python之建模实现微分方程

最新推荐文章于 2024-07-01 07:04:56 发布
最新推荐文章于 2024-07-01 07:04:56 发布
阅读量1.5k 收藏 31
点赞数 2
分类专栏： 数学建模 python 传染病模型 文章标签： 数学建模 偏微分方程
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_45476753/article/details/118861204
版权

一.微分方程

0.微分方程分类

微分方程是用来描述某一类函数与其子数了可大个料万在其解是一个符合方程的函数。微分方程按自变量个数可分为常微分方程和偏微分方程。

sympy学习库：www.tutorialspoint.com/sympy/

1.微分方程解析解

在这里插入图片描述
代码如下：

import numpy as np
import sympy
# apply_ics:计算特解
# sol:通解
# ics:初始条件
# x:自变量
# known_params:参数字典
# subs:符号计算函数
def apply_ics(sol, ics, x , known_params):
    free_params = sol.free_symbols -set(known_params)
    eqs = [(sol.lhs.diff(x,n) - sol.rhs.diff(x,n)).subs(x,0).subs(ics) for n in range(len(ics))]
    sol_params = sympy.solve(eqs, free_params)
    return sol.subs(sol_params)
sympy.init_printing() #初始化打印环境
t, omega0, gamma = sympy.symbols("t, omega0, gamma", positive=True) #标记变量
x = sympy.Function('x') # 标记x是微分函数，非变量
ode = x(t).diff(t,2)+2*gamma*omega0*x(t).diff(t)+omega0**2*x(t) # 求解的微分表达式
ode_sol = sympy.dsolve(ode) # 用diff()和disolve得到通解
ics = {x(0):1, x(t).diff(t).subs(t, 0):0} # 微分方程的初始条件
x_t_sol = apply_ics(ode_sol, ics, t, [omega0, gamma])
sympy.pprint(x_t_sol)

运行结果：
在这里插入图片描述

2.微分方程数值解

2.1场线图与数值解

在这里插入图片描述
场线图代码如下：

import numpy as np
from scipy import integrate
import matplotlib.pyplot as plt
import sympy
def plot_direction_field(x, y_x, f_xy, x_lim=(-5, 5), y_lim=(-5, 5), ax=None):
    f_np = sympy.lambdify((x,y_x), f_xy, 'numpy')#(x,y_x)两个自变量参与到f_xy规则运算（隐函数）
    x_vec = np.linspace(x_lim[0], x_lim[1], 20)
    y_vec = np.linspace(y_lim[0], y_lim[1], 20)
    if ax is None:
        _, ax = plt.subplots(figsize=(4,4))
    dx = x_vec[1] - x_vec[0]
    dy = y_vec[1] - y_vec[0]
    for m, xx in enumerate(x_vec):
        for n, yy in enumerate(y_vec):
            Dy = f_np(xx, yy)*dx
            Dx = 0.8*dx**2/np.sqrt(dx**2+Dy**2)
            Dy = 0.8*Dy*dy/np.sqrt(dx**2+Dy**2)
            ax.plot([xx-Dx/2,xx+Dx/2],[yy-Dy/2,yy+Dy/2],'b',lw=0.5)
            ax.axis('tight')
            ax.set_title(r"$%s$"%(sympy.latex(sympy.Eq(y_x.diff(x),f_xy))),fontsize=18)
    return ax
x = sympy.symbols('x')
y = sympy.Function('y')
f = x-y(x)**2
f_np = sympy.lambdify((y(x),x),f)
y0 = 1
xp = np.linspace(0,5,100)
yp = integrate.odeint(f_np,y0,xp)
xn = np.linspace(0,-5,100)
yn = integrate.odeint(f_np,y0,xp)
fig,ax=plt.subplots(1,1,figsize=(4,4))
ax=plot_direction_field(x,y(x),f,ax=ax)#绘制f场线图
ax.plot(xn,yn,'b',lw=2)
ax.plot(xp,yp,'r',lw=2)
plt.show()

