【无标题】

最新推荐文章于 2024-08-16 18:55:06 发布
最新推荐文章于 2024-08-16 18:55:06 发布
阅读量180 收藏
点赞数 1
文章标签： 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_45552204/article/details/139640129
版权
  1. 手动输入的矩阵示例
#1.手动输入的矩阵示例，
import numpy as np
#直接影响矩阵A
A = np.array([[0, 3, 3, 3, 1, 2, 3, 3, 3, 3,3,1,0,2,3,1,0],
       [2,0,1,2,2,1,3,1,3,1,3,1,1,2,2,1,1],
       [1,2,0,1,1,2,3,3,3,3,3,1,1,1,0,1,0],
       [1,2,1,0,1,1,2,1,2,1,2,1,2,2,1,1,1],
       [1,2,1,1,0,1,2,1,2,1,2,1,1,1,0,1,0],
       [1,1,1,1,2,2,3,0,2,1,1,1,0,1,0,1,0],
       [2,2,2,2,2,1,0,1,2,1,2,1,2,1,1,1,1],
       [1,1,1,1,2,2,3,0,2,1,1,1,0,1,0,1,0],
       [1,3,2,3,2,2,3,1,0,1,2,2,2,2,2,1,2],
       [1,2,1,1,2,2,3,1,2,0,2,1,1,1,1,1,0],
       [1,3,2,3,2,2,3,1,2,2,0,2,2,2,2,1,2],
       [2,2,1,2,2,3,3,1,2,1,2,0,1,3,1,1,1],
       [1,2,1,2,2,2,2,1,2,1,2,1,0,2,1,1,1],
       [1,2,1,2,1,2,2,1,2,1,2,1,1,0,2,2,1],
       [2,2,1,2,1,1,2,1,2,1,2,1,1,2,0,2,1],
       [2,2,1,2,1,1,3,1,1,1,1,1,1,1,2,0,1],
       [0,1,1,0,1,1,2,0,2,0,2,1,1,1,1,1,0]])

#1.第一种方法，利用编程输入矩阵，输出原因，结果，可达矩阵节点

#1.第一种方法，利用编程输入矩阵，输出原因，结果，可达矩阵节点
import numpy as np
import pandas as pd
df = pd.read_excel('C:\\Users\\24278\\Desktop\\安财学习\\5.方法\\14DEMATEL\\DEMATEL矩阵示例.xlsx')
# 将 DataFrame 转换为 NumPy 数组
A = df.to_numpy()
print(A)
#行和最大值归一化，得到规范影响矩阵B
row_sum = np.sum(A, axis = 1)
max_sum = np.max(row_sum)
B = A/max_sum

#综合影响矩阵T
T = np.matmul (B, np.linalg.inv(np.identity(A.shape[0]) - B))

#计算影响度D，被影响度C，中心度M，原因度R
D = np.sum(T, axis = 1)
C = np.sum(T, axis = 0)
M = D + C
R = D - C

#判断输出结果要素和原因要素
causal_factors = ''
result_factors = ''
for i in range(len(R)):
    if R[i] > 0:
            causal_factors = causal_factors + 'x' + str(i + 1) + ' '
    elif R[i] < 0:
            result_factors = result_factors + 'x' + str(i + 1) + ' '
print("原因要素:" + causal_factors)
print("结果要素:" + result_factors)
print("影响度 (D):", D)
print("被影响度 (C):", R)
print("中心度 (M):", M)
print("原因度 (R):", R)

#使用相应的lambda值计算可达矩阵F，并输出节点度排序
E = T + np.identity(A.shape[0])
lbd = 0.20      # 相应的lambda值
F = E
for i in range(A.shape[0]):
    for j in range(A.shape[1]):
        if E[i, j] > lbd:
            F[i,j] = 1
        elif E[i, j] < lbd:
            F[i, j] = 0
node_degree = np.sum(F, axis = 0) + np.sum(F, axis = 1)
#print(sorted(node_degree, reverse=True))


