【转】pandas基础命令总结笔记

最新推荐文章于 2023-05-11 20:01:09 发布
最新推荐文章于 2023-05-11 20:01:09 发布
阅读量311 收藏 3
点赞数
分类专栏： Python 命令

1.简介
pandas和numpy是用Python做数据分析最基础且最核心的库

2.缩写解释 & 库的导入
df --- 任意的pandas DataFrame(数据框)对象s --- 任意的pandas Series(数组)对象

  import pandas as pd # 导入pandas库并简写为pd
  import numpy as np # 导入numpy库并简写为np
3.数据的导入
  
  pd.read_csv(filename) # 导入csv格式文件中的数据
  pd.read_table(filename) # 导入有分隔符的文本 (如TSV) 中的数据
  pd.read_excel(filename) # 导入Excel格式文件中的数据
  pd.read_sql(query, connection_object) # 导入SQL数据表/数据库中的数据
  pd.read_json(json_string) # 导入JSON格式的字符，URL地址或者文件中的数据
  pd.read_html(url) # 导入经过解析的URL地址中包含的数据框 (DataFrame) 数据
  pd.read_clipboard() # 导入系统粘贴板里面的数据
  pd.DataFrame(dict)  # 导入Python字典 (dict) 里面的数据，其中key是数据框的表头，value是数据框的内容。
4.数据的导出
  
  df.to_csv(filename) # 将数据框 (DataFrame)中的数据导入csv格式的文件中
  df.to_excel(filename) # 将数据框 (DataFrame)中的数据导入Excel格式的文件中
  df.to_sql(table_name,connection_object) # 将数据框 (DataFrame)中的数据导入SQL数据表/数据库中
  df.to_json(filename) # 将数据框 (DataFrame)中的数据导入JSON格式的文件中
5.创建测试对象
  
  pd.DataFrame(np.random.rand(10,5)) # 创建一个5列10行的由随机浮点数组成的数据框 DataFrame
  //# 从一个可迭代的对象 my_list 中创建一个数据组
  ​
  my_list = ['Kesci',100,'欢迎来到科赛网']
  pd.Series(my_list) 
  ​
  df.index = pd.date_range('2017/1/1', period = df.shape[0]) # 添加一个日期索引 index
  ​
  
  import pandas as pd
  import numpy as np
  df= DataFrame(np.random.rand(10,10))
  df.index = pd.date_range('2018/1/1',period=df.shape[0])
  df
6.数据的查看与检查
  
  df.head(n)  # 查看数据框的前n行
  df.shape #查看数据框的行数与列数
  df.tail(3) #查看数据框的最后n行
  df.info() #查看数据框的索引、数据类型和内存信息
  df.describe() # 对于数据类型为数值型的列，查询其描述性统计的内容
  s.value_counts(dropna=False) #查询每个独特数据值出现次数统计
  df.dtypes #查看每列的数据类型
  ​
  //示例
  df = pd.DataFrame(np.random.rand(10,5))
  df.head(3) # 查看数据框的前3行
  df.apply(pd.Series.value_counts) #查询数据框中每个列的独特数据值出现次数统计
  ​
  df = pd.DataFrame(np.random.rand(10,5))
  df.tail(4) #查看数据框的最后4行
  df.shape #查看数据框的行数与列数
  ​
  s = pd.Series([1,2,3,4,np.nan,5,5,6,7,8])
  s.value_counts(dropna=False)
  
  # 将字符型转为浮点数
  dollarizer = lambda x: float(x[1:-1])
  chipo.item_price = chipo.item_price.apply(dollarizer) # change item_price into float
  print chipo.item_price
7.数据的选取
  
  df[col] #以数组series形式返回选取的列
  ​
  df = pd.DataFrame(np.random.rand(5,5),columns=list('ABCDE'))
  df['C']
  
  df[[col1,col2]]  # 以新的数据框(DataFrame)的形式返回选取的列
  ​
  df = pd.DataFrame(np.random.rand(5,5),columns=list('ABCDE'))
  df[['B','E']]
  
  s.iloc[0] #按照位置选取
  ​
  s = pd.Series(np.array(['I','Love','Data']))
  s.iloc[0]
  
  s.loc['index_one'] # 按照索引选取
  ​
  s = pd.Series(np.array(['I','Love','Data']))
  s.loc[1]
  
  df.iloc[0,:] # 选取第一行
  ​
  df = pd.DataFrame(np.random.rand(5,5),columns=list('ABCDE'))
  df.iloc[0,:]
  
