四、数据组合和缺失值处理

于 2024-09-25 21:12:27 发布
阅读量823 收藏 22
点赞数 38
分类专栏： 数据分析 文章标签： pandas 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/Lyg970112/article/details/142467269
版权

数据组合和缺失值处理

前言

  • 前面我们学习的都是只处理加载出来的一份数据，当我们需要处理的数据来自多个文件的时候，我们需要将这几份数据连接到一起，在对其进行操作，那么我们就需要学习数据组合的知识，并学会对缺失值进行处理。
  • 以下操作均在 jupyter notebook 中运行

一、数据组合

  • 数据组合是指将多个数据元素或数据集通过某种方式（如连接、合并、分组等）组合成一个新的数据集或数据元素的过程。这个过程有助于揭示数据之间的内在联系和潜在规律，为后续的数据分析和决策提供支持。

1.1 concat连接

1.1.1 df对象与 df对象拼接

行拼接参考: 列名, 列拼接参考: 行号

加载并查看数据

import pandas as pd


# 1. 加载数据
df1 = pd.read_csv('data/concat_1.csv')
df2 = pd.read_csv('data/concat_2.csv')
df3 = pd.read_csv('data/concat_3.csv')

# 2. 查看数据
df1
df2
df3

运行结果
在这里插入图片描述

  • 通过concat()函数， 拼接上述的三个df对象
  • 默认是行拼接
# 3. 通过concat()函数, 拼接上述的3个df对象.
row_concat = pd.concat([df1, df2, df3])                 # 默认是纵向拼接(行拼接), 结果为: 12行4列
row_concat = pd.concat([df1, df2, df3], axis='rows')    # 效果同上
row_concat = pd.concat([df1, df2, df3], axis=0)         # 效果同上, 0: 表示行, 1表示列. 
row_concat

运行结果
在这里插入图片描述

  • 按列拼接
row_concat = pd.concat([df1, df2, df3], axis='columns') # 按列拼接,  4行12列
row_concat = pd.concat([df1, df2, df3], axis=1)         # 效果同上, 0: 表示行, 1表示列. 
row_concat

运行结果

在这里插入图片描述

  • 行拼接，重置索引
# 通过设置 ignore_case参数, 可以实现: 重置索引
# 行拼接, 重置索引, 结果为: 行索引变为 0 ~ n
pd.concat([df1, df2, df3], ignore_index=True)

运行结果

在这里插入图片描述

  • 列拼接，重置索引
# 列拼接, 重置索引, 结果为: 列名变为 0 ~ n
pd.concat([df1, df2, df3], axis='columns', ignore_index=True)	#

运行结果

在这里插入图片描述

1.1.2 df对象与 Serise 对象拼接

代码如下（示例）：

# 4. 使用concat连接 df 和 Series
new_series = pd.Series(['n1', 'n2', 'n3', 'n4'])
# 由于Series是列数据(没有行索引), concat()默认是添加行, 所以 它们拼接会新增一列. 缺值用NaN填充
pd.concat([df1, new_series], axis='rows')   # 按行拼接    
pd.concat([df1, new_series], axis=0)        # 0: 行,  1: 列

运行结果

在这里插入图片描述

pd.concat([df1, new_series], axis='columns')    # 0: 行,  1: 列
pd.concat([df1, new_series], axis=1)            # 0: 行,  1: 列

运行结果

在这里插入图片描述

1.2 添加新的行跟列

1.2.1 添加行

  • 如果想将[‘n1’,‘n2’,‘n3’,‘n4’]作为行连接到df1后，可以创建DataFrame并指定列名.

