graphviz python_Python | 基于scikit-learn决策树可视化优化

最新推荐文章于 2024-04-21 10:20:52 发布
最新推荐文章于 2024-04-21 10:20:52 发布
阅读量295 收藏 1
点赞数
文章标签： graphviz python python astype category python graphviz

e425d505537aadf258d8b3ec547f57bf.png

众所周知，scikit-learn作为Python中进行机器学习最常用最重要的一个库，它的CART可视化真的很糟糕（隔壁的R比它不知道高到哪里去了）。举个栗子，使用scikit-learn加上graphviz对泰坦尼克号存活数据进行可视化，你只能得到类似以下这个玩意，这对非数据科学领域的人非常极其的不友好。

2e3c7fd1e376bb069594c5cde1aa1d6e.png
玩意

但是如果你用了如下的代码，那么你将得到这样一个一目了然的决策树！

19d611886d65fe862417e449a8cbe955.png
两目了然（1代表存活，0代表死亡）

那么这么神奇的图是怎么得到的呢？废话不多说，小二上酸菜！

一. 决策树绘制的规则

决策树又分为分类树和回归树，前者用于预测分类后者用于预测数值。在原有的复杂且冗长的树图上我们将做如下改进。

  • 分类树

4dadc1c2800e7c174d20eb82bd9577a6.png

非叶节点上应有的信息：

  1. 是椭圆形
  2. 节点样本总数
  3. 用于判断的变量名称
  4. 各类组成结构饼状图

叶节点上应有信息：

  1. 是长方形
  2. 节点样本总数
  3. 类的名称
  4. 各类组成结构的柱状图

箭头上应有的信息：

  1. 如果判断变量为数值数据(Numerical Data)，比如 age<= n：
    1. 左箭头上：<= n
    2. 右箭头上：> n
  2. 如果判断变量为分类数据(Categorical Data)，
    1. 如果类别总数<= 5（比如 sex_isDummy_female <= 0.5）：
      1. 左箭头上：male
      2. 右箭头上：female
    2. 如果类别总数量>5：
      1. 左箭头上：not female
      2. 右箭头上：female
  • 回归树

4c26c4f4e3a94e53083c33219896f097.png

非叶节点上应有的信息：

  1. 是椭圆形
  2. 节点样本总数
  3. 误差值（Mean Square Error 或者 Mean Absolute Error）
  4. 用于判断的变量名称
  5. 数值颜色：颜色越冷（蓝）数值越小，颜色越热（红）数值越大

叶节点上应有信息：

  1. 是长方形
  2. 节点样品总数
  3. 预测的数值
  4. 数字颜色：颜色越冷（蓝）数值越小，颜色越热（红）数值越大

箭头上应有的信息（与分类树一样）：

  1. 如果判断变量为数值数据(Numerical Data)，比如 age<= n：
    1. 左箭头上：<= n
    2. 右箭头上：> n
  2. 如果判断变量为分类数据(Categorical Data)，
    1. 如果类别总数<= 5（比如 sex_isDummy_female <= 0.5）：
      1. 左箭头上：male
      2. 右箭头上：female
    2. 如果类别总数量>5：
      1. 左箭头上：not female
      2. 右箭头上：female

二. 决策树可视化环境搭建

第一步上graphviz官方网站：http://www.graphviz.org/ 下载并安装graphviz

第二步给python安装graphviz库：pip install graphviz

第三步设置环境变量：

os.environ["PATH"] += os.pathsep + 'C:/Program Files (x86)/Graphviz2.38/bin/'

第四步：导入所有所需库

import

三. 先得到丑的那颗丑树

首先，我们先创建一个得到输入决策树所需所有参数的方程

输入:

  • target: 所要预测目标变量的名字，是个字符串
  • df: 表格

输出：

  • yvec: 所要预测目标变量的序列
  • xmat: 经过 dummy encoding 过后的表格
  • vnames: 除去目标变量所有变量的名字
def get_yvec_xmat_vnames(target, df):

    yvec = df[target]

