FE01_OneHot-Scala应用

最新推荐文章于 2023-04-11 14:23:42 发布
最新推荐文章于 2023-04-11 14:23:42 发布
阅读量488 收藏 1
点赞数 2
分类专栏： ★★★机器学习 # ★★特征工程
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/wendaomudong_l2d4/article/details/105265759
版权

  OneHot是处理类别型变量常用的处理方法，scala中如果应用呢？如果测试集中出现训练集中没有value，怎么处理？

1 数据构造

import org.apache.spark.ml.{Model, Pipeline, PipelineModel, PipelineStage}
import org.apache.spark.ml.classification.LogisticRegression
import org.apache.spark.ml.feature.{OneHotEncoderEstimator, StringIndexer}
import org.apache.spark.sql.functions._
import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
val builder = SparkSession
      .builder()
      .appName("LR")
      .config("spark.executor.heartbeatInterval","60s")
      .config("spark.network.timeout","120s")
      .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
      .config("spark.kryoserializer.buffer.max","512m")
      .config("spark.dynamicAllocation.enabled", false)
      .config("spark.sql.inMemoryColumnarStorage.compressed", true)
      .config("spark.sql.inMemoryColumnarStorage.batchSize", 10000)
      .config("spark.sql.broadcastTimeout", 600)
      .config("spark.sql.autoBroadcastJoinThreshold", -1)
      .config("spark.sql.crossJoin.enabled", true)
      .master("local[*]") 
val spark = builder.getOrCreate()
spark.sparkContext.setLogLevel("ERROR")
import spark.implicits._

import org.apache.spark.ml.{Model, Pipeline, PipelineModel, PipelineStage}
import org.apache.spark.ml.classification.LogisticRegression
import org.apache.spark.ml.feature.{OneHotEncoderEstimator, StringIndexer}
import org.apache.spark.sql.functions._
import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
builder: org.apache.spark.sql.SparkSession.Builder = org.apache.spark.sql.SparkSession$Builder@7ccafcf6
spark: org.apache.spark.sql.SparkSession = org.apache.spark.sql.SparkSession@48591f2c
import spark.implicits._

println("------------- dfTrain -------------")
var dfTrain = Seq(
    (1, 5.1, "a", "hello", 0.2, 0),
    (2, 4.9, "b", null, 0.2, 1),
    (3, 4.7, "b", "hi", 0.2, 0),
    (4, 4.6, "c", "hello", 0.2, 1)
  ).toDF("id","x1","x2", "x3","x4","label")
dfTrain.show()
println("------------- dfTest -------------")
var dfTest = Seq(
    (1, 5.1, "a", "hello", 0.2, 0),
    (2, 4.9, "b", "no", 0.2, 1),
    (3, 4.7, "a", "yes", 0.2, 0),
    (4, 4.6, "d", "hello", 0.2, 1)
  ).toDF("id","x1","x2", "x3","x4","label")
// 测试集直接copy就行了，仅用来测试
dfTest.show()

------------- dfTrain -------------
+---+---+---+-----+---+-----+
| id| x1| x2|   x3| x4|label|
+---+---+---+-----+---+-----+
|  1|5.1|  a|hello|0.2|    0|
|  2|4.9|  b| null|0.2|    1|
|  3|4.7|  b|   hi|0.2|    0|
|  4|4.6|  c|hello|0.2|    1|
+---+---+---+-----+---+-----+

------------- dfTest -------------
+---+---+---+-----+---+-----+
| id| x1| x2|   x3| x4|label|
+---+---+---+-----+---+-----+
|  1|5.1|  a|hello|0.2|    0|
|  2|4.9|  b|   no|0.2|    1|
|  3|4.7|  a|  yes|0.2|    0|
|  4|4.6|  d|hello|0.2|    1|
+---+---+---+-----+---+-----+






dfTrain: org.apache.spark.sql.DataFrame = [id: int, x1: double ... 4 more fields]
dfTest: org.apache.spark.sql.DataFrame = [id: int, x1: double ... 4 more fields]

