2022 CCF BDCI大赛之返乡发展人群预测 | StratifiedKFold和Lightgbm应用

最新推荐文章于 2023-01-16 08:00:00 发布
最新推荐文章于 2023-01-16 08:00:00 发布
阅读量2.1k 收藏 6
点赞数 2
文章标签： python big data
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_53177726/article/details/127848304
版权

一、赛题介绍

1.赛题背景

近年来，中国经济飞速发展。随着一线城市的生活压力不断增大，越来越多的年轻人选择了返回家乡发展。中国联通大数据体系已形成九大类3000个以上标签，每日千亿级数据采集加工能力，pb级存储能力能够提供4亿用户的全样本数据。中国联通也一直在进行针对大数据应用和服务模式的创新研究为数据行业提供不少的经验和指导。中国联通的大数据业务在运营商中连续多年稳居第一。

2.赛题任务

基于中国联通的大数据能力，通过使用对联通的信令数据、通话数据、互联网行为等数据进行建模，对个人是否会返乡工作进行判断。

二、解题思路

要通过调用两个库完成任务，分别为StratifiedKFold和Lightgbm。

  • StratifiedKFold（用于划分数据集）：与我们机器学习课熟悉的KFold不同，KFold划分数据集的原理是根据n_split直接进行划分，而StratifiedKFold划分数据集，划分后的训练集和验证集中类别分布尽量和原数据集一样。而其传入的参数与KFold类似，为n_split,random_state以及shuffle，作用分别为确定划分个数，确定构建模型以及打乱数据。

  • Lightgbm（用于模型训练）：GBDT (Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。LightGBM（Light Gradient Boosting Machine）是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。

三、代码实现

  1. 导入库
import pandas as pd
import numpy as np
import lightgbm as lgb
from sklearn.model_selection import StratifiedKFold
  • Lightgbm：用于模型训练

  • StratufiedKFold：用于划分数据集

2.数据读取

train = pd.read_csv('E:/ccf返乡发展人员预测/dataTrain.csv')
test = pd.read_csv('E:/ccf返乡发展人员预测/dataA.csv')
train['f3'] = train['f3'].map({'low': 1, 'mid': 2, 'high': 3})
test['f3'] = test['f3'].map({'low': 1, 'mid': 2, 'high': 3})

3.建立额外特征

loc_f = ['f1', 'f2', 'f4', 'f5', 'f6']
for i in range(len(loc_f)):
    for j in range(i + 1, len(loc_f)):
        train[f'{loc_f[i]}+{loc_f[j]}'] = train[loc_f[i]] + train[loc_f[j]]
        train[f'{loc_f[i]}-{loc_f[j]}'] = train[loc_f[i]] - train[loc_f[j]]
        train[f'{loc_f[i]}*{loc_f[j]}'] = train[loc_f[i]] * train[loc_f[j]]
        train[f'{loc_f[i]}/{loc_f[j]}'] = train[loc_f[i]] / train[loc_f[j]]
        train[f'{loc_f[i]}&{loc_f[j]}'] = train[loc_f[i]] & train[loc_f[j]]
        train[f'{loc_f[i]}|{loc_f[j]}'] = train[loc_f[i]] | train[loc_f[j]]
        train[f'{loc_f[i]}^{loc_f[j]}'] = train[loc_f[i]] ^ train[loc_f[j]]
        test[f'{loc_f[i]}+{loc_f[j]}'] = test[loc_f[i]] + test[loc_f[j]]
        test[f'{loc_f[i]}-{loc_f[j]}'] = test[loc_f[i]] - test[loc_f[j]]
        test[f'{loc_f[i]}*{loc_f[j]}'] = test[loc_f[i]] * test[loc_f[j]]
        test[f'{loc_f[i]}/{loc_f[j]}'] = test[loc_f[i]] / test[loc_f[j]]
        test[f'{loc_f[i]}&{loc_f[j]}'] = test[loc_f[i]] & test[loc_f[j]]
        test[f'{loc_f[i]}|{loc_f[j]}'] = test[loc_f[i]] | test[loc_f[j]]
        test[f'{loc_f[i]}^{loc_f[j]}'] = test[loc_f[i]] ^ test[loc_f[j]]
com_f = ['f43', 'f44', 'f45', 'f46']
for i in range(len(com_f)):
    for j in range(i + 1, len(com_f)):
        train[f'{com_f[i]}+{com_f[j]}'] = train[com_f[i]] + train[com_f[j]]
        train[f'{com_f[i]}-{com_f[j]}'] = train[com_f[i]] - train[com_f[j]]
        train[f'{com_f[i]}*{com_f[j]}'] = train[com_f[i]] * train[com_f[j]]
        train[f'{com_f[i]}/{com_f[j]}'] = train[com_f[i]] / train[com_f[j]]
        train[f'{com_f[i]}&{com_f[j]}'] = train[com_f[i]] & train[com_f[j]]
        train[f'{com_f[i]}|{com_f[j]}'] = train[com_f[i]] | train[com_f[j]]
        train[f'{com_f[i]}^{com_f[j]}'] = train[com_f[i]] ^ train[com_f[j]]
        test[f'{com_f[i]}+{com_f[j]}'] = test[com_f[i]] + test[com_f[j]]
        test[f'{com_f[i]}-{com_f[j]}'] = test[com_f[i]] - test[com_f[j]]
        test[f'{com_f[i]}*{com_f[j]}'] = test[com_f[i]] * test[com_f[j]]
        test[f'{com_f[i]}/{com_f[j]}'] = test[com_f[i]] / test[com_f[j]]
        test[f'{com_f[i]}&{com_f[j]}'] = test[com_f[i]] & test[com_f[j]]
        test[f'{com_f[i]}|{com_f[j]}'] = test[com_f[i]] | test[com_f[j]]
        test[f'{com_f[i]}^{com_f[j]}'] = test[com_f[i]] ^ test[com_f[j]]

