冰与火之歌-五王之战（优达数据分析进阶项目）

最新推荐文章于 2022-03-22 10:10:26 发布
最新推荐文章于 2022-03-22 10:10:26 发布
阅读量1k 收藏
点赞数
分类专栏： 数据分析一般过程项目实战 文章标签： 冰与火之歌 五王之战 数据分析
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_31069459/article/details/87348129
版权

五王之战分析 - 冰与火之歌

简介

五王之战（War of the Five Kings）是著名严肃奇幻小说《冰与火之歌》中的著名内战。这是一场规模空前、波及七大王国的内乱。顾名思义，前后共有五人在战争中称王：乔佛里、史坦尼斯、蓝礼均声称自己是铁王座的合法继承人。除此之外，罗柏·史塔克被北境众封臣推选为北境之王，巴隆·葛雷乔伊亦再度掀起独立大旗，欲摆脱铁王座的统治，自称为铁群岛之王。

本数据集(battles.csv)包含了五王之战期间的战争，它是所有战斗的大集合。该数据是Kaggle中Game of Thrones的一部分。

数据中的变量含义解释：

name: 战争的名称，字符变量。
year: 战争发生的年份，数值变量。
battle_number: 本数据中的unique id，对应每一场独立的战役，数值变量。
attacker_king: 攻击方的国王，"/"表示了国王的更换。例如："Joffrey/Tommen Baratheon"意味着Tomen Baratheon继承了Joffrey的王位，分类变量。
defender_king: 防守方的国王，分类变量。
attacker_1: 攻击方将领，字符变量。
attacker_2: 攻击方将领，字符变量。
attacker_3: 攻击方将领，字符变量。
attacker_4: 攻击方将领，字符变量。
defender_1: 防守方将领，字符变量。
defender_2: 防守方将领，字符变量。
defender_3: 防守方将领，字符变量。
defender_4: 防守方将领，字符变量。
attacker_outcome: 从攻击方角度来看的战争结果，分别有：win, loss, draw，分类变量。
battle_type: 战争的类别。pitched_battle: 双方军队在一个地点相遇并战斗，这也是最基本的战争类别；ambush: 以隐身或诡计为主要攻击手段的战争；siege: 阵地战；razing: 对未设防位置的攻击。分类变量。
major_death: 是否有重要人物的死亡，二进制变量。
major_capture: 是否有重要人物的被捕，二进制变量。
attacker_size: 攻击方力量的大小，并未对骑兵、步兵等士兵种类有所区分，数值变量。
defender_size: 防守方力量的大小，并未对骑兵、步兵等士兵种类有所区分，数值变量。
attacker_commander: 攻击方的主要指挥官。指挥官的名字中并没有包含头衔，不同的指挥官名字用逗号隔开，字符变量。
defender_commander: 防守方的主要指挥官。指挥官的名字中并没有包含头衔，不同的指挥官名字用逗号隔开，字符变量。
summer: 战争是否发生于夏天，二进制变量。
location: 战争发生的地点，字符变量。
region: 战争发生的地域，包括：Beyond the Wall, The North, The Iron Islands, The Riverlands, The Vale of Arryn, The Westerlands, The Crownlands, The Reach, The Stormlands, Dorne，分类变量。
note: 注释，字符变量。

项目完成指南

本项目中的数据分析流程已经给出，但代码将完全由你自己进行书写，如果你无法完成本项目，说明你目前的能力并不足以完成 数据分析(进阶)纳米学位，建议先进行 数据分析（入门）纳米学位的学习，掌握进阶课程的先修知识。

对于数据分析过程的记录也是数据分析报告的一个重要部分，你可以自己在需要的位置插入Markdown cell，记录你在数据分析中的关键步骤和推理过程。比如：数据有什么样的特点，统计数据的含义是什么，你从可视化中可以得出什么结论，下一步分析是什么，为什么执行这种分析。如果你无法做到这一点，你也无法通过本项目。

小贴士: 像这样的引用部分旨在为学员提供实用指导，帮助学员了解并使用 Jupyter notebook

提出问题

在此项目中，你将以一名数据分析师的身份执行数据的探索性分析。你将了解数据分析过程的基本流程。在你分析数据之前，请先思考几个你需要理解的关于这些战斗的问题，例如，哪一个区域发生了最多的战争？哪一个国王获得了最多的胜利？战争的胜利与否受那些关键因素的影响？

