PySpark数据分析基础：PySpark基础功能及DataFrame操作基础语法详解_pyspark rdd(1)

于 2024-05-10 16:58:52 发布
阅读量916 收藏 17
点赞数 8
分类专栏： 程序员 文章标签： 大数据 面试 学习
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/2401_84182020/article/details/138673093
版权

img
img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

前言

一、PySpark基础功能

1.Spark SQL 和DataFrame

2.Pandas API on Spark

3.Streaming

4.MLBase/MLlib

5.Spark Core

二、PySpark依赖

Dependencies

三、DataFrame

1.创建

创建不输入schema格式的DataFrame

创建带有schema的DataFrame

从Pandas DataFrame创建

通过由元组列表组成的RDD创建

2.查看

DataFrame.show()

spark.sql.repl.eagerEval.enabled

纵向显示

查看DataFrame格式和列名

查看统计描述信息

PySpark DataFrame转换为Pandas DataFrame

3.查询

添加新列实例：

条件查询DataFrame.filter()

4.运算

Pandas_udf

DataFrame.mapInPandas

5.分组

联合分组和应用函数

6.获取数据输入/输出

CSV

Parquet

ORC

四、结合Spark SQL

点关注，防走丢，如有纰漏之处，请留言指教，非常感谢

前言

要想了解PySpark能够干什么可以去看看我之前写的文章,里面很详细介绍了Spark的生态：

Spark框架深度理解一：开发缘由及优缺点

Spark框架深度理解二：生态圈

Spark框架深度理解三：运行架构、核心数据集RDD

PySpark只是通过JVM转换使得Python代码能够在Spark集群上识别运行。故Spark的绝大多数功能都可以被Python程序使用。

上篇文章：一文速学-PySpark数据分析基础：PySpark原理详解

已经把PySpark运行原理讲的很清楚了，现在我们需要了解PySpark语法基础来逐渐编写PySpark程序实现分布式数据计算。

已搭建环境：

Spark：3.3.0

Hadoop：3.3.3

Scala：2.11.12

JDK：1.8.0_201

PySpark:3.1.2

一、PySpark基础功能

PySpark是Python中Apache Spark的接口。它不仅可以使用Python API编写Spark应用程序，还提供了PySpark shell，用于在分布式环境中交互分析数据。PySpark支持Spark的大多数功能，如Spark SQL、DataFrame、Streaming、MLlib（机器学习）和Spark Core。

1.Spark SQL 和DataFrame

Spark SQL是用于结构化数据处理的Spark模块。它提供了一种称为DataFrame的编程抽象，是由SchemaRDD发展而来。不同于SchemaRDD直接继承RDD，DataFrame自己实现了RDD的绝大多数功能。可以把Spark SQL DataFrame理解为一个分布式的Row对象的数据集合。

Spark SQL已经集成在spark-shell中，因此只要启动spark-shell就可以使用Spark SQL的Shell交互接口。如果在spark-shell中执行SQL语句，需要使用SQLContext对象来调用sql（）方法。Spark SQL对数据的查询分成了两个分支：SQLContext和HiveContext，其中HiveContext继承了SQLContext，因此HiveContext除了拥有SQLContext的特性之外还拥有自身的特性。

Spark SQL允许开发人员直接处理RDD，同时也可查询例如在 Apache Hive上存在的外部数据。Spark SQL的一个重要特点是其能够统一处理关系表和RDD，使得开发人员可以轻松地使用SQL命令进行外部查询，同时进行更复杂的数据分析。

2.Pandas API on Spark

Spark上的pandas API可以扩展使用 python pandas库。

  • 轻松切换到pandas API和PySpark API上下文，无需任何开销。
  • 有一个既适用于pandas（测试，较小的数据集）又适用于Spark（分布式数据集）的代码库。
  • 熟练使用pandas的话很快上手

