电商平台用户行为分析—SQL

已于 2022-05-09 19:08:04 修改
阅读量1k 收藏 14
点赞数 1
分类专栏： 用户行为分析 文章标签： mysql 数据分析
于 2022-05-08 18:09:05 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/rubyw/article/details/124632518
版权

分析工具：navicat for mysql

一、项目背景

数据来源于某电商平台关于电子、家电等产品的销售数据情况，将围绕产品和用户两大方面展开叙述，为电商平台制定策略提供分析及建议。

源数据共有11个字段，数据量共56W左右

字段解释：

1 event_time 下单时间
2 order_id  订单编号
3 product_id 产品编号
4 category_id 类别编号
5 category_code 类别
6 brand 品牌
7 price 价格
8 user_id 用户编号
9 age 年龄
10 sex 性别
11 local 省份

根据navicat的导入向导把源数据data.csv导入数据库名为behavior中的data表中，然后新建查询执行mysql语句进行相关分析。

二、数据清洗

1.重复值处理

  • 查找重复值
SELECT * FROM data
GROUP BY event_time, order_id, product_id, category_id, category_code, brand, price, user_id, age, sex, `local`
HAVING COUNT(*) > 1;

查出共有649条

  • 去除重复值
DELETE FROM data
WHERE (event_time, order_id, product_id, category_id, category_code, brand, price, user_id, age, sex, `local`) in (
SELECT t.* FROM (
SELECT * FROM data
GROUP BY event_time, order_id, product_id, category_id, category_code, brand, price, user_id, age, sex, `local`
HAVING COUNT(*) > 1) t
)
AND
user_id NOT IN (
SELECT t.user_id FROM (
SELECT * FROM data
GROUP BY event_time, order_id, product_id, category_id, category_code, brand, price, user_id, age, sex, `local`
HAVING COUNT(*) > 1) t
);

2.缺失值处理

  • 查找空值
select count(event_time),count(order_id),count(product_id),count(category_id),count(category_code),count(brand),count(price),count(user_id),count(age),count(sex)
from data;

 只有category_code,brand有缺失值,brand缺失值较少直接删除，category_code字段有大量缺失，不能直接删除，使用0填充，方便后续操作。

  • 删除缺失值—brand
DELETE FROM `data`
WHERE brand IS NULL;
  • 填充缺失值—category_code
UPDATE data
SET category_code = 0
WHERE
	category_code IS NULL;

 3.时间处理

-- 增加字段date_time
ALTER TABLE data ADD COLUMN date_time VARCHAR(255) NULL; -- 在表data中插入新的一列：列名为date_time，约束条件为NULL
UPDATE `data`
SET date_time = str_to_date(SUBSTRING_INDEX(event_time,' ',2), '%Y-%m-%d %H:%i:%s');

-- 取日期
ALTER TABLE data ADD COLUMN date DATE NULL; -- 在表data中插入新的一列：列名为date，数据类型为DATE,约束条件为NULL
UPDATE `data`
SET date = date_format(date_time, '%Y-%m-%d');

-- 删除字段event_time
ALTER TABLE `data` DROP event_time;

-- 取月份
ALTER TABLE data ADD COLUMN month CHAR(10) NULL;
UPDATE `data`
SET month = EXTRACT(month from date);

-- 取时刻
ALTER TABLE data ADD COLUMN hour CHAR(10) NULL;
UPDATE `data`
SET hour = EXTRACT(hour FROM date_time);

-- 取周几
ALTER TABLE data ADD COLUMN weekday CHAR(10) NULL;
UPDATE `data`
SET weekday = dayofweek(date_time);

 4.异常值处理

  • date
SELECT date from data where date < '2020-04-24' or date > '2020-11-21';

DELETE from data where date < '2020-04-24' or date > '2020-11-21';
  •  age
-- 最大年龄、最小年龄
SELECT max(age), min(age) from data;

 最大年龄50岁，最小年龄为16岁，没有异常

  • price
SELECT min(price) FROM data;

最小价格为0元，存在异常，查看这部分数据情况

SELECT * FROM `data`
WHERE price=0;

 从price为0的这部分数据可以看出其对应的category_code大部分为缺失值，说明这部分商品很可能是赠品或中奖商品，不应该算入用户主动消费行为中，没有分析价值，所以予以删除。

