【数据分析】Pand函数详解进阶：案例解析(第26天)

已于 2024-07-07 11:38:58 修改
阅读量777 收藏 21
点赞数 29
分类专栏： 数据分析 文章标签： python 大数据 pandas 数据仓库 开发语言
于 2024-07-05 07:15:00 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/syhiiu/article/details/140159398
版权

系列文章目录

  1. 分组对象操作
  2. 分组聚合
  3. 分组转换
  4. 分组过滤
  5. 分箱
  6. 合并操作
  7. 变形操作

文章目录

前言

本文通过案例分析的方式详解了Pandas函数进阶常用操作。

提示：以下是本篇文章正文内容，下面案例可供参考

1 分组对象操作

  • 获取分组对象

    import pandas as pd
# 加载数据集
df = pd.read_csv('data/LJdata.csv')
df
# 实现分组操作是通过 groupby() 方法, 得到分组对象
# 对区域列进行分组操作
gs1 = df.groupby(by=['区域'])
gs1
type(gs1)
# 对多列进行分组操作
gs2 = df.groupby(by=['区域', '户型'])
gs2
type(gs2)

  • 分组对象聚合操作

    # gs1是分组之后的df对象, 直接调用聚合函数是对所有数值列进行聚合操作
gs1.mean()
# 获取分组df对象中某列数值列进行聚合操作
# 获取df中的列, df[列名]
print(gs1['价格'])
gs1[['价格', '面积']]
gs1['价格'].max()

  • 获取分组对象第一条或最后一条数据

    # 获取每组中的第一条数据
gs2.first()
gs1.first()
# 获取每组中的最后一条数据
gs2.last()

  • 获取分组对象分组信息

    # 获取分组
gs2.grouper.result_index
gs1.grouper.result_index
# 获取每组数据的索引值
gs1.groups

  • 获取分组对象分组数据

    gs2.get_group(name=('七里庄租房', '1室0厅'))
gs2.get_group(name=('CBD租房', '2室1厅'))
gs1['价格'].get_group(name='CBD租房')

2 分组聚合

2.1 df分组对象直接调用聚合函数

# df分组后直接调用聚合函数, 对df分组对象的所有数值列进行相同的聚合操作
# df.groupby(by=[分组列名1, 分组列名2, ...]).max/min/mean/sum/count()
# 对区域进行分组, 统计面积,价格以及看房人数列的平均值
df.groupby(by='区域').mean()
df.groupby(by=['区域']).count()

2.2 df分组对象指定聚合列

# df分组后对单列或多列进行聚合操作
# df.groupby(by=[列名1, 列名2, ...])[[列名]].聚合函数()  -> 一个[], 得到s对象; 两个[],得到df对象
# df.groupby(by=[列名1, 列名2, ...])[[列名1, 列名2, ...]].聚合函数()
# 对区域分组, 统计价格列的最小值, 一个[]返回s对象
df.groupby(by='区域')['价格'].min()
# 对区域分组, 统计价格列的最小值, 两个[]返回df对象
df.groupby(by='区域')[['价格']].min()
# 对区域分组, 统计价格和看房人数的求和
df.groupby(by=['区域'])[['价格', '看房人数']].sum()

2.3 df分组对象结合agg函数

  • 多个聚合函数

    # df分组后使用多个聚合函数
# df.groupby(by=[列名1. 列名2, ...])[[列名1, 列名2...]].agg([聚合函数名1, 聚合函数名2, ...])
# 对列名1进行多个聚合操作, 列名2进行多个聚合操作
# 聚合函数名可以是pandas内置的函数名 'max', 'min';也可以是numpy中的函数名 np.mean np.sum; 直接使用python的聚合函数 max min
import numpy as np
# 对户型分组, 统计面积和价格列的最小值,平均值以及求和
df.groupby(by='户型')[['面积', '价格']].agg([min, np.mean, 'sum'])

  • 不同列使用不同聚合函数

    # df分组后不同列使用不同聚合函数
# df.groupby(by=[列名1, 列名2, ...]).agg({列名1:聚合函数名1, 列名2:聚合函数名2, ...})
# 对户型分组, 统计面积的最大值以及价格的平均值
df.groupby('户型').agg({'面积':max, '价格':np.mean})

