航空公司客户价值分析

已于 2022-02-18 11:57:48 修改
阅读量710 收藏 3
点赞数
文章标签： python 数据分析
于 2022-02-18 11:57:16 首次发布
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/konataxx/article/details/123000320
版权

数据探索

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

data = pd.read_csv('./air_data.csv',index_col = 'MEMBER_NO',encoding='UTF-8')
data
FFP_DATE FIRST_FLIGHT_DATE GENDER FFP_TIER WORK_CITY WORK_PROVINCE WORK_COUNTRY AGE LOAD_TIME FLIGHT_COUNT ... ADD_Point_SUM Eli_Add_Point_Sum L1Y_ELi_Add_Points Points_Sum L1Y_Points_Sum Ration_L1Y_Flight_Count Ration_P1Y_Flight_Count Ration_P1Y_BPS Ration_L1Y_BPS Point_NotFlight
MEMBER_NO
54993 2006/11/2 2008/12/24 男 6 . 北京 CN 31.0 2014/3/31 210 ... 39992 114452 111100 619760 370211 0.509524 0.490476 0.487221 0.512777 50
28065 2007/2/19 2007/8/3 男 6 NaN 北京 CN 42.0 2014/3/31 140 ... 12000 53288 53288 415768 238410 0.514286 0.485714 0.489289 0.510708 33
55106 2007/2/1 2007/8/30 男 6 . 北京 CN 40.0 2014/3/31 135 ... 15491 55202 51711 406361 233798 0.518519 0.481481 0.481467 0.518530 26
21189 2008/8/22 2008/8/23 男 5 Los Angeles CA US 64.0 2014/3/31 23 ... 0 34890 34890 372204 186100 0.434783 0.565217 0.551722 0.448275 12
39546 2009/4/10 2009/4/15 男 6 贵阳 贵州 CN 48.0 2014/3/31 152 ... 22704 64969 64969 338813 210365 0.532895 0.467105 0.469054 0.530943 39
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
18375 2011/5/20 2013/6/5 女 4 广州 广东 CN 25.0 2014/3/31 2 ... 12318 12318 12123 12318 12123 1.000000 0.000000 0.000000 0.000000 22
36041 2010/3/8 2013/9/14 男 4 佛山 广东 CN 38.0 2014/3/31 4 ... 106972 106972 56506 106972 56506 1.000000 0.000000 0.000000 0.000000 43
45690 2006/3/30 2006/12/2 女 4 广州 广东 CN 43.0 2014/3/31 2 ... 0 0 0 0 0 1.000000 0.000000 0.000000 0.000000 0
61027 2013/2/6 2013/2/14 女 4 广州 广东 CN 36.0 2014/3/31 2 ... 0 0 0 0 0 0.000000 1.000000 0.000000 0.000000 0
61340 2013/2/17 2013/2/17 女 4 上海 . CN 29.0 2014/3/31 2 ... 0 0 0 0 0 0.000000 1.000000 0.000000 0.000000 0

