K邻近算法（KNN）的原理和实例

最新推荐文章于 2024-08-11 22:50:26 发布
最新推荐文章于 2024-08-11 22:50:26 发布
阅读量1.4k 收藏 8
点赞数
文章标签： 算法 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_64648934/article/details/133715721
版权

一.KNN算法原理

1.1基本概念

KNN（K-NearestNeighbor）即K近邻算法，是数据挖掘分类技术中最简单的方法之一。所谓K近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。

1.2KNN算法原理基础

KNN的算法原理，可以简单如下描述：
一个数据集中存在多个已有标签的样本值，这些样本值共有的n个特征构成了一个多维空间N。当有一个需要预测/分类的样本x出现，我们把这个x放到多维空间n中，找到离其距离最近的k个样本，并将这些样本称为最近邻（nearest neighbour）。对这k个最近邻，查看他们的标签都属于何种类别，根据”少数服从多数，一点算一票”的原则进行判断，数量最多标签类别就是x的标签类别。其中涉及到的原理是“越相近越相似”，这也是KNN的基本假设。 KNN中的K代表的是距离需要分类的测试点x最近的K个样本点，如果不输入这个值，KNN算法中的重要部分“选出K个最近邻”就无法实现。

二.KNN算法中常用的距离指标

2.1欧几里得距离

欧几里得距离或欧几里得度量是欧几里得空间中两点间的即直线距离。使用这个距离，欧氏空间成为度量空间，相关联的范数称为欧几里得范数。

d(x,y)=\sqrt{\sum{i-1}^{n}(x{i}-y_{i})^{2}}

2.2曼哈顿距离

曼哈顿距离是种使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和。

d(x,y)=\sum{i-1}^{n}\vert x{i}-y_{i}\vert

下图中红线代表曼哈顿距离，绿色代表欧几里得距离，也就是直线距离，而蓝色和黄色代表等价的曼哈顿距离。

三.KNN算法的优缺点

         优点： 简单，易于理解，易于实现，无需估计参数，无需训练（不需要花费任何时间做模型的构造）， 特别适合多分类问题，适合对稀有事件进行分类，精度高，对异常值不敏感，无数据输入假定。

        缺点：消极学习法， 需要大量的存储空间（需要保存全部数据集）， 耗时（需计算目标样本与训练集中每个样本的值），可解释性差；即该算法的存储复杂度是O(n)，其中n为训练对象的数量，时间复杂度也是O(n)（计算复杂度高，空间复杂度高）

