数据分析项目-合集-day02

最新推荐文章于 2024-09-15 15:29:29 发布
最新推荐文章于 2024-09-15 15:29:29 发布
阅读量262 收藏
点赞数
文章标签： 人口数据 州简称 人口密度 数据合并 缺失值处理
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_47049321/article/details/124639173
版权

数据分析项目-合集-day02

需求：

- 导入文件，查看原始数据
- 将人口数据和各州的简称数据进行合并
- 将合并的数据中重复的abbreviation进行删除
- 查看存在缺失数据的列
- 找到有哪些state/region使得state的值为NaN,进行取重操作
- 为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN
- 合并各州面积数据areas
- 我们会发现area(sq.m)这一列有缺失数据，找出是哪行
- 去除含有缺失数据的行
- 找出2010年的全民人口数据
- 计算各州的人口密度
- 排序，并找出人口密度最高的州

import numpy as np
import pandas as pd
from pandas import DataFrame
import shutil

#导入其他文件夹的源数据，导入一次即可
#shutil.copytree(r"C:\01-工作相关\第2阶段-03-21-数据分析资料\数据分析项目-合集",r"数据分析项目-合集")

#导入文件,查看原始数据
abb=pd.read_csv("../data/state-abbrevs.csv") #state(州的全称) #abbreviation(州的简称)
abb.head()
stateabbreviation
0AlabamaAL
1AlaskaAK
2ArizonaAZ
3ArkansasAR
4CaliforniaCA
area=pd.read_csv("../data/state-areas.csv") #state(州的全称) #area(州的面积)
area.head()
statearea (sq. mi)
0Alabama52423
1Alaska656425
2Arizona114006
3Arkansas53182
4California163707
pop=pd.read_csv("../data/state-population.csv") #state/region(州的简称) #age年龄 #year时间 #population人口
pop.head()
state/regionagesyearpopulation
0ALunder1820121117489.0
1ALtotal20124817528.0
2ALunder1820101130966.0
3ALtotal20104785570.0
4ALunder1820111125763.0
#将人口数据和各州的简称数据进行合并
abb_pop=pd.merge(abb,pop,left_on="abbreviation",right_on="state/region",how="outer")
abb_pop.head()
stateabbreviationstate/regionagesyearpopulation
0AlabamaALALunder1820121117489.0
1AlabamaALALtotal20124817528.0
2AlabamaALALunder1820101130966.0
3AlabamaALALtotal20104785570.0
4AlabamaALALunder1820111125763.0
#将合并的数据中重复的abbreviation进行删除
abb_pop.drop(labels="abbreviation",axis=1,inplace=True)

abb_pop.head()
statestate/regionagesyearpopulation
0AlabamaALunder1820121117489.0
1AlabamaALtotal20124817528.0
2AlabamaALunder1820101130966.0
3AlabamaALtotal20104785570.0
4AlabamaALunder1820111125763.0
#查看存在缺失数据的列
#方式1：isnull, notll,any,all
abb_pop.isnull().any(axis=0)
#state,population这两列是存在空值的

state            True
state/region    False
ages            False
year            False
population       True
dtype: bool

#方式2：
abb_pop.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 2544 entries, 0 to 2543
Data columns (total 5 columns):
 #   Column        Non-Null Count  Dtype  
---  ------        --------------  -----  
 0   state         2448 non-null   object 
 1   state/region  2544 non-null   object 
 2   ages          2544 non-null   object 
 3   year          2544 non-null   int64  
 4   population    2524 non-null   float64
dtypes: float64(1), int64(1), object(3)
memory usage: 119.2+ KB

#找到有哪些state/region使得state的值为NaN,进行取重操作(将state中的空值对应的简称找到，且对简称进行去重)
abb_pop
statestate/regionagesyearpopulation
0AlabamaALunder1820121117489.0
1AlabamaALtotal20124817528.0
2AlabamaALunder1820101130966.0
3AlabamaALtotal20104785570.0
4AlabamaALunder1820111125763.0
..................
2539NaNUSAtotal2010309326295.0
2540NaNUSAunder18201173902222.0
2541NaNUSAtotal2011311582564.0
2542NaNUSAunder18201273708179.0
2543NaNUSAtotal2012313873685.0

