机器学习之聚类

最新推荐文章于 2022-10-16 00:42:48 发布
最新推荐文章于 2022-10-16 00:42:48 发布
阅读量1.2k 收藏 7
点赞数 1
文章标签： python 机器学习 聚类 可视化
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/w3222371135/article/details/108303234
版权

KMeansu算法实现聚类（无监督式学习/X）

  1. 模型训练
from sklearn.cluster import KMeans
#创建算法实例；n_clusters=3,将聚类分为3类；random_state=0为了预测结果的重复性，给定初始状态
KM=KMeans(n_clusters=3,random_state=0)
#开始训练
KM.fit(X)
  1. 获取模型确定的中心点
centers=KM.cluster_centers_
  1. 准确率计算
from sklearn.metrics import accuracy_score
#计算准确率
accuracy=accuracy_score(y,y_predict)
  1. 预测结果矫正
#结果矫正
#新建矫正结果集
y_cal=[]
#遍历预测出来的结果集
for i in y_predict:
#如果为0
    if i==0:
    #对应结果为2
       y_cal.append(2)
    elif i==1:
       y_cal.append(1)
    else:
       y_cal.append(0)
print(y_predict,y_cal)

KNN算法实现聚类（监督式学习/X和y）

  1. 模型训练
#基于正确标签的数据结果
from sklearn.neighbors import KNeighborsClassifier
#创建实例
KNN=KNeighborsClassifier(N_neighbors=3)
#模型训练
KNN.fit(X,y)

Mean-shift算法实现聚类（无监督式学习/X）

  • 自动计算带宽（区域半径）
from sklearn.cluster import MeanShift,estimate_bandwidth
#预测带宽，X为样本数量，n_samples为预测希望采用样本数（sklearn官网文档）
bandwidth=estimate_bandwidth(X,n_samples=500)
  • 模型建立与训练
ms=MeanShift(bandwidth=bandwidth)
ms.fit(X)

（实战）2D数据类别划分

1.采用Kmeans算法实现2D数据自动聚类，预测V1=80，V2=60数据类别；
2.计算预测准确率，完成结果矫正
3. 采用KNN、Meanshift算法，重复步骤1-2

  • 代码
#加载数据
import pandas as pd
import numpy as np
data=pd.read_csv('data.csv')
data.head()

在这里插入图片描述

#定义X和y
X=data.drop(['labels'],axis=1)
y=data.loc[:,'labels']
y.head()

在这里插入图片描述

pd.value_counts(y)

在这里插入图片描述

#展示数据
%matplotlib inline
from matplotlib import pyplot as plt
fig1=plt.figure()
plt.scatter(X.loc[:,'V1'],X.loc[:,'V2'])
plt.title("un-labled data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.show()

在这里插入图片描述

#分类数据展示
fig1=plt.figure()
label0=plt.scatter(X.loc[:,'V1'][y==0],X.loc[:,'V2'][y==0])
label1=plt.scatter(X.loc[:,'V1'][y==1],X.loc[:,'V2'][y==1])
label2=plt.scatter(X.loc[:,'V1'][y==2],X.loc[:,'V2'][y==2])
plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.show()

在这里插入图片描述

print(X.shape,y.shape)

(3000, 2) (3000,)

#建立模型
from sklearn.cluster import KMeans
KM=KMeans(n_clusters=3,random_state=0)
KM.fit(X)

KMeans(n_clusters=3, random_state=0)

KM.cluster_centers_

array([[ 40.68362784, 59.71589274],
[ 69.92418447, -10.11964119],
[ 9.4780459 , 10.686052 ]])

centers=KM.cluster_centers_
fig3=plt.figure()
plt.scatter(centers[:,0],centers[:,1])
plt.show()

在这里插入图片描述

centers=KM.cluster_centers_
fig3=plt.figure()
label0=plt.scatter(X.loc[:,'V1'][y==0],X.loc[:,'V2'][y==0])
label1=plt.scatter(X.loc[:,'V1'][y==1],X.loc[:,'V2'][y==1])
label2=plt.scatter(X.loc[:,'V1'][y==2],X.loc[:,'V2'][y==2])
plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])
plt.show()

在这里插入图片描述

#测试数据V1=80，V2=60
y_predict_test=KM.predict([[80,60]])
print(y_predict_test)

[0]

#基于训练模型的预测
y_predict=KM.predict(X)
print(pd.value_counts(y_predict),pd.value_counts(y))

在这里插入图片描述

#准确度
from sklearn.metrics import accuracy_score
accuracy=accuracy_score(y,y_predict)
print(accuracy)

