python - 输出最大/最小的 k 个元素的索引

最新推荐文章于 2023-05-08 08:00:00 发布
最新推荐文章于 2023-05-08 08:00:00 发布
阅读量909 收藏 1
点赞数 2
分类专栏： Python3 文章标签： numpy python
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/weixin_37913042/article/details/119425309
版权 
K = 4
a = np.array([0, 8, 0, 4, 5, 8, 8, 0, 4, 2])
# 最大的 k 个元素的索引
print(np.argpartition(a, -K)[-K:])   # [4 1 5 6]
# 最小的 k 个元素的索引
print(np.argpartition(a, K)[:K])     # [7 0 2 9]
cici_iii
关注
  • 2
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python-leetcode面试题解之第215题数组中的第K个最大元素-题解.zip
05-28
第215题是“数组中的第K个最大元素”（Find the Kth Largest Element in an Array），这是一个常见的数据结构与算法问题，考察了排序、堆和快速选择等算法知识。本题解将详细阐述如何用Python解决这个问题。 首先，...
python找出最小数_Python算法，以找到未排序数组中k最小数的索引？
weixin_34610364的博客
01-29 693
在python中，有没有算法可以找到未排序数组中k个最小数的索引？我知道如何使用numpy模块来实现这一点，但我不想找那个。我马上想到的一个方向是排序算法。假设我有一个算法，可以在python中使用bubble sort对数组进行排序：def bubbleSort(arr):n = len(arr)# Traverse through all array elementsfor i in rang...
Python，得到列表最小k个数或最大k个数的索引
走过路过不要错过
09-24 3194
如果是直接得到最小或最大k个数，那么直接排序即可。但是如果要得到索引，那么不能排序，或者你排序时附带数据的下标。本文通过两种方法来展示怎么得到最小k个数的索引，一种是直接使用min()函数得到列表的最小值，然后使用index()函数得到该值的索引，循环k次即可，很方便且易于理解；另一种则是在排序中附带数据下标，最终排序结束，也可得到最小k个数在原列表的索引。 1. List.index(min(List)) List = [3, -4, 0, 6.4, -1.6, 9.09] Lst = Lis
python三个数从小到大排序输出结果用空格隔开_输入3个数以空格隔开，输出这3个数的和. 这个程序要怎么写？...
weixin_30586369的博客
03-01 1902
恩， 用两种方法吧：defsum_input_with_reduce():string=raw_input()returnreduce(lambdax,y:int(x)+int(y),string.split())defsum_input_with_map():string=raw_input()returnsum(map(lambdax:int(x),string.spl...
返回全体数值(或指定轴上)最小值对应的索引(位置号)numpy.nanargmin()
liujingwei8610的专栏
05-08 319
辛苦大家转发时注明出处(也是咱们公益编程交流群的入口网址)，刘经纬老师共享知识相关文件下载地址为：https://liujingwei.cn。print('【显示】np.nanargmin(a,axis=1)：')print('【显示】np.nanargmin(a,axis=0)：')print('【显示】np.nanargmin(a)：')期待大家提出宝贵建议，互相交流，收获更大，助教：hq。C选项：忽略NaN值，返回指定轴上最小值的索引。print('【显示】a：\n',a)最小值对应的索引(位置号)
找出无序数组中最小的k个数（top k问题）
weixin_33730836的博客
04-22 1422
2019独角兽企业重金招聘Python工程师标准>>> ...
python topk()函数求最大和最小值实例
09-17
这个函数在处理大量数据时尤其有用，可以快速有效地找到前k个最大或最小的元素。在本文中，我们将深入探讨`topk()`函数的工作原理、参数含义以及如何在实际应用中使用它。 首先，`topk()`函数的基本语法是 `torch....
PYTHON学习教程资源：迭代代码作业练习.docx
03-14
在需要对列表进行下标循环，类似Java的情况，可以使用内置的`enumerate`函数，它将列表转化为索引-元素对的形式，方便同时迭代索引和元素： ```python for i, value in enumerate(['A', 'B', 'C']): print(i, value...
