SparkSQL处理缺失值

最新推荐文章于 2024-01-28 14:30:51 发布
最新推荐文章于 2024-01-28 14:30:51 发布
阅读量2.2k 收藏 17
点赞数 2
分类专栏： Spark 文章标签： SparkSQL处理缺失值
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/weixin_44769733/article/details/102499060
版权

一:缺失值的处理方式

1.常见的缺失值有两种

1.null, NaN 等特殊类型的值, 某些语言中 null 可以理解是一个对象, 但是代表没有对象, NaN 是一个数字, 可以代表不是数字
针对这一类的缺失值, Spark 提供了一个名为 DataFrameNaFunctions 特殊类型来操作和处理

2.“Null”, “NA”, " " 等解析为字符串的类型, 但是其实并不是常规字符串数据
针对这类字符串, 需要对数据集进行采样, 观察异常数据, 总结经验, 各个击破

2.常见的三种处理方式

1.丢弃/过滤
DataFrame.na.drop()

2.填充
DataFrame.na.fill()

3.替换
DataFrame.na.replace()

3.丢弃规则

1.any 一行中有任何一个是NaN/null就丢弃
2.all 只有一行中所有的都是NaN/null才丢弃
3.某些规则 针对某些列有NaN/null,是否丢弃该列

4.填充规则

1.针对所有列进行默认填充
2.针对特定的列

二:使用SparkSQL处理null 和NaN

class demo01 {

  private val spark: SparkSession = SparkSession.builder().master("local[4]").appName("nan").getOrCreate()
  import spark.implicits._

  @Test
  def demo01(): Unit ={
    //因为自动推断字段类型可能识别NAN为String类型,不方便,这里使用指定schema的方式
    val schema = StructType(List(
      StructField("id",LongType),
      StructField("year",IntegerType),
      StructField("month",IntegerType),
      StructField("day",IntegerType),
      StructField("hour",IntegerType),
      StructField("season",IntegerType),
      StructField("pm",DoubleType)
    ))

    //1.读取数据集
    val source = spark.read
      .option("header", true)
      .schema(schema)
      .csv("dataset/beijingpm_with_nan.csv")

    //2.第一种方式:丢弃
    /**
      * 丢弃规则:
      * 1.any  一行中有任何一个是NaN/null就丢弃
      * 2.all  只有一行中所有的都是NaN/null才丢弃
      * 3.某些规则 针对某些列有NaN/null,是否丢弃该列
      */

    source.na.drop("any").show()  //任何出现NaN/null就丢弃该行
    source.na.drop().show() //同上.默认any
    source.na.drop("all").show() //当所有的行都是NaN/null才丢弃
    source.na.drop("any",List("year","month","day","hour")) //针对特定列任意出现NaN/null就丢弃该行

    //3.第二种方式:填充
    /**
      * 填充规则
      * 1.针对所有列进行默认填充
      * 2.针对特定的列
      */

    source.na.fill(0).show()  //针对所有列填充为0
    source.na.fill(0,List("year","month")).show() //只填充具体列

  }

}

程序运行结果:

原始数据:

+---+----+-----+---+----+------+---+
| id|year|month|day|hour|season| pm|
+---+----+-----+---+----+------+---+
|  1|2010|    1|  1|   0|     4|NaN|
|  2|2010|    1|  1|   1|     4|NaN|
|  3|2010|    1|  1|   2|     4|NaN|
|  4|2010|    1|  1|   3|     4|NaN|
|  5|2010|    1|  1|   4|     4|NaN|
|  6|2010|    1|  1|   5|     4|NaN|
|  7|2010|    1|  1|   6|     4|NaN|
|  8|2010|    1|  1|   7|     4|NaN|
|  9|2010|    1|  1|   8|     4|NaN|
| 10|2010|    1|  1|   9|     4|NaN|
+---+----+-----+---+----+------+---+
only showing top 10 rows

(any规则)丢弃后的结果:

+-----+----+-----+---+----+------+----+
|   id|year|month|day|hour|season|  pm|
+-----+----+-----+---+----+------+----+
|26695|2013|    1| 17|   6|     4|25.0|
|26696|2013|    1| 17|   7|     4|22.0|
|26697|2013|    1| 17|   8|     4|20.0|
|26698|2013|    1| 17|   9|     4|24.0|
|26699|2013|    1| 17|  10|     4|27.0|
|26700|2013|    1| 17|  11|     4|29.0|
|26701|2013|    1| 17|  12|     4|31.0|
|26702|2013|    1| 17|  13|     4|27.0|
|26703|2013|    1| 17|  14|     4|39.0|
|26704|2013|    1| 17|  15|     4|53.0|
+-----+----+-----+---+----+------+----+
only showing top 10 rows

替换后的结果:

+---+----+-----+---+----+------+---+
| id|year|month|day|hour|season| pm|
+---+----+-----+---+----+------+---+
|  1|2010|    1|  1|   0|     4|0.0|
|  2|2010|    1|  1|   1|     4|0.0|
|  3|2010|    1|  1|   2|     4|0.0|
|  4|2010|    1|  1|   3|     4|0.0|
|  5|2010|    1|  1|   4|     4|0.0|
|  6|2010|    1|  1|   5|     4|0.0|
|  7|2010|    1|  1|   6|     4|0.0|
|  8|2010|    1|  1|   7|     4|0.0|
|  9|2010|    1|  1|   8|     4|0.0|
| 10|2010|    1|  1|   9|     4|0.0|
+---+----+-----+---+----+------+---+
only showing top 10 rows

三:SparlSQL处理异常字符串(NA / Null)

class demo02 {
  private val spark: SparkSession = SparkSession.builder().master("local[4]").appName("nan").getOrCreate()
  import spark.implicits._

  @Test
  def demo01(): Unit ={
    val source = spark.read
      .option("header", true)
      .option("inferSchema", true)
      .csv("dataset/BeijingPM20100101_20151231.csv")

    source.show(10)

    //1.丢弃
    //只获取 不为 =!= "NA" 的数据
    source.where('PM_Dongsi =!= "NA").show(10)

    //2.替换
      //2.1直接替换
    //想要使用when,就需要导入functions的隐式转换
    import org.apache.spark.sql.functions._

    val df1 = source.select(
      cols = 'No as "id", 'year, 'month, 'day, 'hour, 'season,
      //如果东四 等于 NA,就替换成 Double类型的NaN (NA是字符串类型,但是NaN是Double类型的 not a number,两者类型不一致)
      when('PM_Dongsi === "NA", Double.NaN)
        //还需要统一该列的其他数据的类型
        .otherwise('PM_Dongsi cast DoubleType)
        //再指定新的列名
        .as("pm")
    )
    df1.show(10)
    df1.printSchema()
    
      //2.2使用df.na.replace("指定列",Map("原始数据"->"替换后的数据"))进行替换,但是Map替换的方式类型不能变
    //注意: Map()转换的时候原类型和转换后的类型必须一致
    val df2 = source.na.replace(
      "PM_Dongsi", Map("NA" -> "NaN", "Null" -> "null")
    )
    df2.show(10)
    df2.printSchema()


  }
}

程序运行结果

原始数据:

+---+----+-----+---+----+------+---------+-------------+---------------+----------+----+----+----+----+----+-----+-------------+-----+
| No|year|month|day|hour|season|PM_Dongsi|PM_Dongsihuan|PM_Nongzhanguan|PM_US_Post|DEWP|HUMI|PRES|TEMP|cbwd|  Iws|precipitation|Iprec|
+---+----+-----+---+----+------+---------+-------------+---------------+----------+----+----+----+----+----+-----+-------------+-----+
|  1|2010|    1|  1|   0|     4|       NA|           NA|             NA|        NA| -21|  43|1021| -11|  NW| 1.79|            0|    0|
|  2|2010|    1|  1|   1|     4|       NA|           NA|             NA|        NA| -21|  47|1020| -12|  NW| 4.92|            0|    0|
|  3|2010|    1|  1|   2|     4|       NA|           NA|             NA|        NA| -21|  43|1019| -11|  NW| 6.71|            0|    0|
|  4|2010|    1|  1|   3|     4|       NA|           NA|             NA|        NA| -21|  55|1019| -14|  NW| 9.84|            0|    0|
|  5|2010|    1|  1|   4|     4|       NA|           NA|             NA|        NA| -20|  51|1018| -12|  NW|12.97|            0|    0|
|  6|2010|    1|  1|   5|     4|       NA|           NA|             NA|        NA| -19|  47|1017| -10|  NW| 16.1|            0|    0|
|  7|2010|    1|  1|   6|     4|       NA|           NA|             NA|        NA| -19|  44|1017|  -9|  NW|19.23|            0|    0|
|  8|2010|    1|  1|   7|     4|       NA|           NA|             NA|        NA| -19|  44|1017|  -9|  NW|21.02|            0|    0|
|  9|2010|    1|  1|   8|     4|       NA|           NA|             NA|        NA| -19|  44|1017|  -9|  NW|24.15|            0|    0|
| 10|2010|    1|  1|   9|     4|       NA|           NA|             NA|        NA| -20|  37|1017|  -8|  NW|27.28|            0|    0|
+---+----+-----+---+----+------+---------+-------------+---------------+----------+----+----+----+----+----+-----+-------------+-----+
only showing top 10 rows

丢弃后的结果:
PM_Dongsi 这一列不再出现 NA 等非法字符

+-----+----+-----+---+----+------+---------+-------------+---------------+----------+----+----+----+----+----+-----+-------------+-----+
|   No|year|month|day|hour|season|PM_Dongsi|PM_Dongsihuan|PM_Nongzhanguan|PM_US_Post|DEWP|HUMI|PRES|TEMP|cbwd|  Iws|precipitation|Iprec|
+-----+----+-----+---+----+------+---------+-------------+---------------+----------+----+----+----+----+----+-----+-------------+-----+
|26695|2013|    1| 17|   6|     4|       25|           NA|             20|        34| -17|  56|1038| -10|  NW| 4.92|            0|    0|
|26696|2013|    1| 17|   7|     4|       22|           NA|             20|        33| -16|  52|1039|  -8|  NE| 4.92|            0|    0|
|26697|2013|    1| 17|   8|     4|       20|           NA|             27|        33| -16|  45|1040|  -6|  NE| 8.94|            0|    0|
|26698|2013|    1| 17|   9|     4|       24|           NA|             28|        34| -16|  38|1040|  -4|  NE|12.07|            0|    0|
|26699|2013|    1| 17|  10|     4|       27|           NA|             15|        38| -16|  35|1040|  -3|  NE|16.09|            0|    0|
|26700|2013|    1| 17|  11|     4|       29|           NA|             17|        38| -15|  33|1040|  -1|  NE|20.11|            0|    0|
|26701|2013|    1| 17|  12|     4|       31|           NA|             31|        41| -17|  26|1038|   0|  NE|23.24|            0|    0|
|26702|2013|    1| 17|  13|     4|       27|           NA|             18|        37| -18|  21|1037|   2|  NW| 1.79|            0|    0|
|26703|2013|    1| 17|  14|     4|       39|           NA|             24|        45| -18|  21|1036|   2|  cv| 0.89|            0|    0|
|26704|2013|    1| 17|  15|     4|       53|           NA|             48|        71| -17|  21|1035|   3|  SE| 1.79|            0|    0|
+-----+----+-----+---+----+------+---------+-------------+---------------+----------+----+----+----+----+----+-----+-------------+-----+
only showing top 10 rows

第一种替换方式的结果:和转换后的Schema信息

+---+----+-----+---+----+------+---+
| id|year|month|day|hour|season| pm|
+---+----+-----+---+----+------+---+
|  1|2010|    1|  1|   0|     4|NaN|
|  2|2010|    1|  1|   1|     4|NaN|
|  3|2010|    1|  1|   2|     4|NaN|
|  4|2010|    1|  1|   3|     4|NaN|
|  5|2010|    1|  1|   4|     4|NaN|
|  6|2010|    1|  1|   5|     4|NaN|
|  7|2010|    1|  1|   6|     4|NaN|
|  8|2010|    1|  1|   7|     4|NaN|
|  9|2010|    1|  1|   8|     4|NaN|
| 10|2010|    1|  1|   9|     4|NaN|
+---+----+-----+---+----+------+---+
only showing top 10 rows