#1.第二种方法，利用手动输入矩阵，输出原因，结果
#导入所需库
import numpy as np
import pandas as pd

#直接影响矩阵A
A = np.array([[0, 3, 3, 3, 1, 2, 3, 3, 3, 3,3,1,0,2,3,1,0],
       [2,0,1,2,2,1,3,1,3,1,3,1,1,2,2,1,1],
       [1,2,0,1,1,2,3,3,3,3,3,1,1,1,0,1,0],
       [1,2,1,0,1,1,2,1,2,1,2,1,2,2,1,1,1],
       [1,2,1,1,0,1,2,1,2,1,2,1,1,1,0,1,0],
       [1,1,1,1,2,2,3,0,2,1,1,1,0,1,0,1,0],
       [2,2,2,2,2,1,0,1,2,1,2,1,2,1,1,1,1],
       [1,1,1,1,2,2,3,0,2,1,1,1,0,1,0,1,0],
       [1,3,2,3,2,2,3,1,0,1,2,2,2,2,2,1,2],
       [1,2,1,1,2,2,3,1,2,0,2,1,1,1,1,1,0],
       [1,3,2,3,2,2,3,1,2,2,0,2,2,2,2,1,2],
       [2,2,1,2,2,3,3,1,2,1,2,0,1,3,1,1,1],
       [1,2,1,2,2,2,2,1,2,1,2,1,0,2,1,1,1],
       [1,2,1,2,1,2,2,1,2,1,2,1,1,0,2,2,1],
       [2,2,1,2,1,1,2,1,2,1,2,1,1,2,0,2,1],
       [2,2,1,2,1,1,3,1,1,1,1,1,1,1,2,0,1],
       [0,1,1,0,1,1,2,0,2,0,2,1,1,1,1,1,0]])
#行和最大值归一化，得到规范影响矩阵B
row_sum = np.sum(A, axis = 1)
max_sum = np.max(row_sum)
B = A/max_sum

#综合影响矩阵T
T = np.matmul (B, np.linalg.inv(np.identity(A.shape[0]) - B))

#计算影响度D，被影响度C，中心度M，原因度R
D = np.sum(T, axis = 1)
C = np.sum(T, axis = 0)
M = D + C
R = D - C

#判断输出结果要素和原因要素
causal_factors = ''
result_factors = ''
for i in range(len(R)):
    if R[i] > 0:
            causal_factors = causal_factors + 'x' + str(i + 1) + ' '
    elif R[i] < 0:
            result_factors = result_factors + 'x' + str(i + 1) + ' '
print("原因要素:" + causal_factors)
print("结果要素:" + result_factors)
print("影响度 (D):", D)
print("被影响度 (C):", R)
print("中心度 (M):", M)
print("原因度 (R):", R)
#使用相应的lambda值计算可达矩阵F，并输出节点度排序
E = T + np.identity(A.shape[0])
lbd = 0.20      # 相应的lambda值
F = E
for i in range(A.shape[0]):
    for j in range(A.shape[1]):
        if E[i, j] > lbd:
            F[i,j] = 1
        elif E[i, j] < lbd:
            F[i, j] = 0
node_degree = np.sum(F, axis = 0) + np.sum(F, axis = 1)
#print(sorted(node_degree, reverse=True))

#调用数据库
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"]=["Songti SC"] #设置字体,注意Windows这里可以换成SimHei。（主要是换成自己系统有的字体）
plt.rcParams["axes.unicode_minus"]=False #正常显示负号

def dematel(analytic_matrix):
    """
    执行DEMATEL分析。

    参数:
    - analytic_matrix: numpy数组，表示元素间的直接关系矩阵。

    返回值:
    - D: 表示总关系矩阵行和的numpy数组，指示影响程度。
    - C: 表示总关系矩阵列和的numpy数组，指示被影响程度。
    - M: 表示元素的总重要性的numpy数组；中心度
    - R: 表示元素间因果关系的numpy数组；原因度
    - priority: 权重，D+C的归一化 （注：这个权重应该不能直接理解成重要性；关键影响因素的确定应该综合考虑中心度、原因度、影响度和被影响度，具体确认方法可以参考《情报科学》上的一些论文，例如：DOI,10.13833/j.issn.1007-7634.2023.09.006）
    - status: 字符串，指示分析的成功或失败状态。
    """

