Python数据分析与机器学习44-Python生成时间序列

最新推荐文章于 2023-06-26 17:20:57 发布
最新推荐文章于 2023-06-26 17:20:57 发布
阅读量4.2k 收藏 43
点赞数 2
分类专栏： 数据分析 + 机器学习 Python # Python数据分析与机器学习 文章标签： python 机器学习 数据分析
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/u010520724/article/details/126135039
版权

文章目录

一. Python 生成时间序列

时间序列

  • 时间戳（timestamp）
  • 固定周期（period）
  • 时间间隔（interval）

date_range

  • 可以指定开始时间与周期
  • H：小时
  • D：天
  • M：月

二.生成不同间隔的时间序列

代码:

import pandas as pd
import numpy as np
import datetime as dt

# 从2022-07-01开始，间隔3天，生成10条 时间数据
rng = pd.date_range('2022-07-01', periods = 10, freq = '3D')
print(rng)
print("#####################")

# 指定开始时间，结束时间  以及频率
data=pd.date_range('2022-01-01','2023-01-01',freq='M')
print(data)
print("#####################")

# 从2022-01-01开始，间隔1天，生成20条 时间数据
time=pd.Series(np.random.randn(20),
           index=pd.date_range(dt.datetime(2022,1,1),periods=20))
print(time)
print("#####################")

# 不规则的时间间隔
p1 = pd.period_range('2022-01-01 10:10', freq = '25H', periods = 10)
print(p1)
print("######################################")

# 指定索引
rng = pd.date_range('2022 Jul 1', periods = 10, freq = 'D')
print(pd.Series(range(len(rng)), index = rng))
print("######################################")

测试记录:

DatetimeIndex(['2022-07-01', '2022-07-04', '2022-07-07', '2022-07-10',
               '2022-07-13', '2022-07-16', '2022-07-19', '2022-07-22',
               '2022-07-25', '2022-07-28'],
              dtype='datetime64[ns]', freq='3D')
#####################
DatetimeIndex(['2022-01-31', '2022-02-28', '2022-03-31', '2022-04-30',
               '2022-05-31', '2022-06-30', '2022-07-31', '2022-08-31',
               '2022-09-30', '2022-10-31', '2022-11-30', '2022-12-31'],
              dtype='datetime64[ns]', freq='M')
#####################
2022-01-01   -0.957412
2022-01-02   -0.333720
2022-01-03    1.079960
2022-01-04    0.050675
2022-01-05    0.270313
2022-01-06   -0.222715
2022-01-07   -0.560258
2022-01-08    1.009430
2022-01-09   -0.678157
2022-01-10    0.213557
2022-01-11   -0.720791
2022-01-12    0.332096
2022-01-13   -0.986449
2022-01-14   -0.357303
2022-01-15   -0.559618
2022-01-16    0.480281
2022-01-17   -0.443998
2022-01-18    1.541631
2022-01-19   -0.094559
2022-01-20    1.875012
Freq: D, dtype: float64
#####################
PeriodIndex(['2022-01-01 10:00', '2022-01-02 11:00', '2022-01-03 12:00',
             '2022-01-04 13:00', '2022-01-05 14:00', '2022-01-06 15:00',
             '2022-01-07 16:00', '2022-01-08 17:00', '2022-01-09 18:00',
             '2022-01-10 19:00'],
            dtype='period[25H]', freq='25H')
######################################
2022-07-01    0
2022-07-02    1
2022-07-03    2
2022-07-04    3
2022-07-05    4
2022-07-06    5
2022-07-07    6
2022-07-08    7
2022-07-09    8
2022-07-10    9
Freq: D, dtype: int64
######################################

三. 截断时间段

代码:

import pandas as pd
import numpy as np
import datetime as dt

# 从2022-01-01开始，间隔1天，生成20条 时间数据
time=pd.Series(np.random.randn(20),
           index=pd.date_range(dt.datetime(2022,1,1),periods=20))
print(time)
print("#####################")

# 只输出2022-01-10 之后的数据
print(time.truncate(before='2022-1-10'))
print("#####################")

# 只输出2022-01-10 之后的数据
print(time.truncate(after='2022-1-10'))
print("#####################")

# 输出区间段
print(time['2022-01-15':'2022-01-20'])
print("#####################")

测试记录:

2022-01-01   -0.203552
2022-01-02   -1.035483
2022-01-03    0.252587
2022-01-04   -1.046993
2022-01-05    0.152435
2022-01-06   -0.534518
2022-01-07    0.770170
2022-01-08   -0.038129
2022-01-09    0.531485
2022-01-10    0.499937
2022-01-11    0.815295
2022-01-12    2.315740
2022-01-13   -0.443379
2022-01-14   -0.689247
2022-01-15    0.667250
2022-01-16   -2.067246
2022-01-17   -0.105151
2022-01-18   -0.420562
2022-01-19    1.012943
2022-01-20    0.509710
Freq: D, dtype: float64
#####################
2022-01-10    0.499937
2022-01-11    0.815295
2022-01-12    2.315740
2022-01-13   -0.443379
2022-01-14   -0.689247
2022-01-15    0.667250
2022-01-16   -2.067246
2022-01-17   -0.105151
2022-01-18   -0.420562
2022-01-19    1.012943
2022-01-20    0.509710
Freq: D, dtype: float64
#####################
2022-01-01   -0.203552
2022-01-02   -1.035483
2022-01-03    0.252587
2022-01-04   -1.046993
2022-01-05    0.152435
2022-01-06   -0.534518
2022-01-07    0.770170
2022-01-08   -0.038129
2022-01-09    0.531485
2022-01-10    0.499937
Freq: D, dtype: float64
#####################
2022-01-15    0.667250
2022-01-16   -2.067246
2022-01-17   -0.105151
2022-01-18   -0.420562
2022-01-19    1.012943
2022-01-20    0.509710
Freq: D, dtype: float64
#####################

四. 时间戳及时间计算

代码:

import pandas as pd
import numpy as np
import datetime as dt

#时间戳
print(pd.Timestamp('2022-07-25'))
print(pd.Timestamp('2022-07-25 10'))
print(pd.Timestamp('2022-07-25 10:15'))
print("######################################")

#时间区间
print(pd.Period('2022-01'))
print(pd.Period('2022-01-01'))
print("######################################")

#时间计算
#help(pd.Timedelta)
print(pd.Period('2022-01-01 10:10') + pd.Timedelta('1 day'))
print(pd.Period('2022-01-01 10:10:10') + pd.Timedelta('1 s'))
print("######################################")

测试记录:

2022-07-25 00:00:00
2022-07-25 10:00:00
2022-07-25 10:15:00
######################################
2022-01
2022-01-01
######################################
2022-01-02 10:10
2022-01-01 10:10:11
######################################

五. 数据重采样

数据重采样

  • 时间数据由一个频率转换到另一个频率
  • 降采样
  • 升采样

代码:

import pandas as pd
import numpy as np
import datetime as dt

# 生成时间序列
rng = pd.date_range('1/1/2022', periods=90, freq='D')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
#print(ts.head())

# 按月进行汇总
print(ts.resample('M').sum())
print("######################################")
# 按3天进行汇总
print(ts.resample('3D').sum())
print("######################################")
#  求3天的平均值
day3Ts = ts.resample('3D').mean()
print(day3Ts)
print("######################################")
# 将3天的时间序列转为1天的，结果发现很多空值
# 插值方法：
# 1. ffill 空值取前面的值
# 2. bfill 空值取后面的值
# 3. interpolate 线性取值
print(day3Ts.resample('D').asfreq())
print("######################################")
print(day3Ts.resample('D').ffill(1))
print("######################################")
print(day3Ts.resample('D').bfill(1))
print("######################################")
print(day3Ts.resample('D').interpolate('linear'))
print("######################################")

测试记录:

2022-01-31    0.904974
2022-02-28   -1.930083
2022-03-31    7.617911
Freq: M, dtype: float64
######################################
2022-01-01    0.104413
2022-01-04    2.255400
2022-01-07   -0.993552
2022-01-10    1.234344
2022-01-13   -0.621381
2022-01-16   -0.072830
2022-01-19   -0.215890
2022-01-22    0.050444
2022-01-25   -1.794619
2022-01-28    0.030952
2022-01-31   -1.022843
2022-02-03   -1.035522
2022-02-06   -1.124857
2022-02-09    1.915781
2022-02-12    0.263875
2022-02-15    0.927552
2022-02-18    0.760483
2022-02-21   -2.771669
2022-02-24    2.157336
2022-02-27    0.107964
2022-03-02   -0.852413
2022-03-05    1.252628
2022-03-08   -0.529793
2022-03-11    2.110139
2022-03-14    1.624062
2022-03-17   -0.241604
2022-03-20   -2.165326
2022-03-23    2.975993
2022-03-26    1.389412
2022-03-29    0.874324
dtype: float64
######################################
2022-01-01    0.034804
2022-01-04    0.751800
2022-01-07   -0.331184
2022-01-10    0.411448
2022-01-13   -0.207127
2022-01-16   -0.024277
2022-01-19   -0.071963
2022-01-22    0.016815
2022-01-25   -0.598206
2022-01-28    0.010317
2022-01-31   -0.340948
2022-02-03   -0.345174
2022-02-06   -0.374952
2022-02-09    0.638594
2022-02-12    0.087958
2022-02-15    0.309184
2022-02-18    0.253494
2022-02-21   -0.923890
2022-02-24    0.719112
2022-02-27    0.035988
2022-03-02   -0.284138
2022-03-05    0.417543
2022-03-08   -0.176598
2022-03-11    0.703380
2022-03-14    0.541354
2022-03-17   -0.080535
2022-03-20   -0.721775
2022-03-23    0.991998
2022-03-26    0.463137
2022-03-29    0.291441
dtype: float64
######################################
2022-01-01    0.034804
2022-01-02         NaN
2022-01-03         NaN
2022-01-04    0.751800
2022-01-05         NaN
2022-01-06         NaN
2022-01-07   -0.331184
2022-01-08         NaN
2022-01-09         NaN
2022-01-10    0.411448
2022-01-11         NaN
2022-01-12         NaN
2022-01-13   -0.207127
2022-01-14         NaN
2022-01-15         NaN
2022-01-16   -0.024277
2022-01-17         NaN
2022-01-18         NaN
2022-01-19   -0.071963
2022-01-20         NaN
2022-01-21         NaN
2022-01-22    0.016815
2022-01-23         NaN
2022-01-24         NaN
2022-01-25   -0.598206
2022-01-26         NaN
2022-01-27         NaN
2022-01-28    0.010317
2022-01-29         NaN
2022-01-30         NaN
                ...   
2022-02-28         NaN
2022-03-01         NaN
2022-03-02   -0.284138
2022-03-03         NaN
2022-03-04         NaN
2022-03-05    0.417543
2022-03-06         NaN
2022-03-07         NaN
2022-03-08   -0.176598
2022-03-09         NaN
2022-03-10         NaN
2022-03-11    0.703380
2022-03-12         NaN
2022-03-13         NaN
2022-03-14    0.541354
2022-03-15         NaN
2022-03-16         NaN
2022-03-17   -0.080535
2022-03-18         NaN
2022-03-19         NaN
2022-03-20   -0.721775
2022-03-21         NaN
2022-03-22         NaN
2022-03-23    0.991998
2022-03-24         NaN
2022-03-25         NaN
2022-03-26    0.463137
2022-03-27         NaN
2022-03-28         NaN
2022-03-29    0.291441
Freq: D, Length: 88, dtype: float64
######################################
2022-01-01    0.034804
2022-01-02    0.034804
2022-01-03         NaN
2022-01-04    0.751800
2022-01-05    0.751800
2022-01-06         NaN
2022-01-07   -0.331184
2022-01-08   -0.331184
2022-01-09         NaN
2022-01-10    0.411448
2022-01-11    0.411448
2022-01-12         NaN
2022-01-13   -0.207127
2022-01-14   -0.207127
2022-01-15         NaN
2022-01-16   -0.024277
2022-01-17   -0.024277
2022-01-18         NaN
2022-01-19   -0.071963
2022-01-20   -0.071963
2022-01-21         NaN
2022-01-22    0.016815
2022-01-23    0.016815
2022-01-24         NaN
2022-01-25   -0.598206
2022-01-26   -0.598206
2022-01-27         NaN
2022-01-28    0.010317
2022-01-29    0.010317