场线图运行结果：
在这里插入图片描述

2.2洛伦兹曲线与数值解

以求解洛伦兹曲线为例，以下方程组代表曲线在xyz三个方向上的速度，给定一个初始点，可以画出相应的洛伦兹曲线:

在这里插入图片描述

代码如下：

import numpy as np
from scipy.integrate import odeint
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
# odeint()函数需要至少三个变量，第一个是微分方程函数，第二个是微分方程初值，第三个是微分的自变量。
def dmove(Point, t ,sets):
    p,r,b=sets
    x,y,z=Point
    return np.array([p*(y-x),x*(r-z),x*y-b*z])
t = np.arange(0,30,0.001)
p1 = odeint(dmove,(0.,1.,0.),t,args=([10.,28.,3.],))
p2 = odeint(dmove,(0.,1.01,0.),t,args=([10.,28.,3.],))
fig = plt.figure()
ax = Axes3D(fig)
ax.plot(p1[:,0],p1[:,1],p1[:,2])
ax.plot(p2[:,0],p2[:,1],p2[:,2])
plt.show()

结果如下：
在这里插入图片描述

3.传染病模型

传染病模型属于传染病动力学方向
本节涉及传染病模型包括:SI、SIS、SIR、SIRS、SEIR、SEIRS共六个模型。

3.1SI-Model

代码如下：

import numpy as np
import scipy.integrate as spi
import matplotlib.pyplot as plt
N = 10000 # N为人群总数
beta = 0.25 # β为传染率系数
gamma = 0 # gamma为恢复率系数
I_0 =1 #I_0为感染者的初始人数
S_0 = N - I_0 # S_0为易感染者的初始人数
T = 150 # T为传播时间
INI = (S_0, I_0) # INI为初始状态
def funcSI(inivalue,_):
    Y = np.zeros(2)
    X = inivalue
    Y[0] = -(beta*X[0]*X[1])/N+gamma*X[1] # 易感个体变化
    Y[1] = (beta*X[0]*X[1])/N-gamma*X[1] # 感染个体变化
    return Y
T_range = np.arange(0,T+1)
RES =spi.odeint(funcSI,INI,T_range)
plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible', marker = '.')
plt.plot(RES[:,1],color = 'red',label = 'Infection', marker = '.')
plt.title('SI Model')
plt.legend()
plt.xlabel('Day')
plt.ylabel('Number')
plt.show()

结果如下：

在这里插入图片描述

3.2SIS-Model

代码如下：

import numpy as np
import scipy.integrate as spi
import matplotlib.pyplot as plt
N = 10000 # N为人群总数
beta = 0.25 # β为传染率系数
gamma = 0.05 # gamma为恢复率系数
I_0 =1 #I_0为感染者的初始人数
S_0 = N - I_0 # S_0为易感染者的初始人数
T = 150 # T为传播时间
INI = (S_0, I_0) # INI为初始状态
def funcSIS(inivalue,_):
    Y = np.zeros(2)
    X = inivalue
    Y[0] = -(beta*X[0])/N*X[1]+gamma*X[1] # 易感个体变化
    Y[1] = (beta*X[0]*X[1])/N-gamma*X[1] # 感染个体变化
    return Y
T_range = np.arange(0,T+1)
RES =spi.odeint(funcSIS,INI,T_range)
plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible', marker = '.')
plt.plot(RES[:,1],color = 'red',label = 'Infection', marker = '.')
plt.title('SIS Model')
plt.legend()
plt.xlabel('Day')
plt.ylabel('Number')
plt.show()

