风控变量加工硬编码写sql_单变量分析-首逾率走高分析

最新推荐文章于 2022-07-28 10:04:30 发布
最新推荐文章于 2022-07-28 10:04:30 发布
阅读量385 收藏 2
点赞数
文章标签： 风控变量加工硬编码写sql

df061969bbc16ed3025ef727b6daf46c.png

目录：

  • 项目介绍
  • 分析思路
  • 分析流程
  • 总结

一、项目介绍

本文是对消金公司监控报告中，发现某款消费贷产品首逾率有持续走高的趋势，对影响首逾率的因素进行分析并挖掘出导致首逾走高的因素，提出建议把首逾率降下来以减少产品带来的损失。

二、分析思路

因为我们所要分析的策略是将要在客户申请时用来判断客户是否会逾期的条件，所以策略分析时的基本思路就是还原这些有首逾表现的客户在申请时的数据（这个还原是指提取出客户在申请时点各个维度的数据，越多越好） ，然后利用这些数据去找出能够区分好坏客户的变量，制定策略。

三、分析流程

import pandas as pd
import numpy as np

import sqlalchemy


# 读取数据
engine = sqlalchemy.create_engine('mysql+pymysql://froghd:Froghd@123@localhost:3306/froghd')

sql_cmd = "select * from load_datas"

# 执行sql语句，获取数据
dt = pd.read_sql(sql=sql_cmd, con=engine)

dt.head()

d5e1354d06fc209c4f4b50bc05997889.png 
#重命名
dt.rename(columns={
    "user_id":"用户id",
    "age":"年龄",
    "occupation":"职业",
    "work_times":"工作时间",
    "credit_score":"芝麻信用分",
    "credit_level":"信用评级",
    "credit_check_times":"近半年征信查询次数",
    "credit_card_use_rate":"信用卡额度使用率",
    "is_overdue":"是否逾期（1是，0否）"
},inplace=True)

dt.head()

787859e2901be7c0965c573c1a902e8d.png 
dt.shape #56456条数据，9列

(56456, 9)

1、看一下这个产品总体的情况

#计算用户总数
dt['用户id'].count()  #也可以写作 dt.shape[0]

56456

#计算逾期客户数
dt["是否逾期（1是，0否）"].sum()

17365

# 计算总体首逾率 = 首逾客户数/总申请客户数
dt["是否逾期（1是，0否）"].sum()/dt['用户id'].count()

0.307584667705824

2、筛选出有效变量

这里用到单变量分析的方法，单变量分析的主要目的是筛选出好坏区分度较好的变量以便制定策略。在消金公司的日常工作中，会有专门负责爬取变量和计算加工变量数据的团队，他们在不断的去获取加工很多可能对风险控制有帮助的数据提供给我们风控团队，而我们风控人员就需要从这成千上万个变量中探查出能够控制逾期风险但同时又不会误拒很多好客户的变量。

拿到数据的第一步就是针对每个变量单独分析，查看其对逾期的影响。

2.1 征信查询次数分组

# 定义一个征信分组的函数
def judge_zhengxin(nums):
    try:
        nums = int(nums)
        if 0<=nums and nums<3:
            return '1:[0,3)'
        elif 3<=nums and nums<6:
            return '2:[3,6)'
        elif 6<=nums and nums<12:
            return '3:[6,12)'
        elif 12<=nums and nums<21:
            return '4:[12,21)'
        elif 21<=nums:
            return '5:[21,无穷)'
    except Exception as e:
        return "6:缺失"

# 新建一个字段记录分组信息
dt['征信分组']=dt['近半年征信查询次数'].apply(judge_zhengxin)

dt.head()

4d4b09169b83cb4517e3d764bfd20c6e.png 
# 分组统计各个分组的情况
# 区间用户占比、未逾期客户数要另外计算
dt_info = dt.groupby("征信分组").agg({
    "用户id":'count',
    "是否逾期（1是，0否）":sum
}).reset_index().rename(columns={"用户id":"区间客户数",
                                "是否逾期（1是，0否）":"区间逾期客户数"})
dt_info

