python之numpy库的基本操作（更新中）

最新推荐文章于 2022-11-28 19:03:00 发布
最新推荐文章于 2022-11-28 19:03:00 发布
阅读量437 收藏
点赞数 1
文章标签： 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/qq_46110362/article/details/120509445
版权

文章目录

1.1numpy数组的的创建

import numpy as np

#1.np.random.random生成N行M列的数组，其中元素值为0-1的随机数
d=np.random.random((2,3))
d

array([[0.29540213, 0.58072479, 0.4035937 ],
       [0.85043997, 0.57555037, 0.81086982]])

#2.使用np.array来创建数组
a = np.array([1,2,3,4])
a

array([1, 2, 3, 4])

#3.使用np.arange来创建数组
b = np.arange(0,10)
b = np.arange(0,10,2)#2为步长
b

array([0, 2, 4, 6, 8])

#4.使用np.random.randint来创建一个N行N列的数组，其中元素值的范围可以通过前面两个参数来定
c = np.random.randint(0,9,size=(4,4))
c

array([[4, 7, 8, 7],
       [5, 7, 0, 8],
       [5, 0, 0, 1],
       [2, 5, 4, 2]])

#5.使用函数生成特殊的数组
a1 = np.zeros((2,2))
a2 = np.ones((3,2))
a3 = np.full((2,2),8)#生成一个所有元素都是8的2行2列的元素
a4 = np.eye(3)#生成一个主对角线为1，其他元素为0的3x3的矩阵

print("a1:",a1)
print("a2:",a2)
print("a3:",a3)
print("a4:",a4)

a1: [[0. 0.]
 [0. 0.]]
a2: [[1. 1.]
 [1. 1.]
 [1. 1.]]
a3: [[8 8]
 [8 8]]
a4: [[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

1.2数组的简单操作

import numpy as np

#ndim得到数组的维度
a1 = np.array([1,2,3])
print(a1.ndim)
a2 = np.array([[1,2,3],[4,5,6]])
print(a2.ndim)

1
2

#shape查看数组的形状（几行几列），shape是一个元组，里面有几个元素就代表是几维数组
print(a1.shape)
print(a2.shape)

(3,)
(2, 3)

#reshape修改数组的形状。条件是修改前后的数组的元素个数必须相同
a3 = a2.reshape((3,2))
print(a3)
print(a3.shape)

[[1 2]
 [3 4]
 [5 6]]
(3, 2)

a5 = a2.reshape((6,))
print(a5)

[1 2 3 4 5 6]

a6 = a2.flatten()#扁平化，将多维数组转换成一维数组
print(a6)

[1 2 3 4 5 6]

#ndarray.size查看数组有多少个元素
count = a3.size
print(count)

6

#ndarray.itemsize查看数组中每个元素所占内存大小，单位是字节
itemsize = a3.itemsize
print(itemsize)
print(a3.dtype)
print(itemsize*a3.size)

4
int32
24

1.3数组索引和切片&布尔索引&值的替换

import numpy as np

#1.一维数组的索引和切片
a1 = np.arange(10)
#1.1进行索引操作
print(a1[4])
#1.2进行切片操作
print(a1[4:6])
#1.3使用步长
print(a1[::2])
#使用负数来作为索引
print(a1[-2])
a1

4
[4 5]
[0 2 4 6 8]
8





array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

#2.多维数组的索引和切片

a2 = np.random.randint(0,10,size=(4,6))
print(a2)
print(a2[0])#获取第0行
print(a2[1:3])#获取第1行和第2行
print(a2[[0,2,3]])#获取第0行第2行第三行

[[3 0 6 4 0 2]
 [7 8 3 0 3 7]
 [5 5 3 2 5 4]
 [1 2 2 9 2 7]]
[3 0 6 4 0 2]
[[7 8 3 0 3 7]
 [5 5 3 2 5 4]]
[[3 0 6 4 0 2]
 [5 5 3 2 5 4]
 [1 2 2 9 2 7]]

print(a2[2,1])
print(a2[[1,2],[4,5]])#第1行第4列和第2行第5列的元素
print(a2[1:3,4:6])#第1行到第2行，第4列到第5列的数据，即一个小矩阵
print(a2[:,1])#:代表所有行，获取第1列的元素
print(a2[:,1:3])#获取第1列到第2列的所有行元素
print(a2[:,[1,3]])#获取第1列和第3列的所有行元素