  • 使用自定义函数

    # df分组后使用自定义的函数进行聚合操作  参考apply()函数
# df.groupby(by=[列名1, 列名2, ...])[[列名1, 列名2, ...]].agg(自定义函数名, 参数2=, 参数3=)
# 手写求平均聚合操作
# 自定义函数最少接收一个参数, 分组后每组的数据
def avg_func(x, arg1):
    print('x的值是->', x)
    # 平均值 = 求和值 / 个数
    # x.sum()求和
    # x.size 统计个数
    m = x.sum() / x.size
    return m + arg1
df.groupby('户型')['价格'].agg(avg_func, arg1=10)

# 手写求平均聚合操作
# 自定义函数最少接收一个参数, 分组后每组的数据
def avg_func(x, arg1):
    print('x的值是->', x)
    print(type(x))
    # 平均值 = 求和值 / 个数
    # sum()求和
    # size 统计个数
    m = x['价格'].sum() / x['价格'].size
    return m + arg1

# 自定义函数中的x参数是df分组数据
df.groupby('户型').agg(avg_func, arg1=10)

def func(s):
    print('s的值是->', s)
    # 参数s是分组之后指定的每一列
    s_mean = s.sum() / s.size
    return s_mean 


res = df.groupby('户型')[['价格', '看房人数']].agg(func)
print(res)

3 分组转换

分组转换和分组聚合
分组转换是每组的聚合结果, 然后拼接到df后边, 不会改变df的行数; 分组之前的df有多少上数据, 分组转换之后还是多少行
分组聚合是每组的聚合结果和每组信息一同返回, 改变df的行数, 有多少分组返回多少行数据

# df分组之后对列进行转换(计算)操作
# df.groupby(by=[列名1, 列名2, ...])[[列名1, 列名2, ...]].transform(聚合函数)
df.groupby('户型')['价格'].agg('mean')
# 对户型分组, 统计价格列的平均值, 添加到原df后边
df.groupby('户型')['价格'].transform('mean')
# 类似于sql中的开窗函数
df['平均价格'] = df.groupby('户型')['价格'].transform('mean')
df

# transform(自定义函数名)
# 手写求平均值的函数
def func2(x, arg1):
    m = x.sum() / x.size
    return m + arg1

df.groupby(by='户型')['价格'].transform(func2, arg1=10)

4 分组过滤

# df.groupby(by=[列名1, 列名2, ...]).filter(lambda x: 判断条件)
# 判断条件返回True或False
# 对每组的数据结果进行判断, 留下满足条件的组数据, 删除掉不满足条件的组数据

# 根据户型分组, 保留平均价格大于1w的组数据
# x是df分组对象, 获取df中的价格列求平均值
# 判断条件是每组的价格平均值和10000比较, 不是每条数据的价格和10000比较
df.groupby(by='户型').filter(lambda x:x['价格'].mean() > 10000)

# x是df分组对象后的价格列 -> s对象
s1 = df.groupby(by='户型')['价格'].filter(lambda x: x.mean() > 10000)
s1.index
df.loc[s1.index]

5 分箱

# 分箱->根据df中的某列值进行分组操作
# pd.cut(x=s对象, bins=, labels=, right=, include_lowest=)
# x:分箱的列
# bins: 分箱的箱数(组数), 接受整数, 或分箱规则列表->[0, 20, 40] 0~20 20~40 40以上
# labels: 分箱的名称, 不写也会有默认值 
# right: 分箱规则列表, 默认左开右闭 True, 左闭右开 False
# include_lowest: 是否包含第一组中的起始值, 默认False不包含
# 根据价格列对数据成3组
df['价格分组'] = pd.cut(x=df['价格'], bins=3)
df
# (0, 4500]->低 (4500, 8500]->中 (8500, 210000]->高
df['价格分组2'] = pd.cut(x=df['价格'], bins=[0, 4500, 8500, 210000], labels=['低', '中', '高'])
df

