【Python机器学习】零基础掌握QuantileTransformer数据预处理

最新推荐文章于 2024-07-10 14:38:35 发布
最新推荐文章于 2024-07-10 14:38:35 发布
阅读量1.2k 收藏
点赞数
分类专栏： Python 机器学习 文章标签： python 机器学习 人工智能
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_20288327/article/details/134226860
版权
本文介绍了Quantile Transformer在Python中的使用，通过sklearn库实现数据预处理，使其适应正态分布。文章详细讲解了Quantile Transformer的原理、API参数设置，以及在明朝贸易数据和环境监测数据案例中的应用，展示了如何通过转换揭示数据模式和进行公平比较。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

有没有遇到过这样的情况？在班级里，成绩分布通常是呈现一种“钟形”曲线，也就是说大部分学生的成绩集中在中等，而优秀和落后的学生相对较少。但是如果想要更公平地评价每个学生的表现，单纯比较分数可能并不合适，因为分数的分布可能受到很多因素的影响。这时候就需要一种方法来将成绩进行转换，以便可以更合理地反映学生的相对表现。

这种转换方法在统计学中被称为分位数转换（Quantile Transformation），它的核心思想是将数据分布转换成一个均匀分布或者正态分布，使得每个分位上的值都相等。这样原本的成绩分布不再重要，可以直接看到一个学生在班级中的相对位置。

以班级成绩为例，假设有25名学生的期末成绩，它们是从一个正态分布中随机生成的，平均值是0.5，标准差是0.25。可以使用Quantile Transformer来对这些成绩进行转换。这个转换器首先会确定分位数，根据这些分位数将原始成绩映射到新的分布上。

在Python的sklearn.preprocessing模块中，QuantileTransformer类就可以完成这样的任务。通过设定分位数的数量（n_quantiles），以及随机状态（random_state）来保证结果的可复现性，这个类可以很容易地将数据转换成一个均匀分布或正态分布。

下面是模拟的成绩表格，展示了转换前后的数据。

学生编号 原始成绩 转换后成绩
1 0.47 0.10
2 0.52 0.20
3 0.55 0.30
… … …
了解本专栏 订阅专栏 解锁全文 超级会员免费看
sklearn数据预处理（二）非线性转换
qq_44745905的博客
06-03 1万+
@R星校长 第2关：非线性转换 为什么要非线性转换。 映射到均匀分布。 映射到高斯分布。 为什么要非线性转换 在上一关中已经提到，对于大多数数据挖掘算法来说，如果特征不服从或者近似服从标准正态分布（即，零均值、单位标准差的正态分布）的话，算法的表现会大打折扣。非线性转换就是将我们的特征映射到均匀分布或者高斯分布(即正态分布)。 映射到均匀分布 相比线性缩放，该方法不受异常值影响，它将数据映射到了零到一的均匀分布上，将最大的数映射为1，最小的数映射为0。其它的数按从小到大的顺序均匀分布在0到1之间，如有.
机器学习——数据预处理
qq_52669357的博客
03-19 1599
数据预处理数据标准化为什么要进行标准化处理z-score标准化Min-max标准化MaxAbs标准化非线性转换映射到均匀分布映射到高斯分布归一化离散编码生成多项式 数据标准化 为什么要进行标准化处理 为什么要对数据进行标准化? 先来看看这两组数 array1=[0.02,0.01,0.05,0.06] array2=[10000,15000,20000,11000] 现在若对数据进行处理，那会使结果不太准确，会发现array2数据的量级要比array1的大很多，因此array2对目标变量的影响会比arr
sklearn中的数据预处理方法学习汇总
weixin_45588852的博客
03-18 3729
sklearn中的数据预处理方法
sklearn数据映射之分位数均匀分布映射-Quantile_tranformer
qq_30477323的博客
04-02 4878
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn import preprocessing import numpy as np import matplotlib.pyplot as plt #load the iris dataset...