注意：

  • dTest的类别型特征中出现了dTrain中没有的value
  • x2中的d,x3中的no,yes

2 StringIndexer转换

  StringIndexer能把字符型字段编码成标签索引，索引的范围为0到标签数量(这里指的是dfTrain中了)，索引构建的顺序为标签的频率，优先编码频率较大的标签，所以出现频率最高的标签为0号。如果输入的是数值型的，我们会把它转化成字符型，然后再对其进行编码。
  做onehot之前我们需要先做stringIndex转换。

val columns = Array("x2","x3")
val indexers:Array[PipelineStage] = columns.map { colName =>
      new StringIndexer().setInputCol(colName).setOutputCol(colName + "_indexed").setHandleInvalid("keep")
    }
new Pipeline().setStages(indexers).fit(dfTrain).transform(dfTrain).show()

+---+---+---+-----+---+-----+----------+----------+
| id| x1| x2|   x3| x4|label|x2_indexed|x3_indexed|
+---+---+---+-----+---+-----+----------+----------+
|  1|5.1|  a|hello|0.2|    0|       1.0|       0.0|
|  2|4.9|  b| null|0.2|    1|       0.0|       2.0|
|  3|4.7|  b|   hi|0.2|    0|       0.0|       1.0|
|  4|4.6|  c|hello|0.2|    1|       2.0|       0.0|
+---+---+---+-----+---+-----+----------+----------+






columns: Array[String] = Array(x2, x3)
indexers: Array[org.apache.spark.ml.PipelineStage] = Array(strIdx_2ab569f4651d, strIdx_4d7196a2a72b)
  • StringIndexr和常用的OneHotEncoderEstimator、VectorAssembler不同，只能单个特征的处理
  • 上面用map方法做了简单的处理
  • 从x2的编码看，频数最多的b标记为0，x3的hello被编辑为0
  • x3的缺失值被标记为2.0

3 OneHotEncoderEstimator

下面对转换后的数据进行onehot编码

val columnsIndexed = Array("x2","x3")
val onehoter = new OneHotEncoderEstimator()
      .setInputCols(columnsIndexed.map(_ + "_indexed"))
      .setOutputCols(columnsIndexed.map(_ + "_onehot"))

columnsIndexed: Array[String] = Array(x2, x3)
onehoter: org.apache.spark.ml.feature.OneHotEncoderEstimator = oneHotEncoder_7d9f19c5de00

val dfTrain1 = new Pipeline().setStages(indexers).fit(dfTrain).transform(dfTrain)
onehoter.fit(dfTrain1).transform(dfTrain1).show()

+---+---+---+-----+---+-----+----------+----------+-------------+-------------+
| id| x1| x2|   x3| x4|label|x2_indexed|x3_indexed|    x2_onehot|    x3_onehot|
+---+---+---+-----+---+-----+----------+----------+-------------+-------------+
|  1|5.1|  a|hello|0.2|    0|       1.0|       0.0|(3,[1],[1.0])|(2,[0],[1.0])|
|  2|4.9|  b| null|0.2|    1|       0.0|       2.0|(3,[0],[1.0])|    (2,[],[])|
|  3|4.7|  b|   hi|0.2|    0|       0.0|       1.0|(3,[0],[1.0])|(2,[1],[1.0])|
|  4|4.6|  c|hello|0.2|    1|       2.0|       0.0|(3,[2],[1.0])|(2,[0],[1.0])|
+---+---+---+-----+---+-----+----------+----------+-------------+-------------+






dfTrain1: org.apache.spark.sql.DataFrame = [id: int, x1: double ... 6 more fields]
  • 从数据上看，还不是很直观。我们习惯行列方式的数据展示方式
  • x2_onehot中，3表示一共有3个值(a,b,c)，第二个表示分别是哪个索引，第三个都是1
  • x3_onehot中，id=2的有点特殊，均为[],应该是指null不算，即值个个数为2,(0,1)

下面对数据做了转换，把vector转换成array，看起来更直观一些

  • 可以看到x2_onehot按x2_indexed的[0,1,2]生成三列，值为0,1，命中就1否则为0
  • 而对于id=2的x3，确实都是0,0,即onehot其实不考虑null值
onehoter.fit(dfTrain1).transform(dfTrain1).map(x => (x(8).asInstanceOf[Vector].toArray,x(9).asInstanceOf[Vector].toArray)).show()