问题：请写下你感兴趣的问题，请确保这些问题能够由现有的数据进行回答。
（为了确保学习的效果，请确保你的数据分析报告中能够包含2幅可视化和1个相关性分析。）

答案：1.那个区域发生的战争最多；
2.哪个国王胜利的次数最多；
3.战争的胜利与否受哪些关键因素的影响。

在提出了问题之后，我们将开始导入数据，并对数据进行探索性分析，来回答上面提出的问题。

小贴士: 双击上框，文本就会发生变化，所有格式都会被清除，以便你编辑该文本块。该文本块是用 Markdown编写的，该语言使用纯文本语法，能用页眉、链接、斜体等来规范文本格式。在纳米学位课程中，你也会用到 Markdown。编辑后，可使用 Shift + Enter 或 Shift + Return 运行上该框，使其呈现出编辑好的文本格式。

数据评估和清理

小贴士: 运行代码框的方法与编辑上方的 Markdown 框的格式类似，你只需点击代码框，按下键盘快捷键 Shift + Enter 或 Shift + Return ，或者你也可先选择代码框，然后点击工具栏的 运行 按钮来运行代码。运行代码框时，相应单元左侧的信息会出现星号，即 In [*]:，若代码执行完毕，星号则会变为某个数字，如 In [1]。如果代码运行后有输出结果，输出将会以 Out [1]: 的形式出现，其中的数字将与 “In” 中的数字相对应。

# TO DO: load pacakges
import pandas as pd
import numpy as np
% matplotlib inline
# TO DO: load the dataset
df = pd.read_csv("battles.csv")
# 将折叠的数据展开
pd.set_option('display.max_columns',None)
# 展开数据前五行进行观察
df.head()
nameyearbattle_numberattacker_kingdefender_kingattacker_1attacker_2attacker_3attacker_4defender_1defender_2defender_3defender_4attacker_outcomebattle_typemajor_deathmajor_captureattacker_sizedefender_sizeattacker_commanderdefender_commandersummerlocationregionnote
0Battle of the Golden Tooth2981Joffrey/Tommen BaratheonRobb StarkLannisterNaNNaNNaNTullyNaNNaNNaNwinpitched battle1.00.015000.04000.0Jaime LannisterClement Piper, Vance1.0Golden ToothThe WesterlandsNaN
1Battle at the Mummer's Ford2982Joffrey/Tommen BaratheonRobb StarkLannisterNaNNaNNaNBaratheonNaNNaNNaNwinambush1.00.0NaN120.0Gregor CleganeBeric Dondarrion1.0Mummer's FordThe RiverlandsNaN
2Battle of Riverrun2983Joffrey/Tommen BaratheonRobb StarkLannisterNaNNaNNaNTullyNaNNaNNaNwinpitched battle0.01.015000.010000.0Jaime Lannister, Andros BraxEdmure Tully, Tytos Blackwood1.0RiverrunThe RiverlandsNaN
3Battle of the Green Fork2984Robb StarkJoffrey/Tommen BaratheonStarkNaNNaNNaNLannisterNaNNaNNaNlosspitched battle1.01.018000.020000.0Roose Bolton, Wylis Manderly, Medger Cerwyn, H...Tywin Lannister, Gregor Clegane, Kevan Lannist...1.0Green ForkThe RiverlandsNaN
4Battle of the Whispering Wood2985Robb StarkJoffrey/Tommen BaratheonStarkTullyNaNNaNLannisterNaNNaNNaNwinambush1.01.01875.06000.0Robb Stark, Brynden TullyJaime Lannister1.0Whispering WoodThe RiverlandsNaN
# 查看数据集结构
df.shape
(38, 25)