2022-01-30         NaN
                ...   
2022-02-28    0.035988
2022-03-01         NaN
2022-03-02   -0.284138
2022-03-03   -0.284138
2022-03-04         NaN
2022-03-05    0.417543
2022-03-06    0.417543
2022-03-07         NaN
2022-03-08   -0.176598
2022-03-09   -0.176598
2022-03-10         NaN
2022-03-11    0.703380
2022-03-12    0.703380
2022-03-13         NaN
2022-03-14    0.541354
2022-03-15    0.541354
2022-03-16         NaN
2022-03-17   -0.080535
2022-03-18   -0.080535
2022-03-19         NaN
2022-03-20   -0.721775
2022-03-21   -0.721775
2022-03-22         NaN
2022-03-23    0.991998
2022-03-24    0.991998
2022-03-25         NaN
2022-03-26    0.463137
2022-03-27    0.463137
2022-03-28         NaN
2022-03-29    0.291441
Freq: D, Length: 88, dtype: float64
######################################
2022-01-01    0.034804
2022-01-02         NaN
2022-01-03    0.751800
2022-01-04    0.751800
2022-01-05         NaN
2022-01-06   -0.331184
2022-01-07   -0.331184
2022-01-08         NaN
2022-01-09    0.411448
2022-01-10    0.411448
2022-01-11         NaN
2022-01-12   -0.207127
2022-01-13   -0.207127
2022-01-14         NaN
2022-01-15   -0.024277
2022-01-16   -0.024277
2022-01-17         NaN
2022-01-18   -0.071963
2022-01-19   -0.071963
2022-01-20         NaN
2022-01-21    0.016815
2022-01-22    0.016815
2022-01-23         NaN
2022-01-24   -0.598206
2022-01-25   -0.598206
2022-01-26         NaN
2022-01-27    0.010317
2022-01-28    0.010317
2022-01-29         NaN
2022-01-30   -0.340948
                ...   
2022-02-28         NaN
2022-03-01   -0.284138
2022-03-02   -0.284138
2022-03-03         NaN
2022-03-04    0.417543
2022-03-05    0.417543
2022-03-06         NaN
2022-03-07   -0.176598
2022-03-08   -0.176598
2022-03-09         NaN
2022-03-10    0.703380
2022-03-11    0.703380
2022-03-12         NaN
2022-03-13    0.541354
2022-03-14    0.541354
2022-03-15         NaN
2022-03-16   -0.080535
2022-03-17   -0.080535
2022-03-18         NaN
2022-03-19   -0.721775
2022-03-20   -0.721775
2022-03-21         NaN
2022-03-22    0.991998
2022-03-23    0.991998
2022-03-24         NaN
2022-03-25    0.463137
2022-03-26    0.463137
2022-03-27         NaN
2022-03-28    0.291441
2022-03-29    0.291441
Freq: D, Length: 88, dtype: float64
######################################
2022-01-01    0.034804
2022-01-02    0.273803
2022-01-03    0.512801
2022-01-04    0.751800
2022-01-05    0.390805
2022-01-06    0.029811
2022-01-07   -0.331184
2022-01-08   -0.083640
2022-01-09    0.163904
2022-01-10    0.411448
2022-01-11    0.205256
2022-01-12   -0.000935
2022-01-13   -0.207127
2022-01-14   -0.146177
2022-01-15   -0.085227
2022-01-16   -0.024277
2022-01-17   -0.040172
2022-01-18   -0.056068
2022-01-19   -0.071963
2022-01-20   -0.042371
2022-01-21   -0.012778
2022-01-22    0.016815
2022-01-23   -0.188192
2022-01-24   -0.393199
2022-01-25   -0.598206
2022-01-26   -0.395365
2022-01-27   -0.192524
2022-01-28    0.010317
2022-01-29   -0.106771
2022-01-30   -0.223859
                ...   
2022-02-28   -0.070721
2022-03-01   -0.177429
2022-03-02   -0.284138
2022-03-03   -0.050244
2022-03-04    0.183649
2022-03-05    0.417543
2022-03-06    0.219496
2022-03-07    0.021449
2022-03-08   -0.176598
2022-03-09    0.116728
2022-03-10    0.410054
2022-03-11    0.703380
2022-03-12    0.649371
2022-03-13    0.595363
2022-03-14    0.541354
2022-03-15    0.334058
2022-03-16    0.126762
2022-03-17   -0.080535
2022-03-18   -0.294281
2022-03-19   -0.508028
2022-03-20   -0.721775
2022-03-21   -0.150518
2022-03-22    0.420740
2022-03-23    0.991998
2022-03-24    0.815711
2022-03-25    0.639424
2022-03-26    0.463137
2022-03-27    0.405905
2022-03-28    0.348673
2022-03-29    0.291441
Freq: D, Length: 88, dtype: float64
######################################