5
[3 4]
[[3 7]
 [5 4]]
[0 8 5 2]
[[0 6]
 [8 3]
 [5 3]
 [2 2]]
[[0 4]
 [8 0]
 [5 2]
 [2 9]]

#布尔索引
a3 = np.arange(24).reshape((4,6))
print(a3)


[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]]

a3<10

array([[ True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True, False, False],
       [False, False, False, False, False, False],
       [False, False, False, False, False, False]])

a3[a3<10]

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

a3[(a3>5)&(a3<10)]

array([6, 7, 8, 9])

a3[(a3>5)|(a3<10)]

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,       17, 18, 19, 20, 21, 22, 23])

#数组值的替换a4 = np.random.randint(0,10,size=(3,5))a4

array([[0, 7, 9, 4, 0],       [5, 7, 8, 2, 0],       [9, 7, 8, 2, 2]])

#将某一行的数替换为另一行数a4[1]=np.array([1,2,3,4,5])a4

array([[0, 7, 9, 4, 0],       [1, 2, 3, 4, 5],       [9, 7, 8, 2, 2]])

#将某一行数全部替换为另一个数a4[0]=0a4

array([[0, 0, 0, 0, 0],       [1, 2, 3, 4, 5],       [9, 7, 8, 2, 2]])

#利用条件索引实现将所有小于5的数全部替换成0a4[a4<5]=0a4

array([[0, 0, 0, 0, 0],       [0, 0, 0, 0, 5],       [9, 7, 8, 0, 0]])

#利用函数实现将数组中小于5的数替换成0，其余的变成1result = np.where(a4<5,0,1)print(result)

[[0 0 0 0 0] [0 0 0 0 1] [1 1 1 0 0]]

1.4数组的广播机制

import numpy as np

#数组与数之间的运算
a1 = np.random.randint(0,5,size=(3,5))
a1

array([[2, 1, 0, 3, 0],
       [1, 3, 1, 4, 0],
       [3, 1, 3, 4, 0]])

a1*2

array([[4, 2, 0, 6, 0],
       [2, 6, 2, 8, 0],
       [6, 2, 6, 8, 0]])

#数组与数组的计算
#shape一致
a2 = np.random.randint(0,5,size=(3,5))
a2

array([[3, 4, 1, 3, 2],
       [2, 3, 0, 2, 0],
       [1, 3, 2, 3, 2]])

a1+a2

array([[5, 5, 1, 6, 2],       [3, 6, 1, 6, 0],       [4, 4, 5, 7, 2]])

#shape不一致,但其中一个数组的行或者列为1
a3 = np.random.randint(0,5,size=(3,1))
print(a3)
print('='*30)
print(a1)

[[1]
 [2]
 [4]]
==============================
[[2 1 0 3 0]
 [1 3 1 4 0]
 [3 1 3 4 0]]

a1+a3#a3与a1的每一列都进行相加运算

array([[3, 2, 1, 4, 1],
       [3, 5, 3, 6, 2],
       [7, 5, 7, 8, 4]])

#shape为(3,8,2)与（8,1）或者（8,2）可以运算
#shape为（3,1,8）与（8,1）可以运算

1.5数组的形状操作

import numpy as np

#reshape&resize
#reshape将数组转换成指定的形状，然后返回转换后的结果，对于原数组的形状是不会改变的
#resize将数组转换成指定的形状。会直接修改数组本身，并不会返回任何值
a1 = np.random.randint(0,10,size=(3,4))
a1

array([[3, 9, 8, 6],
       [5, 9, 0, 8],
       [8, 0, 7, 2]])

a1.reshape((2,6))

array([[3, 9, 8, 6, 5, 9],
       [0, 8, 8, 0, 7, 2]])

a1

array([[3, 9, 8, 6],
       [5, 9, 0, 8],
       [8, 0, 7, 2]])

a1.resize((4,3))

a1

array([[3, 9, 8],       [6, 5, 9],       [0, 8, 8],       [0, 7, 2]])

