pandas模块

最新推荐文章于 2024-02-01 16:24:54 发布
最新推荐文章于 2024-02-01 16:24:54 发布
阅读量1.7k 收藏 5
点赞数
分类专栏： Python基础 文章标签： 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/ilove_itachi/article/details/74205347
版权

Numpy 和 Pandas 有什么不同?

如果用 python 的列表和字典来作比较, 那么可以说 Numpy 是列表形式的，没有数值标签，而 Pandas 就是字典形式。Pandas是基于Numpy构建的，让Numpy为中心的应用变得更加简单。

要使用pandas，首先需要了解他主要两个数据结构：Series和DataFrame。

Series的字符串表现形式为：索引在左边，值在右边。由于我们没有为数据指定索引。于是会自动创建一个0到N-1（N为长度）的整数型索引。

DataFrame是一个表格型的数据结构，它包含有一组有序的列，每列可以是不同的值类型（数值，字符串，布尔值等）。DataFrame既有行索引也有列索引， 它可以被看做由Series组成的大字典。

官方建议导入方法：

from pandas import Series,DataFrame
import pandas as pd

创建对象

>>> from pandas import Series,DataFrame
>>> import pandas as pd 
>>> import numpy as np 
>>> s = Series([1,2,3,'a',np.nan,[1,2]])
>>> s
0         1
1         2
2         3
3         a
4       NaN  #not a number的意思
5    [1, 2]
dtype: object
>>> dates = pd.date_range('2017', periods=6)
>>> dates
DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04','2017-01-05', '2017-01-06'],dtype='datetime64[ns]', freq='D')
>>> df = DataFrame(np.random.randn(6,4), index=dates)#不指定index和columns时默认从0开始索引。
>>> df
                   0         1         2         3
2017-01-01 -0.923905  0.305506  0.676255 -1.428198
2017-01-02  0.234690  1.756183 -0.226916  0.516676
2017-01-03 -0.180496 -0.410745  0.145798 -1.189019
2017-01-04 -0.676189  0.602093 -0.151042 -0.915054
2017-01-05 -1.000729  0.784595  0.623079 -0.551410
2017-01-06  1.024644 -0.305822 -0.867859  0.867652
>>> df = DataFrame(np.random.randn(6,4), columns=('a','b','c','d'))
>>> df
          a         b         c         d
0  0.000196 -1.342386  0.189864 -0.874669
1 -0.638368 -1.403264  0.121946  0.720223
2 -0.504676  0.328643  0.478719 -1.165611
3 -0.011445 -0.775834  0.809029  2.148832
4 -1.012311  1.345237  0.725192 -1.658297
5 -1.580452 -0.664339 -0.370294 -1.370419

查看和选择数据

>>> df2
     A          B    C  D      E    F
0  1.0 2013-01-02  1.0  3   test  foo
1  1.0 2013-01-02  1.0  3  train  foo
2  1.0 2013-01-02  1.0  3   test  foo
3  1.0 2013-01-02  1.0  3  train  foo
>>> df2.head(2) #头两行
     A          B    C  D      E    F
0  1.0 2013-01-02  1.0  3   test  foo
1  1.0 2013-01-02  1.0  3  train  foo
>>> df2.tail(2)
     A          B    C  D      E    F
2  1.0 2013-01-02  1.0  3   test  foo
3  1.0 2013-01-02  1.0  3  train  foo
>>> df2[0:2]  #但是df2[0]就会报错
     A          B    C  D      E    F
0  1.0 2013-01-02  1.0  3   test  foo
1  1.0 2013-01-02  1.0  3  train  foo
>>> df2.A
0    1.0
1    1.0
2    1.0
3    1.0
Name: A, dtype: float64
>>> df2['B']
0   2013-01-02
1   2013-01-02
2   2013-01-02
3   2013-01-02
Name: B, dtype: datetime64[ns]
>>> df2.values
array([[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
       [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo'],
       [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
       [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo']], dtype=object)
>>> df2.index
Int64Index([0, 1, 2, 3], dtype='int64')
>>> df2.columns
Index(['A', 'B', 'C', 'D', 'E', 'F'], dtype='object')
>>> df2.describe() #只对数字有统计
         A    C    D
count  4.0  4.0  4.0
mean   1.0  1.0  3.0
std    0.0  0.0  0.0
min    1.0  1.0  3.0
25%    1.0  1.0  3.0
50%    1.0  1.0  3.0
75%    1.0  1.0  3.0
max    1.0  1.0  3.0