3.Streaming

Apache Spark中的Streaming功能运行在Spark之上，支持跨Streaming和历史数据的强大交互和分析应用程序，同时继承了Spark的易用性和容错特性。Spark Streaming是将流式计算分解成一系列短小的批处理作业。这里的批处理引擎是Spark Core，也就是把Spark Streaming的输入数据按照batch size（如1秒）分成一段一段的数据（Discretized Stream），每一段数据都转换成Spark中的RDD（Resilient Distributed Dataset），然后将Spark Streaming中对DStream的Transformation操作变为针对Spark中对RDD的Transformation操作，将RDD经过操作变成中间结果保存在内存中。

4.MLBase/MLlib

MLlib构建在Spark之上，是一个可扩展的机器学习库，它提供了一组统一的高级API，帮助用户创建和调整实用的机器学习管道。MLBase分为四部分：MLlib、MLI、ML Optimizer和MLRuntime。

  • ML Optimizer会选择它认为最适合的已经在内部实现好了的机器学习算法和相关参数，来处理用户输入的数据，并返回模型或别的帮助分析的结果；
  • MLI 是一个进行特征抽取和高级ML编程抽象的算法实现的API或平台；
  • MLlib是Spark实现一些常见的机器学习算法和实用程序，包括分类、回归、聚类、协同过滤、降维以及底层优化，该算法可以进行可扩充； MLRuntime 基于Spark计算框架，将Spark的分布式计算应用到机器学习领域。

5.Spark Core

Spark Core是Spark平台的底层通用执行引擎，所有其他功能都构建在其之上。它提供了RDD（弹性分布式数据集）和内存计算能力。

二、PySpark依赖

Dependencies

Package最低版本限制Note
pandas1.0.5支撑Spark SQL
Numpy1.7满足支撑MLlib基础API
pyarrow1.0.0支撑Spark SQL
Py4j0.10.9.5要求
pandas1.0.5pandas API on Spark需要
pyarrow1.0.0pandas API on Spark需要
Numpy1.14pandas API on Spark需要

请注意，PySpark需要Java 8或更高版本，并正确设置Java_HOME。如果使用JDK 11，请设置Dio.netty.tryReflectionSetAccessible=true 以获取与箭头相关的功能。

AArch64（ARM64）用户注意：PyArrow是PySpark SQL所必需的，但PyArrow 4.0.0中引入了对AArch64的PyArrow支持。如果由于PyArrow安装错误导致PyArrow安装在AArch64上失败，可以按如下方式安装PyArrow>=4.0.0：

pip install "pyarrow>=4.0.0" --prefer-binary

三、DataFrame

PySpark应用程序从初始化SparkSession开始，SparkSession是PySpark的入口点，如下所示。如果通过PySpark可执行文件在PySpark shell中运行它，shell会自动在变量spark中为用户创建会话。

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()

1.创建

PySpark DataFrame能够通过pyspark.sql.SparkSession.createDataFrame创建，通常通过传递列表(list)、元组(tuples)和字典(dictionaries)的列表和pyspark.sql.Rows，Pandas DataFrame，由此类列表组成的RDD转换。pyspark.sql.SparkSession.createDataFrame接收schema参数指定DataFrame的架构(优化可加速)。省略时，PySpark通过从数据中提取样本来推断相应的模式。

创建不输入schema格式的DataFrame
from datetime import datetime, date
import pandas as pd
from pyspark.sql import Row

df = spark.createDataFrame([
    Row(a=1, b=2., c='string1', d=date(2000, 1, 1), e=datetime(2000, 1, 1, 12, 0)),
    Row(a=2, b=3., c='string2', d=date(2000, 2, 1), e=datetime(2000, 1, 2, 12, 0)),
    Row(a=4, b=5., c='string3', d=date(2000, 3, 1), e=datetime(2000, 1, 3, 12, 0))
])
df