sklearn 数据预处理
u011588619的博客
08-30 437
1、数据标准化 sklearn.perprocessing.scale sklearn.preprocessing.StandScaler 2、数据缩放 2.1 MinMaxScaler MaxAbsScaler 2.2稀疏数据缩放 2.3带有异常值得数据缩放 2.4缩放和百花 ...
scikit-learn 数据预处理
Lord_sh的博客
07-29 795
https://www.jianshu.com/p/580688e4a069
sklearn.preprocessing模块介绍
qq_29983883的博客
07-01 4730
用于对离散特征进行独热编码。它将每个离散特征的每个取值转换为一个二进制特征向量，其中只有一个元素为 1，表示该取值，其他元素为 0。
Python机器学习 -- 数据预处理
vinceHM的博客
04-14 604
MinMaxScale 最小-最大规范化对原始数据进行线性变换，变换到[0,1]区间（也可以是其他固定最小最大值的区间）每个特征中的最小值变成了0，最大值变成了1.m import numpy as np from sklearn.preprocessing import MinMaxScaler X = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]...
python股票预测如何做数据预处理_用python进行数据预处理简介
weixin_39676930的博客
12-16 1595
常见的数据挖掘的手段数据加载与粗略查看处理丢失的数据处理偏离值数据统计特征值的合并、连接数据转换、标准化、归一化主要介绍2.1数据加载与粗略查看2.1.1数据加载一般训练与测试的数据都提供csv格式，使用pandas库读取：1. df_train = pd.read_csv('../train.csv')此时读取的df_train为DataFrame格式。同时pandas还可以读取各种不同格式的数...
Python 第三方模块 机器学习 Scikit-Learn模块 数据预处理
weixin_46131409的博客
04-10 501
一.feature_extraction 1.简介: 该模块用于对原始数据进行"特征提取"(feature extraction) 2.使用: 将"特征值映射列表"(lists of feature-value mappings)转换为矢量:class sklearn.feature_extraction.DictVectorizer([dtype<class 'numpy.float64'>,separator='=',sparse=True,sort=True]) 实现"特征哈希"(fea
copula理论学习(二)----概率和分位数转换
weixin_43839958的博客
08-02 6139
概率积分变换（probability integral transformation）是进行概率转换的有效方法之一，即将一个具有连续密度函数的随机变量转换为标准均匀分布。 引理1.2.1 概率转换 假设（X1，X2）和（Y1，Y2）的边际分布均已知，两个数据集均可以转化为服从标准均匀分布的随机变量，从而使得两者的相关性的比较更为合理。 令（X1，X2）的边缘分布分别为F1和F2，且F1=F2 均服从N(0,1) （Y1，Y2）的边缘分布分别为G1和G2，且G1=G2, 均服从Exp（1）。 则，可以得到F1
数据预处理（sklearn.preprocessing）
热门推荐
平凡简单的执着
03-11 1万+
前言 数据预处理的工具有许多，在我看来主要有两种：pandas数据预处理和scikit-learn中的sklearn.preprocessing数据预处理。 前面更新的博客中，我已有具体的根据pandas来对数据进行预处理，原文请点击这里。其中主要知识点包括一下几个方面： 数据的集成：merge、concat、join、combine_first； 数据类型转换：字符串处理（正则表达式）、数据类...
利用sklearn将数据分布转成正态分布
lizz2276的博客
08-11 1577
（一）Map data to a normal distribution https://scikit-learn.org/0.23/auto_examples/preprocessing/plot_map_data_to_normal.html#sphx-glr-auto-examples-preprocessing-plot-map-data-to-normal-py This example demonstrates the use of the Box-Cox and Yeo-Johnson t
分位稀疏Transformer（Quantile Sparse Transformer，QSTransformer）稀疏attention实例
bayesian1的博客
07-10 803
分位稀疏Transformer（Quantile Sparse Transformer，QSTransformer）稀疏attention实例
深度学习中几种常见数据标准化方法
Next_SummerAgain的博客
06-09 2097
方法名称缩放范围适用条件均值为0，方差为1数据具有正态分布的情况下效果最佳[0, 1]数据分布不平衡或有明显的上下界限根据四分位数缩放数据包含异常值[-1, 1]数据已经中心化，即没有偏移Normalizer每个样本的范数为1样本之间有显著的差异，需要将其归一化[0,1]或正态分布数据分布不均匀Johnson)均值为0，方差为1数据具有正态分布或接近正态分布非负数据的对数缩放数据必须为正值或非负值：适用于数据本身的分布近似正态分布。
scikit-learn进行数据预处理
lbywyj的专栏
07-13 2074
数据预处理 sklearn.preprocessing包: preprocessing.Binarizer preprocessing.FunctionTransformer preprocessing.Imputer preprocessing.KernelCenterer preprocessing.LabelBinarizer preprocessing.LabelEncoder pr...