loc

我们可以使用标签来选择数据, 本例子主要通过标签名字选择某一行数据， 或者通过选择某行或者所有行（:代表所有行）然后选其中某一列或几列数据。:

>>> dates = pd.date_range('20130101', periods=6)
>>> df = DataFrame(np.arange(24).reshape((6,4)),index=dates, columns=['A','B','C','D'])
>>> df
             A   B   C   D
2013-01-01   0   1   2   3
2013-01-02   4   5   6   7
2013-01-03   8   9  10  11
2013-01-04  12  13  14  15
2013-01-05  16  17  18  19
2013-01-06  20  21  22  23
>>> df.loc['20130102']
A    4
B    5
C    6
D    7
Name: 2013-01-02 00:00:00, dtype: int32
>>> df.loc['2013-01-01':'2013-01-04','A':'C']#当':'两边是str的时候包含两边，如果是[0：3],则包括左边不包括右边
             A   B   C
2013-01-01   0   1   2
2013-01-02   4   5   6
2013-01-03   8   9  10
2013-01-04  12  13  14

iloc

另外我们可以采用位置进行选择 iloc, 在这里我们可以通过位置选择在不同情况下所需要的数据例如选某一个，连续选或者跨行选等操作。

>>> df.iloc[1:4,0:3]   #包括1不包括4
             A   B   C
2013-01-02   4   5   6
2013-01-03   8   9  10
2013-01-04  12  13  14
>>> df.iloc[[1,3,4],:]
             A   B   C   D
2013-01-02   4   5   6   7
2013-01-04  12  13  14  15
2013-01-05  16  17  18  19

ix

我们还可以采用混合选择。

>>> df.ix[0:2,['A','D']]
            A  D
2013-01-01  0  3
2013-01-02  4  7

bool筛选

>>> df[df>5] 
               A     B     C     D
2013-01-01   NaN   NaN   NaN   NaN
2013-01-02   NaN   NaN   6.0   7.0
2013-01-03   8.0   9.0  10.0  11.0
2013-01-04  12.0  13.0  14.0  15.0
2013-01-05  16.0  17.0  18.0  19.0
2013-01-06  20.0  21.0  22.0  23.0
>>> df[df.A>8] #df.A那一列中大于8的列
             A   B   C   D
2013-01-04  12  13  14  15
2013-01-05  16  17  18  19
2013-01-06  20  21  22  23