84a4951f4f2f21d3076ca902a4ca95e0.png 
dt_info['区间用户占比']=dt_info["区间客户数"]/dt_info["区间客户数"].sum()
dt_info

5c42bdcf0335bd4159a76df6a0d945fe.png 
dt_info["区间没有逾期客户数"]=dt_info["区间客户数"]-dt_info["区间逾期客户数"]
dt_info

3e211aa45407c4c81e392fd80071b24f.png 
dt_info["区间首逾率"]=dt_info["区间逾期客户数"]/dt_info["区间客户数"]
dt_info

9110b096069633c2f0a35219610e26ea.png

2.2 信用评级分组

# 定义一个征信分组的函数
def judge_pingji(level):
    if level=="A":
        return "A"
    elif level=="AA":
        return "AA"
    elif level in ("B","C","D"):
        return "BCD"
    elif level in ("E","HR","NC"):
        return "ERC"
    else:
        return "缺失"

# 新建一个字段记录分组信息
dt['信用评级分组']=dt['信用评级'].apply(judge_pingji)

dt.head()

730fed6ac90a52e027611e89c2263867.png 
# 分组统计各个分组的情况
# 区间用户占比、未逾期客户数要另外计算
dt_info2 = dt.groupby("信用评级分组").agg({
    "用户id":'count',
    "是否逾期（1是，0否）":sum
}).reset_index().rename(columns={"用户id":"区间客户数",
                                "是否逾期（1是，0否）":"区间逾期客户数"})
dt_info2

560e41bdc41a99393db1d473d6e8e344.png 
dt_info2['区间用户占比']=dt_info2["区间客户数"]/dt_info2["区间客户数"].sum()
dt_info2

ba2dbd65be969823cfff9c3bb2859a98.png 
dt_info2["区间没有逾期客户数"]=dt_info2["区间客户数"]-dt_info2["区间逾期客户数"]
dt_info2

370636702829072d75ab905417cf69b6.png 
dt_info2["区间首逾率"]=dt_info2["区间逾期客户数"]/dt_info2["区间客户数"]
dt_info2

76e579c6e0790d9d180c2f21a8b985f2.png 
# 征信次数分组的首逾率情况
dt_info

01af3a5707cc3dd01676a0c8db61fe7e.png

2.3 年龄分组

dt.head()

f4dee2ccc6ea7d420dfc3498318686b0.png 
dt['年龄'].max()

50

dt['年龄'].min()

20

# 定义一个年龄分组的函数
def judge_nianling(age):
    try:
        nums = int(age)
        if 20<=age and age<30:
            return '1:[20,30)'
        elif 30<=age and age<40:
            return '2:[30,40)'
        elif 40<=age and age<50:
            return '3:[40,50)'
        elif 50<=age:
            return '4:[50,以上)'
    except Exception as e:
        return "6:缺失"

# 新建一个字段记录分组信息
dt['年龄分组']=dt['年龄'].apply(judge_nianling)

dt.head()

f49287687ce799085947118f9c92b79e.png 
# 分组统计各个分组的情况
# 区间用户占比、未逾期客户数要另外计算
dt_info3 = dt.groupby("年龄分组").agg({
    "用户id":'count',
    "是否逾期（1是，0否）":sum
}).reset_index().rename(columns={"用户id":"区间客户数",
                                "是否逾期（1是，0否）":"区间逾期客户数"})
dt_info3

edc88fb26cddafb866080a57881008fa.png 
dt_info3['区间用户占比']=dt_info3["区间客户数"]/dt_info3["区间客户数"].sum()
dt_info3

b5f97bc1b53ee57ca65dae030c552f14.png 
dt_info3["区间没有逾期客户数"]=dt_info3["区间客户数"]-dt_info3["区间逾期客户数"]
dt_info3

fcc452dc5946074ef814ee5405cd2ae6.png 
dt_info3["区间首逾率"]=dt_info3["区间逾期客户数"]/dt_info3["区间客户数"]
dt_info3

