Python回归、聚类、相关分析上海公租房租金满意度影响因素数据可视化

于 2024-07-17 20:15:39 发布
阅读量1k 收藏 22
点赞数 21
文章标签： python 回归 聚类
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/qq_19600291/article/details/140496529
版权

全文链接：https://tecdat.cn/?p=37013

原文出处：拓端数据部落公众号

随着城市化进程的加速，住房问题日益成为城市居民关注的焦点。公租房作为政府为解决中低收入家庭住房困难而推出的一种重要住房保障形式，其租金水平、居住条件及租住体验直接关系到广大租户的切身利益和生活质量。因此，深入研究公租房租金满意度的影响因素，不仅有助于提升公租房的管理和服务水平，还能为政府制定更加科学合理的住房政策提供有力支持。

近年来，数据分析与可视化技术在社会科学领域的应用日益广泛，为复杂问题的研究提供了强有力的工具。Python作为一种功能强大的编程语言，凭借其丰富的数据处理库和可视化工具，成为了数据分析领域的首选工具之一。本文旨在利用Python的回归、聚类及相关分析等方法，对上海地区公租房租金满意度的影响因素进行深入探讨，并通过数据可视化的方式直观展示分析结果，以期为相关政策制定者和管理者提供有价值的参考。

这份数据集涵盖了上海地区公租房租户的多方面信息，既有个人基本信息、工作与生活状况，也有对租住体验及政策看法的详细调查。

在这里插入图片描述

描述统计分析


df = pd.read_excel(file_path)

# 显示数据的前几行以了解其结构
df.head()

根据提供的数据，我们可以从以下几个方面进行分析：

  1. 居住空间与通勤成本的关联：分析公租房的分布特点与就业热点区域之间的空间关系，评估不同居住位置对通勤时间、交通费用等通勤成本的影响。
  2. 交通设施与通勤效率：考察公共交通系统（地铁、公交、共享单车等）的覆盖程度、运营效率及对群体通勤的便利性，探讨如何通过优化交通网络降低通勤成本。
  3. 政策效应评估：分析公租房政策在缓解住房压力的同时，对其通勤成本产生的直接或间接影响，评估政策的有效性与改进空间。
  4. 生活空间优化建议：基于上述分析，从城市住房政策调整、公租房布局优化、交通基础设施建设与升级等多个维度，提出降低外来群体通勤成本、提升其生活品质的具体建议。

我将首先创建饼图，然后逐步进行其他类型的图表。

python复制
# 选择适合绘制饼图的分类变量 - 例如“您的性别.”
gender_counts = df['您的性别.'].value_counts()

# 绘制饼图
plt.figure(figsize=(8, 8))
plt.pie(gender_counts, labels=gender_counts.index, autopct='%1.1f%%', startangle=140, colors=normalized_colors[:2])
plt.title('性别分布')
plt.show()

分析结果

  1. 饼图 - 性别分布

    • 图表展示了调查对象中性别的分布情况。

接下来，创建环状直方图来展示数值变量的分布。

在这里插入图片描述

分析结果

  1. 环状直方图 - 平均月收入分布

    • 图表展示了调查对象的平均月收入分布情况，每个区间的宽度代表该收入区间的人数。

在这里插入图片描述

接下来，进行数据分析。

1. 居住空间与通勤成本的关联分析

分析公租房的分布特点与就业热点区域之间的空间关系。
这里我们使用“您的工作所在地”和“您的平均月收入”作为代表。

在这里插入图片描述

在这里插入图片描述

分析结果

  1. 居住空间与通勤成本的关联

    • 工作所在地分布：图表显示了不同工作地点的人数分布。可以看出，某些地区的工作人数较多，这可能与公租房的分布有关。
    • 平均月收入分布：此图展示了不同收入水平的人数分布。收入水平可能与通勤成本相关，因为不同的收入群体可能选择不同的交通方式和居住区域。

接下来，继续分析交通设施与通勤效率，以及政策效应评估的部分。

2. 交通设施与通勤效率

分析公共交通系统的覆盖程度、运营效率及对群体通勤的便利性
这里我们使用“您平时常使用的主要交通工具是”作为代表


transport_modes = df[['您平时常使用的主要交通工具是.1', '您平时常使用的主要交通工具是.2', '您平时常使用的主要交通工具是.3']]

