再刷泰坦尼克号（2）

最新推荐文章于 2023-03-14 20:32:03 发布
最新推荐文章于 2023-03-14 20:32:03 发布
阅读量280 收藏 2
点赞数
分类专栏： kaggle python sklearn
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/kt513226724/article/details/79844950
版权
python 同时被 3 个专栏收录
13 篇文章 1 订阅
订阅专栏
sklearn
8 篇文章 0 订阅
订阅专栏
kaggle
2 篇文章 0 订阅
订阅专栏

再刷泰坦尼克

特征工程

将训练集和测试集组合处理

#忽略警告提示
import warnings
warnings.filterwarnings('ignore')
#数据处理
import pandas as pd
import numpy as np
import random
#可视化
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
path='C:/Users/Titanic/'
p1=open(path+'train.csv')
p2=open(path+'test.csv')
train=pd.read_csv(p1)
test=pd.read_csv(p2)

#合并训练集和测试集
combined=train.append(test,ignore_index=True)
combined.shape
(1309, 12)

提取乘客头衔

combined['Title']=combined['Name'].map(lambda x: x.split(',')[1].split('.')[0].strip())
Title_Dictionary={
                        "Capt":       "Officer",
                        "Col":        "Officer",
                        "Major":      "Officer",
                        "Jonkheer":   "Royalty",
                        "Don":        "Royalty",
                        "Sir" :       "Royalty",
                        "Dr":         "Officer",
                        "Rev":        "Officer",
                        "the Countess":"Royalty",
                        "Dona":       "Royalty",
                        "Mme":        "Mrs",
                        "Mlle":       "Miss",
                        "Ms":         "Mrs",
                        "Mr" :        "Mr",
                        "Mrs" :       "Mrs",
                        "Miss" :      "Miss",
                        "Master" :    "Master",
                        "Lady" :      "Royalty"
}
combined['Title']=combined.Title.map(Title_Dictionary)

处理缺失值

处理年龄

从可视化分析可知，年龄分布存在群体的差异，简单的用平均值或者众数填充是不合适的

#将数据按照性别，舱位，头衔分组，并计算中位数
grouped_train=combined.head(891).groupby(['Sex','Pclass','Title'])
grouped_median_train=grouped_train.median()
grouped_test=combined.iloc[891:].groupby(['Sex','Pclass','Title'])
grouped_median_test=grouped_test.median()
grouped_median_train
AgeFareParchPassengerIdSibSpSurvived
SexPclassTitle
female1Miss30.088.250000.0369.00.01.0
Mrs40.079.200000.0499.01.01.0
Officer49.025.929200.0797.00.01.0
Royalty40.563.050000.0658.50.51.0
2Miss24.013.000000.0437.50.01.0
Mrs31.526.000000.0439.51.01.0
3Miss18.08.756250.0372.00.00.5
Mrs31.015.975001.0405.51.00.5
male1Master4.0120.000002.0446.01.01.0
Mr40.042.400000.0463.00.00.0
Officer51.035.500000.0648.00.00.0
Royalty40.027.720800.0600.00.00.0
2Master1.026.000001.0408.01.01.0
Mr31.013.000000.0440.00.00.0
Officer46.513.000000.0358.50.00.0
3Master4.028.512501.0270.53.50.0
Mr26.07.895800.0472.00.00.0
grouped_median_test
AgeFareParchPassengerIdSibSpSurvived
SexPclassTitle
female1Miss32.0158.208350.01074.00.0NaN
Mrs48.063.358300.01076.01.0NaN
Royalty39.0108.900000.01306.00.0NaN
2Miss19.524.500001.01121.01.0NaN
Mrs29.026.000000.01123.50.0NaN
3Miss22.07.879200.01090.50.0NaN
Mrs28.014.281250.51048.01.0NaN
male1Master9.5198.437502.01022.01.0NaN
Mr42.050.247900.01102.00.0NaN
Officer53.081.858300.01094.01.0NaN
2Master5.027.750001.51033.50.5NaN
Mr28.013.000000.01156.00.0NaN
Officer35.519.500000.51048.50.5NaN
3Master7.015.245801.01173.01.0NaN
Mr25.07.854200.01101.00.0NaN

