多元线性回归之预测房价

最新推荐文章于 2024-05-10 13:39:50 发布
最新推荐文章于 2024-05-10 13:39:50 发布
阅读量2k 收藏 7
点赞数
文章标签： 线性回归 回归 机器学习
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/m0_59416558/article/details/120961141
版权

文章目录

一、多元线性回归

在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。

问题概述：
市场房价的走向受到多种因素的影响，通过对影响市场房价的多种因素进行分析，有助于对未来房价的走势进行较为准确的评估。
多元线性回归适用于对受到多因素影响的数据进行分析的场景。由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。本文基于数学模型，对过去一段时间某一地区的房屋出售价格等相关数据进行整理，利用多元线性回归的方法对数据进行分析，预测该地区未来的房价走势。

二、数据清洗

（一）数值数据处理

  1. 数据集主要问题

数据缺失
数据不一致
存在“脏”数据
数据不规范

该数据集主要存在如下问题：数据缺失，存在某些数据等于0
在这里插入图片描述
2. 删除重复数据
首先选中需要处理的数据，再选择数据——数据工具——删除重复值
在这里插入图片描述
利用唯一标识house_id，删除重复值
在这里插入图片描述
3. 升序排列
在筛选和排序一栏，选择升序
在这里插入图片描述
在这里插入图片描述
4. 缺失值处理
选中地址列的数据区域即bedrooms所在的列
在这里插入图片描述
点击数据——筛选——图中下拉三角形
在这里插入图片描述
筛选值为0，点击确定
在这里插入图片描述
选中删除bedrooms值为0的所有行
在这里插入图片描述
以同样的方法删除bathrooms值为0的行
最终结果：
在这里插入图片描述

（二）非数值型数据转换

在原始数据中，neighborhood和style为非数值型数据。需要转换成数值型数据才能够进行回归分析。

  1. 开始——查找和替换——替换
    在这里插入图片描述
  2. 选中neighborhood所在的列进行替换，把原数据的A、B、C替换为10、20、30
    在这里插入图片描述
    替换成功
    在这里插入图片描述
  3. 以同样的方式替换style，将原数据的victorian、ranch、lodge替换为100、200、300
    在这里插入图片描述
    替换结果
    在这里插入图片描述

三、使用EXCEL进行线性回归

  1. 选择数据，再选择数据分析中的回归，点击确定
    在这里插入图片描述
  2. 以X和Y值区间

①以price作为Y值输入区间
②以neighborhood、area、bedrooms、bathrooms、style作为X值输入区间
③输出显示区域选择
④勾选残差
⑤点击确定

在这里插入图片描述
3. 输出结果
在这里插入图片描述

四、Python中分析

（一）不借助sklearn库

1. 基础包与数据导入

  1. 导入包
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
  1. 读取文件house_prices.csv’数据
df = pd.read_csv('D:/house_prices.csv')
df.info(); df.head()