PM_Dongsi  这一列的额数据类型由原来的 String类型转换成 Double类型

root
 |-- id: integer (nullable = true)
 |-- year: integer (nullable = true)
 |-- month: integer (nullable = true)
 |-- day: integer (nullable = true)
 |-- hour: integer (nullable = true)
 |-- season: integer (nullable = true)
 |-- pm: **double** (nullable = true)

replace的替换方式的结果,使用Map进行指定字段内的多种类型的不同替换方式

+---+----+-----+---+----+------+---------+-------------+---------------+----------+----+----+----+----+----+-----+-------------+-----+
| No|year|month|day|hour|season|PM_Dongsi|PM_Dongsihuan|PM_Nongzhanguan|PM_US_Post|DEWP|HUMI|PRES|TEMP|cbwd|  Iws|precipitation|Iprec|
+---+----+-----+---+----+------+---------+-------------+---------------+----------+----+----+----+----+----+-----+-------------+-----+
|  1|2010|    1|  1|   0|     4|      NaN|           NA|             NA|        NA| -21|  43|1021| -11|  NW| 1.79|            0|    0|
|  2|2010|    1|  1|   1|     4|      NaN|           NA|             NA|        NA| -21|  47|1020| -12|  NW| 4.92|            0|    0|
|  3|2010|    1|  1|   2|     4|      NaN|           NA|             NA|        NA| -21|  43|1019| -11|  NW| 6.71|            0|    0|
|  4|2010|    1|  1|   3|     4|      NaN|           NA|             NA|        NA| -21|  55|1019| -14|  NW| 9.84|            0|    0|
|  5|2010|    1|  1|   4|     4|      NaN|           NA|             NA|        NA| -20|  51|1018| -12|  NW|12.97|            0|    0|
|  6|2010|    1|  1|   5|     4|      NaN|           NA|             NA|        NA| -19|  47|1017| -10|  NW| 16.1|            0|    0|
|  7|2010|    1|  1|   6|     4|      NaN|           NA|             NA|        NA| -19|  44|1017|  -9|  NW|19.23|            0|    0|
|  8|2010|    1|  1|   7|     4|      NaN|           NA|             NA|        NA| -19|  44|1017|  -9|  NW|21.02|            0|    0|
|  9|2010|    1|  1|   8|     4|      NaN|           NA|             NA|        NA| -19|  44|1017|  -9|  NW|24.15|            0|    0|
| 10|2010|    1|  1|   9|     4|      NaN|           NA|             NA|        NA| -20|  37|1017|  -8|  NW|27.28|            0|    0|
+---+----+-----+---+----+------+---------+-------------+---------------+----------+----+----+----+----+----+-----+-------------+-----+
only showing top 10 rows


