从零开始的数模（二十五）灰色关联分析

最新推荐文章于 2023-07-16 16:28:19 发布
最新推荐文章于 2023-07-16 16:28:19 发布
阅读量977 收藏 7
点赞数 1
分类专栏： 数学建模 文章标签： 算法
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_62377885/article/details/128908711
版权

目录

一、概念

1.1应用

 1.2灰色预测概念

1.2.1概念

​编辑

1.2.2应用条件

1.2.3模型

1.2.4灰色关联度 

1.3灰色生成数列 

1.3.1概念

1.3.1方式 

 二、灰色模型GM（1，1）

 2.1概念

​编辑

 2.2原理

 2.3步骤

2.4基于python的灰色预测法

​编辑

​编辑

​编辑

完整代码 

2.5基于MATLAB的灰色预测法

​编辑

​编辑

完整代码 

三、灰色关联分析

3.1步骤

 3.2原理

​编辑 3.3基于python的 灰色关联分析

完整代码

一、概念

1.1应用

 1.2灰色预测概念

1.2.1概念

补充概念

1.2.2应用条件

1.2.3模型

1.2.4灰色关联度 

背景

 优点

 步骤

 注意

听不懂了吧！！！

上例题

 

 

1.3灰色生成数列 

1.3.1概念

1.3.1方式 

累加生成

前缀和

特点

累减生成

 差分

累加对应积分累减对应微分

加权邻值生成

 二、灰色模型GM（1，1）

 2.1概念

 2.2原理

 2.3步骤

 案例

2.4基于python的灰色预测法

例题

 2.4.1导入数据

#原数据
data=np.array([[72.03,241.2,1592.74],[73.84,241.2,1855.36],[74.49,244.8,2129.60],[76.68,250.9,2486.86],[78.00,250.9,2728.94],[79.68,252.2,3038.90]])
#要预测数据的真实值
data_T=np.array([[81.21,256.5,3458.05],[82.84,259.4,3900.27],[84.5,262.4,4399.06],[86.19,265.3,4961.62],[87.92,268.3,5596.1],[89.69,271.4, 6311.79],[91.49,274.5,7118.96]])

2.4.2 进行累加数据

#累加数据
data1=np.cumsum(data.T,1) #按列相加
print(data1)

 2.4.3 求解系数

[m,n]=data1.shape #得到行数和列数 m=3,n=6
#对这三列分别进行预测
X=[i for i in range(1997,2003)]#已知年份数据
X=np.array(X)
X_p=[i for i in range(2003,2010)]#预测年份数据
X_p=np.array(X_p)
X_sta=X[0]-1#最开始参考数据
#求解未知数
for j in range(3):
    B=np.zeros((n-1,2))
    for i in range(n-1):
        B[i,0]=-1/2*(data1[j,i]+data1[j,i+1])
        B[i,1]=1
    Y=data.T[j,1:7]
    a_u=np.dot(np.dot(np.linalg.inv(np.dot(B.T,B)),B.T),Y.T)
    print(a_u)
    #进行数据预测
    a=a_u[0]
    u=a_u[1]

