r语言中矩阵QR分解_学习 R 语言：矩阵和数组

最新推荐文章于 2021-10-14 13:30:23 发布
最新推荐文章于 2021-10-14 13:30:23 发布
阅读量713 收藏 3
点赞数 1
文章标签： r语言中矩阵QR分解 求二维数组a[n][n]对角线的和

本文内容来自《R 语言编程艺术》(The Art of R Programming)，有部分修改

矩阵 (Matrix) 是一种特殊的向量，包含两个附加属性：行数和列数。

数组 (Array) 是更一般的对象，可以有多个维度。矩阵是二维数组。

创建矩阵

R 中下标从 1 开始，矩阵按列存储。

使用 matrix() 函数创建矩阵

 matrix(c(1, 2, 3, 4),
    nrow=2,
    ncol=2,
)print(y)
     [,1] [,2]
[1,]    1    3
[2,]    2    4

在给定所有元素的情况下，nrow 和 ncol 两个参数只需要给出一个

 matrix(1:4,
    nrow=2
)print(y)
     [,1] [,2]
[1,]    1    3
[2,]    2    4

另一种方法是创建空的矩阵，再对每一位赋值

 matrix(nrow=2, ncol=2)print(y)
     [,1] [,2]
[1,]   NA   NA
[2,]   NA   NA
1] 
     [,1] [,2]
[1,]    1    3
[2,]    2    4

设置参数 byrow=TRUE，可以按行提供的矩阵数据。但矩阵实际还是按列存储

 matrix(1:6,
    nrow=2,
    byrow=TRUE,
)print(m)
     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6

一般矩阵运算

线性代数运算

矩阵乘法

print(y 
     [,1] [,2]
[1,]    7   15
[2,]   10   22

矩阵元素乘法

print(
     [,1] [,2]
[1,]    3    9
[2,]    6   12

矩阵加法

print(y 
     [,1] [,2]
[1,]    2    6
[2,]    4    8

矩阵索引

向量索引同样适用于矩阵索引

提取矩阵列

 matrix(c(1, 2, 3, 4,1, 1, 0, 0,1, 0, 1, 0
    ),
    nrow=4,
)print(z)
     [,1] [,2] [,3]
[1,]    1    1    1
[2,]    2    1    0
[3,]    3    0    1
[4,]    4    0    0
print(z[, 
     [,1] [,2]
[1,]    1    1
[2,]    1    0
[3,]    0    1
[4,]    0    0

提取矩阵行

 matrix(c(11, 21, 31,12, 22, 32
    ),
    ncol=2,
)print(y)
     [,1] [,2]
[1,]   11   12
[2,]   21   22
[3,]   31   32
print(y[2
     [,1] [,2]
[1,]   21   22
[2,]   31   32
print(y[2
[1] 22 32

对子矩阵赋值

 matrix(1:6,
    nrow=3
)print(y)
     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6
[c(
     [,1] [,2]
[1,]    1    8
[2,]    2    5
[3,]    1   12

另一个示例

 matrix(nrow=3, ncol=3)
y  matrix(c(4, 5, 2, 3),
    nrow=2
)print(y)
     [,1] [,2]
[1,]    4    2
[2,]    5    3
 matrix(1:6,
    nrow=3
)print(y)
     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6
print(y[
     [,1] [,2]
[1,]    1    4
[2,]    3    6

扩展案例：图像操作

library(pixmap)
Pixmap image
  Type          : pixmapGrey
  Size          : 194x259
  Resolution    : 1x1
  Bounding box  : 0 0 259 194
plot(mtrush1)
c530066570ce2a240b8cd47dbb7895fe.png 
str(mtrush1)
Formal class 'pixmapGrey' [package "pixmap"] with 6 slots
  ..@ grey    : num [1:194, 1:259] 0.278 0.263 0.239 0.212 0.192 ...
  ..@ channels: chr "grey"
  ..@ size    : int [1:2] 194 259
  ..@ cellres : num [1:2] 1 1
  ..@ bbox    : num [1:4] 0 0 259 194
  ..@ bbcent  : logi FALSE
@grey[28, 
0.796078431372549
 mtrush1
mtrush2@grey[84:163, 135:177]  1plot(mtrush2)
bee0513c491965113d5f5f1370d6b539.png 
 function(img, rows, cols, q) {
    lrows  length(rows)
    lcols  length(cols)
    newimg  img
    randomnoise  matrix(nrow=lrows, ncol=lcols, runif(lrows*lcols))
 newimg@grey[rows, cols]  (1-q) * img@grey[rows, cols] + q * randomnoisereturn(newimg)
}
 blurpart(
    mtrush1,84:163,135:177,0.2
)plot(mtrush3)
526d71d17eea68214e0a5551b4ea47a1.png

