心。 Isodata 函数返回相同的结果，但有更多的输入，这是 ISODATA 算法所必需的。 有两个函数，“kmedia”和“isodata”，这些函数执行“k-means”和“ISODATA”的聚类算法。 这些函数将点向量和某些参数作为输入，并返回找到的分组及其质心。
【机器学习】聚类算法：ISODATA算法
热门推荐
ZhangPY的专栏
08-05 1万+
在之前的K-Means算法中，有两大缺陷：         （1）K值是事先选好的固定的值       （2）随机种子选取可能对结果有影响   针对缺陷（2），我们提出了K-Means++算法，它使得随机种子选取非常合理，进而使得算法更加完美。但是缺 陷（1）始终没有解决，也就是说在K-Means算法中K值得选取是事先选好固定的一个值，当时也提出ISODATA算
聚类算法——ISODATA算法
weixin_30686845的博客
11-16 816
1. 与K-均值算法的比较 –K-均值算法通常适合于分类数目已知的聚类，而ISODATA算法则更加灵活； –从算法角度看， ISODATA算法与K-均值算法相似，聚类中心都是通过样本均值的迭代运算来决定的； –ISODATA算法加入了一些试探步骤，并且可以结合成人机交互的结构，使其能利用中间结果所取得的经验更好地进行分类。 2. ISODATA算法基本步骤和思路 （1） 选择某些...
ISODATA聚类matlab算法（带详细中文注释）
04-19
本资源是ISODATA聚类算法的matlab代码，其中包括isodata.m（ISODATA算法代码，其中包括了合并分裂等一系列子函数）、provaisodata.m（算法实例调用代码）和dades.mat（存放实例数据变量的文件）三个文件，并且每个函数都有详细的中文注释，而非原来的西班牙语注释。 ISODATA算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。全称：Iterative Selforganizing Data Analysis Techniques Algorithm 即：迭代自组织数据分析算法。 “合并”操作：当聚类结果某一类中样本数太少，或两个类间的距离太近时，进行合并。“分裂”操作： 当聚类结果某一类中样本某个特征类内方差太大，将该类进行分裂。
isodata聚类算法步骤说明
10-01
isodata聚类算法的说明文档，步骤比较详细，本人参考该文档实现的c++代码可以去我的博客看http://blog.csdn.net/u014568921/article/details/48835697
Isodata.zip
05-30
基于VS2015的Isodata算法，引用opencv2413的库文件，内含测试图片和详细的代码注释，严禁商业使用，仅供交流学习。
isodata代码
04-10
一般的ISODATA代码，大家可以随便看看
ISODATA聚类算法（Python语言实现）
08-13
ISODATA聚类算法，全称为迭代自组织数据分析技术，是一种非监督学习方法，常用于数据的自动分类。它结合了K-means聚类和数据分析的特性，通过迭代过程不断调整类别数量和类别中心，直到满足预设的停止条件。在Python...
k-means及Isodata 聚类算法的实现
02-14
本项目关注的是两种常见的聚类算法：k-means和Isodata，它们都是寻找数据分组的算法，但各自具有不同的工作原理和优缺点。 **k-means算法** 是一种迭代的划分式聚类方法。它的工作流程如下： 1. **初始化**：选择k...
isodata算法
11-24
使用ISODATA算法进行数据聚类分析，使用无监督的方式进行模分类
ISODATA分类
12-31
不过只实现了二维，mfc程序，有待改进。基本实现了ISODATA的原理
ISODATA算法
11-10
有关于模式识别的算法，进行聚类等操作时可以运用，是ISODATA的算法
Python实现ISODATA算法
05-27
用python实现模式识别中的ISODATA算法。由于是在Windows下编程，所以在linux下会出现编码问题，建议在Windows下测试。
ISODATA聚类算法（matlab实现）
05-16
自己编写了一个实现ISODATA聚类算法的程序。（目标程序是将样本分成两类，各个参数见程序注释）
isodata的matlab代码博客-ISODATA:ISODATA聚类算法
06-04
在MATLAB中实现ISODATA算法，可以帮助用户对复杂的数据集进行有效的分类，揭示数据内在的结构和模式。下面将详细阐述ISODATA聚类算法及其MATLAB代码实现的关键步骤。 ISODATA算法是基于K-means算法的一种变体，它...