因此我们可以通过乘客的性别，称谓，所属舱别的不同通过中位数来进行年龄的填充

def fillAges(row,grouped_median):
    if row['Sex']=='female' and row['Pclass']==1:
        if row['Title']=='Miss':
            return grouped_median.loc['female',1,'Miss']['Age']
        elif row['Title']=='Mrs':
            return grouped_median.loc['female',1,'Mrs']['Age']
        elif row['Title'] == 'Officer':
                return grouped_median.loc['female', 1, 'Officer']['Age']
        elif row['Title'] == 'Royalty':
                return grouped_median.loc['female', 1, 'Royalty']['Age']

    elif row['Sex']=='female' and row['Pclass'] == 2:
        if row['Title'] == 'Miss':
            return grouped_median.loc['female', 2, 'Miss']['Age']
        elif row['Title'] == 'Mrs':
            return grouped_median.loc['female', 2, 'Mrs']['Age']

    elif row['Sex']=='female' and row['Pclass'] == 3:
        if row['Title'] == 'Miss':
            return grouped_median.loc['female', 3, 'Miss']['Age']
        elif row['Title'] == 'Mrs':
            return grouped_median.loc['female', 3, 'Mrs']['Age']

    elif row['Sex']=='male' and row['Pclass'] == 1:
        if row['Title'] == 'Master':
            return grouped_median.loc['male', 1, 'Master']['Age']
        elif row['Title'] == 'Mr':
            return grouped_median.loc['male', 1, 'Mr']['Age']
        elif row['Title'] == 'Officer':
            return grouped_median.loc['male', 1, 'Officer']['Age']
        elif row['Title'] == 'Royalty':
            return grouped_median.loc['male', 1, 'Royalty']['Age']

    elif row['Sex']=='male' and row['Pclass'] == 2:
        if row['Title'] == 'Master':
            return grouped_median.loc['male', 2, 'Master']['Age']
        elif row['Title'] == 'Mr':
            return grouped_median.loc['male', 2, 'Mr']['Age']
        elif row['Title'] == 'Officer':
            return grouped_median.loc['male', 2, 'Officer']['Age']

    elif row['Sex']=='male' and row['Pclass'] == 3:
        if row['Title'] == 'Master':
            return grouped_median.loc['male', 3, 'Master']['Age']
        elif row['Title'] == 'Mr':
            return grouped_median.loc['male', 3, 'Mr']['Age']

combined.head(891).Age=combined.head(891).apply(lambda r: fillAges(r,grouped_median_train) if 
                                               np.isnan(r['Age']) else r['Age'],axis=1)
combined.iloc[891:].Age=combined.iloc[891:].apply(lambda r: fillAges(r,grouped_median_test) if
                                                 np.isnan(r['Age']) else r['Age'],axis=1)
combined.info()
combined.head(891).Fare.fillna(combined.head(891).Fare.mean(),inplace=True)
combined.iloc[891:].Fare.fillna(combined.iloc[891:].Fare.mean(),inplace=True)
填充缺失Embarked为登船地点最多的S 
combined.head(891).Embarked.fillna('S', inplace=True)
combined.iloc[891:].Embarked.fillna('S', inplace=True)
填充缺失的Cabin 
combined.Cabin.fillna('U', inplace=True)
combined['Cabin'] = combined['Cabin'].map(lambda c : c[0])
combined.info()
#title虚拟变量编码
titleDf=pd.get_dummies(combined['Title'],prefix='Title')
combined=pd.concat([combined,titleDf],axis=1)
Parch&SibSp 
#和上次处理一样,建立Familysize
familyDf=pd.DataFrame()
familyDf['FamilySize']=combined['Parch']+combined['SibSp']+1
familyDf[ 'Family_Single' ] = familyDf[ 'FamilySize' ].map( lambda s : 1 if s == 1 else 0 )
familyDf[ 'Family_Small' ]  = familyDf[ 'FamilySize' ].map( lambda s : 1 if 2 <= s <= 4 else 0 )
familyDf[ 'Family_Large' ]  = familyDf[ 'FamilySize' ].map( lambda s : 1 if 5 <= s else 0 )
combined=pd.concat([combined,familyDf],axis=1)
Embarked 
embarkedDf=pd.get_dummies(combined['Embarked'],prefix='Embarked')
combined=pd.concat([combined,embarkedDf],axis=1)
Sex 
sex_mapDict={'male':1,
            'female':0}
#map函数：对Series每个数据应用自定义的函数计算
combined['Sex']=combined['Sex'].map(sex_mapDict)
Cabin 
cabinDf=pd.get_dummies(combined['Cabin'],prefix='Cabin')
combined=pd.concat([combined,cabinDf],axis=1)
Pclass 
pclassDf=pd.get_dummies(combined['Pclass'],prefix='Pclass')
combined=pd.concat([combined,pclassDf],axis=1)
Ticket 
#提取票价前缀，如果没有前缀，即票价为数字返回XXX
def cleanTicket(ticket):
    ticket=ticket.replace('.','')
    ticket=ticket.replace('/','')
    ticket=ticket.split()
    #ticket=map(lambda t: t.strip(),ticket)
    #flag=filter(lambda t: not t.isdigit(),ticket)
    if ticket[0].isdigit():
        return 'XXX'
    else:
        return ticket[0]

