Coursera课程属性与评论情感分析

已于 2023-08-19 17:31:30 修改
阅读量908 收藏 4
点赞数
分类专栏： MOOC推荐与可视化分析 文章标签： python 数据分析
于 2023-03-28 11:41:38 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/snowydesert/article/details/129809343
版权
文章对Coursera平台的课程数据进行了深入分析，包括课程评分分布、难度级别与学生注册情况。数据显示，课程平均评分较高，中级课程评分可能因学习者期望严格而稍低。此外，还探讨了课程难度、评分和证书类型之间的关系，以及课程提供者的评价排名。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

介绍

Coursera

Coursera是全球最大的在线教育平台，拥有超过4000万注册用户，Coursera由美国斯坦福大学两名计算机科学教授达芙妮科勒 (Daphne Koller) 和吴恩达 (Andrew Ng) 于2012年在美国加利福尼亚州创办，其愿景是为世界各地的学习者提供变革性的学习体验。
Coursera上的所有课程都是由知名大学和顶尖公司或者其他学术机构提供的，认可度高。提供了世界上一些呗级大学的学位，例如耶鲁大学，伦敦帝国理工学院和 日内瓦大学。用户可以像完成普通大学一样，修卖完整的学士或硕士学位并获得认证。Coursera通过领先机构的高度合作关系，实现了在线教育领域变革性改变。迄今 为止，Cousera已经吸引了7.6亿亿多名学习者，100多家世界500强公司，包括以及6,400多家学校，企业和政府加入到Coursera。

数据集

Course dataset scrapped from Coursera website. This dataset contains mainly 6 columns and 890 course data. The detailed description:

course_title : Contains the course title.
course_organization : It tells which organization is conducting the courses.
courseCertificatetype : It has details about what are the different certifications available in courses.
course_rating : It has the ratings associated with each course.
course_difficulty : It tells about how difficult or what is the level of the course.
course_students_enrolled : It has the number of students that are enrolled in the course.

课程属性分析

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as sps
import os
import seaborn as sns
from scipy import stats
import warnings

import os
warnings.filterwarnings('ignore')

df=pd.read_csv("/kaggle/input/coursera-course-dataset/coursea_data.csv")
df=df.drop("Unnamed: 0",axis=1) 
df.describe(include=['object']).T
countuniquetopfreq
course_title891888Developing Your Musicianship2
course_organization891154University of Pennsylvania59
course_Certificate_type8913COURSE582
course_difficulty8914Beginner487
course_students_enrolled891205120k22

课程平均分为4.68，课程质量较高，最小值3.3，最大值5.
————————————————–——————————
评分分布

sns.set(rc={'figure.figsize':(10,10)})
ax = sns.boxenplot( y="course_rating", data=df,
                   showfliers=False,color='orange')
ax = sns.stripplot( y="course_rating", data=df,
                   size=4, color="maroon",alpha=0.2)
ax.axes.set_title("\ncourse Rating Distribution\n",fontsize=30)

在这里插入图片描述

sns.set(rc={'figure.figsize':(10,5)})
p=sns.distplot(df['course_rating'],color='darkcyan',fit_kws={"color":"red"},fit=stats.gamma, label="label 1")
p.axes.set_title("\ncourse Rating Distribution\n",fontsize=30)

在这里插入图片描述
难度-评分 联合分布

sns.set(rc={'figure.figsize':(20,10)})
ax = sns.countplot(hue="course_rating", x="course_difficulty", data=df,palette="mako")
ax.axes.set_title("\nFrequency Distribution based on difficulty\n",fontsize=20)

在这里插入图片描述
高级课程由于数量较少评分起伏不大；初级课程的评分分布与总的评分分布相接近；中级课程的评分峰值不是很高，可能由于学习者积累了一定知识，评分时更加严格。
评分-类型 联合分布

sns.set(rc={'figure.figsize':(20,10)})
ax = sns.countplot(hue="course_rating", x="course_Certificate_type", data=df,palette="ch:s=-.2,r=.6")
ax.axes.set_title("\nRating distribution per course type\n",fontsize=20)

