Python分析物流行业数据

已于 2022-09-15 19:48:31 修改
阅读量8.5k 收藏 41
点赞数 12
分类专栏： Python 数据分析 文章标签： python 数据分析 机器学习
于 2022-07-20 17:23:24 首次发布
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_51447436/article/details/125885288
版权

1.展示数据

首先，这里仅仅只有一个工作表，数据一共有订单号，订单行，销售时间（下单时间），交货时间（签收时间），货品交货状态（晚交货或按时交货），货品，用户的反馈情况（质量合格，返修或拒货），销售区域（华北，华南，马来西亚），数量以及销售金额等10列数据。粗略的看一下数据，我们就可以发现，在订单号和数量这两列存在部分行为空值，在销售金额这一列数据的单位不统一并且存在逗号，并且订单行这一列数据对我们分析物流行业没有帮助，这些问题都需要在数据预处理阶段进行处理！
在文章的最后，我使用turtle画了一个皮卡丘，请有兴趣的读者阅读完本文章执行自行复制运行查看效果！
在这里插入图片描述
认识完数据之后，我们认识一下我们需要解决的问题，具体如下所示：
1.物流配送服务是否存在问题？
2.是否存在尚有潜力的销售区域？
3.商品本身是否存在质量问题？
为了解决这些问题并得出相应的结论，接下来我们就进行数据分析阶段！

2.数据预处理

前面已经提到数据中存在的问题，那么针对问题我们就要进行相应的处理，比如删除数据中存在的重复值，并且处理缺失值（删除或填充），以及格式的调整（销售金额单位不统一），同时我们还需要对异常值进行处理（比如，销售金额存在并且等于0的属于异常值）。首先，我们加载数据并查看数据的基本信息，具体代码如下所示:

import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示
data = pd.read_csv('data_wuliu.csv',encoding='gbk')
print(data.info())

运行结果如下所示：
在这里插入图片描述
从数据的基本信息，我么可以分析出如下问题：
1.一共存在1161行数据，但是订单行，订单号以及货品交货状况以及数量等列存在值的缺失，但是缺失值不多，因此可以考虑直接删除；
2.订单行对分析无关紧要,可以考虑删除
3.销售金额格式不对(万元,元,逗号问题),数据类型需要转换int | float

接下来，针对问题，我们进行相应的处理，具体代码如下所示：

data = pd.read_csv('data_wuliu.csv', encoding='gbk')
# 删除重复数据
# 遇到重复数据保留第一行(keep='first')，并且在原数据上修改(inplace=True)
data.drop_duplicates(keep='first', inplace=True)
# 删除缺失值
# 按行删除(axis=0),只要一条数据中存在NA则删除(how='any') 在原数据上修改
data.dropna(axis=0, how='any', inplace=True)
# 删除订单行
# 按列删除(axis=1) 并在在原数据上修改(inplace=True)
data.drop(columns=['订单行'], axis=1, inplace=True)

# 修改金额格式
# 编写自定义过滤函数,删除逗号，转成float，如果是万元，则乘以10000，否则不处理
def data_deal(number):
    if (number.find('万元')) != -1:  # 找到带有万元的,取出数字,去掉逗号,转成float,*10000
        number_new = float(number[:number.find('万元')].replace(',', '')) * 10000
    else:  # 找到带有元的,删除元,删除逗号,转成float
        number_new = float(number.replace('元', '').replace(',', ''))
    return number_new

data['销售金额'] =data['销售金额'].map(data_deal)
print(data.info())

删除重复值，缺失值以及对数据的格式进行调整后，查看数据的基本信息如下所示：
在这里插入图片描述
接下来我么要进行异常数据值的处理（比如：销售金额存在等于0的，数量和销售金额的标准差都在均值的8倍以上等）。首先，我做数据的描述性分析来帮助读者认识到数据中存在异常值，具体如下所示：

print(data.describe())