    # 步骤1: 标准化矩阵
    # 对每一行求和，找到和的最大值
    max_row_sum = np.max(analytic_matrix.sum(axis=1))
    print(max_row_sum)
    # 使用最大行和的值进行标准化
    normalized_matrix = analytic_matrix / max_row_sum
    
    # 步骤2: 计算总关系矩阵
    identity_matrix = np.eye(len(normalized_matrix))  # 与分析矩阵同维度的单位矩阵
    print(identity_matrix)
    try:
        inv_matrix = np.linalg.inv(identity_matrix - normalized_matrix)  # 计算逆矩阵
        total_relation_matrix = np.dot(normalized_matrix, inv_matrix)  # 计算总关系矩阵
    except np.linalg.LinAlgError:
        return None, None, None, None, "矩阵求逆失败。提供的矩阵可能不可逆。"
    
    # 步骤3: 计算 D, C, M, R
    D = total_relation_matrix.sum(axis=1)  # 行和，影响程度
    C = total_relation_matrix.sum(axis=0)  # 列和，被影响程度
    M = D + C  # 中心度
    priority = M/M.sum() # 权重
    R = D - C  # 原因度
    
    return D, C, M,priority, R, "成功"

# 示例使用

analytic_matrix = np.array([[0, 3, 3, 3, 1, 2, 3, 3, 3, 3,3,1,0,2,3,1,0],
       [2,0,1,2,2,1,3,1,3,1,3,1,1,2,2,1,1],
       [1,2,0,1,1,2,3,3,3,3,3,1,1,1,0,1,0],
       [1,2,1,0,1,1,2,1,2,1,2,1,2,2,1,1,1],
       [1,2,1,1,0,1,2,1,2,1,2,1,1,1,0,1,0],
       [1,1,1,1,2,2,3,0,2,1,1,1,0,1,0,1,0],
       [2,2,2,2,2,1,0,1,2,1,2,1,2,1,1,1,1],
       [1,1,1,1,2,2,3,0,2,1,1,1,0,1,0,1,0],
       [1,3,2,3,2,2,3,1,0,1,2,2,2,2,2,1,2],
       [1,2,1,1,2,2,3,1,2,0,2,1,1,1,1,1,0],
       [1,3,2,3,2,2,3,1,2,2,0,2,2,2,2,1,2],
       [2,2,1,2,2,3,3,1,2,1,2,0,1,3,1,1,1],
       [1,2,1,2,2,2,2,1,2,1,2,1,0,2,1,1,1],
       [1,2,1,2,1,2,2,1,2,1,2,1,1,0,2,2,1],
       [2,2,1,2,1,1,2,1,2,1,2,1,1,2,0,2,1],
       [2,2,1,2,1,1,3,1,1,1,1,1,1,1,2,0,1],
       [0,1,1,0,1,1,2,0,2,0,2,1,1,1,1,1,0]])

D, C, M, priority, R, status = dematel(analytic_matrix)

if status == "成功":
    print("影响度 (D):", D)
    print("被影响度 (C):", C)
    print("中心度 (M):", M)
    print("权重priority：",priority)
    print("原因度 (R):", R)
else:
    print(status)
  
# 绘制中心度-原因度因果关系图

# 绘制因果关系图
plt.figure(figsize=(8, 6))
plt.scatter(M, R, color='blue') # 绘制点

# 标注每个点的因素编号（可选）
for i, (x, y) in enumerate(zip(M, R), start=1):
    plt.text(x, y, f'F{i}', fontsize=9)

# 添加轴标签
plt.xlabel('中心度')
plt.ylabel('原因度')

# 绘制中心度和因果度的平均值线（可选）
plt.axvline(x=np.mean(M), color='red', linestyle='--')
plt.axhline(y=np.mean(R), color='red', linestyle='--')