在这里插入图片描述
评分-类型-难度 联合分布

sns.set(rc={'figure.figsize':(10,5)})
ax = sns.countplot(hue="course_difficulty", x="course_Certificate_type", data=df,palette="rocket_r")
ax.axes.set_title("\nRating distribution per course type : Combined\n",fontsize=20)

在这里插入图片描述
混合难度的课程分布不稳定，其余分布均比较稳定
证书分布

sns.set(rc={'figure.figsize':(10,5)})
ax = sns.countplot( x="course_difficulty", data=df,palette="crest")
ax.axes.set_title("\nDistribution per course type \n",fontsize=20)

在这里插入图片描述

sns.set(rc={'figure.figsize':(10,5)})
ax = sns.countplot( x="course_Certificate_type", data=df,palette="ch:s=.8,r=.1")
ax.axes.set_title("\nRating distribution per course certification type : Combined\n",fontsize=20)

在这里插入图片描述
数据清洗

  • 去除第一列
  • 删除课程名属性（课程名不唯一，可以用id替代）
  • 其它

修改注册人数数值表示

df_fe1=df.copy()
def course_students_enrolled_modifier(x):
    return x[:-2]
df_fe1['course_students_enrolled_modified']=df_fe1['course_students_enrolled'].apply(course_students_enrolled_modifier)
df_fe1['course_students_enrolled_modified']=df_fe1['course_students_enrolled_modified'].apply(pd.to_numeric)
df_fe1 =df_fe1.drop(['course_students_enrolled'],axis=1)
df_fe1
course_titlecourse_organizationcourse_Certificate_typecourse_ratingcourse_difficultycourse_students_enrolled_modified
0(ISC)² Systems Security Certified Practitioner…(ISC)²SPECIALIZATION4.7Beginner5.0
1A Crash Course in Causality: Inferring Causal…University of PennsylvaniaCOURSE4.7Intermediate1.0
2A Crash Course in Data ScienceJohns Hopkins UniversityCOURSE4.5Mixed13.0
3A Law Student’s ToolkitYale UniversityCOURSE4.7Mixed9.0
4A Life of Happiness and FulfillmentIndian School of BusinessCOURSE4.8Mixed32.0
…………………

将课程难度属性修改为数值类型

def course_difficulty_modifier(x):
    if x=="Beginner":
        return "0"
    elif x=="Intermediate":
        return "1"
    elif x=="Mixed":
        return "0.5"
    elif x=="Advanced":
        return "2"
    else:
        return "0" 
"""as most courses are beginner level, we are assuming undefined will be beginner too."""

df_fe1['course_difficulty_modified']=df_fe1['course_difficulty'].apply(course_difficulty_modifier)
df_fe1['course_difficulty_modified']=df_fe1['course_difficulty_modified'].apply(pd.to_numeric)
df_fe1 =df_fe1.drop(['course_difficulty'],axis=1)
df_fe1
course_titlecourse_organizationcourse_Certificate_typecourse_ratingcourse_difficultycourse_students_enrolled_modified
0(ISC)² Systems Security Certified Practitioner…(ISC)²SPECIALIZATION4.70.05.0
1A Crash Course in Causality: Inferring Causal…University of PennsylvaniaCOURSE4.71.01.0
2A Crash Course in Data ScienceJohns Hopkins UniversityCOURSE4.50.513.0
3A Law Student’s ToolkitYale UniversityCOURSE4.70.59.0
4A Life of Happiness and FulfillmentIndian School of BusinessCOURSE4.80.532.0
…………………

注册人数分布

df_fe1[['course_difficulty_modified','course_students_enrolled_modified']].describe()
course_difficulty_modifiedcourse_students_enrolled_modified
count891.000000881.000000
mean0.3698098.511918
std0.47273810.731756
min0.0000001.000000
25%0.0000002.000000
50%0.0000005.000000
75%0.5000009.000000
max2.00000083.000000
sns.set(rc={'figure.figsize':(10,5)})
p=sns.distplot(df_fe1['course_students_enrolled_modified'],color='indigo')
p.axes.set_title("\n Course_students_enrolled Distribution\n",fontsize=20)