Pandas 处理NaN

有时候我们导入或处理数据, 会产生一些空的或者是 NaN 数据,如何删除或者是填补这些 NaN 数据呢？

dropna(axis=0, how=’any’, thresh=None, subset=None, inplace=False)
这里写图片描述

>>> dates = pd.date_range('20130101', periods=6)
>>> df = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates, columns=['A','B','C','D'])
>>> df.iloc[0,1] = np.nan
>>> df.iloc[1,2] = np.nan
"""
             A     B     C   D
2013-01-01   0   NaN   2.0   3
2013-01-02   4   5.0   NaN   7
2013-01-03   8   9.0  10.0  11
2013-01-04  12  13.0  14.0  15
2013-01-05  16  17.0  18.0  19
2013-01-06  20  21.0  22.0  23
"""
>>> df.dropna()
             A     B     C   D
2013-01-03   8   9.0  10.0  11
2013-01-04  12  13.0  14.0  15
2013-01-05  16  17.0  18.0  19
2013-01-06  20  21.0  22.0  23
>>> df
             A     B     C   D
2013-01-01   0   NaN   2.0   3
2013-01-02   4   5.0   NaN   7
2013-01-03   8   9.0  10.0  11
2013-01-04  12  13.0  14.0  15
2013-01-05  16  17.0  18.0  19
2013-01-06  20  21.0  22.0  23
>>> df.dropna(axis='columns',how='any')
             A   D
2013-01-01   0   3
2013-01-02   4   7
2013-01-03   8  11
2013-01-04  12  15
2013-01-05  16  19
2013-01-06  20  23
>>> df.fillna(value=-1)
             A     B     C   D
2013-01-01   0  -1.0   2.0   3
2013-01-02   4   5.0  -1.0   7
2013-01-03   8   9.0  10.0  11
2013-01-04  12  13.0  14.0  15
2013-01-05  16  17.0  18.0  19
2013-01-06  20  21.0  22.0  23
>>> df.isnull() 
                A      B      C      D
2013-01-01  False   True  False  False
2013-01-02  False  False   True  False
2013-01-03  False  False  False  False
2013-01-04  False  False  False  False
2013-01-05  False  False  False  False
2013-01-06  False  False  False  False
>>> np.any(df.isnull()) == True #用以检查是否存在NaN，存在返回True
True

pandas数据存储和读取

可以存取的格式：
这里写图片描述

>>> path = r'C:\Users\zhifei\Desktop\student.csv'
>>> data = pd.read_csv(path)
>>> data
    Student ID  name   age  gender
0         1100  Kelly   22  Female
1         1101    Clo   21  Female
2         1102  Tilly   22  Female
3         1103   Tony   24    Male
4         1104  David   20    Male
5         1105  Catty   22  Female
6         1106      M    3  Female
7         1107      N   43    Male
8         1108      A   13    Male
9         1109      S   12    Male
10        1110  David   33    Male
11        1111     Dw    3  Female
12        1112      Q   23    Male
13        1113      W   21  Female
>>> type(data)
<class 'pandas.core.frame.DataFrame'>
>>> path2 = r'C:\Users\zhifei\Desktop\json.txt'
>>> data.to_json(path2)
>>> data_2 = pd.read_json(path2)
>>> data_2
    Student ID  age  gender  name 
0         1100   22  Female  Kelly
1         1101   21  Female    Clo
10        1110   33    Male  David
11        1111    3  Female     Dw
12        1112   23    Male      Q
13        1113   21  Female      W
2         1102   22  Female  Tilly
3         1103   24    Male   Tony
4         1104   20    Male  David
5         1105   22  Female  Catty
6         1106    3  Female      M
7         1107   43    Male      N
8         1108   13    Male      A
9         1109   12    Male      S

pandas数据合并

函数原型：
这里写图片描述

import pandas as pd
import numpy as np

#定义资料集
df1 = pd.DataFrame(np.ones((3,4))*0, columns=['a','b','c','d'])
df2 = pd.DataFrame(np.ones((3,4))*1, columns=['a','b','c','d'])
df3 = pd.DataFrame(np.ones((3,4))*2, columns=['a','b','c','d'])

#concat纵向合并
res = pd.concat([df1, df2, df3], axis=0)

#打印结果
print(res)
#     a    b    c    d
# 0  0.0  0.0  0.0  0.0
# 1  0.0  0.0  0.0  0.0
# 2  0.0  0.0  0.0  0.0
# 0  1.0  1.0  1.0  1.0
# 1  1.0  1.0  1.0  1.0
# 2  1.0  1.0  1.0  1.0
# 0  2.0  2.0  2.0  2.0
# 1  2.0  2.0  2.0  2.0
# 2  2.0  2.0  2.0  2.0

res = pd.concat([df1, df2, df3], axis=0, ignore_index=True)