# 统计各种交通工具的使用频率
transport_counts = transport_modes.apply(pd.Series.value_counts).fillna(0)
transport_counts = transport_counts.sum(axis=1)

# 绘制交通工具使用频率的分布图
plt.figure(figsize=(10, 6))
sns.barplot(x=transport_counts.values, y=transport_counts.index)
plt.title('主要交通工具使用频率')
plt.xlabel('人数')
plt.ylabel('交通工具')
plt.show()

在这里插入图片描述

分析结果

-   **主要交通工具使用频率**：图表展示了受访者主要使用的交通工具及其使用频率。可以看出，地铁是最受欢迎的交通工具，其次是出租车和私家车。这表明地铁在通勤效率上可能具有明显优势，而其他交通方式则根据个人偏好和实际情况有所不同。

接下来，进行政策效应评估的分析。

3. 政策效应评估

分析公租房政策对通勤成本的影响，这里我们使用“您对公租房租住体验满意吗.租金”作为代表

在这里插入图片描述

分析结果

  1. 政策效应评估

    • 公租房租金满意度：图表展示了受访者对于公租房租金的满意度分布。从图中可以看出，对于公租房租金的满意度呈现一定的分化，有相当一部分人对租金表示不满。这可能反映出公租房政策在租金方面仍有改进空间。

综合以上分析，我们可以得出以下结论和建议：

  1. 居住空间与通勤成本关联紧密：工作地点的分布与公租房的位置选择密切相关，不同居住位置对通勤成本有显著影响。
  2. 优化交通网络降低通勤成本：地铁作为主要的通勤工具，显示了其在通勤效率上的优势。建议进一步优化公共交通网络，特别是地铁线路，以降低通勤成本。
  3. 公租房政策需进一步优化：租金满意度的调查显示，公租房政策在租金方面还有改进的空间。建议对公租房租金政策进行调整，以更好地满足不同收入群体的需求。

这些分析和建议有助于上海实现更加“以人为本”的城市化进程，提升外来群体的生活品质。

相关性分析

变量间关系：探索不同变量之间的相关性，如年龄与婚姻状况、月收入与公租房租金、通勤时间与交通费用等。这有助于揭示变量之间的潜在联系和因果关系。 通勤与居住条件：分析通勤时间、交通费用与居住地点（如工作所在地、公租房位置）、房型等变量之间的关系，了解居住条件对通勤效率的影响。

首先，我将重新处理数据，确保特征和目标变量被正确处理。然后，我将使用相关性分析来探索不同变量之间的相关性。由于数据中存在一些缺失值，我将首先处理这些缺失值，然后构建模型。处理缺失值的常用方法包括删除含有缺失值的行或用某种策略填充缺失值。在这里，我将选择删除含有缺失值的行。

接下来，我将进行以下步骤：

  1. 数据清洗：处理缺失值、异常值和数据类型转换。
  2. 特征工程：提取和构造与变量间关系相关的特征。
  3. 相关性分析：使用相关性分析来探索不同变量之间的相关性。
  4. 结果可视化：展示相关性分析的结果。

在这里插入图片描述

相关性分析的结果已经可视化。从热图中可以看出不同变量之间的相关性系数。相关性系数的范围是-1到1，其中1表示完全正相关，-1表示完全负相关，0表示没有相关性。

回归分析

  • 满意度影响因素：分析哪些因素显著影响租住者对公租房的满意度，如房型、租金、交通便利性等。这有助于识别改进公租房管理和服务的关键领域。

首先，重新处理数据，确保特征和目标变量被正确处理。然后，将使用多元线性回归模型来分析影响租住者对公租房满意度的因素。由于数据中存在一些缺失值，我将首先处理这些缺失值，然后构建模型。处理缺失值的常用方法包括删除含有缺失值的行或用某种策略填充缺失值。在这里，我将选择删除含有缺失值的行。

接下来，进行以下步骤：

  1. 数据清洗：处理缺失值、异常值和数据类型转换。
  2. 特征工程：提取和构造与租住者满意度相关的特征。
  3. 构建模型：使用多元线性回归模型分析影响租住者对公租房满意度的因素。
  4. 结果可视化：展示模型的结果和误差。
python复制
# 数据清洗和特征工程