在这里插入图片描述

相关性分析

corrM = df_numaric.corr()
corrM
course_ratingcourse_students_enrolled_modifiedcourse_difficulty_modified
course_rating1.0000000.015939-0.089810
course_students_enrolled_modified0.0159391.000000-0.011343
course_difficulty_modified-0.089810-0.0113431.000000
sns.set(rc={'figure.figsize':(10,5)})
ax = sns.scatterplot( x='course_rating', y='course_difficulty_modified', data=df_numaric,palette="crest")

在这里插入图片描述
课程难度与评分无显著相关性
Top Rated Course Provider

df['course_title']=df['course_title']

g_uni['overall_rating']=(g_uni['course_students_enrolled_modified']/g_uni['course_students_enrolled_modified'].max())*3+(g_uni['course_rating']/g_uni['course_rating'].max())*7
g_uni=g_uni.sort_values(by='overall_rating',ascending=False)

g_uni.overall_rating.describe().T

在这里插入图片描述

g_unix=g_uni[g_uni['overall_rating']>=8.5]
g_unix
course_organizationcourse_students_enrolled_modifiedcourse_ratingsizeoverall_rating
58McMaster University23.0000004.80000019.857143
33Google - Spectrum Sharing21.0000004.90000019.739130
151École Polytechnique19.0000004.80000019.335404
52Ludwig-Maximilians-Universität München (LMU)19.0000004.75000029.263975
150deeplearning.ai18.3444954.743750169.169546
30Georgia Institute of Technology17.7000004.660000108.965839
142University of Washington16.6000004.66000058.822360
48Johns Hopkins University15.6785714.660714288.703194
123University of California, Irvine16.1481484.596296278.672418
79SAS13.6666674.76666738.592133
149Yonsei University13.7500004.75000048.579193
20Duke University14.5000004.664286288.554570
145Vanderbilt University14.3333334.66666738.536232
92The Museum of Modern Art13.0000004.78333368.528986
sns.set(rc={'figure.figsize':(25,5)})
plt.xticks(fontsize=20,rotation='vertical')
p=sns.barplot(x='course_organization',y="course_rating",data=g_unix,hue_order=g_uni['overall_rating'])
p.axes.set_title("\nBest course providers\n\n",fontsize=30)

在这里插入图片描述

课程评论分析

r=pd.read_csv('/kaggle/input/course-reviews-on-coursera/Coursera_reviews.csv')
r.head()
reviewsreviewersdate_reviewsratingcourse_id
0Pretty dry, but I was able to pass with just t…By Robert SFeb 12, 20204google-cbrs-cpi-training
1would be a better experience if the video and …By Gabriel E RSep 28, 20204google-cbrs-cpi-training
2Information was perfect! The program itself wa…By Jacob DApr 08, 20204google-cbrs-cpi-training
3A few grammatical mistakes on test made me do …By Dale BFeb 24, 20204google-cbrs-cpi-training
4Excellent course and the training provided was…By Sean GJun 18, 20204google-cbrs-cpi-training
from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
from PIL import Image
import nltk  
nltk.download('stopwords') 
from nltk.corpus import stopwords 
from nltk.stem.porter import PorterStemmer 
from collections import Counter
import cufflinks as cf
from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer
analyser = SentimentIntensityAnalyzer()

wordcloud = WordCloud(max_font_size=50, max_words=100, background_color="white").generate(' '.join(r.sample(10).reviews))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()

在这里插入图片描述
利用 Vader Sentiment 实现评论情感分析

def sentiment_analyzer_scores(sentence):
    score = analyser.polarity_scores(sentence)
    return score

neg=[]
neu=[]
pos=[]
comp=[]
for review in r.reviews:
    scores=sentiment_analyzer_scores(str(review))
    neg.append(scores['neg'])
    pos.append(scores['pos'])
    neu.append(scores['neu'])
    comp.append(scores['compound'])