2544 rows × 5 columns

#思路：可以将state这一列中的空值对应的行数据取出，从该行数据中就可以取出简称的值

#1.将state中的空值定位
abb_pop["state"].isnull()
#2.将上述布尔值作为源数据的行索引
abb_pop.loc[abb_pop["state"].isnull()] #将state中空对应的行数据取出
#3.将简称取出
abb_pop.loc[abb_pop["state"].isnull()]["state/region"]
#4.对简称去重
abb_pop.loc[abb_pop["state"].isnull()]["state/region"].unique()

#结论：只有PR和USA对应的全称数据为空值

array(['PR', 'USA'], dtype=object)

#为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN
#思考：填充该需求中的空值可不可以使用fillna?
    #- 不可以。fillna可以使用空的紧邻值做填充。fillna(value="xxx")使用指定的值填充空值
    #（而这里需要填充的有两种，PR 和USA 对应的全称，无法统一填充）
    # 使用给元素赋值的方式进行填充！

#1.先给USA的全称对应的空值进行批量赋值

#1.1将USA对应的行数据找到（行数据中就存在state的空值）
abb_pop["state/region"]=="USA"
abb_pop.loc[abb_pop["state/region"]=="USA"] #将USA对应的行数据取出
statestate/regionagesyearpopulation
2496NaNUSAunder18199064218512.0
2497NaNUSAtotal1990249622814.0
2498NaNUSAtotal1991252980942.0
2499NaNUSAunder18199165313018.0
2500NaNUSAunder18199266509177.0
2501NaNUSAtotal1992256514231.0
2502NaNUSAtotal1993259918595.0
2503NaNUSAunder18199367594938.0
2504NaNUSAunder18199468640936.0
2505NaNUSAtotal1994263125826.0
2506NaNUSAunder18199569473140.0
2507NaNUSAunder18199670233512.0
2508NaNUSAtotal1995266278403.0
2509NaNUSAtotal1996269394291.0
2510NaNUSAtotal1997272646932.0
2511NaNUSAunder18199770920738.0
2512NaNUSAunder18199871431406.0
2513NaNUSAtotal1998275854116.0
2514NaNUSAunder18199971946051.0
2515NaNUSAtotal2000282162411.0
2516NaNUSAunder18200072376189.0
2517NaNUSAtotal1999279040181.0
2518NaNUSAtotal2001284968955.0
2519NaNUSAunder18200172671175.0
2520NaNUSAtotal2002287625193.0
2521NaNUSAunder18200272936457.0
2522NaNUSAtotal2003290107933.0
2523NaNUSAunder18200373100758.0
2524NaNUSAtotal2004292805298.0
2525NaNUSAunder18200473297735.0
2526NaNUSAtotal2005295516599.0
2527NaNUSAunder18200573523669.0
2528NaNUSAtotal2006298379912.0
2529NaNUSAunder18200673757714.0
2530NaNUSAtotal2007301231207.0
2531NaNUSAunder18200774019405.0
2532NaNUSAtotal2008304093966.0
2533NaNUSAunder18200874104602.0
2534NaNUSAunder18201373585872.0
2535NaNUSAtotal2013316128839.0
2536NaNUSAtotal2009306771529.0
2537NaNUSAunder18200974134167.0
2538NaNUSAunder18201074119556.0
2539NaNUSAtotal2010309326295.0
2540NaNUSAunder18201173902222.0
2541NaNUSAtotal2011311582564.0
2542NaNUSAunder18201273708179.0
2543NaNUSAtotal2012313873685.0
#1.2 将USA对应的全称空的对应行索引取出
indexs=abb_pop.loc[abb_pop["state/region"]=="USA"].index

abb_pop.iloc[indexs]
abb_pop.loc[indexs,"state"]="United States"

#2.将PR的全称进行赋值
abb_pop["state/region"]=="PR"
indexs2=abb_pop.loc[abb_pop["state/region"]=="PR"].index

abb_pop.loc[indexs2,"state"]="Puerto Rico"