输出结果：
在这里插入图片描述

2. 变量探索

  1. 数据处理
# 异常值处理
# ================ 异常值检验函数：iqr & z分数 两种方法 =========================
def outlier_test(data, column, method=None, z=2):
    """ 以某列为依据，使用 上下截断点法 检测异常值(索引) """
    """ 
    full_data: 完整数据
    column: full_data 中的指定行，格式 'x' 带引号
    return 可选; outlier: 异常值数据框 
    upper: 上截断点;  lower: 下截断点
    method：检验异常值的方法（可选, 默认的 None 为上下截断点法），
            选 Z 方法时，Z 默认为 2
    """
    # ================== 上下截断点法检验异常值 ==============================
    if method == None:
        print(f'以 {column} 列为依据，使用 上下截断点法(iqr) 检测异常值...')
        print('=' * 70)
        # 四分位点；这里调用函数会存在异常
        column_iqr = np.quantile(data[column], 0.75) - np.quantile(data[column], 0.25)
        # 1，3 分位数
        (q1, q3) = np.quantile(data[column], 0.25), np.quantile(data[column], 0.75)
        # 计算上下截断点
        upper, lower = (q3 + 1.5 * column_iqr), (q1 - 1.5 * column_iqr)
        # 检测异常值
        outlier = data[(data[column] <= lower) | (data[column] >= upper)]
        print(f'第一分位数: {q1}, 第三分位数：{q3}, 四分位极差：{column_iqr}')
        print(f"上截断点：{upper}, 下截断点：{lower}")
        return outlier, upper, lower
    # ===================== Z 分数检验异常值 ==========================
    if method == 'z':
        """ 以某列为依据，传入数据与希望分段的 z 分数点，返回异常值索引与所在数据框 """
        """ 
        params
        data: 完整数据
        column: 指定的检测列
        z: Z分位数, 默认为2，根据 z分数-正态曲线表，可知取左右两端的 2%，
           根据您 z 分数的正负设置。也可以任意更改，知道任意顶端百分比的数据集合
        """
        print(f'以 {column} 列为依据，使用 Z 分数法，z 分位数取 {z} 来检测异常值...')
        print('=' * 70)
        # 计算两个 Z 分数的数值点
        mean, std = np.mean(data[column]), np.std(data[column])
        upper, lower = (mean + z * std), (mean - z * std)
        print(f"取 {z} 个 Z分数：大于 {upper} 或小于 {lower} 的即可被视为异常值。")
        print('=' * 70)
        # 检测异常值
        outlier = data[(data[column] <= lower) | (data[column] >= upper)]
        return outlier, upper, lower
  1. 调用函数
outlier, upper, lower = outlier_test(data=df, column='price', method='z')
outlier.info(); outlier.sample(5)
  1. 删除错误数据
# 这里简单的丢弃即可
df.drop(index=outlier.index, inplace=True)

3. 分析数据

  1. 定义变量
# 类别变量，又称为名义变量，nominal variables
nominal_vars = ['neighborhood', 'style']

for each in nominal_vars:
    print(each, ':')
    print(df[each].agg(['value_counts']).T)
    # 直接 .value_counts().T 无法实现下面的效果
     ## 必须得 agg，而且里面的中括号 [] 也不能少
    print('='*35)
    # 发现各类别的数量也都还可以，为下面的方差分析做准备

在这里插入图片描述
2. 热力图查看变量关联性

# 热力图 
def heatmap(data, method='pearson', camp='RdYlGn', figsize=(10 ,8)):
    """
    data: 整份数据
    method：默认为 pearson 系数
    camp：默认为：RdYlGn-红黄蓝；YlGnBu-黄绿蓝；Blues/Greens 也是不错的选择
    figsize: 默认为 10，8
    """
    ## 消除斜对角颜色重复的色块
    #     mask = np.zeros_like(df2.corr())
    #     mask[np.tril_indices_from(mask)] = True
    plt.figure(figsize=figsize, dpi= 80)
    sns.heatmap(data.corr(method=method), \
                xticklabels=data.corr(method=method).columns, \
                yticklabels=data.corr(method=method).columns, cmap=camp, \
                center=0, annot=True)
    # 要想实现只是留下对角线一半的效果，括号内的参数可以加上 mask=mask
  1. 调用函数输出结果
# 通过热力图可以看出 area，bedrooms，bathrooms 等变量与房屋价格 price 的关系都还比较强
 ## 所以值得放入模型，但分类变量 style 与 neighborhood 两者与 price 的关系未知
heatmap(data=df, figsize=(6,5))

在这里插入图片描述

4. 拟合

1. 引入模型
刚才的探索我们发现，style 与 neighborhood 的类别都是三类， 如果只是两类的话我们可以进行卡方检验，所以这里我们使用方差分析

利用回归模型中的方差分析，只有 statsmodels 有方差分析库， 从线性回归结果中提取方差分析结果

import statsmodels.api as sm
from statsmodels.formula.api import ols # ols 为建立线性回归模型的统计学库
from statsmodels.stats.anova import anova_lm

数据集样本随机选择 600 条

df = df.copy().sample(600)

# C 表示告诉 Python 这是分类变量，否则 Python 会当成连续变量使用
## 这里直接使用方差分析对所有分类变量进行检验
## 下面几行代码便是使用统计学库进行方差分析的标准姿势
lm = ols('price ~ C(neighborhood) + C(style)', data=df).fit()
anova_lm(lm)

