淘宝用户行为分析-1-数据处理（python）

最新推荐文章于 2024-04-08 03:33:34 发布
置顶 最新推荐文章于 2024-04-08 03:33:34 发布
阅读量1k 收藏 9
点赞数
分类专栏： 数据分析 文章标签： 数据分析 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/lvhuike/article/details/106203889
版权

项目数据来源：https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1
项目目的：尝试分析用户行为数据，了解这方面的指标，了解从行为数据中能得到什么规律和信息。
这篇博客主要记录我是怎么处理数据和做特征工程的。

1、读取数据，初步查看数据信息

#数据处理包
import pandas as pd
import numpy as np
df = pd.read_csv("UserBehavior.csv", sep=",", names=["User_ID","Item_ID","Category_ID","Behavior_type","Timestamp"])
# nrows参数设置读取的行数
# df = pd.read_csv("UserBehavior.csv", sep=",", names=["User_ID","Item_ID","Category_ID","Behavior_type","Timestamp"], nrows =500)
# sample 随机选取n行数据
# df = df.sample(n=1000000, replace=False, random_state=1, axis=0)
df.head()
User_IDItem_IDCategory_IDBehavior_typeTimestamp
0122683182520377pv1511544070
1123333462520771pv1511561733
212576651149192pv1511572885
3138308084181361pv1511593493
4143655852520377pv1511596146
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3835330 entries, 0 to 3835329
Data columns (total 5 columns):
 #   Column         Dtype 
---  ------         ----- 
 0   User_ID        int64 
 1   Item_ID        int64 
 2   Category_ID    int64 
 3   Behavior_type  object
 4   Timestamp      int64 
dtypes: int64(4), object(1)
memory usage: 146.3+ MB

df.describe()
User_IDItem_IDCategory_IDTimestamp
count3.835330e+063.835330e+063.835330e+063.835330e+06
mean2.411328e+052.578345e+062.711667e+061.511963e+09
std2.548230e+051.487859e+061.464903e+068.665418e+05
min1.000000e+003.000000e+002.171000e+034.401600e+04
25%1.299830e+051.294202e+061.349561e+061.511763e+09
50%1.786180e+052.576338e+062.725426e+061.511966e+09
75%2.255740e+053.860809e+064.145813e+061.512181e+09
max1.018011e+065.163067e+065.161669e+062.122867e+09
# 查看df有没有null值，每列总共有几个null值
df.isnull().sum()
User_ID          0
Item_ID          0
Category_ID      0
Behavior_type    0
Timestamp        0
dtype: int64

初步观察数据我们可以得到：数据一共有3835330条，有5列分别是：User_ID、Item_ID、Category_ID、Behavior_type、Timestamp，其中User_ID、Item_ID、Category_ID、Behavior_type、Timestamp这4列是整数类型，Behavior_type是字符类型，Timestamp需要后面转换成时间类型。数据比较干净，没有null值。

# 读取融合的CSV文件
# merge_dt = pd.read_csv( cwd  + '\\' + "UserBehavior.csv", encoding="utf_8", engine='python' ,iterator = True ) 
# # merge_dt  
# # output: <pandas.io.parsers.TextFileReader at 0x1cc1f0a7470>
# # 调用数据
# df = merge_dt.get_chunk(10000)

2、清洗数据

# 数据去重
print(df.shape)
list_ = df.columns.to_list()
df.drop_duplicates(list_, keep='first', inplace=True)
print(df.shape)
(3835330, 5)
(3835328, 5)