DataFrame[a: bigint, b: double, c: string, d: date, e: timestamp]
创建带有schema的DataFrame
df = spark.createDataFrame([
    (1, 2., 'string1', date(2000, 1, 1), datetime(2000, 1, 1, 12, 0)),
    (2, 3., 'string2', date(2000, 2, 1), datetime(2000, 1, 2, 12, 0)),
    (3, 4., 'string3', date(2000, 3, 1), datetime(2000, 1, 3, 12, 0))
], schema='a long, b double, c string, d date, e timestamp')
df

DataFrame[a: bigint, b: double, c: string, d: date, e: timestamp]
从Pandas DataFrame创建
pandas_df = pd.DataFrame({
    'a': [1, 2, 3],
    'b': [2., 3., 4.],
    'c': ['string1', 'string2', 'string3'],
    'd': [date(2000, 1, 1), date(2000, 2, 1), date(2000, 3, 1)],
    'e': [datetime(2000, 1, 1, 12, 0), datetime(2000, 1, 2, 12, 0), datetime(2000, 1, 3, 12, 0)]
})
df = spark.createDataFrame(pandas_df)
df

DataFrame[a: bigint, b: double, c: string, d: date, e: timestamp]
通过由元组列表组成的RDD创建
rdd = spark.sparkContext.parallelize([
    (1, 2., 'string1', date(2000, 1, 1), datetime(2000, 1, 1, 12, 0)),
    (2, 3., 'string2', date(2000, 2, 1), datetime(2000, 1, 2, 12, 0)),
    (3, 4., 'string3', date(2000, 3, 1), datetime(2000, 1, 3, 12, 0))
])
df = spark.createDataFrame(rdd, schema=['a', 'b', 'c', 'd', 'e'])
df

DataFrame[a: bigint, b: double, c: string, d: date, e: timestamp]

以上的DataFrame格式创建的都是一样的。

df.printSchema()

root
 |-- a: long (nullable = true)
 |-- b: double (nullable = true)
 |-- c: string (nullable = true)
 |-- d: date (nullable = true)
 |-- e: timestamp (nullable = true)

2.查看

DataFrame.show()

使用格式：

df.show(<int>)

df.show(1)

+---+---+-------+----------+-------------------+
|  a|  b|      c|         d|                  e|
+---+---+-------+----------+-------------------+
|  1|2.0|string1|2000-01-01|2000-01-01 12:00:00|
+---+---+-------+----------+-------------------+
only showing top 1 row
spark.sql.repl.eagerEval.enabled

spark.sql.repl.eagerEval.enabled用于在notebooks（如Jupyter）中快速生成PySpark DataFrame的配置。控制行数可以使用spark.sql.repl.eagerEval.maxNumRows。

spark.conf.set('spark.sql.repl.eagerEval.enabled', True)
df


spark.conf.set('spark.sql.repl.eagerEval.maxNumRows',1)
df

纵向显示

行也可以垂直显示。当行太长而无法水平显示时，纵向显示就很明显。

df.show(1, vertical=True)

-RECORD 0------------------
 a   | 1
 b   | 2.0
 c   | string1
 d   | 2000-01-01
 e   | 2000-01-01 12:00:00
only showing top 1 row
查看DataFrame格式和列名
df.columns

['a', 'b', 'c', 'd', 'e']

df.printSchema()

root
 |-- a: long (nullable = true)
 |-- b: double (nullable = true)
 |-- c: string (nullable = true)
 |-- d: date (nullable = true)
 |-- e: timestamp (nullable = true)
查看统计描述信息
df.select("a", "b", "c").describe().show()

+-------+---+---+-------+
|summary|  a|  b|      c|
+-------+---+---+-------+
|  count|  3|  3|      3|
|   mean|2.0|3.0|   null|
| stddev|1.0|1.0|   null|
|    min|  1|2.0|string1|
|    max|  3|4.0|string3|
+-------+---+---+-------+