r['s_pos']=pos
r['s_neu']=neu
r['s_neg']=neg
r['s_comp']=comp

r.head()
reviewsreviewersdate_reviewsratingcourse_ids_poss_neus_negs_comp
0Pretty dry, but I was able to pass with just t…By Robert SFeb 12, 20204google-cbrs-cpi-training0.1980.7070.0940.8504
1would be a better experience if the video and …By Gabriel E RSep 28, 20204google-cbrs-cpi-training0.0560.9440.0000.4404
2Information was perfect! The program itself wa…By Jacob DApr 08, 20204google-cbrs-cpi-training0.1610.7460.0930.6572
3A few grammatical mistakes on test made me do …By Dale BFeb 24, 20204google-cbrs-cpi-training0.1750.7430.0810.4633
4Excellent course and the training provided was…By Sean GJun 18, 20204google-cbrs-cpi-training0.3840.6160.0000.7823
for i in range(6,11):
    print ("----------------------------------------")
    print("Review : ",r['reviews'][i])
    print("Positivity:",r['s_pos'][i])
    print("Negativity:",r['s_neg'][i])
    print ("----------------------------------------")

----------------------------------------
Review :  Solid presentation all the way through. I really appreciated the intermittent questions that popped up to check on learning as well the regular (but not needless) quizzing. There was visuals such as charts / .ppt for those of us more visually inclined as well as a transcript below the video that followed along with the presentation!
Positivity: 0.135
Negativity: 0.0
----------------------------------------
----------------------------------------
Review :  Probably the best certification course I've taken in this respect. The course is planned out carefully, and I believe gave me everything I needed to ace my exam the first time around. The trainer for the majority of the course was awesome. She delivered the material in a great, professional mannor, but was never boring or monotoned. 
Positivity: 0.212
Negativity: 0.0
----------------------------------------
----------------------------------------
Review :  The ProctorU.com system took 2 times the amount of time spent on this course over 3 days to complete.  It is the worse production user system I have used in 20+ years of my IT career.    You should switch to another vendor.
Positivity: 0.0
Negativity: 0.07
----------------------------------------
----------------------------------------
Review :  Covered all of the required information in an easy to understand way and WITH VIDEO! Great, easy way to learn. The exam process was a bit drawn out and more extensive then it needed to be, but over all a great experience
Positivity: 0.246
Negativity: 0.0
----------------------------------------
----------------------------------------
Review :  Great course, lectures were straight forward and easy to follow along.  The course provided all the information necessary to pass the CPI examination for certification.
Positivity: 0.288
Negativity: 0.0
----------------------------------------

情感分布

sns.set(rc={'figure.figsize':(20,5)})
plt.xticks(fontsize=12)
p=sns.distplot(r['s_pos'],color='green')
p.axes.set_title("Positive Reviews",fontsize=20)

在这里插入图片描述

sns.set(rc={'figure.figsize':(20,5)})
plt.xticks(fontsize=12)
p=sns.distplot(r['s_neg'],color='red')
p.axes.set_title("Negative Reviews",fontsize=20)

在这里插入图片描述

sns.set(rc={'figure.figsize':(20,5)})
plt.xticks(fontsize=12)
p=sns.distplot(r['s_neu'],color='blue')
p.axes.set_title("Neutral Reviews",fontsize=20)