2.4.4 预测数据及对比 

[m,n]=data1.shape #得到行数和列数 m=3,n=6
#对这三列分别进行预测
X=[i for i in range(1997,2003)]#已知年份数据
X=np.array(X)
X_p=[i for i in range(2003,2010)]#预测年份数据
X_p=np.array(X_p)
X_sta=X[0]-1#最开始参考数据
#求解未知数
for j in range(3):
    B=np.zeros((n-1,2))
    for i in range(n-1):
        B[i,0]=-1/2*(data1[j,i]+data1[j,i+1])
        B[i,1]=1
    Y=data.T[j,1:7]
    a_u=np.dot(np.dot(np.linalg.inv(np.dot(B.T,B)),B.T),Y.T)
#     print(a_u)
    #进行数据预测
    a=a_u[0]
    u=a_u[1]
    T=[i for i in range(1997,2010)]
    T=np.array(T)
    data_p=(data1[0,j]-u/a)*np.exp(-a*(T-X_sta-1))+u/a #累加数据
#     print(data_p)
    data_p1=data_p
    data_p1[1:len(data_p)]=data_p1[1:len(data_p)]-data_p1[0:len(data_p)-1]
#     print(data_p1)
    title_str=['第一产业GDP预测','居民消费价格指数预测','第三产业GDP预测']
    plt.subplot(221+j)
    data_n=data_p1
    plt.scatter(range(1997,2003),data[:,j])
    plt.plot(range(1997,2003),data_n[X-X_sta])
    plt.scatter(range(2003,2010),data_T[:,j])
    plt. plot(range(2003,2010),data_n[X_p-X_sta-1])
#     plt.title(title_str[j])
    plt.legend(['实际原数据','拟合数据','预测参考数据','预测数据'])
    y_n=data_n[X_p-X_sta-1].T
    y=data_T[:,j]
    wucha=sum(abs(y_n-y)/y)/len(y)
    titlestr1=[title_str[j],'预测相对误差：',wucha]
    plt.title(titlestr1)
    plt.show()

完整代码 

import numpy as np
import matplotlib.pyplot as plt
import math
 
# 解决图标题中文乱码问题
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
 
#原数据
data=np.array([[72.03,241.2,1592.74],[73.84,241.2,1855.36],[74.49,244.8,2129.60],[76.68,250.9,2486.86],[78.00,250.9,2728.94],[79.68,252.2,3038.90]])
#要预测数据的真实值
data_T=np.array([[81.21,256.5,3458.05],[82.84,259.4,3900.27],[84.5,262.4,4399.06],[86.19,265.3,4961.62],[87.92,268.3,5596.1],[89.69,271.4, 6311.79],[91.49,274.5,7118.96]])
 
#累加数据
data1=np.cumsum(data.T,1)
print(data1)
 
[m,n]=data1.shape #得到行数和列数 m=3,n=6
#对这三列分别进行预测
X=[i for i in range(1997,2003)]#已知年份数据
X=np.array(X)
X_p=[i for i in range(2003,2010)]#预测年份数据
X_p=np.array(X_p)
X_sta=X[0]-1#最开始参考数据
#求解未知数
for j in range(3):
    B=np.zeros((n-1,2))
    for i in range(n-1):
        B[i,0]=-1/2*(data1[j,i]+data1[j,i+1])
        B[i,1]=1
    Y=data.T[j,1:7]
    a_u=np.dot(np.dot(np.linalg.inv(np.dot(B.T,B)),B.T),Y.T)
#     print(a_u)
    #进行数据预测
    a=a_u[0]
    u=a_u[1]
    T=[i for i in range(1997,2010)]
    T=np.array(T)
    data_p=(data1[0,j]-u/a)*np.exp(-a*(T-X_sta-1))+u/a #累加数据
#     print(data_p)
    data_p1=data_p
    data_p1[1:len(data_p)]=data_p1[1:len(data_p)]-data_p1[0:len(data_p)-1]
#     print(data_p1)
    title_str=['第一产业GDP预测','居民消费价格指数预测','第三产业GDP预测']
    plt.subplot(221+j)
    data_n=data_p1
    plt.scatter(range(1997,2003),data[:,j])
    plt.plot(range(1997,2003),data_n[X-X_sta])
    plt.scatter(range(2003,2010),data_T[:,j])
    plt. plot(range(2003,2010),data_n[X_p-X_sta-1])
#     plt.title(title_str[j])
    plt.legend(['实际原数据','拟合数据','预测参考数据','预测数据'])
    y_n=data_n[X_p-X_sta-1].T
    y=data_T[:,j]
    wucha=sum(abs(y_n-y)/y)/len(y)
    titlestr1=[title_str[j],'预测相对误差：',wucha]
    plt.title(titlestr1)
    plt.show()