代码如下（示例）：

# 传入二维数组, 即: 1行4列数据.
df5 = pd.DataFrame([['n1', 'n2', 'n3', 'n4']], columns=['A', 'B', 'C', 'D'])

pd.concat([df1, df5])

运行结果

在这里插入图片描述

1.2.2 添加列

方式1: 通过 df [列名] = [列值1, 列值2…] 的方式, 可以给 df 添加列

df1['new_col'] = ['n1', 'n2', 'n3', 'n4']         # 正确
# df1['new_col'] = ['n1', 'n2', 'n3', 'n4', 'n5'] # 报错, 值的个数 和 行数(4行)不匹配
# df1['new_col'] = ['n1', 'n2', 'n3']             # 报错, 值的个数 和 行数(4行)不匹配
df1

运行结果

在这里插入图片描述

方式2: 通过 df [列名] = Series对象 的方式, 添加1列. # 值的个数和列的个数, 匹不匹配均可

df1['new_col2'] = pd.Series(['n1', 'n2', 'n3'])
df1['new_col2'] = pd.Series(['n1', 'n2', 'n3', 'n4'])
df1['new_col2'] = pd.Series(['n1', 'n2', 'n3', 'n4', 'n5'])
df1

运行结果

在这里插入图片描述

1.3 merge方式

加载数据：

# 导包
import sqlite3
# 1. 创建连接对象, 关联: *.db文件.
conn = sqlite3.connect('data/chinook.db')
# 2. 从文件中, 加载 歌曲分类表的信息.
genres_df = pd.read_sql_query('select * from genres;', conn)
genres_df

执行结果

在这里插入图片描述

1.3.1 merge()合并数据, 一对一关系

1、加载数据：

# 1. 查看 歌曲表的信息, 并从中找到 不同的音乐风格的数据.
tracks_subset_df = tracks_df.loc[[0, 62, 76, 98, 110, 193, 204, 281]]
tracks_subset_df

执行结果

在这里插入图片描述

2、展示其中的三列

tracks_subset_df[['TrackId', 'GenreId', 'Milliseconds']]        # 歌曲id, 风格id, 歌曲时长(毫秒)

执行结果

在这里插入图片描述

3、合并上述两个表，以风格为标准进行合并：

场景1: 内连接

# 场景1: 内连接
# 参1: 要被合并的df对象. 
# 参2: on表示两个df合并的 关联字段, 如果一样可以直接写 on, 如果不一样, 则要写 left_on='左表字段名', right_on='右表字段名'
# 参3: how表示合并方式, 内连接: inner, 左连接: left, 右连接: right, 全(满)连接: outer
genres_df.merge(tracks_subset_df[['TrackId', 'GenreId', 'Milliseconds']], on='GenreId', how='inner')

执行结果
在这里插入图片描述

场景2: 左外连接

genres_df.merge(tracks_subset_df[['TrackId', 'GenreId', 'Milliseconds']], on='GenreId', how='left')

执行结果
在这里插入图片描述

场景3: 右外连接

genres_df.merge(tracks_subset_df[['TrackId', 'GenreId', 'Milliseconds']], on='GenreId', how='right')

执行结果
在这里插入图片描述

场景4: 满外连接, 也叫: 全连接, 即: 它的查询结果 = 左连接 + 右连接, 即: 左表全集 + 右表全集 + 交集.

genres_df.merge(tracks_subset_df[['TrackId', 'GenreId', 'Milliseconds']], on='GenreId', how='outer')

执行结果
在这里插入图片描述

场景5: 查看默认是哪种连接.

genres_df.merge(tracks_subset_df[['TrackId', 'GenreId', 'Milliseconds']], on='GenreId')     # 默认是: 内连接 => inner

场景6: 如果关联的多个df有重名的列, 则默认会加上 _x, _y这样的后缀, 来源于: suffixes字段.

genres_df.merge(tracks_subset_df[['TrackId', 'Name', 'GenreId', 'Milliseconds']], on='GenreId')     # 默认后缀: _x, _y
genres_df.merge(tracks_subset_df[['TrackId', 'Name', 'GenreId', 'Milliseconds']], on='GenreId', suffixes=('_left', '_right'))     # 默认后缀: _x, _y

执行结果
在这里插入图片描述

1.3.2 merge()合并数据, 多对一关系

需求: 计算每种类型音乐的 平均时长.