602bd0da749dea8bf67eeea858d5680e.png

3、计算提升度

在进行变量分析之后，这时我们就要从中筛选较为有效的变量了，这里涉及到一个衡量变量是否有效的指标，提升度。

提升度：通俗的来说就是衡量拒绝最坏那一部分的客户之后，对整体的风险控制的提升效果。 提升度越高，说明该变量可以更有效的区分好坏客户，能够更少的误拒好客户。

计算公式：提升度=最坏分箱的首逾客户占总首逾客户的比例 /该分箱的区间客户数占比

  • 例如：上表中征信总查询次数的最坏分箱提升度就是（1923/17365）/(3213/56456)=11%/5.69%=1.93 提升度这个指标一般来说都是用来一批变量分析里做相对比较，很多时候都是在有限的变量里尽可能选提升度更高的变量来做策略。
dt_info

c767b7473d4cc0d6f9b7e9e64166435a.png 
dt_info["区间首逾率"]

8ef15e6cac8f999750bf5e9f62b88d37.png 
#求出区间首逾率最高的id
dt_info["区间首逾率"].idxmax()

4

#求出区间首逾率最高的id 对应的区间逾期客户数
dt_info.iloc[dt_info["区间首逾率"].idxmax()]["区间逾期客户数"]

1923

# 区间逾期客户数求和
dt_info["区间逾期客户数"].sum()

17365

#计算 最坏分箱的首逾客户占总首逾客户的比例
bad_rate = dt_info.iloc[dt_info["区间首逾率"].idxmax()]["区间逾期客户数"]/dt_info["区间逾期客户数"].sum()
bad_rate

0.11073999424128995

dt_info.iloc[dt_info["区间首逾率"].idxmax()]["区间客户数"]

3213

dt_info["区间客户数"].sum()

56456

#计算 该分箱的区间客户数占比
num_rate = dt_info.iloc[dt_info["区间首逾率"].idxmax()]["区间客户数"]/dt_info["区间客户数"].sum()
num_rate

0.056911577157432336

#征信总查询次数的最坏分箱提升度
bad_rate/num_rate

1.9458254325820934

# 计算各个指标的提升度
# 提升度=最坏分箱的首逾客户占总首逾客户的比例 /该分箱的区间客户数占比
# 这里最坏分箱就是根据征信分组后，首逾率最高的一组
# 获取最大值所在行，argmax 也可以，但是会有警告
dt_info["区间首逾率"].idxmax()
# dt_info.iloc[dt_info["区间首逾率"].idxmax()]
bad_rate = dt_info.iloc[dt_info["区间首逾率"].idxmax()]["区间逾期客户数"]/dt_info["区间逾期客户数"].sum()
num_rate = dt_info.iloc[dt_info["区间首逾率"].idxmax()]["区间客户数"]/dt_info["区间客户数"].sum()
bad_rate/num_rate

1.9458254325820934

dt_info2

a1cfa722766c4e78d3385543192c1dea.png 
dt_info2["区间首逾率"].idxmax()

3

dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]

b99b5ff6220c5aaf3df82492551a5bd9.png 
dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]["区间逾期客户数"]

4251

dt_info2["区间逾期客户数"].sum()

17365

#计算 最坏分箱的首逾客户占总首逾客户的比例
bad_rate2 = dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]["区间逾期客户数"]/dt_info2["区间逾期客户数"].sum()
bad_rate

0.11073999424128995

dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]["区间客户数"]

8060

dt_info2["区间客户数"].sum()

56456

#计算 该分箱的区间客户数占比
num_rate2 = dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]["区间客户数"]/dt_info2["区间客户数"].sum()
num_rate2

0.14276604789570638

#信用评级的最坏分箱提升度
bad_rate2/num_rate2

1.7147127611157038

# 信用评级的提升度
# dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]
bad_rate2 = dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]["区间逾期客户数"]/dt_info2["区间逾期客户数"].sum()
num_rate2 = dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]["区间客户数"]/dt_info2["区间客户数"].sum()
bad_rate2/num_rate2

1.7147127611157038

通过对所有变量的提升度进行倒序排列，发现个人征信总查询次数和客户信用评级的提升度最高，达到1.95和1.71

4、制定策略

通过上一步的单变量分析，我们筛出了’征信查询次数’、‘信用评级’这两个提升度最高的变量。现在我们看一下如果将这两个变量的最坏分箱的客户都拒绝之后，对整体逾期的影响。 这个影响就是指假设我们将‘征信总查询次数>=21的3213位客户全部拒绝’之后，剩下的客户逾期率相比拒绝之前的逾期率降幅是多少。