# TO DO: check the dataset general info
# 查看数据是否有缺失值
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 38 entries, 0 to 37
Data columns (total 25 columns):
name                  38 non-null object
year                  38 non-null int64
battle_number         38 non-null int64
attacker_king         36 non-null object
defender_king         35 non-null object
attacker_1            38 non-null object
attacker_2            10 non-null object
attacker_3            3 non-null object
attacker_4            2 non-null object
defender_1            37 non-null object
defender_2            2 non-null object
defender_3            0 non-null float64
defender_4            0 non-null float64
attacker_outcome      37 non-null object
battle_type           37 non-null object
major_death           37 non-null float64
major_capture         37 non-null float64
attacker_size         24 non-null float64
defender_size         19 non-null float64
attacker_commander    37 non-null object
defender_commander    28 non-null object
summer                37 non-null float64
location              37 non-null object
region                38 non-null object
note                  5 non-null object
dtypes: float64(7), int64(2), object(16)
memory usage: 7.5+ KB

## defender_3,defender_4,这两个字段全是空值，没有保留的必要，将其删除
df.drop(["defender_3","defender_4"],axis = 1,inplace= True)
## attacker_king 列，有两行是空值,去掉空值
df["attacker_king"].dropna(inplace = True)
# TO DO: clean the data (optional: only there are problems)
## fill the missing data
#df.fillna(df.mean(),inplace=True)
#df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 38 entries, 0 to 37
Data columns (total 23 columns):
name                  38 non-null object
year                  38 non-null int64
battle_number         38 non-null int64
attacker_king         36 non-null object
defender_king         35 non-null object
attacker_1            38 non-null object
attacker_2            10 non-null object
attacker_3            3 non-null object
attacker_4            2 non-null object
defender_1            37 non-null object
defender_2            2 non-null object
attacker_outcome      37 non-null object
battle_type           37 non-null object
major_death           38 non-null float64
major_capture         38 non-null float64
attacker_size         38 non-null float64
defender_size         38 non-null float64
attacker_commander    37 non-null object
defender_commander    28 non-null object
summer                38 non-null float64
location              37 non-null object
region                38 non-null object
note                  5 non-null object
dtypes: float64(5), int64(2), object(16)
memory usage: 6.9+ KB

## check the duplicated data
sum(df.name.duplicated())
0

数据探索分析

# In exploratory data analysis, please make sure of using statistics and visualizations
## 统计各个区域的战争次数
df["region"].value_counts().plot(kind = "bar",colors = ["r","gray","gray","gray","gray","gray","gray"])
C:\Users\15004\Anaconda3\lib\site-packages\pandas\plotting\_core.py:194: UserWarning: 'colors' is being deprecated. Please use 'color'instead of 'colors'
  warnings.warn(("'colors' is being deprecated. Please use 'color'"





<matplotlib.axes._subplots.AxesSubplot at 0x1dae9de3b00>

在这里插入图片描述

在数据的探索性分析中，请确保你对数据分析中的关键步骤和推理过程进行了记录。你可以自己插入code cell和markdown cell来组织你的报告。

#for i, v in enumerate(df.columns):
  #  print(i, v)
## 为了节省运行时间，我们选择“attacker_king”,"attacker_outcome"与"battle_type"字段进行统计
df[["attacker_king","attacker_outcome","battle_type"]]
attacker_kingattacker_outcomebattle_type
0Joffrey/Tommen Baratheonwinpitched battle
1Joffrey/Tommen Baratheonwinambush
2Joffrey/Tommen Baratheonwinpitched battle
3Robb Starklosspitched battle
4Robb Starkwinambush
5Robb Starkwinambush
6Joffrey/Tommen Baratheonwinpitched battle
7Balon/Euron Greyjoywinpitched battle
8Balon/Euron Greyjoywinsiege
9Balon/Euron Greyjoywinambush
10Robb Starkwinpitched battle
11Balon/Euron Greyjoywinambush
12Balon/Euron Greyjoywinsiege
13Joffrey/Tommen Baratheonwinambush
14Robb Starkwinambush
15Stannis Baratheonwinsiege
16Joffrey/Tommen Baratheonlosspitched battle
17Robb Starkwinambush
18Robb Starkwinambush
19Stannis Baratheonlosspitched battle
20Robb Starkwinsiege
21Robb Starklosspitched battle
22NaNwinpitched battle
23Joffrey/Tommen Baratheonwinpitched battle
24Joffrey/Tommen Baratheonwinpitched battle
25Joffrey/Tommen Baratheonwinambush
26Robb Starkwinsiege
27Stannis Baratheonlosssiege
28Joffrey/Tommen Baratheonwinsiege
29NaNwinrazing
30Stannis Baratheonwinpitched battle
31Balon/Euron Greyjoywinpitched battle
32Balon/Euron Greyjoywinrazing
33Joffrey/Tommen Baratheonwinsiege
34Joffrey/Tommen Baratheonwinsiege
35Joffrey/Tommen Baratheonwinsiege
36Joffrey/Tommen Baratheonwinsiege
37Stannis BaratheonNaNNaN
## 从攻击方角度将，对不同国王胜利次数进行统计
df.groupby("attacker_king").attacker_outcome.value_counts().unstack().plot(kind="bar")
<matplotlib.axes._subplots.AxesSubplot at 0x1dae9dc8a90>