combined['Ticket']=combined['Ticket'].map(cleanTicket)
ticketsDf=pd.get_dummies(combined['Ticket'],prefix='Ticket')
combined=pd.concat([combined,ticketsDf],axis=1)
combined.head(3)
AgeCabinEmbarkedFareNameParchPassengerIdPclassSexSibSp…Ticket_SOTONO2Ticket_SOTONOQTicket_SPTicket_STONOTicket_STONO2Ticket_STONOQTicket_SWPPTicket_WCTicket_WEPTicket_XXX
022.0US7.2500Braund, Mr. Owen Harris01311…0000000000
138.0CC71.2833Cumings, Mrs. John Bradley (Florence Briggs Th…02101…0000000000
226.0US7.9250Heikkinen, Miss. Laina03300…0000100000

3 rows × 75 columns

#将其余无关特征删除
combined.drop(['PassengerId','Cabin','Embarked','Name','Pclass','Ticket','Title'], inplace=True, axis=1)
combined.head(3)
AgeFareParchSexSibSpSurvivedTitle_MasterTitle_MissTitle_MrTitle_Mrs…Ticket_SOTONO2Ticket_SOTONOQTicket_SPTicket_STONOTicket_STONO2Ticket_STONOQTicket_SWPPTicket_WCTicket_WEPTicket_XXX
022.07.25000110.00010…0000000000
138.071.28330011.00001…0000000000
226.07.92500001.00100…0000100000

3 rows × 68 columns

建立模型和预测

  • 1.将数据集拆分为训练集和测试集
  • 2.使用训练集建立预测模型
  • 3.使用训练集评估模型
  • 4.使用模型得到测试集预测结果
#得到训练/测试数据
train_X=combined.iloc[:891,:].drop(['Survived'],axis=1)
target_Y=combined.iloc[:891,:]['Survived']
test_X=combined.iloc[891:,:].drop(['Survived'],axis=1)
print('训练集特征：',train_X.shape,
     '训练集标签：',target_Y.shape,
     '测试集特征：',test_X.shape)
训练集特征： (891, 67) 训练集标签： (891,) 测试集特征： (418, 67)

#导入库
from sklearn.pipeline import make_pipeline
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_selection import SelectKBest
from sklearn.cross_validation import StratifiedKFold
from sklearn.grid_search import GridSearchCV
from sklearn.ensemble.gradient_boosting import GradientBoostingClassifier
from sklearn.cross_validation import cross_val_score
#定义评价函数
def compute_score(clf,X,y,scoring='accuracy'):
    xval=cross_val_score(clf,X,y,cv=5,scoring=scoring)#K折交叉分类，cv数据分成的数量
    return np.mean(xval)