#flatten&ravel#flatten是将数组转换成一维数组后，将这个拷贝返回回去，后续对这个一维数组改变不会影响原来的数组#ravel是将数组转换为一维数组后，将这个视图返回回去，后续对这个返回值进行修改会影响之前的数组

a2 = np.random.randint(0,10,size=(3,4))print(a2)

[[8 1 7 6] [6 1 1 5] [5 6 6 1]]

a3 = a2.flatten()a3[0]=100print(a2)

[[8 1 7 6] [6 1 1 5] [5 6 6 1]]

a4 = a2.ravel()a4[0]=100print(a2)

[[100   1   7   6] [  6   1   1   5] [  5   6   6   1]]

#vstake,列相同增加行#hstake,行相同增加列#concatenatevstack1 = np.random.randint(0,10,size=(3,4))vstack1

array([[4, 5, 0, 6],       [4, 9, 1, 7],       [5, 1, 5, 7]])

vstack2 = np.random.randint(0,10,size=(2,4))vstack2

array([[0, 5, 6, 6],       [4, 8, 7, 3]])

vstack3 = np.vstack([vstack1,vstack2])#在前面的参数数组，叠加得到的数组中便排在前面#vstack3 = np.concatenate([vstack1,vstack2],axis=1)vstack3

array([[4, 5, 0, 6],       [4, 9, 1, 7],       [5, 1, 5, 7],       [0, 5, 6, 6],       [4, 8, 7, 3]])

h1 = np.random.randint(0,10,size=(3,4))h1

array([[9, 2, 0, 2],       [6, 0, 8, 0],       [0, 9, 6, 5]])

h2 = np.random.randint(0,10,size=(3,1))h2

array([[1],       [5],       [3]])

#h3 = np.hstack([h2,h1])vstack3 = np.concatenate([vstack1,vstack2],axis=0)h3

array([[1, 9, 2, 0, 2],       [5, 6, 0, 8, 0],       [3, 0, 9, 6, 5]])

h4 = np.concatenate([h2,h1],axis=None)#axis=0，水平方向叠加；axis=1，垂直方向叠加；axis=None，两个数组合成一个一维数组h4

array([1, 5, 3, 9, 2, 0, 2, 6, 0, 8, 0, 0, 9, 6, 5])

#hsplit指定分成几列#vsplit指定分成几行#array_split/split;参数axis，axis=1按照列进行切割；axis=0按照行进行切割hs1 = np.random.randint(0,10,size=(3,4))print(hs1)

[[0 7 9 3] [0 6 7 0] [4 3 3 6]]

np.hsplit(hs1,2)#只有一个数字参数时，必须满足原数组的列是该参数的整倍数

[array([[0, 7],        [0, 6],        [4, 3]]), array([[9, 3],        [7, 0],        [3, 6]])]

np.hsplit(hs1,(1,2))#在第1列和第2列前进行切割

[array([[0],        [0],        [4]]), array([[7],        [6],        [3]]), array([[9, 3],        [7, 0],        [3, 6]])]

vs1 = np.random.randint(0,10,size=(4,5))print(vs1)

[[9 6 1 0 4] [6 9 6 1 2] [6 5 3 6 6] [0 3 4 2 7]]

np.vsplit(vs1,4)

[array([[9, 6, 1, 0, 4]]), array([[6, 9, 6, 1, 2]]), array([[6, 5, 3, 6, 6]]), array([[0, 3, 4, 2, 7]])]

np.vsplit(vs1,(1,3))#同上

[array([[9, 6, 1, 0, 4]]), array([[6, 9, 6, 1, 2],        [6, 5, 3, 6, 6]]), array([[0, 3, 4, 2, 7]])]

np.split(hs1,4,axis=1)