2.5基于MATLAB的灰色预测法

2.5.1 导入数据

%原数据
data=[72.03,241.2,1592.74;73.84  ,241.2,1855.36;74.49,244.8,2129.60;...
76.68,250.9,2486.86;78.00,250.9,2728.94;79.68,252.2,3038.90]
%要预测数据的真实值
data_T=[81.21,256.5,3458.05;82.84,259.4,3900.27;84.5,262.4,4399.06;...
86.19,265.3,4961.62;87.92,268.3,5596.1;89.69,271.4,  6311.79;91.49,274.5,7118.96]

 2.5.2 进行累加数据

%% 累加数据
data1=cumsum(data,1)

2.5.3 求解系数 

for j=1:size(data,2)
    B=zeros(size(data,1)-1,2);
    for i=1:size(data,1)-1
        B(i,1)=-1/2*(data1(i,j)+data1(i+1,j));
        B(i,2)=1;
    end
    Y=data(2:end,j);
    a_u=inv(B'*B)*B'*Y

2.5.4 预测数据及对比 

for j=1:size(data,2)
    B=zeros(size(data,1)-1,2);
    for i=1:size(data,1)-1
        B(i,1)=-1/2*(data1(i,j)+data1(i+1,j));
        B(i,2)=1;
    end
    Y=data(2:end,j);
    a_u=inv(B'*B)*B'*Y;
    %进行数据预测
    a=a_u(1); u=a_u(2);
    T=[X,X_p];
    data_p=(data1(1,j)-u/a).*exp(-a.*(T-X_sta))+u/a;%累加数据
    data_p1(1)=data_p(1);
    for n=2:length(data_p)
        data_p1(n)=data_p(n)-data_p(n-1)
    end
    title_str={'第一产业GDP预测','居民消费价格指数预测','第三产业GDP预测'};
    figure(1)
    subplot(2,2,j)
    plot(X,data(:,j),'*','LineWidth',1,'DisplayName','实际原数据')
    hold on 
    plot(X_p,data_T(:,j),'o','LineWidth',1,'DisplayName','预测参考数据')
    hold on
    data_n=data_p1;
    plot(X(2:end),data_n(X(2:end)-X_sta),'LineWidth',2,'DisplayName','拟合数据')
    plot(X_p,data_n(X_p-X_sta),'LineWidth',2,'DisplayName','预测数据')
    y_n=data_n(X_p-X_sta)';
    y=data_T(:,j);
    wucha=sum(abs(y_n-y)./y)/length(y);
    titlestr1=[title_str{1,j},'  预测相对误差：',num2str(wucha)];
    hold on
    legend('show','Location','Best');
    title(titlestr1)
end

完整代码 

clc;clear;
%原数据
data=[72.03,241.2,1592.74;73.84  ,241.2,1855.36;74.49,244.8,2129.60;...
76.68,250.9,2486.86;78.00,250.9,2728.94;79.68,252.2,3038.90];
%要预测数据的真实值
data_T=[81.21,256.5,3458.05;82.84,259.4,3900.27;84.5,262.4,4399.06;...
86.19,265.3,4961.62;87.92,268.3,5596.1;89.69,271.4,  6311.79;91.49,274.5,7118.96];
%% 累加数据
data1=cumsum(data,1);
%% 求解系数
%对这三列分别进行预测
X=(1997:2002);%已知年份数据
X_p=(2003:2009);%预测年份数据
X_sta=X(1)-1;%最开始参考数据
for j=1:size(data,2)
    B=zeros(size(data,1)-1,2);
    for i=1:size(data,1)-1
        B(i,1)=-1/2*(data1(i,j)+data1(i+1,j));
        B(i,2)=1;
    end
    Y=data(2:end,j);
    a_u=inv(B'*B)*B'*Y;
    %进行数据预测
    a=a_u(1); u=a_u(2);
    T=[X,X_p];
    data_p=(data1(1,j)-u/a).*exp(-a.*(T-X_sta))+u/a;%累加数据
    data_p1(1)=data_p(1);
    for n=2:length(data_p)
        data_p1(n)=data_p(n)-data_p(n-1);
    end
    title_str={'第一产业GDP预测','居民消费价格指数预测','第三产业GDP预测'};
    figure(1)
    subplot(2,2,j)
    plot(X,data(:,j),'*','LineWidth',1,'DisplayName','实际原数据')
    hold on 
    plot(X_p,data_T(:,j),'o','LineWidth',1,'DisplayName','预测参考数据')
    hold on
    data_n=data_p1;
    plot(X(2:end),data_n(X(2:end)-X_sta),'LineWidth',2,'DisplayName','拟合数据')
    plot(X_p,data_n(X_p-X_sta),'LineWidth',2,'DisplayName','预测数据')
    y_n=data_n(X_p-X_sta)';
    y=data_T(:,j);
    wucha=sum(abs(y_n-y)./y)/length(y);
    titlestr1=[title_str{1,j},'  预测相对误差：',num2str(wucha)];
    hold on
    legend('show','Location','Best');
    title(titlestr1)
end