模式识别作业_ISODATA聚类算法报告AND源码_isodata鸢尾花，模式识别报告模式识别作业_ISODATA聚类算法报告A
06-03
**模式识别与ISODATA聚类算法** 在IT领域，模式识别是一种重要的技术，它用于自动识别和分类数据。在本项目中，我们关注的是ISODATA聚类算法，这是一种迭代自组织数据分类方法，常用于无监督学习，特别是在数据分析...
isodata 聚类分析 实验报告 IRIS数据
www.yiye.tech
05-27 2097
详细文档：http://www.yiyehu.tech/archives/2019/05/26/isodata_report-2 ‎ ISODATA 算法汇报文档 实验介绍 实验：使用ISODATA聚类算法在IRIS数据上进行聚类分析 ISODATA(迭代自组织数据分析算法 )来自模糊数学领域 ,是统计模式识别 中非监督动态聚类算法的一种。 算法基本思想 可以通过类的自动合并（两 类合一）与分裂（...
简述isodata算法的原理_【机器学习】聚类算法：ISODATA算法
weixin_39593340的博客
12-23 1972
在之前的K-Means算法中，有两大缺陷：(1)K值是事先选好的固定的值(2)随机种子选取可能对结果有影响针对缺陷(2)，我们提出了K-Means++算法，它使得随机种子选取非常合理，进而使得算法更加完美。但是缺陷(1)始终没有解决，也就是说在K-Means算法中K值得选取是事先选好固定的一个值，当时也提出ISODATA算法可以找到合适的K，现在就来详细讲述ISODATA算法的原理，并会给出C++...
isodata聚类算法代码matlab
最新发布
07-19
### 回答1： ISODATA（Iterative Self-Organizing Data Analysis Technique）聚类算法是一种常用的聚类算法，用于将数据集划分为不同的类别。下面是使用MATLAB实现ISODATA聚类算法的示例代码。 ```matlab % 加载数据集 load('data.mat'); % 设置聚类的参数 K = 3; % 聚类的类别数 N = size(data,1); % 数据集的样本数量 D = size(data,2); % 数据集的特征维度 % 初始化聚类中心 centers = zeros(K,D); for i = 1:K centers(i,:) = data(randi(N),:); % 随机选择一个样本作为初始聚类中心 end % 迭代计算 iter = 1; while true disp(['Iteration ', num2str(iter)]); % 计算每个样本到每个聚类中心的距离 distances = pdist2(data, centers, 'euclidean'); % 将每个样本划分到距离最近的聚类中心 [~, labels] = min(distances, [], 2); % 更新聚类中心 new_centers = zeros(K, D); for i = 1:K temp_data = data(labels==i, :); if ~isempty(temp_data) new_centers(i, :) = mean(temp_data); else new_centers(i, :) = centers(i, :); end end % 判断是否收敛 if isequal(new_centers, centers) break; end % 更新聚类中心并增加/删除类别 centers = new_centers; K = size(centers,1); if K < 1 break; end % 判断聚类中心之间的距离是否达到阈值，添加或删除类别 distances = pdist2(centers, centers, 'euclidean'); for i = 1:K if min(distances(i, distances(i,:) > 0)) > threshold % 添加类别 centers = [centers; centers(i,:)+randn(1,D)]; K = K + 1; end end iter = iter + 1; end % 输出最终的聚类结果 disp('Final clustering:'); disp(labels); ``` 以上代码是简单的ISODATA聚类算法的实现。首先，我们加载数据集并设定聚类的参数。然后，初始化聚类中心，将每个样本划分到最近的聚类中心，根据划分结果更新聚类中心，直至达到收敛条件。最后，打印最终的聚类结果。 请注意，以上代码只是一个示例，实际使用时可能需要根据具体需求做相应的修改和调整。 ### 回答2： ISOData（Iterative Self-Organizing Data）聚类算法是一种迭代的自组织数据聚类算法。下面是ISOData聚类算法的MATLAB代码： ```matlab function [cluster_centers, cluster_labels] = isodata_clustering(data, num_clusters, min_cluster_size, max_cluster_size, max_iterations) % 初始化各类的聚类中心 cluster_centers = initialize_cluster_centers(data, num_clusters); % 初始化各个样本点的类别标签 [num_samples, ~] = size(data); cluster_labels = zeros(num_samples, 1); % 迭代更新聚类中心和类别标签 for iteration = 