62988 rows × 43 columns

explore = data.describe().T   #转置以后阅读更方便  
# describe()函数自动计算非空值数，需要手动计算空值数
explore  #结果中count是非空值个数
count mean std min 25% 50% 75% max
FFP_TIER 62988.0 4.102162 0.373856 4.00 4.000000 4.000000 4.000000 6.000000
AGE 62568.0 42.476346 9.885915 6.00 35.000000 41.000000 48.000000 110.000000
FLIGHT_COUNT 62988.0 11.839414 14.049471 2.00 3.000000 7.000000 15.000000 213.000000
BP_SUM 62988.0 10925.081254 16339.486151 0.00 2518.000000 5700.000000 12831.000000 505308.000000
EP_SUM_YR_1 62988.0 0.000000 0.000000 0.00 0.000000 0.000000 0.000000 0.000000
EP_SUM_YR_2 62988.0 265.689623 1645.702854 0.00 0.000000 0.000000 0.000000 74460.000000
SUM_YR_1 62437.0 5355.376064 8109.450147 0.00 1003.000000 2800.000000 6574.000000 239560.000000
SUM_YR_2 62850.0 5604.026014 8703.364247 0.00 780.000000 2773.000000 6845.750000 234188.000000
SEG_KM_SUM 62988.0 17123.878691 20960.844623 368.00 4747.000000 9994.000000 21271.250000 580717.000000
WEIGHTED_SEG_KM 62988.0 12777.152439 17578.586695 0.00 3219.045000 6978.255000 15299.632500 558440.140000
AVG_FLIGHT_COUNT 62988.0 1.542154 1.786996 0.25 0.428571 0.875000 1.875000 26.625000
AVG_BP_SUM 62988.0 1421.440249 2083.121324 0.00 336.000000 752.375000 1690.270833 63163.500000
BEGIN_TO_FIRST 62988.0 120.145488 159.572867 0.00 9.000000 50.000000 166.000000 729.000000
LAST_TO_END 62988.0 176.120102 183.822223 1.00 29.000000 108.000000 268.000000 731.000000
AVG_INTERVAL 62988.0 67.749788 77.517866 0.00 23.370370 44.666667 82.000000 728.000000
MAX_INTERVAL 62988.0 166.033895 123.397180 0.00 79.000000 143.000000 228.000000 728.000000
ADD_POINTS_SUM_YR_1 62988.0 540.316965 3956.083455 0.00 0.000000 0.000000 0.000000 600000.000000
ADD_POINTS_SUM_YR_2 62988.0 814.689258 5121.796929 0.00 0.000000 0.000000 0.000000 728282.000000
EXCHANGE_COUNT 62988.0 0.319775 1.136004 0.00 0.000000 0.000000 0.000000 46.000000
avg_discount 62988.0 0.721558 0.185427 0.00 0.611997 0.711856 0.809476 1.500000
P1Y_Flight_Count 62988.0 5.766257 7.210922 0.00 2.000000 3.000000 7.000000 118.000000
L1Y_Flight_Count 62988.0 6.073157 8.175127 0.00 1.000000 3.000000 8.000000 111.000000
P1Y_BP_SUM 62988.0 5366.720550 8537.773021 0.00 946.000000 2692.000000 6485.250000 246197.000000
L1Y_BP_SUM 62988.0 5558.360704 9351.956952 0.00 545.000000 2547.000000 6619.250000 259111.000000
EP_SUM 62988.0 265.689623 1645.702854 0.00 0.000000 0.000000 0.000000 74460.000000
ADD_Point_SUM 62988.0 1355.006223 7868.477000 0.00 0.000000 0.000000 0.000000 984938.000000
Eli_Add_Point_Sum 62988.0 1620.695847 8294.398955 0.00 0.000000 0.000000 345.000000 984938.000000
L1Y_ELi_Add_Points 62988.0 1080.378882 5639.857254 0.00 0.000000 0.000000 0.000000 728282.000000
Points_Sum 62988.0 12545.777100 20507.816700 0.00 2775.000000 6328.500000 14302.500000 985572.000000
L1Y_Points_Sum 62988.0 6638.739585 12601.819863 0.00 700.000000 2860.500000 7500.000000 728282.000000
Ration_L1Y_Flight_Count 62988.0 0.486419 0.319105 0.00 0.250000 0.500000 0.711111 1.000000
Ration_P1Y_Flight_Count 62988.0 0.513581 0.319105 0.00 0.288889 0.500000 0.750000 1.000000
Ration_P1Y_BPS 62988.0 0.522293 0.339632 0.00 0.258150 0.514252 0.815091 0.999989
Ration_L1Y_BPS 62988.0 0.468422 0.338956 0.00 0.167954 0.476747 0.728375 0.999993
Point_NotFlight 62988.0 2.728155 7.364164 0.00 0.000000 0.000000 1.000000 140.000000 
explore['null'] = len(data) - explore['count']