数据挖掘与机器学习：数据挖掘算法原理与实践：数据预处理
Shining0596_Limcy
11-22 5052
第一关本关任务：利用sklearn对数据进行标准化。为了完成本关任务，你需要掌握：1.为什么要进行标准化，2.Z-score标准化，3.Min-max标准化，4.MaxAbs标准化。第二关本关任务：利用sklearn对数据进行非线性转换。为了完成本关任务，你需要掌握：1.为什么要非线性转换，2.映射到均匀分布，3.映射到高斯分布。第三关本关任务：利用sklearn对数据进行归一化。第四关、本关任务：利用sklearn对标签进行OneHot编码。第五关、第六关。
数据挖掘算法原理与实践：数据预处理
weixin_62707591的博客
10-24 972
学习算法兼容，因为大多的学习算法都默认假设数组中的元素都是数值，因而所有的元素都有自己的意义。在上一关中已经提到，对于大多数数据挖掘算法来说，如果特征不服从或者近似服从标准正态分布（即，零均值、单位标准差的正态分布）的话，算法的表现会大打折扣。，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成“失效”，反而能提高数据的表现，这些性质是归一化的前提。在数据挖掘中，获取数据的代价经常是非常高昂的。的估计器中直接使用，因为这样的连续输入，估计器会认为类别之间是有序的，但实际却是无序的。
python训练模型函数参数_【学习】python sklearn机器学习模块参数
weixin_39849930的博客
11-23 1811
中心主题.png1、sklearn 预处理5.3 数据变换标准化讲一下几个模块的区别：数据标准化StandardScaler (基于特征矩阵的列，将属性值转换至服从正态分布)标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下常用与基于正态分布的算法，比如回归from sklearn import preprocessingstandard_scaler ...
模型特征包含独热编码数据还有连续型数据，数据预处理应采用什么方法
最新发布
03-21
<think>好的，用户现在问的是当模型特征包含独热编码数据和连续型数据时，应该采用什么样的数据预处理方法。这个问题看起来是关于混合类型特征的处理，这在机器学习项目中挺常见的。我需要先理解用户的需求，可能他们正在处理一个数据集，其中既有分类变量（经过独热编码处理）又有连续变量，想了解如何有效整合这些不同类型的特征来进行模型训练。 首先，用户可能已经知道独热编码的基本概念，但可能在实际操作中遇到了问题，比如数据尺度不一致，或者模型对不同类型的特征处理不当。他们需要的是预处理步骤，以确保模型能够有效利用这些不同类型的特征，避免出现性能下降或训练不稳定的情况。 接下来，我需要回顾处理混合类型数据的常见方法。独热编码后的特征通常是二进制的（0或1），而连续型特征的取值范围可能差异很大。这时候，标准化或归一化可能是必要的，尤其是对于使用梯度下降的模型（如神经网络、SVM、线性回归等）。但需要特别注意，独热编码后的特征是否需要进行缩放，这可能取决于具体情况。 另外，数据不平衡也是一个问题，尤其是当某些类别在独热编码后出现极端稀疏的情况。可能需要考虑是否进行特征选择，比如使用方差阈值过滤掉低方差的特征，或者通过嵌入法（如L1正则化）来选择重要特征。 还有，特征组合的可能性。有时候，将独热编码的特征与连续特征进行交互，可能会提升模型的表现，但这也需要谨慎处理，避免维度爆炸。 用户的另一个潜在问题是，如何处理这些不同预处理步骤的顺序。例如，是否应该先进行独热编码，再进行标准化？或者是否需要分别处理不同类型的数据？这需要明确步骤，确保流程正确。 此外，用户可能对某些预处理方法的效果不太清楚，比如标准化和归一化的区别，或者什么时候应该使用哪种方法。需要解释清楚这些方法的适用场景，以及它们对模型的影响。 还要考虑到不同模型对数据预处理的需求不同。例如，树模型（如随机森林、梯度提升树）通常不需要对连续特征进行标准化，因为它们对特征的尺度不敏感。而线性模型或神经网络则可能受益于标准化。用户可能没有明确说明他们使用的模型类型，因此需要给出通用的建议，同时指出不同模型的注意事项。 另一个需要注意的点是，独热编码可能导致的高维度问题。如果原始分类变量有很多类别，独热编码后会产生大量稀疏的特征，这可能会增加计算负担，甚至导致模型过拟合。这时候可能需要降维技术，如PCA，但PCA通常处理的是连续变量，对于稀疏的二进制变量可能效果不佳，因此需要特别处理，或者使用其他方法如特征选择。 总结用户可能的疑问点： 1. 如何处理独热编码和连续特征的尺度差异？ 2. 是否需要分别处理这两种类型的数据？ 3. 如何避免高维度和稀疏性问题？ 4. 不同模型（如线性模型、树模型）需要不同的预处理步骤吗？ 5. 特征组合是否有必要？ 接下来，我需要整理出一个清晰的步骤，涵盖这些问题的解决方案。可能需要分步骤说明，先处理独热编码后的稀疏特征，再处理连续特征，然后整合，并给出具体的方法如标准化、归一化、特征选择等。