（1）征信查询次数的前后逾期差

dt_info

7dcca1ab297f1853ebe4fa8212e29e7b.png 
dt_info["区间逾期客户数"].sum()

17365

dt_info.iloc[dt_info["区间首逾率"].idxmax()]["区间逾期客户数"]

1923

new_yuqi_nums = dt_info["区间逾期客户数"].sum() - dt_info.iloc[dt_info["区间首逾率"].idxmax()]["区间逾期客户数"]
new_yuqi_nums

15442

dt_info["区间客户数"].sum()

56456

new_yuqi_rate = new_yuqi_nums / dt_info["区间客户数"].sum()
new_yuqi_rate

0.27352274337537197

old_yuqi_nums = dt_info["区间逾期客户数"].sum()
old_yuqi_nums

17365

old_yuqi_rate = old_yuqi_nums / dt_info["区间客户数"].sum()
old_yuqi_rate

0.307584667705824

# 新的逾期率下降了 3.4%
old_yuqi_rate-new_yuqi_rate

0.03406192433045202

(2) 信用评级分组的前后逾期差

dt_info2

ca21282d789bc3a43274b21a179f611a.png 
dt_info2["区间逾期客户数"].sum()

17365

dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]["区间逾期客户数"]

4251

new_yuqi_nums = dt_info2["区间逾期客户数"].sum() - dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]["区间逾期客户数"]
new_yuqi_nums

13114

dt_info2["区间客户数"].sum()

56456

new_yuqi_rate = new_yuqi_nums / dt_info2["区间客户数"].sum()
new_yuqi_rate

0.23228709083179822

old_yuqi_nums = dt_info2["区间逾期客户数"].sum()
old_yuqi_nums

17365

old_yuqi_rate = old_yuqi_nums / dt_info2["区间客户数"].sum()
old_yuqi_rate

0.307584667705824

# 即假设我们设置征信查询次数这个风控指标，并且把查询次数21次以上的都拒绝掉
# 然后来看首逾率是多少，有降低多少
# 逾期率 = 逾期人数 / 总人数
new_yuqi_nums = dt_info2["区间逾期客户数"].sum() - dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]["区间逾期客户数"]
new_yuqi_rate = new_yuqi_nums / dt_info2["区间客户数"].sum()

old_yuqi_nums = dt_info2["区间逾期客户数"].sum()
old_yuqi_rate = old_yuqi_nums / dt_info2["区间客户数"].sum()