explore
count mean std min 25% 50% 75% max null
FFP_TIER 62988.0 4.102162 0.373856 4.00 4.000000 4.000000 4.000000 6.000000 0.0
AGE 62568.0 42.476346 9.885915 6.00 35.000000 41.000000 48.000000 110.000000 420.0
FLIGHT_COUNT 62988.0 11.839414 14.049471 2.00 3.000000 7.000000 15.000000 213.000000 0.0
BP_SUM 62988.0 10925.081254 16339.486151 0.00 2518.000000 5700.000000 12831.000000 505308.000000 0.0
EP_SUM_YR_1 62988.0 0.000000 0.000000 0.00 0.000000 0.000000 0.000000 0.000000 0.0
EP_SUM_YR_2 62988.0 265.689623 1645.702854 0.00 0.000000 0.000000 0.000000 74460.000000 0.0
SUM_YR_1 62437.0 5355.376064 8109.450147 0.00 1003.000000 2800.000000 6574.000000 239560.000000 551.0
SUM_YR_2 62850.0 5604.026014 8703.364247 0.00 780.000000 2773.000000 6845.750000 234188.000000 138.0
SEG_KM_SUM 62988.0 17123.878691 20960.844623 368.00 4747.000000 9994.000000 21271.250000 580717.000000 0.0
WEIGHTED_SEG_KM 62988.0 12777.152439 17578.586695 0.00 3219.045000 6978.255000 15299.632500 558440.140000 0.0
AVG_FLIGHT_COUNT 62988.0 1.542154 1.786996 0.25 0.428571 0.875000 1.875000 26.625000 0.0
AVG_BP_SUM 62988.0 1421.440249 2083.121324 0.00 336.000000 752.375000 1690.270833 63163.500000 0.0
BEGIN_TO_FIRST 62988.0 120.145488 159.572867 0.00 9.000000 50.000000 166.000000 729.000000 0.0
LAST_TO_END 62988.0 176.120102 183.822223 1.00 29.000000 108.000000 268.000000 731.000000 0.0
AVG_INTERVAL 62988.0 67.749788 77.517866 0.00 23.370370 44.666667 82.000000 728.000000 0.0
MAX_INTERVAL 62988.0 166.033895 123.397180 0.00 79.000000 143.000000 228.000000 728.000000 0.0
ADD_POINTS_SUM_YR_1 62988.0 540.316965 3956.083455 0.00 0.000000 0.000000 0.000000 600000.000000 0.0
ADD_POINTS_SUM_YR_2 62988.0 814.689258 5121.796929 0.00 0.000000 0.000000 0.000000 728282.000000 0.0
EXCHANGE_COUNT 62988.0 0.319775 1.136004 0.00 0.000000 0.000000 0.000000 46.000000 0.0
avg_discount 62988.0 0.721558 0.185427 0.00 0.611997 0.711856 0.809476 1.500000 0.0
P1Y_Flight_Count 62988.0 5.766257 7.210922 0.00 2.000000 3.000000 7.000000 118.000000 0.0
L1Y_Flight_Count 62988.0 6.073157 8.175127 0.00 1.000000 3.000000 8.000000 111.000000 0.0
P1Y_BP_SUM 62988.0 5366.720550 8537.773021 0.00 946.000000 2692.000000 6485.250000 246197.000000 0.0
L1Y_BP_SUM 62988.0 5558.360704 9351.956952 0.00 545.000000 2547.000000 6619.250000 259111.000000 0.0
EP_SUM 62988.0 265.689623 1645.702854 0.00 0.000000 0.000000 0.000000 74460.000000 0.0
ADD_Point_SUM 62988.0 1355.006223 7868.477000 0.00 0.000000 0.000000 0.000000 984938.000000 0.0
Eli_Add_Point_Sum 62988.0 1620.695847 8294.398955 0.00 0.000000 0.000000 345.000000 984938.000000 0.0
L1Y_ELi_Add_Points 62988.0 1080.378882 5639.857254 0.00 0.000000 0.000000 0.000000 728282.000000 0.0
Points_Sum 62988.0 12545.777100 20507.816700 0.00 2775.000000 6328.500000 14302.500000 985572.000000 0.0
L1Y_Points_Sum 62988.0 6638.739585 12601.819863 0.00 700.000000 2860.500000 7500.000000 728282.000000 0.0
Ration_L1Y_Flight_Count 62988.0 0.486419 0.319105 0.00 0.250000 0.500000 0.711111 1.000000 0.0
Ration_P1Y_Flight_Count 62988.0 0.513581 0.319105 0.00 0.288889 0.500000 0.750000 1.000000 0.0
Ration_P1Y_BPS 62988.0 0.522293 0.339632 0.00 0.258150 0.514252 0.815091 0.999989 0.0
Ration_L1Y_BPS 62988.0 0.468422 0.338956 0.00 0.167954 0.476747 0.728375 0.999993 0.0
Point_NotFlight 62988.0 2.728155 7.364164 0.00 0.000000 0.000000 1.000000 140.000000 0.0