6 合并操作

6.1 纵向合并

类似于sql中的 union all 操作, 将多个df纵向连接到一起

# 导入模块
import pandas as pd
# 创建数据集
df1 = pd.DataFrame([[1, 2, 3], [1, 10, 20], [5, 6, 7], [3, 9, 0], [8, 0, 3]], columns=['x1', 'x2', 'x3'])
df2 = pd.DataFrame([[1, 2], [1, 10], [1, 3], [4, 6], [3, 9]], index=[0, 2, 4, 6, 8], columns=['x1', 'x4'])
print(df1)
print(df2)

# df1.append(df2), 根据列名相同进行追加, 列名不同用NaN值填充
# 在df1中追加df2
# 新df会保留各自df的索引值
df1.append(df2)
df1.append(df2).reset_index(drop=True)
# ignore_index=True:重置新df的索引值
df1.append(df2, ignore_index=True)

# pd.concat([df1, df2, df3, ...])
# 纵向合并多个df, 根据列名相同进行合并, 列名不同用NaN值填充
pd.concat([df1, df2], axis=0)
# 可以通过join参数, 设置保留df之间共有的数据, 默认是outer->保留所有数据, 类似于全连接
pd.concat([df1, df2], axis=0, join='inner', ignore_index=True)

6.2 横向合并

  • concat()

    # pd.concat([df1, df2, df3, ...], axis=1, ignore_index=, join=)
# 将多个df根据行索引值进行合并, 索引值相同的合并, 不相同的用NaN值填充
pd.concat([df1, df2], axis=1)
# ignore_index=True: 重置列名
pd.concat([df1, df2], axis=1, ignore_index=True)
# join='inner': 保留共有的行数据
pd.concat([df1, df2], axis=1, join='inner')

  • merge()

    # pd.merge(left=, right=, on=, left_on=, right_on=, how=)  等同于sql的join/left join...
# df1.merge(df2, on=, how=)
# 根据指定的列值进行横向合并
# on=: 两个df相同的关联列名
# left_on/right_on: 两个df中没有相同的关联列名
# how: 合并方式, 默认是inner, 内连接
# 默认是内连接, how='innner'
df1.merge(df2, on='x1')
# left_on/right_on: 两个df中没有相同的关联列名
pd.merge(left=df1, right=df2, left_on='x3', right_on='x1')
# 外连接, how='outer', 关联不上的用NaN值填充
pd.merge(df1, df2, on='x1', how='outer')
# 左连接, how='left'
df1.merge(df2, on='x1', how='left')
# 右连接, how='right'
df1.merge(df2, on='x1', how='right')

  • join()

    # df1.join(df2, lsuffix=, rsuffix=, how=)
# 根据两个df的行索引值进行横向合并, 索引值不同的用NaN值填充
# lsuffix/rsuffix: 如果横向合并df中有重名的列名,需要通过此参数设置列名的后缀
# how: 默认是left, 保留左df的所有数据; right, outer, inner
df1.join(df2,lsuffix='_df1',rsuffix='_df2')
df1.join(df2,lsuffix='_df1', rsuffix='_df2', how='inner')
df1.join(df2,lsuffix='_df1', rsuffix='_df2', how='outer')

7 变形操作

7.1 转置

# 行变列, 列变行 -> 转置
# df.T
df1.T

7.2 stack和unstack

# 构造示例数据集
df3 = pd.DataFrame([[1, 2, 3], [4, 5, 6]], columns=['store1', 'store2', 'store3'], index=['street1', 'street2'])
df3
# stack() -> 将df表格转换成series花括号
df3.stack()
type(df3.stack())
# unstack() -> 将series花括号转换成df表格
# 对多列进行分组后, 可以通过unstack进行转换
df3.stack().unstack()

df = pd.read_csv('data/LJdata.csv')
temp = df.groupby(by=['户型', '朝向'])['价格'].mean()
temp
temp.unstack()

7.3 melt

# df.melt(id_vars=, value_vars=, var_name=, value_name=) 将数据实现宽变长操作
# id_vars:不变形的列名列表,  如果不指定,除了value_vars指定的变形列, 其余列都不变形(会被删除)
# value_vars: 变形的列名列表, 将指定的列名值保存到新列中, 如果不指定,除了id_vars不变形的列, 其余列都变形
# var_name: 指定变形列名保存到新列中的列名
# value_name: 指定变形列的值保存到新列的列名

df4 = pd.read_csv('data/music.csv')
df4
df4.melt(
    id_vars=['artist', 'track'],
    value_vars=['wk1', 'wk2']
)

df4.melt(
    id_vars=['artist', 'track'],
    value_vars=['wk1', 'wk2'],
    var_name='week',  # 修改存储变形列名列的列名
    value_name='score'  # 修改存储变形列值列的列名
)