DataFrame.collect()将分布式数据收集到驱动程序端，作为Python中的本地数据。请注意，当数据集太大而无法容纳在驱动端时，这可能会引发内存不足错误，因为它将所有数据从执行器收集到驱动端。

df.collect()

[Row(a=1, b=2.0, c='string1', d=datetime.date(2000, 1, 1), e=datetime.datetime(2000, 1, 1, 12, 0)),
 Row(a=2, b=3.0, c='string2', d=datetime.date(2000, 2, 1), e=datetime.datetime(2000, 1, 2, 12, 0)),
 Row(a=3, b=4.0, c='string3', d=datetime.date(2000, 3, 1), e=datetime.datetime(2000, 1, 3, 12, 0))]

为了避免引发内存不足异常可以使用DataFrame.take()或者是DataFrame.tail()：

df.take(1)

[Row(a=1, b=2.0, c='string1', d=datetime.date(2000, 1, 1), e=datetime.datetime(2000, 1, 1, 12, 0))]

df.tail(1)

[Row(a=3, b=4.0, c='string3', d=datetime.date(2000, 3, 1), e=datetime.datetime(2000, 1, 3, 12, 0))]
PySpark DataFrame转换为Pandas DataFrame

PySpark DataFrame还提供了到pandas DataFrame的转换，以利用pandas API。注意，toPandas还将所有数据收集到driver端，当数据太大而无法放入driver端时，很容易导致内存不足错误。

df.toPandas()

3.查询

PySpark DataFrame是惰性计算的，仅选择一列不会触发计算，但它会返回一个列实例：

df.a

Column<'a'>

大多数按列操作都返回列：

from pyspark.sql import Column
from pyspark.sql.functions import upper

type(df.c) == type(upper(df.c)) == type(df.c.isNull())

True

上述生成的Column可用于从DataFrame中选择列。例如，DataFrame.select()获取返回另一个DataFrame的列实例：

df.select(df.c).show()

+-------+


![img](https://img-blog.csdnimg.cn/img_convert/ae094a04cad1051a160ff4482fa40fdb.png)
![img](https://img-blog.csdnimg.cn/img_convert/5a5426265afb308015110683577b77f3.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

from pyspark.sql.functions import upper

type(df.c) == type(upper(df.c)) == type(df.c.isNull())

True

上述生成的Column可用于从DataFrame中选择列。例如，DataFrame.select()获取返回另一个DataFrame的列实例：

df.select(df.c).show()

+-------+


[外链图片转存中...(img-mxXlhyaI-1715331500109)]
[外链图片转存中...(img-0KZSnK8H-1715331500110)]

