Hive 窗口函数大全

已于 2023-01-03 18:20:10 修改
阅读量3k 收藏 19
点赞数 2
分类专栏： 大数据-hive 文章标签： hive 大数据 hadoop
于 2023-01-03 16:50:01 首次发布
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/suly_liping/article/details/128535403
版权

目录

窗口函数概述

窗口序列函数

row_number

dense_rank

窗口边界

滑动窗口

lag 获取上一行数据

lead 获取下一行数据

窗口专用计算函数

sum累加函数

max最大值

min最小值

avg平均值

count累计次数

first_value首行值

last_value末行值

cume_dist分布统计

percent_rank 秩分析函数

nitle数据切片函数

窗口函数概述

over窗口函数说明：

function(arg) over (partition by {partition columns} order by {order columns} desc/asc)

partition columns：当前行中根据指定的列对partition columns列相同值归到一个分区中；

order columns：在相同值的partition columns列分区中，按照order columns列值进行排序，可以指定升序或是降序，默认是升序

function(arg)：对应的窗口数据计算函数

窗口序列函数

row_number

在窗口内会对所有数值，输出不同的序号，序号唯一且连续，如：1、2、3、4、5。

row_number() OVER (PARTITION BY COL1 ORDER BY COL2)

表示根据COL1分组，在分组内部根据 COL2排序，而此函数计算的值就表示每组内部排序后的顺序编号（组内连续的唯一的)。

示例：

SELECT 
ROW_NUMBER() OVER (PARTITION BY province ) AS row_number 
,user_id 
,province 
FROM tmp_cube

结果

row_number    user_id    province
1    137    云南省
2    139    云南省
3    138    云南省
4    136    云南省
5    135    云南省
6    140    云南省
1    133    北京
2    132    北京
3    134    北京
1    124    广东省
2    127    广东省
3    151    广东省
4    123    广东省
5    225    广东省
6    126    广东省

会对相同数值，输出相同的序号，而且下一个序号间断，如：1、1、3、3、5。

示例

SELECT rank() OVER (PARTITION BY province order by part ) AS rank
        ,province
        ,part
FROM    tmp_cube

结果

rank    province    part
1    云南省    01
1    云南省    01
3    云南省    02
3    云南省    02
5    云南省    03
5    云南省    03
1    北京    01
2    北京    02
3    北京    03
1    广东省    01
1    广东省    01
3    广东省    02
3    广东省    02
5    广东省    03
5    广东省    03

dense_rank

会对相同数值，输出相同的序号，但下一个序号不间断，如：1、1、2、2、3。

示例：

SELECT 
dense_rank() OVER (PARTITION BY province order by part ) AS dense_rank 
,province 
,part 
FROM tmp_cube ;

结果

dense_rank    province    part
1    云南省    01
1    云南省    01
2    云南省    02
2    云南省    02
3    云南省    03
3    云南省    03
1    北京    01
2    北京    02
3    北京    03
1    广东省    01
1    广东省    01
2    广东省    02
2    广东省    02
3    广东省    03
3    广东省    03

窗口边界

控制窗口范围，必须配合over窗口的order by排序

参数解释：

n行数

unbounded 不限行数（修饰preceding和following） preceding 在前N行 following 在后N行 current row 当前行

举例说明 :

-- 窗口中整个的范围（over 窗口函数默认是整个窗口范围）

rows between unbounded preceding and unbounded following

-- 从 前无限行 到 当前行

rows between unbounded preceding and current row

-- 从 当前行的前2行 到 当前行

rows between 2 preceding and current row

-- 从 当前行 到 当前行后2行

rows between current row and 2 following

-- 当前行 到 后不限行 rows between current row and unbounded following

滑动窗口

lag 获取上一行数据

LAG(col,n)：配合over使用，取窗口范围往前第 n 行数据的值

lead 获取下一行数据

LEAD(col,n)：配合over使用，取窗口范围往后第 n 行数据的值

窗口专用计算函数

sum累加函数

实现效果：按照yyyymm统计截至到当前行的sum(num)值；

sum(num) over(partition by user_id,yyyy order by yyyymm asc )
SELECT user_id ,yyyymm ,integral ,sum(integral) over (partition by user_id order by yyyymm) as sum FROM user_totaluser_total ;