[array([[0],        [0],        [4]]), array([[7],        [6],        [3]]), array([[9],        [7],        [3]]), array([[3],        [0],        [6]])]

np.split(vs1,4,axis=0)

[array([[9, 6, 1, 0, 4]]), array([[6, 9, 6, 1, 2]]), array([[6, 5, 3, 6, 6]]), array([[0, 3, 4, 2, 7]])]

#数组的转置；T或者tarnspose

t1 = np.random.randint(0,10,size=(3,4))print(t1)

[[9 1 7 9] [0 2 6 8] [4 2 0 6]]

t1.T

array([[9, 0, 4],
       [1, 2, 2],
       [7, 6, 0],
       [9, 8, 6]])

t2 = t1.transpose()
print("t2:\n",t2)
t2[0]=100
print("t1:\n",t1)

t2:
 [[100 100 100]
 [  1   2   2]
 [  7   6   0]
 [  9   8   6]]
t1:
 [[100   1   7   9]
 [100   2   6   8]
 [100   2   0   6]]

#两种方法都不会直接改变原数组，但是transpose方法返回的是一个视图，若对该视图进行改变则会相应修改原数组

1.6拷贝

import numpy as np
#
  • 将数组变为一维数组的函数flatten和ravel，其中flatten就是深拷贝，ravel是浅拷贝
#不拷贝
a=np.arange(12)
b=a
print(b is a)

#浅拷贝
a

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

c=a.view()
print(c is a)

False

c[0]=100
c

array([100,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11])

a

array([100,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11])

#深拷贝
d=a.copy()print(d is a)

False

a

array([100,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11])

d[1]=200d

array([100, 200,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11])

a

array([100,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11])
  • 没有拷贝是指只是为某一区域的数据再次声明一个变量名且该变量名与原来的变量名使用同一片空间，如上例，a和b是等价的
  • 浅拷贝和深拷贝后的数组与原来的数组都不是等价的，两者都声明了一个新的空间来存储变量名，不同的是浅拷贝没有拷贝数组的存储空间

1.7文件操作

import numpy as np

scores=np.random.randint(0,100,size=(20,2))
scores

array([[49, 80],
       [91, 50],
       [75, 24],
       [81, 86],
       [37, 31],
       [62, 44],
       [71, 82],
       [21, 61],
       [ 1, 48],
       [22, 76],
       [48, 55],
       [52,  5],
       [85, 18],
       [19, 45],
       [ 8, 43],
       [ 8, 83],
       [43, 82],
       [88, 43],
       [34, 78],
       [33, 48]])

#保存为csv文件
np.savetxt("score.csv",scores,delimiter=",",header="英语,数学",comments="",fmt="%d")

#读取csv文件
b = np.loadtxt("score.csv",dtype=np.int,delimiter=",",skiprows=1)
b

array([[49, 80],
       [91, 50],
       [75, 24],
       [81, 86],
       [37, 31],
       [62, 44],
       [71, 82],
       [21, 61],
       [ 1, 48],
       [22, 76],
       [48, 55],
       [52,  5],
       [85, 18],
       [19, 45],
       [ 8, 43],
       [ 8, 83],
       [43, 82],
       [88, 43],
       [34, 78],
       [33, 48]])

np.savetxt(frame,array,fmt="%.18e",delimiter=None)

  • frame：要保存成为的文件名
  • array：存入文件的数组
  • fmt：写入文件的格式，例如：%d，%.2f
  • delimiter：分割字符串，默认是空格
  • header和comments一般同时使用，header定义了保存为文件后第一行的数据，但comments参数默认会在header的第一个元素前添加一个“#”，故一般设置commens为""
    注： header的参数彼此之间的分割符必须与delimiter定义的分割符一致

np.loadtxt(frame,dtype=np.float,delimiter=None,unpack=False)