import datetime
import time
# 时间戳转成datetime再转成str
# df["date"] = df["Timestamp"].apply(lambda x: datetime.datetime.fromtimestamp(x).strftime('%Y-%m-%d'))
df["date"] = df["Timestamp"].apply(lambda x: datetime.datetime.fromtimestamp(x).date())
df["time"] = df["Timestamp"].apply(lambda x: datetime.datetime.fromtimestamp(x).strftime('%H'))
# df["time"] = df["Timestamp"].apply(lambda x: datetime.datetime.fromtimestamp(x).time())
del df['Timestamp']
df.head()
User_IDItem_IDCategory_IDBehavior_typedatetime
0122683182520377pv2017-11-2501
1123333462520771pv2017-11-2506
212576651149192pv2017-11-2509
3138308084181361pv2017-11-2515
4143655852520377pv2017-11-2515
# 偷个懒，把datetime直接分割成2列
# df[["date","time"]] = df["datetime"].str.split(' ', 1, expand=True)
# df.head()
df['date'].value_counts()
2017-12-02    532774
2017-12-03    528928
2017-12-01    417976
2017-11-26    406792
2017-11-30    400366
2017-11-25    395034
2017-11-29    390884
2017-11-27    382304
2017-11-28    378326
2017-11-24      1507
2017-11-23       181
2017-11-22        53
2017-11-19        33
2017-11-21        25
2017-11-20        20
2017-11-18        19
2017-11-17        18
2018-08-28        16
2017-11-03        14
2017-11-16        10
2017-11-14         6
2017-11-13         6
2017-12-04         6
2017-11-11         5
2017-11-15         4
2017-12-06         3
2017-11-10         2
2017-09-16         2
2017-07-03         2
2017-11-12         2
1970-01-01         1
2015-02-06         1
2017-10-31         1
2017-09-11         1
2017-11-02         1
2017-11-05         1
2017-10-10         1
2017-11-06         1
2037-04-09         1
2017-11-04         1
Name: date, dtype: int64

# 2017-11-25'至'2017-12-03'之外，数据量极少，删除不分析
print(df.shape)
# df['date'] = df['date'][df['date'].between('2017-11-25','2017-12-03', inclusive=True)]
df['date'] = df['date'][(df['date']>=datetime.date(2017,11,25)) & (df['date']<=datetime.date(2017,12,3))]
# 删除含有nnan的数据行
df = df.dropna(axis=0, how='any')
print(df.shape)
(3835328, 6)
(3833384, 6)

# 数据量较多时从星期的维度分析可能会发现一些规律，但是该项目只涉及9天即一周零2天，
# 从星期维度分析和按日期分析没什么区别，也可以不做这个特征工程。
df['week'] = df['date'].apply(lambda x: x.weekday()+1)
df.head()
User_IDItem_IDCategory_IDBehavior_typedatetimeweek
0122683182520377pv2017-11-25016
1123333462520771pv2017-11-25066
212576651149192pv2017-11-25096
3138308084181361pv2017-11-25156
4143655852520377pv2017-11-25156

3、RFM

df_rfm = df[df['Behavior_type']=='buy']
df_rfm.shape
(76705, 7)

# 看看有多少用户
# len(df_rfm['User_ID'].unique())
# 看看有多少订单（假设一个buy是一个订单，但是我们知道这只是假设，实际中一个订单会有多个产品）
# len(df_rfm['Behavior_type'])
# 增加各时间段，用来计算订单时间差
df_rfm['datediff'] = (datetime.date(2017,12,4) - df['date']).dt.days
df_rfm.head()
D:\Anconda\envs\pytorch\lib\site-packages\ipykernel_launcher.py:2: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
User_IDItem_IDCategory_IDBehavior_typedatetimeweekdatediff
7110016034762951233buy2017-11-251169
7310029710434869428buy2017-11-252169
1001005989292429887buy2017-11-271317
11910010462013002561buy2017-11-271517
12510016062584098232buy2017-11-272117
# 最近一次购买时间间隔
df_r = df_rfm.groupby(by=['User_ID'])['datediff'].agg([('r', 'min')])
# 购买次数
df_f = df_rfm.groupby(by=['User_ID'])['Behavior_type'].agg([('f', 'count')])
# 关联2个数据框
df_rfm_2 = df_r.join(df_f)
df_rfm_2.head()
rf
User_ID
10068
117610
11953
12191
12223
df_rfm_2.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 25400 entries, 100 to 1018011
Data columns (total 2 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   r       25400 non-null  int64
 1   f       25400 non-null  int64
dtypes: int64(2)
memory usage: 1.8 MB