矩阵元素筛选

 matrix(c(1, 2, 3, 2, 3, 4),
    nrow=3
)print(x)
     [,1] [,2]
[1,]    1    2
[2,]    2    3
[3,]    3    4
print(x[x[,
     [,1] [,2]
[1,]    2    3
[2,]    3    4

分析上面的命令

 x[,2] >= 3print(j)
[1] FALSE  TRUE  TRUE
print(x[j,])
     [,1] [,2]
[1,]    2    3
[2,]    3    4

注意：求 j 是向量化计算

另一个示例

 matrix(1:6,
    nrow=3
)print(m)
     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6
 c(5, 12, 13)print(m[z %% 2 == 1,])
     [,1] [,2]
[1,]    1    4
[2,]    3    6
print(m[m[,
[1] 3 6

分析

 m[,1] > 1print(a)
[1] FALSE  TRUE  TRUE
 m[,2] > 5print(b)

[1] FALSE FALSE  TRUE
 a & bprint(c)
[1] FALSE FALSE  TRUE
print(m[c, ])
[1] 3 6

注意：这里使用 & 表示向量的逻辑与运算。而 && 是用于 if 语句的标量逻辑与运算

向量运算也适用于矩阵

 matrix(c(5, 2, 9, -1, 10, 11),
    nrow=3
)print(m)
     [,1] [,2]
[1,]    5   -1
[2,]    2   10
[3,]    9   11
print(
[1] 1 3 5 6

扩展案例：生成协方差矩阵

row() 函数和 col() 函数

协方差矩阵是对称的，对角线元素均为 1

 function(rho, n) {
    m  matrix(nrow=n, ncol=n)
    m  ifelse(row(m) == col(m), 1, rho)return(m)
}

示例

print(
     [,1] [,2] [,3]
[1,]  1.0  0.2  0.2
[2,]  0.2  1.0  0.2
[3,]  0.2  0.2  1.0

解释

 matrix(3:8,
    nrow=3
)print(z)
     [,1] [,2]
[1,]    3    6
[2,]    4    7
[3,]    5    8
print(
     [,1] [,2]
[1,]    1    1
[2,]    2    2
[3,]    3    3
print(
     [,1] [,2]
[1,]    1    2
[2,]    1    2
[3,]    1    2
print(
      [,1]  [,2]
[1,]  TRUE FALSE
[2,] FALSE  TRUE
[3,] FALSE FALSE

对矩阵的行和列调用函数

*apply 系列函数：apply, tapply, lapply

apply() 函数在各行或各列上调用指定函数

使用 apply() 函数

一般形式

apply(m, dimcode, f, fargs)

其中

  • m：矩阵

  • dimcode：维度编号，1 表示对每行应用函数，2 表示对每列应用函数

  • f：应用在行或列上的函数，第一个参数为一行或一列

  • fargs：可选参数，用于传递给 f 函数

 matrix(1:6,
    nrow=3
)print(z)
     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6

对每一列应用函数 mean

注：可以直接使用 colmean() 函数

print(
[1] 2 5

对每一行应用自定义函数

 function(x) x/c(2, 8)
y  apply(z, 1, f)print(y)
     [,1]  [,2] [,3]
[1,]  0.5 1.000 1.50
[2,]  0.5 0.625 0.75