new_yuqi_rate

0.23228709083179822

new_yuqi_rate

0.23228709083179822

old_yuqi_rate

0.307584667705824

# 新的逾期率下降了 7.52%
old_yuqi_rate-new_yuqi_rate

0.07529757687402577

四、总结

通过比较看出将信用评级分组为ERC的8060位客户全部拒绝之后，剩下的客户逾期率相比拒绝之前的逾期率降幅最高，下降了7.52%

weixin_39685674
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
mysql怎么分组计算逾期率_转行数据分析第三篇：mysql查询入门练习题
weixin_42509267的博客
02-02 325
这篇练习题是我在学sql入门的时候做的，应该算是在网上能找到的习题里最基础的一篇，非常适合新手练习，如果你接触sql不超过半个月，建议可以看一下《sql必知必会》或《mysql必知必会》，同时把下面的习题做完，在做习题的过程中你会真实的感受到”SELECT”，”INSERT”,”WHERE”,”AS”等关键字都是做什么的，之后会对sql语言有一个大致的了解。完成这篇练习题，你应该掌握了sql语言的...
风控分析常用指标介绍
lc434699300的博客
06-29 9693
 　在信贷风控中，指标时反应业务变化最直观的手段，通过对指标的分析及时发现和定位业务开展过程中的问题，并及时采取相应的手段进行防控。本文列出工作中常关注的风险指标，介绍指标的定义及分析的方法，旨在精而不在全，希望能对各位读者有一点点启发。 目录 FPD/SPD/FSTQ 逾期率Vintage 迁徙率 回收率 FPD/SPD/TPD (First/Second/Third Payment Deliquency) FPD1:首次逾期1天发生在第一期。还款表现都为1开头。 FPD7:首次逾期7天发生在第一..
关于金融风险数据的ETL到分析
K的博客
01-15 5784
关于金融风险数据的ETL到分析 入职新公司一年有余，这一年，与其说是在做技术（数仓ETL），不如说是在和各种口径的风险数据在斗智斗勇，本篇文章主要讲述风险数据的获取、处理、可视化以及最后的分析，本文主要围绕风险指标包括：风险vintage、首逾率、催回率、滚动率、迁徙率、用户画像、截面逾期率等。 数据提取背景与工具 1.数据来源主要包含：业务数据，埋点数据，爬虫数据等； 2.数据抽取：apache...
（金融）线上消费贷风控优化（单变量分析）与用户留存（同期群分析）项目——数据分析
weixin_46960971的博客
03-12 1507
（金融）线上消费贷风控优化（单变量分析）与用户留存率项目（同期群分析）——数据分析 一、首逾率单变量分析 案例背景：     日常监控发现某款消费贷产品首逾率有逐渐升高的趋势，需要把首逾率降下来以减少产品带来的损失。 分析目标: 通过数据探查分析制定出可以有效降低首逾率的策略。 分析思路: 因为我们所要分析的策略时将要在客户申请时用来判断客户是否会逾期的条件，所以策略分析时的基本思路就是还原这些有首逾表现的客户在申请时的数据（这个还原是指提取出客户在申请时点各个
金融风控实战——生肖属性单变量分析
Grateful_Dead424的博客
01-27 1013
导入相关的包 import pandas as pd import numpy as np 读取数据集 ft_zodiac = pd.read_csv('ft_zodiac.txt') zodiac_label = pd.read_csv('zodiac_label.txt') 查看数据集信息 ft_zodiac.head() len(set(ft_zodiac.zodiac)) #查看12个属性是否都有 #12 len(set(ft_zodiac.chinese_zodiac)) #查看12个生
风控建模三：变量筛选原则
baidu_39413110的博客
12-09 6172
风控建模一：变量筛选一 变量自身分布稳定性psi长期趋势图二 变量和目标值的强相关关系IV值变量数的选择 好的模型变量直接决定着一个风险模型是否稳定和有效，而好的模型变量都具备以下三种特性： 1、变量自身的分布是随时间相对稳定的； 2、变量和目标值之间是有强相关关系的； 3、变量和目标的强相关关系也是随时间相对稳定的； 建模初期所有的变量筛选工作都是围绕着这三点来寻找符合这些特性的变量的。 一 变...
CVA程序.zip_CVA _CVA程序_warmw9f_规范变量_规范变量分析
07-15
利用规范变量分析的方法，对数据进行诊断分析
无信息变量消除.rar_光谱_光谱分析代码_光谱变量选择_光谱波段选择_无信息变量
07-15
一段用于光谱分析波段选择的无信息变量消除算法matlab代码。
概率与统计 第二章-1 随机变量及其分析-综合文档
05-22