df_rfm_2.describe()
rf
count25400.00000025400.000000
mean3.5359063.019882
std2.4057433.039492
min1.0000001.000000
25%1.0000001.000000
50%3.0000002.000000
75%5.0000004.000000
max9.00000084.000000
# 最近购买时间，一共9天，距今天分别是1-9，一共分成4段，划分点分别是：，距今越近分数越高，距今越远分数越低
# bins_r = df_rfm_2['r'].quantile(q=np.linspace(0, 1, num=5), interpolation='nearest')
bins_r = [1, 3, 5, 7, 9]
labels_r = np.arange(4, 0, -1)
df_rfm_2['r_score'] = pd.cut(df_rfm_2['r'], bins=bins_r, labels=labels_r, include_lowest=True)
df_rfm_2['r_score'].unique()
[2, 3, 1, 4]
Categories (4, int64): [4 < 3 < 2 < 1]

df_rfm_2['f'].value_counts()
1     8688
2     5899
3     3849
4     2321
5     1545
6      955
7      639
8      421
9      275
10     188
11     148
12     102
13      63
14      59
15      58
16      34
17      24
18      22
20      16
19      14
21      12
23      12
22       9
29       6
25       5
31       4
30       4
26       3
36       3
28       3
32       3
27       2
51       1
33       1
65       1
47       1
84       1
69       1
24       1
72       1
57       1
42       1
43       1
60       1
61       1
39       1
Name: f, dtype: int64

# 购买频率达到84次，分成4批，分割成1-21，22-43，44-65，66-84
bins_f = [1, 21, 43, 65, 84]
labels_f = np.arange(1, 5)
df_rfm_2['f_score'] = pd.cut(df_rfm_2['f'], bins=bins_f, labels=labels_f, include_lowest=True)
df_rfm_2['f_score'].unique()
[1, 2, 4, 3]
Categories (4, int64): [1 < 2 < 3 < 4]

df_rfm_2.head()
rfr_scoref_score
User_ID
1006821
11761021
1195331
1219111
1222341
# df_rfm_2['total_score'] = df_rfm_2.apply(lambda x: x['r_score'] + x['f_score'], axis=1)
# df_rfm_2['total_score'].value_counts()
df_rfm_2.describe()
rf
count25400.00000025400.000000
mean3.5359063.019882
std2.4057433.039492
min1.0000001.000000
25%1.0000001.000000
50%3.0000002.000000
75%5.0000004.000000
max9.00000084.000000
# df_rfm_2['r_score'] = df_rfm_2['r_score'].apply(lambda x: int(str(x)))
# df_rfm_2['f_score'] = df_rfm_2['f_score'].apply(lambda x: int(str(x)))
df_rfm_2.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 25400 entries, 100 to 1018011
Data columns (total 4 columns):
 #   Column   Non-Null Count  Dtype   
---  ------   --------------  -----   
 0   r        25400 non-null  int64   
 1   f        25400 non-null  int64   
 2   r_score  25400 non-null  category
 3   f_score  25400 non-null  category
dtypes: category(2), int64(2)
memory usage: 1.9 MB

# category类型转换成int数据类型
df_rfm_2[['r_score', 'f_score']] = df_rfm_2[['r_score', 'f_score']].astype(int)
df_rfm_2.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 25400 entries, 100 to 1018011
Data columns (total 4 columns):
 #   Column   Non-Null Count  Dtype
---  ------   --------------  -----
 0   r        25400 non-null  int64
 1   f        25400 non-null  int64
 2   r_score  25400 non-null  int32
 3   f_score  25400 non-null  int32
dtypes: int32(2), int64(2)
memory usage: 2.0 MB