在这里插入图片描述

#可视化数据和结果
#一行两列在第一行画
fig4=plt.subplot(121)
label0=plt.scatter(X.loc[:,'V1'][y_predict==0],X.loc[:,'V2'][y_predict==0])
label1=plt.scatter(X.loc[:,'V1'][y_predict==1],X.loc[:,'V2'][y_predict==1])
label2=plt.scatter(X.loc[:,'V1'][y_predict==2],X.loc[:,'V2'][y_predict==2])
plt.title("predicted data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

fig5=plt.subplot(122)
label0=plt.scatter(X.loc[:,'V1'][y==0],X.loc[:,'V2'][y==0])
label1=plt.scatter(X.loc[:,'V1'][y==1],X.loc[:,'V2'][y==1])
label2=plt.scatter(X.loc[:,'V1'][y==2],X.loc[:,'V2'][y==2])
plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

plt.show()

在这里插入图片描述

#结果矫正
y_corrected=[]
#遍历预测出来的结果集
for i in y_predict:
#如果为0
    if i==0:
        y_corrected.append(2)
    elif i==1:
        y_corrected.append(1)
    else:
        y_corrected.append(0)
print(pd.value_counts(y_corrected),pd.value_counts(y))

在这里插入图片描述

y_corrected=np.array(y_corrected)
print(type(y_corrected))

在这里插入图片描述

#转换格式
y_corrected=np.array(y_corrected)
fig6=plt.subplot(121)
label0=plt.scatter(X.loc[:,'V1'][y_corrected==0],X.loc[:,'V2'][y_corrected==0])
label1=plt.scatter(X.loc[:,'V1'][y_corrected==1],X.loc[:,'V2'][y_corrected==1])
label2=plt.scatter(X.loc[:,'V1'][y_corrected==2],X.loc[:,'V2'][y_corrected==2])
plt.title("corrected data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

fig7=plt.subplot(122)
label0=plt.scatter(X.loc[:,'V1'][y==0],X.loc[:,'V2'][y==0])
label1=plt.scatter(X.loc[:,'V1'][y==1],X.loc[:,'V2'][y==1])
label2=plt.scatter(X.loc[:,'V1'][y==2],X.loc[:,'V2'][y==2])
plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

plt.show()

在这里插入图片描述

#建立KNN模型
from sklearn.neighbors import KNeighborsClassifier
KNN=KNeighborsClassifier(n_neighbors=3)
KNN.fit(X,y)

在这里插入图片描述

#预测V1=80，V2=60
y_predict_knn_test=KNN.predict([[80,60]])
y_predict_knn=KNN.predict(X)
print(y_predict_knn_test)
print('knn accuracy:',accuracy_score(y,y_predict_knn))
```![在这里插入图片描述](https://img-blog.csdnimg.cn/20200830164630650.jpg#pic_center)

```python
print(pd.value_counts(y_predict_knn),pd.value_counts(y))

在这里插入图片描述

fig6=plt.subplot(121)
label0=plt.scatter(X.loc[:,'V1'][y_predict_knn==0],X.loc[:,'V2'][y_predict_knn==0])
label1=plt.scatter(X.loc[:,'V1'][y_predict_knn==1],X.loc[:,'V2'][y_predict_knn==1])
label2=plt.scatter(X.loc[:,'V1'][y_predict_knn==2],X.loc[:,'V2'][y_predict_knn==2])
plt.title("knn results")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

fig7=plt.subplot(122)
label0=plt.scatter(X.loc[:,'V1'][y==0],X.loc[:,'V2'][y==0])
label1=plt.scatter(X.loc[:,'V1'][y==1],X.loc[:,'V2'][y==1])
label2=plt.scatter(X.loc[:,'V1'][y==2],X.loc[:,'V2'][y==2])
plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

plt.show()

在这里插入图片描述

#meanshift模型
from sklearn.cluster import MeanShift,estimate_bandwidth
#得到半径
bw=estimate_bandwidth(X,n_samples=500)
print(bw)

在这里插入图片描述

#建立模型
ms=MeanShift(bandwidth=bw)
ms.fit(X)

在这里插入图片描述

y_predict_ms=ms.predict(X)
print(pd.value_counts(y_predict_ms),pd.value_counts(y))