#打印结果
print(res)
#     a    b    c    d
# 0  0.0  0.0  0.0  0.0
# 1  0.0  0.0  0.0  0.0
# 2  0.0  0.0  0.0  0.0
# 3  1.0  1.0  1.0  1.0
# 4  1.0  1.0  1.0  1.0
# 5  1.0  1.0  1.0  1.0
# 6  2.0  2.0  2.0  2.0
# 7  2.0  2.0  2.0  2.0
# 8  2.0  2.0  2.0  2.0

join=’outer’为预设值，因此未设定任何参数时，函数默认join=’outer’。此方式是依照column来做纵向合并，有相同的column上下合并在一起，其他独自的column个自成列，原本没有值的位置皆以NaN填充。

import pandas as pd
import numpy as np

#定义资料集
df1 = pd.DataFrame(np.ones((3,4))*0, columns=['a','b','c','d'], index=[1,2,3])
df2 = pd.DataFrame(np.ones((3,4))*1, columns=['b','c','d','e'], index=[2,3,4])

#纵向"外"合并df1与df2
res = pd.concat([df1, df2], axis=0, join='outer')

print(res)
#     a    b    c    d    e
# 1  0.0  0.0  0.0  0.0  NaN
# 2  0.0  0.0  0.0  0.0  NaN
# 3  0.0  0.0  0.0  0.0  NaN
# 2  NaN  1.0  1.0  1.0  1.0
# 3  NaN  1.0  1.0  1.0  1.0
# 4  NaN  1.0  1.0  1.0  1.0

#纵向"内"合并df1与df2
res = pd.concat([df1, df2], axis=0, join='inner')

#打印结果
print(res)
#     b    c    d
# 1  0.0  0.0  0.0
# 2  0.0  0.0  0.0
# 3  0.0  0.0  0.0
# 2  1.0  1.0  1.0
# 3  1.0  1.0  1.0
# 4  1.0  1.0  1.0

#重置index并打印结果
res = pd.concat([df1, df2], axis=0, join='inner', ignore_index=True)
print(res)
#     b    c    d
# 0  0.0  0.0  0.0
# 1  0.0  0.0  0.0
# 2  0.0  0.0  0.0
# 3  1.0  1.0  1.0
# 4  1.0  1.0  1.0
# 5  1.0  1.0  1.0

join_axes (依照 axes 合并)

import pandas as pd
import numpy as np

#定义资料集
df1 = pd.DataFrame(np.ones((3,4))*0, columns=['a','b','c','d'], index=[1,2,3])
df2 = pd.DataFrame(np.ones((3,4))*1, columns=['b','c','d','e'], index=[2,3,4])

#依照`df1.index`进行横向合并
res = pd.concat([df1, df2], axis=1, join_axes=[df1.index])

#打印结果
print(res)
#     a    b    c    d    b    c    d    e
# 1  0.0  0.0  0.0  0.0  NaN  NaN  NaN  NaN
# 2  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
# 3  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0

#移除join_axes，并打印结果
res = pd.concat([df1, df2], axis=1)
print(res)
#     a    b    c    d    b    c    d    e
# 1  0.0  0.0  0.0  0.0  NaN  NaN  NaN  NaN
# 2  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
# 3  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
# 4  NaN  NaN  NaN  NaN  1.0  1.0  1.0  1.0

append函数原型：
这里写图片描述


>>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB'))
>>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('CD'))
>>> df
   A  B
0  1  2
1  3  4
>>> df2
   C  D
0  5  6
1  7  8
>>> df.append(df2)#只能在下面加
     A    B    C    D
0  1.0  2.0  NaN  NaN
1  3.0  4.0  NaN  NaN
0  NaN  NaN  5.0  6.0
1  NaN  NaN  7.0  8.0
>>> df3 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB'))
>>> df.append(df3,ignore_index=True)
   A  B
0  1  2
1  3  4
2  5  6
3  7  8
>>> s = pd.Series(['a','b'],index=['A','B'])
>>> df.append(s,ignore_index=True)
   A  B
0  1  2
1  3  4
2  a  b

merge合并

函数原型
这里写图片描述
这里写图片描述

更多详情参见help（pd.merge）

pandas画图

import pandas as pd
import numpy as np
import matplotlib.pyplot as pltl# 随机生成1000个数据
data = pd.Series(np.random.randn(1000),index=np.arange(1000))