# 只指定不变形的列, 剩余列需要变形
df4.melt(id_vars=['artist', 'track'])
# 只指定变形的列, 剩余列会被删除
df4.melt(value_vars=['wk1', 'wk2'])

temp.unstack().reset_index().melt(id_vars=['户型'])

7.4 pivot_table

# 透视表操作 -> 类似于分组聚合
# pd.pivot_table(data=, index=,columns=,values=,aggfunc=,margins=)
# index:分组列名, 作为新df的行索引值
# columns:分组列名, 作为新df的列名
# values:聚合列名
# aggfunc:聚合函数名
# margins: 是否在最后一行或一列添加求和结果

data = pd.read_csv('data/uniqlo.csv')
data.head()
# 获取销售渠道为线下的所有数据
new_data = data.query('channel=="线下"')
new_data
# 制作透视表, 获取不同城市(city->行索引)不同商品(product->列名)的销售总金额(revenue)
pd.pivot_table(data=new_data, index='city', columns='product', values='revenue', aggfunc='sum', margins=True)

# 分组聚合后unstack 等同于 透视表操作
new_data.groupby(by=['city', 'product'])[['revenue']].sum().unstack()

# index, columns, values 可以指定多列
pd.pivot_table(data=data, index=['city', 'channel'], columns=['product'], values=['revenue', 'quant'], aggfunc='sum')

pd.pivot_table(data=data, index=['city'], columns=['channel','product'], values=['revenue', 'quant'], aggfunc='sum')