    # 将拥有n个不同数值的变量转换为n个0/1的变量，变量名字中有"_isDummy_"作为标注
    xmat = pd.get_dummies(df.loc[:, df.columns != target], prefix_sep = "_isDummy_")

    vnames = xmat.columns

    return yvec, xmat, vnames

导入数据，查看数据类型

（需要数据的在这里 链接: https://pan.baidu.com/s/1xPs4p2G8qIPIzqm2sP61Kg 提取码: f9nc）

df = pd.read_csv('Titanic.csv', header=0)
df.dtypes

cf90f6a49165c8206adfc0ac029c659a.png

转换数据到应有的类型，这里survived值虽然为0或1，但不是数字类型

df.survived = df.survived.astype(str)

构建决策树模型

yvec, xmat, vnames = get_yvec_xmat_vnames("survived",df)
dt = DecisionTreeClassifier(max_depth=2, random_state=1234)
dt.fit(xmat, yvec)

a2823e7b16ff475f2355d0b20734f3c9.png

使用graphviz绘制决策树

dot_data = tree.export_graphviz(dt,
                       feature_names = vnames,  
                      filled=True)  
graph = graphviz.Source(dot_data)  
graph

cb8050bc5af1decff358694201a3d8f7.png

四. 再得到那颗优化过的树

首先我们需要一个储存所有名称及分类的字典

def get_categorical_dict(df):
    # store all the values of categorical value
    df_categorical = df.select_dtypes(include=['object', 'bool', 'category'])
    categorical_dict = {}
    for i in df_categorical.columns:
        # store in descending order
        categorical_dict[i]= sorted(list(set(df[i].astype('str'))))
    return categorical_dict

拿泰坦尼克号数据举例，我们得到：

get_categorical_dict(df)

f4d035aad1a5cf850c632fd58e80bea0.png

然后我们构建一个新的绘制决策树的方程（不想看懂代码的直接复制粘贴就好）

def tree_to_dot(tree, target, df):
    """ 把树变成dot data,用于输入graphviz然后绘制
    
    参数
        tree: DecisionTree的输出
        target: 目标变量名字
        df: 表单

    输出
        graphvic_str: dot data
    """
    # get yvec, vnames and categorical_dict of the df
    yvec, xmat, vnames = get_yvec_xmat_vnames(target, df)
    categorical_dict = get_categorical_dict(df)

    if is_classifier(tree):
        # 如果是分类树
        # classes should be in descending order
        class_names = sorted(list(set(yvec)))
        return classification_tree_to_dot(tree, vnames, class_names, categorical_dict)
    else:
        return regression_tree_to_dot(tree, vnames, categorical_dict)

    
def classification_tree_to_dot(tree, feature_names, class_names, categorical_dict):
    """ 把分类树转化成dot data

    参数
        tree: DecisionTreeClassifier的输出
        feature_names: vnames, 除去目标变量所有变量的名字
        class_names: 目标变量所有的分类
        categorical_dict: 储存所有名称及分类的字典

    输出
        graphvic_str: the dot data
    """    
    tree_ = tree.tree_
    
    # store colors that distinguish discrete chunks of data
    if len(class_names) <= 10:
        # get the colorblind friendly colors
        color_palette = adjust_colors(None)['classes'][len(class_names)]
    else:
        color_palette = sns.color_palette("coolwarm",len(class_names)).as_hex()

    feature_name = [
        feature_names[i] if i != _tree.TREE_UNDEFINED else "undefined!"
        for i in tree_.feature
    ]
    
    # initialize the dot data string
    graphvic_str = 'digraph Tree {node [shape=oval, penwidth=0.1, width=1, fontname=helvetica] ; edge [fontname=helvetica] ;'
    #print(graphvic_str)

    def recurse(node, depth, categorical_dict):
         # store the categorical_dict information of each side
        categorical_dict_L = categorical_dict.copy()
        categorical_dict_R = categorical_dict.copy()
        # non local statement of graphvic_str
        nonlocal graphvic_str
        # variable is not dummy by default
        is_dummy = False
        # get the threshold
        threshold = tree_.threshold[node]
        