特征选择

一个好的特征选择可以：
* 1.减少数据之间的冗余
* 2.加速训练过程
* 3.防止过拟合

train_X.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 67 columns):
Age               891 non-null float64
Fare              891 non-null float64
Parch             891 non-null int64
Sex               891 non-null int64
SibSp             891 non-null int64
Title_Master      891 non-null uint8
Title_Miss        891 non-null uint8
Title_Mr          891 non-null uint8
Title_Mrs         891 non-null uint8
Title_Officer     891 non-null uint8
Title_Royalty     891 non-null uint8
FamilySize        891 non-null int64
Family_Single     891 non-null int64
Family_Small      891 non-null int64
Family_Large      891 non-null int64
Embarked_C        891 non-null uint8
Embarked_Q        891 non-null uint8
Embarked_S        891 non-null uint8
Cabin_A           891 non-null uint8
Cabin_B           891 non-null uint8
Cabin_C           891 non-null uint8
Cabin_D           891 non-null uint8
Cabin_E           891 non-null uint8
Cabin_F           891 non-null uint8
Cabin_G           891 non-null uint8
Cabin_T           891 non-null uint8
Cabin_U           891 non-null uint8
Pclass_1          891 non-null uint8
Pclass_2          891 non-null uint8
Pclass_3          891 non-null uint8
Ticket_A          891 non-null uint8
Ticket_A4         891 non-null uint8
Ticket_A5         891 non-null uint8
Ticket_AQ3        891 non-null uint8
Ticket_AQ4        891 non-null uint8
Ticket_AS         891 non-null uint8
Ticket_C          891 non-null uint8
Ticket_CA         891 non-null uint8
Ticket_CASOTON    891 non-null uint8
Ticket_FC         891 non-null uint8
Ticket_FCC        891 non-null uint8
Ticket_Fa         891 non-null uint8
Ticket_LINE       891 non-null uint8
Ticket_LP         891 non-null uint8
Ticket_PC         891 non-null uint8
Ticket_PP         891 non-null uint8
Ticket_PPP        891 non-null uint8
Ticket_SC         891 non-null uint8
Ticket_SCA3       891 non-null uint8
Ticket_SCA4       891 non-null uint8
Ticket_SCAH       891 non-null uint8
Ticket_SCOW       891 non-null uint8
Ticket_SCPARIS    891 non-null uint8
Ticket_SCParis    891 non-null uint8
Ticket_SOC        891 non-null uint8
Ticket_SOP        891 non-null uint8
Ticket_SOPP       891 non-null uint8
Ticket_SOTONO2    891 non-null uint8
Ticket_SOTONOQ    891 non-null uint8
Ticket_SP         891 non-null uint8
Ticket_STONO      891 non-null uint8
Ticket_STONO2     891 non-null uint8
Ticket_STONOQ     891 non-null uint8
Ticket_SWPP       891 non-null uint8
Ticket_WC         891 non-null uint8
Ticket_WEP        891 non-null uint8
Ticket_XXX        891 non-null uint8
dtypes: float64(2), int64(7), uint8(58)
memory usage: 113.2 KB

#采用随机森林来计算特征输入
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_selection import SelectFromModel
#n_estimators构造的决策树数量，max_features不超过的最大特征数量
clf=RandomForestClassifier(n_estimators=50,max_features='sqrt')
clf=clf.fit(train_X,target_Y)
features=pd.DataFrame()
features['feature']=train_X.columns
features['importance']=clf.feature_importances_ #系数大小反应特征重要性
features.sort_values(by=['importance'],ascending=True,inplace=True)
features.set_index('feature',inplace=True)
features.plot(kind='barh',figsize=(20,20))

这里写图片描述

#选取合适的特征
model=SelectFromModel(clf,prefit=True)
train_reduced=model.transform(train_X)
train_reduced.shape
(891, 13)

test_reduced=model.transform(test_X)
test_reduced.shape
(418, 13)