# Residual 行表示模型不能解释的组内的，其他的是能解释的组间的
# df: 自由度（n-1）- 分类变量中的类别个数减1
# sum_sq: 总平方和（SSM），residual行的 sum_eq: SSE
# mean_sq: msm, residual行的 mean_sq: mse
# F：F 统计量，查看卡方分布表即可
# PR(>F): P 值

# 反复刷新几次，发现都很显著，所以这两个变量也挺值得放入模型中

输出结果：
在这里插入图片描述
2. 多元线性回归建模

from statsmodels.formula.api import ols

lm = ols('price ~ area + bedrooms + bathrooms', data=df).fit()
lm.summary()

输出结果：
在这里插入图片描述
3. 模型优化
发现精度还不够高，这里通过添加虚拟变量与使用方差膨胀因子检测多元共线性的方式来提升模型精度

# 设置虚拟变量
# 以名义变量 neighborhood 街区为例
nominal_data = df['neighborhood']

# 设置虚拟变量
dummies = pd.get_dummies(nominal_data)
dummies.sample()  # pandas 会自动帮你命名

# 每个名义变量生成的虚拟变量中，需要各丢弃一个，这里以丢弃C为例
dummies.drop(columns=['C'], inplace=True)
dummies.sample()

在这里插入图片描述
结果与原数据集拼接

# 将结果与原数据集拼接
results = pd.concat(objs=[df, dummies], axis='columns')  # 按照列来合并
results.sample(3)
# 对名义变量 style 的处理可自行尝试

输出结果：
在这里插入图片描述
4. 再次建模

# 再次建模
lm = ols('price ~ area + bedrooms + bathrooms + A + B', data=results).fit()
lm.summary()

输出结果：
在这里插入图片描述
5. 处理多元共线性
自定义方差膨胀因子的检测公式

def vif(df, col_i):
    """
    df: 整份数据
    col_i：被检测的列名
    """
    cols = list(df.columns)
    cols.remove(col_i)
    cols_noti = cols
    formula = col_i + '~' + '+'.join(cols_noti)
    r2 = ols(formula, df).fit().rsquared
    return 1. / (1. - r2)

函数调用

test_data = results[['area', 'bedrooms', 'bathrooms', 'A', 'B']]
for i in test_data.columns:
    print(i, '\t', vif(df=test_data, col_i=i))
# 发现 bedrooms 和 bathrooms 存在强相关性，可能这两个变量是解释同一个问题

输出结果：
在这里插入图片描述
6. 再次拟合
bedrooms 和 bathrooms 这两个变量的方差膨胀因子较高，印证了方差膨胀因子大多成对出现的原则，这里我们丢弃膨胀因子较大的bedrooms 即可

lm = ols(formula='price ~ area + bathrooms + A + B', data=results).fit()
lm.summary()

输出结果：
在这里插入图片描述
还是存在多元共线性，再次检测

test_data = df[['area', 'bathrooms']]
for i in test_data.columns:
    print(i, '\t', vif(df=test_data, col_i=i))

在这里插入图片描述

（二）借助sklearn库

1. 不进行数据处理

  1. 导入包和数据
import pandas as pd
import numpy as np
import math
import matplotlib.pyplot as plt # 画图
from sklearn import linear_model # 线性模型
data = pd.read_csv('D:/house_prices.csv') #读取数据
data.head() #数据展示

在这里插入图片描述
2. 去除第一列house_id

new_data=data.iloc[:,1:] #除掉id这一列
new_data.head()

在这里插入图片描述
3. 关系系数矩阵显示

new_data.corr() # 相关系数矩阵,只统计数值列

在这里插入图片描述
4. 赋值变量

x_data = new_data.iloc[:, 0:5] #area、bedrooms、bathroom对应列
y_data = new_data.iloc[:, -1] #price对应列
print(x_data, y_data, len(x_data))