  • frame：要下载的文件名
  • dtype：要下载成为的数据类型（可能会有数据转化，注意是否可转化）
  • delimiter：分割字符串，默认是空格
  • skiprows：跳过前面x行
  • usecols：读取指定的列，用元组组合
  • unpack：如果为true，读取出来的数组是转置后的
    注： 一般读取时需要去掉首行的header，故避免出现数据转化的错误，设置skiprows参数为1
甘小鹿
关注
python创建矩阵_python创建n行m列数组示例
weixin_39757265的博客
11-24 6852
python创建n行m列数组示例我就废话不多说了，直接上代码吧！>>> matrix=[None]*2>>> print(matrix)[None, None]>>> for i in range(len(matrix)):matrix[i ]=[0]*3>>> print(matrix)[[0, 0, 0], [0, 0, 0]]>>>例n = 2m = 3matrix = [None]*2fo...
Python中NumPy库的相关操作
最新发布
周小末天天开心的博客
05-14 426
NumPy（Numerical Python）是Python中常用的数值计算库，它提供了高性能的多维数组对象和对数组进行操作的函数。多维数组对象（ndarray）（1）NumPy最重要的对象是ndarray，它是一个具有固定大小的数组，可以包含相同类型的元素。（2）ndarray的维度称为轴（axes），轴的个数称为秩（rank）。（3）ndarray对象可以通过索引和切片进行访问和操作。数组创建和初始化（1）使用NumPy的array()函数可以创建一个ndarray对象。
python numpy 库的一些常用操作
weixin_38859557的博客
07-09 446
numpy是python的科学计算库之一；非常适合用于矩阵的运算，他的核心就是ndarray；那么他都有那些操作呢：1：首先就是读取文件了，举一个经常操作的文件类型.csv文件使用的是genfromtxt('filename',dtype),但是我们一般不用numpy来读文件有一个建立在numpy基础之上的pandas库更适合来读取文件，并对文件进行处理：2：如果用array定义数组，传进来的是一...
Python数据分析之numpy数组(一)
qq_19196345的博客
04-07 554
目录创建数组的方式数组的属性数组中产生随机数据的几种方法多维数组变一维数组的方法数据类型及修改nan和inf产生的原因因为nan容易产生的一个小error 创建数组的方式 np.array():传入列表、元组、数组或其他序列类型 创建全0数组- np.zeros():传入数字或元组 创建全1数组-np.ones():传入数字或元组 创建单位矩阵-np.eye() 和 np.identity() ...
Python习题十二
m0_46356860的博客
11-28 2259
jmu-python-组合数据类型/列表推导生成矩形/求列表中和为n的整数对/求最大和子列表/缩写期刊名/输出
python建立二维数组的几种方法
m0_60961645的博客
10-19 3830
寻址方式：test2[ i ][ j ]为test2这个列表的第 i 行 j 列。之前学C/C++建二维数组就是直接写，python就必须要自己建立。（字符串可以像数组一样直接下标寻址）建立一个m行n列的数组。
【Python】NumPy库基本使用
widiot的博客
10-02 1008
本文整理自《Python数据分析实战》 ndarray:NumPy库的心脏array()函数最常用于创建数组的方法是使用array()函数，参数为单层或嵌套列表# 单层列表 >>> np.array([1,2,3]) array([1, 2, 3])# 嵌套列表 >>> np.array([[1,2,3],[4,5,6]]) array([[1, 2, 3], [4, 5, 6]])参
Python Numpy库安装与基本操作示例
09-19
Python Numpy库是数据分析、科学计算领域不可或缺的工具，它为Python提供了高效的多维数组对象，以及大量的数学函数来操作这些数组。Numpy的核心数据结构是`ndarray`，一个可以容纳同类型元素的多维数组。这个库的...
python 基础numpy库基本操作和代码实例1.0
hmcxy123的博客
10-12 886
python 基础numpy库基本操作和代码实例1（数组创建和索引）
Python中矩阵库Numpy基本操作详解
09-21
本文详细介绍了Python中Numpy库的基本操作，包括数组和矩阵的创建、算术运算、索引、排序等。Numpy作为Python中重要的科学计算库，在数据分析、机器学习等领域有着广泛的应用。掌握这些基本操作，可以帮助开发者更...