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
2401_84182020
关注
  • 8
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pyspark：dataframe与rdd的一点小事
weixin_43668299的博客
01-05 795
原文链接：https://www.jianshu.com/p/5e593510313b 大纲 问题描述 解决方案 代码以及效果 总结 1.问题描述 要做的事情 从一堆房源hive表和hdfs数据中读取信息，并将同一id的信息整合到一起。共有5个hive表，2个hdfs文件；每个表所需操作的id数是千万数量级，每个表中字段20~200不等。 当前做法 用pyspark读取hive表以及hdfs的数据...
pyspark-examples:Python语言中的Pyspark RDD，DataFrame和Dataset示例
05-02
中提供了该项目中所有PySpark RDD，DataFrame和SQL示例的说明，...StructType和StructField 在DataFrame和RDD上使用PySpark行从PySpark DataFrame中选择列PySpark Collect（）–从DataFrame检索数据PySpark withColumn
pyspark的dataframe与rdd使用示例
程序认生
07-21 924
pyspark rdd使用示例官网：http://spark.apache.org/docs/latest/api/python/reference/api/pyspark.RDD.html#pyspark.RDD 1、读数据 schema = ('user_id', 'item_id','click_lis','scores') data = [('u1', 'i1',['i1','i3','i2'],'0.6'),('u1', 'i2',['i1','i3','i2'],'0.7'),('u1',
pyspark之RDD与dataframe
qq_39290182的博客
06-07 516
pysaprk中drr与dataframerddpairRDDDataframeRDD和DataFrame的区别 rdd RDD是一个抽象的分布式数据集，拥有丰富的操作函数，包括基本的map()、flatmap()，filter()函数，集合类函数如union()函数，intersection()函数，subtract()函数，和行动类函数，如collect(),count(),take(),top(),ruduce(),foreach()。 换句话说，RDD是非常灵活数据集合，其中可以储存类型相同或者不同
pyspark：RDD和DataFrame
05-31 7368
作为数据挖掘工程师，以后必不可免要用到并行计算，pyspark是python操作spark的API，本人因此入了坑。 1 pyspark的安装 见我另一篇博客：https://blog.csdn.net/qq_23860475/article/details/90476197 2 spark概述 Spark 允许用户读取、转换和 聚合数据，可以轻松...
Pyspark rdd 和 dataframe 使用
qq_18617299的博客
11-27 578
PySpark rdd 使用 mapValuese(list) Pass each value in the key-value pair RDD through a map function without changing the keys; this also retains the original RDD’s partitioning. demo：rdd.map(lambda x: (x[0], x)).groupByKey().mapValues(list).collect() orderRD
PySpark_Day05：Spark SQL 基础入门.pdf
03-24
本节课程主要介绍了 PySpark 库的 Spark SQL 模块的基础知识，包括 DataFrame 的概念、RDD 数据的聚合操作、RDD 分区处理算子、Hive SQL 的实现词频统计等。 一、DataFrame 概念 DataFrame 是 Spark 1.3 中引入的...
PySpark_Day02：安装部署及应用开发.pdf
03-24
PySpark_Day02：安装部署及应用开发 ...PySpark 应用开发需要了解 PySpark 的编程模型和 API，包括 RDD、DataFrame 和 DataSet 等。同时，需要了解 PySpark 的配置和参数设置，如 spark-submit 命令的使用等。
PySpark_Day01：安装部署及入门案例.pdf
03-24
Apache Spark属于内存分析（In-Memory Processing）部分，属于批处理，相比MapReduce快，将分析数据封装到数据结构：RDD（分布式集合），类似Python中列表list，调用函数处理数据。 PySpark是Python语言编程开发的...
python基础教程：pandas DataFrame 行列索引及值的获取的方法
12-22
pandas DataFrame是二维的,所以,它既有列索引,又有行索引 上一篇里只介绍了列索引: import pandas as pd df = pd.DataFrame({'A': [0, 1, 2], 'B': [3, 4, 5]}) print df # 结果: A B 0 0 3 1 1 4 2 2 5 行索引...
PySpark中RDD与DataFrame：区别和联系