在这里插入图片描述
5. 建立模型并输出结果

# 应用模型
model = linear_model.LinearRegression()
model.fit(x_data, y_data)
print("回归系数：", model.coef_)
print("截距：", model.intercept_)
print('回归方程: price=',model.coef_[0],'*neiborhood+',model.coef_[1],'*area +',model.coef_[2],'*bedrooms +',model.coef_[3],'*bathromms +',model.coef_[4],'*sytle ',model.intercept_)

在这里插入图片描述

（二）对数据进行清洗后再求解

  1. 赋值新变量
new_data_Z=new_data.iloc[:,0:]
new_data_IQR=new_data.iloc[:,0:]
  1. 异常值处理
# ================ 异常值检验函数：iqr & z分数 两种方法 =========================
def outlier_test(data, column, method=None, z=2):
    """ 以某列为依据，使用 上下截断点法 检测异常值(索引) """
    """ 
    full_data: 完整数据
    column: full_data 中的指定行，格式 'x' 带引号
    return 可选; outlier: 异常值数据框 
    upper: 上截断点;  lower: 下截断点
    method：检验异常值的方法（可选, 默认的 None 为上下截断点法），
            选 Z 方法时，Z 默认为 2
    """
    # ================== 上下截断点法检验异常值 ==============================
    if method == None:
        print(f'以 {column} 列为依据，使用 上下截断点法(iqr) 检测异常值...')
        print('=' * 70)
        # 四分位点；这里调用函数会存在异常
        column_iqr = np.quantile(data[column], 0.75) - np.quantile(data[column], 0.25)
        # 1，3 分位数
        (q1, q3) = np.quantile(data[column], 0.25), np.quantile(data[column], 0.75)
        # 计算上下截断点
        upper, lower = (q3 + 1.5 * column_iqr), (q1 - 1.5 * column_iqr)
        # 检测异常值
        outlier = data[(data[column] <= lower) | (data[column] >= upper)]
        print(f'第一分位数: {q1}, 第三分位数：{q3}, 四分位极差：{column_iqr}')
        print(f"上截断点：{upper}, 下截断点：{lower}")
        return outlier, upper, lower
    # ===================== Z 分数检验异常值 ==========================
    if method == 'z':
        """ 以某列为依据，传入数据与希望分段的 z 分数点，返回异常值索引与所在数据框 """
        """ 
        params
        data: 完整数据
        column: 指定的检测列
        z: Z分位数, 默认为2，根据 z分数-正态曲线表，可知取左右两端的 2%，
           根据您 z 分数的正负设置。也可以任意更改，知道任意顶端百分比的数据集合
        """
        print(f'以 {column} 列为依据，使用 Z 分数法，z 分位数取 {z} 来检测异常值...')
        print('=' * 70)
        # 计算两个 Z 分数的数值点
        mean, std = np.mean(data[column]), np.std(data[column])
        upper, lower = (mean + z * std), (mean - z * std)
        print(f"取 {z} 个 Z分数：大于 {upper} 或小于 {lower} 的即可被视为异常值。")
        print('=' * 70)
        # 检测异常值
        outlier = data[(data[column] <= lower) | (data[column] >= upper)]
        return outlier, upper, lower
  1. price 列为依据，使用 Z 分数法，z 分位数取 2 来检测异常值
outlier, upper, lower = outlier_test(data=new_data_Z, column='price', method='z')
outlier.info(); outlier.sample(5)

# 这里简单的丢弃即可
new_data_Z.drop(index=outlier.index, inplace=True)

在这里插入图片描述
4. price 列为依据，使用 上下截断点法(iqr) 检测异常值

outlier, upper, lower = outlier_test(data=new_data_IQR, column='price')
outlier.info(); outlier.sample(6)

# 这里简单的丢弃即可
new_data_IQR.drop(index=outlier.index, inplace=True)

在这里插入图片描述
5. 输出原数据相关矩阵

print("原数据相关性矩阵")
new_data.corr()

在这里插入图片描述
6. Z方法处理的数据相关性矩阵

#在这里插入代码片
print("Z方法处理的数据相关性矩阵")
new_data_Z.corr()