PyTorch中topk函数的用法详解
09-18
在PyTorch中，`torch.topk()`是一个非常实用的函数，它允许用户找到张量中指定维度上最大的或最小的k个元素及其对应的索引。这个函数在处理神经网络的输出，特别是在多分类问题中，寻找每个样本的前k个最有可能的...
TopK层1
08-03
`TopK`层有两个输出：一个是包含`k`个最大值的张量，另一个是对应这些最大值的索引。在`TensorRT`网络中，我们需要标记这两个输出作为网络的输出： ```python network.mark_output(topKLayer.get_output(0)) ...
有序的数组中的查找最大小于数
yyj的博客之旅
10-25 596
仔细描述一下我们需要解决的问题： 给你一个有序的序列，让你查出小于每个元素的最大坐标值： 算法1 ：暴力(时间O(n^2) 空间O (1) )： 直接while一遍双指针算法 简单代码不附。 算法2 ：前缀和（时间 O(n) dp思想分情况讨论 空间 O(n) ）： 拿一个数组记录每一个元素前有多少个小于其的数： if(a[i]!=a[i-1]) { s[i]=s[i-1]+1; } else { s[i]=s[i-1]; } 算法3 : 二分查找 ( 时间 O(n * log(
torch.topk【按维度求前k个最值以及其索引】以及top1和top5
YJYS_ZHX的博客
01-31 5660
分类中常用到top1和top5的指标： top1是指 预测错误样本数/总样本数，此处的预测错误的样本是指 预测的最大概率对应的类别与真实类别不同； top5是指 预测错误样本数/总样本数，此处的预测错误的样本是指 预测的排序前五的概率对应的类别中没有真实类别。 一般来讲，top5 error要小于top1 error，排序前五的概率中没有真实标签几率小。 有的博客解释需要top5 error是因为人工标记可能出现偏差，因此要放宽标准。 【torch.topk函数】 目的：求取tensor中某个dim的排序前
每日一题：剑指Offer 40.无序数组中最小的K个数
handsomeKyne
02-27 114
每日一题：剑指Offer 40.无序数组中最小的K个数 1、题目 输入整数数组 arr ，找出其中最小的 k 个数。例如，输入4、5、1、6、2、7、3、8这8个数字，则最小的4个数字是1、2、3、4。 示例 1： 输入：arr = [3,2,1], k = 2 输出：[1,2] 或者 [2,1] 示例 2： 输入：arr = [0,1,2,1], k = 1 输出：[0] 限制： 0 <= k <= arr.length <= 10000 0 <= arr[i] <= 1
python返回list列表中最大（最小）的几个值以及索引方法
不撸先疯。
08-11 9126
方法一： 在数组无序且没有重复元素时，可以考虑用heapq模块进行抽出最大的几个元素，用map进行键值对的匹配，返回最大（最小）的几个元素的索引值。 import heapq # 获取list中最大（最小）的n个值 heapq.nlargest(n, list) heapq.nsmallest(n, list) # 获取list中最大几个值的索引的列表 list(map(list.index, heapq.nlargest(n, list))) list(map(list.index, heapq
np.argmin()---python
csefrfvdv的博客
07-21 2275
作用：返回向量中的最小值的索引，可以按行返回或者按列返回 1、一维向量 s1=np.array([1,2,3,4]) np.argmin(s1) >> 0 因为在一维向量s1中，最小值为1，所以返回的索引为0 2、二维向量 s1=np.array([[1,4,3] ,[2,3,4] ,[3,2,1]]) np.argmin(s1,axis=0) >> [0,2,2] axis=...