在这里插入图片描述

## 对于运用不同的作战方式而获胜的次数进行统计
df.groupby("battle_type").attacker_outcome.value_counts().unstack().plot(kind="bar")
<matplotlib.axes._subplots.AxesSubplot at 0x1dae9eab898>

在这里插入图片描述

得出结论

问题：上面的分析能够回答你提出的问题？通过这些分析你能够得出哪些结论？

答案：1.从数据探索第一阶段得出的数据，可以看出，在The Riverlands地区发生的战争次数最多。 2.从攻击方的角度来讲，Joffrey/Tommen Baratheon(Tomen Baratheon继承了Joffrey的王位)获胜次数最多。 3.从战争类型来看，采用ambusy与siege类型的战役获胜次数要多于其他两种。从现有数据量来看的话，在战争中运用这两种类型获胜的可能行要更大。是否采用这两种类型，与能否获胜有一定的相关性。

反思

问题：在你的分析和总结过程中是否存在逻辑严谨。是否有改进的空间? 你可以从下面的一些角度进行思考：

  1. 数据集是否完整，包含所有想要分析的数据？
  2. 在对数据进行处理的时候，你的操作（例如删除/填充缺失值）是否可能影响结论？
  3. 是否还有其他变量（本数据中没有）能够对你的分析有帮助？
  4. 在得出结论时，你是否混淆了相关性和因果性？

答案：1.现有数据量不是很完整。 2.由于统计需要，对attacker_king列中的空值进行了2行删除操作，对结论的影响很小。 3.在思考有战争获胜有关的因素时，如果能再加一点天气的因素在里边就更完美了。 4.没有混淆相关性与因果性，在未通过统计学验证及机器学习的支持下，只能初步得出：是否采用ambusy与siege类型，与能否获胜有一定的相关性。

恭喜你完成了此项目！这只是数据分析过程的一个样本：从生成问题、整理数据、探索数据到得出结论。在数据分析(进阶)纳米学位中，你将会学到更多高级的数据分析方法和技术，如果你感兴趣的话，我们鼓励你继续学习后续的课程，掌握更多的数据分析的高级技能！

若想与他人分享我们的分析结果，除了向他们提供 jupyter Notebook (.ipynb) 文件的副本外，我们还可以将 Notebook 输出导出为一种甚至那些未安装 Python 的人都能打开的形式。从左上方的“文件”菜单，前往“下载为”子菜单。然后你可以选择一个可以更普遍查看的格式，例如 HTML (.html) 。你可能需要额外软件包或软件来执行这些导出。