#- 合并各州面积数据areas
#- 我们会发现area(sq.m)这一列有缺失数据，找出是哪行
#- 去除含有缺失数据的行
#- 找出2010年的全民人口数据
#- 计算各州的人口密度
#- 排序，并找出人口密度最高的州

#- 合并各州面积数据areas
abb_pop_area=pd.merge(abb_pop,area,how="outer")
abb_pop_area
statestate/regionagesyearpopulationarea (sq. mi)
0AlabamaALunder1820121117489.052423.0
1AlabamaALtotal20124817528.052423.0
2AlabamaALunder1820101130966.052423.0
3AlabamaALtotal20104785570.052423.0
4AlabamaALunder1820111125763.052423.0
.....................
2539United StatesUSAtotal2010309326295.0NaN
2540United StatesUSAunder18201173902222.0NaN
2541United StatesUSAtotal2011311582564.0NaN
2542United StatesUSAunder18201273708179.0NaN
2543United StatesUSAtotal2012313873685.0NaN

2544 rows × 6 columns

#- 我们会发现area(sq.m)这一列有缺失数据，找出是哪行
abb_pop_area["area (sq. mi)"].isnull()
indexs3=abb_pop_area.loc[abb_pop_area["area (sq. mi)"].isnull()].index

#- 去除含有缺失数据的行
abb_pop_area.drop(labels=indexs3,axis=0,inplace=True)

abb_pop_area
statestate/regionagesyearpopulationarea (sq. mi)
0AlabamaALunder1820121117489.052423.0
1AlabamaALtotal20124817528.052423.0
2AlabamaALunder1820101130966.052423.0
3AlabamaALtotal20104785570.052423.0
4AlabamaALunder1820111125763.052423.0
.....................
2491Puerto RicoPRunder182010896945.03515.0
2492Puerto RicoPRunder182011869327.03515.0
2493Puerto RicoPRtotal20113686580.03515.0
2494Puerto RicoPRunder182012841740.03515.0
2495Puerto RicoPRtotal20123651545.03515.0

2496 rows × 6 columns

#- 找出2010年的全民人口数据(基于df做条件查询)
abb_pop_area.query('ages=="total" & year==2010')
statestate/regionagesyearpopulationarea (sq. mi)
3AlabamaALtotal20104785570.052423.0
91AlaskaAKtotal2010713868.0656425.0
101ArizonaAZtotal20106408790.0114006.0
189ArkansasARtotal20102922280.053182.0
197CaliforniaCAtotal201037333601.0163707.0
283ColoradoCOtotal20105048196.0104100.0
293ConnecticutCTtotal20103579210.05544.0
379DelawareDEtotal2010899711.01954.0
389District of ColumbiaDCtotal2010605125.068.0
475FloridaFLtotal201018846054.065758.0
485GeorgiaGAtotal20109713248.059441.0
570HawaiiHItotal20101363731.010932.0
581IdahoIDtotal20101570718.083574.0
666IllinoisILtotal201012839695.057918.0
677IndianaINtotal20106489965.036420.0
762IowaIAtotal20103050314.056276.0
773KansasKStotal20102858910.082282.0
858KentuckyKYtotal20104347698.040411.0
869LouisianaLAtotal20104545392.051843.0
954MaineMEtotal20101327366.035387.0
965MontanaMTtotal2010990527.0147046.0
1050NebraskaNEtotal20101829838.077358.0
1061NevadaNVtotal20102703230.0110567.0
1146New HampshireNHtotal20101316614.09351.0
1157New JerseyNJtotal20108802707.08722.0
1242New MexicoNMtotal20102064982.0121593.0
1253New YorkNYtotal201019398228.054475.0
1338North CarolinaNCtotal20109559533.053821.0
1349North DakotaNDtotal2010674344.070704.0
1434OhioOHtotal201011545435.044828.0
1445OklahomaOKtotal20103759263.069903.0
1530OregonORtotal20103837208.098386.0
1541MarylandMDtotal20105787193.012407.0
1626MassachusettsMAtotal20106563263.010555.0
1637MichiganMItotal20109876149.096810.0
1722MinnesotaMNtotal20105310337.086943.0
1733MississippiMStotal20102970047.048434.0
1818MissouriMOtotal20105996063.069709.0
1829PennsylvaniaPAtotal201012710472.046058.0
1914Rhode IslandRItotal20101052669.01545.0
1925South CarolinaSCtotal20104636361.032007.0
2010South DakotaSDtotal2010816211.077121.0
2021TennesseeTNtotal20106356683.042146.0
2106TexasTXtotal201025245178.0268601.0
2117UtahUTtotal20102774424.084904.0
2202VermontVTtotal2010625793.09615.0
2213VirginiaVAtotal20108024417.042769.0
2298WashingtonWAtotal20106742256.071303.0
2309West VirginiaWVtotal20101854146.024231.0
2394WisconsinWItotal20105689060.065503.0
2405WyomingWYtotal2010564222.097818.0
2490Puerto RicoPRtotal20103721208.03515.0
#- 计算各州的人口密度(人口./面积)
abb_pop_area["midu"]=abb_pop_area["population"]/abb_pop_area["area (sq. mi)"]
abb_pop_area
statestate/regionagesyearpopulationarea (sq. mi)midu
0AlabamaALunder1820121117489.052423.021.316769
1AlabamaALtotal20124817528.052423.091.897221
2AlabamaALunder1820101130966.052423.021.573851
3AlabamaALtotal20104785570.052423.091.287603
4AlabamaALunder1820111125763.052423.021.474601
........................
2491Puerto RicoPRunder182010896945.03515.0255.176387
2492Puerto RicoPRunder182011869327.03515.0247.319203
2493Puerto RicoPRtotal20113686580.03515.01048.813656
2494Puerto RicoPRunder182012841740.03515.0239.470839
2495Puerto RicoPRtotal20123651545.03515.01038.846373