调用的函数返回 k 个元素的向量，则 apply 函数返回的结果就有 k 行。执行几次函数，则返回结果就有多少列。

如果函数返回一个标量，则 apply 函数返回向量。

t() 函数可以实现转置

print(
     [,1]  [,2]
[1,]  0.5 0.500
[2,]  1.0 0.625
[3,]  1.5 0.750

附加参数

0 和 1 构成的矩阵，对于每行，前 d 个元素中 1 较多则取 1，否则取 0

 function(rw, d) {
    maj  sum(rw[1:d]) / dreturn(if(maj > 0.5) 1 else 0)
}
 matrix(c(1, 1, 1, 0,0, 1, 0, 1,1, 1, 0, 1,1, 1, 1, 1,0, 0, 1, 0
    ),
    nrow=4
)print(x)
     [,1] [,2] [,3] [,4] [,5]
[1,]    1    0    1    1    0
[2,]    1    1    1    1    0
[3,]    1    0    0    1    1
[4,]    0    1    1    1    0
print(
[1] 1 1 0 1
print(
[1] 0 1 0 0

扩展案例：寻找异常值

识别偏离最远的观测值

 function(x) {
    findol  function(xrow) {
        mdn  median(xrow)
        devs  abs(xrow-mdn)return(which.max(devs))
    }return(apply(x, 1, findol))
}

增加或删除矩阵的行或列

矩阵无法改变大小，增加或删除实际上是创建新的对象

改变矩阵大小

重新赋值可以改变向量的大小

 c(12, 5, 13, 16, 8)print(x)
[1] 12  5 13 16  8
 c(x, 20)print(x)
[1] 12  5 13 16  8 20
 c(x[1:3], 20, x[4:6])print(x)
[1] 12  5 13 20 16  8 20
 x[-2:-4]print(x)
[1] 12 16  8 20

使用 rbind() 和 cbind() 为矩阵增加行或列

 c(1, 1, 1, 1)
z  matrix(c(1, 2, 3 ,4,1, 1, 0, 0,1, 0, 1, 0
    ),
    nrow=4
)print(z)
     [,1] [,2] [,3]
[1,]    1    1    1
[2,]    2    1    0
[3,]    3    0    1
[4,]    4    0    0
print(
     one
[1,]   1 1 1 1
[2,]   1 2 1 0
[3,]   1 3 0 1
[4,]   1 4 0 0

可能会用到循环补齐 (recycling)

print(
     [,1] [,2] [,3] [,4]
[1,]    1    1    1    1
[2,]    1    2    1    0
[3,]    1    3    0    1
[4,]    1    4    0    0

cbind() 和 rbind() 可以用来快速生成小矩阵

 cbind(c(1, 2),c(3, 4)
)print(q)
     [,1] [,2]
[1,]    1    3
[2,]    2    4

注意：创建向量和矩阵均耗费时间，请谨慎使用 cbind 和 rbind

循环添加列或行的方式不可取，应该首先生成一个大矩阵，然后再往里填值。

可以通过重新赋值删除矩阵的行或列

 matrix(1:6, nrow=3)print(m)
     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6
 m[c(1,3),]print(m)
     [,1] [,2]
[1,]    1    4
[2,]    3    6

扩展案例：找到图中距离最近的一对端点

矩阵元素 (i, j) 表示城市 i 和 城市 j 间的距离

imin 函数寻找当前行的最小值，因为矩阵是对称的，所以仅搜索从行号 i + 1 开始到结尾。

返回最小值的索引(即矩阵中的列数)和最小值

 function(x) {
    lx  length(x)
    i  x[lx]
    j  which.min(x[(i+1):(lx-1)])
    k  i + jreturn(c(k, x[k]))
}

mind 函数为每行分别求最小值 (wmins)，再找出全局最小值，返回最小值，行号和列号

 function(d) {
    n  nrow(d)
    dd  cbind(d, 1:n)
    wmins  apply(dd[-n,], 1, imin)
    i  which.min(wmins[2,])
 j  wmins[1, i]return(c(d[i, j], i, j))
}