 优化1：通过运算符建立额外特征，可以新构建多组数据以增加分析准确性。

4.排除噪声数据

train = train[:50000]

优化2：通过测试得到训练组的后10000组数据为噪声数据，于是将其剔除，只保留前50000组数据。

 5.使用StratifiedKFold来训练数据

features = [i for i in train.columns if i not in ['label',  'id']]
y = train['label']
KF = StratifiedKFold(n_splits=5, random_state=4000, shuffle=True)
feat_imp_df = pd.DataFrame({'feat': features, 'imp': 0})
params = {
    'objective': 'binary',
    'boosting_type': 'gbdt',
    'metric': 'auc',
    'n_jobs': 30,
    'learning_rate': 0.05,
    'num_leaves': 64,
    'max_depth': 8,
    'tree_learner': 'serial',
    'subsample_freq': 1,
    'subsample': 0.9,
    'num_boost_round': 3000,
    'early_stopping_rounds': 300,
    'max_bin': 255,
    'verbose': -1,
    'seed': 4000,
    'bagging_seed': 4000,
    'feature_fraction_seed': 4000,
}
oof_lgb = np.zeros(len(train))
predictions_lgb = np.zeros((len(test)))
for fold_, (trn_idx, val_idx) in enumerate(KF.split(train.values, y.values)):
    trn_data = lgb.Dataset(train.iloc[trn_idx][features], label=y.iloc[trn_idx])
    val_data = lgb.Dataset(train.iloc[val_idx][features], label=y.iloc[val_idx])
    num_round = 5000
    clf = lgb.train(
        params,
        trn_data,
        num_round,
        valid_sets=[trn_data, val_data],
        verbose_eval=100,
        early_stopping_rounds=50,
    )

    oof_lgb[val_idx] = clf.predict(train.iloc[val_idx][features], num_iteration=clf.best_iteration)
    predictions_lgb[:] += clf.predict(test[features], num_iteration=clf.best_iteration) / 5
    feat_imp_df['imp'] += clf.feature_importance() / 5

使用StratifiedKFold来训练数据，较之KFold的优势为：划分后的训练集和验证集中类别分布尽量和原数据集一样。

6.将结果保存到Excel中

test['label'] = predictions_lgb
test[['id', 'label']].to_csv('E:/ccf返乡发展人员预测/submission.csv', index=False)

7.完整代码

# 导入相关库
import pandas as pd
import numpy as np
import lightgbm as lgb
from sklearn.model_selection import StratifiedKFold

# 读取数据
train = pd.read_csv('E:/ccf返乡发展人员预测/dataTrain.csv')
test = pd.read_csv('E:/ccf返乡发展人员预测/dataA.csv')
train['f3'] = train['f3'].map({'low': 1, 'mid': 2, 'high': 3})
test['f3'] = test['f3'].map({'low': 1, 'mid': 2, 'high': 3})