PM_Dongsi 替换后的类型还是String类型

root
 |-- No: integer (nullable = true)
 |-- year: integer (nullable = true)
 |-- month: integer (nullable = true)
 |-- day: integer (nullable = true)
 |-- hour: integer (nullable = true)
 |-- season: integer (nullable = true)
 |-- PM_Dongsi: **string** (nullable = true)
 |-- PM_Dongsihuan: string (nullable = true)
 |-- PM_Nongzhanguan: string (nullable = true)
 |-- PM_US_Post: string (nullable = true)
 |-- DEWP: string (nullable = true)
 |-- HUMI: string (nullable = true)
 |-- PRES: string (nullable = true)
 |-- TEMP: string (nullable = true)
 |-- cbwd: string (nullable = true)
 |-- Iws: string (nullable = true)
 |-- precipitation: string (nullable = true)
 |-- Iprec: string (nullable = true)
是谁注册了我的2052
关注
  • 2
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R语言处理缺失值
01-07
R语言处理缺失值 在处理数据过程中，避免不了会产生一些缺失值，如未填写数据或者编码错误等原因，用NA表示缺失值。在R语言中，is.na()函数可以判断元素是否是缺失值，从而返回逻辑值(TRUE/FALSE)，所以该函数将会返回和元数据集一样大小的数据集。在判断缺失值的过程中，需要注意以下两点： 一是缺失值是不可以比较的，即不可以用缺失值去寻找缺失值，如var == NA返回的结果永远不会是true。 二是R语言中不会将正无穷和负无穷写成NA，分别用 Inf 和 –Inf 所标记。 既然缺失值可能无处不在，那么在数据分析过程中可以采取如下的方法去除缺失值： 一是很多数值函数都拥有一个 na.rm
Spark（三）-- SparkSQL扩展（数据操作） -- 缺失值处理(三)
happy-vicky的博客
10-18 3592
9.缺失值的处理 导读 DataFrame中什么时候会有无效值 DataFrame如何处理无效的值 DataFrame如何处理null 9.1 缺失值的处理思路 如果想探究如何处理无效值, 首先要知道无效值从哪来, 从而分析可能产生的无效值有哪些类型, 在分别去看如何处理无效值 什么是缺失值 一个值本身的含义是这个值不存在则称之为缺失值, 也就是...
spark-SaprkSQL:缺失值处理,聚合操作,连接操作,UDF函数,窗口函数
weixin_45154559的博客
06-09 927
1.缺失值处理 SparkSQL提供了DataFrameNaFunctions缺失值处理框架,使用Dataset的na函数来获取 (1)如何使用 SparkSQL 处理 null 和 NaN ? 首先要将数据读取出来, 此次使用的数据集直接存在 NaN, 在指定 Schema 后, 可直接被转为 Double.NaN val schema = StructType( List( StructField("id", IntegerType), StructField("year", Int
spark 特征选择、特征预处理:提取/转换/选择 缺失值 sparkMllib
weixin_33979203的博客
06-06 272
数据预处理与特征工程 缺失值处理 缺失值处理通常有如下的方法： 对于unknown值数量较少的变量，包括job和marital，删除这些变量是缺失值(unknown)的行； 如果预计该变量对于学习模型效果影响不大，可以对unknown值赋众数，这里认为变量都对学习模型有较大影响，不采取此法； 可以使用数据完整的行作为训练集，以此来预测缺失值，变量housing，l...
Spark在地理信息系统中的应用：空间数据处理与分析实战
最新发布
禅与计算机程序设计艺术
01-28 622
1.背景介绍 地理信息系统(GIS)是一种利用数字地理信息和地理信息系统技术来处理、分析、展示和管理地理空间数据的系统和方法。地理信息系统在各个领域的应用越来越广泛，例如地理学、地理信息科学、地理信息系统、地理信息科技等。 Spark是一个开源的大规模数据处理框架，可以处理大量数据，并提供了一系列的数据处理和分析工具。Spark在地理信息系统中的应用，可以帮助我们更高效地处理和分析地理空间数据...
【SparkSQL 】扩展 ---- 数据清洗：缺失值处理
懂得一千零一种,赋予你失败的方法！
12-19 3610
【SparkSQL 】扩展 ---- 数据清洗：缺失值处理 目录： 一、什么是缺失值 二、DataFrameNaFunctions 缺失值处理框架 三、NaN 、null 缺失值     1.丢弃     2.填充替换 四、字符串缺失值 ---- “null”、"NA"     1.丢弃     2.填充替换    &
dataframe 设置空值_spark dataframe 填充列值为 null（空值）的方式
weixin_39622332的博客
01-14 5017