DELETE FROM `data`
WHERE price=0;

 三、用户分析

1.性别

-- 性别
SELECT 
	sex,
	count(DISTINCT user_id) 用户人数,
	concat(round(count(DISTINCT user_id)/(SELECT count(DISTINCT user_ID) FROM data)*100,2),'%') 用户占比,
	round(sum(price)/10000,2) '消费金额(万美元)',
	round(sum(price)/count(DISTINCT user_ID),2) '人均消费(万美元)',
	concat(round(sum(price)/(SELECT sum(price) from data),2)*100,'%') 消费占比
FROM 
	data
GROUP BY
	sex
WITH ROLLUP;

 男女在人数和消费金额方面并无明显差异

2.年龄

-- 创建视图age_cut年龄分段
CREATE VIEW age_cut AS
SELECT order_id, product_id, category_id, category_code, brand, price, user_id, age, sex, `local`,
CASE 
WHEN age <= 18 THEN '[16-18]'
WHEN age >=19 AND age <= 25 THEN '[19-25]'
WHEN age >= 26 AND age <= 35 THEN '[26-35]'
WHEN age >=36 AND age <= 45 THEN '[36-45]' ELSE '[45-50]' END AS age_cut,
date_time, date, `month`, `hour`, weekday
FROM data;

SELECT 
	age_cut,
	count(DISTINCT user_id) 用户人数,
	concat(round(count(DISTINCT user_id)/(SELECT count(DISTINCT user_ID) FROM data)*100,2),'%') 用户占比,
	round(sum(price)/10000,2) '消费金额(万美元)',
	count(order_id) AS 下单次数,
	round(sum(price)/count(DISTINCT user_ID),2) '人均消费(万美元)',
  round(count(order_id)/count(DISTINCT user_id), 2) AS '人均下单(次)',
	concat(round(sum(price)/(SELECT sum(price) from data),2)*100,'%') 消费占比
FROM 
	age_cut
GROUP BY
	age_cut
WITH ROLLUP;

26-45岁人群的数量占比、消费金额、下单次数均比较大，是消费主力军，经济相对独立自主；

46-50岁人群的人均消费和人均下单都是最大的，虽然人数少，但具有巨大的消费潜力，家庭稳定，经济富裕，追求品质更高。

3.区域

SELECT 
	`local`,
	count(DISTINCT user_id) 用户人数,
	concat(round(count(DISTINCT user_id)/(SELECT count(DISTINCT user_ID) FROM data)*100,2),'%') 用户占比,
	round(sum(price)/10000,2) '消费金额(万美元)',
	round(sum(price)/count(DISTINCT user_ID),2) '人均消费(美元)',
	concat(round(sum(price)/(SELECT sum(price) from data),2)*100,'%') 消费占比
FROM 
	data
GROUP BY
	`local`
WITH ROLLUP;

很明显从用户人数和消费金额来看，北京、上海、广东均位列前三名，也比较符合我们的认知，其中广东均为第一；

从人均消费情况来看，湖南、海南、四川位于前三名，其中只有湖南和海南的人均消费超过整体的人均消费水平。

四、用户行为分析

1.复购分析

-- 创建视图记录用户消费次序情况
create view `order of buy` as
select distinct user_id,date,
                dense_rank()over(partition by user_id order by date) as buy_rank
from data;

 

  • 计算 复购率
-- 复购率
SELECT count(*)/(SELECT count(DISTINCT user_id) FROM data) AS 复购率
FROM `order of buy`
WHERE buy_rank = 2;

 复购率为47%左右，不算高，说明用户的忠诚度不高。

  • 计算用户复购周期
-- 用户复购周期情况
select A.user_id,A.date,
       datediff(B.date,A.date) as `用户购买周期(天)`
from `order of buy` as A
join `order of buy` as B
on A.user_id = B.user_id
and A.buy_rank = B.buy_rank -1;

 用户购买周期时间较长

  • 计算用户平均复购周期
-- 用户平均复购周期
select  avg(`用户购买周期(天)`) as `平均复购周期(天)`
from
(select A.user_id,A.date,
       datediff(B.date,A.date) as `用户购买周期(天)`
from `order of buy` as A
join `order of buy` as B
on A.user_id = B.user_id
and A.buy_rank = B.buy_rank -1) as C;