结果

user_id    yyyymm    integral    sum
195    202206    20060.0    20060.0
195    202207    23028.0    43088.0
195    202208    20150.0    63238.0
195    202209    20170.0    83408.0
195    202210    20284.0    103692.0
195    202211    20150.0    123842.0
195    202212    20944.0    144786.0
195    202301    \N    144786.0
400    202206    0.0    0.0
400    202207    20384.0    20384.0
400    202208    20150.0    40534.0
400    202209    0.0    40534.0
400    202210    20150.0    60684.0
400    202211    0.0    60684.0
400    202212    0.0    60684.0
400    202301    \N    60684.0
405    202206    0.0    0.0
405    202207    38852.0    38852.0
405    202208    0.0    38852.0
405    202209    13650.0    52502.0
405    202210    25916.0    78418.0
405    202211    0.0    78418.0
405    202212    0.0    78418.0

实现效果：每一个都是的sum(num)值；

sum(num) over(partition by user_id,yyyy )
SELECT 
user_id 
,yyyymm 
,integral 
,sum(integral) over (partition by user_id) as sum 
FROM user_totaluser_total ;

结果

user_id    yyyymm    integral    sum
195    202301    \N    144786.0
195    202206    20060.0    144786.0
195    202207    23028.0    144786.0
195    202208    20150.0    144786.0
195    202209    20170.0    144786.0
195    202210    20284.0    144786.0
195    202211    20150.0    144786.0
195    202212    20944.0    144786.0
400    202301    \N    60684.0
400    202206    0.0    60684.0
400    202207    20384.0    60684.0
400    202208    20150.0    60684.0
400    202209    0.0    60684.0
400    202210    20150.0    60684.0
400    202211    0.0    60684.0
400    202212    0.0    60684.0
405    202207    38852.0    78418.0
405    202206    0.0    78418.0
405    202209    13650.0    78418.0
405    202208    0.0    78418.0
405    202210    25916.0    78418.0
405    202211    0.0    78418.0
405    202212    0.0    78418.0

max最大值

min(expr) OVER([partition_by_clause] order_by_clause [window_clause]);

示例：

SELECT 
user_id 
,yyyymm 
,integral 
,max(integral) over (partition by user_id)
 FROM user_total

结果

user_id    yyyymm    integral    _c3
195    202207    23028.0    23028.0
195    202208    20150.0    23028.0
195    202209    20170.0    23028.0
195    202206    20060.0    23028.0
195    202210    20284.0    23028.0
195    202211    20150.0    23028.0
195    202212    20944.0    23028.0
195    202301    \N    23028.0
400    202209    0.0    20384.0
400    202206    0.0    20384.0
400    202207    20384.0    20384.0
400    202208    20150.0    20384.0
400    202210    20150.0    20384.0
400    202211    0.0    20384.0
400    202212    0.0    20384.0
400    202301    \N    20384.0
405    202206    0.0    38852.0
405    202207    38852.0    38852.0
405    202208    0.0    38852.0
405    202209    13650.0    38852.0
405    202210    25916.0    38852.0
405    202211    0.0    38852.0
405    202212    0.0    38852.0

min最小值

min(expr) OVER([partition_by_clause] order_by_clause [window_clause]);

示例：

SELECT 
user_id 
,yyyymm 
,integral 
,min(integral) over (partition by user_id) 
FROM user_total

结果

user_id    yyyymm    integral    _c3
195    202207    23028.0    23028.0
195    202208    20150.0    23028.0
195    202209    20170.0    23028.0
195    202206    20060.0    23028.0
195    202210    20284.0    23028.0
195    202211    20150.0    23028.0
195    202212    20944.0    23028.0
195    202301    \N    23028.0
400    202209    0.0    20384.0
400    202206    0.0    20384.0
400    202207    20384.0    20384.0
400    202208    20150.0    20384.0
400    202210    20150.0    20384.0
400    202211    0.0    20384.0
400    202212    0.0    20384.0
400    202301    \N    20384.0
405    202206    0.0    38852.0
405    202207    38852.0    38852.0
405    202208    0.0    38852.0
405    202209    13650.0    38852.0
405    202210    25916.0    38852.0
405    202211    0.0    38852.0
405    202212    0.0    38852.0

avg平均值

avg(expr) OVER([partition_by_clause] order_by_clause [window_clause]);