# 为了方便观看效果, 我们累加这个数据
data.cumsum()

# pandas 数据可以直接观看其可视化形式
data.plot()

plt.show()

更多画图有关操作详情请见matplotlib模块。

参考链接：

  1. http://pandas.pydata.org/pandas-docs/stable/10min.html
  2. https://morvanzhou.github.io/tutorials/data-manipulation/np-pd/3-1-pd-intro/
ilove_itachi
关注
专栏目录
Pandas模块
hanxuwerewolf的博客
07-20 230
数据结构简介：DataFrame和Series pandas中有两类非常重要的数据结构，就是序列Series和数据框DataFrame.Series类似于NumPy中的一维数组，可以使用一维数组的可用函数和方法，而且还可以通过索引标签的方式获取数据，还具有索引的自动对齐功能；DataFrame类似于numpy中的二维数组，同样可以使用numpy数组的函数和方法，还具有一些其它灵活的使用。 #...
深入理解Python数据分析利器——Pandas库详解（一）
最新发布
小高~的博客
08-23 2497
Pandas是Python中专为数据操作和分析设计的开源库，提供了高性能的数据结构和丰富的数据操作工具。Pandas的主要目标是成为数据分析领域的高级工具，解决多种数据格式的处理需求。无论是表格数据（如SQL表或Excel表），还是多维数组、时间序列数据，Pandas都能轻松应对。Series：一维数组，包含数据和对应的索引。DataFrame：二维表格数据结构，既有行索引也有列索引，类似于电子表格或SQL表格。接下来，我们将通过具体代码示例详细介绍如何使用这两个数据结构以及Pandas的常见功能。
Python中的pandas模块
Yeuing的专栏
06-06 1921
今天想要用一下pandas这个lib，结果总是出错，折腾了好久才好 现在记不起来当时的错误情形了，刚开始是什么
Python Pandas模块106个示例源码
04-04
Python的Pandas模块是数据处理和分析领域的重要工具，它为Python编程语言提供了高效的数据结构，如DataFrame和Series。这个压缩包包含106个示例源码，旨在帮助用户深入理解和掌握Pandas的各种功能。以下是一些主要的...
pycharm 显示没有pandas模块 No module named ‘pandas‘
qymwht的博客
02-23 1万+
pycharm 显示没有pandas模块 No module named ‘pandas‘
pandas模块的作用和使用方法
qq_47903032的博客
06-22 1304
Pandas是当前最流行、最常用的数据分析工具。当处理表格数据(比如存储在电子表格或数据库中的数据)时，pandas是最适合您的工具。它将帮助您探索、清理和处理您的数据。数据表被称为DataFrame，panda支持与多种文件格式或数据源的集成(csv、excel、sql、json、parquet…)。从每个数据源导入数据是由前缀为read *的函数提供的。类似地，to_*方法用于存储数据……选择或过滤特定的行和或列?过滤条件下的数据?在pandas中可以使用切片、选择和提取所需数据的方法。它是基于nump
Pandas模块 （学习笔记）
wxwzy1314的博客
12-10 2289
Pandas的数据结构 Pandas包含以下三种数据结构：系列(Series)，数据帧(DataFrame)，面板(Panel)。 这些数据结构构建在Numpy数组之上，这意味着它们处理速度很快。 Series： 同种类型数据构成 大小不可变 数据可变 Series：一维数组，与Numpy中的一维array类似，二者与Python基本的数据结构List也很相近。 Series能保存不同种数据类型，字符串、boolean值、数字等。 Series是由相同数据类型组成的一维数组。 DataFrame：
pandas模块安装binary文件_win32
07-28
pandas模块安装binary文件_win32
Python安装pandas模块
热门推荐
fxjzzyo的博客
01-28 7万+
在学习python过程中需要用到一个叫pandas的模块，在pycharm中安装时总是出错。 千般百度折腾还是无果，后来发现它需要安装很多依赖包。就问你气不气~ 需要手动安装啊，千万记住，这里有个python模块包的网址：点击进入python模块包网站谢天谢地啊= = 接下来是真正的操作阶段！开始啦~ 打开后搜索pandas，会发现很多版本后缀为.whl的模块。我这里下载的是pandas