三、灰色关联分析

例题

3.1步骤

 注释

 

 3.2原理

 3.3基于python的 灰色关联分析

3.3.1 读取数据 

#导入数据
data=pd.read_excel('D:\桌面\huiseguanlian.xlsx')
print(data)
#提取变量名 x1 -- x7
label_need=data.keys()[1:]
print(label_need)
#提取上面变量名下的数据
data1=data[label_need].values
print(data1)

 

 3.3.2 数据标准化 

#0.002~1区间归一化
[m,n]=data1.shape #得到行数和列数
data2=data1.astype('float')
data3=data2
ymin=0.002
ymax=1
for j in range(0,n):
    d_max=max(data2[:,j])
    d_min=min(data2[:,j])
    data3[:,j]=(ymax-ymin)*(data2[:,j]-d_min)/(d_max-d_min)+ymin
print(data3)

  3.3.3 绘制 x1,x4,x5,x6,x7 的折线图

t=range(2007,2014)
plt.plot(t,data3[:,0],'*-',c='red')
for i in range(4):
    plt.plot(t,data3[:,2+i],'.-')
plt.xlabel('year')
plt.legend(['x1','x4','x5','x6','x7'])
plt.title('灰色关联分析')

3.3.4 计算灰色相关系数

 3.4.1 得到其他列和参考列相等的绝对值

# 得到其他列和参考列相等的绝对值
for i in range(3,7):
    data3[:,i]=np.abs(data3[:,i]-data3[:,0])

3.4.2 得到绝对值矩阵的全局最大值和最小值

#得到绝对值矩阵的全局最大值和最小值
data4=data3[:,3:7]
d_max=np.max(data4)
d_min=np.min(data4)

3.4.3 定义分辨系数

a=0.5

3.4.4 计算灰色关联矩阵

data4=(d_min+a*d_max)/(data4+a*d_max)
xishu=np.mean(data4, axis=0)
print(' x4,x5,x6,x7 与 x1之间的灰色关联度分别为：')
print(xishu)

完整代码

#导入相关库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 解决图标题中文乱码问题
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
#导入数据
data=pd.read_excel('D:\桌面\huiseguanlian.xlsx')
# print(data)
#提取变量名 x1 -- x7
label_need=data.keys()[1:]
# print(label_need)
#提取上面变量名下的数据
data1=data[label_need].values
print(data1)
#0.002~1区间归一化
[m,n]=data1.shape #得到行数和列数
data2=data1.astype('float')
data3=data2
ymin=0.002
ymax=1
for j in range(0,n):
    d_max=max(data2[:,j])
    d_min=min(data2[:,j])
    data3[:,j]=(ymax-ymin)*(data2[:,j]-d_min)/(d_max-d_min)+ymin
print(data3)
# 绘制 x1,x4,x5,x6,x7 的折线图
t=range(2007,2014)
plt.plot(t,data3[:,0],'*-',c='red')
for i in range(4):
    plt.plot(t,data3[:,2+i],'.-')
plt.xlabel('year')
plt.legend(['x1','x4','x5','x6','x7'])
plt.title('灰色关联分析')
# 得到其他列和参考列相等的绝对值
for i in range(3,7):
    data3[:,i]=np.abs(data3[:,i]-data3[:,0])
#得到绝对值矩阵的全局最大值和最小值
data4=data3[:,3:7]
d_max=np.max(data4)
d_min=np.min(data4)
a=0.5 #定义分辨系数
# 计算灰色关联矩阵
data4=(d_min+a*d_max)/(data4+a*d_max)
xishu=np.mean(data4, axis=0)
print(' x4,x5,x6,x7 与 x1之间的灰色关联度分别为：')
print(xishu)