在这里插入图片描述

自然语言处理NLP-100例 | 第二篇：在线课程评论情感分析-本科毕设实战案例
“365天深度学习训练营”报名进行中～
10-12 4466
大家好，我是K同学啊~ 春去秋来，时间就这样嘀嗒嘀嗒的过去，不知道大家的毕设做得怎么样了呢 K同学就今天和大家分享一篇关于在线课程评论情感分析的实战案例，帮助大家找找灵感。 数据用的是一份公开的在线课程评论数据，我的环境如下 语言环境：Python3.6.5 编译器：jupyter notebook gensim版本号：4.0.1 你可以使用下面的语句配置好 gensim pip install gensim==4.0.1 -i https://pypi.mirrors.ustc.edu.cn/sim
使用胶囊网络进行情感分析
AI天才研究院
06-07 691
1.背景介绍 在自然语言处理（NLP）领域中，情感分析一直是一个重要的研究方向。情感分析的目标是从文本中提取出作者的情绪或者态度，这对于社交媒体监控、在线评论分析、品牌管理等都有着重要的应用价值。传统的情感分析方法主要依赖于手工制定的规则或者词典，但这种方法在处理复杂和含糊的语言表达时往往力不从心。 近年来，深度学习的发展为情感分析提供了
使用机器学习的方法对于在线评论进行情感分析
Reyiiiin的深夜一点半
03-13 4881
本项目的目的是：通过运用机器学习的方法，设计在线评论的情感分析模型，并且分析其效果。分为如下几个部分： 目录 1、在线评论情感分析系统的简单介绍 2、特征工程 3、所采用的机器学习方法 4、测试分析 5、结论 1、在线评论情感分析系统的简单介绍 本篇研究的内容是通过机器学习方法来研究文本评论内容中的情感倾向性。众所周知，网络中的评论是非常重要的，但是它的量很大，所以大部分评...
Coursera Course Dataset 库塞拉课程数据集-数据集
03-04
这是在黑客马拉松期间为项目目的生成的数据集。在这里，我已经报废了从Coursera官方网站的数据。我们的项目旨在通过回答几个问题来帮助任何新学习者获得正确的学习课程。这是一个智能课程推荐系统。 coursea_data.csv
（数据分析）网课评论分析
热门推荐
向日葵的专属太阳
12-27 1万+
本文通过爬取的数据，对<font color='bluee'>中国大学MOOC（icourse）、慕课网（imooc）、腾讯课堂（keqq）、网易云课堂（study163）</font>四个网课平台的课程信息及评论进行简要分析。同时，对数据分析的整体流程做一个总结。内容如有纰漏，敬请指出。
Coursera上10个值得去学习的机器学习课程（有字幕）
加百力 的技术博客
12-31 3644
除此之外你还将获得可共享证书和课程证书，课程视频和阅读材料、练习测验、带同伴反馈的评分作业、带反馈的评分测验、评分编程作业。完成后你将获得可共享证书和课程证书。除此之外，你还将获得课程视频和阅读材料、练习测验、带同伴反馈的评分作业、带反馈的评分测验、评分编程作业。完成后你将获得可共享证书和课程证书。除此之外，你还将获得课程视频和阅读材料、练习测验、带同伴反馈的评分作业、带反馈的评分测验、评分编程作业。除此之外，你还将获得课程视频和阅读材料、练习测验、带同伴反馈的评分作业、带反馈的评分测验、评分编程作业。
Andrew Ng(吴恩达) deep learning 课程 (coursera)
张月鹏的博客
09-16 7930
引言 前段时间 Andrew Ng(吴恩达)在 Coursera 开设了深度学习的课程，正如 Andrew 在 Coursera 上的机器学习课程一样，Andrew 总是面向零基础的工程师来授课，而不是有专业背景的人员。所以课程总是会力求直观且应用性强，但是往往对专业从事机器学习的人员来看略显简单，但是大牛对事物的理解还是值得参考的，所以我把课程中自己学到的要点记录如下。 第一课：神经网络...
一切皆是映射：情感分析：AI理解人类情感
AI天才研究院
07-16 665
一切皆是映射：情感分析：AI理解人类情感 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming / TextGenWebUILLM 一切皆是映射：情感分析：AI理解人类情感 关
深入解析Airbnb数据：Coursera项目报告
三、数据处理与分析流程 1. 数据获取 通过API或者其他方式，获取Airbnb的公开数据集。 2. 数据清洗 清洗数据包括处理缺失值、异常值、重复记录、格式统一等问题，为后续分析打下坚实基础。 3. 数据探索 在数据...
【2024最新】大数据描述性分析的发展趋势与技术前沿
最新发布
AI天才研究院
05-01 473