AGE SUM_YR_1 SUM_YR_2有空值

#表头重命名
explore = explore[['null','max','min']]
explore.columns = [u'空值',u'最大值',u'最小值']

这里只选取部分探索结果

describe()函数自动计算的字段有count（非空值数）、unique（唯一值数）、top（频数最高者）、

freq（最高频数）、mean（平均值）、std（方差）、min（最小值）、50%（中位数）、max（最大值）

explore
空值 最大值 最小值
FFP_TIER 0.0 6.000000 4.00
AGE 420.0 110.000000 6.00
FLIGHT_COUNT 0.0 213.000000 2.00
BP_SUM 0.0 505308.000000 0.00
EP_SUM_YR_1 0.0 0.000000 0.00
EP_SUM_YR_2 0.0 74460.000000 0.00
SUM_YR_1 551.0 239560.000000 0.00
SUM_YR_2 138.0 234188.000000 0.00
SEG_KM_SUM 0.0 580717.000000 368.00
WEIGHTED_SEG_KM 0.0 558440.140000 0.00
AVG_FLIGHT_COUNT 0.0 26.625000 0.25
AVG_BP_SUM 0.0 63163.500000 0.00
BEGIN_TO_FIRST 0.0 729.000000 0.00
LAST_TO_END 0.0 731.000000 1.00
AVG_INTERVAL 0.0 728.000000 0.00
MAX_INTERVAL 0.0 728.000000 0.00
ADD_POINTS_SUM_YR_1 0.0 600000.000000 0.00
ADD_POINTS_SUM_YR_2 0.0 728282.000000 0.00
EXCHANGE_COUNT 0.0 46.000000 0.00
avg_discount 0.0 1.500000 0.00
P1Y_Flight_Count 0.0 118.000000 0.00
L1Y_Flight_Count 0.0 111.000000 0.00
P1Y_BP_SUM 0.0 246197.000000 0.00
L1Y_BP_SUM 0.0 259111.000000 0.00
EP_SUM 0.0 74460.000000 0.00
ADD_Point_SUM 0.0 984938.000000 0.00
Eli_Add_Point_Sum 0.0 984938.000000 0.00
L1Y_ELi_Add_Points 0.0 728282.000000 0.00
Points_Sum 0.0 985572.000000 0.00
L1Y_Points_Sum 0.0 728282.000000 0.00
Ration_L1Y_Flight_Count 0.0 1.000000 0.00
Ration_P1Y_Flight_Count 0.0 1.000000 0.00
Ration_P1Y_BPS 0.0 0.999989 0.00
Ration_L1Y_BPS 0.0 0.999993 0.00
Point_NotFlight 0.0 140.000000 0.00 
#平均折扣率最小为0但是总飞行公里数大于0，可能是客户乘坐0折机票或者积分兑换造成的
cond = data['avg_discount']==0
d = data[cond]
d['SEG_KM_SUM']