六. 移动窗口函数

代码:

import matplotlib.pylab as plt
import numpy as np
import pandas as pd

# 生成时间序列
df = pd.Series(np.random.randn(600), index = pd.date_range('7/1/2022', freq = 'D', periods = 600))

# 使用window函数
r = df.rolling(window = 10)
# 输出最近10个值的平均值
print(print(r.mean()))


# 画图
plt.figure(figsize=(15, 5))

df.plot(style='r')
df.rolling(window=10).mean().plot(style='b')

plt.show()

测试记录:
image.png

参考：

  1. https://study.163.com/course/introduction.htm?courseId=1003590004#/courseDetail?tab=1
只是甲
关注
  • 2
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python生成字母序列生成excel列名索引
08-21
python生成字母序列生成excel列名索引,如ABCDEFGHIJKLMNOPQRSTUVWXYZ,AA-AZ,BA-BZ…
【Python】Matplotlib绘制日期型时间序列图
星拱北辰的博客
02-13 1万+
Matplotlib绘制日期型时间序列图实例
Python数据分析（五）—— 一文搞懂Python时间序列
聚集机器学习、信息安全
02-27 3021
时间序列（Time Series）是一种重要的结构化数据形式，本文详细介绍了使用Python对时间序列进行处理。
python创建时间序列_python 时间序列
weixin_29086203的博客
01-29 3689
将dataframe的列转化为时间序列#https://www.cnblogs.com/bolgbjg/p/14013300.html#datetime.now()获取现在的时间，now.year,获取现在的年份，其他以此类推#timedelta()表示两个datetime之间的时间差,默认单位是天strftime()参数，strftime()函数，将字符串表示为指定格式的时间stamp=date...
python学习——时间序列
小伟的博客
06-26 2997
时间序列操作，包括pd.Timestamp\pd.to_datetime\pd.dte_range以及时间格式转化、时间元素提取、日期索引、时间偏移、重采样方法的介绍及使用
Python-MarketReporter自动生成时间序列数据的简要总结
08-10
Market Reporter - 自动生成时间序列数据的简要总结
python按时间间隔划分时间序列-python时间序列按频率生成日期
weixin_39802784的博客
11-11 3629
有时候我们的数据是按某个频率收集的，比如每日、每月、每15分钟，那么我们怎么产生对应频率的索引呢？pandas中的date_range可用于生成指定长度的DatetimeIndex。我们先看一下怎么生成日期范围：pd.date_range(startdate,enddate)1.生成指定开始日期和结束日期的时间范围：In：import pandas as pdindex = pd.date_ran...
用Python生成时间序列
qq_34326406的博客
03-24 4318
有的时候需要一个时间序列，比如，需要下载某个时间段的数据，或者需要给某段数据加上时间列。举个例子，我想要下载2022年3月24日08时起一天的逐小时数据。那么，我可以用以下代码实现。 import pandas as pd import datetime a= pd.date_range(start =datetime.datetime.strptime('2022032408','%Y%m%d%H'),periods=24,freq='H') print(a,type(a)) 得到的结果 ...
python生成时间序列_python生成时间序列(date_range)
weixin_39940755的博客
12-05 750
importreimportcalendarimportdatetimeclassFormatError(ValueError):passclassDate(object):@classmethoddef date_range(cls, start=None, end=None, periods=None, freq=None, input_format=None, out_format=None...