四.KNN算法的示例

海伦一直使用在线约会网站寻找适合自己的约会对象。她曾交往过三种类型的人：

  • 不喜欢的人

  • 一般喜欢的人

  • 非常喜欢的人

这些人包含以下三种特征

  1. 每年获得的飞行常客里程数

  2. 玩视频游戏所耗时间百分比

  3. 每周消费的冰淇淋公升数

该网站现在需要尽可能向海伦推荐她喜欢的人，需要我们设计一个分类器，根据用户的以上三种特征，识别出是否该向海伦推荐。

4.1数据导入

导入代码

# 读取数据集
def file2matrix(filename):
    # 打开文件
    fr = open(filename)
    # 读取txt文件的每一行,将每一行作为字符串存入arrayOlines这个列表内
    arrayOlines = fr.readlines()
    # 通过len()函数获取arrayOlines列表的长度
    numberOfLines = len(arrayOlines)
    # 通过numpy的zeros()函数创建一个有arrayOlines一样长并且有三列的零矩阵
    # zeros((a,b))里面的参数为一个元组的时候表示创建一个a行b列的零矩阵
    returnMat = np.zeros((numberOfLines, 3))
    # 先声明一个空列表用于存放标签
    classLabelVector = []
    index = 0
    for line in arrayOlines:
        # 遍历arrayOlines列表，消除列表中的回车符
        line = line.strip()
        # 以'\t'作为分隔符，将arrayOlines列表的每个元素分隔开成为一个列表
        listFormLine = line.split('\t')
        # 并且将返回回来的列表的前三个元素作为returnMat矩阵的行
        returnMat[index, :] = listFormLine[0:3]
        if listFormLine[-1] == 'didntLike':
            classLabelVector.append(1)
        elif listFormLine[-1] == 'smallDoses':
            classLabelVector.append(2)
        elif listFormLine[-1] == 'largeDoses':
            classLabelVector.append(3)
        # # 创建一个新的字典labels
        # labels = {'didntLike': 1, 'smallDoses': 2, 'largeDoses': 3}
        # # 以labels字典作为参考，将listFormLine列表的最后一个元素，将这个字符串在字典中对应的键值使用追加的方法依次存入classLabelVector列表中
        # classLabelVector.append(labels[listFormLine[-1]])
        index += 1
    return returnMat, classLabelVector

4.2分析数据


distance=√V(gn-p1)2 +(q2-p2)2+(q3-p3)2+...+(9n-pn)2=、> (qi-p)2
当使用这个公式计算距离时，当某一个特征的数据很大的时候，其他的数据特征的影响会变得很小甚至可以忽略不计。所以就需要进行数据的归一化，即将每个特征的数据都缩放到0~1之间。

# 数据的归一化
def autoNorm(dataSet):
    # 获得数据的最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    # 最大值和最小值的范围
    ranges = maxVals - minVals
    # shape(dataSet)返回dataSet的矩阵行列数
    normDataSet = np.zeros(np.shape(dataSet))
    # 返回dataSet的行数
    m = dataSet.shape[0]
    # 原始值减去最小值
    normDataSet = dataSet - np.tile(minVals, (m, 1))
    # 除以最大和最小值的差,得到归一化数据
    normDataSet = normDataSet / np.tile(ranges, (m, 1))
    # 返回归一化数据结果,数据范围,最小值
    return normDataSet, ranges, minVals

4.3数据的可视化

def showdatas(datingDataMat, datingLabels):
    # 设置汉字格式
    font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
    # 将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
    # 当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
    fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False, figsize=(13, 8))
 
    numberOfLabels = len(datingLabels)
    LabelsColors = []
    for i in datingLabels:
        if i == 1:
            LabelsColors.append('black')
        if i == 2:
            LabelsColors.append('orange')
        if i == 3:
            LabelsColors.append('red')
    # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][0].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 1], color=LabelsColors, s=15, alpha=.5)
    # 设置标题,x轴label,y轴label
    axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比', FontProperties=font)
    axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font)
    axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占', FontProperties=font)
    plt.setp(axs0_title_text, size=9, weight='bold', color='red')
    plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')
    plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')
 
    # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][1].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5)
    # 设置标题,x轴label,y轴label
    axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数', FontProperties=font)
    axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font)
    axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数', FontProperties=font)
    plt.setp(axs1_title_text, size=9, weight='bold', color='red')
    plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')
    plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')
 
    # 画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[1][0].scatter(x=datingDataMat[:, 1], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5)
    # 设置标题,x轴label,y轴label
    axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数', FontProperties=font)
    axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比', FontProperties=font)
    axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数', FontProperties=font)
    plt.setp(axs2_title_text, size=9, weight='bold', color='red')
    plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')
    plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')
    # 设置图例
    didntLike = mlines.Line2D([], [], color='black', marker='.',
                              markersize=6, label='didntLike')
    smallDoses = mlines.Line2D([], [], color='orange', marker='.',
                               markersize=6, label='smallDoses')
    largeDoses = mlines.Line2D([], [], color='red', marker='.',
                               markersize=6, label='largeDoses')
    # 添加图例
    axs[0][0].legend(handles=[didntLike, smallDoses, largeDoses])
    axs[0][1].legend(handles=[didntLike, smallDoses, largeDoses])
    axs[1][0].legend(handles=[didntLike, smallDoses, largeDoses])
    # 显示图片
    plt.show()def showdatas(datingDataMat, datingLabels):
    # 设置汉字格式
    font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
    # 将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
    # 当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
    fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False, figsize=(13, 8))
 