示例：

SELECT 
user_id 
,yyyymm 
,integral 
,avg(integral) over (partition by user_id) 
FROM user_total

结果

user_id    yyyymm    integral    _c3
195    202207    23028.0    20683.714285714286
195    202208    20150.0    20683.714285714286
195    202209    20170.0    20683.714285714286
195    202206    20060.0    20683.714285714286
195    202210    20284.0    20683.714285714286
195    202211    20150.0    20683.714285714286
195    202212    20944.0    20683.714285714286
195    202301    \N    20683.714285714286
400    202209    0.0    8669.142857142857
400    202206    0.0    8669.142857142857
400    202207    20384.0    8669.142857142857
400    202208    20150.0    8669.142857142857
400    202210    20150.0    8669.142857142857
400    202211    0.0    8669.142857142857
400    202212    0.0    8669.142857142857
400    202301    \N    8669.142857142857
405    202206    0.0    11202.57142857143
405    202207    38852.0    11202.57142857143
405    202208    0.0    11202.57142857143
405    202209    13650.0    11202.57142857143
405    202210    25916.0    11202.57142857143
405    202211    0.0    11202.57142857143
405    202212    0.0    11202.57142857143

count累计次数

count(expr) OVER([partition_by_clause] order_by_clause [window_clause]);

示例：

SELECT 
user_id 
,yyyymm 
,integral 
,count(integral) over (partition by user_id) 
FROM user_total

结果

user_id    yyyymm    integral    _c3
195    202207    23028.0    7
195    202208    20150.0    7
195    202209    20170.0    7
195    202206    20060.0    7
195    202210    20284.0    7
195    202211    20150.0    7
195    202212    20944.0    7
195    202301    \N    7
400    202209    0.0    7
400    202206    0.0    7
400    202207    20384.0    7
400    202208    20150.0    7
400    202210    20150.0    7
400    202211    0.0    7
400    202212    0.0    7
400    202301    \N    7
405    202206    0.0    7
405    202207    38852.0    7
405    202208    0.0    7
405    202209    13650.0    7
405    202210    25916.0    7
405    202211    0.0    7
405    202212    0.0    7

first_value首行值

first_value(expr) OVER([partition_by_clause] order_by_clause [window_clause]);

示例：

SELECT 
user_id 
,yyyymm 
,integral 
,first_value(yyyymm) over (partition by user_id order by yyyymm) 
FROM user_total

结果

user_id    yyyymm    integral    _c3
195    202206    20060.0    202206
195    202207    23028.0    202206
195    202208    20150.0    202206
195    202209    20170.0    202206
195    202210    20284.0    202206
195    202211    20150.0    202206
195    202212    20944.0    202206
195    202301    \N    202206
400    202206    0.0    202206
400    202207    20384.0    202206
400    202208    20150.0    202206
400    202209    0.0    202206
400    202210    20150.0    202206
400    202211    0.0    202206
400    202212    0.0    202206
400    202301    \N    202206
405    202206    0.0    202206
405    202207    38852.0    202206
405    202208    0.0    202206
405    202209    13650.0    202206
405    202210    25916.0    202206
405    202211    0.0    202206
405    202212    0.0    202206

last_value末行值

last_value(expr) OVER([partition_by_clause] order_by_clause [window_clause])

示例：

SELECT 
user_id 
,yyyymm 
,integral 
,last_value(yyyymm) over (partition by user_id order by yyyymm) 
FROM user_total