  df.iloc[0,0] # 选取第一行的第一个元素
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.iloc[0,0]
  
  euro.iloc[: , :-3] # Select all columns except the last 3
  
  # .loc is another way to slice, using the labels of the columns and indexes
  print euro12.loc[euro12.Team.isin(['England', 'Italy', 'Russia']), ['Team','Shooting Accuracy']] # Present only the Shooting Accuracy from England, Italy and Russia
8.数据的清洗
  
  del crime['Total']
  
  df.columns = ['a','b'] # 重命名数据框的列名称
  ​
  df = pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),
                   'B':np.array([np.nan,4,np.nan,5,9,np.nan]),
                    'C':'foo'})
  df.columns = ['a','b','c']
  df
  
  pd.isnull() # 检查数据中空值出现的情况，并返回一个由布尔值(True,Fale)组成的列
  ​
  df = pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),
                   'B':np.array([np.nan,4,np.nan,5,9,np.nan]),
                    'C':'foo'})
  pd.isnull(df)
  
  pd.notnull() # 检查数据中非空值出现的情况，并返回一个由布尔值(True,False)组成的列
  ​
  df = pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),
                   'B':np.array([np.nan,4,np.nan,5,9,np.nan]),
                    'C':'foo'})
  pd.notnull(df)
  
  df.dropna() # 移除数据框 DataFrame 中包含空值的行
  ​
  df = pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),
                   'B':np.array([np.nan,4,np.nan,5,9,np.nan]),
                    'C':'foo'})
  df.dropna()
  
  df.dropna(axis=1) # 移除数据框 DataFrame 中包含空值的列
  ​
  df = pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),
                   'B':np.array([np.nan,4,np.nan,5,9,np.nan]),
                    'C':'foo'})
  df.dropna(axis=1)
  
  df.dropna(axis=1,thresh=n) # 移除数据框df中空值个数不超过n的行
  ​
  df = pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),
                   'B':np.array([np.nan,4,np.nan,5,9,np.nan]),
                    'C':'foo'})
  test = df.dropna(axis=1,thresh=1)
  test
  
  df.fillna(x) # 将数据框 DataFrame 中的所有空值替换为 x
  ​
  df = pd.DataFrame({'A':np.array([1,np.nan,2,3,6,np.nan]),
                   'B':np.array([np.nan,4,np.nan,5,9,np.nan]),
                    'C':'foo'})
  df.fillna('Test')
  
  s.fillna(s.mean()) #将所有空值替换为平均值
  ​
  s = pd.Series([1,3,5,np.nan,7,9,9])
  s.fillna(s.mean())
  
  s.astype(float) # 将数组(Series)的格式转化为浮点数
  ​
  s = pd.Series([1,2,np.nan,2,3])
  s.astype(float)
  
  s = pd.Series([1,3,5,np.nan,7,9,9]) #将数组(Series)中的所有1替换为'one'
  s.replace(1,'one')
  
  s = pd.Series([1,3,5,np.nan,7,9,9])
  s.replace([1,3],['one','three']) # 将数组(Series)中所有的1替换为'one', 所有的3替换为'three'
  
  df.rename(columns=lambda x: x + 2) # 将全体列重命名
  ​
  df = pd.DataFrame(np.random.rand(4,4))
  df.rename(columns=lambda x: x+ 2)
  
  df.rename(columns={'old_name': 'new_ name'}) # 将选择的列重命名
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.rename(columns={'A':'newA','C':'newC'})
  
  df.set_index('column_one') # 改变索引
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.set_index('B')
  
  df.rename(index = lambda x: x+ 1) # 改变全体索引
  ​
  df = pd.DataFrame(np.random.rand(10,5))
  df.rename(index = lambda x: x+ 1)
9.数据的过滤(FILTER),排序(SORT)和分组(GROUPBY)
  
