scikit-learn机器学习笔记——特征提取、特征处理

最新推荐文章于 2022-11-04 20:24:16 发布
最新推荐文章于 2022-11-04 20:24:16 发布
阅读量624 收藏 2
点赞数 4
分类专栏： scikit-learn机器学习 文章标签： 机器学习 scikit-learn
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_45031468/article/details/113606846
版权

scikit-learn机器学习笔记——特征提取、特征处理

数据特征提取

  • 特征提取针对非连续型字典等数据特征值化
  • 特征提取对文本等进行特征值化

scikit-learn特征抽取的API ：sklearn.feature_extraction

字典特征提取

作用：对字典数据进行特征值化

类：sklearn.feature_extraction.DictVectorizer

DictVectorizer语法：

  • DictVectorizer(sparse=True,…)
    • DictVectorizer.fit_transform(X)
      • X:字典或者包含字典的迭代器
      • 返回值：返回sparse矩阵
    • DictVectorizer.inverse_transform(X)
      • X:array数组或者sparse矩阵
      • 返回值:转换之前数据格式
    • DictVectorizer.get_feature_names()
      • 返回类别名称
    • DictVectorizer.transform(X)
      • 按照原先的标准转换

代码示例：

from sklearn.feature_extraction import DictVectorizer


def dic_extract(X):
    '''
    字典特征抽取
    :return: None
    '''
    # 实例化类DictVectorizer
    dic = DictVectorizer(sparse=False)
    # 调用fit_transform方法输入数据并转换 注意返回格式
    data = dic.fit_transform(X)
    print(dic.get_feature_names())
    print(data)
    return None

if __name__ == '__main__':
    X = [{'city': '北京', 'temperature': 100},
        {'city': '上海', 'temperature': 60},
        {'city': '深圳', 'temperature': 30}]
    dic_extract(X)

['city=上海', 'city=北京', 'city=深圳', 'temperature']
[[  0.   1.   0. 100.]
 [  1.   0.   0.  60.]
 [  0.   0.   1.  30.]]

文本特征提取

作用：对文本数据进行特征值化
注意：文本特征提取不会统计单个字母或汉字

类：sklearn.feature_extraction.text.CountVectorizer

CountVectorizer语法：

  • CountVectorizer(max_df=1.0,min_df=1,…)
    返回词频矩阵
    • CountVectorizer.fit_transform(X)
      • X:文本或者包含文本字符串的可迭代对象
      • 返回值：返回sparse矩阵
    • CountVectorizer.inverse_transform(X)
      • X:array数组或者sparse矩阵
      • 返回值:转换之前数据格式
    • CountVectorizer.get_feature_names()
      • 返回值:单词列表

代码示例：英文文本特征提取

from sklearn.feature_extraction.text import CountVectorizer

def text_extract(X):
    '''
    文本特征提取
    :return: None
    '''
    # 实例化CountVectorizer
    text = CountVectorizer()
    # 调用fit_transform方法输入数据并转换
    # 注意返回格式，利用toarray()进行sparse矩阵转换array数组
    data = text.fit_transform(X)
    print(data)
    print(text.get_feature_names())
    print(data.toarray())
    return None



if __name__ == '__main__':
    X = ["life is short,i like python" ,
         "life is too long,i dislike python"]
    text_extract(X)

  (0, 2)	1
  (0, 1)	1
  (0, 6)	1
  (0, 3)	1
  (0, 5)	1
  (1, 2)	1
  (1, 1)	1
  (1, 5)	1
  (1, 7)	1
  (1, 4)	1
  (1, 0)	1
['dislike', 'is', 'life', 'like', 'long', 'python', 'short', 'too']
[[0 1 1 1 0 1 1 0]
 [1 1 1 0 1 1 0 1]]

中文文本特征提取

使用jieba分词

API：jieba.cut

返回值:词语生成器

代码示例：中文文本特征提取

from sklearn.feature_extraction.text import CountVectorizer
import jieba

def text_extract(X):
    '''
    中文文本特征提取
    :return: None
    '''
    # 实例化CountVectorizer
    text = CountVectorizer()
    #准备句子，利用jieba.cut进行分词
    data = []
    for i in range(len(X)):
        # print(X[i])
        data.append(list(jieba.cut(X[i])))

    print(data)
    # 将分词结果变成字符串当作fit_transform的输入值
    con = []
    for i in range(len(data)):
        con.append(' '.join(data[i]))
    print(con)

    cn_text = text.fit_transform(con)
    print(text.get_feature_names())
    # 注意返回格式，利用toarray()进行sparse矩阵转换array数组
    print(cn_text.toarray())
    return None



if __name__ == '__main__':
    X = ['今天很残酷，明天更残酷，后天很美好，但绝对大部分是死在明天晚上，所以每个人不要放弃今天。' ,
         '我们看到的从很远星系来的光是在几百万年之前发出的，这样当我们看到宇宙时，我们是在看它的过去。' ,
         '如果只用一种方式了解某样事物，你就不会真正了解它。了解事物真正含义的秘密取决于如何将其与我们所了解的事物相联系。']
    text_extract(X)