    numberOfLabels = len(datingLabels)
    LabelsColors = []
    for i in datingLabels:
        if i == 1:
            LabelsColors.append('black')
        if i == 2:
            LabelsColors.append('orange')
        if i == 3:
            LabelsColors.append('red')
    # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][0].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 1], color=LabelsColors, s=15, alpha=.5)
    # 设置标题,x轴label,y轴label
    axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比', FontProperties=font)
    axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font)
    axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占', FontProperties=font)
    plt.setp(axs0_title_text, size=9, weight='bold', color='red')
    plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')
    plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')
 
    # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][1].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5)
    # 设置标题,x轴label,y轴label
    axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数', FontProperties=font)
    axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font)
    axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数', FontProperties=font)
    plt.setp(axs1_title_text, size=9, weight='bold', color='red')
    plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')
    plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')
 
    # 画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[1][0].scatter(x=datingDataMat[:, 1], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5)
    # 设置标题,x轴label,y轴label
    axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数', FontProperties=font)
    axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比', FontProperties=font)
    axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数', FontProperties=font)
    plt.setp(axs2_title_text, size=9, weight='bold', color='red')
    plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')
    plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')
    # 设置图例
    didntLike = mlines.Line2D([], [], color='black', marker='.',
                              markersize=6, label='didntLike')
    smallDoses = mlines.Line2D([], [], color='orange', marker='.',
                               markersize=6, label='smallDoses')
    largeDoses = mlines.Line2D([], [], color='red', marker='.',
                               markersize=6, label='largeDoses')
    # 添加图例
    axs[0][0].legend(handles=[didntLike, smallDoses, largeDoses])
    axs[0][1].legend(handles=[didntLike, smallDoses, largeDoses])
    axs[1][0].legend(handles=[didntLike, smallDoses, largeDoses])
    # 显示图片
    plt.show()

4.4 算法预测

def classify0(inx, dataset, labels, k):
    dataSetsize = dataset.shape[0]
    diffMat = np.tile(inx, (dataSetsize, 1)) - dataset
    sqdiffMat = diffMat ** 2
    sqDistances = sqdiffMat.sum(1)
    distances = sqDistances ** 0.5
    sortedDistIndices = distances.argsort()
    classcount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndices[i]]
        # print(voteIlabel)
        classcount[voteIlabel] = classcount.get(voteIlabel, 0) + 1
    sortClassCount = sorted(classcount.items(), key=operator.itemgetter(1), reverse=True)
    return sortClassCount[0][0]

得出结果：

# 通过输入一个人的三维特征,进行分类输出
def classifyPerson():
    #输出结果
    resultList = ['讨厌','有些喜欢','非常喜欢']
    #三维特征用户输入
    ffMiles = float(input("每年获得的飞行常客里程数:"))
    precentTats = float(input("玩视频游戏所耗时间百分比:"))
    iceCream = float(input("每周消费的冰激淋公升数:"))
    #打开的文件名
    filename = "datingTestSet.txt"
    #打开并处理数据
    datingDataMat, datingLabels = file2matrix(filename)
    #训练集归一化
    normMat, ranges, minVals = autoNorm(datingDataMat)
    #生成NumPy数组,测试集
    #inArr = np.array([precentTats, ffMiles, iceCream])
    inArr = np.array([ffMiles, precentTats, iceCream])
    #测试集归一化
    norminArr = (inArr - minVals) / ranges
    #返回分类结果
    classifierResult = classify0(norminArr, normMat, datingLabels, 3)
    #打印结果
    print("你可能%s这个人" % (resultList[classifierResult-1]))