        # get the feature name
        name = feature_name[node]
        # judge whether a feature is dummy or not by the indicator "_isDummy_"
        if "_isDummy_" in str(name) and name.split('_isDummy_')[0] in list(categorical_dict.keys()):
            is_dummy = True
            # if the feature is dummy, the threshold is the value following name
            name, threshold = name.split('_isDummy_')[0], name.split('_isDummy_')[1]
        
        # get the data distribution of current node
        value = tree_.value[node][0]
        # get the total amount
        n_samples = tree_.n_node_samples[node]
        # calculate the weight
        weights = [i/sum(value) for i in value]
        # get the largest class
        class_name = class_names[np.argmax(value)]
        
        # pair the color and weight
        fillcolor_str = ""
        for i, j in enumerate(color_palette): 
            fillcolor_str += j + ";" + str(weights[i]) + ":"
        fillcolor_str = '"' + fillcolor_str[:-1] + '"'
        
        if tree_.feature[node] != _tree.TREE_UNDEFINED: 
            # if the node is not a leaf
            graphvic_str += ('{} [style=wedged, label=<{}<br/>{}>, fillcolor ='+fillcolor_str+'] ;').format(node,n_samples,name)
            #print(('{} [style=wedged, label=<{}<br/>{}>, fillcolor ='+fillcolor_str+'] ;').format(node,n_samples,name))
            if is_dummy:
                # if the feature is dummy and if its total categories > 5
                categorical_dict_L[name] = [str(i) for i in categorical_dict_L[name] if i != threshold]
                categorical_dict_R[name] = [str(threshold)]
                if len(categorical_dict[name])>5:
                    # only show one category on edge
                    threshold_left = "not " + threshold
                    threshold_right = threshold
                else:
                    # if total categories <= 5, list all the categories on edge
                    threshold_left = ", ".join( categorical_dict_L[name])
                    threshold_right = threshold
            else:
                # if the feature is not dummy, then it is numerical
                threshold_left = "<="+ str(round(threshold,3))
                threshold_right = ">"+ str(round(threshold,3))
            graphvic_str += ('{} -> {} [labeldistance=2.5, labelangle=45, headlabel="{}"] ;').format(node,tree_.children_left[node],threshold_left)
            graphvic_str += ('{} -> {} [labeldistance=2.5, labelangle=-45, headlabel="{}"] ;').format(node,tree_.children_right[node],threshold_right)
            #print(('{} -> {} [labeldistance=2.5, labelangle=45, headlabel="{}"] ;').format(node,tree_.children_left[node],threshold_left))
            #print(('{} -> {} [labeldistance=2.5, labelangle=-45, headlabel="{}"] ;').format(node,tree_.children_right[node],threshold_right))

            recurse(tree_.children_left[node], depth + 1,categorical_dict_L)
            recurse(tree_.children_right[node], depth + 1,categorical_dict_R)
        else:
            # the node is a leaf
            graphvic_str += ('{} [shape=box, style=striped, label=<{}<br/>{}>, fillcolor ='+fillcolor_str+'] ;').format(node,n_samples,class_name)
            #print(('{} [shape=box, style=striped, label=<{}<br/>{}>, fillcolor ='+fillcolor_str+'] ;').format(node,n_samples,class_name))

    recurse(0, 1,categorical_dict)
    return graphvic_str + "}"

def regression_tree_to_dot(tree, feature_names, categorical_dict):
    """ 把回归树转换成dot data

    参数
        tree: DecisionTreeClassifier的输出
        feature_names: vnames, 除去目标变量所有变量的名字
        categorical_dict: 储存所有名称及分类的字典

    输出
        graphvic_str: the dot data
    """    
    # get the criterion of regression tree: mse or mae
    criterion = tree.get_params()['criterion']
    
    tree_ = tree.tree_
    
    value_list = tree_.value[:,0][:,0]
    