结果如下：
在这里插入图片描述

3.3SIR-Model

代码如下：

import numpy as np
import scipy.integrate as spi
import matplotlib.pyplot as plt
N = 10000 # N为人群总数
beta = 0.25 # β为传染率系数
gamma = 0.05 # gamma为恢复率系数
I_0 =1 #I_0为感染者的初始人数
R_0 = 0#R_0为易治愈者的初始人数
S_0 = N-I_0-R_0 # 易感染者的初始人数
T = 150 # T为传播时间
INI = (S_0, I_0, R_0) # INI为初始状态
def funcSIR(inivalue,_):
    Y = np.zeros(3)
    X = inivalue
    Y[0] = -(beta*X[0]*X[1])/N # 易感个体变化
    Y[1] = (beta*X[0]*X[1])/N-gamma*X[1] # 感染个体变化
    Y[2] = gamma*X[1] # 治愈个体变化
    return Y
T_range = np.arange(0,T+1)
RES =spi.odeint(funcSIR,INI,T_range)
plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible', marker = '.')
plt.plot(RES[:,1],color = 'red',label = 'Infection', marker = '.')
plt.plot(RES[:,2],color = 'green',label = 'Recoveryn', marker = '.')
plt.title('SIR Model')
plt.legend()
plt.xlabel('Day')
plt.ylabel('Number')
plt.show()

结果如下：
在这里插入图片描述

3.4SIRS-Model

代码如下：

import scipy.integrate as spi
import numpy as np
import matplotlib.pyplot as plt

# N为人群总数
N = 10000
# β为传染率系数
beta = 0.25
# gamma为恢复率系数
gamma = 0.05
# Ts为抗体持续时间
Ts = 7
# I_0为感染者的初始人数
I_0 = 1
# R_0为治愈者的初始人数
R_0 = 0
# S_0为易感者的初始人数
S_0 = N - I_0 - R_0
# T为传播时间
T = 150

# INI为初始状态下的数组
INI = (S_0,I_0,R_0)


def funcSIRS(inivalue,_):
    Y = np.zeros(3)
    X = inivalue
    # 易感个体变化
    Y[0] = - (beta * X[0] * X[1]) / N + X[2] / Ts
    # 感染个体变化
    Y[1] = (beta * X[0] * X[1]) / N - gamma * X[1]
    # 治愈个体变化
    Y[2] = gamma * X[1] - X[2] / Ts
    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSIRS,INI,T_range)


plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible',marker = '.')
plt.plot(RES[:,1],color = 'red',label = 'Infection',marker = '.')
plt.plot(RES[:,2],color = 'green',label = 'Recovery',marker = '.')
plt.title('SIRS Model')
plt.legend()
plt.xlabel('Day')
plt.ylabel('Number')
plt.show()

结果如下：
在这里插入图片描述

3.5SEIR-Model

代码如下：

import scipy.integrate as spi
import numpy as np
import matplotlib.pyplot as plt

# N为人群总数
N = 10000
# β为传染率系数
beta = 0.6
# gamma为恢复率系数
gamma = 0.1
# Te为疾病潜伏期
Te = 14
# I_0为感染者的初始人数
I_0 = 1
# E_0为潜伏者的初始人数
E_0 = 0
# R_0为治愈者的初始人数
R_0 = 0
# S_0为易感者的初始人数
S_0 = N - I_0 - E_0 - R_0
# T为传播时间
T = 150

# INI为初始状态下的数组
INI = (S_0,E_0,I_0,R_0)


def funcSEIR(inivalue,_):
    Y = np.zeros(4)
    X = inivalue
    # 易感个体变化
    Y[0] = - (beta * X[0] * X[2]) / N
    # 潜伏个体变化
    Y[1] = (beta * X[0] * X[2]) / N - X[1] / Te
    # 感染个体变化
    Y[2] = X[1] / Te - gamma * X[2]
    # 治愈个体变化
    Y[3] = gamma * X[2]
    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSEIR,INI,T_range)


plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible',marker = '.')
plt.plot(RES[:,1],color = 'orange',label = 'Exposed',marker = '.')
plt.plot(RES[:,2],color = 'red',label = 'Infection',marker = '.')
plt.plot(RES[:,3],color = 'green',label = 'Recovery',marker = '.')

plt.title('SEIR Model')
plt.legend()
plt.xlabel('Day')
plt.ylabel('Number')
plt.show()