MEMBER_NO
1761     6138
15206    2158
最低0.47元/天 解锁文章
tasuku231
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
航空公司客户价值分析（附完整代码）
07-22
航空公司客户价值分析完整代码 项目背景：为某航空公司需要以客户为中心，按照客户的需求，在对客户的特点了解上使用不同的营销手段，目的是争取更多新客户，降低客户流失率，降低服务成本，提高业务收入，增加ARPU值（average revenue per user每个用户的平均收益，一般以月为单位），精准的市场营销策略制定。 详见博客：https://blog.csdn.net/u010963246/article/details/90484644
pandas实现众数和众数的频数
平平淡淡，戒急用忍，一生学闭嘴。
03-17 5219
1.numpy统计函数 max()最大值min()最小值ptp()极差mean()平均值var()方差std()标准差mode()众数 （返回一个dataframe格式的数据）count()非空数目median()中位数cov()协方差 2.pandas统计方法describe() （1）数值型数据 返回8种指标 count mean std min 25% 50% 75% max import pandas as pd detail=pd.read_excel(
数据挖掘案例-航空公司客户价值分析
记录学习路上的一些拙见
05-27 2285
数据挖掘案例-航空公司客户价值分析
使用jupyter做数据分析与挖掘
汪敏的博客
05-11 1万+
使用jupyter做数据分析与挖掘使用jupyter做数据分析与挖掘数据关系统计量分析异常值分析jupyter-pandas处理excel 使用jupyter做数据分析与挖掘 数据关系 统计量分析 describe describe会返回一系列参数，count，mean，std，min，25%，50%，75%，max。 describe()返回值的解释如下： count：返回数组的个数，如上述为4个元素，所以返回为4； mean：返回数组的平均值，1 3 5 9的平均值为4.5； std：返回数组的标准
python pandas中describe()
sala_lxw的博客
02-25 1万+
python pandas中，对于一维数组，describe会返回一系列参数，count，mean，std，min，25%，50%，75%，max。 describe()返回值的解释如下： 1、count：返回数组的个数，如上述为4个元素，所以返回为4； 2、mean：返回数组的平均值，1 3 5 9的平均值为4.5； 3、std：返回数组的标准差； 4、min：返回数组的最小值； 5、25%，5...
（七）Python数据分析与挖掘实战（实战篇）——航空公司客户价值分析
cathycheny的博客
11-01 1436
文章目录背景和目标数据客户基本信息乘机信息积分信息脚本data_explore.pydata_clean.pyzscore_data.pyKMeans_cluster.pycluster_plot.py分析方法和过程方法流程模型解释模型应用拓展 背景和目标 通过客户分类，区分无价值客户、高价值客户，从而针对不同人群制定优化的个性化服务方案，采取不同的营销策略，将有限营销资源集中于高价值客户，实现企业利润的最大化目标。 准确的客户分类结果是企业优化营销资源的重要依据，客户分类越来越成为客户关系管理中急需解决
航空公司客户价值分析.zip
01-06
《航空公司客户价值分析》是基于Python数据科学工具进行的一次实战项目，主要涉及的数据分析和机器学习技术。在这个项目中，我们将深入探讨如何利用Python来挖掘航空公司的客户数据，识别并评估不同客户的潜在价值，...
航空公司客户价值分析案例数据air_data.csv下载
03-28
该数据为某航空公司一段时间内有乘机记录的所有客户的形成的历史数据，44个特征，总共62988条记录。
航空公司客户价值分析,航空公司客户价值分析源数据,Python
09-10
而"航空公司客户价值分析-数据&代码"文件可能包含了原始数据以及实现整个分析过程的Python代码，这些代码可能包括数据导入、数据预处理、K-means聚类算法的实现、结果评估和可视化等部分。 通过这样的分析，航空...
航空公司客户价值分析-数据集
03-14
本数据集“航空公司客户价值分析”提供了一个宝贵的实践案例，帮助我们了解如何运用数据来洞察航空公司的客户行为，识别高价值客户，并制定相应的业务策略。 数据集“air_data.csv”包含了航空公司客户的一系列关键...
#菜鸟机器学习的逆袭之路#day12
ballzy的博客
03-16 353
python pandas中，对于一维数组，describe会返回一系列参数，count，mean，std，min，25%，50%，75%，max。 针对该问题，对于describe()返回值的解释如下： 1、count：返回数组的个数，如上述为4个元素，所以返回为4； 2、mean：返回数组的平均值，1 3 5 9的平均值为4.5； 3、std：返回数组的标准差； 4、min：返回数组的最小值；...