在这里插入图片描述

老爹@
关注
专栏目录
一文速学(十)-数据分析之Pandas数据分组操作方法详解+代码展示
master_hunter的博客
05-05 3644
前言 Pandas的基础数据结构Series和DataFrame。若是还不清楚的可以再去看看我之前的博客详细介绍这两种数据结构的处理方法： 一文速学-数据分析之Pandas数据结构和基本操作代码 一文速学-Pandas实现数值替换、排序、排名、插入和区间切片 一些Pandas基础函数的使用方法： DataFrame行列表查询操作详解+代码实战 一文速学-Pandas索引重塑实现长宽表数据转换 DataFrame多表合并拼接函数concat、merge参数详解+代码操作展示 Pand....
Python数据分析补充：数据的分组与汇总（数据透视）
fightingoyo的博客
06-05 3378
数据汇总是指基于已有的明细数据做进一步的统计计算，这是数据分析过程中必备的基础知识，也是学习或工作中经常使用到的知识点，类似于Excel中透视表说完成的数据汇总以及数据库中实现的分组聚合。 Pandas模块既提供了Excel透视表的功能，也提供了数据库中的分组聚合功能。 一、透视表功能 该功能的主要目的就是实现数据的汇总统计，例如按照某个分组变量统计商品的平均价格、销售数量、最大利润等，或者按照某两个分组变量构成统计学中的列联表（计数统计），甚至基于多个分组变量统计各组合下的均值、中位数、总和等。 Pand
python数据分析函数_15个Python数据分析函数
weixin_39977934的博客
12-04 353
我们都有这种感觉，一些新知识如果不常使用，就会慢慢忘记。以至于，在做实际项目时，还是局限于自己认知范围里的那些API。要想克服这个弊病，真正将过往所学应用起来，可能需要真正吃透，并多思考，吸取精华，深入骨髓。近日，推送过一个关于数据分析的系列，主要参考了Pandas官方文档。今天，做一个小结，回顾复习下。以下所写未必足够专业，甚至某些术语值得批判，大家凑合着看吧，如果能帮我指正，不胜感激。Pand...
Python数据分析入门笔记9——数据预处理案例综合练习（男篮女篮运动员）
奥特曼打小白的专栏
05-20 1万+
前面学过了pandas数据清理、数据集成、数据变换和数据规约相关知识，今天用一个运动员基本信息的案例来练习删除重复值、填充缺失值、确认异常值、分组与聚合、轴向旋转和降采样等操作，以达到清理数据、整合数据、减少数据量、变换数据形式的目的。
Python 基于 Pandas 第三方库进行数据分析、数据处理详细教程（更新中）
唤醒手腕
10-07 2265
Pandas 是一个开源的第三方 Python 库，从 Numpy 和 Matplotlib 的基础上构建而来，享有数据分析“三剑客之一”的盛名（NumPy、Matplotlib、Pandas）。Pandas 已经成为 Python 数据分析的必备高级工具，它的目标是成为强大、灵活、可以支持任何编程语言的数据分析工具。Pandas 是什么？Pandas 这个名字来源于面板数据（Panel Data）与数据分析（data analysis）这两个名词的组合。
python数据分析 活用pandas库_Python数据分析:活用Pandas库:Pandas for everyone
weixin_28677005的博客
02-04 894
序 iv前言 v致谢 xi关于作者 xiv第 一部分 简介 1第 1章 Pandas DataFrame基础知识 21.1 简介 21.2 加载数据集 31.3 查看列、行、单元格 51.3.1 取列子集 61.3.2 取行子集 71.3.3 混合 111.4 分组和聚合计算 161.4.1 分组方式 17献词 iii序 iv前言 v致谢 xi关于作者 xiv第 一部分 简介 1第 1章 Pand...
Python连锁药店营业额数据分析实验
叶绿体不忘呼吸
08-03 2211
对于Excel文件的处理，常见的就是pandas库，我们引入pandas库之后通过read_excel方法就可以读取到指定的Excel文件，注意就是要指定sheet的名称。然后我们计算所有分店的总销售额，只需要遍历所有分店，然后用那一行的销量乘以那一行的单价，然后每次相加就可以得出结果，然后通过print进行输出。然后添加列，其实有一种简单的方法，就是当你df[‘销售额’]的时候，系统检测到Excel文件中并没有销售额这一列，那么就会自动添加上去，然后只需要指定它的值为对应的价格乘以销量即可。......
Python数据分析与挖掘——线性回归预测模型
热门推荐
Fo*(Bi)的博客
02-27 4万+
线性回归模型属于经典的统计学模型，该模型的应用场景是根据已 知的变量（自变量）来预测某个连续的数值变量（因变量）。例如，餐 厅根据每天的营业数据（包括菜谱价格、就餐人数、预定人数、特价菜 折扣等）预测就餐规模或营业额；网站根据访问的历史数据（包括新用 户的注册量、老用户的活跃度、网页内容的更新频率等）预测用户的支 付转化率；医院根据患者的病历数据（如体检指标、药物服用情况、平 时的饮食习惯等）预测某种疾病发生的概率。 站在数据挖掘的角度看待线性回归模型，它属于一种有监督的学习 算法，即在建模过程中必须同时具
python制作数据分析报告_Python一行命令生成数据分析报告
weixin_39540020的博客
12-06 291
一般在python进行数据分析/统计分析时，第一步总是对数据进行一些描述性分析、相关性分析，但是总会是有一大堆代码，那么今天就介绍一个神器pandas_profiling，一行命令就能搞定大部分描述性分析！安装pipinstallpandas_profiling使用那么我们继续使用之前文章中使用过很多次的NBA数据集，还记得我们在介绍pandas使用的那篇文章中分很多章节去讲解如何使用pand...