python生成序列_利用Python中的pandas(date_range)库生成时间序列(time series)
weixin_39637260的博客
11-26 658
在讲pandas时间序列函数之前，我大概介绍下什么是时间序列（time series）。时间序列（time series）简单的说就是各时间点上形成的数值序列，时间序列（time series）分析就是通过观察历史数据预测未来的值。比如股票预测、房价预测分析等。本篇文章主要详细讲解生成时间索引的函数date_range及延伸函数。pandas.date_rangepandas.date_range...
Python时间序列–时间段（一）
12-21
时间序列 时间戳（timestamp） 固定周期（period） 时间间隔（interval） import pandas as pd import numpy as np date_range 可以指定开始时间与周期 H：小时 D：天 M：月 Y:年 # TIMES #2020 Apr 27 4/27/2020 27/4/2020 2020-4-27 2020/04/27 rng = pd.date_range('2020-04-27', periods = 10, freq = '3D') rng 生成以时间为索引的时间序列 import datetime as dt time=pd
时间序列python代码
07-25
时间序列做交通流的预测内含报告，代码原理解释。分析了交通路口的一段时间内的数据，并进行预测，并对结果进行检验
python机器学习案例-时间序列分析5
08-29
python机器学习案例-时间序列分析，视频学习，源代码，机器学习，教学视频 使用tsfresh库进行分类任务
python机器学习案例-时间序列分析1
08-29
python机器学习案例-时间序列分析，视频学习，源代码，机器学习，教学视频
python机器学习案例-时间序列分析3
08-29
python机器学习案例-时间序列分析，视频学习，源代码，机器学习，教学视频
python机器学习案例-时间序列分析4，股票预测
08-29
python机器学习案例-时间序列分析，视频学习，源代码，机器学习，教学视频
python机器学习-时间序列分析6，维基百科词条分析
最新发布
08-29
python机器学习-时间序列分析6，维基百科词条分析，教学视频，源代码，案例实战
Python数据分析与机器学习27-拼写纠正实例
热门推荐
只是甲的博客
07-25 6万+
python 数据分析 人工智能 贝叶斯 拼写纠错
python数据分析项目除了机器学习还可以用什么
07-17
除了机器学习，Python数据分析项目还可以使用以下技术和工具： 1. 数据清洗和预处理：在数据分析项目中，数据往往需要进行清洗和预处理，以去除噪声、处理缺失值、处理异常值等。Python提供了多种库和工具，如Pandas、NumPy和Scikit-learn，可以方便地进行数据清洗和预处理。 2. 可视化：可视化是数据分析中非常重要的一环。Python中的Matplotlib、Seaborn和Plotly等库提供了丰富的绘图功能，可以帮助用户将数据以直观的方式展示出来，从而更好地理解数据和发现模式。 3. 统计分析：Python中的SciPy和Statsmodels库提供了丰富的统计分析工具，如假设检验、方差分析、回归分析等。这些工具可以帮助用户进行数据的统计描述和推断分析。 4. 数据库操作：对于大规模数据的分析项目，可能需要将数据存储在数据库中，并进行查询和操作。Python中的SQLAlchemy和pymysql等库可以方便地与各种关系型数据库进行交互。 5. 文本挖掘和自然语言处理：对于包含文本数据的项目，可以使用Python中的NLTK和SpaCy等库进行文本挖掘和自然语言处理，如文本分类、情感分析、实体识别等。 6. 时间序列分析：对于时间序列数据的分析，Python中的Pandas和Statsmodels库提供了丰富的时间序列分析功能，如时间序列预测、季节性分析等。 7. Web开发和部署：如果需要将数据分析项目部署为Web应用，可以使用Python中的Django、Flask和FastAPI等框架进行Web开发，将数据可视化和分析结果展示在网页上。 这些只是数据分析项目中常用的一些技术和工具，根据具体的需求和场景，还可以使用其他的库和工具来完成数据分析任务。

“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
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