python 在线零售分析
qq_27308505的博客
04-26 1510
文章目录什么是RFM模型RFM模型的作用数据源数据清洗统计各字段信息描述性统计信息模型分析Recency描述性统计Frequency描述性统计Monetary描述性统计确定R、F、M值并对用户分类基于统计模型来分类RFM模型K-means ClusteringRFM模型的局限 什么是RFM模型 首先，RFM是三个指标的缩写 Recency:最近一次消费距离现在的时间，该值越小越好 Frequency：某段时间内的消费次数，这个值越大越好 Monetary：某段时间内的消费金额，对于企业来说，消费自然越多越好
案例：红酒数据集分析
热门推荐
积一时之步，臻千里之遥程
10-06 2万+
数据集介绍 这份红酒通用数据集，有1599个样本，12个特征。其中11个为红酒的理化性质，quality列为红酒的品质。本项目的目的是分析不同理化性质与红酒品质之间的关系。 # 导入接下来要使用的python工具包 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline # 打印数据的精度 pd.set_option('precision
基于maven用Spark分析航空公司数据
m0_64489692的博客
11-20 142
{"memberNo":"1","gender":男,"age":46,"flightCount":241}{"memberNo":"3","gender":男,"age":32,"flightCount":100}{"memberNo":"5","gender":女,"age":43,"flightCount":200}{"memberNo":"2","gender":男,"age":31,"flightCount":10}5、按月统计积分兑换次数，并按兑换次数进行排序，并将数据写到数据库：(实时处理)
Python数据分析pandas入门练习题（五）
baobaobao0000的博客
07-06 4320
Python数据分析基础PreparationExercise 1-GroupByIntroduction:Step 1. Import the necessary librariesStep 2. Import the dataset from this [address](https://raw.githubusercontent.com/justmarkham/DAT8/master/data/drinks.csv).Step 3. Assign it to a variable called dri
Hadoop+Hive实现航空公司客户价值分析
Angelababy_huan的博客
11-06 5496
如题，利用Hive对航空公司客户数据进行探索分析、数据预处理并建立LRFMC模型，再利用Hadoop集群实现Kmeans对客户进行分群。如重要保持客户、重要发展客户、重要挽留客户、一般客户和低价值客户，再根据不同的客户群体来指定相应的优惠政策来实现利益最大化。     在用到的数据集中包含了62988条数据，其中包括客户基本信息（会员卡号、入会时间等）、乘机信息（观测窗口的票价收入、平均折扣率等
数据分析案例-航空公司客户价值分析（聚类）
m0_64336780的博客
05-12 2万+
目录 项目背景 原始数据情况 挖掘目标 分析方法与过程 加载数据 数据预处理 构建模型 项目背景 在企业的客户关系管理中，对客户分类，区分不同价值的客户。针对不同价值的客户提供个性化服务方案，采取不同营销策略，将有限营销资源集中于高价值客户，实现企业利润最大化目标。在竞争激烈的航空市场里，很多航空公司都推出了优惠的营销方式来吸引更多的客户。在此种环境下，如何将公司有限的资源充分利用，提示企业竞争力，为企业带来更多的利益。 广泛用于分析客户价值的是RFM模型，它是通过三个指标（..
航空公司客户价值分析 spark
最新发布
06-23
航空公司客户价值分析通常涉及到使用数据分析工具，如Apache Spark，来深入理解乘客的行为、偏好和价值。Spark是一个强大的数据处理框架，常用于大数据处理场景，它支持实时流处理和批处理，以及机器学习算法，非常适合进行客户细分、忠诚度评估和预测性分析。 以下是使用Spark进行航空公司客户价值分析的基本步骤： 1. 数据收集：收集乘客的购票历史、旅行偏好、消费记录、反馈等数据。 2. 数据清洗和整合：整理数据，处理缺失值、异常值，并将不同来源的数据统一格式。 3. 描述性分析：通过Spark SQL查询，了解客户的基本特征和行为模式，如常旅客比例、消费频率、旅行距离等。 4. 客户分群：利用Spark的机器学习库（如MLlib）执行聚类或分类算法，将客户划分为具有相似行为和价值的群体。 5. 客户价值评分：根据客户的消费金额、出行频率、盈利能力等指标计算客户价值分数。 6. 个性化营销策略：基于客户价值分析结果，定制个性化服务和营销活动，提高客户保留率和利润。
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