# 1. 合并 genres(风格表) 和 tracks(歌曲表)
genres_df.merge(tracks_df[['TrackId', 'Name', 'GenreId', 'Milliseconds']], on='GenreId') 
# 需求2: 计算每种类型音乐的平均时长. 
# 1. 合并 genres(风格表) 和 tracks(歌曲表).  交集.
genre_track =  genres_df.merge(tracks_df[['TrackId', 'GenreId', 'Milliseconds']], on='GenreId', how='inner')    # 风格表.merge(歌曲表['歌曲id', '风格id', '歌曲时长毫秒']) 
# 左外连接.
genre_track =  genres_df.merge(tracks_df[['TrackId', 'GenreId', 'Milliseconds']], on='GenreId', how='left')    # 风格表.merge(歌曲表['歌曲id', '风格id', '歌曲时长毫秒']) 
genre_track

执行结果
在这里插入图片描述

# 2. 根据 风格id分组, 计算 时长的平均值.
genre_time = genre_track.groupby(['GenreId', 'Name']).Milliseconds.mean()
genre_time

执行结果
在这里插入图片描述

1.4 join方式

代码如下（示例）：

# 1. 加载数据, 获取df对象.
stock_2016 = pd.read_csv('data/stocks_2016.csv')
stock_2017 = pd.read_csv('data/stocks_2017.csv')
stock_2018 = pd.read_csv('data/stocks_2018.csv')
stock_2016
stock_2017
stock_2018

stock_2018的数据
在这里插入图片描述

# 2. 默认情况下, join会参考 两个df的 索引列 进行合并连接.
stock_2016.join(stock_2017, lsuffix='_2016', rsuffix='_2017')               # 默认: 左外连接
stock_2016.join(stock_2017, lsuffix='_2016', rsuffix='_2017', how='left')   # 效果同上

执行结果
在这里插入图片描述

# 3. 设置两个df对象的 Symbol列为索引列, 再次关联.
stock_2016.set_index('Symbol')
stock_2017.set_index('Symbol')

# 设置索引列, 并关联. 
stock_2016.set_index('Symbol').join(stock_2017.set_index('Symbol'), lsuffix='_2016', rsuffix='_2017', how='left')   # 左外连接
stock_2016.set_index('Symbol').join(stock_2017.set_index('Symbol'), lsuffix='_2016', rsuffix='_2017', how='right')  # 右外连接
stock_2016.set_index('Symbol').join(stock_2017.set_index('Symbol'), lsuffix='_2016', rsuffix='_2017', how='outer')  # 满外连接
stock_2016.set_index('Symbol').join(stock_2017.set_index('Symbol'), lsuffix='_2016', rsuffix='_2017', how='inner')  # 内连接

执行结果
在这里插入图片描述

# 4. 设置stock_2016的索引为: Symbol 和 stock_2018做关联.
stock_2016
stock_2018.set_index('Symbol')

# 拿着 stock_2016的 指定列(普通列) 和 stock_2018的 索引列 进行关联.
# 细节: on参数设定的是 函数外 df对象的 普通列
stock_2016.join(stock_2018.set_index('Symbol'), lsuffix='_left', rsuffix='_right', on='Symbol', how='outer')

# 总结: join() => 1. 默认是 左外连接.      2.如果两个df有重名字段, 需要手动设置后缀名.    3.默认是根据两个df的 索引列来合并的, 如果想要关联普通列, 需要通过 on 参数实现.

执行结果
在这里插入图片描述

二、缺失值简介与处理

  • 1、好多数据集都会确实数据，缺失数据有多重表现形式
    • 数据库中，缺失数据表示为NULL
    • 在某些编程语言中用NA表示
    • 缺失值也可能是空字符串（’’）或数值
    • 在Pandas中使用NaN表示缺失值
  • 2、Pandas中的NaN值来自NumPy库，NumPy中缺失值有几种表示形式：
    • NaN，NAN，nan，他们都一样
    • 缺失值和其它类型的数据不同，它毫无意义，NaN不等于0，也不等于空串

2.1. 缺失值演示

代码如下（示例）：

# 导包
import numpy as np

# 1. 缺失值不是 True, False, 空字符串, 0等, 它"毫无意义"
print(np.NaN == False)
print(np.NaN == True)
print(np.NaN == 0)
print(np.NaN == '')

# 2. np.nan np.NAN np.NaN 都是缺失值, 这个类型比较特殊, 不同通过 == 方式判断, 只能通过API
print(np.NaN == np.nan)
print(np.NaN == np.NAN)
print(np.nan == np.NAN)