  • 计算用户最长消费间隔
-- 用户最长消费间隔
select A.user_id,首次消费日期,最后消费日期,
       datediff(最后消费日期,首次消费日期) as 最长消费间隔
from
  ( select user_id,date as 首次消费日期 from `order of buy`
          where buy_rank = 1) as A
join
  ( select user_id,
           max(date) as 最后消费日期 from `order of buy`
          where buy_rank > 1
    group by user_id ) as B
on A.user_id = B.user_id;

 

-- 平均最长消费间隔时间
select avg(最长消费间隔) as 平均最长消费间隔
from
(select A.user_id,首次消费日期,最后消费日期,
       datediff(最后消费日期,首次消费日期) as 最长消费间隔
from
  ( select user_id,date as 首次消费日期 from `order of buy`
          where buy_rank = 1) as A
join
  ( select user_id,
           max(date) as 最后消费日期 from `order of buy`
          where buy_rank > 1
    group by user_id ) as B
on A.user_id = B.user_id) as C ;

 

 平均复购周期为19天，平均最长消费间隔为55天，考虑到商品耐用的性质也算合理

2.月份

-- 用户人数、消费额按月份分布
SELECT b.month, a.用户数, b.消费额, round(b.消费额/a.用户数, 2) AS 平均消费额 FROM(
(SELECT month, count(DISTINCT user_id) AS 用户数
FROM `data`
GROUP BY `month`) AS a
RIGHT JOIN
(SELECT `month`, sum(price) AS 消费额
FROM `data`
GROUP BY `month`) AS b
ON b.month=a.month);

 八月份的用户数、消费额均为最高；

十月、十一月的平均消费额较高，其中十一月的用户数较少但平均消费额确实最高的；

四月份的用户数、消费额、平均消费额均为最低，可以分析下原因制定对应措施刺激用户消费。

3.时刻

-- 用户人数、消费额按时刻分布
SELECT a.hour, a.用户数, b.消费额, round(b.消费额/a.用户数, 2) AS 平均消费额 FROM(
(SELECT hour, count(DISTINCT user_id) AS 用户数
FROM `data`
GROUP BY `hour`) AS a
JOIN
(SELECT `hour`, sum(price) AS 消费额
FROM `data`
GROUP BY `hour`) AS b
ON b.hour=a.hour);

用户喜欢在上午7点-10点进行下单消费

4.星期

-- 用户人数、消费额按星期分布
SELECT b.weekday, a.用户数, b.消费额, round(b.消费额/a.用户数, 2) AS 平均消费额 FROM(
(SELECT weekday, count(DISTINCT user_id) AS 用户数
FROM `data`
GROUP BY `weekday`) AS a
JOIN
(SELECT `weekday`, sum(price) AS 消费额
FROM `data`
GROUP BY `weekday`) AS b
ON b.weekday=a.weekday);

星期二的用户数最多，但平均消费额却最低；

星期日的用户数较低，但消费额和平均消费额却是最大的。

-- 用户人数、下单次数、消费金额按时刻、年龄段分布
SELECT hour, age_cut, count(DISTINCT user_id) AS 用户数, count(order_id) AS 下单次数, sum(price) AS 消费金额
FROM age_cut
GROUP BY `hour`, age_cut
ORDER BY `hour`;

 五、用户价值分析

1.帕累托分析

-- 20%的用户
SELECT count(DISTINCT user_id)*0.2 FROM `data`;

20%的用户大约有18360名 

-- 消费前20%用户消费额总占比
SELECT round(sum(t.`消费额`)/(select sum(price) from data), 4) AS 消费额占比
FROM(
SELECT user_id AS 用户, sum(price) as 消费额
FROM data
GROUP BY user_id
ORDER BY 消费额 DESC
LIMIT 18360) t

 