# 1. 处理收入水平，将其转换为数值类型
data['收入水平'] = data['您的平均月收入是.'].apply(process_income)

# 2. 房型编码
data['房型编码'] = label_encoder.fit_transform(data['您租住的公租房房型是.'])

# 3. 家庭结构特征：家庭人数、工作人数、就学人数、退休人数
data['工作人数'] = data['您在上海居住的家庭结构是.其中工作人数..']
data['就学人数'] = data['您在上海居住的家庭结构是.其中就学人数..']
data['退休人数'] = data['您在上海居住的家庭结构是.其中退休人数..']

# 4. 满意度处理：将满意度转换为数值类型（这里简化处理，实际应用中可能需要更复杂的转换方式）
def process_satisfaction(satisfaction_str):
    satisfaction_mapping = {'非常满意': 5, '满意': 4, '一般': 3, '不满意': 2, '非常不满意': 1}
    return satisfaction_mapping.get(satisfaction_str, None)

在这里插入图片描述

对于租住者满意度模型：

  • 均方误差（MSE）: 1.094
  • 决定系数（R²）: 0.196
  • 模型参数: [-0.228, 0.014, 0.522, -0.500, 0.491, -0.0001]
  • 截距: 2.990

模型的评估指标显示决定系数（R²）为0.196，这表明模型只解释了约19.6%的目标变量的变异。

KMeans聚类分析

首先，我将选择一些可能适合进行聚类的变量，然后使用KMeans算法进行聚类分析。最后，我将可视化聚类结果，并输出模型参数。

由于数据集较大，包含多个变量，我将选择几个代表性的变量进行聚类分析。

在这里插入图片描述

KMeans聚类分析结果

聚类结果可视化

从上图中，我们可以看到KMeans聚类分析的结果。图中的点代表不同的数据点，颜色表示它们所属的聚类。可以看出，数据被分为三个不同的聚类。

模型参数和误差

  • 模型参数（聚类中心） ：

    • 聚类1：[2.5, 0.95, 2.6, 13.6]
    • 聚类2：[2.45, 0.73, 2.91, 2.82]
    • 聚类3：[2.05, 0.84, 2.58, 8.00]

  • 模型误差（Inertia） ：1345.55

分析

  • 聚类中心代表了每个聚类的平均特征值，这些值可以用来描述每个聚类的特征。
  • 误差值（Inertia）表示模型在聚类过程中的总误差，较小的误差值通常意味着更好的聚类效果。

总结

通过KMeans聚类分析，我们可以看到数据在“平均月收入”和“工作所在地”两个维度上的聚类情况。不同的聚类可能代表了不同的收入和工作地点特征的人群。这有助于我们更好地理解数据中的不同群体。