在全球数据量以年增40%的速度爆炸式增长（IDC《全球数据时代2025》）的背景下，企业面临“数据丰富但信息匮乏”的困境。描述性分析作为数据分析的第一步，通过总结数据的基本特征（如分布、趋势、异常），为后续预测性分析和决策支持奠定基础。核心技术原理（数据清洗、统计摘要、可视化）年度关键趋势（实时化、AI增强、多模态）实战案例与工具链行业应用与未来挑战本文采用“原理-实战-趋势”的递进结构：第2章解析核心概念与技术链路；第3章结合Python代码讲解关键算法；第4章用数学公式量化分析逻辑；
在线教育数据资源.zip
05-15
某大学构建了自己的在线教育平台，将多门在线课程放到平台上供学生进行在线学习，在学生学习过程中产生了很多数据，学校的领导和老师希望根据这些数据来评估学生的学习情况和在线课程质量，以便更好的进行学生学习情况分析和提升课程质量。
斯坦福大学收集的评论情感分析数据集
05-08
csv格式，斯坦福大学收集的评论情感分析数据集，比较齐全，好用。
【Coursera】处理来自不同分布的数据集
学渣的博客
12-11 1460
两个数据集不是来自同一分布的，有着不同的数学期望、方差，这样会导致训练集效果很好，但是模型在测试集上的效果很差，这时候需要调整一下训练策略了。ps：这不同于过拟合，本文讲的原因在于训练集和测试集的分布不同。
基于内容的课程推荐系统
snowydesert的博客
03-24 584
基于Coursera课程数据集，将课程名称向量化，计算与目标课程标题向量最相似的课程向量，实现基于内容的课程推荐。
某教育平台线上课程用户行为数据分析报告
amanoaki的博客
05-10 5505
目录 项目背景 分析思路 1.链路分析 2.指标拆解 探索数据(EDA) 数据处理 用户活跃度分析 1.区域维度 2.时间维度 用户流失分析 流失预警模型 1.流失用户定义 2.特种工程 3.特征筛选 4.数据建模 完整代码下载 项目背景 此数据集来自于2020年泰迪杯个人技能赛，为某线上教育平台真实数据。此次数据分析的基本目的有两个： 1.探索该线上教育平台的用户行为特征 2.发现业务增长点或业务问题，并用数据建模或其他方式提供相应支持 分析思路 首先...
Ai工程师-自然语言处理实战课程
03-13
购买课程后，添加小助手微信（微信号：csdn108）回复【唐宇迪】 进入学习群，获取唐宇迪老师答疑AI工程师-自然语言处理实战课程旨在用最接地气的方式讲解复杂的算法原理，基于真实数据集，通过实际案例进行项目实战。整个体系内容包括200+课时，20个项目实战，完美覆盖当下热门技术与经典框架实战。学习路线主要包括三大阶段：1.掌握Python在自然语言处理领域必备工具包使用方法 2.机器学习与深度学习在NLP领域常用算法原理与应用实践 3.基于经典框架展开项目实战(Tensorflow,Keras)。课程整体风格通俗易懂，实战案例驱动，提供全部课程所需数据，代码，课件。
图解Pandas的排序sort_values函数
尤尔小屋
07-13 1万+
图解Pandas的排序sort_values函数 大家好，我是Peter~ 在上一篇pandas的文章中已经介绍排名机制中rank函数的使用。其实在实现排名的过程，已经顺带实现了排序的功能；但是pandas中还有一个重要的方法来解决排序问题：sort_values。 Pandas连载 Pandas文章已经形成连载，前10篇文章分别是： 参数解释 DataFrame.sort_values(by, axis=0, ascending=Tru
教育行业公开数据集免费下载
weixin_41524411的博客
07-19 1万+
Edx在线课程数据 EdX是Harvard和MIT两所顶尖院校于2012年4月联合推出的在线慕课平台。用户可以在edX上学习这两所名校开设的超优质课程，内容涵盖计算机科学，技术，科学，工程，数学，人文，社会等不同领域。平台集中了尖端教育的资源，是免费给大众开放的非营利平台。 数据获取地址：Online Courses from Harvard and MIT 2）数据集中各字段含义： 共有2...
研究了数千个在线课程，我整理了一份数据科学入门课清单
weixin_34074740的博客
05-02 442
一年前，我退出了加拿大最好的计算机科学项目之一，利用在线资源开始创建属于自己的数据科学硕士课程。我意识到我可以通过edX, Coursera,以及Udacity学习我所需要的一切，而且学的更快、效率更高，学费更低。 数据可视化：Alanah Ryding 现在我差不多快要完成了。我上了很多数据科学相关的课程，旁听过更多课程的部分内容。我知道对于...
Coursera课程项目实践与分析
从这些信息中，我们可以推断出这是一份与Coursera平台相关的课程结业项目（Capstone）的资料，并且这份资料是以Jupyter Notebook形式呈现的。 首先，我们需要了解Coursera平台，它是一个大型的公开在线课程提供者，...
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