结果

user_id    yyyymm    integral    _c3
195    202206    20060.0    202206
195    202207    23028.0    202207
195    202208    20150.0    202208
195    202209    20170.0    202209
195    202210    20284.0    202210
195    202211    20150.0    202211
195    202212    20944.0    202212
195    202301    \N    202301
400    202206    0.0    202206
400    202207    20384.0    202207
400    202208    20150.0    202208
400    202209    0.0    202209
400    202210    20150.0    202210
400    202211    0.0    202211
400    202212    0.0    202212
400    202301    \N    202301
405    202206    0.0    202206
405    202207    38852.0    202207
405    202208    0.0    202208
405    202209    13650.0    202209
405    202210    25916.0    202210
405    202211    0.0    202211
405    202212    0.0    202212

cume_dist分布统计

如果按升序排列，则统计：小于等于当前值的行数/总行数(number of rows ≤ current row)/(total number ofrows）。

如果是降序排列，则统计：大于等于当前值的行数/总行数

示例：

统计小于等于当前工资的人数占总人数的比例

SELECT 
name
, dept_no
, salary
, cume_dist() OVER (ORDER BY salary) as cume_dist 
FROM data;

结果:

+-------+-------+------+---------+
|name   |dept_no|salary|cume_dist|
+-------+-------+------+---------+
|rose   |2      |4000  |0.125    |
|jack   |2      |5000  |0.375    |
|steven |3      |5000  |0.375    |
|john   |1      |6000  |0.5      |
|jerry  |2      |6600  |0.625    |
|tom    |1      |8000  |0.75     |
|richard|3      |9000  |0.875    |
|mike   |1      |10000 |1.0      |
+-------+-------+------+---------+

根据部门统计小于等于当前工资的人数占部门总人数的比例:

SELECT 
name
, dept_no
, salary
, cume_dist() OVER (PARTITION BY dept_no ORDER BY salary) as cume_dist 
FROM data;

percent_rank 秩分析函数

返回order by列的百分比排名；

计算逻辑：(RANK-1)/(N-1)

即：(rank - 1) / (the number of rows in the window or partition - 1)

select row,value,rank() over() ,PERCENT_RANK() over(partition by 1 order by value) from tablename;

结果：

Row#    Value    Rank    Calculation    PERCENT_RANK
1    15    1    (1-1)/(7-1)    0.0000
2    20    2    (2-1)/(7-1)    0.1666
3    20    2    (2-1)/(7-1)    0.1666
4    20    2    (2-1)/(7-1)    0.1666
5    30    5    (5-1)/(7-1)    0.6666
6    30    5    (5-1)/(7-1)    0.6666
7    40    7    (7-1)/(7-1)    1.0000

nitle数据切片函数

nitle(n),n指将分组内的数据按照order列进行排序切分成n个区，排名序号依次排名为1，2，3，4，5.....，并返回数据切片排名序号；

如，各地区销售额排名：

select 
province
,yyyymm
,gvm
,ntile(5) over(partition by province order by gvm desc) 
from total

结果：

province    yyyymm    gvm    _c3
上海    202210    3416560    1
上海    202206    3050450    1
上海    202207    2974400    2
上海    202209    2611310    2
上海    202208    2353780    3
上海    202205    2002650    3
上海    202204    1556750    4
上海    202211    1510340    5
云南省    202207    3819660    1
云南省    202204    3605550    1
云南省    202210    3493000    2
云南省    202206    3432000    2
云南省    202205    3272100    3
云南省    202209    3123720    3
云南省    202208    3089060    4
云南省    202211    1853150    5

后续可以根据ntile(5)的结果挑选第几切片的数据出来；通常结合n值，用于筛选前20%、10%等数据；

根据上面示例，求各地销售额前20%的数据：

（求前20%，即将数据切分城5份，取第一份数据即可）

select * from 
( select province,yyyymm,gvm,ntile(5) as ntile over(partition by province order by gvm desc) from total ) 
where ntile=1