结果如下：
在这里插入图片描述

3.6SEIRS-Model

代码如下：

import scipy.integrate as spi
import numpy as np
import matplotlib.pyplot as plt

# N为人群总数
N = 10000
# β为传染率系数
beta = 0.6
# gamma为恢复率系数
gamma = 0.1
# Ts为抗体持续时间
Ts = 7
# Te为疾病潜伏期
Te = 14
# I_0为感染者的初始人数
I_0 = 1
# E_0为潜伏者的初始人数
E_0 = 0
# R_0为治愈者的初始人数
R_0 = 0
# S_0为易感者的初始人数
S_0 = N - I_0 - E_0 - R_0
# T为传播时间
T = 150

# INI为初始状态下的数组
INI = (S_0,E_0,I_0,R_0)


def funcSEIRS(inivalue,_):
    Y = np.zeros(4)
    X = inivalue
    # 易感个体变化
    Y[0] = - (beta * X[0] * X[2]) / N + X[3] / Ts
    # 潜伏个体变化
    Y[1] = (beta * X[0] * X[2]) / N - X[1] / Te
    # 感染个体变化
    Y[2] = X[1] / Te - gamma * X[2]
    # 治愈个体变化
    Y[3] = gamma * X[2] - X[3] / Ts
    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSEIRS,INI,T_range)


plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible',marker = '.')
plt.plot(RES[:,1],color = 'orange',label = 'Exposed',marker = '.')
plt.plot(RES[:,2],color = 'red',label = 'Infection',marker = '.')
plt.plot(RES[:,3],color = 'green',label = 'Recovery',marker = '.')

plt.title('SEIRS Model')
plt.legend()
plt.xlabel('Day')
plt.ylabel('Number')
plt.show()