分析情况如下图所示：
在这里插入图片描述
从数据的描述性分析中可以看到，销售金额的最小值为0，即属于异常值，并且数量与销售金额都存在严重的右偏现象（平均值大于中位数）,接下来我就针对问题进行相应的处理。

# 销售金额=0的情况,采用删除方法,因为数据量较小
data = data[data['销售金额']!=0]
print(data.describe())
# 虽然销售金额和数量存在严重右偏现象,但是此现象在电商领域极为普遍,即2/8很正常，因此无需处理

进行异常值处理后，在进行数据的描述性分析，结果如下所示：
在这里插入图片描述
至此，数据的异常值处理也已经结束！
在前面已经提到，我么需要分析配送服务是否存在问题，我么是需要从月份的角度进行分析，例如，这个月的配送服务有多少的满意度；分析是否存在尚有潜力的销售区域，我们也是根据月份去绘制本月的销售量，然后该月份与销售量的关系，如果本月销售量低，那么则销售潜力有待增加。具体数据规整的代码如下所示：

# 数据规整
data['销售时间'] = pd.to_datetime(data['销售时间'])
data['月份'] = data['销售时间'].apply(lambda x: x.month)
print(data.head())

进行数据规整后的数据如下所示：
在这里插入图片描述

3.数据可视化

前面已经谈到，我么需要分析配送服务是否存在问题，首先我们从月份的维度进行分析，简单来说就是从月份的角度分析货品的交货状态，具体的实现代码如下所示：

# 从月份的维度分析
# 去除货品交货状态的空格
data['货品交货状况'] = data['货品交货状况'].str.strip()
data1 = data.groupby(by=['月份', '货品交货状况']).size().unstack()
data1.plot(kind='bar')
data1['按时交货率'] = data1['按时交货']/(data1['按时交货']+data1['晚交货'])
data1['按时交货率'].plot(kind='bar', color=['r', 'y', 'b', 'g'])
plt.show()

运行结果如下所示：
在这里插入图片描述
在这里插入图片描述
根据上图，可以分析得出：第四季度低于第三季度 猜测可能是气候原因造成；
接下来，我们从销售区域的维度分析，具体代码如下所示：

data['货品交货状况'] = data['货品交货状况'].str.strip()
# 从销售区域的维度分析
data1 = data.groupby(by=['销售区域', '货品交货状况']).size().unstack()
data1['按时交货率'] = data1['按时交货']/(data1['按时交货']+data1['晚交货'])
data1['按时交货率'].plot(kind='bar')
plt.ylabel('按时交货率')
plt.title('按时交货率与销售区域的关系')
plt.show()

运行结果如下图所示：
在这里插入图片描述
分析图可知：西北地区存在突出的延时交货问题 急需解决；
最后，我们从货品的角度分析：

# 从货品的维度分析
data1 = data.groupby(by=['货品', '货品交货状况']).size().unstack()
data1['按时交货率'] = data1['按时交货']/(data1['按时交货']+data1['晚交货'])
data1['按时交货率'].plot(kind='bar')
plt.ylabel('按时交货率')
plt.title('按时交货率与货品的关系')
plt.show()