消费前二十名的用户却只贡献了72%左右的消费，接近80%，差不多满足“二八原则”。

2.RFM模型

-- 创建RFM模型视图
CREATE VIEW RFM AS
SELECT a.user_id, a.R, b.F, b.M FROM(
-- 计算R值
(select user_id,
       datediff('2020-11-21',date) as R
from `order of buy` as A
where buy_rank =
               (select max(buy_rank) from `order of buy` as B
                   where A.user_id = B.user_id)) AS a
JOIN
-- 计算F、M值
(select user_id,
       count(order_id) as F,
       sum(price) as M
from data
group by user_id) AS b
ON a.user_id=b.user_id);

-- 计算RFM阈值
select avg(R) as R阈值,avg(F) as F阈值,avg(M) as M阈值
from RFM;

 

-- 创建视图RFM用户价值分类
create view RFM用户价值分类 as
select user_id,
       case when R > 97.0029 and F > 5.2430 and M > 1168.490588 then '重要价值用户'
            when R > 97.0029 and F < 5.2430 and M > 1168.490588 then '重要发展用户'
            when R < 97.0029 and F > 5.2430 and M > 1168.490588 then '重要保持用户'
            when R < 97.0029 and F < 5.2430 and M > 1168.490588 then '重要挽留用户'
            when R > 97.0029 and F > 5.2430 and M < 1168.490588 then '一般价值用户'
            when R > 97.0029 and F < 5.2430 and M < 1168.490588 then '一般发展用户'
            when R < 97.0029 and F > 5.2430 and M < 1168.490588 then '一般保持用户'
            when R < 97.0029 and F < 5.2430 and M < 1168.490588 then '一般挽留用户'
       end as 用户价值分类
from RFM;

-- 用户价值分类统计分析
select 用户价值分类,count(user_id) as 用户数,
       concat(round(count(user_id)/(select count(user_id) from rfm)*100,2),'%') as 用户数比率
from rfm用户价值分类
group by 用户价值分类
order by 用户价值分类;

 

其中，一般发展用户和一般挽留用户数量最多，明显大于其他用户，处于流失边缘的客户很高，重要价值客户反而很少。

 六、产品分析

1.销量 TOP10

-- 销量TOP10的产品
SELECT product_id, count(product_id) AS 销量, category_code
FROM `data`
GROUP BY product_id
ORDER BY 销量 DESC
LIMIT 10;

-- 销量TOP10的产品种类
SELECT category_id, count(category_id) AS 销量, category_code
FROM `data`
GROUP BY category_id
ORDER BY 销量 DESC
LIMIT 10;

-- 销量TOP10的品牌
SELECT brand, count(brand) AS 销量
FROM `data`
GROUP BY brand
ORDER BY 销量 DESC
LIMIT 10;

 销量前十的产品大部分是智能手机；

销量前十的产品种类主要是电子产品、电脑相关产品、厨房用具；

销量表现最好的品牌是三星，其次苹果；

2.销售额TOP10

-- 销售额TOP10的产品
SELECT product_id, sum(price) AS 销售额, category_code
FROM `data`
GROUP BY product_id
ORDER BY 销售额 DESC
LIMIT 10;


-- 销售额TOP10的品牌
SELECT brand, sum(price) AS 销售额
FROM `data`
GROUP BY brand
ORDER BY 销售额 DESC
LIMIT 10;

销售额中表现最好的是智能手机， 表现最好的品牌是三星。

3.三星手机对应的人群特征

  • 年龄
-- 年龄
SELECT age_cut, count(brand) AS 销量
FROM age_cut
WHERE brand='samsung'
GROUP BY age_cut
ORDER BY 销量 DESC;

 三星用户的年龄主要集中在26—45岁年龄群

  • 性别
-- 性别
SELECT sex, count(brand) AS 销量
FROM data
WHERE brand='samsung'
GROUP BY sex
ORDER BY 销量 DESC;

 男女用户数量差别不大

  • 区域
SELECT `local`, count(brand) AS 销量
FROM data
WHERE brand='samsung'
GROUP BY `local`
ORDER BY 销量 DESC;

 区域主要集中在广东、上海、北京这三个城市

七、结论

1.用户总体特点：

  • 男性、女性在消费人数、消费金额相差不大，在喜爱产品类别、品牌上基本一致；
  • 26-45岁人群主要是在职人员，经济独立自主，是消费主力军；46-50岁人群家庭稳定、经济压力较小，购买力强，追求更高的品质；
  • 北上广城市是消费主力市场，湖南、海南、四川市场潜力巨大，购买力强，后续可重点关注拓展；