拓端研究室
关注
  • 21
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
博客
【专题】2024年7月无人驾驶网约车行业报告合集汇总PDF分享（附原数据表）
08-16 630
随着科技的不断进步和人们出行需求的变化，网约车行业正经历着快速的发展和变革。本报告旨在对网约车行业进行全面的汇总和分析，涵盖了行业现状、技术发展、市场趋势等多个方面。通过对相关数据的研究和对行业专家的访谈，我们将为读者提供深入的见解和有价值的信息。，获取专题报告合集全文，解锁357份无人驾驶、网约车相关行业研究报告。在本报告中，我们将首先探讨公众对无人驾驶网约车的接受程度和乘坐意愿，了解这一新兴技术在市场上的潜力。接着，我们将深入研究百度萝卜快跑等自动驾驶出租车的发展现状，分析其技术创新和商业前景。
博客
【视频讲解】Python用LSTM长短期记忆网络GARCH对SPX指数金融时间序列波动率滚动预测
08-15 504
本文融合了多种技术，其中 LSTM（长短期记忆网络）和 GARCH（广义自回归条件异方差）模型尤为关键。LSTM 在处理时间序列数据方面独具优势，能够捕捉长期依赖关系，为金融预测提供强大支持。GARCH 模型则能有效捕捉金融时间序列中的波动聚类现象，提升预测准确性。通过对这套代码的详细解读和分析，包括对 LSTM 和 GARCH 等关键模型的深入探讨，我们期望为金融研究和实践注入新活力，开辟新思路。
博客
【专题】全球商用服务机器人市场研究(2023)报告合集PDF分享（附原数据表）
08-15 656
近年来，随着人工智能、物联网和自动化技术的不断进步，商用服务机器人行业迅速崛起，展现出广阔的发展前景。从最初的实验室研发到如今的规模化应用，商用服务机器人已逐渐成为各行业提升效率和优化客户体验的关键工具。这些机器人通过自主移动、智能交互和环境感知等先进技术，为餐饮、零售、酒店、工业、医疗、教育、养老、公共服务等行业提供了高效、智能的解决方案，改变了传统服务模式，并推动了产业的深度升级。，获取专题报告合集全文，解锁57份机器人相关行业研究报告。
博客
【专题】2024年7月人工智能AI行业报告合集汇总PDF分享（附原数据表）
08-14 893
随着人工智能技术的飞速发展，AI已经成为当今时代的重要驱动力。本报告将聚焦于人工智能AI行业的最新动态，涵盖客户服务、体验营销、资产管理以及国产AI大模型应用等多个领域。通过深入研究和分析，我们将揭示AI在这些领域的优势、应用案例以及未来发展趋势。本报告旨在为读者提供全面的AI行业洞察，助力企业和决策者更好地把握AI带来的机遇和挑战。，获取专题报告合集全文，解锁04份人工智能A相关行业研究报告。
博客
【视频讲解】滚动回归Rolling Regression、ARIMAX时间序列预测Python、R实现应用
08-13 659
原文链接：https://tecdat.cn/?p=37338原文出处：拓端数据部落公众号分析师：Jixin Zhong本文将通过视频讲解，展示如何用滚动回归预测，并结合一个R语言多元时间序列滚动预测：ARIMA、回归、ARIMAX模型分析实例的代码数据，为读者提供一套完整的实践数据分析流程。滚动回归估计是于一个大规模样本范畴内，以滚动的形式接连选取一系列的小规模样本，并运用与大规模样本相同的方式对小规模样本的参数予以估计。样本固定的长度被称为“window”，每次递增的步长则
博客
BC变换的EWMA控制图对顺丰控股股票的分析研究
08-13 575
量化投资可以带来不菲的回报，但缺乏丰富的知识却难以实现。统计质量管理的思想通俗易懂，且对于市场相对稳定的股市有监控作用。结合历史股票数据和统计质量管理的思想，对数据作合适的处理并设计合理的控制图是十分关键的。本文将通过展示如何用基于BC变换的EWMA控制图对顺丰控股股票分析，并结合一个Python神经网络、Lasso回归、线性回归、随机森林、ARIMA股票价格时间序列实例的，为读者提供一套完整的实践数据分析流程。解决方案任务目标根据历史股票数据，设计控制图并运用控制图监控股票价格变换并给投资建议。
博客
【专题】2023-2024跨境旅游消费趋势研究报告合集PDF分享（附原数据表）
08-09 764