运行结果如下图所示：
在这里插入图片描述
阅读到这里，基本的数据分析已经结束，而在文章的开头说会分享使用turtle画皮卡丘的代码，具体代码如下所示：

# coding:utf-8
import turtle as t
import time
# 皮卡丘
# 基础设置
t.screensize(800, 600)
t.pensize(2)  # 设置画笔的大小
t.speed(10)  # 设置画笔速度为10
# 画左偏曲线函数
def radian_left(ang, dis, step, n):
    for i in range(n):
        dis += step  # dis增大step
        t.lt(ang)  # 向左转ang度
        t.fd(dis)  # 向前走dis的步长
def radian_right(ang, dis, step, n):
    for i in range(n):
        dis += step
        t.rt(ang)  # 向左转ang度
        t.fd(dis)  # 向前走dis的步长
# 画耳朵
def InitEars():
    t.color("black", "yellow")
    # 左耳朵曲线
    t.pu()  # 提笔
    t.goto(-50, 100)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(110)  # 画笔角度
    t.begin_fill()
    radian_left(1.2, 0.4, 0.1, 40)
    t.setheading(270)  # 画笔角度
    radian_left(1.2, 0.4, 0.1, 40)
    t.setheading(44)  # 画笔角度
    t.forward(32)
    t.end_fill()
    # 右耳朵曲线
    t.pu()  # 提笔
    t.goto(50, 100)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(70)  # 画笔角度
    t.begin_fill()
    radian_right(1.2, 0.4, 0.1, 40)
    t.setheading(270)  # 画笔角度
    radian_right(1.2, 0.4, 0.1, 40)
    t.setheading(136)  # 画笔角度
    t.forward(32)
    t.end_fill()
    # 耳朵黑
    t.begin_fill()
    t.fillcolor("black")
    t.pu()  # 提笔
    t.goto(88, 141)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(35)  # 画笔角度
    radian_right(1.2, 1.6, 0.1, 16)
    t.setheading(270)  # 画笔角度
    radian_right(1.2, 0.4, 0.1, 25)
    t.setheading(132)  # 画笔角度
    t.forward(31)
    t.end_fill()
    t.begin_fill()
    t.fillcolor("black")
    t.pu()  # 提笔
    t.goto(-88, 141)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(145)  # 画笔角度
    radian_left(1.2, 1.6, 0.1, 16)
    t.setheading(270)  # 画笔角度
    radian_left(1.2, 0.4, 0.1, 25)
    t.setheading(48)  # 画笔角度
    t.forward(31)
    t.end_fill()
# 画尾巴
def InitTail():
    # 尾巴
    t.begin_fill()
    t.fillcolor("yellow")
    t.pu()  # 提笔
    t.goto(64, -140)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(10)  # 画笔角度
    t.forward(20)
    t.setheading(90)  # 画笔角度
    t.forward(20)
    t.setheading(10)  # 画笔角度
    t.forward(10)
    t.setheading(80)  # 画笔角度
    t.forward(100)
    t.setheading(35)  # 画笔角度
    t.forward(80)
    t.setheading(260)  # 画笔角度
    t.forward(100)
    t.setheading(205)  # 画笔角度
    t.forward(40)
    t.setheading(260)  # 画笔角度
    t.forward(37)
    t.setheading(205)  # 画笔角度
    t.forward(20)
    t.setheading(260)  # 画笔角度
    t.forward(25)
    t.setheading(175)  # 画笔角度
    t.forward(30)
    t.setheading(100)  # 画笔角度
    t.forward(13)
    t.end_fill()
# 画脚
def InitFoots():
    # 脚
    t.begin_fill()
    t.fillcolor("yellow")
    t.pensize(2)
    t.pu()  # 提笔
    t.goto(-70, -200)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(225)  # 画笔角度
    radian_left(0.5, 1.2, 0, 12)
    radian_left(35, 0.6, 0, 4)
    radian_left(1, 1.2, 0, 18)
    t.setheading(160)  # 画笔角度
    t.forward(13)
    t.end_fill()
    t.begin_fill()
    t.fillcolor("yellow")
    t.pensize(2)
    t.pu()  # 提笔
    t.goto(70, -200)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(315)  # 画笔角度
    radian_right(0.5, 1.2, 0, 12)
    radian_right(35, 0.6, 0, 4)
    radian_right(1, 1.2, 0, 18)
    t.setheading(20)  # 画笔角度
    t.forward(13)
    t.end_fill()