在这里插入图片描述

fig6=plt.subplot(121)
label0=plt.scatter(X.loc[:,'V1'][y_predict_ms==0],X.loc[:,'V2'][y_predict_ms==0])
label1=plt.scatter(X.loc[:,'V1'][y_predict_ms==1],X.loc[:,'V2'][y_predict_ms==1])
label2=plt.scatter(X.loc[:,'V1'][y_predict_ms==2],X.loc[:,'V2'][y_predict_ms==2])
plt.title("ms results")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

fig7=plt.subplot(122)
label0=plt.scatter(X.loc[:,'V1'][y==0],X.loc[:,'V2'][y==0])
label1=plt.scatter(X.loc[:,'V1'][y==1],X.loc[:,'V2'][y==1])
label2=plt.scatter(X.loc[:,'V1'][y==2],X.loc[:,'V2'][y==2])
plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

plt.show()

在这里插入图片描述

#结果矫正
y_corrected_ms=[]
#遍历预测出来的结果集
for i in y_predict:
#如果为0
    if i==0:
        y_corrected_ms.append(2)
    elif i==1:
        y_corrected_ms.append(1)
    else:
        y_corrected_ms.append(0)
print(pd.value_counts(y_corrected_ms),pd.value_counts(y))

在这里插入图片描述

#数据格式转换为numpy数组
y_corrected_ms=np.array(y_corrected_ms)
print(type(y_corrected_ms))

在这里插入图片描述

fig6=plt.subplot(121)
label0=plt.scatter(X.loc[:,'V1'][y_corrected_ms==0],X.loc[:,'V2'][y_corrected_ms==0])
label1=plt.scatter(X.loc[:,'V1'][y_corrected_ms==1],X.loc[:,'V2'][y_corrected_ms==1])
label2=plt.scatter(X.loc[:,'V1'][y_corrected_ms==2],X.loc[:,'V2'][y_corrected_ms==2])
plt.title("ms corrected results")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

fig7=plt.subplot(122)
label0=plt.scatter(X.loc[:,'V1'][y==0],X.loc[:,'V2'][y==0])
label1=plt.scatter(X.loc[:,'V1'][y==1],X.loc[:,'V2'][y==1])
label2=plt.scatter(X.loc[:,'V1'][y==2],X.loc[:,'V2'][y==2])
plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('v2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])

plt.show()