同时，需要举例说明，比如使用Pipeline来分别处理不同特征，或者使用ColumnTransformer来应用不同的预处理方法到不同的特征列。 还需要注意一些常见的陷阱，比如对独热编码后的特征进行标准化，这可能会破坏其二进制特性，导致信息丢失。因此，可能需要仅对连续特征进行标准化，而保持独热编码的特征不变，或者使用不同的缩放方法。 最后，应该给出代码示例，帮助用户更好地理解如何实现这些预处理步骤，例如使用sklearn的ColumnTransformer和Pipeline来构建处理流程，以及如何在实践中应用这些方法。</think>--- ### **一、核心结论** 针对包含**独热编码（One-Hot）特征**和**连续型特征**的混合数据，预处理的核心原则是： **① 差异化处理不同特征类型**（避免盲目统一操作）、**② 解决尺度差异**（如连续特征标准化）、**③ 抑制维度灾难**（优化独热编码后的稀疏性）。 推荐使用**分类型处理流水线**（如 `ColumnTransformer`）确保各特征处理逻辑独立。 --- ### **二、特征类型特性与挑战** #### 1. **独热编码特征** - **数据结构**：稀疏二值矩阵（0/1），维度高（$k$ 个类别 → $k$ 维）； - **典型问题**：维度爆炸（尤其当类别数多时）、特征间强正交性。 #### 2. **连续型特征** - **数据结构**：实数域分布，可能存在量纲差异（如年龄 $[0,100]$ vs 收入 $[0,10^6]$）； - **典型问题**：尺度敏感模型（如 SVM、神经网络）需标准化。 #### 3. **混合数据的矛盾点** - **尺度冲突**：独热编码为 0/1，连续型可能跨越多个数量级； - **模型误判**：统一标准化会破坏独热编码的语义（如将 0/1 变为负值）； - **计算效率**：高维稀疏 + 密集特征混合时内存占用激增。 --- ### **三、分阶段预处理方法** #### **1. 独热编码优化（前置步骤）** - **（1）类别合并** 对低频类别（出现次数 < 阈值）合并为 “其他” 类别，减少冗余维度。 **公式**： $$\text{if } \text{count}(c_i) < \theta, \text{ then } c_i \rightarrow \text{"other"}$$ **示例代码**： ```python from sklearn.preprocessing import OneHotEncoder encoder = OneHotEncoder(min_frequency=50, handle_unknown='infrequent_if_exist') ``` - **（2）稀疏存储** 使用 `scipy.sparse` 矩阵存储独热编码结果，避免内存浪费。 **对比实验**： - 10万样本 × 1000类别 → 独热编码后，密集矩阵占用 **800MB**，稀疏矩阵仅 **1.2MB**。 #### **2. 连续型特征标准化** - **（1）标准化方法选择** | 方法 | 公式 | 适用场景 | |--------------------|-------------------------------|-------------------------| | **Z-Score标准化** | $$x' = \frac{x - \mu}{\sigma}$$ | 分布近似高斯时 | | **Robust Scaling** | $$x' = \frac{x - \text{median}}{IQR}$$ | 存在离群点时 | | **Min-Max缩放** | $$x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}}$$ | 需要严格限定范围时（如 [0,1]）| - **（2）分位数变换** 将连续特征映射到均匀或正态分布： ```python from sklearn.preprocessing import QuantileTransformer qt = QuantileTransformer(output_distribution='normal') X_cont_trans = qt.fit_transform(X_continuous) ``` #### **3. 