pandas模块的简单介绍
xcxhy的博客
09-03 540
pandas模块 pandas是一个强大的分析结构化数据的工具集；它的使用基础是Numpy（提供高性能的矩阵运算）；用于数据挖掘和数据分析，同时也提供数据清洗功能。 Pandas中常见的数据结构有两种： Series DataFrame 类似一维数组的对象 类似多维数组/表格数组；每列数据可以是不同的类型；索引包括列索引和行索引 Series 构建Series：ser_obj = pd.Series(range(10)) 由索引和数据组成（索引在左<自动创建>,数据在右）。
Python Pandas模块介绍
helloxiaozhe的博客
06-11 3万+
Pandas模块是Python用于数据导入及整理的模块，对数据挖掘前期数据的处理工作十分有用。Pandas模块的数据结构主要有两：1、Series ；2、DataFrame ，下面将分别从这两方面介绍：(1) Series结构介绍和操作示例：    1.1、介绍    The Series is the primary building block of pandas and represents...
pandas模块基本介绍（1）
qq_53828625的博客
06-13 354
本次介绍pandas中的series
数据分析模块pandas
实践求真知
11-22 1361
一 介绍 pandas（Python Data Analysis Library）是基于numpy的数据分析模块，提供了大量标准数据模型和高效操作大型数据集所需要的工具，可以说pandas是使得Python能够成为高效且强大的数据分析环境的重要因素之一。 pandas主要提供了3种数据结构： 1）Series，带标签的一维数组。 2）DataFrame，带标签且大小可变的二维表格结构。
python pandas模块详解
weixin_43936332的博客
02-01 2436
Pandas 是一个开源的第三方 Python 库，从 Numpy 和 Matplotlib 的基础上构建而来，享有数据分析“三剑客之一”的盛名（NumPy、Matplotlib、Pandas）。Pandas 已经成为 Python 数据分析的必备高级工具，它的目标是成为强大、灵活、可以支持任何编程语言的数据分析工具，本文主要是对pandas进行入门，通过本文你将系统性了解pandas的基本使用方法。
Python学习:Pandas模块入门学习
onedyer的博客
04-14 815
其中的DataFrame就是Pandas的一个核心数据结构，它是一个二维表格，可以存储不同类型的数据，并且可以对数据进行各种操作。除了从字典创建DataFrame之外，还有很多其他的方式可以创建DataFrame，例如从CSV文件、数据库、Excel文件等中读取数据，或者手动创建一个空的DataFrame并逐步填充数据。在这个例子中，我们使用了一个字典来创建DataFrame，其中字典的键是列名，而值是列数据。Pandas的Series是另一个重要的数据结构，它是一个一维数组，可以存储不同类型的数据。
没有pandas模块
10-23
如果你在使用Python时遇到了“ModuleNotFoundError: No module named 'pandas'”的错误，那么这意味着你的Python环境中没有安装pandas模块。pandas是一个非常流行的Python数据分析库，如果你需要使用它，你需要先安装它。你可以使用pip命令来安装pandas模块，命令如下： pip install pandas 如果你已经在anaconda环境中安装了pandas模块，但是在使用PyCharm时仍然遇到了这个错误，那么你需要将PyCharm的运行环境更改为anaconda环境。你可以按照以下步骤更改PyCharm的运行环境： 1. 打开PyCharm，点击“File”菜单，选择“Settings”选项。 2. 在弹出的窗口中，选择“Project: your_project_name”选项，然后选择“Python Interpreter”选项。 3. 在Python Interpreter列表中，选择anaconda环境。 4. 点击“OK”按钮保存更改。 如果你仍然无法解决问题，你可以尝试使用命令行安装pandas模块。你可以按照以下步骤在命令提示符中安装pandas模块： 1. 打开命令提示符。 2. 输入以下命令安装pandas模块： pip install pandas -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
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