在这里插入图片描述

w3222371135
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
量纲对回归结果的影响_机器学习基础，回归模型评估指标
weixin_36155560的博客
01-05 829
文章发布于公号【数智物语】 (ID：decision_engine)，关注公号不错过每一篇干货。来源 | CrossHands作者 | AhongPlus回归模型中常用的评估指标可以分如下几类：1. MAE系列，即由Mean Absolute Error衍生得到的指标；2. MSE系列，即由Mean Squared Error衍生得到的指标；3. R²系列；注：在英语中，error和deviati...
机器学习之聚类（实战）
qq_41602341的博客
10-30 719
1.无监督学习 按照特征进行划分，没有对与错，寻找数据的共同点。 机器学习的一种方法，没有给定事先标记过的训练示例，自动对输入的数据进行分类或分群。 优点： 算法不受监督信息的约束，可能考虑到新的信息。 不需要标签数据，极大程度扩大数据样本。 主要应用：聚类分析clustering，关联规则，维度缩减 与监督学习的区别：没有数据标签y 监督学习：训练数据{} 无监督学习：训练数据{} 无监督学习常用算法：聚类分析 聚类分析又称群分析，根据对象某些属性的相似度，将其自动划分类别。 聚类分析
Python每日一记8>>>聚类算法
教练我想学编程
02-27 219
1、聚类模型的构建 sklearn 提供了多种聚类算法，主要用到的库为cluster，cluster中有很多聚类算法，如K-Means、Spectral cluster等 聚类算法的实现需要估计器Estimator,估计器有fit和predict两个算法，如下： 我们利用iris数据集测试，首先利用fit训练算法，再利用predict去预测，我们的重点在于预测类别，我们发现我们预测的类别为1类...
Python 数据处理数据挖掘（七）：K-Means聚类算法
qq_46380784的博客
07-23 3502
K-Means聚类算法，K-Means是非监督学习的聚类算法，将一组数据分为K类（或者叫簇/cluster），每个簇有一个质心（centroid），同类的数据是围绕着质心被分类的。数据被分为了几类就有几个质心。 算法步骤： 1、先从原始数据集中随机选出K个数据，作为K个质心。 2、将剩余的数据分配到与之最相似的的质心的那个簇里。 3、第一次分类完成后，计算每个簇内样本的均值，并根据这个均值生成新的质心 4、重复2,3步，直至质心的变化距离小于某个值（主观设定），如果质心始终没法稳定下来 肘部法则原理
聚类算法及其模型评估指标【Tsai Tsai】
weixin_60200880的博客
10-16 2208
KMeans作为聚类算法的典型代表，KMeans算法将一组N个样本的特征矩阵X划分为K个无交集的簇，直观上来看是一组一组聚集在一起的数据，在一个簇中的数据就认为是同一类。当我们找到一个质心，在每次迭代中被分配到这个质心上的样本都是一致的，即每次新生成的簇都是一致的，所有的样本点都不会再从一个簇转移到另一个簇，质心就不会变化了。实际上，在质心不断变化不断迭代的过程中，总体平方和是越来越小的。在一个二维平面中，一簇数据点的质心的横坐标就是这一簇数据点的横坐标的均值，质心的纵坐标就是这一簇数据点的纵坐标的均值。
聚类评价指标adjusted_rand_score和accuracy_score的区别
weixin_44708254的博客
04-15 2337
import numpy as np from sklearn import metrics y_pred = [0, 2, 1, 2, 1] y_true = [0, 1, 2, 1, 2] acc = metrics.accuracy_score(y_true, y_pred) # acc = accuracy_score(y_true, y_pred, normalize=False) print('acc:', acc) ARI = metrics.adjusted_rand_score(y
第四章 机器学习之聚类.docx
09-25
机器学习之聚类
机器学习之聚类分析PPT学习教案.pptx
10-03
"机器学习之聚类分析PPT学习教案.pptx" 本资源是关于机器学习之聚类分析的PPT学习教案，共48页，涵盖了机器学习的基础知识、监督学习、无监督学习、聚类分析等主题。 机器学习是人工智能领域中的一种研究方向，...
邹博机器学习 - 聚类实践
最新发布
04-01
邹博机器学习 - 聚类实践
二元和多类 SVM：用于将 2D 数据分类为 2 个或更多类的 SVM，以 3D/2D 可视化作为输出。-matlab开发
05-29
当训练非线性 C-SVM 将二维数据（2 个特征）分类为 2 个或更多类时，此代码旨在帮助可视化学习的分类器。 C = Inf 的情况给出了硬边界分类器，而 C < Inf 给出了 1-范数软边界分类器。 （参见参考文献 [2] 中的命题 6.12 和方程（7.1）） MATLAB 的 quadprog 用于求解对偶变量 a。 求解器设置为使用内点法。 高斯径向基函数 (RBF) 核用于生成非线性边界。 在二进制分类文件 (SVMtrial.m) 中：有 6 个不同的训练集可供使用。 输出是分类器的 3D 网格图和支持向量的数量。 二元分类的数据集： (1) 典型(2) 马鞍(3) 随机(4) 随机，带 1 个异常值的椭圆(5) 螺旋(6) 不平衡 + 重叠 在多类分类文件 (DAGsvm.m) 中：有 5 个不同的训练集可供使用。 输出是 K*(K-1)/2 分类器的 3D 网格
机器学习 - K-means聚类分析
开码河粉
01-26 3043
一、K-means 聚类算法介绍 1.K-means聚类算法原理 (1)先抛出一个情景问题 航空公司怎么样对客户分群，区分高价值客户、无价值客户等，对不同的客户群体实施个性化的营销策略，实现利润最大化？对于该类情景题，可使用聚类分析方法。 (2)聚类分析相关概念 在没有给定划分类别的情况下，根据数据的相似度进行分组的一种方法，分组的原则是组内距离最小化而组间距离最大化。 K-means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的K类别，采用距离作为相似..