近日，“世界旅游联盟·中欧旅游对话”在匈牙利布达佩斯举办，发布《2023 - 2024 跨境旅游消费趋势研究报告》。报告显示，2023 - 2024 年全球旅游业复苏，跨境旅游人数和支出显著增加，市场出现新变化。中国出境游消费回暖，出境人数和卡均消费提高，目的地选择“由近及远”。入境游方面，免签政策、支付便利化等提升海外游客意愿，在华停留一周以上游客占比增加，游客年轻化，入境目的地深入内地和网红城市，消费品类丰富，不同城市消费类型有别，支付便利化举措推动入境旅游发展。，获取专题报告合集全文，解锁。
博客
SPSS、Python员工满意度问卷调查激励保健理论研究：决策树、随机森林和AdaBoost|附代码数据
08-08 901
[1]潘思宇,杨丽君.中小企业员工信任关系如何改善[J].人力资源.2020,(16).[2]梁青青.弹性福利优化与员工满意度提升研究[J].技术经济与管理研究.2019,(2).DOI:10.3969/j.issn.1004-292X.2019.02.020 .[3]马云骁,汪泽宇,余丽霞.宏观审慎政策背景下商业银行防范风险的对策研究[J].现代经济信息.2019,(22).[4]刘进,冼灿玲,刘承恺,等.产业升级背景下制造企业员工离职倾向的影响因素分析[J].当代经济.2019,(7).DOI:1
博客
【视频讲解】Python灰色关联度分析直播带货效用、神经退行性疾病数据
08-07 571
分析师：Jiayi Deng本文展示如何用灰色关联度分析的直播带货效用及作用机制研究，并结合一个分析神经退行性疾病数据实例的，为读者提供一套完整的实践数据分析流程。
博客
Python、R银行信用卡客户流失机器学习预测热门文章合集
08-06 834
目前，众多银行由于服务质量的降低、同业竞争的日益激烈等因素，面临着信用卡客户流失的棘手难题，这给银行经理施加了沉重的压力。而且，获取新的信用卡用户所需成本通常高于维持现有用户的成本。本文将通过展示银行信用卡客户流失机器学习预测的案例，并结合一系列Python、R银行信用卡客户流失机器学习预测热门文章合集实例的，为读者提供一套完整的实践数据分析流程。
博客
餐饮业的数字化突围：价格战下的转型与新生
08-06 678
餐饮业价格战升级了，越打越激烈。近日，各餐饮巨头也被迫纷纷下场。“太二酸菜鱼客单价跌至七年前”“9.9元就可以点上海底捞的一份锅底”“必胜客推出人均20元的乐享店”……消费降级的时代潮水，拍打着每一家餐饮公司。价格“内卷”的背后，是无奈和心酸。就在前两日，“太二酸菜鱼客单价跌至7年前”冲上微博热搜榜第二位。从80元跌至69元，九毛九集团表示，这是公司上市以来第一次品牌客单价降至60元价格段。，获取专题报告合集全文，解锁100份 餐饮相关行业研究报告。
博客
【视频讲解】Xgboost、ARIMA 和 Prophet对国际牛肉市场市场份额数据、比特币价格时间序列预测
08-05 699
国际贸易市场的波动受多种因素影响。本项目旨在通过历史数据识别最具影响力的因素，并利用这些因素预测国际市场的未来走势，特别关注澳洲牛肉在美国市场的份额。面对数据收集和模型选择的挑战，本研究将采用数学建模和分析方法。ARIMA是一个广泛应用于时间序列预测的模型，它能够在不使用外部回归特征的情况下，仅利用历史数据进行预测。自回归（Autoregressive）：使用变量本身的历史数据对未来进行预测。差分（Integrated）：将目标变量在某个时间点的数值用当前数值与上一个时间点数值的差所取代。
博客
【视频讲解】CatBoost、LightGBM和随机森林的海域气田开发特征分类研究
08-02 1011
对职员离职预测进行了深入的研究，采用了多种机器学习算法进行分类预测，包括逻辑回归、梯度提升、随机森林、XGBoost、CatBoost和LightGBM，并进行了交叉验证和可视化。通过数据预处理和特征工程，该论文构建了多个预测模型，包括逻辑回归、梯度提升、随机森林、XGBoost、CatBoost和LightGBM。这些模型在数据集上进行了训练和评估，并采用了交叉验证技术来评估模型的性能和稳定性。其中，逻辑回归模型采用了L2正则化来防止过拟合，并使用了网格搜索技术来优化超参数。
博客
AI时代的职场焦虑与机遇
08-02 1217
在人工智能的浪潮中，职场焦虑愈发显著。本杰明·米勒的故事便是这一现象的缩影。2023年初，他领导着一个超过60人的团队，为一家科技公司创作推广文章和博客。然而，随着公司决定采用人工智能削减成本，米勒的团队很快面临了巨大的变革。一个月内，公司部署了自动化系统，使得团队的工作方式发生了根本性的转变。几个月后，随着ChatGPT全面接管文章撰写任务，团队成员纷纷被裁，只剩下米勒一人负责编辑AI生成的初稿，使其更具人性化。，获取专题报告合集全文，解锁605份AI、人工智能相关行业研究报告。