罗生尘
关注
  • 2
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
C和指针之反转字符串
码莎拉蒂
10-29 2206
1、问题 把参数字符串中字符反向排序，请使用指针而不是数组下标，不要使用任何C函数库中 2、实现 #include #include /** * *函数把参数字符串中字符反向排序，请使用指针而不是数组下标，不要使用任何C函数库中 *用于操作字符串的函数. */ void reverse_string(char *string) { if (string ==
【Hive】窗口函数（开窗函数部分）
康师傅没有眼泪
11-24 2801
我们都知道在sql中有一类函数叫做聚合函数,例如sum()、avg()、max()等等,这类函数可以将多行数据按照规则聚集为一行,一般来讲聚集后的行数是要少于聚集前的行数的.但是有时我们想要既显示聚集前的数据,又要显示聚集后的数据,这时我们便引入了窗口函数.目前，我用的多的就是 row_number() , sum(), 解决topN 问题，分区排序，累积计数。hive中的窗口函数和sql中的窗口函数相类似,都是用来做一些数据分析类的工作,一般用于OLAP分析（在线分析处理）。
Hive窗口函数全解
ytp552200ytp的博客
04-20 982
Hive窗口函数
HIve窗口函数汇总整理全部带实例
qq_32118757的博客
01-19 560
HIve窗口函数汇总整理全部带实例，可以进行快速查询需要的函数，并配有实例说明
Hive窗口函数详解
qq_47947471的博客
10-12 2795
1.概述 (1)窗口函数是一组特殊函数 ①扫描多个输入行来计算每个输出值，为每行数据生成一行结果 ②可以通过窗口函数来实现复杂的计算和聚合 (2)语法 Function (arg1,..., arg n) OVER ([PARTITION BY <...>] [ORDER BY <....>] [<window_clause>]) ①PARTITION BY类似于GROUP BY，未指定则按整个结果集 ②只有指定ORDER BY子句之后才能进行窗口定义 ③可同时使用多个
hive常用窗口函数
Aidon博客
04-16 2320
1 hive窗口函数 在平时的开发中常用那些hive函数？？ 1、字符串操作函数？split、concat、ifnull、cast 2、聚合函数 ： hive适用于分析，所以常用。 3、时间函数 ： 数仓的特征随时间变化而变化，所以时间也特别多 哪窗口函数到底是什么鬼？？ hive中窗口函数是聚合函数的增强实现，是针对分组后，还需要对组内的每行数据返回一个对应的统计值。而这个聚合函数很难做到，聚...
hive窗口函数
01-09
hive窗口系列函数
hive窗口函数.docx
07-08
Hive 窗口函数详解 Hive 窗口函数是 Hive 中的一种强大的分析函数，它可以对数据进行分类、排序、聚合和排名等操作。下面将详细介绍 Hive 窗口函数的语法结构、分类、应用场景和实践练习。 窗口函数语法结构 窗口...
Hive 窗口函数
01-07
over()：指定分析函数工作的数据窗口的大小，这个数据窗口大小会随着行的变而变化。over跟在聚合函数后面，只对聚合函数生效。 current row：当前行 n preceding：往前n行数据 n following：往后n行数据 unbounded：...
hive的函数大全.rar
01-04
本资料“hive的函数大全.rar”包含了Hive的中英文两个版本的函数大全详细介绍，是学习和使用Hive进行大数据分析的重要参考资料。 Hive函数是Hive查询语言（HQL）的核心组成部分，它们允许用户执行各种数据操作，如...
hive 函数大全
01-12
以下是对“Hive函数大全”这个主题的详细讲解。 1. **数据类型**：Hive支持多种数据类型，包括基本类型如整型（TINYINT, SMALLINT, INT, BIGINT）、浮点型（FLOAT, DOUBLE）、布尔型（BOOLEAN）、字符串（STRING）...
Hive窗口分析函数（案例详细讲解）
lightupworld的博客
09-10 3156
Hive窗口分析函数一、语法结构二、窗口函数三、Over从句四、分析函数五、COUNT、SUM、MIN、MAX、AVG详解1.数据准备参考资料 一、语法结构 分析函数 over(partition by 列名 order by 列名 rows between 开始位置 and 结束位置) over()函数中包括三个函数：包括分区partition by 列名、排序order by 列名、指定窗口范围rows between 开始位置 and 结束位置。 我们在使用over()窗口函数时，over()函数中
HIVE 开窗函数
永青技术博客
04-18 2992
在开窗函数出现之前，存在着很多用 SQL 语句很难解决的问题，很多都要通过复杂的相关子查询或者存储过程来完成。为了解决这些问题，在2003年ISO SQL标准加入了开窗函数，开窗函数的使用使得这些经典的难题可以被轻松的解决 ; SQL标准允许将所有聚合函数用做开窗函数，只需要在聚合函数后加over()即可 案例演示 1.hive环境下建表与加载数据 vi t1.txt u0...