['一种', '不会', '不要', '之前', '了解', '事物', '今天', '光是在', '几百万年', '发出', '取决于', '只用', '后天', '含义', '大部分', '如何', '如果', '宇宙', '我们', '所以', '放弃', '方式', '明天', '星系', '晚上', '某样', '残酷', '每个', '看到', '真正', '秘密', '绝对', '美好', '联系', '过去', '这样']
[[0 0 1 0 0 0 2 0 0 0 0 0 1 0 1 0 0 0 0 1 1 0 2 0 1 0 2 1 0 0 0 1 1 0 0 0]
 [0 0 0 1 0 0 0 1 1 1 0 0 0 0 0 0 0 1 3 0 0 0 0 1 0 0 0 0 2 0 0 0 0 0 1 1]
 [1 1 0 0 4 3 0 0 0 0 1 1 0 1 0 1 1 0 1 0 0 1 0 0 0 1 0 0 0 2 1 0 0 1 0 0]]

TF-IDF

  TF-IDF是一个用于信息检索和聚类的词加权方法，给出语料库文档中单词的权重，表示重要性。
  TF（item frequency，词频）：衡量词在文档中出现的频率。由于文档的长度不同，词在长文中出现次数有可能比在短文中出现的次数多得多。因此，一般会对词频进行归一化，用其除以文档长度或文档的总词数。
  IDF（inverse document frequency，逆文档频率）：衡量词的重要性。在计算词频时，我们认为所有的词都同等重要。但是某些词（如is、of和that）有可能出现很多次，但这些词并不重要。因此，我们需要减少常见词的权重，加大稀有词的权重。

类：sklearn.feature_extraction.text.TfidfVectorizer

TfidfVectorizer语法

  • TfidfVectorizer(stop_words=None,…) • 返回词的权重矩阵
    • TfidfVectorizer.fit_transform(X,y)
    • X:文本或者包含文本字符串的可迭代对象
    • 返回值：返回sparse矩阵
    • TfidfVectorizer.inverse_transform(X)
    • X:array数组或者sparse矩阵
    • 返回值:转换之前数据格式
    • TfidfVectorizer.get_feature_names()
    • 返回值:单词列表

代码示例：

from sklearn.feature_extraction.text import TfidfVectorizer
import jieba

def tfidf_text_extract(X):
    '''
    中文文本特征提取
    :return: None
    '''
    # 实例化CountVectorizer
    text = TfidfVectorizer()
    #准备句子，利用jieba.cut进行分词
    data = []
    for i in range(len(X)):
        # print(X[i])
        data.append(list(jieba.cut(X[i])))

    print(data)
    # 将分词结果变成字符串当作fit_transform的输入值
    con = []
    for i in range(len(data)):
        con.append(' '.join(data[i]))
    print(con)

    cn_text = text.fit_transform(con)
    print(text.get_feature_names())
    # 注意返回格式，利用toarray()进行sparse矩阵转换array数组
    print(cn_text.toarray())
    return None



if __name__ == '__main__':
    X = ['今天很残酷，明天更残酷，后天很美好，但绝对大部分是死在明天晚上，所以每个人不要放弃今天。' ,
         '我们看到的从很远星系来的光是在几百万年之前发出的，这样当我们看到宇宙时，我们是在看它的过去。' ,
         '如果只用一种方式了解某样事物，你就不会真正了解它。了解事物真正含义的秘密取决于如何将其与我们所了解的事物相联系。']
    tfidf_text_extract(X)