# 3. Pandas 提供了 isnull() / isna()方法, 用于测试某个值是否为缺失值
import pandas as pd

print(pd.isnull(np.NaN))    # True
print(pd.isnull(np.nan))    # True
print(pd.isnull(np.NAN))    # True

print(pd.isna(np.NaN))  # True
print(pd.isna(np.nan))  # True
print(pd.isna(np.NAN))  # True

# isnull() / isna()方法 还可以判断数据.
print(pd.isnull(20))    # False
print(pd.isnull('abc'))    # False

# 4. Pandas的notnull() / notna() 方法可以用于判断某个值是否为缺失值
print(pd.notnull(np.NaN))   # False
print(pd.notnull('abc'))   # True

2.2. 加载缺失值的处理

# 加载数据时可以通过keep_default_na 与 na_values 指定加载数据时的缺失值
pd.read_csv('data/survey_visited.csv')

执行结果
在这里插入图片描述

# 加载数据，不包含默认缺失值,  
# 参数解释: keep_default_na = False  表示加载数据时, 不加载缺失值.
pd.read_csv('data/survey_visited.csv', keep_default_na=False)

执行结果
在这里插入图片描述

# 加载数据，手动指定缺失值, 例如: 指定619, 734为缺失值
# 参数解释: na_values=[值1, 值2...]	表示加载数据时, 设定哪些值为缺失值.
pd.read_csv('data/survey_visited.csv', na_values=['619', '734'], keep_default_na=False)

执行结果
在这里插入图片描述

2.3. 删除缺失值

  • dropna()函数, 参数介绍如下:

    • subset=None 默认是: 删除有缺失值的行, 可以通过这个参数来指定, 哪些列有缺失值才会被删除
    • 例如: subset = [‘Age’] 只有当年龄有缺失才会被删除
    • inplace=False 通用参数, 是否修改原始数据默认False
    • axis=0 通用参数 按行按列删除 默认行
    • how=‘any’ 只要有缺失就会删除 还可以传入’all’ 全部都是缺失值才会被删除

代码如下（示例）：

train = pd.read_csv('data/titanic_train.csv')
train.shape     # 原始数据, 891行, 12列

# 方式1: 删除缺失值
# 删除缺失值会损失信息，并不推荐删除，当缺失数据占比较低的时候，可以尝试使用删除缺失值
# 按行删除: 删除包含缺失值的记录
# train.dropna().shape        # 默认按行删(该行只要有空值, 就删除该行), 结果为: 183行, 12列
train.loc[:10].dropna()       # 获取前11行数据, 删除包含空值的行. 

# any: 只要有空值就删除该行|列, all: 该行|列 全为空才删除  subset: 参考哪些列的空值.  inplace=True 在原表修改  
train.dropna(subset=['Age'], how='any')

# 该列值只要有空, 就删除该列值.
train.dropna(how='any', axis=1)  # 0(默认): 行,  1: 列 

train.isnull().sum() # 快速计算是否包含缺失值

2.4. 填充缺失值

2.4.1 非时序数据填充

代码如下（示例）：

# 方式2: 填充缺失值, 填充缺失值是指用一个估算的值来去替代缺失数
# 场景1: 非时间序列数据, 可以使用常量来替换（默认值）

# 用 0 来填充 空值.
train.fillna(0) 
# 查看填充后, 每列缺失值 情况.
train.fillna(0).isnull().sum()

# 需求: 用平均年龄, 来替换 年龄列的空值.
train['Age'].fillna(train['Age'].mean())

2.4.2 时序数据填充

代码如下（示例）：

# 1. 加载时间序列数据，数据集为印度城市空气质量数据（2015-2020）
# parse_dates: 把某些列转成时间列. 
# index_col:   设置指定列为 索引列
city_day = pd.read_csv('data/city_day.csv', parse_dates=['Date'], index_col='Date')