结果如下：
在这里插入图片描述

风尘DX
关注
  • 2
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数学建模Python微分方程模型程序及数据
04-20
根据提供的文件信息，本文将详细解析数学建模中利用Python实现微分方程模型的相关知识点。主要内容包括微分方程的基础概念、Python在数学建模中的应用、如何使用Python求解微分方程以及实际案例分析。 ### 一、微分...
基于Python编程和fluent仿真实现的二维非稳态热传导
毕业作品网站
02-20 1730
目录 一、划分网格： 1 X方向网格：20；Y方向网格：20 材料1：材料2：材料1=8:4:8 1 总网格数量：400 1 显式格式： 1 隐式格式： 2 C-N格式： 2 二、控制离散方程： 2 系数： 3 边界条件： 3 角点的处理: 4 两材料交界面的处理： 4 三、编程计算（代码见附录） 5 四、fluent仿真计算 6 五、 结论分析 6 六、附录 6os.popen(args) 7 if not os.path.exists( 7 k1 = 53.6 8 k2 = 0.2093 8从编程绘制的
Python热力系统仿真工具包TESPy
2301_79313166的博客
02-05 694
TESPy 提供了一个 热力系统仿真工具的python包，适用于制冷系统、电力等热能工程设备、区域供热系统或热泵。目前，该软件包包括基本的热力系统部件，如涡轮机、泵、压缩机、热交换器、管道、 混合器和分路器以及一些高级组件。基本规格包括：质量流量（m）、体积流量（V）、压力(p)、焓（h）、温度（T）、流体向量；components：实体模型，如压缩机、蒸发器、泵、阀门等元件，如果设置了一个组件，则必须指定一个（在一个network内）唯一标签，可以在组件文档中找到所有相关方程式；
传染病趋势预测模型
最新发布
chenchen_12345的博客
07-01 849
时间序列的目的：进行预测，根据已有的时间序列数据预测未来。思路是确定已有的时间序列变化模式，并假定这种模式会延续到未来。不考虑事物发展之间的因果。趋势和季节性，以及两者之外的随机变动。时间序列是事物在不同时间上的相继观察值排列而成的序列。时间序列中的时间可以是可以是年份、季度、月份或其他任何时间形式。混合良好的人口，被划分为几个不连贯的阶层；流行病，即控制个人在阶层之间过渡的过程。经典模型包括以下类别:S类 易感个体，即那些可能变得具有传染性的人。
Python小白的数学建模课-09 微分方程模型
chinaherolts2008的博客
09-02 2306
1. 微分方程 1.1 基本概念 微分方程是描述系统的状态随时间和空间演化的数学工具。物理中许多涉及变力的运动学、动力学问题，如空气的阻力为速度函数的落体运动等问题，很多可以用微分方程求解。微分方程在化学、工程学、经济学和人口统计等领域也有广泛应用。 具体来说，微分方程是指含有未知函数及其导数的关系式。 微分方程按自变量个数分为：只有一个自变量的常微分方程（Ordinary Differential Equations）和包含两个或两个以上独立变量的偏微分方程（Partial Differentia
数学模型与python基础——微分方程数学模型（1）
qq_34345989的博客
12-13 1497
数学模型与python基础（3.1） 第一章讲了什么是数学模型，介绍了传染病学的sir模型。那么我们就趁热打铁从微分方程相关的数学模型以及相关的数学计算过程开始介绍。
python数学建模（四）微分方程模型
源仔
08-28 6273
（一）求微分方程（方程组）的符号解 Sympy 库提供了 dsolve 函数求微分方程的符号解。在声明时可以使用Function 函数将符号变量声明为函数类型。如下： y = Function('y') 或 y = symbols(‘y’, cls=Function) 例一：求微分方程的通解 （1）齐次方程：∂2y∂x2−5∂y∂x+6y=0;\frac{\partial^2 y}{\partial x^2}-5\frac{\partial y}{\partial x}+6y =0;∂x2∂2y​−5∂x
数学建模：微分方程模型— Python 求解
Charles Leclerc's blog
04-26 5098
数学建模 微分方程模型的 Python 求解 使用显式欧拉法和四阶龙格库塔法计算Lorenz模型scipy.integrate.odeint 求解微分方程模型scipy.integrate.solve_ivp 求解微分方程模型 使用 Python 求常微分方程的数值求解通常是基于一阶方程进行的，高阶微分方程要化成一阶方程组。 例：使用显式欧拉法和四阶龙格库塔法计算Lorenz模型 Lorenz模型是由美国气象学家Lorenz在研究大气运动时，通过简化对流模型，只保留
python中sympy库求常微分方程的用法
12-20
在Python编程环境中，`sympy`库是一个强大的符号计算工具，它允许用户进行复杂的数学操作，包括求解常微分方程（ODE）。本文将详细介绍如何使用`sympy`来解决常微分方程，并展示两个具体的例子，同时讨论如何通过`...
用python科学计算解偏微分方程
02-10
在Python编程环境中，科学计算是数据科学家和工程师处理复杂数学问题的重要工具，其中包括了解决偏微分方程（PDEs）。偏微分方程在物理、工程、金融等多个领域都有广泛的应用，如流体力学、电磁学、热传导等。本主题...