['一种', '不会', '不要', '之前', '了解', '事物', '今天', '光是在', '几百万年', '发出', '取决于', '只用', '后天', '含义', '大部分', '如何', '如果', '宇宙', '我们', '所以', '放弃', '方式', '明天', '星系', '晚上', '某样', '残酷', '每个', '看到', '真正', '秘密', '绝对', '美好', '联系', '过去', '这样']
[[0.         0.         0.21821789 0.         0.         0.
  0.43643578 0.         0.         0.         0.         0.
  0.21821789 0.         0.21821789 0.         0.         0.
  0.         0.21821789 0.21821789 0.         0.43643578 0.
  0.21821789 0.         0.43643578 0.21821789 0.         0.
  0.         0.21821789 0.21821789 0.         0.         0.        ]
 [0.         0.         0.         0.2410822  0.         0.
  0.         0.2410822  0.2410822  0.2410822  0.         0.
  0.         0.         0.         0.         0.         0.2410822
  0.55004769 0.         0.         0.         0.         0.2410822
  0.         0.         0.         0.         0.48216441 0.
  0.         0.         0.         0.         0.2410822  0.2410822 ]
 [0.15698297 0.15698297 0.         0.         0.62793188 0.47094891
  0.         0.         0.         0.         0.15698297 0.15698297
  0.         0.15698297 0.         0.15698297 0.15698297 0.
  0.1193896  0.         0.         0.15698297 0.         0.
  0.         0.15698297 0.         0.         0.         0.31396594
  0.15698297 0.         0.         0.15698297 0.         0.        ]]

数据特征处理

  特征处理：通过特定的统计方法（数学方法）将数据转换成算法要求的数据。

数值型数据：

  • 归一化
  • 标准化
  • 缺失值

类别型数据：

  • one-hot编码

时间类型：

  • 时间的切分

sklearn特征处理API：sklearn. preprocessing

归一化

通过对原始数据进行变换把数据映射到(默认为[0,1])之间。

公式: X ′ = x − min ⁡ max ⁡ − min ⁡ X ′ ′ = X ′ ∗ ( m x − m i ) + m i \quad X^{\prime}=\frac{x-\min }{\max -\min } \quad X^{\prime \prime}=X^{\prime} *(m x-m i)+m i X′=max−minx−min​X′′=X′∗(mx−mi)+mi

注：作用于每一列，max为一列的最大值， min为一列的最小值, X" 为最终结果， m x , \mathrm{mx}, mx, mi分别为指定区间值默认mx为1,mi为0

分为两步：1.归一化，2.转换到指定区间

sklearn归一化API：sklearn归一化API: sklearn.preprocessing.MinMaxScaler

MinMaxScaler语法：

  • MinMaxScalar(feature_range=(0,1)…) • 每个特征缩放到给定范围(默认[0,1])
  • MinMaxScalar.fit_transform(X)
  • X:numpy array格式的数据[n_samples,n_features]
  • 返回值：转换后的形状相同的array

代码示例：最大最小化

from sklearn.preprocessing import MinMaxScaler

def min_max(X):
    '''
    最大最小化
    :param X:
    :return:None
    '''
    print(X)
    # 实例化
    min_max = MinMaxScaler()
    # 转换数据
    data = min_max.fit_transform(X)
    print(data)

if __name__ == '__main__':
    X = [[90,2,10,40],
        [60,4,15,45],
        [75,3,13,46]]
    min_max(X)

[[90, 2, 10, 40], [60, 4, 15, 45], [75, 3, 13, 46]]
[[1.         0.         0.         0.        ]
 [0.         1.         1.         0.83333333]
 [0.5        0.5        0.6        1.        ]]

归一化总结：

  注意在特定场景下最大值最小值是变化的，另外，最大值与最小值非常容易受异常点影响，所以这种方法鲁棒性较差，只适合传统精确小数据场景。

标准化

通过对原始数据进行变换把数据变换到均值为0,方差为1范围内。

公式: X ′ = x −  mean  σ X^{\prime}=\frac{x-\text { mean }}{\sigma} X′=σx− mean ​

注: 作用于每一列，mean为平均值， σ \sigma σ 为标准差(考量数据的稳定性)
std成为方差， s t d = ( x 1 − m e a n ) 2 + ( x 2 − m e a n ) 2 + ⋯ n (  每个特征的样本数  ) − 1 , σ = s t d s t d=\frac{(x 1-m e a n)^{2}+(x 2-m e a n)^{2}+\cdots} {n(\text { 每个特征的样本数 })-1}, \quad \sigma=\sqrt{\mathrm{std}} std=n( 每个特征的样本数 )−1(x1−mean)2+(x2−mean)2+⋯​,σ=std ​

  对于归一化来说：如果出现异常点，影响了最大值和最小值，那么结果显然会发生改变。

  对于标准化来说：如果出现异常点，由于具有一定数据量，少量的异常点对于平均值的影响并不大，从而方差改变较小。

sklearn标准化API：scikit-learn.preprocessing.StandardScaler

StandardScaler语法

  • StandardScaler(…)
  • 处理之后每列来说所有数据都聚集在均值0附近方差为1
    • StandardScaler.fit_transform(X,y)
      • X:numpy array格式的数据[n_samples,n_features]
      • 返回值：转换后的形状相同的array
    • StandardScaler.mean_
      • 原始数据中每列特征的平均值
    • StandardScaler.std_
      • 原始数据每列特征的方差