2496 rows × 7 columns

#- 排序，并找出人口密度最高的州
abb_pop_area.sort_values(by="midu",axis=0,ascending=False).iloc[0]["state"]

'District of Columbia'
weixin_47049321
关注
14个超有趣的数据分析项目，数据集都给你整理好啦(建议收藏)
weixin_46737755的博客
01-29 1万+
对于那些对数据，数据分析或数据科学感兴趣的人，提供一份可以利用业余时间完成的数据科学项目清单，一共14个！ 项目分为三种类型： 可视化项目 探索性数据分析（EDA）项目 预测建模 可视化项目 最容易上手的就是数据可视化， 以下3个数据集可以用于创建一些有意思的的可视化效果并加到你的简历中。 1. 新冠病毒可视化 学习如何使用Plotly构建动态可视化数据，展示冠状病毒是如何在全球范围内传播的。Plotly很好用，它可以做动态可视化，好看且操作简单。 难..
数据分析项目 01
Qi648086012的博客
04-02 722
数据分析项目葡萄酒质量分析1.描述性统计2.分组、直方图与t 检验3.对变量之间的关系和相关性4.用最小二乘估计进行线性回归5.系数解释6.自变量标准化7.预测 葡萄酒质量分析 1.描述性统计 下面先来分析葡萄酒质量数据集。首先，计算出每列的总体描述性统计量、质量列中的唯一值以及和这个唯一值对应的观测数量。 使用pandas 的read_csv 方法将文本文件winequality-both.cs...
day09数据分析作业
weixin_30517001的博客
08-13 170
day09数据分析作业 作业1 需求： 导入文件，查看原始数据 将人口数据和各州简称数据进行合并 将合并的数据中重复的abbreviation列进行删除 查看存在缺失数据的列 找到有哪些state/region使得state的值为NaN，进行去重操作 为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN 合并各州面积数据areas 我们...
24个终极数据科学项目(可免费获取资源)
weixin_34100227的博客
06-22 1400
摘要： 本文精选了24个数据科学项目，并囊括了各个领域和各种不同大小的数据集。另外，所有的数据集都是开源、可免费获取的。 数据科学项目为你在这个领域的深入研究提供了一个基础。通过实际应用，你不仅可以学习数据科学，也能够写在简历中提升你的资历。在这上边花费的时间越多，你学到的知识就越多。 本文精选了24个数据科学项目，并囊括了各个领域和各...
4，根据美国各州人口，土地面积进行数据分析
a88842443的博客
03-08 1778
数据私信我获取 1，导入文件，查看原始数据 import numpy as np from pandas import DataFrame,Series import pandas as pd abb = pd.read_csv('./data/state-abbrevs.csv') pop = pd.read_csv('./data/state-popula...
pandas - 案例(美国各州人口普查)
anzhehan1535的博客
05-13 519
需求： 导入文件，查看原始数据 将人口数据和各州简称数据进行合并 将合并的数据中重复的abbreviation列进行删除 查看存在缺失数据的列 找到有哪些state/region使得state的值为NaN，进行去重操作 为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN 合并各州面积数据areas 我们会发现area...
数据分析day01