热门推荐
zhufenghao
06-16 1万+
1. 弹性数据集RDD RDD是一个抽象的分布式数据集合，它提供了一系列转化操作（例如基本的map()、flatMap()、filter()，类集合操作union()、intersection()、subtract()）和行动操作（例如collect()、count()、take()、top()、reduce()、foreach()）。可以说，RDD是非常灵活的数据集合，其中可以存放类型相同或者...
PySpark中RDD的转换操作(转换算子)
Wxh_bai的博客
04-11 945
在PySpark中，转换操作（转换算子）返回的结果通常是一个RDD对象或DataFrame对象或迭代器对象，具体返回类型取决于转换操作（转换算子）的类型和参数。在PySpark中，RDD提供了多种转换操作（转换算子），用于对元素进行转换和操作。函数来判断转换操作（转换算子）的返回类型，并使用相应的方法来处理返回结果。如果需要确定转换操作（转换算子）的返回类型，可以使用Python内置的。类似地，对于一个DataFrame对象，可以使用以下代码来判断。例如，对于一个包含整数的RDD，可以使用以下代码来判断。
pyspark案例系列2-rdd与DataFrame相互转换
只是甲的博客
05-21 4986
一.问题描述 今天写pyspark脚本的时候遇到一个问题，需要类似于关系型数据库group by再聚合的操作，尝试通过rdd来写，发现不好实现。 于是想到了使用DataFrame，通过类sql的group by直接进行实现。 二.解决方案 将rdd直接转为DataFrame。 首先进行配置: SparkSession是Spark SQL的入口 from pyspark import SparkContext, SparkConf from pyspark.sql.session import SparkSe
【PySpark】Python 中进行大规模数据处理和分析
最新发布
咖喱年糕的博客
12-26 2763
Apache Spark 是一个开源的大数据处理框架，提供了高效、通用、分布式的大规模数据处理能力。Spark 提供了内存计算功能，相较于传统的批处理框架（如Hadoop MapReduce），Spark 能够更高效地执行数据处理任务。Spark 将中间数据存储在内存中，减少了磁盘 I/O，从而加速了计算过程。Spark 提供了用于批处理、交互式查询、流处理和机器学习等多种计算模式的 API。这种通用性使得 Spark 在不同的数据处理场景中都能发挥作用。
大数据实战（hadoop+spark+python）：淘宝电商数据分析
linpaomian的博客
03-25 3708
利用docker部署hadoop，spark分布式环境，配合python对淘宝100万条数据进行分析
【Python入门系列】第十七篇：Python大数据处理和分析
JosieBook
07-19 3913
大数据处理和分析是指对大规模数据集进行收集、存储、处理和分析的过程。随着互联网和信息技术的发展，我们可以轻松地获取到大量的数据，这些数据包含着宝贵的信息和洞察力。然而，由于数据量庞大、复杂性高和多样性，传统的数据处理和分析方法已经无法胜任。大数据处理和分析的目标是从大规模数据集中提取有价值的信息和知识，以支持决策制定、业务优化和问题解决。它涉及到数据清洗、数据转换、数据存储、数据挖掘、数据建模和数据可视化等多个环节。在大数据处理和分析中，我们需要使用一些工具和技术来处理和分析数据。
Python与大数据：Hadoop、Spark和Pyspark的应用和数据处理技巧
baidu_38876334的博客
06-13 2752
通过Python强大的数据处理库和易用的编程语法，我们可以处理和分析大规模数据集，从中获得有价值的信息和见解。掌握一些数据处理技巧，如数据清洗、特征工程、数据聚合与汇总、并行处理和数据可视化，可以提高大数据处理的效率和准确性。通过不断学习和实践，读者可以不断探索和应用Python在大数据领域的新技术和工具，进一步提升数据处理和分析的能力。在本文中，我们将探讨Python在大数据领域的应用，重点介绍Hadoop、Spark和Pyspark，并分享一些数据处理的技巧。# 将结果写入Parquet文件。
python spark数据分析_Spark数据分析:基于Python语言__目录
weixin_39635567的博客
12-05 1099
译者序前言引言第一部分　Spark基础第1章　大数据、Hadoop、Spark介绍 21.1　大数据、分布式计算、Hadoop简介 21.1.1　大数据与Hadoop简史 21.1.2　Hadoop简介 31.2　Spark简介 81.2.1　Spark背景 91.2.2　Spark的用途 91.2.3　Spark编程接口 91.2.4　Spark程序的提交类型 101.2.5　...
Python数据分析库pandas基本操作方法
12-24
pandas是什么？ 是它吗？ 。。。。很显然pandas没有这个家伙那么可爱。。。。 我们来看看pandas的官网是怎么来定义自己的： pandas is an open source, easy-to-use data structures and data analysis tools for the Python programming language. 很显然，pandas是python的一个非常强大的数据分析库！ 让我们来学习一下它吧！ 1.pandas序列 import numpy as np import pandas as pd s_data = pd.Series(

“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