代码示例：标准化

from sklearn.preprocessing import StandardScaler

def standard(X):
    '''
    标准化
    :param X:
    :return:None
    '''
    print(X)
    # 实例化
    stand = StandardScaler()
    # 转换数据
    data = stand.fit_transform(X)
    print(data)
    print(stand.mean_, stand.scale_)

if __name__ == '__main__':
    X = [[ 1., -1., 3.],
        [ 2., 4., 2.],
        [ 4., 6., -1.]]
    standard(X)

[[1.0, -1.0, 3.0], [2.0, 4.0, 2.0], [4.0, 6.0, -1.0]]
[[-1.06904497 -1.35873244  0.98058068]
 [-0.26726124  0.33968311  0.39223227]
 [ 1.33630621  1.01904933 -1.37281295]]
[2.33333333 3.         1.33333333] [1.24721913 2.94392029 1.69967317]

标准化总结

  在已有样本足够多的情况下比较稳定，适合现代嘈杂大数据场景。

缺失值

缺失值处理方法：

  • 删除
    如果每列或者行数据缺失值达到一定的比例，建议放弃整
    行或者整列。
  • 插补
    可以通过缺失值每行或者每列的平均值、中位数来填充。

sklearn缺失值API: from sklearn.impute import SimpleImputer

SimpleImputer语法

  • SimpleImputer(*, missing_values=nan, strategy=‘mean’,
    fill_value=None, verbose=0, copy=True, add_indicator=False)[source]
    • SimpleImputer.fit_transform(X)
      • X:numpy array格式的数据[n_samples,n_features]
      • 返回值：转换后的形状相同的array

SimpleImputer流程：

1、初始化Imputer,指定”缺失值”，指定填补策略，指定行或列。
注：缺失值也可以是别的指定要替换的值。
2、调用fit_transform。

from sklearn.impute import SimpleImputer
import numpy as np


def miss_values(X):
    '''
    缺失值填补
    :param X:
    :return:
    '''
    print(X)
    # 实例化SimpleImputer(missing_values='nan', strategy='mean')
    mis_val = SimpleImputer(strategy='mean')
    # 转换数据
    data = mis_val.fit_transform(X)
    print(data)
    return None

if __name__ == '__main__':
    X = [[1, 2],
        [np.nan, 3],
        [7, 6]]
    miss_values(X)