2e213
关注
机器学习——KNN算法原理
m17635262186的博客
09-25 169
KNN算法是通过计算不同特征值之间的距离来进行分类的算法。其工作原理是这样的，存在一个样本数据的集合，这个样本数据的集合被称作训练样本集，样本集中每个数据的标签与这些数据之间有着一一对应的关系。输入没有标签的新数据后，会将新数据的每个特征与样本集中数据特征进行比较，然后利用相关的距离算法提取样本集中特征最相似数据的分类标签。一般会选择样本数据集中前k个最相似的数据，通常k的取值是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。
KNN分类算法例子
04-22
NULL 博文链接：https://zy3381.iteye.com/blog/1937880
算法——k-近邻算法
最新发布
m0_66890670的博客
08-11 1291
对k-近邻算法的详细学习，包括k-近邻算法流程，k值选取，kd树，k-近邻算法的python代码，k-近邻算法的优缺点总结。
【机器学习】一文搞懂K近邻算法(KNN)，附带多个实现案例
Daycym的博客
11-24 7150
一、KNN回顾 kkk近邻算法 kkk 近邻学习是一种常用的监督学习方法，比如：判断一个人的人品，只需要观察与他来往最密切的几个人的人品好坏就可以得出，即“近朱者赤，近墨者黑”。 理论/原理：“物以类聚，人以群分” 相同/近似样本在样本空间中是比较接近的，所以可以使用和当前样本比较近的其他样本的目标属性值作为当前样本的预测值。 kkk 近邻法的工作机制很简单： 给定测试样本，基于某种距离度...
K近邻算法基本原理
互联网知识分享
11-24 522
该算法基于一个简单的假设：与某个样本最相似的K个样本中的多数类别，可以用来预测该样本的类别。K近邻分类算法的基本思想是：对于新的样本点，计算它与训练集中所有样本点的距离，然后选取距离最近的K个样本点，根据这K个样本点的类别进行投票，将票数最多的类别作为新样本点的预测类别。与K近邻分类算法类似，K近邻回归算法也是根据训练集中最近的K个样本点来进行预测，不同的是它是基于这K个样本点的平均值或加权平均值来进行回归预测。K：K值代表选取最近的K个样本点，是K近邻算法中的一个重要参数。三、K近邻算法代码案例。
KNN算法经典实例
htfenght的博客
03-07 5255
机器学习算法完整版见fenghaootong-github MINST for KNN 数据集描述 数据文件train.csv和test.csv包含从零到九的手绘数字的灰度图像。 每个图像是高28个像素，宽28个像素，总共784像素，每个像素都有一个与之相关的像素值，用来表示像素的亮度，数字越高亮度越暗，这个值的范围是0-255 训练集有785列，第一列是标签是用户绘制的...
KNN算法原理
记忆碎片的博客
12-22 1万+
文章目录KNN算法原理KNN算法三要素K值的选择距离度量的方式分类决策规则KNN算法的计算过程KNN算法实例KNN算法的优点和缺点 KNN算法原理 KNN算法的核心思想是如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者...
knn.zip_K._java KNN_knn、KNN、邻近算法_knn算法
09-23
本项目通过Java语言实现了一个简单的KNN算法，帮助初学者理解该算法的基本原理和编程实现。 1. **KNN算法简介** KNN算法基于实例学习，其核心思想是：对于一个未知类别的样本，我们将其分类到与其最近的K个已知...
kNN.rar_K._k-邻近算法_knn_k近邻
09-24
k-邻近算法（k-Nearest Neighbor，简称kNN）是一种基于实例的学习，或称为非参数统计分类方法。在机器学习领域，它扮演着重要角色，尤其在分类任务中。kNN的基本思想是：一个未知类别的样本点可以通过其最近的k个...
knn.rar_K._K邻近算法_k nearest neighbour_最邻近算法
09-22