 

烟雨平生9527
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
matlab——灰色关联分析
gitfight
12-11 964
x1=[1.14 1.49 1.69 2.12 2.43 4.32 5.92 6.07 7.85;3.30 3.47 3.61 3.80 4.00 4.19 4.42 4.61 4.80;6.00 6.00 6.00 7.50 7.50 7.50 9.00 9.00 9.00;1.20 1.20 1.80 1.80 1.80 2.40 2.70 3.60 4.00;4.87 5.89 6.76 7...
GM灰色关联度分析软件.zip
03-11
《GM灰色关联度分析软件：国产利器在数据分析中的应用》 在数据分析领域，灰色关联度分析作为一种有效的数据处理方法，已经广泛应用于各个行业。而“GM灰色关联度分析软件”正是国内开发的一款专用于此类分析的专业...
【数学建模-灰色关联分析与灰色预测】
最新发布
m0_48590589的博客
07-16 2446
灰色关联度是分析向量与向量之间或者矩阵与矩阵之间的关联度。既然计算关联度，就一定要有待比较数列和参照数列的关联度灰色预测模型 （ Gray Forecast Model ）是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法。当我们应用运筹学的思想方法解决实际问题，制定发展战略和政策、进行重大问题的决策时，都必须对未来进行科学的预测。预测是根据客观事物的过去和现在的发展规律，借助于科学的方法对其未来的发展趋势和状况进行描述和分析，并形成科学的假设和判断。
灰色关联度矩阵——MATLAB在数学建模中的应用
YuNlear的博客
08-01 1358
灰色预测是一种常规的预测手段，具有操作简便，所需数据量少等优点，一般只需有4个数据就可以进行预测。灰色预测是基于灰色系统理论的预测方法。灰色系统由我国著名学者邓聚龙教授在1982年提出，是相对于“白色模型”——完全信息透明的模型，和“黑色模型”——对信息一无所知的模型的模型概念。...
备战数学建模15-灰色关联分析与灰色预测模型
nuist_NJUPT的博客
05-07 6404
一、灰色系统理论与灰色关联分析 1-灰色预测的概念 灰色系统的起源及简单介绍如下所示： 灰色系统主要应用于如下四个方面，具体如下： 我们进一步看一下灰色系统的相关概念，具体如下： 我们继续学习一下，什么是灰色预测法，具体如下： ​​​ 灰色预测的常见四种类型如下： 即灰色时间序列预测，畸变预测，系统预测，拓扑预测 2-灰色关联度与优势分析 下面看一下灰色关联度分析的基本步骤，具体如下： 3-灰色关联分析...
灰色关联分析及实践
RUC_Lee的博客
12-03 3337
灰色关联分析及实践1 背景2 灰色关联分析2.1 定义2.2 名称起源2.3 思想2.4 作用2.5 算法步骤2.6 评价标准2.7 应用应用1: 旅游业发展程度的影响因子应用2:哪一种产业对GDP总量影响最大？应用3：不同产业之间的协同度（关联度）3 Python实现3.1 读入数据3.2 确定参考序列和比较序列3.3 归一化处理3.4 计算灰色关联系数3.5 计算灰色关联度3.6 结论4 总结 1 背景 近期需要针对某省份十大关心的产业进行一个产业协同分析，从而分析出不同产业之间的关联程度，以及单独产业
灰色关联分析代码（Matlab完整源码和数据）
05-26
灰色关联分析是一种在不完全或不确定数据环境下评估变量间关联程度的方法，广泛应用于各个领域，如工程、经济、医学和社会科学。本资源包含Matlab完整源码和数据，旨在帮助用户理解和应用灰色关联分析。 首先，我们...
数模程序汇总： 灰色关联分析.rar
03-21