聚类分析：原型K-Means/K-Means++聚类、层次聚类；密度聚类DBSCAN
AIHUBEI的博客
05-21 1369
聚类分析–处理无标签数据 from IPython.display import Image %matplotlib inline 1.使用K-Means方法按照相似度对对象进行分组 1.1使用sklearn实现K-Means聚类 from sklearn.datasets import make_blobs X, y = make_blobs(n_samples=150, n_features=2, centers=3,
典型聚类——K-means算法原理及python实战
m0_64111502的博客
01-10 2819
1 聚类算法简要介绍 1.1 聚类是什么 聚类是机器学习中的一种重要的无监督算法，可以将数据点归为一系列的特定组合。聚类算法可以将数据点聚成不同的类，揭示数据集中蕴含的不为人知的规律，从而指导我们的生产和生活。简单地说，聚类就是将对象进行分组，使得相似的对象归为一类。对于聚类其实我们并不陌生，我们常说的“物以类聚，人以群分”指的就是聚类。 1.2 聚类算法的应用场景 当聚类作为一个单独的过程时，用来寻找数据本身所蕴含的“分布结构”规律。例如，可以应用聚类结合已知的移动客户所在位...
sklearn实战-----6.聚类算法K-Means
zjmy的博客
06-16 2525
1 概述 1.1 无监督学习与聚类算法 在过去的五周之内，我们学习了决策树，随机森林，逻辑回归，他们虽然有着不同的功能，但却都属于“有监督学习”的一部分，即是说，模型在训练的时候，即需要特征矩阵X，也需要真实标签y。机器学习当中，还有相当一部分算法属于“无监督学习”，无监督的算法在训练的时候只需要特征矩阵X，不需要标签。我们曾经学过的PCA降维算法就是无监督学习中的一种，聚类算法，也是无监督学习的代表算法之一。 聚类算法又叫做“无监督分类”，其目的是将数据划分成有意义或有用的组（或簇）。这种划分可以基于我们
无监督学习——K均值聚类（上）
weixin_43580339的博客
07-30 2317
序 近几年在机器学习领域里面，聚类是比较热门的一个词汇。它是将数据集划分成组的任务，这些组叫做簇。其目标是划分数据，使得一个簇内的数据点非常相似且簇内的数据点非常不同。与分类算法相似，聚类算法为每个数据点分配（或预测）一个数字，表示这个点属于哪个簇。但是，与分类算法不同的是，聚类属于无监督学习，也就是说事先并不知道数据集的标签或者说特征值分类，而分类算法是监督学习，意味着已经提前知道了数据点的所属类别。接下来，我重点介绍下聚类里面比较常用的算法——k均值聚类。 K均值聚类 1.算法介绍 k均值聚类是最简单也
十大机器学习方法之聚类分析
一蓑烟雨任平生
09-12 9097
聚类分析是一种无监督学习技术(常见的无监督学习还有密度估计、异常检测等)，可以在事先不知道正确结果（即无类标或预期输出值）的情况下，发现数据本身所蕴含的结构信息。其目标是发现数据中自然形成的分组，使得每个簇内样本的相似性大于其他簇内样本的相似性。聚类的商业领域应用包括：按照不同主题对文档、音乐、电影进行分组，或基于常见的购买行为，发现有相同兴趣爱好的顾客，并以此构建推荐引擎。 聚类既可以作为一个...
k-means算法（DBSCAN算法），聚类算法
起飞的木木的博客
03-25 6334
一、K-means算法是最经典的聚类算法（无监督学习）， 本文对scikit-learn中的kmeans进行说明，以便以后使用。 首先：k-means算法的优劣如下 优势：简单，快速，适合常规数据集 劣势：K值难确定，复杂度与样本呈线性关系，很难发现任意形状的簇（针对凸数据集效果较好： 在欧氏空间中，凸集是对于集合内的每一对点，连接该对点的直线段上的每个点也在该集合内。凹集则不满...
聚类（2）--KMeans算法
sinat_28981497的博客
05-23 752
K-means聚类算法也称作K均值算法。以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，簇间相似度较低， 随机选择k个点作为初始聚类中心 对于剩下的点，根据其与聚类中心的距离，将其归入最近的簇 对每个簇，计算所有点的均值作为新的聚类中心 重复2，3直到聚类中心不再发生改变 import numpy as np from sklearn.cluster import KMeans impor
python的机器学习层次聚类
10-20
很抱歉，提供的引用内容中并没有关于Python机器学习层次聚类的信息。但是，我可以为您介绍一下层次聚类的基本概念和实现方法。 层次聚类是一种无监督学习方法，它将数据点逐步合并成越来越大的簇，直到所有数据点都被合并为止。层次聚类可以分为两种类型：凝聚型和分裂型。凝聚型层次聚类从每个数据点开始，逐步将最相似的数据点合并成一个簇，直到所有数据点都被合并为止。分裂型层次聚类则从所有数据点开始，逐步将最不相似的数据点分裂成一个簇，直到每个数据点都成为一个簇。 在Python中，可以使用SciPy库中的hierarchy模块实现层次聚类。具体实现方法可以参考以下代码： ```python from scipy.cluster.hierarchy import dendrogram, linkage import matplotlib.pyplot as plt # 生成数据 X = [[1, 2], [2, 1], [3, 4], [4, 3]] # 计算距离矩阵 Z = linkage(X, 'ward') # 绘制树状图 dendrogram(Z) plt.show() ``` 以上代码中，我们首先生成了一个包含4个数据点的数据集X。然后使用linkage函数计算距离矩阵Z，其中'ward'表示使用Ward方差最小化算法进行聚类。最后使用dendrogram函数绘制树状图。

“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 3
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