  # Reset the index so it begins with 0 again
  iris = iris.resnet_index(drop = True)
  print iris.head()
  
  apple.sort_index(ascending = True).head()
  
  euro12[euro12.Team.str.startswith('G')] #Select the teams that start with G
  ​
  
  df[df[col] > 0.5] # 选取数据框df中对应行的数值大于0.5的全部列
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df[df['A'] > 0.5]
  
  df[(df[col] > 0.5) & (df[col] < 0.7)] # 选取数据框df中对应行的数值大于0.5，并且小于0.7的全部列
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df[(df['C'] > 0.5) & (df['D'] < 0.7)]
  
  df.sort_values(col1) # 按照数据框的列col1升序(ascending)的方式对数据框df做排序
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.sort_values('E')
  
  df.sort_values(col2,ascending=False) # 按照数据框的列col2降序(descending)的方式对数据框df做排序
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.sort_values('A',ascending=False)
  
  df.sort_values([col1,col2],ascending=[True,False]) # 按照数据框的列col1升序，col2降序的方式对数据框df做排序
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.sort_values(['A','E'],ascending=[True,False])
  
  df.groupby(col) # 按照某列对数据框df做分组
  ​
  df = pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),
        'B':np.array(['one','one','two','two','three','three']),
       'C':np.array(['small','medium','large','large','small','small']),
       'D':np.array([1,2,2,3,3,5])})
  ​
  df.groupby('A').count()
  
  df.groupby([col1,col2]) # 按照列col1和col2对数据框df做分组
  ​
  df = pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),
        'B':np.array(['one','one','two','two','three','three']),
       'C':np.array(['small','medium','large','large','small','small']),
       'D':np.array([1,2,2,3,3,5])})
  ​
  df.groupby(['B','C']).sum()
  
  df.groupby(col1)[col2].mean() # 按照列col1对数据框df做分组处理后，返回对应的col2的平均值
  ​
  df = pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),
        'B':np.array(['one','one','two','two','three','three']),
       'C':np.array(['small','medium','large','large','small','small']),
       'D':np.array([1,2,2,3,3,5])})
  df.groupby('B')['D'].mean()
  
  df.groupby(col1)[col2].mean() # 按照列col1对数据框df做分组处理后，返回对应的col2的平均值
  ​
  df = pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),
        'B':np.array(['one','one','two','two','three','three']),
       'C':np.array(['small','medium','large','large','small','small']),
       'D':np.array([1,2,2,3,3,5])})
  df.groupby('B')['D'].mean()
//计算每一单的平均金额
order_grouped = chipo.groupby(by=['order_id']).sum() 
print order_grouped.mean()['item_price'] #What is the average amount per order?


  
  df.pivot_table(index=col1,values=[col2,col3],aggfunc=mean) # 做透视表，索引为col1,针对的数值列为col2和col3，分组函数为平均值
  ​
  df = pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),
        'B':np.array(['one','one','two','two','three','three']),
       'C':np.array(['small','medium','large','large','small','small']),
       'D':np.array([1,2,2,3,3,5])})
  ​
  df.pivot_table(df,index=['A','B'],
                 columns=['C'],aggfunc=np.sum)
  
  df.groupby(col1).agg(np.mean) # 以col1分组，分组函数为平均值
  ​
  df = pd.DataFrame({'A':np.array(['foo','foo','foo','foo','bar','bar']),
        'B':np.array(['one','one','two','two','three','three']),
       'C':np.array(['small','medium','large','large','small','small']),
       'D':np.array([1,2,2,3,3,5])})
  df.groupby('A').agg(np.mean)
  
  df.apply(np.mean) # 对数据框df的每一列求平均值
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.apply(np.mean)
  
  df.apply(np.max,axis=1) # 对数据框df的每一行求最大值
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.apply(np.max,axis=1)
10.数据的连接(JOIN)与组合(COMBINE)
  
  df1.append(df2) # 在数据框df2的末尾添加数据框df1，其中df1和df2的列数应该相等
  ​
  df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
                      'B': ['B0', 'B1', 'B2', 'B3'],
                      'C': ['C0', 'C1', 'C2', 'C3'],
                      'D': ['D0', 'D1', 'D2', 'D3']},
                     index=[0, 1, 2, 3])
  df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],
                      'B': ['B4', 'B5', 'B6', 'B7'],
                      'C': ['C4', 'C5', 'C6', 'C7'],
                      'D': ['D4', 'D5', 'D6', 'D7']},
                     index=[4, 5, 6, 7])
  ​
  df1.append(df2)
  
  df1.join(df2,on=col1,how='inner') # 对数据框df1和df2做内连接，其中连接的列为col1
  ​
  df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],           
                       'B': ['B0', 'B1', 'B2', 'B3'],
                       'key': ['K0', 'K1', 'K0', 'K1']})
     
  ​
  df2 = pd.DataFrame({'C': ['C0', 'C1'],
                        'D': ['D0', 'D1']},
                       index=['K0', 'K1'])
     