df_rfm_2.describe()
rfr_scoref_score
count25400.00000025400.00000025400.00000025400.000000
mean3.5359063.0198823.2574411.003150
std2.4057433.0394921.0007990.065734
min1.0000001.0000001.0000001.000000
25%1.0000001.0000003.0000001.000000
50%3.0000002.0000004.0000001.000000
75%5.0000004.0000004.0000001.000000
max9.00000084.0000004.0000004.000000
# 从上面的describe函数得到r和f的均值分别是3.257441和1.003150
r_avg = 3
f_avg = 1
# bins = df_rfm_2['total_score'].quantile(q=np.linspace(0,1,num=5), interpolation='nearest')
# labels = ['一般维持客户','潜力客户','重要深耕客户','重要价值客户']
# df_rfm_2['label_customer'] = pd.cut(df_rfm_2['total_score'], bins=bins, labels=labels, include_lowest=True)
# 根据r和f均值把用户划分成4类
df_rfm_2['label_customer'] = np.where((df_rfm_2['r_score']>r_avg) & (df_rfm_2['f_score']>f_avg), '重要价值客户',
                                     np.where((df_rfm_2['r_score']>r_avg) & (df_rfm_2['f_score']<=f_avg), '重要维护客户',
                                             np.where((df_rfm_2['r_score']<=r_avg) & (df_rfm_2['f_score']>f_avg), '重要发展客户',
                                                     np.where((df_rfm_2['r_score']<=r_avg) & (df_rfm_2['f_score']<=f_avg), '一般客户', 
                                                              np.nan))))
df_rfm_2.head()
rfr_scoref_scorelabel_customer
User_ID
1006821一般客户
11761021一般客户
1195331一般客户
1219111一般客户
1222341重要维护客户
# 索引转化成普通列
df_rfm_2 = df_rfm_2.reset_index()
df_rfm_2.head()
User_IDrfr_scoref_scorelabel_customer
01006821一般客户
111761021一般客户
21195331一般客户
31219111一般客户
41222341重要维护客户
df.shape
(3833384, 7)

df_rfm_2 = df_rfm_2[['User_ID','label_customer']]
df_rfm_2.shape
(25400, 2)

# 数据关联
df = pd.merge(df, df_rfm_2, how='left', left_on='User_ID', right_on='User_ID')
df.shape
(3833384, 8)

df.head()
User_IDItem_IDCategory_IDBehavior_typedatetimeweeklabel_customer
0122683182520377pv2017-11-25016NaN
1123333462520771pv2017-11-25066NaN
212576651149192pv2017-11-25096NaN
3138308084181361pv2017-11-25156NaN
4143655852520377pv2017-11-25156NaN

4、产品分类

在实际电商中，会根据产品销量、利润和其他一些特征对产品进行分类，通常有爆款、旺款、在售、清仓等状态，这里用产品buy次数代替产品销量，对产品进行分类。

df_pro = df[df['Behavior_type']=='buy']
print(df_pro.shape)
# 查看Item_ID的销量
print(df_pro['Item_ID'].value_counts().describe())
df_4 = df_pro['Item_ID'].value_counts().reset_index()
# Item_ID太多，只查看下次数大于1的，方便后面设置分类的点
df_5 = df_4[df_4['Item_ID']>1]
print(df_5['Item_ID'].value_counts())
print(df_5['Item_ID'].describe())
df_4.head()
df_4.columns=['Item_ID','buy_num']
df_pro = pd.merge(df_pro, df_4, how='left', left_on='Item_ID', right_on='Item_ID')
df_pro['buy_num'].value_counts()
df_pro.head()
(76705, 8)
count    56726.000000
mean         1.352202
std          1.109932
min          1.000000
25%          1.000000
50%          1.000000
75%          1.000000
max         58.000000
Name: Item_ID, dtype: float64
2     6990
3     1940
4      819
5      411
6      197
7      138
8       95
9       68
10      38
11      31
13      18
12      17
15      13
14      12
18       6
17       5
16       3
23       3
21       2
22       2
19       2
26       1
58       1
27       1
25       1
20       1
32       1
Name: Item_ID, dtype: int64
count    10816.000000
mean         2.847171
std          1.923511
min          2.000000
25%          2.000000
50%          2.000000
75%          3.000000
max         58.000000
Name: Item_ID, dtype: float64
User_IDItem_IDCategory_IDBehavior_typedatetimeweeklabel_customerbuy_num
010016034762951233buy2017-11-25116一般客户3
110029710434869428buy2017-11-25216一般客户1
21005989292429887buy2017-11-27131一般客户1
310010462013002561buy2017-11-27151一般客户2
410016062584098232buy2017-11-27211一般客户1
df.shape
(3833384, 8)

df_pro = df_pro[['Item_ID','buy_num']]
df_pro.shape
(76705, 2)