概率与统计 第二章-1 随机变量及其分析
论文研究-基于主成分分析的多变量决策树构造方法.pdf
07-22
大多数决策树构造方法在每个节点上只检验单个属性，这种单变量决策树忽视了信息系统中广泛存在的属性间的关联作用，而且修剪时往往代价很大。针对以上两点，提出了一种基于主成分分析的多变量决策树构造方法，提取...
SQLServer中临时表与表变量的区别分析
09-11
在SQL Server中，临时表和表变量是两种用于暂存数据的结构，它们在数据库操作中扮演着重要的角色。理解它们的区别有助于优化存储过程和提高性能。 临时表类似于永久表，但它们存在于Tempdb系统数据库中，仅在创建它...
金融信贷风控（二）——数据预处理和特征衍生
布纸所云
08-25 8051
申请评分卡中的数据预处理和特征衍生 构建信用风险类型的特征 数据预处理 特征的分箱 Best-KS ChiMerge 卡方分箱法 WOE编码 WOE编码的意义 申请评分卡中的数据预处理和特征衍生 构建信用风险类型的特征 数据预处理 1、数据预处理 包括格式、缺失值的处理等。 缺失值包括如下几种情况： 1、完全随机缺失 2...
风控如何查看某个变量或者服务，或者三方数据是否有效
最新发布
a3021629273的博客
07-28 640
风控如何查看某个变量或者服务，或者三方数据是否有效
vintage、迁移率、滚动率、入催率等概念——看完你就懂了
热门推荐
micro强的博客
05-25 12万+
    随着互联网金融的发展，对数据分析的需求越来越大。数据分析的目的其实是为了找到风险和收益的平衡点。高收益伴随着高风险，而低风险的回报又如同鸡肋。所以，太高的风险，太低的收益都不行。平衡点通俗来讲就是风险在控制范围之中，收益也可以接受。为了找到平衡点，我们通常会计算许多风控指标，这些风控指标是什么意思，他们有什么作用，我们挑几个金融领域比较常用的指标说说。1、vintage    vintag...
利用SQL对拍拍贷数据进行逾期分析
博客写的好晚上睡得早
11-08 3182
一、分析背景和目的 拍拍贷成立于2007年6月，总部位于国际金融中心上海，是中国第一家网络信用借贷平台。与国内其他P2P平台相比，拍拍贷的最大特点在于采用纯线上模式运作，平台本身不参与借款，而是实施信息匹配、工具支持和服务等功能，借款人的借款利率在最高利率限制下，由自己设定。而这也是P2P网贷平台最原始的运作模式。 随着多年的经验积累，拍拍贷不管是在贷款总额上还是在风控方面都有所提高，而且目前基于...
HTML动态为复杂table添加、删除行
weixin_43288034的博客
11-26 836
HTML动态为复杂table添加、删除行   首先申明一下，我是一个做后台的java开发，但是由于公司工作的调整，我的工作中还是会涉及到前端页面的开发。就在最近的一个业务中，有这样一个需求；如下图：   看到绩效指标一列后面的操作按钮了吗？没错，我们要做的就是希望用户能根据自己的需求自行添加和删除行，但是这个表格的结构也算是比较复杂的了，对于我一个只会一点点前端技术的人来说，确实还是有点困难的，我也找了公司的前端大佬帮忙，但是他们都嫌太复杂了不肯帮忙。没办法，自己的工作还是得靠自己才行。下面来看看我的解决
指标管理系统设计
weixin_38166318的博客
09-09 3478
文章目录什么是指标指标系统建设前的状况指标建设的宏观步骤基于业务目的梳理指标体系基于系统支撑录入和管理指标管理所在的数仓位置指标管理系统产品模块设计指标定义基础指标复合指标指标查询指标下线对外接口指标权限报表配置化指标管理系统技术实现指标加工逻辑指标输出设计在dws中以大宽表的形式存放以统一的指标表存放所有的指标定义整体脑图参考资料 什么是指标 数据团队出具的一个统计报表字段即为指标。比如最近七天的订单量，一个促销活动的购买转化率等等。 一个指标具体到计算实施，主要有以下几部分组成 指标加工逻辑，比如co
mysql怎么分组计算逾期率_用sql统计vintage，滚动率，迁移率，逾期率
weixin_39902508的博客
01-20 1052
风险统计分析，离不开vintage，滚动率，迁移率，逾期率等指标的统计，贴一段递延率的Mysql代码，仅做参考。#create view overdue_list2#as#逾期(递延)表SELECTDATE_FORMAT(a.endtime, '%Y-%m-%d') as '日期',count(a.apply_id) '销售量#',sum(if(a.`status` != 2 or a.succe...
"SPSS统计：单因素与单变量方差分析比较与联系详解
在 spss 统计分析中，方差分析在比较均值菜单和一般线性模型菜单中都可以做，单因素方差分析一般称为单因素 Anova 分析，单变量方差分析一般称为一般线性模型单变量分析。这两种方法既有区别又有联系，在统计学中，...

“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