# 设置图表标题
plt.title('因果图 (Causal Diagram)')

# 显示图表
plt.grid(True)
plt.show()


import matplotlib as mpl
import matplotlib.pyplot as plt

#设置图形格式
config = {
            "font.family": 'serif',
            "font.size": 14,
            "mathtext.fontset": 'stix',
            "font.serif": ['SimSun'],
            'axes.unicode_minus': False
          }
mpl.rcParams.update(config)

import numpy as np
import pandas as pd

#直接影响矩阵A
A = np.array([[0, 3, 3, 3, 1, 2, 3, 3, 3, 3,3,1,0,2,3,1,0],
       [2,0,1,2,2,1,3,1,3,1,3,1,1,2,2,1,1],
       [1,2,0,1,1,2,3,3,3,3,3,1,1,1,0,1,0],
       [1,2,1,0,1,1,2,1,2,1,2,1,2,2,1,1,1],
       [1,2,1,1,0,1,2,1,2,1,2,1,1,1,0,1,0],
       [1,1,1,1,2,2,3,0,2,1,1,1,0,1,0,1,0],
       [2,2,2,2,2,1,0,1,2,1,2,1,2,1,1,1,1],
       [1,1,1,1,2,2,3,0,2,1,1,1,0,1,0,1,0],
       [1,3,2,3,2,2,3,1,0,1,2,2,2,2,2,1,2],
       [1,2,1,1,2,2,3,1,2,0,2,1,1,1,1,1,0],
       [1,3,2,3,2,2,3,1,2,2,0,2,2,2,2,1,2],
       [2,2,1,2,2,3,3,1,2,1,2,0,1,3,1,1,1],
       [1,2,1,2,2,2,2,1,2,1,2,1,0,2,1,1,1],
       [1,2,1,2,1,2,2,1,2,1,2,1,1,0,2,2,1],
       [2,2,1,2,1,1,2,1,2,1,2,1,1,2,0,2,1],
       [2,2,1,2,1,1,3,1,1,1,1,1,1,1,2,0,1],
       [0,1,1,0,1,1,2,0,2,0,2,1,1,1,1,1,0]])
#行和最大值归一化，得到规范影响矩阵B
row_sum = np.sum(A, axis = 1)
max_sum = np.max(row_sum)
B = A/max_sum

#综合影响矩阵T
T = np.matmul (B, np.linalg.inv(np.identity(A.shape[0]) - B))

#计算影响度D，被影响度C，中心度M，原因度R
D = np.sum(T, axis = 1)
C = np.sum(T, axis = 0)
M = D + C
R = D - C
x=M
y=R

#因子名
factors_name = [r'$x_1$', r'$x_2$', r'$x_3$', r'$x_4$', r'$x_5$',
                r'$x_6$', r'$x_7$', r'$x_8$', r'$x_9$', r'$x_{10}$', r'$x_{11}$', r'$x_{12}$',r'$x_{13}$',r'$x_{14}$',r'$x_{15}$',r'$x_{16}$',r'$x_{17}$']

#画散点图，并增加相应名称、线段和调整大小和位置

plt.scatter(x, y, s=3, c='k')
plt.xlabel('中心度')
plt.ylabel('原因度')

# 设置XY轴 相互重叠的坐标点的修改上下移动使图片更加美观
for i in range(len(x)):
    if i == 16:
        plt.text(x[i]+0.125, y[i]-0.1, factors_name[i], fontsize=14)
    elif i == 7:
        plt.text(x[i]+0.025, y[i]+0.12, factors_name[i], fontsize=14)
    elif i == 2:
        plt.text(x[i]-0.18, y[i]-0.1, factors_name[i], fontsize=14)
    elif i == 13:
        plt.text(x[i]+0.18, y[i]-0.1, factors_name[i], fontsize=14)
    elif i == 10:
        plt.text(x[i]-0.18, y[i]-0.1, factors_name[i], fontsize=14)
    elif i == 11:
        plt.text(x[i]-0.15, y[i]-0.12, factors_name[i], fontsize=14)
    else:
        plt.text(x[i]+0.025, y[i]+0.025, factors_name[i], fontsize=14)

# 设置XY轴与虚线
plt.vlines(sum(x)/len(x), -1.8, 1.8, colors='k', linestyles='dashed')
plt.hlines(0, sum(x)/len(x)-2.2, sum(x)/len(x)+2.2, colors='k', linestyles='dashed')
plt.xlim(sum(x)/len(x)-2.2, sum(x)/len(x)+2.2)
plt.ylim(-1.8, 1.8)