# 画身体
def InitBody():
    # 外形轮廓
    t.begin_fill()
    t.pu()  # 提笔
    t.goto(112, 0)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(90)  # 画笔角度
    t.circle(112, 180)
    t.setheading(250)  # 画笔角度
    radian_left(1.6, 1.3, 0, 50)
    radian_left(0.8, 1.5, 0, 25)
    t.setheading(255)  # 画笔角度
    radian_left(0.4, 1.6, 0.2, 27)
    radian_left(2.8, 1, 0, 45)
    radian_right(0.9, 1.4, 0, 31)
    t.setheading(355)  # 画笔角度
    radian_right(0.9, 1.4, 0, 31)
    radian_left(2.8, 1, 0, 45)
    radian_left(0.4, 7.2, -0.2, 27)
    t.setheading(10)  # 画笔角度
    radian_left(0.8, 1.5, 0, 25)
    radian_left(1.6, 1.3, 0, 50)
    t.end_fill()
def InitEyes():
    # 左眼睛
    t.begin_fill()
    t.fillcolor("black")
    t.pu()  # 提笔
    t.goto(-46, 10)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(90)  # 画笔角度
    t.circle(5, 360)
    t.end_fill()
    # 右眼睛
    t.begin_fill()
    t.fillcolor("black")
    t.pu()  # 提笔
    t.goto(46, 10)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(-90)  # 画笔角度
    t.circle(5, 360)
    t.end_fill()
# 画脸
def InitFace():
    # 脸蛋
    t.begin_fill()
    t.fillcolor("red")
    t.pu()  # 提笔
    t.goto(-63, -10)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(90)  # 画笔角度
    t.circle(10, 360)
    t.end_fill()
    t.begin_fill()
    t.fillcolor("red")
    t.pu()  # 提笔
    t.goto(63, -10)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(-90)  # 画笔角度
    t.circle(10, 360)
    t.end_fill()
    # 嘴巴
    t.pensize(2.2)
    t.pu()  # 提笔
    t.goto(0, 0)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(235)  # 画笔角度
    radian_right(5, 0.8, 0, 30)
    t.pu()  # 提笔
    t.goto(0, 0)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(305)  # 画笔角度
    radian_left(5, 0.8, 0, 30)
# 画手
def InitHands():
    # 左手
    t.pensize(2)
    t.pu()  # 提笔
    t.goto(-46, -100)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(285)  # 画笔角度
    radian_right(0.4, 1.2, 0, 26)
    radian_right(5, 0.35, 0, 26)
    radian_right(0.3, 1.2, 0, 15)
    # 右手
    t.pu()  # 提笔
    t.goto(46, -100)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(255)  # 画笔角度
    radian_left(0.4, 1.2, 0, 26)
    radian_left(5, 0.35, 0, 26)
    radian_left(0.3, 1.2, 0, 15)
def CloseEyes():
    # 左眼睛
    t.pu()  # 提笔
    t.goto(-46, 12)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(180)  # 画笔角度
    t.forward(10)
    # 右眼睛
    t.pu()  # 提笔
    t.goto(46, 12)  # 笔头初始位置
    t.pd()  # 下笔
    t.setheading(0)  # 画笔角度
    t.forward(10)
# 初始化
def Init():
    InitEars()
    InitTail()
    InitFoots()
    InitBody()
    InitFace()
    InitHands()
    InitEyes()
# 眨眼睛
def Upgarde():
    InitEars()
    InitTail()
    InitFoots()
    InitBody()
    InitFace()
    InitHands()
    CloseEyes()
def Upgarde_Init():
    InitEars()
    InitTail()
    InitFoots()
    InitBody()
    InitFace()
    InitHands()
    InitEyes()
def main():
    Init()
    t.tracer(False)
    # 眨眼睛动画
    for i in range(30):
        if i % 2 == 0:
            t.reset()
            t.hideturtle()
            Upgarde()
            t.update()
            time.sleep(0.3)
        else:
            t.reset()
            t.hideturtle()
            Upgarde_Init()
            t.update()
            time.sleep(1)
main()
# 结束画笔
t.done()