# 建立额外特征
loc_f = ['f1', 'f2', 'f4', 'f5', 'f6']
for i in range(len(loc_f)):
    for j in range(i + 1, len(loc_f)):
        train[f'{loc_f[i]}+{loc_f[j]}'] = train[loc_f[i]] + train[loc_f[j]]
        train[f'{loc_f[i]}-{loc_f[j]}'] = train[loc_f[i]] - train[loc_f[j]]
        train[f'{loc_f[i]}*{loc_f[j]}'] = train[loc_f[i]] * train[loc_f[j]]
        train[f'{loc_f[i]}/{loc_f[j]}'] = train[loc_f[i]] / train[loc_f[j]]
        train[f'{loc_f[i]}&{loc_f[j]}'] = train[loc_f[i]] & train[loc_f[j]]
        train[f'{loc_f[i]}|{loc_f[j]}'] = train[loc_f[i]] | train[loc_f[j]]
        train[f'{loc_f[i]}^{loc_f[j]}'] = train[loc_f[i]] ^ train[loc_f[j]]
        test[f'{loc_f[i]}+{loc_f[j]}'] = test[loc_f[i]] + test[loc_f[j]]
        test[f'{loc_f[i]}-{loc_f[j]}'] = test[loc_f[i]] - test[loc_f[j]]
        test[f'{loc_f[i]}*{loc_f[j]}'] = test[loc_f[i]] * test[loc_f[j]]
        test[f'{loc_f[i]}/{loc_f[j]}'] = test[loc_f[i]] / test[loc_f[j]]
        test[f'{loc_f[i]}&{loc_f[j]}'] = test[loc_f[i]] & test[loc_f[j]]
        test[f'{loc_f[i]}|{loc_f[j]}'] = test[loc_f[i]] | test[loc_f[j]]
        test[f'{loc_f[i]}^{loc_f[j]}'] = test[loc_f[i]] ^ test[loc_f[j]]
com_f = ['f43', 'f44', 'f45', 'f46']
for i in range(len(com_f)):
    for j in range(i + 1, len(com_f)):
        train[f'{com_f[i]}+{com_f[j]}'] = train[com_f[i]] + train[com_f[j]]
        train[f'{com_f[i]}-{com_f[j]}'] = train[com_f[i]] - train[com_f[j]]
        train[f'{com_f[i]}*{com_f[j]}'] = train[com_f[i]] * train[com_f[j]]
        train[f'{com_f[i]}/{com_f[j]}'] = train[com_f[i]] / train[com_f[j]]
        train[f'{com_f[i]}&{com_f[j]}'] = train[com_f[i]] & train[com_f[j]]
        train[f'{com_f[i]}|{com_f[j]}'] = train[com_f[i]] | train[com_f[j]]
        train[f'{com_f[i]}^{com_f[j]}'] = train[com_f[i]] ^ train[com_f[j]]
        test[f'{com_f[i]}+{com_f[j]}'] = test[com_f[i]] + test[com_f[j]]
        test[f'{com_f[i]}-{com_f[j]}'] = test[com_f[i]] - test[com_f[j]]
        test[f'{com_f[i]}*{com_f[j]}'] = test[com_f[i]] * test[com_f[j]]
        test[f'{com_f[i]}/{com_f[j]}'] = test[com_f[i]] / test[com_f[j]]
        test[f'{com_f[i]}&{com_f[j]}'] = test[com_f[i]] & test[com_f[j]]
        test[f'{com_f[i]}|{com_f[j]}'] = test[com_f[i]] | test[com_f[j]]
        test[f'{com_f[i]}^{com_f[j]}'] = test[com_f[i]] ^ test[com_f[j]]

# 剔除噪声数据，只保留前50000组数据。
train = train[:50000]

# 使用StratifiedKFold来训练数据
features = [i for i in train.columns if i not in ['label',  'id']]
y = train['label']
KF = StratifiedKFold(n_splits=5, random_state=4000, shuffle=True)
feat_imp_df = pd.DataFrame({'feat': features, 'imp': 0})
params = {
    'objective': 'binary',
    'boosting_type': 'gbdt',
    'metric': 'auc',
    'n_jobs': 30,
    'learning_rate': 0.05,
    'num_leaves': 64,
    'max_depth': 8,
    'tree_learner': 'serial',
    'subsample_freq': 1,
    'subsample': 0.9,
    'num_boost_round': 3000,
    'early_stopping_rounds': 300,
    'max_bin': 255,
    'verbose': -1,
    'seed': 4000,
    'bagging_seed': 4000,
    'feature_fraction_seed': 4000,
}
oof_lgb = np.zeros(len(train))
predictions_lgb = np.zeros((len(test)))
for fold_, (trn_idx, val_idx) in enumerate(KF.split(train.values, y.values)):
    trn_data = lgb.Dataset(train.iloc[trn_idx][features], label=y.iloc[trn_idx])
    val_data = lgb.Dataset(train.iloc[val_idx][features], label=y.iloc[val_idx])
    num_round = 5000
    clf = lgb.train(
        params,
        trn_data,
        num_round,
        valid_sets=[trn_data, val_data],
        verbose_eval=100,
        early_stopping_rounds=50,
    )