Python小白的数学建模课-09 微分方程模型.pdf
11-27
**Python小白的数学建模课-09 微分方程模型** 微分方程是数学建模中不可或缺的一部分，尤其对于Python初学者而言，掌握微分方程模型的构建和求解至关重要。微分方程是描述系统动态变化的数学工具，广泛应用于物理学...
Python-plotdf用以绘制2D微分方程相图的Python模块
08-10
Python-plotdf是一个专门用于绘制2D微分方程相图的Python模块，它为科学家和工程师提供了一种直观的方式来理解和分析动态系统的行为。在数据分析和科学计算领域，相图是一种重要的工具，它可以帮助我们可视化两个...
python解zuobiaoxi方程_数值常微分方程-欧拉法与龙格-库塔法
weixin_39963830的博客
11-21 1720
大三时候在跳蚤市场闲逛，从一位数学院的学长那里买了一些闲书，最近翻出来刚好有李荣华、刘播老师的《微分方程数值解法》和王仁宏老师的《数值逼近》，结合周善贵老师的《计算物理》课程，整理一下笔记。本文整理常微分方程数值求解的欧拉法与龙格-库塔法。一般地，动力学系统的时间演化可以用常微分方程的初值问题来描述，例如设一维简谐运动的回复力： ，有则运动方程： 。令 ，可以将二阶微分方程转化为一阶微分方程...
Python：利用多种方式解微分方程(以二阶微分系统零状态响应为例)
qq_43042024的博客
02-27 8618
1.问题：求系统的零状态响应 2.引入 首先用高数知识求解非齐次常系数微分方程 再利用信号与系统中冲激响应求解验证 利用MATLAB求解验证 y=dsolve('D2y+3*Dy+2*y=exp(-t)','y(0)=1','Dy(0)=2','t') 得出结果： y = (t - 2 exp(-t) + 3) exp(-t) 根据...
数学思想——1.SEIR模型
热门推荐
Program_dancing的博客
05-24 5万+
目录： 1.SEIR模型简介 2.SEIR模型中的S\E\I\R分别表示什么？ 3.为什么在“新冠”疫情模拟过程中选择SEIR模型作为基础模型？ 4.使用该模型过程中的数据从何而来？ 5.该“新冠”疫情模拟小游戏中使用该SEIR模型的流程 6.效果展示 7.部分代码展示 一、SEIR模型简介 如果所研究的传染病有一定的潜伏期，与病人接触过的健康人并不马上患病，而是成为病原体的携带者，归入 E 类。此时有： 仍有守恒关系 S(t) + E(t) + I(t) + R(t) = 常数，病死者可归入 R 类。
Python数据分析基础技术之scikit-learn（史上最全面）
qq_27851579的博客
07-05 1945
1、scikit-learn 简介 scikit-learn (sklearn) 是基于 Python 语言的机器学习工具。 是简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证 sklearn 可以实现数据预处理、分类、回归、降维、模型选择等常用的机器学习算法。 sklearn 是基于 [ NumPy ](https://blog.
seir模型_SEIR模型到底是什么？五分钟带你理解并代码实现
weixin_39893274的博客
12-08 4万+
近日，我们经常可以看到这样的新闻，“清华AI团队预测：12-19日达到峰值，16日前后出现拐点，6万人将被感染！”，“钟南山院士表示：根据我们团队在传统模型基础上加上影响因素，国家强力干预和春节后的回程高峰消除后，预测高峰应该在2月中接近2月底。到了2月15日，数字果然下来了。我们更接近国外权威的预测值。我们有信心，4月底基本控制。”疫情预测一方面让疫情防控更加有条不紊地施行，另一方面也...
Python小白的数学建模课-B5. 新冠疫情 SEIR模型
chinaherolts2008的博客
08-31 1万+
1. SEIR 模型 1.1 SEIR 模型的提出 建立传染病的数学模型来描述传染病的传播过程，要根据传染病的发病机理和传播规律， 结合疫情数据进行拟合分析，可以认识传染病的发展趋势，预测疫情持续时间和规模，分析和模拟各种防控措施对疫情发展的影响程度， 为传染病防控工作提供决策指导，具有重要的理论意义和现实意义。 SI 模型是最简单的传染病传播模型，把人群分为易感者（S 类）和患病者（I 类）两类，通过 SI 模型可以预测传染病高潮的到来；提高卫生水平、强化防控手段，降低病人的日接触率，可以推迟传染病
Python：SEIR传染病模型
FightingBob的博客
04-12 1万+
Hello，大家好！好久没有更新了，今天给大家介绍一个非常经典的模型——SEIR传染病模型！ SEIR传染病模型模型介绍S、E、I、R代表的含义模型建立变量解释建立微分方程转化迭代形式Python实现总结获得源代码 模型介绍 传染病的基本数学模型，研究传染病的传播速度、空间范围、传播途径、动力学机理等问题，以指导对传染病的有效地预防和控制。常见的传染病模型按照传染病类型分为 SI、SIR、SIRS、SEIR 模型等，按照传播机理又分为基于常微分方程、偏微分方程、网络动力学的不同类型。 S、E、I、R代表的含
简述python数学建模偏微分方程
04-29
下面简述Python数学建模偏微分方程的步骤： 1. 建立数学模型：首先需要建立偏微分方程的数学模型，将问题转化为数学表达式。 2. 离散化：将连续的时间和空间离散化，将其分解为有限多个时间步骤和空间格点。 3. ...
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