python创建n行m列数组示例
01-20
我就废话不多说了，直接上代码吧！ >>> matrix=[None]*2 >>> print(matrix) [None, None] >>> for i in range(len(matrix)): matrix[i ]=[0]*3 >>> print(matrix) [[0, 0, 0], [0, 0, 0]] >>> 例 n = 2 m = 3 matrix = [None]*2 for i in range(len(matrix)): matrix[i] = [0]*3 print(matrix) 以上这篇python创建n行m列数组示例就是小编分享给大家的全部内容了，希望
Python之Numpy库常用函数大全（含注释）
04-22
### Python之Numpy库常用函数大全（含注释） #### 前言 在Python的科学计算领域，Numpy库占据着举足轻重的地位。它不仅提供了高性能的多维数组对象，还集成了大量的数学函数来操作这些数组。本文旨在详细介绍Numpy...
python创建m行n列列表_在Python中创建M x N的数组
weixin_39552286的博客
12-16 5141
在Python中创建M x N的数组 一般有三种方法：列表乘法dp = [[0] * n] * mfor 循环dp= [[0 for _ in range(n)] for _ in range(m )]乘法+for循环dp = [[0] * n for _ in range(m )]但是，在使用列表乘法创建的时候会出现问题：dp=[[0]*2]*2print(dp) # [[0, 0], [0...
输出m行n列矩阵python_python如何输出矩阵
weixin_39936558的博客
12-15 8891
1、直接用列表生成m行n列的矩阵m,n=map(int,input().split())matrix=[[0]*mforiinrange(n)]输出为：这种方式生成的矩阵存在一定的问题，比如，无法给特定位置的元素赋值，例如：matrix[1][1]=9输出为：可见，第二列的元素全部被赋值为9了。2、采用numpy生成想要维度的矩阵importnumpyasnpx,y=...
python算法
qq_41260988的博客
04-18 1040
题目1--数字颠倒 输入一个整数，将这个整数以字符串的形式逆序输出 程序不考虑负数的情况，若数字含有0，则逆序形式也含有0，如输入为100，则输出为001 题目2--字符反转 接受一个只包含小写字母的字符串，然后输出该字符串反转后的字符串。（字符串长度不超过1000） 答案 s = input() a = "" for i in range(len(s)-1,-1,-1): a += s[i] print(a) 解析 注意这里用的是a = ""而不是b=list...
7-7 矩阵转置
Tanux的博客
11-26 3664
输入一个正整数n (1<n≤6)，根据下式生成1个n*n的方阵，然后将该方阵转置（行列互换）后输出。 a[i][j] = i * n + j + 1（0≤i≤n-1，0≤j≤n-1） 输入格式: 输入一个正整数n (1<n≤6)，注意无输入提示 输出格式: 以%4d的形式输出，注意最后一个数字之后有换行 输入样例: 3 输出样例: 在这里给出相应的输出。例如： 1 4 7 2 5 8 3 6 9 #include<stdio.h> int main() {
Numpy生成数组
harryxia2014的博客
01-04 2202
#生成1－100，平均分布值 np.linspace(1,100,11) #生成10－50，步长为2的数组 np.arange(10,50,2) #生成对数等比数列,从0开始到10的2次方，20个等比数 np.logspace(0,2,20) #生成0－1的内的N行M列的数据 np.random.rand(3,3) #生成1－100的n行m列数组 np.random.uniform(low=1,high=100,size=(3,5)) #生成1－10整数的n行m列数组 np.random.rand
python如何输出矩阵的行数与列数？
热门推荐
weixin_30646315的博客
08-04 2万+
Python如何输出矩阵的行数与列数？ 对于pyhton里面所导入或者定义的矩阵或者表格数据，想要获得矩阵的行数和列数有以下方法： 1、利用shape函数输出矩阵的行和列 x.shape函数可以输出一个元组（m,n），其中元组的第一个数m表示矩阵的行数，元组的第二个数n为矩阵的列数 具体代码如下： importnumpyasnpx=np.array([[1,2,5],...
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