示例

 matrix(c(0, 12, 13, 8, 20,12, 0, 15, 28, 88,13, 15, 0, 6, 9,8, 28, 6, 0, 33,20, 88, 9, 33, 0
    ),
    nrow=5,
    byrow=T,
)print(q)
     [,1] [,2] [,3] [,4] [,5]
[1,]    0   12   13    8   20
[2,]   12    0   15   28   88
[3,]   13   15    0    6    9
[4,]    8   28    6    0   33
[5,]   20   88    9   33    0
print(
[1] 6 3 4

分析

增加记录当前行号的一列

 nrow(q)
qq  cbind(q, 1:n)print(qq)
     [,1] [,2] [,3] [,4] [,5] [,6]
[1,]    0   12   13    8   20    1
[2,]   12    0   15   28   88    2
[3,]   13   15    0    6    9    3
[4,]    8   28    6    0   33    4
[5,]   20   88    9   33    0    5

为前 n-1 行，即前 4 行，寻找最小值，并记录最小值(第 2 行)及其对应的列数(第 1 行)。

返回结果中每列代表矩阵中的行，即第 1 列表示矩阵的第 1 行，最后一列表示矩阵的第 4 行

 apply(qq[-n,], 1, imin)print(wmins)
     [,1] [,2] [,3] [,4]
[1,]    4    3    4    5
[2,]    8   15    6   33

求最小值，返回列号，即矩阵中的行号 i

 which.min(wmins[2,])print(i)
[1] 3

从 wmins 中取出矩阵的列号 j

 wmins[1, i]print(j)
[1] 4
print(
[1] 6 3 4

如果最小值唯一，则有更简单的方法

注：有两次矩阵计算，效率不是最优的

 function(d) {
    smallest  min(d)
    ij  which(d == smallest, arr.ind=TRUE)return(c(smallest, ij))
}

示例，需要将 0 值和重复值都替换为比较大的数

= q
      [,1]  [,2]  [,3]  [,4]  [,5]
[1,] 99999    12    13     8    20
[2,] 99999 99999    15    28    88
[3,] 99999 99999 99999     6     9
[4,] 99999 99999 99999 99999    33
[5,] 99999 99999 99999 99999 99999
print(
[1] 6 3 4

向量与矩阵的差异

矩阵实际上就是向量，只不过多了两个属性：行数和列数

 matrix(1:8, nrow=4)print(z)
     [,1] [,2]
[1,]    1    5
[2,]    2    6
[3,]    3    7
[4,]    4    8

求长度

print(
[1] 8

但 z 不仅仅是向量

print(
[1] "matrix" "array"
print(
$dim
[1] 4 2

用 dim() 函数访问 dim 属性

print(
[1] 4 3

nrow() 和 ncol() 是 dim() 的简单封装

print(
[1] 4
print(

[1] 2
nrow
function (x)
dim(x)[1L]

避免意外降维

从矩阵中提取一行，会减少一维，即返回向量

 matrix(1:8, nrow=4)print(z)
     [,1] [,2]
[1,]    1    5
[2,]    2    6
[3,]    3    7
[4,]    4    8
 z[2,]print(r)
[1] 2 6
print(
$dim
[1] 3 2
print(
NULL
str(z)
 int [1:3, 1:2] 1 2 3 4 5 6
str(r)
 int [1:2] 2 6

使用 drop 参数禁止自动减少维度

 z[2,, drop=FALSE]print(r)
     [,1] [,2]
[1,]    2    5
print(
[1] 1 2

可见中括号 [ 实际上也是一个函数

print(z[3, 
[1] 6
print(
[1] 6

as.matrix() 函数可以将向量转为矩阵

 1:3print(u)
[1] 1 2 3
 as.matrix(u)print(v)
     [,1]
[1,]    1
[2,]    2
[3,]    3
print(
NULL
print(
$dim
[1] 3 1

矩阵的行和列的命名问题

矩阵的行和列也可以命名

 matrix(1:4, nrow=2)print(z)
     [,1] [,2]
[1,]    1    3
[2,]    2    4
print(
NULL
colnames(z) 
     a b
[1,] 1 3
[2,] 2 4
print(
[1] "a" "b"
print(z[, 
[1] 1 2