K邻近算法（K-Nearest Neighbour，KNN）** KNN是一种基于实例的学习，也是监督学习中的非参数方法。它的基本思想是：对于未知类别的数据点，我们将其分类到与其最接近的K个已知类别数据点的多数类别中。这个“最...
最邻近算法_knn_K._shop1bc_最邻近算法_
09-28
最邻近算法（K-Nearest Neighbors，简称KNN）是一种基础且广泛应用的监督学习方法，主要用于分类和回归问题。在KNN算法中，我们假设一个实例将被分配到与其最近的邻居最多的类别，这一原则被称为“局部一致”或...
knn.rar_K._k临近算法_k临近算法例子_k邻近算法示例
09-23
**K. K临近算法（K-Nearest Neighbors, KNN）** KNN是一种监督学习算法，常用于分类和回归任务。...通过阅读和理解提供的代码，读者不仅可以掌握KNN的工作原理，还能学会如何在实际项目中应用这一算法。
机器学习——KNN算法的实例
weixin_51031096的博客
12-22 2688
KNN算法预测电影类型，极其简单，入门学习笔记
KNN(K-Nearest Neighbor)分类算法原理
沈春旭的博客
05-13 2万+
1.什么是看KNN算法？ 最简单最初级的分类器是将全部的训练数据所对应的类别都记录下来，当测试对象的属性和某个训练对象的属性完全匹配时，便可以对其进行分类。但是怎么可能所有测试对象都会找到与之完全匹配的训练对象呢，其次就是存在一个测试对象同时与多个训练对象匹配，导致一个训练对象被分到了多个类的问题，基于这些问题呢，就产生了KNN。 KNN是通过测量不同特征值之间的距离进行分类。它的
KNN算法（一） KNN算法原理
热门推荐
weixin_45014385的博客
03-20 12万+
一.KNN算法概述 KNN可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一，注意KNN算法是有监督学习中的分类算法，它看起来和另一个机器学习算法Kmeans有点像（Kmeans是无监督学习算法），但却是有本质区别的。那么什么是KNN算法呢，接下来我们就来介绍介绍吧。 二.KNN算法介绍 KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，从这个名字我们就能看出一些KNN算法的蛛丝马迹了。K个最近邻居，毫无疑问，K的取值肯定是至关重要的。那么最近的邻居又是怎么回事呢
KNN 算法的原理以及理解
义山李公子
11-10 1万+
1算法原理 KNN，全称k-NearestNeighbor。 算法的核心思想是：未标记样本的类别由距离其最近的K个邻居投票来决定。 可解决分类或者回归问题。由其思想可以看出，KNN是通过测量不同特征值之间的距离进行分类，而且在决策样本类别时，只参考样本周围k个“邻居”样本的所属类别。因此比较适合处理样本集存在较多重叠的场景，主要用于聚类分析、预测分析、文本分类、降维等，也常被认为是简单数据...
KNN算法（k近邻算法）原理及总结
m0_74405427的博客
10-09 7万+
KNN 算法，或者称 k最邻近算法，是有监督学习中的分类算法。它可以用于分类或回归问题，但它通常用作分类算法。
K近邻算法的基本原理和代码
qq_60197466的博客
11-05 3270
knn算法的核心思想是未标记样本的类别，由距离其最近的k个邻居投票来决定。
KNN算法基本实例
weixin_30652271的博客
06-07 1112
　　KNN算法是机器学习领域中一个最基本的经典算法。它属于无监督学习领域的算法并且在模式识别，数据挖掘和特征提取领域有着广泛的应用。 给定一些预处理数据，通过一个属性把这些分类坐标分成不同的组。这就是KNN的思路。 　　下面，举个例子来说明一下。图中的数据点包含两个特征： 　　现在，给出数据点的另外一个节点，通过分析训练节点来把这些节点分类。没有分来的及诶但我们标记为白色，如下所示...
评论 1
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