博客
直播狂欢下的隐忧|专题报告集
08-01 1112
从草根逆袭的烤摊主郭有才，仅用9天便突破千万粉丝，日入惊人的380万，到菏泽因直播热潮连夜紧急修路，这一切看似光鲜的背后，实则暗流涌动。模仿“反诈老陈”、“保安阿斌”的狂欢，山寨周杰伦甚至跨越国界举办演唱会，直播的泡沫不断膨胀，引人深思。，获取专题报告合集全文，解锁204份直播相关行业研究报告。在当今的互联网时代，互联网平台之间的竞争在整个“双十一”的发展过程中不断加剧。曾经传统电商平台一家独大的局面已不复存在，如今后起之秀如抖音、快手与“大哥大”淘宝、京东之间展开了激烈的“激战”。
博客
【视频讲解】Python用LSTM、Wavenet神经网络、LightGBM预测股价
07-31 901
具体流程为：每次训练时，滚动取前 4 个月数据，如 2018 年 1 月 31 日选股，选取 2017 年 10 月至 2018 年 1 月数据，用 2017 年 10 月至 12 月训练模型，代入 2018 年 1 月 300 支股票数据预测，选出概率大于 0.8 的股票进行模拟炒股投资。虽非本文重点，但可提升模型表现，是建模不可或缺的环节。接下来，我们使用Matplotlib库绘制了股票收盘价随时间变化的图表，以60%的透明度和自动调整的尺寸，为读者提供了一个直观的视角来理解数据的波动性。
博客
股票预测模型中注意力多层Attention RNN LSTM 的应用
07-29 768
原文链接：https://tecdat.cn/?p=37152原文出处：拓端数据部落公众号 Attention 机制是一种在神经网络处理序列数据时极为关键的技术，它赋予了模型“聚焦”能力，能够自动评估输入序列中各部分的重要性。通过为序列中的每个元素分配不同的权重，Attention 确保网络在处理过程中能够优先关注那些对任务更为关键的部分，从而显著提升模型的预测精度和效果。当Attention机制与LSTM（长短时记忆网络）相结合时，这一组合展现出了更为强大的序列处理能力。LSTM本身设计用于捕捉序列中的长
博客
【视频讲解】ResNet深度学习神经网络原理及其在图像分类中的应用|附Python代码
07-26 797
数据集归一化：计算均值与标准差在深度学习的数据预处理阶段，归一化是一个至关重要的步骤，它有助于提升模型的收敛速度和性能。归一化通常涉及计算数据集的均值（mean）和标准差（standard deviation, std），并将原始数据转换到具有零均值和单位标准差的范围内。以下代码段展示了如何对MNIST数据集进行归一化处理，并打印出归一化所需的均值和标准差。# 加载数据集trn_data = trn_data['arr_0'] / 255 # 将像素值归一化到[0, 1]区间# 计算均值和标准差。
博客
过采样SMOTE逻辑回归、SVM、随机森林、AdaBoost和XGBoost对不平衡数据分析预测
07-25 1115
由于数据集中因变量output为0和1的数据量有较大差异，为1：3，为了保证样本的平衡性，引入smote采样法（Smote采样简而言之是通过对原样本进行线性变换得到新的模拟样本，与bootstrap不同）经过采样，得到了数据量更大且具有较好平衡性的样本。例如,没有smote采样的模型由于训练的样本不平衡, 在测试集上的准确率较高但是在训练集上的AUC较少, 容易发生误判, 对于未知Output的分布未知的数据, 则Smote的采样显得必要了。由于我们的数据高度不平衡，因此任何模型都很难获得更好的召回率。
博客
【专题】2024年云计算白皮书报告合集PDF分享（附原数据表）
07-25 1289
然而，在生物科学、科学计算等领域，由于这些领域的计算范式和特性，许多机构和企业仍倾向于使用本地部署的智能算力，其云化部署比例相对较低，大致在10%至20%之间。Gartner：路线图：制定高效的云战略-制定战略，充分发挥云计算优势... 报告2023-03-10。华为云：融通创新公共服务平台发展研究报告-中小企业数字化转型的能力中心... 报告2024-04-02。头豹：2023年中国医院云服务行业概览- 互联网5G创新协同发展-助力... 报告2024-03-05。
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