在这里插入图片描述
7. IQR方法处理的数据相关性矩阵

print("IQR方法处理的数据相关性矩阵")
new_data_IQR.corr()

在这里插入图片描述
8. 建模输出

x_data = new_data_Z.iloc[:, 0:5]
y_data = new_data_Z.iloc[:, -1]
# 应用模型
model = linear_model.LinearRegression()
model.fit(x_data, y_data)
print("回归系数：", model.coef_)
print("截距：", model.intercept_)
print('回归方程: price=',model.coef_[0],'*neiborhood+',model.coef_[1],'*area +',model.coef_[2],'*bedrooms +',model.coef_[3],'*bathromms +',model.coef_[4],'*sytle ',model.intercept_)

在这里插入图片描述

总结

首先是了解了多元回归模型的相关概念，构建模型的基本步骤。通过利用excel 和sklearn 库等方法进行多元线性回归，也是感受到多元线性回归比一元线性回归更更加实用。

参考

https://blog.csdn.net/weixin_43196118/article/details/108462140
https://www.cnblogs.com/chouxianyu/p/11704665.html
https://blog.csdn.net/m0_45305539/article/details/111242240

路过_听雨声
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
jupyter多元线性回归算法预测房价
weixin_46129506的博客
10-25 6400
目录一、概念二、Excel预测房价三、Python预测房价（不用Sklearn）1.上传数据文件2.导入数据3.数据清洗4.热力图5.多元线性回归建模6.模型末尾提示可能存在多元共线性，需要处理一下四、使用Sklearn包预测房价（一）不处理数据1.导入相关包和数据2.多元线性回归（二）处理数据1.异常值处理2.进行多元线性回归五、三种方式对比六、总结参考资料 一、概念 社会经济现象的变化往往受到多个因素的影响，因此，一般要进行多元回归分析，我们把包括两个或两个以上自变量的回归称为多元线性回归 。 多元
多元线性回归预测房价
qq_55691662的博客
10-30 311
文章目录一、利用Jupyter实现 一、利用Jupyter实现
多元线性回归算法预测房价
weixin_56102526的博客
10-25 4136
多元线性回归算法预测房价一、理论学习（一）背景（二）线性回归检验二、数据清洗（一）数值数据处理（二）非数值型数据转换三、Excel多元线性回归四、多元线性回归模型预测房价（一)基础包与数据导入（二）变量探索（三）分析数据（四）拟合四、sklearn多元线性回归预测房价（一）不进行数据处理（二）对数据进行清洗后再求解五、总结六、参考资料 一、理论学习 学习参考资料“多元线性回归模型预测房价.ipynb”，自己实践重新做一下针对房屋数据集“house_prices.csv”的多元线性回归（基于统计分析库sta
【机器学习】线性回归：以房价预测为例
最新发布
richard_yuu的博客
05-10 2922
线性回归是一种通过拟合自变量（特征）与因变量（目标）之间的线性关系，来预测目标变量值的统计方法。在房价预测中，自变量可能包括房屋的面积、卧室数量、地理位置等，而因变量则是房价。通过收集大量数据，我们可以使用线性回归算法来建立自变量与房价之间的数学模型，进而预测新的房屋价格。通过本文的介绍，我们了解了线性回归在房价预测中的应用。通过收集数据、预处理数据、选择特征、建模、评估与优化等步骤，我们可以建立一个准确的房价预测模型。
多元线性回归模型预测房价
weixin_47306453的博客
11-01 4484
一、基础包导入 import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt df = pd.read_csv('house_prices.csv') df.info(); df.head() 二、变量探索 # 异常值处理 # ================ 异常值检验函数：iqr & z分数 两种方法 ========================= def out