# 2. 查看缺失值情况.
city_day.isnull().sum()

# 3. 数据中有很多缺失值，比如 Xylene（二甲苯）和 PM10 有超过50%的缺失值
# 3.1 查看包含缺失数据的部分
city_day['Xylene'][50:64]

# 3.2 用固定值填充, 例如: 该列的平均值.
# 查看平均值.
city_day['Xylene'].mean()  # 3.0701278234985114
# 用平均值来填充.
city_day.fillna(city_day['Xylene'].mean())[50:64]['Xylene']

# 3.3 使用ffill 填充，用时间序列中空值的上一个非空值填充
# NaN值的前一个非空值是0.81，可以看到所有的NaN都被填充为0.81
city_day.fillna(method='ffill')[50:64]['Xylene']

# 3.4 使用bfill填充，用时间序列中空值的下一个非空值填充
# NaN值的后一个非空值是209，可以看到所有的NaN都被填充为209
city_day.fillna(method='bfill')[50:64]['Xylene']

# 3.5 线性插值方法填充缺失值
# 时间序列数据，数据随着时间的变化可能会较大。使用bfill和ffill进行插补并不是解决缺失值问题的最优方案。
# 线性插值法是一种插补缺失值技术，它假定数据点之间存在线性关系，利用相邻数据点中的非缺失值来计算缺失数据点的值。
# 参数limit_direction: 表示线性填充时, 参考哪些值(forward: 向前, backward:向后, both:前后均参考)
city_day.interpolate(limit_direction="both")[50:64]['Xylene']