  ​
  df1.join(df2, on='key')
  
  pd.merge(data1, data2, on='subject_id', how='inner') #Merge only the data that has the same 'subject_id' on both data1 and data2
  ​
  pd.merge(data1, data2, on='subject_id', how='outer') # Merge all values in data1 and data2, with matching records from both sides where available
11.数据的统计
  
  df.describe() # 得到数据框df每一列的描述性统计
  df.mean()
  df.describe(include = "all") #统计所有的列
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.describe()
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.mean()
  
  df.corr() # 得到数据框df中每一列与其他列的相关系数
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.corr()
  
  df.count() # 得到数据框df中每一列的非空值个数
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.count()
  
  df.max() # 得到数据框df中每一列的最大值
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.max()
  
  df.min() # 得到数据框df中每一列的最小值
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.min()
  
  df.median() # 得到数据框df中每一列的中位数
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.median()
  
  df.std() # 得到数据框df中每一列的标准差
  ​
  df = pd.DataFrame(np.random.rand(10,5),columns=list('ABCDE'))
  df.std()
REFERENCE
Pandas Cheat Sheet — Python for Data Science

十分钟学会pandas

btw：欢迎关注 ~ 

Github： https://github.com/ScarlettYellow

个人博客：https://scarletthuang.cn/


--------------------- 
作者：花生酱Scarlett 
来源：CSDN 
原文：https://blog.csdn.net/ScarlettYellow/article/details/80458825 
版权声明：本文为博主原创文章，转载请附上博文链接！