    # Normalize data to produce heatmap colors
    cmap = cm.get_cmap('coolwarm')
    norm = Normalize(vmin=min(value_list), vmax=max(value_list))
    rgb_values = (cmap(norm(value_list))*255).astype(int)
    hex_values = ['#%02x%02x%02x' % (i[0], i[1], i[2]) for i in rgb_values]
    
    feature_name = [
        feature_names[i] if i != _tree.TREE_UNDEFINED else "undefined!"
        for i in tree_.feature
    ]
    
    # initialize the dot data string
    graphvic_str = 'digraph Tree {node [shape=oval, width=1, color="black", fontname=helvetica] ;edge [fontname=helvetica] ;'
    #print(graphvic_str)

    def recurse(node, depth, categorical_dict):
        # store the categorical_dict information of each side
        categorical_dict_L = categorical_dict.copy()
        categorical_dict_R = categorical_dict.copy()
        # non local statement of graphvic_str
        nonlocal graphvic_str
        
        # variable is not dummy by default
        is_dummy = False
        # get the threshold
        threshold = tree_.threshold[node]
        
        # get the feature name
        name = feature_name[node]
        # judge whether a feature is dummy or not by the indicator "_isDummy_"
        if "_isDummy_" in str(name) and name.split('_isDummy_')[0] in list(categorical_dict.keys()):
            is_dummy = True
            # if the feature is dummy, the threshold is the value following name
            name, threshold = name.split('_isDummy_')[0], name.split('_isDummy_')[1]
        
        # get the regression value
        value = round(tree_.value[node][0][0],3)
        # get the impurity
        impurity = criterion+ "=" + str(round(tree_.impurity[node],3))
        # get the total amount
        n_samples = tree_.n_node_samples[node]

        
        # pair the color with node
        fillcolor_str = '"'+hex_values[node]+'"'

        if tree_.feature[node] != _tree.TREE_UNDEFINED: 
            # if the node is not a leaf
            graphvic_str += ('{} [style="filled", label=<{}<br/>{}<br/>{}>, fillcolor ='+fillcolor_str+'] ;').format(node,n_samples,impurity,name)
            #print(('{} [style="filled", label=<{}<br/>{}<br/>{}>, fillcolor ='+fillcolor_str+'] ;').format(node,n_samples,impurity,name))
            if is_dummy:
                # if the feature is dummy and if its total categories > 5
                categorical_dict_L[name] = [str(i) for i in categorical_dict_L[name] if i != threshold]
                categorical_dict_R[name] = [str(threshold)]
                
                if len(categorical_dict[name])>5:
                    # only show one category on edge
                    threshold_left = "not " + threshold
                    threshold_right = threshold
                else:
                    # if total categories <= 5, list all the categories on edge
                    threshold_left = ", ".join(categorical_dict_L[name])
                    threshold_right = threshold
            else:
                # if the feature is not dummy, then it is numerical
                threshold_left = "<="+ str(round(threshold,3))
                threshold_right = ">"+ str(round(threshold,3))
            graphvic_str += ('{} -> {} [labeldistance=2.5, labelangle=45, headlabel="{}"] ;').format(node,tree_.children_left[node],threshold_left)
            graphvic_str += ('{} -> {} [labeldistance=2.5, labelangle=-45, headlabel="{}"] ;').format(node,tree_.children_right[node],threshold_right)
            #print(('{} -> {} [labeldistance=2.5, labelangle=45, headlabel="{}"] ;').format(node,tree_.children_left[node],threshold_left))
            #print(('{} -> {} [labeldistance=2.5, labelangle=-45, headlabel="{}"] ;').format(node,tree_.children_right[node],threshold_right))

            recurse(tree_.children_left[node], depth + 1,categorical_dict_L)
            recurse(tree_.children_right[node], depth + 1,categorical_dict_R)
        else:
            # the node is a leaf
            graphvic_str += ('{} [shape=box, style=filled, label=<{}<br/>{}<br/>{}>, fillcolor ='+fillcolor_str+'] ;').format(node,n_samples,impurity,value)
            #print(('{} [shape=box, style=filled, label=<{}<br/>{}<br/>{}>, fillcolor ='+fillcolor_str+'] ;').format(node,n_samples,impurity,value))

    recurse(0, 1,categorical_dict)
    return graphvic_str + "}"