运行效果如下所示：
在这里插入图片描述

散一世繁华，颠半世琉璃
关注
  • 12
    点赞
  • 踩
  • 41
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
专栏目录
Python数据分析实战：物流业数据分析
禅与计算机程序设计艺术
02-19 48
1. 背景介绍 1.1 物流业的重要性 物流业是现代经济的重要支柱，它涉及到货物从生产地到消费地的整个运输过程。随着全球化和电子商务的发展，物流业的规模和复杂性不断增加，对物流效率和成本的优化要求也越来越高。因此，运用数据分析方法对物流业进行深入研究，以提高物流效率、降低成本、提升客户满意度，具有重要
python 第六章data.csv
06-19
python 第六章实验六元数据
使用Python对物流行业数据进行数据分析
weixin_46271306的博客
05-06 2160
物流行业数据分析
python k-means聚类算法 物流分配预测实战（超详细，附源码）
showswoller的博客
09-20 5309
python k-means聚类算法 物流分配预测实战（超详细，附源码） 双十一物流分配决策，效率最高问题
遗传算法解决车间调度问题
12-19
本文讨论的任务车间调度问题是一个典型的NP完全问题，也是最难解的组合优化问题之一。虽然本题给出的工件（墙纸）数n、机器数m及工序（印刷颜色）数l较小，但可以看到，利用经典整数规划的方法求解该问题还是存在着约束条件不够，结果不容易收敛的问题，并且当n，m，l偏大时采用全局搜索的办法来处理该问题是不切实际的。在实际生产中，JSP并不总是要求得到精确解，因此有研究者使用近似算法在适当的时间内得到一个可接受的近似最优解来求解此问题，实际的计算表明，好的近似算法通常能在可接受的时间内得到与精确解相差甚小的近似解，甚至对于大部分的实例，近似算法能得到与精确最优解一致的近似解。因此，本文采用近似算法中的遗传算法（Genetic Algorithms，GA）求解任务调度问题。
freight-transport-network:双模式（铁路和公路）货运网络成本模型的Python实现
05-06
Freight_transport_network Python实现的是双峰（铁路和公路）货运网络成本模型。 这是阿根廷货运网络的成本模型。 由于它仍处于繁重的发展中，因此应该期待并且不应该进行大的改变，因为它仍然是积极研究铁路和公路货运网络成本的对象。 可以从运行模型中提取的部分结果仍然不可靠。 另外，还没有完整的单元测试方案，如果文档字符串更新速度不够快，它们可能会在某些时候失败。 有些课程经过非正式测试。 用户应该看到的唯一模块是Freight_network.py，这是用户界面，它使用modal_networks.py中的RoadwayNetwork和RailwayNetwork类来构建整个双峰货运网络。 用法 Freight_network.py可以原样运行 python freight_network.py 它从“数据”目录中获取铁路和公路数据： 组成网络的链接。
Python物流运输管理系统源代码，基于Django实现，实现了运单录入、发车出库、到货签收、客户签收等基本功能，含测试账号。
07-05
Python物流运输管理系统源代码，基于Django实现，实现了运单录入、发车出库、到货签收、客户签收等基本功能，含测试账号。拥有较为完善的报表功能和财务管理功能。 可以通过后台界面对各个用户进行权限管理。 # 测试数据账号密码如下: #用户名 密码 用户类型 # csshd 666666 收货点 # csfgs 666666 分公司（到货点） # kj_1 666666 会计（财务部） # zxg_1 666666 货物装卸工1（货台） # zxg_2 666666 货物装卸工2（货台） # pzqqt 88888888 管理员
Python实战项目——物流行业数据分析（二）
分享关于数据的知识。
07-19 749
从销售区域看，每种货品销售区域为1~3个，货品1有三个销售区域，货品2有两个销售区域，其余货品均有1个销售区域。货品2在10月和12月份，销量猛增，原因猜测有二：1.公司加大营销力度 2.开发了新的市场(后续有结论)② 异常值处理（比如：销售金额存在等于0的，数量和销售金额的标准差都在均值的8倍以上等）编写自定义过滤函数：删除逗号，转成float，如果是万元则*10000，否则，删除元。我们分别从月份维度，销售区域维度，货品维度，货品和销售区域结合四个角度来开始探讨。我们回到一开始的问题，现在开始解决。
python 数据分析概述
weixin_30530523的博客
07-21 659