高维数组

三个学生，两次考试，每次考试记录两个成绩

第一次考试的数据，行表示学生，列表示单次考试的两个成绩

 matrix(c(46, 30,21, 25,50, 50
    ),
    nrow=3,
    byrow=T
)print(firsttest)
     [,1] [,2]
[1,]   46   30
[2,]   21   25
[3,]   50   50

第二次考试的成绩

 matrix(c(46, 43,41, 35,50, 50
    ),
    nrow=3,
    byrow=T
)print(secondtest)
     [,1] [,2]
[1,]   46   43
[2,]   41   35
[3,]   50   50

合并为一个数组，两次考试形成第三维，叫做层 (layer)

 array(
    data=c(firsttest, secondtest),
    dim=c(3, 2, 2)
)
print(
$dim
[1] 3 2 2

学生 3 (dim 1) 在第一次考试 (dim 3) 的第二个部分 (dim 2) 中的得分

print(tests[3, 
[1] 50
print(tests)
, , 1

     [,1] [,2]
[1,]   46   30
[2,]   21   25
[3,]   50   50

, , 2

     [,1] [,2]
[1,]   46   43
[2,]   41   35
[3,]   50   50

参考

《学习 R 语言：快速开始》

《学习 R 语言：向量》

本文的 Jupyter Notebook 代码请访问如下项目：

https://github.com/perillaroc/the-art-of-r-programming

8e9bf6563456672acf25ab65c64d68dd.png

题图来自 Pixabay。
weixin_39624461
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
rSVD:使用R的随机矩阵分解
05-15
使用R的快速随机奇异值分解 随机奇异值分解（rsvd）是一种快速概率算法，可用于高精度计算海量数据集的近乎最优的低秩奇异值分解。 关键思想是计算数据的压缩表示形式以捕获基本信息。 然后，可以使用该压缩表示来获得低阶奇异值分解分解。 据我们所知，rsvd软件包为R中的低秩矩阵逼近提供了最快的例程之一。 随着矩阵尺寸的增加（此处目标等级k = 50），计算优势变得明显： 奇异值分解在数据分析和科学计算中起着核心作用。 SVD还广泛用于计算（随机）主成分分析（PCA），这是一种线性降维技术。 随机PCA（rpca）使用近似的奇异值分解来计算最重要的主分量。 该软件包还包括一个用于计算（随机化）鲁棒主成分分析（RPCA）的功能。 此外，还提供了一些绘图功能。 有关更多详细信息，请参见： 。 SVD示例：图像压缩 library( rsvd ) data( tiger ) # Image com
r语言中矩阵QR分解_R语言_002矩阵、数组
weixin_39576018的博客
11-21 847
还是该更新一下了，今天登进公众号，发现多了3个观众，据说是宋帆推荐的，这里口头表扬一下。应该主要是Excel，虽然感觉基础基本上都有了，但是毕竟那是3年前(还是4年前，忘了)写的，那时候对Excel的理解水平还不高，虽然基本上都会用，但是没有一个整体的概念，也没有太多自己的理解，都是按部就班的写了一下用法，对他人来说读起来还是不那么友好，所以有想过从新再系统的更新一遍，看后面有不有需...
R中矩阵的QR分解
热门推荐
Stay Hungry.Stay Foolish.
10-26 1万+
QR分解  1)若n阶实非奇异矩阵A(行列式不为0)可以分解为正交矩阵Q与实非奇异上三角  矩阵R的乘积,即A=QR,则称该分解式为矩阵A的QR分解;  2)进而A是m*n列满秩矩阵(R(A)=n),若A=QR,其中Q是m*n矩阵, 称Q为列正交矩阵),  R为非奇异上三角矩阵,也称为矩阵A的QR分解。
R 矩阵的QR分解20210806
Dulan6622的博客
08-13 275