窗口函数：LAG、LEAD、FIRST_VALUE、LAST_VALUE
不管多累生活也要精致
04-26 445
窗口函数：LAG、LEAD、FIRST_VALUE、LAST_VALUE FIRST_VALUE 功能：取每个分区内某列的第一个值 语法：FIRST_VALUE(col) over (partition by col1 order by col2) 示例： –取每个部门薪资最高的员工编号 select empno, ename, salary, deptno, FIRST_VALUE(ename) over (partition by deptno order by salary desc) as firs
hive split函数
weixin_42608299的博客
02-12 1557
hive split函数是一个字符串函数，用于将一个字符串分割成多个子字符串，并以数组的形式返回。该函数的语法如下： split(string str, string pattern) 其中，str是要分割的字符串，pattern是分割字符串的模式。比如，如果我们想将字符串“apple,banana,cherry”分割成数组，可以使用如下代码： split("apple,banana,cherr...
详解窗口函数 面试必备
qq_44864865的博客
05-16 517
详解窗口函数 面试必备 窗口函数常用函数方法 row_number() over(partition by … order by …)：排序1-2-3-4-5 rank() over(partition by … order by …)：排序 1-1-3 dense_rank() over(partition by … order by …)：排序 1-1-2-3 count() over(partition by … order by …)：求分组后的总数。 max() ove
hive开窗函数大全
ffddnp的博客
05-12 1722
-- 窗口函数sum,max,min,avg SELECT cookieid, createtime, pv, SUM(pv) OVER(PARTITION BY cookieid ORDER BY createtime) AS pv1, SUM(pv) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN UNBOUNDED...
Hive窗口函数常用记录
一个技术迷的博客
01-04 271
窗口函数通常是对组内数据进行处理，所以一定需要分组操作（partition by) 通常的语法是 select WINDOW(a.val)over(PARTITION by a.col1 order by a.col2 asc [rows BETWEEN xxx PRECEDING and CURRENT ROW]) from a 1、排序 Rank()、Dense_Rank()、Row_Number() 这些计算分组排序的用的是比较多的，一般都需要在窗口函数后进行order by 2、聚合函数 sum
HIVE 窗口及分析函数 应用场景
helloxiaozhe的博客
02-28 8265
窗口函数应用场景： （1）用于分区排序 （2）动态Group By （3）Top N （4）累计计算 （5）层次查询 hive中一般取top n时，row_number(),rank,dense_rank()这三个函数就派上用场了， 先简单说下这三函数都是排名的，不过呢还有点细微的区别。 通过代码运行结果一看就明白了。 ROW_NUMBER() OVER函数的基本用法 语法：R...
csdn hive 窗口函数
最新发布
01-13
CSND Hive窗口函数是Hive数据库中用于处理分组数据的一种强大工具。在数据仓库中，通常需要对数据进行分组计算和分析，而Hive窗口函数可以帮助我们实现这些操作。窗口函数可以在数据分组的基础上对分组数据进行排序、计算排名、聚合函数等操作，使得数据处理更加灵活高效。 使用CSND Hive窗口函数时，首先需要定义窗口规范，包括分组方式、排序方式等。然后可以在查询语句中使用窗口函数，如SUM、AVG、RANK等，对分组数据进行相应的计算和分析。窗口函数可以在查询结果中生成新的计算列，或者进行数据的筛选和过滤，从而得到我们需要的结果。 CSND Hive窗口函数的一大优势是可以避免使用复杂的子查询和连接操作，简化了数据处理的流程，并且提高了查询的效率。另外，窗口函数还能够实现对分组数据更加细致和精确的计算，满足了数据分析和报表展示的需求。 总而言之，CSND Hive窗口函数是Hive数据库中的一项重要特性，它为我们处理数据提供了强大的功能和灵活的操作方式，帮助我们更加高效地进行数据分析和计算。在实际的数据处理工作中，掌握窗口函数的使用方法，可以极大地提升工作效率和数据处理的质量。

“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 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