差异化流水线构建** **使用 `ColumnTransformer` 分离处理逻辑**： ```python from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler, OneHotEncoder # 定义特征列（示例） categorical_cols = [0, 1] # 假设第0、1列为分类特征 numeric_cols = [2, 3, 4] # 第2、3、4列为连续特征 # 构建处理流水线 preprocessor = ColumnTransformer( transformers=[ ('cat', OneHotEncoder(sparse=True), categorical_cols), ('num', StandardScaler(), numeric_cols) ]) # 在完整流水线中集成预处理与模型 from sklearn.linear_model import LogisticRegression pipeline = Pipeline(steps=[ ('preprocessor', preprocessor), ('classifier', LogisticRegression()) ]) ``` --- ### **四、高阶优化策略** #### 1. **稀疏-密集特征混合存储** - **问题**：独热编码后的稀疏矩阵与标准化后的密集矩阵直接拼接会导致类型转换（稀疏→密集），内存暴增； - **解决方案**： 使用 `scipy.sparse.hstack` 显式拼接： ```python from scipy import sparse X_sparse_cat = preprocessor.named_transformers_['cat'].transform(X[:, categorical_cols]) X_dense_num = preprocessor.named_transformers_['num'].transform(X[:, numeric_cols]) X_combined = sparse.hstack([X_sparse_cat, X_dense_num], format='csr') ``` #### 2. **特征选择与降维** - **（1）针对独热编码特征** - **方差阈值过滤**：删除低方差特征（如全为0或1的特征）： ```python from sklearn.feature_selection import VarianceThreshold selector = VarianceThreshold(threshold=0.01) # 保留方差>0.01的特征 X_cat_selected = selector.fit_transform(X_sparse_cat) ``` - **卡方检验 / 互信息法**：筛选与目标相关性高的类别特征。 - **（2）针对连续特征** - **递归特征消除（RFE）**：基于模型权重迭代剔除不重要特征； - **L1正则化选择**：使用 Lasso 回归自动筛选特征。 - **（3）联合降维** - **KernelPCA**：对混合特征进行非线性降维（需转为密集矩阵）； - **Feature Agglomeration**：对独热编码特征进行聚类合并。 #### 3. **树模型的特例处理** - **独热编码的可省略性**： 树模型（如 XGBoost、CatBoost）可直接处理类别型特征（无需独热编码），通过 `enable_categorical=True` 参数优化： ```python # XGBoost 示例（需将类别列标记为 'category' 类型） df[categorical_cols] = df[categorical_cols].astype('category') model = xgboost.XGBClassifier(enable_categorical=True, tree_method='hist') model.fit(df, y) ``` - **优势**：减少维度爆炸风险，保留类别间序关系（若存在）。 --- ### **五、不同模型的预处理要点** | 模型类型 | 独热编码处理建议 | 连续特征处理建议 | 注意事项 | |--------------------|---------------------------|-------------------------------|----------------------------| | **线性模型** | 必须独热编码 | 必须标准化 | 避免多重共线性（可加入L2正则）| | **树模型** | 可选（推荐直接输入类别特征）| 无需标准化 | 优先使用类别原生处理 | | **神经网络** | 必须独热编码 | 标准化或Min-Max缩放 | 批量归一化(BatchNorm)可替代部分预处理 | | **SVM** | 必须独热编码 | 强烈建议标准化 | 对尺度敏感，需统一量纲 | --- ### **六、完整预处理流程示例** #### 1. **结构化数据场景（如客户信用评分）** ``` 原始数据 → 分类特征独热编码（合并低频类） → 连续特征Robust Scaling → 特征选择（方差过滤+L1正则） → 混合拼接 → 输入XGBoost模型 ``` #### 2. **代码实现** ```python from sklearn.compose import ColumnTransformer from sklearn.feature_selection