python源码集锦-多元线性回归模型预测房价
03-13
通过上述步骤，你将能够使用Python构建一个多元线性回归模型来预测房价。源码集锦可能包含了整个过程的详细示例，包括数据加载、数据预处理、模型训练、模型评估以及结果可视化。这将是你学习和实践这一技术的宝贵...
线性回归实现波士顿房价预测
07-15
在这个案例中，我们关注的是如何使用线性回归来预测波士顿地区的房价。波士顿房价数据集是机器学习领域的一个经典数据集，包含了1978年波士顿郊区15个属性的住房信息，例如犯罪率、房间数量、学生-教师比例等，以及...
多元线性回归预测房价算法pythons实现
10-07
下面我们将深入探讨如何通过Python实现多元线性回归模型，并用ex1data2.txt数据集进行房价预测。 首先，我们需要导入所需的库： ```python import numpy as np import pandas as pd from sklearn.model_selection ...
基于线性回归实现波士顿房价预测.zip
11-12
《基于线性回归实现波士顿房价预测》 在当今的机器学习领域，线性回归是一种基础且重要的预测模型，广泛应用于各种数据科学项目中。本资料包专注于使用线性回归来预测波士顿地区的房价，是初学者理解并实践机器学习...
使用多元线性回归的房价预测-研究论文
05-20
每个人的生活中都有一个点，那就是该人希望购买或出售房屋。...本文将有助于基于各种参数来预测房价。 用户将能够输入他们想要购买的房屋类型，并在机器学习的帮助下，房屋价格预测器将显示所需房屋的估计价格。
机器学习房价预测数据集，多元线性回归预测房价数据集
01-17
在本数据集中，我们关注的是使用机器学习方法，特别是多元线性回归，来预测房价这一核心问题。房价预测是数据分析领域中的一个经典案例，对于房地产市场分析、投资者决策以及政策制定都具有重要意义。 首先，我们要...
基于多元线性回归的股价分析及预测
08-04
摘要：中国是世界上最大的发展中国家，中国股票市场的股票价格是序列相关的，这意味着股票的历史信息可以用来预测未来股价。本文以沪深300指数为实例，以其成交金额、最
多元线性回归java实现
11-28
根据随机变量y及自变量x0,x1...xm-1的n组观测值做线性回归分析，简单实例，有注释，Java实现
波士顿房价的多元线性回归的jupyter 文件
12-15
使用于TensorFlow2 的多变量波士顿房价预测模型的代码，用于线性回归分析，此为直接在Anaconda的Jupyter 上使用
基于梯度下降法的线性回归模型预测房价
06-06
基于梯度下降法的线性回归模型预测房价，进行多元线性回归，其中包括一套关于房价预测的数据和基于numpy和pandas基础库的源代码
一元线性回归示例—房价预测
08-23
因此，多元线性回归或者更复杂的模型（如决策树、随机森林、神经网络）可能会提供更好的预测结果。不过，一元线性回归是理解机器学习和预测模型的入门级示例，对于初学者来说是一个很好的起点。
多元线性回归预测.zip
02-29
训练结果数集(pdf)与源代码。 通过梯度下降优化器进行优化，尝试采用不同的学习率和训练轮数等超参数，记录训练后的损失值和W、b变量值。 提交要求： ...1、至少5次不同超参数的运行结果的记录文档（word格式或者...
多元线性回归及其算法实现（梯度下降法）
01-07
上一篇文章讲述了梯度下降法的数学思想，趁热打铁，这篇博客笔者将使用梯度下降法完成多元线性回归，话不多说，直接开始。 我们假设我们的目标函数是长这样的： import numpy as np import pandas as pd # 读入...
多元线性回归分析预测房价
05-09
多元线性回归是一种常用的预测房价的方法，它可以分析多个因素对房价的影响，并建立数学模型进行预测。 在多元线性回归分析中，我们需要收集并整理一定量的数据，包括各种可能影响房价的因素，比如房屋面积、地理位置、周边环境、建筑年代等等。然后，我们需要使用统计方法来分析这些因素之间的关系，并建立一个多元线性回归模型，该模型可以用来预测房价。 建立多元线性回归模型的过程中，我们需要考虑到各个因素的权重及其对房价的影响程度，并对模型进行优化和调整。最终，我们可以使用该模型来预测房价，并根据实际情况进行调整和修正。 需要注意的是，多元线性回归分析需要大量的数据和专业知识，需要进行合理的数据预处理、模型建立和参数优化等等，因此建议在实际应用中寻求专业人士的帮助。
评论 1
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