现在我们得到了13个特征

为了得到最佳的预测模型，需要对模型参数进行调整

run_gs=False

if run_gs:
    parameter_grid={
                'max_depth' : [4, 6, 8],
                'n_estimators': [50, 10],
                'max_features': ['sqrt', 'auto', 'log2'],
                'min_samples_split': [2, 3, 10],
                'min_samples_leaf': [1, 3, 10],
                'bootstrap': [True, False],
                }
    forest=RandomForestClassifier()
    cross_validation=StratifiedKFold(target_Y,n_folds=5)
    #使用GridSearchCV搜索最佳参数
    grid_search=GridSearchCV(forest,
                            scoring='accuracy',
                            param_grid=parameter_grid,
                            cv=cross_validation)
    grid_search.fit(train_X,target_Y)
    model=grid_search
    parameters=grid_search.best_params_

    print('Best score:{}'.format(grid_search.best_score_))
    print('Best parameters:{}'.format(grid_search.best_params_))
else:
    parameters={'bootstrap':False,'min_samples_leaf': 3, 'n_estimators': 50, 
                  'min_samples_split': 10, 'max_features': 'sqrt', 'max_depth': 6}

    model=RandomForestClassifier(**parameters)
    model.fit(train_X, target_Y)
compute_score(model, train_X, target_Y, scoring='accuracy')
0.8271904225390074