使用Python寻找列表中最大、小的前K个元素及其索引
诗小葵的博客
03-10 1688
因为只需要求前K个大、小元素，Python也有对应的max()/min()函数包，因此只需要循环使用K次max()/min()即可（为了方便，暂且称这种方法为“K次循环法”）。该方法原理简单，且适用性极好，有无重复元素的列表均适用；Python中有heapq.nlargest()和heapq.nsmallest()包方法，heapq包方法是基于堆的概念（放以后细讲）。若列表没有重复元素，该方法使用非常方便，一行代码即可；但若存在重复元素，该方法不能准确输出K个最大值对应的位置索引，因此该方法适用性一般。
python 数组取前k最大,如何从多维数组中获取k个最大值的索引
weixin_32515577的博客
03-25 1012
使用^{}和{a2}对ndarrays-def k_largest_index_argpartition_v1(a, k):idx = np.argpartition(-a.ravel(),k)[:k]return np.column_stack(np.unravel_index(idx, a.shape))def k_largest_index_argpartition_v2(a, k):idx...
Numpy获得最大的K个数据及最小的K个数据
呆萌的代Ma
05-13 2526
在numpy中使用O(1)的np.argpartition()方法 np.argpartition官网文档：https://numpy.org/doc/stable/reference/generated/numpy.argpartition.html 对于一个array，使用： np.argpartition(array, kth=8) 其中kth代表第几大的数据，它通过将整个数组切分成两个部分，左边是比第k大的数小的部分，右边是比第k大的数据大的部分 反过来同理，下面的函数加一个负号就代表这是第8小的
python 数组取前k最大_如何从一个numpy多维数组中获取k个最大值的索引
weixin_39627144的博客
12-19 2006
def k_largest_index_argpartition_v1(a, k):idx = np.argpartition(-a.ravel(),k)[:k]return np.column_stack(np.unravel_index(idx, a.shape))def k_largest_index_argpartition_v2(a, k):idx = np.argpartition(a...
k-medoids算法鸢尾花python
最新发布
06-28
### 回答1： k-medoids算法是一种聚类算法，它是k-means算法的一种改进。它的主要思想是选择k个代表性的点作为簇的中心，而不是随机选择点作为中心。这些代表性的点被称为medoids。在算法的迭代过程中，每个点都会被分配到最近的medoid所在的簇中。然后，medoid会被更新为该簇中所有点的中心点，直到簇不再发生变化或达到最大迭代次数为止。 在Python中，可以使用scikit-learn库中的KMedoids类来实现k-medoids算法。该类提供了fit方法来拟合数据，并返回每个点所属的簇的标签。以下是一个使用k-medoids算法对鸢尾花数据集进行聚类的示例代码： ```python from sklearn_extra.cluster import KMedoids from sklearn.datasets import load_iris # 加载鸢尾花数据集 iris = load_iris() X = iris.data # 创建KMedoids对象并拟合数据 kmedoids = KMedoids(n_clusters=3, random_state=0).fit(X) # 获取每个点所属的簇的标签 labels = kmedoids.labels_ # 打印每个点所属的簇的标签 print(labels) ``` 输出结果为： ``` [1 0 0 0 1 1 0 1 0 0 1 1 0 0 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 0 0 1 1 1 1 0 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 0 1 1 1 0 1 2 2 2 2 0 2 0 2 0 2 2 2 2 2 0 2 2 2 0 2 2 2 2 2 2 2 2 2 0 2 2 2 1 2 1 2 1 1 2 1 1 2 1 1 1 2 1 1 1 2 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ### 回答2： K-medoids算法是一种基于距离度量的聚类算法，它将数据点划分为K个簇，并且每个簇都有一个代表点（medoid）。在这个算法中，medoids被选择为簇中最能代表其余数据点的点。 K-medoids算法的过程如下： 1. 随机选择k个点作为medoids。 2. 对于每个非medoid点，将其分配到距离最近的medoid所在的簇中。 3. 对于每个簇，选择一个代表点作为medoid，可以选择该簇中使得簇内距离之和最小的点。 4. 重复以上步骤直到medoids不再变化或达到了最大迭代次数。 在鸢尾花数据集上实现K-medoids算法可以采用Python语言，在Python中有很多K-medoids算法的实现库例如sklearn、Scipy、PyClustering等。