在实际开发中，常常遇到多个 dataframe 关联(即 join)操作后，有些字段或列的值为 null 的情况，我们需要对列值为空进行填充数据，通过 dataframe.fillna() 或dataframe.na.fill() 函数即可完成，fill 函数底层也是调用 fillna。解决方式这里列出了 fillna 函数填充指定列的示例：from pyspark.sql import Spa...
Spark sql 常见问题及优化
Jhon_yh的博客
03-16 3377
目录数据倾斜1.null值的处理2.持续整理中... 数据倾斜 1.null值的处理 INSERT OVERWRITE TABLE tf_lte_prd_pd_inst_month PARTITION (month_id) SELECT prvnce_id, std_prvnce_cd ,... FROM ( SELECT '${V_DATE}' month_id ,..., C...
SQL查询知识点总结
bingbangx的博客
08-25 1470
转载于：https://zhuanlan.zhihu.com/p/113005033 仅用于学习，如有侵权，请联系我。 数据库基础知识 什么是数据库？什么是是sql? 数据库database：用于存放数据的容器（一个文件或者一组文件）。区别于数据库管理软件（DBMS-database management system)。 SQL:数据库查询语言，Structured Query Language的简称。SQL语言是用于操纵数据库软件的语言。 （为什么要使用数据库？数据库比excel有更多的优点：数据库
pandas如何处理缺失值
09-18
主要介绍了pandas如何处理缺失值，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
数据处理之缺失值填充
12-21
但是如果缺失值占比比较大，这种直接删除缺失值的处理方法就会丢失重要信息。 直接删除法处理缺失值时，需要检测样本总体中缺失值的个数。Python中统计缺失值的方法如下（下面结合具体数据集，直接上代码）： import...
详解Pandas 处理缺失值指令大全
09-16
主要介绍了详解Pandas 处理缺失值指令大全，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Pandas缺失值2种处理方式代码实例
09-16
主要介绍了Pandas缺失值2种处理方式代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
Spark参数调优经典实战
weixin_44769733的博客
10-23 1754
一:常用调优参数 #配置文件,使用这个名称application.conf就可以自动读取 #以下是spark的调优参数 #自动广播 spark.sql.autoBroadcastJoinThreshold="10485760" #spark sql shuffle并行度设置 spark.sql.shuffle.partitions="200" #自动广播超时时间 #spark.sql.broad...
Spark读写JDBC数据
weixin_44769733的博客
10-10 1568
前言: 使用spark去读取JDBC的数据,有三种读取方式,如果数据量特别大的时候,达到了亿级的数据量,最好使用分区的方式读取.否则容易出现OOM异常. 文末再附pom依赖! 一:读取数据的三种方式 1.第一种方式(不指定分区) 1.jdbc源码参数 url:表示jdbc连接 table:表示读取的表名 properties:表示配置信息 def jdbc(url: String, table:...
SparkSQL解决数据倾斜实战介绍(适用于HiveSQL)
weixin_44769733的博客
10-24 1095
一:什么情况会出现数据倾斜? 哪些情况会出现数据倾斜: 1、shuffle的时候，如果这个产生shuffle的字段为空，会出现数据倾斜 2、key有很多，分区数设置的过少，导致很多key聚集在一个分区出现数据倾斜 3、当某一个表中某一个key数据特别多，然后使用group by 就会出现数据倾斜 4、大表 join 小表 ,这两个表中某一个表有某一个key或者某几个key数据比较多，会出现数据倾...
SparkSQL的执行和优化过程
weixin_44769733的博客
10-03 679
SparkSQL是基于RDD的,但是其执行效率又比RDD高,其原因就是因为SparkSQL的优化器–Catalyst RDD执行效率低是因为RDD无法进行优化,其本身不具备数据scheme约束信息,无法得知数据的具体信息,然而SparkSQL一般用于结构化和半结构化数据,所以具备数据的scheme信息,可以对其进行优化处理 一:SparkSQL的API SparkSQL的API有三种 sql Da...
sparkSQL填充缺失值
05-05
在SparkSQL中，可以使用`fill`函数来填充缺失值。`fill`函数接受一个Map作为参数，其中Map的键是要填充的列名，值是要填充的值。下面是一个简单的示例： 假设有一个名为`people`的表，其中存在一个名为`age`的列，需要填充其中的缺失值。可以使用以下代码： ``` import org.apache.spark.sql.functions._ val filledDF = people.fill(Map("age" -> "18")) ``` 这将在`age`列中填充所有缺失值为`18`。如果要填充不同的列，只需在Map中添加相应的键值对即可。

“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