# 去重，否则和df关联后会出现一对多的情况，使数据量太大
df_pro.drop_duplicates(['Item_ID'],keep='first',inplace=True)
df_pro.shape
(56726, 2)

df = pd.merge(df, df_pro, how='left', on='Item_ID')
df.shape
(3833384, 9)

# 设置分界条件对产品进行分类
df['pro_type'] = np.where(df['buy_num']>=9,'爆款',np.where(df['buy_num']>=3,'旺款',np.where(df['buy_num']>0,'在售','清仓')))
del df['buy_num']
df.head()
User_IDItem_IDCategory_IDBehavior_typedatetimeweeklabel_customerpro_type
0122683182520377pv2017-11-25016NaN在售
1123333462520771pv2017-11-25066NaN在售
212576651149192pv2017-11-25096NaN清仓
3138308084181361pv2017-11-25156NaN清仓
4143655852520377pv2017-11-25156NaN清仓
df.to_csv("bi_tmall_users.csv", sep=",", index=False)
小步积
关注
专栏目录
淘宝用户行为分析（Python）
m0_50102824的博客
08-02 1683
一、认识数据 1.1 数据来源及介绍 本数据来源于阿里云天池，是其随机选择约100万用户在2017年11月25日至12月3日之间发生的行为记录，具有包括点击、购买、加购物车和收藏商品的行为。数据集的每一行表示一条用户行为，由用户ID、商品ID、商品类目ID、行为类型和时间戳组成，并以逗号分隔。 数据链接：https://tianchi.aliyun.com/dataset/dataDetail?dataId=649 1.2 数据格式 字段说明： User ID: 用户ID Item ID: 商
Python数据分析-淘宝用户行为分析
Xun_X2的博客
12-12 2171
淘宝用户行为分析 1.1背景信息 因双12活动结束，分析双12活动用户购买行为，后续可以结合更多节假日时机复制双12活动制造流量热点 1.2数据信息 说明：数据为淘宝APP2014年11月18日至2014年12月18日的用户行为数据，共计6列字段 来源：阿里天池项目数据集 字段： user_id：用户身份，脱敏 item_id：商品ID，脱敏 behavior_type：用户行为类型（包含点击、收藏、加购物车、支付四种行为，分别用数字1、2、3、4表示） user_geohash：地理位置 item_cat
数据分析项目｜淘宝用户行为分析（Python+可视化）
m0_74942241的博客
02-06 6764
数据分析项目｜淘宝用户行为分析（Python+可视化）
Python项目实战 —— 04. 淘宝用户行为分析
share16的博客
08-29 3099
Python项目实战：04. 淘宝用户行为分析
用Python对淘宝用户行为数据的分析
m0_57376367的博客
07-12 1万+
用户行为数据分析
18 - python淘宝用户行为分析
08-11
通过这个项目，我们可以学习到如何利用Python进行大数据处理，如何运用统计学和机器学习方法揭示隐藏在用户行为数据背后的模式，以及如何将这些洞察转化为商业价值。此外，还会涉及到数据清洗、异常值处理、数据安全...
1 亿条淘宝用户行为数据分析项目（代码+文档）
09-04
技术栈：清洗 hive + 分析 hive + 可视化 echarts 处理方式：离线模式 数据集文件请在csdn资源中需找下载（是有的）。 或者也可在阿里云数据集自行下载：...
淘宝母婴商品分析-Python
12-21
淘宝母婴商品分析是一个重要的商业活动，它涉及到对淘宝天猫平台上母婴产品的销售数据进行深度挖掘，以便更好地理解市场趋势，制定有效的运营策略，提升销售额。在这个分析项目中，我们使用Python作为主要工具，通过...
Python数据分析与可视化项目电商类-母婴市场消费数据分析-约350行（pyecharts可视化、数据分析）.zip
07-10