想要知道方程和 dot data 如何工作的可以将方程中的 print 行全部解除注释，然后逐行查看。至于里面的英文注释待我慢慢换成中文。。。

接下来运行 tree_to_dot 然后把生成的 dot data 放入graphviz中

dot_data = tree_to_dot(dt, "survived",df)
graph = graphviz.Source(dot_data)  
graph

1b8eaf60503e0ebf951544c9f0fe76f4.png

好看的树就诞生啦！

五. 一些栗子

dd37ab33c5fd58e580aacc3f8d1418fd.png
酒 分类树

17ab6e6650ac550681c88d43399696cf.png
心脏病 分类树

69f666513262c27dcfc00fd40cc4858f.png
旷工时常 回归树
不要光收藏不点赞哦
weixin_39973518
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Scikit-learn决策树算法库总结与简单实践
NLP_谢立侠
11-04 4331
1）Scikit-learn决策树算法库概述 2）DecisionTreeClassifier常用参数         Scikit-learn DecisionTreeClassifier类官方API：class sklearn.tree.DecisionTreeClassifier(criterion=‘gini’, splitter=‘best’, m...
Python机器学习算法库scikit-learn学习之决策树实现方法详解
09-19
### Python机器学习算法库scikit-learn学习之决策树实现方法详解 #### 决策树简介 决策树（DTs）是一种广泛应用于分类与回归任务的非参数监督学习方法。其核心目标在于根据数据特征创建一套简单易懂的决策规则，以...
scikit-learn决策树类库函数介绍
lezerodead的博客
12-08 2304
本文是参考了刘建平老师的关于scikit-learn对应决策树算法类库函数的介绍以及《机器学习实战》中对决策树可视化代码的学习。有兴趣的可以多去仔细阅读。刘建平-scikit-learn决策树算法类库介绍因此在文章中，将学习如何使用决策树进行训练、可视化和做出预测开始。然后，外面将了解scikit-learn使用的CART训练算法。scikit-learn决策树算法类库内部实现是使用了调优过的CART树算法，即可以做分类，又可以做回归。分类决策树对应的是，而回归决策树的类对应的是。
Python机器学习算法库scikit-learn学习之决策树实现方法
youyouxiong的博客
04-21 804
Scikit-learn 是一个功能强大的Python机器学习库，它提供了各种算法，包括决策树（Decision Tree）。决策树是一种直观的算法，用于分类和回归任务。
scikit-learn决策树算法笔记总结
python收藏家的博客
04-12 740
决策树
python-scikit-learn基础
weixin_57194935的博客
10-16 1686
python-scikit-learn基础
python决策树可视化_scikit-learn之决策树可视化
weixin_39586915的博客
11-28 174
平时我们在用机器学习建模时，往往只是用建模去分析数据，得到结论。但有时，我们也需要一些可视化的东西，比如决策树可视化等。在Python的机器学习库scikit-learn中，tree类中的export_graphviz()函数就能导出树的可视化结果。下面我们将通过一个简单的例子来展示如何将模型建立的决策树可视化。我们使用的数据是位于E盘中log_reg文件夹下的playTennisTr.csv，数...
使用Python的Scikit-Learn进行决策树建模和可视化：以隐形眼镜数据集为例
m0_61789994的博客
10-31 2195
首先，让我们来了解一下"lenses.txt"数据集。这个数据集包含以下特征列：1. `age`：患者的年龄。2. `prescription`：视力矫正处方的类型。3. `astigmatic`：是否患者患有散光。4. `tear_rate`：眼泪生产率。还有一个目标列：- `class`：决定了应该使用哪种类型的隐形眼镜（硬材质、软材质、不适用）。在本文中，我们介绍了如何使用Python的Scikit-Learn库来构建决策树模型，并使用Graphviz进行可视化。
【python】Scikit-learn中决策树可视化方法
热门推荐
bryant_meng