# 设置四个象限
plt.text(sum(x)/len(x)+2-0.2, 1.4-0.1, 'Ⅰ')
plt.text(sum(x)/len(x)-2+0.1, 1.4-0.1, 'Ⅱ')
plt.text(sum(x)/len(x)-2+0.1, -1.55+0.1, 'Ⅲ')
plt.text(sum(x)/len(x)+2-0.2, -1.55+0.1, 'Ⅳ')

# 设置图表标题
plt.title('因果图 (Causal Diagram)', fontsize=15)
plt.show()
在线努力ing
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Qt-无标题窗口
学而思
05-21 7463
        今天学习了下无标题窗口，于是来记录下我的学习过程首先建立一个Qt Widgets Application继承QWidget类创建完后直接运行就得到了如下效果那么，既然是无标题窗口就要去掉窗口栏啊，于是加上setWindowFlags(Qt::FramelessWindowHint | Qt::WindowMinimizeButtonHint);去掉标题栏，但是这样整个窗口就不能移动...
Qt无标题窗口
05-21
在本文中，我们将深入探讨如何使用Qt框架创建一个无标题窗口，这在界面设计和自定义标题栏美化中非常有用。我们将关注`framelesswidget.cpp`、`main.cpp`、`framelesswidget.h`等核心文件，理解它们在实现无标题窗口...
C#中实现无标题栏窗体拖动的代码
热门推荐
百锦再的博客
01-18 1万+
事件来实现拖动功能。当鼠标按下时，我们标记鼠标正在拖动，并保存当前坐标。在鼠标移动时，如果鼠标正在拖动，我们更新窗体的位置，使其跟随鼠标移动。当鼠标释放时，我们取消拖动标记。请注意，在窗体上添加了对应事件处理程序的窗体控件属性应该设置为对应的事件处理程序方法。在窗体设计视图，选择属性窗格，在事件选项卡中为。在C#中实现无标题栏窗体拖动的代码可以通过处理鼠标事件来实现。这样，当你在运行窗体时，你就可以通过鼠标拖动窗体来改变其位置。事件分别选择对应的处理程序方法。在这个示例代码中，我们通过处理。
C# 移动无标题栏无边框窗体的3种方法
SabreWulf
03-13 2266
目录 第一种：手工移动 第二种：调用系统API 1.引入下面代码 前提需要引入命名空间using System.Runtime.InteropServices 2.增加鼠标按下事件发送消息，让系统误以为按下是标题栏 第三种，重写 WndProc 第一种：手工移动 直接通过修改窗体位置从而达到移动窗体的效果 //定义一个位置信息Point用于存储鼠标位置 private Point mPoint; /// <summary>
Qt实现改变无标题栏窗体大小及移动窗体
danshiming的博客
11-10 3349
Qt实现鼠标左键拖动无标题栏窗体右下角改变窗体大小及移动窗体
VC去掉'无标题'字样的方法.zip
11-21
在使用Visual C++进行编程时，我们经常会在创建新的窗口或者对话框时默认看到标题栏显示为“无标题”。这可能会对用户界面的美观性和专业性造成一定的影响。本资料包提供了一种方法来帮助开发者去掉这个“无标题”...
visual c++取掉对话框窗口的 -无标题 字样的方法
08-04
在Visual C++编程环境中，创建窗口应用程序时，默认情况下，窗口标题栏可能会显示“-无标题”字样，这通常是由于没有正确设置窗口类或没有自定义窗口标题所导致的。要解决这个问题，我们需要深入理解Windows API中的...
c#实现无标题栏窗口的拖动
09-05
本篇文章将详细讲解如何在C#中实现这种无标题栏窗口的拖动以及其他基本操作。 首先，为了实现无标题栏窗口的拖动，我们需要处理窗体的鼠标事件。窗体的`FormBorderStyle`属性应设置为`None`，这会去除窗体的边框和...
delphi 无标题调整大小
11-26
在Delphi编程环境中，"无标题调整大小"通常是指创建没有标准标题栏的窗口，并允许用户通过拖动边界来调整其大小。这种设计通常用于自定义界面或创建无边框的对话框。以下是对这个主题的详细解释： 一、创建无标题...
【Python】入门到放弃之第九章《字典》
MP13537560060的博客
08-15 681