一、数据分析概念： 广义的数据分析包括狭义数据分析和数据挖掘。 ①狭义的数据分析是指根据分析目的，采用对比分析、分组分析、交叉分析和回归分析等分析方法，对收集的数据进行处理与分析，提取有价值的信息，发挥数据的作用，得到一个特征统计量结果的过程。 ②数据挖掘则是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，通过应用聚类模型、分类模型、回归和关联规则等技术，挖掘潜...
python项目--物流行业项目分析
weixin_46361294的博客
03-29 4962
数据来源：某企业销售的6种商品所对应的送货及用户反馈数据；数据链接: 物流行业项目分析数据. 分析过程为： 数据清洗 数据规整 数据分析并可视化 准备工作 首先导入包和数据，将编码设置为gbk，若用utf-8会报错。然后查看数据的整体信息，观察以下结果 import pandas as pd import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示 data = pd.read_csv.
【程序员必看】Python 行业调研分析——现状+优势+薪资+发展
weixin_72959097的博客
03-06 923
它以薪资高、好入门、语言简洁等优势等受到一众程序员的青睐，如果要说近几年最火的编程语言，那非Python莫属。就在今年10月份，TIOBE程语言榜单新鲜出炉，。这也就意味着，Java 和 C 的长期霸权已经结束，且是由Python终结的。这历史性的一幕并非突如其来。早在 2018 年开始，的市场份额整体就开始呈上升趋势，去年 11 月更是首次打破了 Java 和 C 长期霸占榜单前二的格局，。
python数据分析练习题
02-25
python数据分析练习题
Python Excel数据分析 Python源码
最新发布
11-16
Python Excel数据分析 Python源码Python Excel数据分析 Python源码Python Excel数据分析 Python源码Python Excel数据分析 Python源码Python Excel数据分析 Python源码Python Excel数据分析 Python源码Python Excel...
python数据分析 python数据分析
08-06
python数据分析
python数据分析pandas数据源
10-09
python数据分析pandas数据源python数据分析pandas数据源python数据分析pandas数据源python数据分析pandas数据源python数据分析pandas数据源python数据分析pandas数据源python数据分析pandas数据源python数据分析...
Python数据分析实战源代码
05-15
资源合计6大章节。...资源包含了数据准备、数据处理、数据的可视化，包括爬虫（网页数据抓取）、MySQL的连接、以及数据分析项目，具备完整的一个数据分析的流程，其中每一个章节都是独立的一个模块。
python数据分析课程设计
03-17
其中包含4个案例，以毕业论文的格式写出。包含原始数据。代码可复制粘贴。
python超市销售数据分析
12-11
利用python对超市销售数据进行处理、统计、分析、撰写报告。 近些年来，由于网络的快速普及，网购的兴起以及新零售行业的 改革与发展，消费者在购买商品时有了更多的对比和选择，使得传统 的超市行业面临着巨大的...
17 - python数据分析行业的分析
08-11
17 | python数据分析行业的分析
openCV实现快递面单识别代码
03-28
对于一个AI语言模型来说，不能够提供完整的代码，但是可以提供一个大致的思路： 1. 使用openCV库加载图片，并进行预处理，例如灰度化、二值化、去噪等操作。 2. 对于快递面单的识别，可以使用OCR技术，例如Tesseract-OCR库。将预处理后的图片输入到Tesseract-OCR中进行识别，得到文本信息。 3. 对于识别出的文本信息，可以使用正则表达式进行匹配，提取出需要的信息，例如快递单号、发件人、收件人等。 4. 将提取出的信息进行存储或输出。 需要注意的是，实际的实现可能会比这个流程更加复杂，需要根据具体情况进行调整。此外，识别的准确率也会受到图片质量、光照条件等因素的影响，需要进行充分的测试和调优。

“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 7
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

散一世繁华，颠半世琉璃

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