03-19 1万+
参考 官方文档，决策树的介绍 官方文档，回归树使用参数介绍 官方文档，回归树小的例子 scikit-learn决策树算法类库使用小结（分类回归树参数对比介绍与可视化方法） 官方回归树的example代码如下 print(__doc__) # Import the necessary modules and libraries import numpy as np from s...
scikit-learn决策树算法使用
小熊猫的博客
03-01 4615
之前对决策树的算法原理做了总结，今天就从实践的角度来介绍决策树算法，主要是讲解使用scikit-learn来跑决策树算法，结果的可视化以及一些参数调参的关键点。 这里直接使用实例进行简单的决策树分类讲解,至于sklearn的DT类详细讲解可以参看官方文档 scikit-learn决策树算法类库内部实现是使用了调优过的CART树算法，既可以做分类，又可以做回归。分类决策树的类对应的是Decisi...
graphviz python_python使用scikit-learn和pandas决策树进行iris鸢尾花数据分类建模和交叉验证...
weixin_39753857的博客
11-20 143
原文链接：http://tecdat.cn/?p=9326​tecdat.cn在这篇文章中，我将使用python中的决策树（用于分类）。重点将放在基础知识和对最终决策树的理解上。导入因此，首先我们进行一些导入。from __future__ import print_functionimport osimport subprocessimport pandas as pdimport numpy ...
Decision-Trees-Cancer-Prediction-：使用现有数据预测决策树来预测乳腺癌的示例（Scikit-learnpython）
02-05
使用现有数据通过决策树进行学习来预测乳腺癌的示例（scikit-learn / python） 加工 收集的数据样本已分为测试样本和训练样本。 使用scikit的决策树生成器和转换集，可用于基于ID3生成树。 然后可以将测试数据用于...
tree_python.rar_python_决策树_决策树 python_决策树python_决策树算法
07-14
6. 可视化决策树：使用`export_graphviz`函数可以将决策树导出为DOT格式，然后用Graphviz工具将其可视化，帮助我们理解模型的决策过程。 7. 验证与交叉验证：为了更准确地评估模型，可以采用k折交叉验证（`cross_...
Python实现决策树并且使用Graphvize可视化的例子
09-18
在Python中，我们可以使用scikit-learn库来实现决策树，并借助Graphviz工具将其可视化，以便更好地理解模型的构造。 首先，决策树的核心在于特征选择。在构建决策树时，我们需要从数据集中选取一个最具区分能力的...
决策树对鸢尾花数据两特征组合分类python代码的结果-决策树可视化
02-10
自scikit-learn版本21.0起，可以直接通过此方法绘制决策树，无需依赖`Graphviz`的`dot`库。通过指定特征名称（`fn`）和类别名称（`cn`），我们可以进一步增强可视化效果，使决策树的各个节点和分支更容易理解。 ...
易语言源码易语言http下载模块源码易语言源码易语言http下载模块源码
最新发布
08-05
http，易语言源码易语言http下载模块源码易语言源码易语言http下载模块源码
[毕业设计]VB.NET+Access超市顾客会员管理系统(源代码+论文资料).zip
08-05
[毕业设计]VB.NET+Access超市顾客会员管理系统(源代码+论文资料)
[毕业设计]VB+Access电表数据管理系统设计与实现(源代码+论文).zip
08-05
[毕业设计]VB+Access电表数据管理系统设计与实现(源代码+论文)
埃森哲埃森哲市场洞察分析.pdf
08-05
【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析.pdf【埃森哲】埃森哲市场洞察分析
用scikit-learn库写一段决策树可视化python代码
05-17
以下是一个简单的使用scikit-learn库的决策树可视化代码： ```python from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier, export_graphviz import graphviz # 加载鸢尾花...
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