Adultcrazy的博客
02-25 202
教学导航 JavaSE内容： 基础语法：变量，数据类型，分支结构，循环结构，数组 基本语法的强化训练 OOP：面向对象的分析----结合项目 常用API：字符串，集合，Io流 常用API训练 网络编程----Soder 多线程—聊天室   1、 java概述： 面向对象的语言，区别于C 1.1 java语言的学习： 特性：简单性，面向对象性，健壮性，安全性，可移植性，java跨平台能力； 编写桌面...
Linux运维-04-日志分析-日志监控ELK-day03-生产案例及G
11-02
"Linux运维-04-日志分析-日志监控ELK-day03-生产案例及Git版本控制"这个主题深入探讨了如何使用ELK（Elasticsearch、Logstash、Kibana）堆栈进行日志管理和分析，并结合Git进行版本控制，以提升工作效率。...
Hadoop-2.8.0-Day11-App数据分析与日活跃用户统计-课件与资料.zip
04-30
在本课程资料中，我们聚焦于使用Hadoop 2.8.0进行App数据分析和日活跃用户统计。Hadoop作为大数据处理的核心框架，是Apache软件基金会的一个开源项目，旨在提供分布式存储和计算的能力，使企业能够高效处理海量数据...
数据分析-思维分析逻辑day01
m0_66767594的博客
03-12 3225
文章目录一、国企数据分析工作招聘解析常规工作专题分析软技能及面试技巧二、BAT企业数据分析工作数据异常排查专题分析1、特点：2、例子面试1、准备2、三个必问的问题3、三个必问的问题解答三、中小型企业数据分析工作—斜杠青年工作内容转型分析1、规划好自己，再评估和准备2、评估自己3、优化自己4、寻找对象并实践四、数据分析工具介绍五、总结： 一、国企数据分析工作 招聘解析 根据招聘网站罗列的进行解读 常规工作 日报、周报、月报 临时数据:管理层需要、业务执行人员需要 常规工作技巧：机器人发日报、目标建立、寻找领
day01-项目概述、环境搭建
11-03
项目的功能架构包括员工管理、订单管理、分类管理、工作台、菜品管理、数据统计、套餐管理、来单提醒、微信登录、微信支付、商品浏览历史、订单购物车、地址管理、用户下单、用户催单等多个模块。 产品原型： 产品...
数据分析项目-淘宝用户数据分析
数据分析基础-excel练习
08-16 1316
分析思路 1、 分析用户在使用淘宝APP时的行为，确定相关指标，确定用户流失环节。 2、 分析用户在不同时间段的行为趋势变化。 3、 通过对部分商品的用户行为分析，提出针对不同类型用户的调整建议。 AARRR（海盗模型）其实是用户生命周期的模型：先拉新，其次促活，接着提高留存，然后获取收入，最后实现自转播。 AARRR模型主要针对一款特定产品，最初使用该产品的用户群体在各个环节会逐渐有一定的流失，通过层层深入达到最终的转化。 相关指标 1.不同时长，不同行为下的pv/uv等用户行为分析 2.日ARPPU,
【数据分析】标准误差与标准差的区别
2301_81133727的博客
09-11 473
标准误差（Standard Error, SE）和标准差（Standard Deviation, SD）是两个在统计学中非常重要的概念，但它们的含义和用途有所不同。总结来说，标准差是描述单个数据集内部变异性的指标，而标准误差是描述样本均值作为对总体均值估计的可靠性的指标。在实际应用中，它们都是评估数据和进行统计推断的重要工具。
打造智能数据分析平台：基于 Flask 的数据处理与模型精度验证系统
qq_36224726的博客
09-11 1068