2.用户行为习惯特点：

  • 由于产品具有耐消耗的特质，所以复购周期相对较长，但在接受范围内；
  • 用户在八月份表现最好，在十月份、十一月份这样有活动的月份用户却不活跃，下单较少，没有吸引到用户，需要对活动策划反思，在四月份表现最差，需要寻找原因；
  • 用户喜欢在上午7点-10点下单；
  • 在星期二下单的用户最多，但大都是小额消费；在星期日下单的用户最少，但大都是大额消费。

3.用户价值分析：

  • 用户消费接近“二八原则”，即20%的用户贡献80%的销售，需要对这部分高价值用户重点关注，进行更精细化的营销，后续为这些高价值用户提供更多的高价值消费品，但也要扩大其他用户消费；
  • 一般发展用户和一般挽留用户数量占比最多，需要对一般发展用户重点关注，刺激消费频率和力度，处于流失边缘的客户需要分析原因。

4.产品分析

  • 销量、销售额表现最好的产品种类是电子产品、产品是智能手机、品牌是三星；
  • 三星对应的消费人群特征和用户的总体特征基本一致；
  • 表现较差的产品可能已经过时被淘汰，可以考虑是否下架。
rubyw
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
java毕业设计——基于JSP+sqlserver的网络购物中心设计与实现（毕业论文+程序源码）——网络购物中心
m0_66238867的博客
05-03 2665
随着Internet国际互联网的发展，越来越多的企业开始建造自己的网站。基于Internet的信息服务，商务服务已经成为现代企业一项不可缺少的内容。很多企业都已不满足于建立一个简单的仅仅能够发布信息的静态网站。现代企业需要的是一个功能强大的，能提供完善的电子商务服务的动态商务网站。JSP（Active Server Pages）是Microsoft提出的一种网络服务器端编程环境。JSP已经成为开发动态网站的重要而快速、有效的工具。JSP强大的功能使之成为一种优秀的服务器技术。
SQL教程
guowang
02-01 414
usedbName --使用当前数据库 createdatabasedbName --创建数据库 dropdatabasedbName --删除数据库 --创建表 Create table Product( Product_id char(4) not null, Product_name vachar(100), Primary key (product_id) ) Alter table aaa add aaa_Name varchar(100) --...
网上商店商城购物系统(asp.net,sqlserver,三层架构)
dacao_123的博客
12-01 6466
网上商店商城购物系统(asp.net,sqlserver,三层)(毕业论文10000字以上,程序代码,SqlServer数据库) 【运行环境】 VisualStudio SqlServer
SQL如何进行帕累托分析？（窗口函数、累计百分比分类）
前景
08-11 1821
SQL如何进行帕累托分析？（窗口函数、累计百分比分类）
【实战】淘宝电商用户行为分析——SQL
Bsienwuw的博客
06-02 1387
项目实战
电商用户行为分析大数据平台.zip
06-16
4.电商用户行为分析大数据平台（项目名称） 5.访问行为，购物行为，广告点击行为，对这些行为进行分析，使用大数据技术来帮助公司提升业绩。 6.主要的功能模块有用户session分析，页面单跳转化率统计，热门商品...
UserActionAnalyzePlatform:电商用户行为分析大数据平台
05-26
电商用户行为分析大数据平台 项目介绍 1.基于Spark开发的平台 2.需要有spark基础 3.有很多高级知识和设计模式 4.电商用户行为分析大数据平台（项目名称） 5.访问行为，购物行为，广告点击行为，对这些行为进行分析，...
基于Saprk开发实现的电商平台用户行为分析系统完整源码+项目说明.7z
12-13
基于Saprk开发实现的电商平台用户行为分析系统完整源码+项目说明.7z 本项目主要用于互联网电商企业中使用Spark技术开发的大数据统计分析平台， 对电商网站的各种用户行为（访问行为、购物行为、广告点击行为等）进行...
Spark大型项目实战：电商用户行为分析大数据平台开发实战
07-12
该模块可以让产品经理、数据分析师以及企业管理层形象地看到各种条件下的具体用户行为以及统计指标.从而对公司的产品设计以及业务发展战略做出调整.主要使用Spark Core实现. 2、页面单跳转化率统计,该模块主要是计算...
电商用户行为分析大数据平台
最新发布
07-28