    oof_lgb[val_idx] = clf.predict(train.iloc[val_idx][features], num_iteration=clf.best_iteration)
    predictions_lgb[:] += clf.predict(test[features], num_iteration=clf.best_iteration) / 5
    feat_imp_df['imp'] += clf.feature_importance() / 5

# 将结果保存到Excel
test['label'] = predictions_lgb
test[['id', 'label']].to_csv('E:/ccf返乡发展人员预测/submission.csv', index=False)

 四、结果与总结

  • 团队通过资料收集和数据预处理，利用StratifiedKFold划分数据集，利用Lightgbm进行模型训练等，生成预测文件，并提交结果。分析结构并尽团队所能改进。
  • 优化方向：
  1. 通过运算符，建立额外特征，新构建多组数据以增加分析准确性。

  2. 通过测试得到训练组的后10000组数据为噪声数据，于是将其剔除，只保留前50000组数据。

  • 一个人可能会懒散，但为了团队必须努力。
  • 希望能对您有所帮助~
bare head
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
2022 CCF BDCI 大赛之返乡发展人群预测
m0_63642362的博客
09-04 3248
2022 CCF BDCI 大赛之返乡发展人群预测，基于百度飞桨模型
[] - 2022-12-29 2022 CCF BDCI返乡发展人群预测Top4分享.pdf
12-06
kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，kaggle教程，方案分析，竞赛资料，竞赛方案参考，
2022 CCF BDCI 返乡发展人群预测 [0.9117+]
JinbaoSite
09-15 1万+
返乡发展人群预测：基于中国联通的大数据能力，通过使用对联通的信令数据、通话数据、互联网行为等数据进行建模，对个人是否会返乡工作进行判断 A榜的结果为0.91171720。
2022 CCF BDCI 返乡发展人群预测 微弱提升(特征离散化)
JinbaoSite
10-16 2486
2022CCF大数据与计算智能大赛——返乡发展人群预测
CCF BDCI 返乡发展人群预测
猴子2333博客
11-16 1448
基于中国联通的大数据能力，通过使用对联通的信令数据、通话数据、互联网行为等数据进行建模，对个人是否会返乡工作进行判断。
深度学习-返乡发展人群预测数据
10-15
深度学习数据——返乡发展人群预测数据集
CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 文字识别模型baseline.zip
08-20
CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 文字识别模型baseline.zip CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 文字识别模型baseline.zip CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 文字识别模型baseline.zip
2022CCF大数据与计算智能大赛
01-08
2022年的比赛聚焦于“返乡发展人群预测”和“系统访问风险识别”两大议题，这不仅展示了大数据技术在社会经济领域的深度应用，也突显了计算智能在保障网络安全方面的重要角色。 “返乡发展人群预测”是今年大赛的一...
2022CCF BDCI 大数据平台安全事件检测与分类识别 数据
最新发布
02-04
CCF（中国计算机学会）BDCI（大数据创新大赛）是一个知名的年度赛事，旨在推动大数据技术的发展和应用。这次比赛的重点可能是要求参赛者设计算法或模型，以有效地发现并分类大数据平台中的安全威胁。 首先，我们要...
2020 CCF BDCI 成果汇编.pdf
11-22
2020 CCF BDCI 成果汇编电子版 涵盖2020年 CCF BDCI 大数据与计算智能大赛所有赛道前五名的算法思路和解析。
CCF_BDCI_2020_DIDI_rank1_solution:2020 CCF BDCI 线上第一 解决方案代码
05-27
prediction_result：最终生成结果目录 user_data：原始文件目录 user_data: 用户中间结果目录 code:复现代码
百度地图毕业设计源码-ccf_2020_beike_qa_match:2020年CCF大数据与计算智能大赛-贝壳找房-房行业聊天问答匹配，比赛
06-06