用NumPy和Pandas做数据分析实战
01-14
在数据分析领域，NumPy和Pandas是两个非常重要的Python库，它们为数据处理提供了强大的工具。本实战课程将深入探讨如何结合这两个库进行高效的数据分析。以下是对标题、描述及标签涉及知识点的详细阐述。 首先，...
Pand:大流行P
03-07
潘德 大流行P 怎么玩： 手机：单人游戏，虚拟操纵杆和按钮 Windows：单人或双人播放器 Player1动作：A / D Player1射击：空间 Player2移动：向左箭头/向右箭头Player2射击：Ctrl 分配： 首先也是最重要的-我从小...
Glassdoor-Search-Analytics-Job-Title-Classifier-Automation-Performance-Evaluation-on-Python-Pand:Glassdoor的数据挑战
05-08
在这个名为“Glassdoor-Search-Analytics-Job-Title-Classifier-Automation-Performance-Evaluation-on-Python-Pandas”的项目中，我们关注的是使用Python和Pandas库来自动化处理和评估一个针对Glassdoor数据集的...
【anaconda】使用记录
zhuyan108的博客
11-05 281
window11 下安装anaconda。
自助餐剩余食品识别图像分割系统：教学内容全覆盖
sgcsdn99的博客
11-04 1335
数据集信息展示在本研究中，我们使用的数据集名为“9_5_Merged”，该数据集专门用于训练改进YOLOv8-seg的自助餐剩余食品识别图像分割系统。该数据集包含71个类别，涵盖了丰富多样的食品种类，旨在提高模型对不同类型剩余食品的识别和分割能力。通过对这些类别的细致划分，我们希望能够实现更高精度的图像分割，进而优化自助餐剩余食品的管理和利用。
探索 Python 的新天地：Helium 库揭秘
AIGC搞起
11-04 722
在自动化测试和网页交互的领域，Selenium 是一个强大的工具，但它的复杂性和陡峭的学习曲线让许多开发者望而却步。Helium库的出现，以其简洁的 API 和易用性，为 Python 开发者提供了一个新的选择。它不仅简化了 Selenium 的使用，还自带 WebDriver，减少了配置的复杂性。Helium 以其简洁的 API 和易用性，为 Python 开发者提供了一个强大的 Selenium 替代方案。它不仅减少了代码量，还简化了 WebDriver 的管理，使得自动化测试和网页交互变得更加容易。
01_IAR新建CC2530工程
nanxl1的博客
11-02 1031
由于很多Zigbee商家提供的教程未有从零建立CC2530工程的讲解，可能会导致后面的开发中出现一些琐碎的问题。本文将以**LED流水灯**为例，从0到1用**IAR**建立CC2530工程。
Python小游戏21——拼图小游戏
cxh666888_的博客
11-05 876
如果图像大小不同，你需要调整tile_size和图像缩放代码。初始化Pygame：使用pygame.init()来初始化Pygame库，这是使用Pygame进行任何游戏开发的第一步。更新屏幕：使用pygame.display.flip()或pygame.display.update()来更新屏幕显示。调整图像大小：使用pygame.transform.scale()来调整图像的大小，以适应拼图游戏的需求。设置屏幕尺寸：使用pygame.display.set_mode()来设置游戏的屏幕尺寸和模式。
Python的自然语言生成与对话系统介绍
最新发布
余生的博客
11-05 676
自然语言生成(Natural Language Generation，NLG)和对话系统是人工智能领域的重要研究方向。NLG 涉及将计算机理解的信息转换为自然语言文本，而对话系统则涉及计算机与用户之间的自然语言交互。Python 作为一种易于学习、易于使用的编程语言，在这两个领域中发挥了重要作用。核心概念与联系核心算法原理和具体操作步骤数学模型公式详细讲解具体最佳实践：代码实例和详细解释说明实际应用场景工具和资源推荐总结：未来发展趋势与挑战。
cleanfid库的fid使用，及其使用CLIP模型clip_vit_b_32计算FID
百年孤独百年的博客
11-02 963
这篇博客详细介绍了如何使用 cleanfid 库计算 Fréchet Inception Distance (FID)，特别是利用 CLIP 模型 clip_vit_b_32 计算 FID 分数来评估生成图像的质量。内容涵盖了 FID 的概念和原理、cleanfid 库的安装与配置、从缓存中加载与手动加载模型的方法，以及解决可能遇到的依赖问题。通过这篇教程，可以掌握使用 cleanfid 库计算fid的完整流程，并能够解决服务器环境中遇到的联网与模型下载问题。
本科院校密度数据分析2003-2020
在本文件中，存在一个名为“数据说明-本科院校密度数据.PanD”的文件，这可能意味着数据说明是用Pandas库（Python数据分析库）的DataFrame格式编写的，这种格式便于数据的导入、处理和分析。 知识点四：时间序列...
评论 20
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

老爹@

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