小目标007
关注
专栏目录
Udacity数据分析（进阶试学）-五王之战分析 - 冰与火之歌
数据菜鸡的博客
11-18 1481
概览 五王之战（War of the Five Kings）是著名严肃奇幻小说《冰与火之歌》中的著名内战。本项目使用了五王之战期间的战争的数据集，它是所有战斗的大集合。 五王之战分析 - 冰与火之歌 简介 五王之战（War of the Five Kings）是著名严肃奇幻小说《冰与火之歌》中的著名内战。这是一场规模空前、波及七大王国的内乱。顾名思义，前后共有五人在战争中称王：乔佛里、史坦尼斯、蓝...
python 课后习题：项目二数据分析之《冰与火之歌》全五卷人物关系图
csdn317341539的博客
05-12 904
其实这种人物关系图网上教程一大堆，我也是照着做的。在这里说一下我出错的地方，以及需要注意的一些东西。 注意： a. 代码缩进，我照着网上抄，网上的缩进不清楚然后我抄错了都没发现，结果出现了人名出现次数都为1的结果…… b. 字符转码问题，这个一向很麻烦，出现decode error的话建议百度解决。我就出现了这种问题，需要将txt文件另存为，修改编码方式为utf8。 （当然不是所有问题都这么解决的...
python简单实战项目：《冰与火之歌1-5》角色关系图谱构建——数据库设计
Liu Ruilun的博客
04-10 5317
在弄任何一个数据之前，肯定是要先设计数据库的。这里打算将《冰与火之歌》（以下称《冰火》）的文本数据先存入到数据库中，后续在使用python读取数据来处理。 前期准备 需要工具： 1.peewee 2.sqlite 3.python3.5（当然python2也是可以的） 大致说一下： 1.peewee peewee是python中的一个轻量级ORM框架。 什么是ORM框架? ...
优达数据分析师入门与进阶视频课程
m0_46238273的博客
02-27 662
课程目录 01 描述统计学 02 推论统计学习 03 数据分析入门 04 用MongoDB进行数据整理 05 用R进行数据分析 06 数据可视化与D3.js 07 HTML和CSS入门 08 JavaScript基础 09 AB测试 下载地址：百度云盘 ...
数据分析 进阶（十套数据处理训练+一项实战项目强化）附 源码+数据集.zip
08-08
Pandas、Numpy、matplotlib强化训练 数据可视化实战
基于贝叶斯生存分析的《冰与火之歌》人物死亡率分析
AI深入浅出
02-24 1952
《冰与火之歌》书迷遍布全球。该小说凭借其丰富的人物设置受到广大书迷青睐。然而，在马丁( Martin )笔下，无论好人、坏人，主角、配角都难逃命运的捉弄。除不计其数的无名小卒外，马丁的世界里有916位有名字的角色，其中三分之一都已以各种方式结束了自己在小说中的生命。本文中，我们将进一步探究小说人物的死亡模式，建立贝叶斯生存模型来预测各角色的死亡概率。本文数据来自冰与火之歌维基( A Wiki of
排列五自动更新开奖数据
03-22
排列五自动更新开奖数据，可以查询历届开奖数据，以便做分析
2021-2022年收藏的精品资料中秋博饼游戏规则附图.docx
09-18
- **五王**：“44444X”组合，其中X=6>5>3>2>1。 - **五子登科**：“66666X>55555X>33333X>22222X>11111X”组合。 - **4444XX**组合可以赢得“状元”。 这些组合都有对应的图示和图解，方便参与者理解。 ##### ...
使用Python统计张三张四张五张六李四李二李五王六王八王七的姓氏人数
最新发布
04-23
好的，我明白了。针对您的问题，我们可以先将这些人的姓名按照姓氏分组，然后再统计每个姓氏的人数。以下是使用Python实现的代码示例： ```python names = ["张三", "张四", "张五", "张六", "李四", "李二", "李五...
[渝粤教育] 山东大学 日本历史与文化 参考 资料
渝粤题库
03-22 831
教育 -日本历史与文化-章节资料考试资料-山东大学【】 随堂测验 1、【单选题】赵秩是哪里的地方官？ A、山东莱州 B、浙江钱塘 C、山东同知 D、浙江宁波 参考资料【 】 2、【单选题】赵秩出使之地是何处？ A、九州 B、江户 C、长崎 D、横滨 参考资料【 】 3、【多选题】从赵秩的日本外交可以看出，外交中以下哪几种要素对外交起到积极的作用。 A、外交家 B、国家力量 C、外语能力 D、文化影响力 参考资料【 】 随堂测验 1、【单选题】公元前108年，汉武帝灭 ，在其地设