import VarianceThreshold, SelectFromModel from sklearn.ensemble import RandomForestClassifier # 步骤1：差异化预处理 preprocessor = ColumnTransformer( transformers=[ ('cat', Pipeline([ ('onehot', OneHotEncoder(min_frequency=100)), ('var_thresh', VarianceThreshold(threshold=0.05)) ]), ['gender', 'city']), # 分类列名称 ('num', RobustScaler(), ['age', 'income']) # 连续列名称 ]) # 步骤2：特征选择与模型集成 pipeline = Pipeline([ ('preprocess', preprocessor), ('feature_selector', SelectFromModel(RandomForestClassifier(n_estimators=100))), ('classifier', xgboost.XGBClassifier(enable_categorical=False)) ]) # 执行训练 pipeline.fit(X_train, y_train) ``` --- ### **七、常见错误与修正** | 错误现象 | 原因分析 | 修正方案 | |-----------------------------|-----------------------------|-----------------------------| | 模型训练时内存溢出 | 独热编码后直接转为密集矩阵 | 使用 `scipy.sparse` 保持稀疏性 | | 连续特征重要性被低估 | 未标准化导致尺度差异影响权重 | 对连续特征强制标准化 | | 预测时出现未知类别报错 | 未处理未见类别 | 设置 `OneHotEncoder(handle_unknown='ignore')` | | 树模型过拟合独热编码特征 | 高维度噪声干扰 | 启用特征重要性筛选或改用类别原生处理 | --- ### **八、评估与验证** 1. **预处理效果验证** - **可视化检查**：对连续特征绘制标准化前后分布对比图； - **稀疏性检查**：通过 `X.nbytes` 监控内存占用变化； - **模型对比**：比较预处理前后的模型AUC/准确率差异。 2. **消融实验设计** ```python # 实验组：完整预处理流程 pipeline_full = Pipeline([preprocessor, model]) # 对照组：仅处理连续特征 pipeline_partial = Pipeline([ ColumnTransformer([('num', RobustScaler(), numeric_cols)]), model ]) # 比较两者的交叉验证得分 from sklearn.model_selection import cross_val_score score_full = cross_val_score(pipeline_full, X, y, cv=5).mean() score_partial = cross_val_score(pipeline_partial, X, y, cv=5).mean() ``` --- ### **九、场景化推荐** | 应用场景 | 推荐预处理方案 | |---------------------------|-------------------------------------------------------------------------------| | 高维分类特征 + 小样本数据 | 独热编码（合并低频类） + 连续特征标准化 + L1正则化特征选择 | | 类别特征含内在序关系 | 放弃独热编码，使用序数编码（Ordinal Encoding）或目标编码（Target Encoding） | | 实时推理场景 | 预计算类别编码表，避免在线调用 `OneHotEncoder.transform()` | --- **总结**：混合类型数据的预处理需遵循“分而治之”原则。对独热编码特征，重点在于**维度控制**与**稀疏优化**；对连续特征，核心是**尺度归一化**。通过 `ColumnTransformer` 实现类型分离处理，并结合特征选择/降维抑制维度灾难，最终达到模型友好、计算高效的数据状态。
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

打赏作者

Mr数据杨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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