wolflion521
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Pandas-了解数据
m0_46306660的博客
02-14 1130
内容： 1.查询数据的前几行、行数、列数、索引 import pandas as pd import numpy as np #查询数据的前n行 df.head(10)查询数据的前10行 #查询数据有多少行 df.shape[0] df.info() #查询数据有多少列 df.shape[1] df.columns #是一个index型序列 #查询数据的索引 df.index #根据某一列元素进行聚合并计数，并显示最多的那一类元素 new_df = df.groupby("item_..
【pandas学习笔记(一)】pandas基本使用
qq_44104279的博客
03-25 328
pandas简介 pandas是一个基于numpy的数据处理库，其主要的用途为数据分析及其处理，特别是序列及表格数据 引入pandas库 >>> import numpy as np >>> import pandas as pd pandas库经常与numpy库一起配合使用 创建序列 创建序列的方法主要有三种：创建一维数组，创建字典以及提取DataFrame...
数据分析----Pandas常用命令整理
Vaeeeee的博客
05-11 509
使用Pandas 命令处理相关数据分析的问题。下面整理一些常用的到的Pandas命令。
pandas 数据
weixin_43579863的博客
07-16 184
一、object 转 float 1.lambda x: float(x[1:-1]) 如：data[‘item_price’]列 ： $2.39 （object类型）转 2.39（float类型） dollarizer = lambda x: float(x[1:-1]) data['item_price'] = data['item_price'].apply(dollarizer) #转前：object #转后：float64 ...
数据分析 NO.14 科赛网Pandas练习题
TeddyBob的博客
06-02 2445
Pandas练习题
Pandas练习1
09-11 1275
来自 https://github.com/guipsamora/pandas_exercises Ex2 - Getting and Knowing your Data This time we are going to pull data directly from the internet. Special thanks to: https://github.com/justmar...
Pandas基础学习笔记
m0_51210480的博客
12-26 312
import pandas as pd import numpy as np Head与Tail - 默认显示5条数据 - 也可指定显示数据的数量 # 默认显示前5条 series.head() # 指定显示后3条 series.tail(3) 属性与底层数据 # 将列标签名变为小写 df.columns = [x.lower() for x in df.columns] .array属性用于提取Index或Series里的数据 s.index.array s.array Series - 是
Pandas学习笔记1-Pandas基础
01-17
Pandas含有使数据分析工作变得更快更简单的高级数据结构和操作工具。 Pandas基于NumPy构建，让以NumPy为中心的应用变得更加简单。 1. Pandas数据结构 2. 索引对象
pandas基础简单总结.md
08-06
pandas基础简单总结.md
Pandas思维导图整理笔记.emmx
06-25
内容为Python中pandas知识点的思维导图整理笔记,文件预览见主页相关博文
pandas数据分析使用技巧
12-22
1、被下单数最多商品(item)是什么 c = chipo[['item_name','quantity']].groupby(['item_name'],as_index=False).agg({'quantity':sum}) c.sort_values(['quantity'],ascending=False,inplace=True) c.head() groupby() 和 agg() 2、在item_name这一列中，一共有多少种商品被下单？ (1) chipo['item_name'].nunique() (2) len(chipo.item_name.value_count
python动物重量排序详解
IT OR 考公？
11-28 5842
list2 = sorted(list1, key = lambda x:float(x[1][:-1])*1000 if x[1][-1] == 't' else float(x[1][:-2])) #1,float(x[1][:-1])*1000 if x[1][-1] == 't'表示将单位为't'这行中， #第二个字符串t之前的元素，例如0.35t中的0.35，*1000后按大小输出
Python 序列类型及操作
MessiNine的博客
05-23 6705
1、序列类型定义  (1)、序列是具有先后关系的一组元素          - 序列是一维元素向量，元素类型可以不同         - 类似数学元素序列： s0, s1, … , sn-1         - 元素间由序号引导， 通过下标访问序列的特定元素   (2)、序列是一个基类类型   (3)、序号的定义2、序列处理函数及方法  (1)、序列类型通用操作符 操作符及应用 描述x in s ...
Python学习之元组
Mate小花粉的博客
04-17 489
这一篇博客的东西比较少，主要就是关于对元组的学习。 首先我们来看一个例子：>>> string = 'this is a string' >>> print string this is a string >>> 如果我们把上面的例子用另外一种形式写，如下：>>> tuplestr='this','is',['a','string'] >>> print tuplestr ('this', '
Python编程练习题
m0_57270102的博客
08-31 1317
7. 在 item_name 这一列中，一共有多少种商品被下单？10. 在该数据集对应的时期内，收入(revenue)是多少？（1）探索 Chipotle 快餐数据（数据在文末提取哦！1. 将数据集存入一个名为 chipo 的数据框内。6. 被下单数最多商品(item_name)是什么?11. 在该数据集对应的时期内，一共有多少订单？12. 平均每一单(order)的总价是多少？3. 数据集中有多少个列(columns)？8. 一共有多少个商品被下单？5. 数据集的索引是怎样的？4. 打印出全部的列名称。.
调整标志位方法oracle,面试题(二)(示例代码)
weixin_42458937的博客
04-11 335
1.查找/us/oc al/nginx/ogs下更改时间在7天前以log 后极的文件井移动到sr/oca/nginx/log/backup下(至少两种方法)2. Centos 查看某个进程的环境安量3.简述DNS迭代查询和递归直询的区别4.简述TCP三次握手过程以及涉及到的状态(可画草图) ?5.统计TCP连接状态(至少两种方法)6.发现系统中存在大量TIME WAIT，分析原因并提出三条以上优化...
数据分析_Pandas基础练习题9道（附数据）
weixin_46578004的博客
10-27 6224
'''目标：修复数据中异常时间的数据，将异常时间数据统一减少100实现方式：自定义函数1.观察数据找到异常数据所在处：“Yr_Mo_Dy”2.查看“Yr_Mo_Dy”数据类型：datetime643.提取异常的内容：提取日期中的年份4.将提取出来的年份减去1005.将处理好的年份拼接月份和天数的信息:datetime.date()用于拼接年份月份以及天数6.返回处理后的日期（年月日）
python数据分析小练习----科赛
harry_hurry的博客
04-19 8332
https://www.kesci.com/apps/home/project/5a8afe517f2d695222327e14 练习1-开始了解你的数据步骤6 数据集中有多少个列(columns)：chipo.shape[1]步骤9 被下单数最多商品(item)是什么：chipo.item_name.value_counts().head(1)  value_counts 默认从大到小排序步骤1...
Python中的排序sorted(d.items(), key=lambda x: x[1])
热门推荐
Jeffxu_lib的博客
03-18 4万+
1、Python中对键值对进行输出和排序 d= {'a':24,'g':52,'i':12,'k':33} # 以列表形式输出字典d的key # d.items()为字典d的键值对 b1=[key for key,value in d.items()] print(b1) # 以列表的形式输出字典d的value b2={value for key,value in d.items()} pri...
python pandas基础命令
最新发布
10-20
以下是一些Python Pandas的基础命令： 1. 创建Series：使用pd.Series()函数创建一个Series对象，可以指定数据和索引。 2. 创建DataFrame：使用pd.DataFrame()函数创建一个DataFrame对象，可以指定数据、列名和索引。...

“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