总结

  • 文章介绍了数据拼接和缺失值处理的相关知识。
记得多吃点
关注
专栏目录
Pandas学习——空值填充
m0_50470999的博客
09-14 7370
处理默认值 pandas默认采用NaN作为默认值，np.nan和None也被视为默认值。 python之间None可以比较，结果为True，而np.nan比较结果是false >>> None == None True >>> np.nan == np.nan False 可以通过fillna()函数来填充默认值，如df.fillna(1) 参数 备注 value 用于填充的空值的值 method {‘backfill’, ‘bfill’, ‘pa
数据处理之缺失值处理
kejiayuan0806的博客
03-12 6238
在数据分析工作中，数据准备（Data Preparation，包括数据的获取、清洗、转换和集成）常常占据了70%左右的工作量。没有高质量的数据，就没有高质量的数据挖掘结果，数据缺失是数据分析中经常遇到的问题之一。 缺失值是指粗糙数据中由于缺少信息而造成的数据的删失或截断。它指的是现有数据集中某个或某些属性的值是不完全的。 值得注意的是，这里所说的缺失值，不仅包括数据库中的NULL值，也包括用于表示数值缺失的特殊数值（比如，在系统中用-999来表示数值不存在）。如果在数据库中缺乏相关的数据说明，常常需要花费更
pandas空值填充
重剑无锋博客
04-09 2647
数据缺失是数据不完整的表现，常表现为空值，也是数据分析人员经常碰到的问题，数据的缺失可能是数据采集不到，或在数据录入的不小心遗漏，或者根本不存在这个数据，还可能是数据导出的过程发生错误，数据的缺失会使得信息不完整，处理缺失数据一般会有下面两种办法 直接删除掉 当缺失值占比非常小，直接省略掉缺失的这部分数据，但是在原数据量小的情况下，原本数据能够提供的信息就不多，再删除这些缺失值会导致信息更一步减少，非常不可取，这时候就需要通过填充手段来进行缺失值填充。空值填充 空值填充是指利用某些技术手段把空缺的值给填充
python_pandas_fillna_填充空值
郭小儒的博客
12-05 1307
生成一个dataframe对象。
python学习——pandas fillna()填补空值
qq_23418043的博客
09-09 7412
fillna可以填补数据集中的空值 
eviews如何处理缺失数据填补_缺失值的处理
weixin_42365422的博客
02-01 3259
一、缺失值产生的原因缺失值的产生的原因多种多样，主要分为机械原因和人为原因。机械原因是由于机械原因导致的数据收集或保存的失败造成的数据缺失，比如数据存储的失败，存储器损坏，机械故障导致某段时间数据未能收集(对于定时数据采集而言)。人为原因是由于人的主观失误、历史局限或有意隐瞒造成的数据缺失，比如，在市场调查中被访人拒绝透露相关问题的答案，或者回答的问题是无效的，数据录入人员失误漏录了数据。二、缺失...
R语言——数据清洗之缺失值处理
热门推荐
devoteto的博客
10-13 4万+
数据清洗之缺失值——R语言 缺失值处理步骤： 1）识别缺失数据； 2）检查导致数据缺失的原因； 3）删除包含缺失值的实例或用合理的数值代替（插补）缺失值 缺失值数据的分类： 1）完全随机缺失：若某变量的缺失数据与其他任何观测或未观测变量都不相关，则数据为完全随机缺失（MCAR）。 2）随机缺失：若某变量上的缺失数据与其他观测变量相关，与它自己的未观测值不相关，则数据为随机缺失（MAR）。 3）非随机缺失：若缺失数据不属于MCAR或MAR，则数据为非随机缺失（NMAR） 识别缺失数据的数目、分布和模式有两个目
利用python进行数据预处理（缺失值处理、无序类别处理等）、建立模型（随机森林、GBDT等）.zip
03-03
1. **缺失值处理**：在实际数据集中，经常会遇到缺失值。对于数值型数据，可以采取填充平均值、中位数或众数的方式；对于类别型数据，可以使用最频繁项填充或者采用插值方法。在“Titanic”数据集中，可能有乘客年龄...
python输出有缺失值的行_python缺失值处理案例分析:泰坦尼克数据
weixin_39542043的博客
12-15 2178
缺失值处理真实数据往往某些变量会有缺失值。首先，我们用 info( ) 语句操作，看到整份数据的大概情况：​从这份数据我们可以发现，这里一共有 891 行数据，所以在中间那一列数据中看到的不是 891 个数据的，都是有缺失值的。比如年龄Age这一列，有714个非空数值，就有 891-714=177 个缺失值。又比如船舱号码 cabin，缺失值就更多了。登船码头的缺失值比较少，后面可以不用处理。这些...
利用pandas向一个csv文件追加写入数据的实现示例
09-17
主要介绍了利用pandas向一个csv文件追加写入数据的实现示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python pandas如何向excel添加数据
09-16
主要介绍了Python pandas如何向excel添加数据,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
数据处理与统计分析篇-day07-Pandas数据拼接与空值处理
最新发布
m0_60916732的博客
09-20 1195
concat()函数既能实现行拼接(默认), 也能实现列拼接.行拼接参考: 列名, 列拼接参考: 索引列(行索引)格式: pd.concat([df1, df2, ...], ignore=是否重置索引, axis=行/列)默认: 满外连接, 即: 两个df的全集 + 交集格式:df.merge(df2, on='关联字段', how='连接方式', suffixes=(左表后缀, 右表后缀))参数:参1: 要被合并的df对象.
[Pandas] 数据追加 df.append
Hudas的博客
02-18 1万+
[Pandas] 数据追加 df.append
pandas如何追加数据
weixin_42584586的博客
01-11 1811
Pandas 中有几种方法可以在 DataFrame 中追加数据，常用的方法有以下几种: 使用 .append() 方法: 可以把另一个 DataFrame 追加到当前 DataFrame 的末尾，例如:df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'], 'B': ['B0', 'B1', 'B2', 'B...
pandas 数据追加到excel中不同的sheet
qq_37816095的博客
01-23 3860
先在需要的目录下创建xlsx文件 def write_excel(dataframe, excelWriter, sheetname): """ 数据写入到Excel,可以写入不同的sheet """ book = load_workbook(excelWriter.path) excelWriter.book = book dataframe.t..
Python 玩转数据 16 - Pandas 数据处理 追加 df.append()
wumingxiaoyao的博客
12-31 1万+
本文主要介绍 pandas 数据追加 df.append()
Pandas学习（完成文件写入、追加写入、读取操作）
小金的博客
08-21 1534
我要对我的很多设备进行快照处理，打完快照之后需要记录我的设备IP和快照时间。当我们解决了需求的其他内容，只剩记录信息的时候，可以怎么做呢？
Pandas基本操作——增加、修改和删除
m0_51612678的博客
11-11 3299
Pandas基本操作——增加、修改和删除
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