+---------------+----------+
|             _1|        _2|
+---------------+----------+
|[0.0, 1.0, 0.0]|[1.0, 0.0]|
|[1.0, 0.0, 0.0]|[0.0, 0.0]|
|[1.0, 0.0, 0.0]|[0.0, 1.0]|
|[0.0, 0.0, 1.0]|[1.0, 0.0]|
+---------------+----------+

如果测试集中有训练集中没出现的值，onehot时会自动把所有列的值都改成0，也是就和null处理方法一致。直接看个例子

val columns = Array("x2","x3")
val indexers:Array[PipelineStage] = columns.map { colName =>
      new StringIndexer().setInputCol(colName).setOutputCol(colName + "_indexed").setHandleInvalid("keep")
    }
val onehoter = new OneHotEncoderEstimator()
      .setInputCols(columns.map(_ + "_indexed"))
      .setOutputCols(columns.map(x => x + "_onehot"))
val featureCol = Array("x1","x4")++columns.map(x => x + "_onehot")
val assemble = new VectorAssembler()
      .setInputCols(featureCol)
      .setOutputCol("features")
val pipeline = new Pipeline().setStages(indexers++Array(onehoter,assemble))
val p1 = pipeline.fit(dfTrain)
p1.transform(dfTest).show()
// 把特征列转成array，再打印出来  
println("--------------------------------")
p1.transform(dfTest).select("features").map(x =>x(0).asInstanceOf[Vector].toArray).take(4).foreach(x=>println(x.mkString(",")))

+---+---+---+-----+---+-----+----------+----------+-------------+-------------+--------------------+
| id| x1| x2|   x3| x4|label|x2_indexed|x3_indexed|    x2_onehot|    x3_onehot|            features|
+---+---+---+-----+---+-----+----------+----------+-------------+-------------+--------------------+
|  1|5.1|  a|hello|0.2|    0|       1.0|       0.0|(3,[1],[1.0])|(2,[0],[1.0])|[5.1,0.2,0.0,1.0,...|
|  2|4.9|  b|   no|0.2|    1|       0.0|       2.0|(3,[0],[1.0])|    (2,[],[])|(7,[0,1,2],[4.9,0...|
|  3|4.7|  a|  yes|0.2|    0|       1.0|       2.0|(3,[1],[1.0])|    (2,[],[])|(7,[0,1,3],[4.7,0...|
|  4|4.6|  d|hello|0.2|    1|       3.0|       0.0|    (3,[],[])|(2,[0],[1.0])|(7,[0,1,5],[4.6,0...|
+---+---+---+-----+---+-----+----------+----------+-------------+-------------+--------------------+

--------------------------------
5.1,0.2,0.0,1.0,0.0,1.0,0.0
4.9,0.2,1.0,0.0,0.0,0.0,0.0
4.7,0.2,0.0,1.0,0.0,0.0,0.0
4.6,0.2,0.0,0.0,0.0,1.0,0.0





columns: Array[String] = Array(x2, x3)
indexers: Array[org.apache.spark.ml.PipelineStage] = Array(strIdx_e2e4f73059df, strIdx_581f33be39be)
onehoter: org.apache.spark.ml.feature.OneHotEncoderEstimator = oneHotEncoder_f134aaddf69e
featureCol: Array[String] = Array(x1, x4, x2_onehot, x3_onehot)
assemble: org.apache.spark.ml.feature.VectorAssembler = vecAssembler_2ec94bc0ff67
pipeline: org.apache.spark.ml.Pipeline = pipeline_cdcfa4e895ce
p1: org.apache.spark.ml.PipelineModel = pipeline_cdcfa4e895ce

先看features列

  • id=1没啥好说的，id=2,3,4都是简写的方式
  • 以id=3为例，7表示一共7个元素，其中第[0,1,3]是[4.7,0.2,0.0,1]，别的都是0
  • id=3的x3_onehot中，yes是训练集中没出现的，所以onehot之后都是0