【数学建模】数模各种模型算法matlab代码实现 代码注释极详细，修改数据可直接使用 附有代码对应例题及数据、应用到该算法的国赛优秀范例辅助理解 上述所有资料均针对数模竞赛应用实操，应用性很强，非理论！！！
灰色关联度等_关联度python_python关联分析_灰色关联度等_
10-03
"灰色关联度等"再次强调了主题，暗示我们不仅会讨论灰色关联度，还可能涉及其他类似的关联分析方法。在Python中，我们可以使用自定义函数或已有的第三方库（如greyrelate）来实现灰色关联度计算。 压缩包中的文件...
如何利用python实现灰色关联分析？
theskylife的博客
05-11 5379
什么是灰色关联分析？如何进行灰色关联度分析？如何在python中实现灰色关联分析？灰色关联分析有哪些应用场景？灰色关联分析该如何进行归一化？
灰色关联案例与代码
全栈川川
02-15 2387
灰色关联matlab
【数学建模】灰色关联分析 + Matlab代码实现
热门推荐
知不足而奋进，望远山而前行
12-11 10万+
灰色关联分析法的优势在于，它弥补了采用数理统计方法系统分析所导致的缺憾，对样本量的多少和样本有无规律都适用，而且计算量小，十分方便，更不会出现与定性结果不符合的情况。但是灰色关联分析仅在我国有部分学者使用，在国际上并没有得到太多认可，而且当数据量较大的时候，使用标准化回归的方法是更好的选择，只有在数据很少万不得已的情况下，才考虑灰色关联分析，当然，你也可以两者综合考虑。值得一提的是，在灰色关联分析中，母序列有多个的情况，我们只需要分开计算即可，也就是说，每一个母序列，都对应一个完整的子序列。
从零开始的数模（十二）时间序列
qq_62377885的博客
02-03 391
1.1带有时间的数据有哪些特殊性 带有时间的数据有哪些特殊性。
灰色关联度分析算法（包含matlab源码及实例）
m0_62558103的博客
09-12 7518
灰色关联度分析算法（包含matlab源码及实例）
灰色关联法 —— python
PY洋洋
02-25 2万+
1.简介 2.算法详解 2.1 数据标准化 2.2计算灰色相关系数 2.3 计算灰色关联度系数 3.实例分析 3.1 读取数据 3.2 数据标准化 3.3绘制 x1,x4,x5,x6,x7 的折线图 3.4计算灰色相关系数 完整代码
大一小白的数模比赛（灰色关联度和灰色预测）附Matlab代码
lwt_player的博客
05-03 4172
灰色关联度和灰色预测Matlab代码和实例
plt.plot() 函数详解
weixin_47989730的博客
04-22 7万+
plt.plot()函数是matplotlib.pyplot模块下的一个函数,用于画图 它可以绘制点和线, 并且对其样式进行控制. 由浅入深介绍如下 1.plt.plot(x, y) 1.1 x为x轴数据, y为y轴数据 import matplotlib.pyplot as plt x=[3,4,5] # [列表] y=[2,3,2] # x,y元素个数N应相同 plt.plot(x,y) plt.show() 1.2 x, y可传入(元组), [列表], np.array, pd.S.
数学建模|预测方法：灰色预测模型
CODE_WangZIli的博客
02-08 1万+
数学建模灰色预测模型，参照司守奎《数学建模算法与应用》以及文中博客
全面二胎政策下的人口预测：灰色关联与BP神经网络分析
3. **灰色关联分析**：是一种评估不同序列间相似度的统计方法，用于揭示变量之间的内在关联程度。在本文中，灰色关联分析可能被用来衡量人口结构与政策变化的相关性。 4. **离散累加法**：在计算每年新增人口时使用...
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

烟雨平生9527

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