3. **Pandas库**：Pandas是Python中的一个核心数据处理库，提供了DataFrame和Series等数据结构，便于进行数据操作和分析。在本项目中，Pandas可能被用来加载数据文件，进行数据筛选、合并和转换。 4. **Numpy库**：...
淘宝APP用户行为数据分析研究 python代码——data_analysis.ipynb
10-05
淘宝APP用户行为数据分析研究 python代码 分析了淘宝APP用户行为数据记录，根据数据集内容的特征，主要从流量指标、用户类指标、用户行为以及用户购买商品四大方面进行入手分析，以下为本次分析的一些结论和建议。
python爬取淘宝信息并作分析
03-08
Python利用bs4 分析网页进行爬取，利用numpy matplotlib pandas进行分析展示。
使用python对淘宝商品信息数据进行爬取
01-13
使用python对淘宝数据进行爬取，浏览器需要设置为搜狐浏览器，若不是搜狐浏览器，则需要对浏览器对象进行更改。
eCommerce_Customer_Behavior
04-21
eCommerce_Customer_Behavior
customer.csv
06-20
共850条数据
Tianchi_power.csv
05-14
扬中市高新区1000多家企业2015年、2016年每日用电量数据，适用于深度学习及机器学习的研究者进行电网负荷预测，有助于推动电力系统需求响应的进一步发展。
Python大数据-对淘宝用户的行为数据分析
最新发布
2401_84009949的博客
04-08 1126
import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport osdata.shape[0]总流量为12256906，在计算一下日平均流量、日平均独立访客数##日PVpv_daily = data.groupby([‘date’])[‘user_id’].count().reset_index().rename(columns={‘user_id’:‘pv_daily’})pv_daily.head()##日UVuv_d
Python数据分析实战项目——淘宝用户行为分析
2301_76427842的博客
03-19 3439
根据独立用户维度来看，用户的点击购买转化率较高，但是从整体来看，点击量到购买量的转化率很低，说明用户在点击之后并不一定会购买，在进行大量商品浏览对比之后，才会有购买意向。根据跳失率和复购率来看，用户整体粘性较高，商品具有足够的吸引力并且可以满足用户的需求。可以收集用户画像，进行精准推送，并对用户进行精心维护，减少流失。
淘宝APP用户行为数据分析案例(附python代码及注释)
热门推荐
DriverCSDN的博客
01-06 1万+
淘宝APP用户行为数据分析案例 一．分析背景与目的 1.1背景与数据限制 电商平台的最核心的功能就是为买卖双方提供高效和体验良好的交易服务。得益于算法技术的发展，淘宝APP给买方提供了搜索、推荐及广告等系统和功能，使用户能高效地触达感兴趣或有购买意愿的商品。上述系统和功能来源于海量的用户行为数据，而此后的数据变化又反馈到系统中，不断提升系统和功能的能效。此外，对于其他的如优惠活动，购物节，APP...
5 Python数据分析 淘宝用户行为分析案例(One-Hot编码) pandas.Timestamp apply，applymap和map
健浩的博客
07-18 1006
Python数据分析 1 Pandas时间处理 1.1 to_datetime to_datetime用于将指定时间格式的数据转换成时间序列。 字符串 => 时间序列，使用参数format指定字符串的时间格式。 # 2013-12-11的时间格式为%Y-%m-%d pd.to_datetime('2013-12-11', format="%Y-%m-%d") # Timestamp('2013-12-11 00:00:00') # 11/12/2013的时间格式为%d/%m/%Y pd.to_
大数据电商用户行为分析 -python 大数据
10-19
这篇数据报告主要是针对淘宝app平台的用户行为进行分析，通过多个指标来探索淘宝用户的行为模式。其中包括日PV和日UV分析、付费率分析、复购行为分析、漏斗流失分析和用户价值RFM分析等。在具体的分析过程中，使用了Python语言和大数据技术来处理和分析数据。引用和引用则是对用户消费次数的分布情况进行了分析，可以看出大多数用户消费次数比较少。如果想要更深入地了解淘宝用户行为分析，可以参考这篇数据报告。
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