后面打印输出直观的说明了数据储存的具体方式

4 Pipeline

用Pipeline把数据处理的流程串起来，简单跑个demo

val columns = Array("x2","x3")
val indexers:Array[PipelineStage] = columns.map { colName =>
      new StringIndexer().setInputCol(colName).setOutputCol(colName + "_indexed").setHandleInvalid("keep")
    }
val onehoter = new OneHotEncoderEstimator()
      .setInputCols(columns.map(_ + "_indexed"))
      .setOutputCols(columns.map(x => x + "_onehot"))
val featureCol = Array("x1","x4")++columns.map(x => x + "_onehot")
val assemble = new VectorAssembler()
      .setInputCols(featureCol)
      .setOutputCol("features")
val lr = new LogisticRegression().
            setMaxIter(10).
            setRegParam(0.01)
val pipeline = new Pipeline().setStages(indexers++Array(onehoter,assemble,lr))

columns: Array[String] = Array(x2, x3)
indexers: Array[org.apache.spark.ml.PipelineStage] = Array(strIdx_29b5d6cde551, strIdx_1fa35b31e12b)
onehoter: org.apache.spark.ml.feature.OneHotEncoderEstimator = oneHotEncoder_00efb376d02c
featureCol: Array[String] = Array(x1, x4, x2_onehot, x3_onehot)
assemble: org.apache.spark.ml.feature.VectorAssembler = vecAssembler_78da110d20bf
lr: org.apache.spark.ml.classification.LogisticRegression = logreg_f316005bcb94
pipeline: org.apache.spark.ml.Pipeline = pipeline_e4e6f0fbeabe

val pipeModel = pipeline.fit(dfTrain)

pipeModel: org.apache.spark.ml.PipelineModel = pipeline_e4e6f0fbeabe

println("-------------- Train -------------- ")
pipeModel.transform(dfTrain).select("id","features","rawPrediction","probability","prediction").show()
println("-------------- Test -------------- ")
pipeModel.transform(dfTest).select("id","features","rawPrediction","probability","prediction").show()

-------------- Train -------------- 
+---+--------------------+--------------------+--------------------+----------+
| id|            features|       rawPrediction|         probability|prediction|
+---+--------------------+--------------------+--------------------+----------+
|  1|[5.1,0.2,0.0,1.0,...|[3.14394279953138...|[0.95866938668285...|       0.0|
|  2|(7,[0,1,2],[4.9,0...|[-2.6533348312718...|[0.06578376621596...|       1.0|
|  3|[4.7,0.2,1.0,0.0,...|[2.86186371148445...|[0.94592870313351...|       0.0|
|  4|[4.6,0.2,0.0,0.0,...|[-3.5623891952210...|[0.02758825464682...|       1.0|
+---+--------------------+--------------------+--------------------+----------+

-------------- Test -------------- 
+---+--------------------+--------------------+--------------------+----------+
| id|            features|       rawPrediction|         probability|prediction|
+---+--------------------+--------------------+--------------------+----------+
|  1|[5.1,0.2,0.0,1.0,...|[3.14394279953138...|[0.95866938668285...|       0.0|
|  2|(7,[0,1,2],[4.9,0...|[-2.6533348312718...|[0.06578376621596...|       1.0|
|  3|(7,[0,1,3],[4.7,0...|[2.40266618214349...|[0.91703038740784...|       0.0|
|  4|(7,[0,1,5],[4.6,0...|[-0.7089322949842...|[0.32983480687831...|       1.0|
+---+--------------------+--------------------+--------------------+----------+

总结下：

  • Scala做onehot不用担心测试集中出现训练集中没有value
  • 用pipeline更方便

Ref

[1] https://blog.csdn.net/qq_34941023/article/details/70236915
[2] https://spark.apache.org/docs/2.4.4/api/scala/index.html#org.apache.spark.ml.feature.StringIndexer
[3] https://spark.apache.org/docs/2.4.4/api/scala/index.html#org.apache.spark.ml.feature.OneHotEncoder