1:max_iterations % 分配样本点到最近的聚类中心 cluster_labels = assign_samples_to_cluster(data, cluster_centers); % 将显著偏离聚类中心的点从当前聚类中心中移除 cluster_centers = remove_outliers(data, cluster_labels, min_cluster_size, max_cluster_size); % 更新聚类中心 cluster_centers = update_cluster_centers(data, cluster_labels, num_clusters); end end % 初始化各类的聚类中心函数 function cluster_centers = initialize_cluster_centers(data, num_clusters) [num_samples, num_features] = size(data); cluster_centers = zeros(num_clusters, num_features); % 从数据中随机选取聚类中心 indices = randperm(num_samples, num_clusters); cluster_centers = data(indices, :); end % 分配样本点到最近的聚类中心函数 function cluster_labels = assign_samples_to_cluster(data, cluster_centers) [num_samples, ~] = size(data); [num_clusters, ~] = size(cluster_centers); cluster_labels = zeros(num_samples, 1); for sample_index = 1:num_samples sample = data(sample_index, :); min_distance = inf; assigned_cluster = 0; % 通过计算欧式距离来确定样本点所属的聚类中心 for cluster_index = 1:num_clusters cluster_center = cluster_centers(cluster_index, :); distance = norm(sample - cluster_center); if distance < min_distance min_distance = distance; assigned_cluster = cluster_index; end end % 分配样本点到最近的聚类中心 cluster_labels(sample_index) = assigned_cluster; end end % 移除显著偏离聚类中心的点函数 function cluster_centers = remove_outliers(data, cluster_labels, min_cluster_size, max_cluster_size) [num_clusters, ~] = size(cluster_centers); new_cluster_centers = zeros(num_clusters, size(data, 2)); for cluster_index = 1:num_clusters cluster_data = data(cluster_labels == cluster_index, :); cluster_size = size(cluster_data, 1); % 移除偏离聚类中心的点 if cluster_size >= min_cluster_size && cluster_size <= max_cluster_size new_cluster_centers(cluster_index, :) = mean(cluster_data); end end % 更新聚类中心 cluster_centers = new_cluster_centers; end % 更新聚类中心函数 function cluster_centers = update_cluster_centers(data, cluster_labels, num_clusters) [num_clusters, ~] = size(cluster_centers); cluster_centers = zeros(num_clusters, size(data, 2)); for cluster_index = 1:num_clusters cluster_data = data(cluster_labels == cluster_index, :); % 更新聚类中心为该类别样本的均值 cluster_centers(cluster_index, :) = mean(cluster_data); end end ``` 这个代码实现了ISOData聚类算法，其中 `data` 是待聚类的数据，`num_clusters` 是期望的聚类数目，`min_cluster_size` 和 `max_cluster_size` 是允许的最小和最大聚类大小，`max_iterations` 是最大迭代次数。函数返回 `cluster_centers` 是每个聚类的聚类中心，`cluster_labels` 是每个样本点的类别标签。

“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

打赏作者

不去幼儿园

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