百度地图毕业设计源码 比赛 贝壳找房-房行业聊天问答匹配，比赛地址： 写在前面 这是我第一次正式参加一个大型的NLP比赛，全程solo，经过一个多月的努力，最终结果是A榜70+，B榜60+。虽然结果不够理想，但在整个过程中学习到了很多知识，踩了不少坑，在赛后也认识到了很多不足的地方。因此决定在这个仓库内总结回顾一下自己的一些思路方法，代码也相应的共享出来。第一次在github上记录，有些地方写的像流水账，轻喷QAQ。如果有幸能帮到你，那还请顺手点个star吧~ 本项目都是基于pytorch实现的。 数据 首先来说说数据，此次赛题是以房产中介为背景，客户与中介的问答文本作为数据，客户的一个问题对应n个候选回答，这其中有0~n个候选回答是这个问题的正确回答。 数据处理 由于BERT里的token是字符级别的，因此我没有做分词，停用词和标点符号我也没有做处理，因为我觉得部分停用词和标点符号在问答场景下可以提供特定的信息。最终，我只是将question和reply做成了pair对。 预训练模型 BERT for ever~本项目用的都是BERT，后期模型融合的时候用到了RoBERTa。 BER
CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 去水印网络CGAN模型baseline.zip
08-20
CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 去水印网络CGAN模型baseline.zip CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 去水印网络CGAN模型baseline.zip CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 去水印网络CGAN模型...
大数据分析案例-基于随机森林算法构建返乡人群预测模型
m0_64336780的博客
01-16 5566
由于乡村发展措施的完善以及国家大力支持乡村振兴发展战略，越来越多的人们响应国家的政策，开始返乡发展，本次实验利用python大数据工具来分析人们返乡意愿，预测未来的返乡趋势，以便各地可以及时指定更好的发展策略。通过这次Python项目实战，我学到了许多新的知识，这是一个让我把书本上的理论知识运用于实践中的好机会。原先，学的时候感叹学的资料太难懂，此刻想来，有些其实并不难，关键在于理解。在这次实战中还锻炼了我其他方面的潜力，提高了我的综合素质。
【竞赛代码模板1】：k-Fold与StratifiedKFold的区别+LightGBM+贝叶斯优化超参数 （Python代码）
忽逢桃林的博客
04-16 7210
这个博文的内容： 1.k-Fold和StratifiedKFold的区别； 2.LightGBM的代码流程，不会讲LightGBM的内部原理。 3. 贝叶斯优化超参数：这个在之前的博文已经讲过了，链接： 贝叶斯优化(Bayesian Optimization)只需要看这一篇就够了,算法到python实现 K-Fold vs StratifiedKFold 这里就不说为什么要用K-Fold了，如果有...
python线下课程_重磅推出Python线上课程
weixin_39637179的博客
01-04 265
2月10日，乐创世界少儿机器人编程全新课程即将如期开课。乐创全新战“疫”模式，能让线上课程更有AI，帮助学员在家健康平安学习的过程中，更好地战胜疫情。以下为线下课程产品内容/优势，敬请期待。Python线上课程介绍核心亮点：独家趣味编程+游戏化闯关，孩子“酷”爱学习8岁及以上人工智能课程学习Python代码编程，使用生动有趣的编程界面，让学习过程不再枯燥。通过本系列5期课程，学员在体验人...
2022 CCF BDCI 大赛之Web攻击检测与分类识别
m0_63642362的博客
09-18 1081
基于paddleNLP和jieba做文本分类任务，分数在0.949左右
LightGBM调参笔记
热门推荐
浅笑古今的博客
11-05 6万+
1. 概述 在竞赛题中，我们知道XGBoost算法非常热门，是很多的比赛的大杀器，但是在使用过程中，其训练耗时很长，内存占用比较大。在2017年年1月微软在GitHub的上开源了LightGBM。该算法在不降低准确率的前提下，速度提升了10倍左右，占用内存下降了3倍左右。LightGBM是个快速的，分布式的，高性能的基于决策树算法的梯度提升算法。可用于排序，分类，回归以及很多其他的机器学习任务中...
CCF BDCI 含金量
09-09
它是中国领先的大数据竞赛之一，旨在推动大数据技术在各个领域的应用和创新。 该竞赛的含金量很高，因为它聚集了来自业界和学术界的顶尖专家和团队，提供了实际的大数据问题和挑战。参与者可以通过解决这些问题来...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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