                                2020-04-02 于南京市江宁区九龙湖

维格堂406小队
关注
  • 2
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
OneHotEncoder介绍单属性多属性scala实现
pan_haufei的博客
06-07 4392
因为项目的需要，将数据库中表的属性向量化，然后进行机器学习，所以去spark官网学习了一下OneHotEncoder,官网的相关介绍比较少，主要是针对单属性的处理，但是项目的要求是多属性的处理，网上找了很多的资料，研究了大半天终于将它集成到了自己的项目之中，下面分享一下自己的学习心得，说的不好的地方，还请各位大神多多指教。       介绍：将类别映射为二进制向量，其中至多一个值为1（其余为零）
038.（-10.12）特征工程 额外笔记
Ray的博客
10-12 535
特征工程 额外笔记数据预处理1.缺失值处理1.1 多项式插值1.2 lagrange插值（拉格朗日）1.3 预测填充1.4 具体分析2.离群值处理2.1 标准差法2.2 这一版笔记，是进一步阅读特征工程相关博客时补充记录的，继于篇号为017的博客。 数据预处理 1.缺失值处理 1.1 多项式插值 已知n+1个互异的点，由此可得到最高项不超过n次的多项式方程。 公式：Y=AX，A=X^(-1) * Y 其中A为系数矩阵，X为特征的多次项矩阵，Y为目标值矩阵。 如果test_x 也存在空值，一般在缺失值的前几
flink-scala_2.12-1.14.3-API文档-中文版.zip
04-07
赠送jar包：flink-scala_2.12-1.14.3.jar 赠送原API文档：flink-scala_2.12-1.14.3-javadoc.jar 赠送源代码：flink-scala_2.12-1.14.3-sources.jar 包含翻译后的API文档：flink-scala_2.12-1.14.3-javadoc-API文档-中文(简体)版.zip 对应Maven信息：groupId：org.apache.flink，artifactId：flink-scala_2.12，version：1.14.3 使用方法：解压翻译后的API文档，用浏览器打开“index.html”文件，即可纵览文档内容。 人性化翻译，文档中的代码和结构保持不变，注释和说明精准翻译，请放心使用。
Spark中将Vector向量，转为Array数组，存储为txt文件
u012639878的博客
08-14 3184
Spark中，有两种方法可以将数据存为txt文件，一种是基于RDD存储，另一种是使用Spark SQL的Dataset数据结构。 两种存储方法对比： 比较项 基于RDD 基于Dataset 是否可追加 否 是 存储列数 不限制 只能一列 总的来说，就是基于RDD存储txt文件的话，无法对目录文件进行追加及覆盖写操作，但是可以直接存储多列，而基于Dataset存储的时候，是可以按照SaveMode进行各种选择方式的，但是只能存储一列。 解决办法就是想办法将
独热码(One-Hot编码)
chbxw
06-02 1178
OneHotEncoder has been deprecated in 2.3.0 and will be removed in 3.0.0. Please use OneHotEncoderEstimator instead. OneHotEncoder   独热编码（OneHotEncoder）将标签指标映射为二值向量，其中最多一个单值。 import org.apache.spark.ml...
scala004_数组操作之数组转换
weixin_44133661的博客
08-16 349
1 使用yield和函数值变成转换数组 1.1 对Array进行转换，获取的还是Array scala> val a= Array(1,2,3,4,5) a: Array[Int] = Array(1, 2, 3, 4, 5) scala> val a2 = for(ele <- a) yield ele * ele a2: Array[Int] = Array(1, 4, 9...
scala--标签和索引的转化：StringIndexer- IndexToString-VectorIndexer
智慧与美貌并存
04-19 2926
来源：http://mocom.xmu.edu.cn/article/show/587f11deaa2c3f280956e7ba/0/1 版权声明: 本文发自http://mocom.xmu.edu.cn，为 赖永炫 老师的个人博文，文章仅代表个人观点。无需授权即可转载，转载时请务必注明作者。 Spark的机器学习处理过程中，经常需要把标签数据（一般是字符串）转化
label与one-hot独热编码向量之间的相互转换
ThePaK的博客
04-11 394
按列时，第一列最大值是5，索引值为1；第二列最大值是7，索引值为1；第三列最大值是8，索引值为2；第三列最大值是7，索引值为0.按行时，第一行最大值是7，索引值为3；第二行最大值是7，索引值为1；第三行最大值是8，索引值为2.keras中to_categorical函数：将类别向量转换为二进制（只有0和1）的矩阵类型表示。也就是将类别向量转换为独热编码。