R语言矩阵特征值分解(谱分解)和奇异值分解(SVD)特征向量分析有价证券数据
大数据部落
10-14 2332
原文链接：http://tecdat.cn/?p=23973 R语言是一门非常方便的数据分析语言，它内置了许多处理矩阵的方法。 作为数据分析的一部分，我们要在有价证券矩阵的操作上做一些工作，只需几行代码。 有价证券数据矩阵在这里 ​ D=read.table("secur.txt",header=TRUE) M=marix(D[,2:10]) head(M[,1:5]) 谱分解 对角线化和光谱分析之间的联系可以从以下文字中看出 ​ > P=e...
qr.rar_qr分解_qr复数_复数 矩阵 QR 分解_复数矩阵 QR_复数矩阵 qr c
09-24
数值计算里的矩阵分解问题，基于QR算法的矩阵分解。且矩阵元素是在复数域进行讨论的
qr.rar_FORTRAN QR_qr_qr fortran_qr分解_矩阵QR分解
09-24
可用于一般及特殊矩阵即奇异矩阵进行QR分解
qr.rar_MPI并行QR分解_QR分解mpi_mpi qr decomposition_矩阵分解 mpi
09-24
这是用MPI做的关于矩阵的qr分解的程序，程序中很好的实现了分解过程的并行性
QR.rar_qr分解_矩阵的QR分解
09-22
矩阵的QR分解，编译执行，按提示操作输入矩阵的元素即可输出结果.
ahp.rar_96ZC_R语言_R语言 矩阵_grows5n
07-15
r语言矩阵计算程序，包含完整的注释，中文解释以及用法说明，
R语言的矩阵运算
01-24
本文描述了使用R语言辅助矩阵运算的方法与实例
R语言入门教程
03-05
R语言入门，学习r语言的基础文档，英文版
QRR.rar_qr分解_qr分解C_矩阵正交
09-23
QR算法，用于分解一个矩阵成正交矩阵和上三角矩阵的乘积
fitqr.rar_QR最小二乘_fitqr_qr分解_最小二乘_矩阵 matlab
09-23
基于矩阵QR分解的最小二乘拟合MATLAB源程序
矩阵QR分解的三种方法_李建东.pdf
07-19
线性代数中的基本内容，本资料总结了三种QR分解中的经典方法，具体包括：矩阵的 QR分解可利用 Schmidt正交化、矩阵的初等变换以及 Givens变换方法，这是学习QR分解的宝贵资料。若 n阶实非奇异矩阵 A可以分解为正交...
r语言中矩阵QR分解_Labview处理矩阵或线性代数的万能vi——一键求解行列式、特征值、三角分解、QR分解等...
weixin_39520775的博客
11-22 337
Labview图形化编程语言对入门用户非常友好，能够快速部署并实现你想要的功能。今天给大家介绍一个非常强大的vi（强大到我有点舍不得分享…），对于要处理线性代数或者矩阵的朋友来说，简直就是万金油一般的存在。最关键的是这个vi是Labview官方自带的，如果你安装了完整的Labview，那么一定有这个vi。这个vi的名字叫做Linear Algebra Calculator.vi。这个属于求解线性方...
R中的矩阵运算-三角分解
05-09 4633
基本概念（三角分解相关）： 在数学中的矩阵论里，置换矩阵是一种系数只由0和1组成的方块矩阵。置换矩阵的每一行和每一列都恰好有一个1，其余的系数都是0。在线性代数中，每个n阶的置换矩阵都代表了一个对n个元素（n维空间的基）的置换。当一个矩阵乘上一个置换矩阵时，所得到的是原来矩阵的横行（置换矩阵在左）或纵列（置换矩阵在右）经过置换后得到的矩阵。 设A是一个方块矩阵。A的LU分解是将它分解成
QR.zip_qr 特征向量_特征值_特征值分解_矩阵_矩阵特征值
09-24
Java实现QR分解法求矩阵的所有特征值及特征向量
矩阵三角分解_矩阵三角分解_
09-29
（1）编制解n阶线性方程组Ax=b的列主元Gauss消去法的通用程序；
python相关性分析 相关性矩阵_R语言学习笔记之相关性矩阵分析及其可视化
最新发布
05-24
以上是Python和R语言中计算和可视化相关性矩阵的基本方法。需要注意的是，相关性并不表示因果关系，仅仅是变量之间的关联程度。因此，在进行相关性分析时，需要结合实际情况和领域知识进行综合分析。

“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