下面我们以sklearn库为例进行介绍。 首先，我们需要导入需要用到的库以及鸢尾花数据集： ``` from sklearn.datasets import load_iris from sklearn.metrics import pairwise_distances from sklearn_extra.cluster import KMedoids iris = load_iris() X = iris.data ``` 在这里我们使用sklearn内置的load_iris函数载入鸢尾花数据集，并获取数据集中的X数据。接下来，我们可以使用pairwise_distances函数计算所有数据点之间的两两距离矩阵。 ``` D = pairwise_distances(X, metric="euclidean") ``` 这里采用了欧氏距离作为距离度量方式。接下来我们需要设置K-medoids算法的K值和最大迭代次数。在这里，我们将K设为3，最大迭代次数为100。 ``` kmedoids = KMedoids(n_clusters=3, random_state=0, max_iter=100).fit(D) ``` fit函数可以训练模型并返回掩码数组，其中每个元素都是数据点与最近medoid之间距离的索引。最后我们可以使用labels_方法获取模型聚类后的每个数据点的所属类别。这里得到的类别标签可以与真实标签进行比较，我们可以用调整互信息（adjusted mutual information）指标衡量聚类的准确程度。 ``` labels = kmedoids.labels_ from sklearn.metrics.cluster import adjusted_mutual_info_score ami = adjusted_mutual_info_score(iris.target, labels) print(f"AMI: {ami}") ``` 在这里，adjusted_mutual_info_score函数可以计算聚类结果和真实标签之间的AMI得分。最后，我们可以通过绘制散点图来观察聚类结果。 ``` import matplotlib.pyplot as plt plt.scatter(X[:, 0], X[:, 1], c=labels) plt.title("K-medoids Clustering Results") plt.show() ``` 总而言之，K-medoids算法是一种基于距离度量的聚类算法，它可以对数据进行聚类，并且每个簇都有一个代表点（medoid）。在Python中，我们可以使用sklearn库来实现K-medoids算法，并且用调整互信息指标和散点图来评价聚类结果的好坏。 ### 回答3： k-medoids算法是基于聚类的一种常见算法，它属于代表点类的聚类算法。K-medoids算法通过一系列迭代的方式寻找一组能够最好地代表数据集的点（中心点），从而将数据集分为K个不同的类。 在k-medoids算法中，每个聚类都有一个中心点或者是一个代表性点。默认情况下，该点是聚类中所有点的质心。但是，在k-medoids算法中，该点必须是聚类中所有点的实际数据点，因此它也被称为“代表点”。 在k-medoids算法中，我们需要确定聚类的数量K，然后通过迭代寻找所有数据点到每个聚类中心的最短距离，并将其分配给最近的聚类。接下来，我们可以使用一些指标（如误差平方和）来度量每个聚类中所有点到聚类中心的距离，从而选择最佳的中心点。这个过程会反复多次，在每次迭代中，我们会更改代表点并分配新的数据点，直到算法收敛。 在Python中，我们可以使用scikit-learn库中的k-medoids算法来进行实现。在这个库中，k-medoids被实现为PAM（Partitioning Around Medoids）。为了使用这个算法，我们需要首先导入必要的库并加载数据。我们可以使用以下示例代码加载Iris数据集： ``` from sklearn import datasets iris = datasets.load_iris() X = iris.data y = iris.target ``` 接下来，我们可以使用pam算法来拟合我们的数据： ``` from sklearn_extra.cluster import KMedoids kmedoids = KMedoids(n_clusters=3, metric='euclidean', init='heuristic', max_iter=300, random_state=0) kmedoids.fit(X) ``` 在这个例子中，我们使用了n_clusters=3，以及euclidean作为距离度量方法。此外，我们还使用了heuristic初始化方法，将最大迭代次数设置为300，并指定了一个随机种子。最终，我们可以通过kmedoids.labels_属性获取分类结果。 总之，k-medoids算法是一种基于聚类的有效算法，可以帮助我们将数据集分为不同的类别。它是一个比k-means更强大的算法，因为它可以处理非算术中心的聚类，例如图像聚类和形状聚类。在Python中，我们可以使用scikit-learn库中的KMedoids类来进行实现。

“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
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