Spark MLlib特征处理：OneHotEncoder OneHot编码 ---原理及实战
王佩的CSDN博客
11-12 1万+
原理 1)String字符串转换成索引IndexDouble 2)索引转换成SparseVector 总结：OneHotEncoder = String => IndexDouble => SparseVector 代码实战 import org.apache.spark.ml.feature.{OneHotEncoder, StringIndexer} im
flink-1.14.0-bin-scala_2.11.tgz
07-18
flink-1.14.0-bin-scala_2.11.tgz
flink-1.14.4-scala_2.12 + CDH6.2.1 版 parcel 包
03-30
flink-1.14.4-scala_2.12 + CDH6.2.1 版 parcel 包， 包含 FLINK-1.14.4-BIN-SCALA_2.12-el7.parcel FLINK-1.14.4-BIN-SCALA_2.12-el7.parcel.sha manifest.json （以上三个文件放入 /opt/cloudera/parcel-repo/ 下...
flink-1.17.1-bin-scala-2.12.tgz - Flink 1.17.1 版本
最新发布
07-19
文件名: flink-1.17.1-bin-scala_2.12.tgz 这是 Apache Flink 1.17.1 版本的二进制文件，专为 Scala 2.12 设计。Flink 是一种开源流处理框架，用于大规模数据处理和分析。这个版本包含了最新的功能和修复，提供了更...
FLINK-1.12.0-BIN-SCALA_2.11-el7.parcel.sha
11-01
适用范围为 CDH>=5.2,CDH,系统 el7
Scala：Array（集合、序列）
bdmh的专栏
12-01 6万+
数组是一种可变的、可索引的数据集合。在Scala中用Array[T]的新式来表示Java中的数组形式 T[]。 val numbers = Array(1, 2, 3, 4) //声明一个数组对象 val first = numbers(0) // 读取第一个元素 numbers(3) = 100 // 替换第四个元素为100 val biggerNumbers = numbers.map(_
Spark ML 特征工程之 One-Hot Encoding
腾飞的大象
08-10 8443
1.什么是One-Hot Encoding 2.One-Hot Encoding在Spark中的应用 2.1 数据集预览 2.2 加载数据集 2.3 使用OneHotEncoder处理数据集 2.4 使用VectorAssembler合并所有特征为单个向量 2.5 以Pipeline的形式运行各个PipelineStage 2.6 训练和评估模型 1.什么是One-Ho...
数据预处理：独热编码（One-Hot Encoding）
热门推荐
皮皮blog
03-10 7万+
在很多任务中，特征并不总是连续值，而有可能是分类值。例如，考虑一下的三个特征：如果将上述特征用数字表示，效率会高很多。例如：["male", "from US", "uses Internet Explorer"] 表示为[0, 1, 3]["female", "from Asia", "uses Chrome"]表示为[1, 2, 1]但是，即使转化为数字表示后，上述数据也不能直接用在我们的分类器中。
LabelEncoder和OneHotEncoder 在特征工程中的应用
accumulate_zhang的博客
11-12 2万+
对于一些特征工程方面，有时会用到LabelEncoder和OneHotEncoder。 比如kaggle中对于性别，sex，一般的属性值是male和female。两个值。那么不靠谱的方法直接用0表示male，用1表示female 了。上面说了这是不靠谱的。 所以要用one-hot编码。 首先我们需要用LabelEncoder把sex这个属性列里面的离散属性用数字来表示
数据处理之one-hot
決心的专栏
12-20 9309
分类方法，通常需要把数据的各个属性转换为一个向量表示，这样每条数据的特征就是一个向量，向量上的每个维度就表示了一个特征属性。 但是如果要转换的数据包含了3种属性，比如身高，体重，年龄。A是女，168cm，70kg，30岁；B是男，180cm，90kg,20岁，那么直接用数值做向量就变成了，0，168，70，30；1，180，90，20。而168和70或者30是不同的属性，更明显的是0或1表示的性别和
flink-1.13.2-bin-scala_2.11-el7.parcel包下载
06-06
Flink-1.13.2-bin-scala_2.11-el7.parcel是Flink的一个预编译包，它包含了Scala 2.11编写的Flink运行时和相关的依赖库，适用于CentOS 7操作系统。 如果您想在CentOS 7上使用Flink，可以从官网 ...

“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