4.电商用户行为分析大数据平台（项目名称） 5.访问行为，购物行为，广告点击行为，对这些行为进行分析，使用大数据技术来帮助公司提升业绩。 6.主要的功能模块有用户session分析，页面单跳转化率统计，热门商品...
购物网站源代码+数据库SQL语句
02-29
一个普通的购物网站，使用JSP+Serverlet+MSSQLSERVER数据库。 包括源代码和数据库的SQL语句
面试系列六 之 用户行为数据分析
chbxw
06-21 844
一、数仓分层架构表
SQL-DAY 9（SQL应用案例：电商用户、商品、平台价值分析）
Fan20190515的博客
12-16 1163
文章目录1.项目背景1.1 分析流程 1.项目背景    随着电商⾏业近⼏年的迅猛发展，电⼦商务从早些年的粗放式经营，逐步转化为精细化运营。随着平台数据量的不断积累，通过数据分析挖掘消费者的潜在需求，消费偏好成为平台运营过程中的重要环节。本项⽬基于某电商平台⽤户⾏为数据，在MySQL关系型数据库，探索⽤户⾏为规律，寻找⾼价值⽤户；分析商品特征，寻找⾼贡献商品；分析产品功能，优化产品路径。 1.1 分析流程 ...
用户复购周期计算
liying700的博客
10-11 7407
用户复购周期（两次购买之间的时间间隔） 一、首先使用SQL进行计算 注：用户在一天中发生多次购买则只记为1次购买。 1.根据用户id与购买日期进行分组，将一天内发生多次消费记录进行合并。 DROP TABLE member_Repurchase_cycle_01; CREATE TABLE member_Repurchase_cycle_01 AS SELECT * FROM member_Rep...
帕累托图的SQL数据实现
mao_mu_mu的博客
04-01 1782
一、oracle数据查询出需要展示的数据结果 select rownum id, sum(t.cap_ratio) over (order by rownum rows between unbounded preceding and current row) sum_cap_ratio, t.user_ratio from (select rownum id
hivesql实现不同的求和需求【分组求和、帕累托累计求和、滑动求和】
zyq_victory的博客
03-06 1919
hivesql求和，分组求和，帕累托累计求和，滑动求和
Pyhton零售数据分析及产品关联分析
weixin_45199392的博客
03-08 2357
项目以购物篮分析为切入，分析某跨国零售商的历史订单数据，为企业在监测业务指标、识别业务问题、商品运营及用户运营提供提供建议
用户消费行为分析
wzj1194922660的博客
11-17 928
用户消费行为分析 数据源：https://links.jianshu.com/go?to=https%3A%2F%2Fpan.baidu.com%2Fs%2F1_co54-bX9Mz_e_NWV4xtOg 一、思路 1.引入库 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns 2.读数据,概览 columns = ['用户ID','订单日期','订购数','订单金额'
【SQL Server】网上购物商城数据库设计报告(专业课设作品附上sql文件文档)
热门推荐
go
07-30 5万+
目录一、需求分析1.1 背景1.2 数据需求1.3 事物需求1.4 数据流程图二、概念结构设计2.1 E-R图三、关系模式3.2 数据逻辑结构四、物理结构设计4.1 建立一个数据库4.2 建立八张表4.3 建立表的连接五、系统功能的实现5.1 数据库建立5.2 创建立数据表5.3 建立表连接5.4 数据初始5.4.1 管理員初姶化5.4.2添加商品組信息5.4.3 在各商品組加入商品5.4.4添加注册会員信息5.4.6 添加枚限信息5.4.7 添加管理员权限信息5.5 查询5.5.1 查询本站有哪些种类的商
基于spark的电商用户行为分析系统代码
07-11
4. 数据分析：利用Spark的分布式计算能力，编写Spark SQL或Spark DataFrame代码对存储在HDFS或NoSQL数据库中的用户行为数据进行离线分析，如用户留存率分析、用户购买路径分析、热门商品推荐等。也可以使用Spark ...

“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 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

rubyw

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