这是本系列的第九章节内容，《字典》。在Python中，字典（Dictionary）是一种内置的数据结构，用于存储键值对（key-value pairs）。字典是可变的，意味着你可以在创建字典后添加、删除或修改其中的元素。字典的键（key）必须是唯一的，并且是不可变的（即，它们必须是不可变数据类型，如字符串、数字或元组，但不能是列表或字典等可变类型）。字典的值（value）则可以是任何数据类型，包括列表、元组、字典等。以上，就是Python中字典的全部内容。
GraphRAG：复杂查询的知识图谱新框架
YeJuliaLi的博客
08-14 936
微软最近发布了名为 GraphRAG（Graphs + Retrieval Augmented Generation）的创新 RAG 框架，这是一个将文本提取、语义网络分析，与大语言模型（LLM）的提示和总结功能结合在一起的端到端系统，用于深入理解文本数据集。在对私有数据中的复杂文本信息进行文档分析时，GrahRAG 使用 LLM 生成的知识图谱来大幅提高问答性能。这里的私有数据集是指 LLM 没...
汽车免拆诊断案例 | DAF（达富）汽油尾气处理液故障警示
虹科Pico汽车示波器的博客
08-14 899
一辆DAF（达富）故障警示灯亮，提示DEF系统故障，使用虹科Pico汽车示波器检查发现故障的原因是......
C++_基本语法笔记_模板
qq_45629864的博客
08-14 439
思想是Java里的泛型（不确定用什么类型的数据）这里template这一句，意思是声明T是泛型，后面写用到泛型T的函数。建议都用应用场景：不同数据类型的交换函数。
【Python使用】嘿马头条项目从到完整开发教程第1篇：简介,1. 内容【附代码文档】
最新发布
一诺的博客
08-16 600
本教程的知识点为:简介 1. 内容 2. 目标 产品效果 ToutiaoWeb虚拟机使用说明 数据库 理解ORM 作用 思考： 使用ORM的方式选择 数据库 SQLAlchemy操作 1 新增 2 查询 all() 数据库 分布式ID 1 方案选择 2 头条 使用雪花算法 （代码 toutiao-backend/common/utils/snowflake) 数据库 Redis 1 Redis事务 基本事务指令 Python客户端操作 Git工用流 调试方法 JWT认证方案 JWT & JWS & JWE
importlib库介绍
m0_51579041的博客
08-14 217
importlib
Java读写EM4305卡、将4305卡制做成4100ID卡
zhangjin7422的专栏
08-14 405
Java读写em4305低频RFID源码，支持将EM4305卡配置成4100ID卡
SciPy：基于 NumPy 的算法库和数学工具包，用于数学、科学和工程领域。
LS_Ai的博客
08-15 953
无论是进行线性代数运算、优化问题求解、积分与微分方程处理，还是进行信号和图像处理，SciPy都提供了高度优化的工具，使得复杂的科学计算任务变得更加简单和高效。SciPy的目标是为用户提供一个全面的科学计算环境，其中涵盖了常见的线性代数、优化、积分、插值、傅里叶变换、信号处理、统计、图像处理、以及ODE（常微分方程）求解等功能。SciPy与NumPy紧密结合，同时也与Pandas、Matplotlib等库有很好的兼容性，这使得它在科学研究、数据分析和工程计算中占据了重要地位。
Android声音播放与录制
轻口味的专栏
08-16 667
例如你在听music的时候接到电话，这个时候music播放肯定会停止，此时你只能听到电话，如果你调节音量的话，这个调节肯定只对电话起作用。当电话打完了，再回到music，你肯定不用再调节音量了。而STATIC的意思是一开始创建的时候，就把音频数据放到一个固定的buffer，然后直接传给audiotrack，后续就不用一次次得write了。其实系统将这几种声音的数据分开管理，所以，这个参数对AudioTrack来说，它的含义就是告诉系统，我现在想使用的是哪种类型的声音，这样系统就可以对应管理他们了。
设置无标题 android
05-02
在Android应用中，设置无标题是一种简洁和美观的设计方式，可以为用户提供更流畅的使用体验。以下是一些实现设置无标题的方法： 1. 在Android的Manifest文件中，找到对应Activity的标签，并添加”android:theme="@...
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