输出结果

output=model.predict(test_X).astype(int)
outputDf=pd.DataFrame()
outputDf['PassengerId']=test['PassengerId']
outputDf['Survived']=output
outputDf.to_csv(path+'pred.csv',index=False)
名为不二的兔子
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
matplotlib--LateX表达式
天平kaiwei
06-08 266
import matplotlib.pyplot as plt #画图模块 import matplotlib.style as style #风格 import numpy as np import scipy.stats as stats import warnings warnings.filterwarnings("ignore") %matplotlib inline #inline 嵌入静态图 #配置图形 #1.风格配置 style.use("fivethirtyeight") #2.配置画布的
python绘图
shuaigeabang的博客
06-26 515
# 导入相关的包 import matplotlib.pyplot as plt #画图用到的包 import numpy as np #数值计算的包 import pandas as pd #文件操作、字符串操作等包 import os #系统操作的包 import warnings warnings.filterwarnings('ignore') # 让matplotlib的图表在jupyternotebook中.
python数据分析第5（2）天
qq_41471281的博客
01-31 166
1 填充缺失数据  fillna方法是最主要的函数 2  层次化索引    数据可以通过unstack方法被重新安排到一个dataframe中 3  重新分级顺序 4  dataframe 的set_index函数，可以将其一个或者多个列转换为行索引，并创建一个新的dataframe，     还可以通过 drop=False来设置那些列不被删除    reset_in
warnings.filterwarnings(“ignore“)
热门推荐
weixin_45889100的博客
11-23 1万+
转自：https://blog.csdn.net/tefuirnever/article/details/94122670 在python中运行代码经常会遇到的情况是——代码可以正常运行，但是会提示警告。 那么如何来控制警告输出呢？其实很简单，python通过调用warnings模块中定义的warn()函数来发出警告。我们可以通过警告过滤器进行控制是否发出警告消息， 代码： import warnings warnings.filterwarnings('ignore') 这样就可以忽略警告消息了。下面来
【Python基础】warnings.filterwarnings(“ignore“)啥作用
sxl的博客
01-17 9147
转自CSDN：https://blog.csdn.net/lizhiyuanbest/article/details/104982284   在python中运行代码经常会遇到的情况是——代码可以正常运行但是会提示警告，有时特别讨厌。   那么如何来控制警告输出呢？其实很简单，python通过调用warnings模块中定义的warn()函数来发出警告。我们可以通过警告过滤器进行控制是否发出警告消息。 import warnings warnings.filterwarnings('ignore') ..
泰坦尼克号生存预测数据集
04-07
【泰坦尼克号生存预测数据集】是一个广泛用于机器学习初学者和数据分析爱好者的数据集，源自于1912年泰坦尼克号沉船事件的历史记录。这个数据集旨在预测在灾难发生时乘客的生存情况，帮助理解哪些因素可能影响乘客的...
泰坦尼克号数据集
最新发布
02-12
泰坦尼克号数据集。 Titanic数据集在数据分析领域是十分经典的数据集。泰坦尼克号轮船的沉没是历史上最为人熟知的海难事件之一。1912年4月15日，在她的处女航中，泰坦尼克号在与冰山相撞后沉没，在船上的 2224 名...
机器学习数据-泰坦尼克号
06-19
《泰坦尼克号数据集与机器学习中的特征工程解析》 在机器学习领域，数据的质量和处理方式往往决定了模型的预测精度。泰坦尼克号的数据集是一个经典的学习案例，它被广泛用于教学和实践，帮助初学者理解特征工程的...
泰坦尼克号数据集.csv
07-21
泰坦尼克号数据集.csv
【Python】warnings.filterwarnings(“ignore“) 解析
Danger的博客
03-14 2096
在python中运行代码经常会遇到的情况是——代码可以正常运行，但是会提示警告。那么如何来控制警告输出呢？其实很简单，python通过调用warnings模块中定义的warn()函数来发出警告。我们可以通过警告过滤器进行控制是否发出警告消息。
Python散点图绘制--Matplotlib详解
查数菇乐园
12-04 5698
散点图
Python解决画图中文显示不出来
weixin_45734379的博客
08-24 594
import warnings warnings.filterwarnings("ignore") # 忽略警告输出 %matplotlib inline plt.rcParams["font.family"] = 'Arial Unicode MS' #⽤来正常显示中⽂标签 plt.rcParams['axes.unicode_minus'] = False #⽤来正常显示负号 #有中⽂出现的情况，需要u'内容' ...
PyTorch实战——搭建PyTorch神经网络进行气温预测
weixin_61057398的博客
08-20 5753
PyTorch实战——搭建PyTorch神经网络进行气温预测
案例-Kaggle泰坦尼克号生存可视化分析
周红艳的博客
06-15 4395
#设置ast_node_interactivity = "all"使得可以同时输出多条语句 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity = "all" #导入需要的包 import pandas as pd import numpy as np ...
titanic代码注释
so__sunshine的博客
04-12 701
kaggle入门实践titanic的代码注释，原文链接http://ahmedbesbes.com/how-to-score-08134-in-titanic-kaggle-challenge.htmlimport warnings warnings.filterwarnings('ignore') #该行是指在notebook下将图片内嵌在交互窗口，而不是弹出一个窗口 %matplotlib in
Python画图出现方格乱码、忽略警告
CLW1218的博客
11-06 734
python中输入下列得到一个文件路径 import matplotlib matplotlib.matplotlib_fname() 在电脑中找到这个文件，用记事本打开，ctrl+f查找到 #font.family，在他的下面加入下面一行 #font.family: Microsoft YaHei 保存后重启python即可 出现乱码 import matplotlib as mpl mp...
练习：药店销售数据分析
名为不二的兔子的博客
04-03 7272
import pandas as pd filename='./朝阳医院2018年销售数据.xlsx' xls=pd.ExcelFile(filename,dtype='object') salesDF=xls.parse('Sheet1',dtype='object') 1.提出问题 从销售数据中分析出以下业务指标： 1）月均消费次数 2）月均消费金额 ...
Diabetes数据集线性回归：最小平方回归
名为不二的兔子的博客
04-03 4223
#加载Diabetes（糖尿病）数据集 from sklearn import datasets diabetes=datasets.load_diabetes() #数据前十列数值为生理数据，分别表示 #年龄，性别，体质指数，血压，S1,S2,S3,S4,S5,S6(六种血清的化验数据) diabetes.data[0] array([ 0.03807591, 0.05068012, ...
csdn 泰坦尼克号
12-25
CSDN泰坦尼克号是指中国软件开发者网站CSDN上关于泰坦尼克号的一系列技术文章和博客。这些文章涵盖了泰坦尼克号沉船事件的历史背景、船舶设计、沉船原因分析等方面的内容。在这些文章中，作者们通过数据分析、可视化...

“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