计算机信息安全攻防大赛,2018年度信息安全攻防大赛圆满收官
weixin_33914982的博客
07-13 411
原标题：2018年度信息安全攻防大赛圆满收官 冰与火之歌红与蓝对决2018年度信息安全攻防大赛圆满收官6月22日，中国银行软件中心2018年度信息安全攻防大赛落下帷幕。经过一天激烈的角逐，信息安全攻防大赛决赛顺利结束，也意味着本次攻防比赛工作圆满收官。赛况为了全面动员和激励广大青年员工立足岗位工作，不断提高安全技术,软件中心于5月份开始筹备2018年度信息安全攻防大赛。比赛分为初赛、决赛两个阶段。...
Neo4j系列-解读《权力的游戏》上
爱米粒的博客
08-21 1706
1.导入数据 在githut下载数据CSV文件：https://github.com/mathbeveridge/asoiaf/blob/master/data/asoiaf-all-edges.csv 将其保存在当前库的import文件夹 LOAD CSV WITH HEADERS FROM "file:///asoiaf-all-edges.csv" AS row MERGE (src...
权力的游戏探索性分析，带你领阅不一样的战争
Python学习部落
02-05 784
一：简介《权力的游戏》（Game of Thrones），是美国HBO电视网制作推出的一部中世纪史诗奇幻题材的电视剧。该剧改编自美国作家乔治·R·R·马丁的奇幻小说《冰与火之歌》系列。该剧成功塑造成千上万形象饱满的人物角色、怪诞独特充满想象的风土人情，其空间之完整、细节之丰富、叙事之恣意让人感叹！现在让我们用数据分析的方式看一看这个残酷的世界！！（本文所使用的数据集来自Kaggle网站，使用Pyt
Udacity数据分析（进阶）-清洗与分析数据
数据菜鸡的博客
12-03 4306
Udacity数据分析（进阶）-清洗与分析数据 简介 数据集来自推特用户 @dog_rates 的档案, 推特昵称为 WeRateDogs。WeRateDogs 是一个推特主，他以诙谐幽默的方式对人们的宠物狗评分。这些评分通常以 10 作为分母。WeRateDogs 拥有四百多万关注者，曾受到国际媒体的报道。 import pandas as pd import numpy as np impor...
Kaggle --ASHRAE - Great Energy Predictor III
sakurasakura1996的博客
11-23 1707
Kaggle --ASHRAE - Great Energy Predictor III 和大佬室友进行这种比赛，完全不知道该怎么搞啊，只能在kaggle上面看了看别人的东西，这个大佬写的还挺简捷的，所以自己拷贝下来运行了一遍，并准备熟悉一下别人的方法+进行改进，看看能否提高。 import pandas as pd import numpy as np import matplotlib....
2019年美赛A题翻译与思路详解
热门推荐
dick的博客
01-26 3万+
2019年美赛A题翻译与思路详解 翻译与思路详解 1.问题一 在基于史诗奇幻系列小说冰之歌和火而虚构的电视剧中权力的游戏之中，三条龙是由龙之母丹妮莉丝塔格利安抚养长大龙孵化出的时候是很小的，约 10 千克。在一年之后就增长到约 30 到 40 千克。基于可得到的实物的数量和他们的情况会一直持续增长。为了解决这个问题，认为这三个虚构的人生活在现在。假设上面的描述的龙的基本生物学是准确的，你还需要将做......
《权游》第八季震撼开播，10行代码动态展示其中的爱恨情仇
Python爱好者的专栏
11-10 7840
笔者是《权力的游戏》忠实粉丝，而随着第八季的开播，我相信整部剧也将迎来高潮，人类要跟亡者军团进行交战了，到底是亡者军队击溃人类，还是人类打败亡者军队呢？王座到底会花落谁家？让我们用R语言来研究一下其中的奥秘。 下载、处理人物关系数据 首先我...
《权力的游戏》Python探索性分析
KID_for的博客
12-22 1667
《权力的游戏》（Game of Thrones），是美国HBO电视网制作推出的一部中世纪史诗奇幻题材的电视剧。该剧改编自美国作家乔治·R·R·马丁的奇幻小说《冰与火之歌》系列。该剧成功塑造成千上万形象饱满的人物角色、怪诞独特充满想象的风土人情，其空间之完整、细节之丰富、叙事之恣意让人感叹！现在让我们用数据分析的方式看一看这个残酷的世界！！
Udacity数据分析（入门）-巴西预约挂号数据分析
数据菜鸡的博客
11-18 1681
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