模块化设计：每个功能模块都可独立调用，极大提高了系统的灵活性和可扩展性。可视化支持：多种可视化形式，条形图、表格展示帮助用户快速理解数据分析结果。自动化流程：数据预处理、建模和验证完全自动化，减少了人工干预，提升了分析效率。该项目通过结合 Flask 和机器学习工具，提供了一站式的数据处理与模型验证解决方案。无论是数据科学初学者还是资深分析师，都可以通过该平台快速完成数据的分析和模型的构建。通过灵活的模块化设计和强大的可视化支持，该平台可以轻松扩展，满足更多样化的数据分析需求。
计算机毕业设计Python知识图谱美团美食推荐系统 美团餐厅推荐系统 美团推荐系统 美食价格预测 美团爬虫 美食数据分析 美食可视化大屏
全网粉丝100W+、全栈领域优质创作者、B站、github、CSDN等社区技术专家、专注于高端精品毕业项目源码实战
09-15 1252
计算机毕业设计Python知识图谱美团美食推荐系统 美团餐厅推荐系统 美团推荐系统 美食价格预测 美团爬虫 美食数据分析 美食可视化大屏
大数据新视界 --大数据大厂之数据挖掘入门：用 R 语言开启数据宝藏的探索之旅
青云交的博客
09-14 2266
踏入大数据新视界，R 语言如璀璨魔法钥匙，开启数据宝藏之门。本文深入剖析 R 语言在数据挖掘中的非凡魅力与优势，涵盖丰富包与函数库、强大可扩展性及惊艳的数据可视化。详述常见数据挖掘算法及生动案例，从决策树到随机森林等。深度洞察数据挖掘技术未来趋势，包括自动化智能化、深度学习广泛应用等。呈现 R 语言多元应用场景，给出实用学习建议。诚邀读者分享经验，一同开启精彩的数据宝藏探索之旅。
【AI大模型】Kimi API大模型接口实现
最新发布
qq_25888559的博客
09-15 1052
Kimi智能助手在效率（免费榜）排名从2024年1月14日的第436名提升至3月19日的第11名。而尚未上线的GPT-4.5 Turbo上下文窗口指定为25.6万个token，能同时处理约20万个单词，Kimi升级后，长文本能力为其10倍。在2023年10月初次亮相时，该模型的处理能力还仅有约20万汉字。2024年3月18日，月之暗面宣布Kimi智能助手启动200万字无损上下文内测。
使用c#制作一个小型桌面程序
qq_44691564的博客
09-14 1019
创建.NET Framework新项目，将之前生成的dll放在Demo文件夹的bin ->debug或是 release中（看你自己用的什么模式），创建完成后 系统会自动生成一些文件，其中 pch.cpp 先不要修改，pch.h中先导入自己需要用到的库，下面是我的代码。布局完了之后会自动生成Form1.Designer.cs 的窗口设计代码，点击控件按F4 还可以修改他们的属性。完成之后点击生成 就可以在bin中出现的你的.exe文件咯，是不是很简单呀~[狗头]我们还需要一个入口主程序。
生成式人工智能在新加坡的发展现状和地位
wukangjupingbb的博客
09-11 1158
依据国际隐私专业人员协会(IAPP)的相关报告，2020年，上述两机构更新了该模型框架，发布了第二版，并推出了《组织实施和自我评估指南》，帮助组织评估其人工智能治理实践与型框架的匹配程度，还发布了《案例汇编》，展示了组织如何实施负责任的人工智能治理实践。2019年，金融管理局宣布与金融行业合作创建Veritas框架，为金融机构提供可验证的方法，将FEAT原则纳入其人工智能和数据分析驱动的解决方案中。新加坡在人工智能治理方面采取了部门性的方法，即通过各个行业的监管机构来管理人工智能的使用。
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

打赏作者

weixin_47049321

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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