[[1, 2], [nan, 3], [7, 6]]
[[1. 2.]
 [4. 3.]
 [7. 6.]]
学习爱好者fz
关注
  • 4
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
scikit-learn一般实例之三:连接多个特征提取方法
weixin_33725270的博客
01-08 214
在很多现实世界的例子中,有很多从数据集中提取特征的方法.很多时候我们需要结合多种方法获得好的效果.本例将展示怎样使用FeatureUnion通过主成分分析和单变量选择相进行特征结合. 结合使用转换器的好处是它允许在整个过程中进行交叉验证和网格搜索。 在本例中数据集上使用组合的方法并没有什么实际作用,仅用来展示怎么使用FeatureUnion # coding:utf-8 # 作者: Andrea...
机器学习 scikit-learn 特征预处理
小小熊的博客
10-12 229
机器学习 scikit-learn 特征预处理 归一化 对不同数据进行统一标准处理，但受到异常点的影响比较大 from sklearn.preprocessing import MinMaxScaler def mm(): """归一化""" # feature_range 取值范围 mm = MinMaxScaler(feature_range=(2, 3)) ...
特征提取与处理概述
Enochzhu的博客
02-20 1162
特征提取与处理 上一章案例中的解释变量都是数值，比如匹萨的直径。而很多机器学习问题需要研究的对象可能是分类变量、文字甚至图像。本章，我们介绍提取这些变量特征的方法。这些技术是数据处理的前提——序列化，更是机器学习的基础，影响到本书的所有章节。 分类变量特征提取 许多机器学习问题都有分类的、标记的变量，不是连续的。例如，一个应用是用分类特征比如工作地点来预测工资水平。分类变量通常用独热编码（One-...
『sklearn学习』《sklearn》第三章：特征提取与处理
L聪记博客
12-29 1632
### --------------------------------------------------- ### # ------ 特征提取与处理 ------ # ------ 分类变量特征提取 ------ from sklearn.feature_extraction import DictVectorizer one_hot_encoder = DictVector
用scikit-learn掌握机器学习（三）特征提取和预处理
polarislove36的博客
05-21 667
从分类数据中提取特征 from sklearn.feature_extraction import DictVectorizer onehot_encoder = DictVectorizer() #字典转onehot用DictVectorizer() instances = [{'city': 'New York'},{'city': 'San Francisco'},{'city': '...
scikit-learn学习笔记.pdf
06-06
Scikit-learn是Python编程语言中的一个强大机器学习库，被广泛用于数据挖掘、数据分析以及机器学习项目。这个库提供了一系列高效且易于使用的工具，帮助数据科学家进行预处理、建模、评估等任务。 **主要特点：** 1...
机器学习scikit-learn使用笔记
02-24
本文来自于csdn，本文是一篇机器学习Scikit-learn的笔记，主要介绍Scikit-learn的安装和使用，希望会对您的学习有所帮助。sklearn库依赖于numpy、scipy、matplotlib库，首先安装numpy，然后安装scipy、matplotlib库...
scikit-learn:Jupyter笔记本，使用scikit-learn训练模型
04-29
Scikit-learn是Python中最流行的机器学习库，它提供了丰富的算法和工具，使得数据科学家能够高效地进行机器学习任务。本教程将通过Jupyter Notebook这一交互式编程环境，引导你了解如何使用scikit-learn训练模型。...
Scikit-learn学习资料荟萃
10-31
从入门到精通，学习备查两相宜，资料目录： Mastering Machine Learning with scikit-learn(中文版).pdf；...python_scikit-learn学习笔记.pdf； Scikit-learn 使用手册中文版.pdf； scikit-learn-docs.pdf；
sklearn中fit、fit_transform、transform的区别
Lavi的专栏
10-12 1万+
1 前言 在使用sklearn处理数据的时候，会经常看到fit_tranform()，但是偶尔也会遇到fit()和transform()函数，不太明白怎么使用，于是查询资料整理一下。 2 理解 fit：原义指的是安装、使适合的意思，其实有点train的含义但是和train不同的是，它并不是一个训练的过程，而是一个适配的过程，过程都是定死的，最后只是得到了一个统一的转换的规则模型。 transfor...
transform的使用
提拉米苏的博客
06-08 1391
from  sklearn.feature_extraction  import  DictVectorizer DictVectorizer和fit_transform的使用： v = DictVectorizer（sparse = False）#空白处为false D  =  [{ 'F' : 'A' , 'B' : 'B' },{ 'F' : 'C' , 'B' : 'A' }
特征工程，字典特征提取
郑德帅
11-05 7246
1.常用数据结构组成 特征值 + 目标值 2.特征工程 定义: 特征工程是将原始数据转换为更好地代表预测模型的潜在问题的特征的过程，从而提高了对未知数据的模型准确性 目的：是为提高对位置数据的预测准确性 意义：直接影响预测结果 3.Scikit-learn 工具介绍 Python 语言的机器学习的库 先要有Numpy,pandas模块，之后...
03_数据的特征抽取，sklearn特征抽取API，字典特征抽取DictVectorizer,文本特征抽取CountVectorizer，TF-IDF(TfidfVectorizer),详细案例
涂作权的博客
04-10 1968
数据的特征抽取 A:特征抽取实例演示 通过演示得出结论： 特征抽取针对非连续型数据 特征抽取对文本等进行特征值化 注：特征值化是为了计算机更好的去理解数据。 B:sklearn特征抽取API sklearn.feature_extraction模块，可以用于从包含文本和图片的数据集中提取特征，以便支持机器学习算法使用。 注意：Feature extraction与Feature Selecti...
机器学习 笔记05——特征工程之特征处理:字典特征提取、文本特征提取
最新发布
S1406793的博客
11-04 1710
1.3 字典特征提取（特征离散化） ⭐ 1.4 文本特征提取（英文+中文）⭐ 1.4.1英文数据演示 1.4.2中文特征提取演示 1.4.3jieba分词：中文特征提取 1.4.4Tf-idf文本特征提取
Spark2.1特征处理:提取/转换/选择
bitcarmanlee的博客
09-06 4452
1.Feature Extractors（特征提取）1.1 TF-IDF词频（Term Frequency）- 逆向文档频率（Inverse Document Frequency） 是一种特征矢量化方法，广泛应用于文本挖掘，用以评估某一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。定义：t 表示由一个单词，d 表示一个文档，D 表示多个文档构成的语料库（corpus），词频 TF（t，d
【Kaggle】Intermediate Machine Learning（缺失值+文字特征处理）
Michael是个半路程序员
05-11 1329
文章目录1. Introduction2. Missing Values from https://www.kaggle.com/learn/intermediate-machine-learning 1. Introduction 按照教程给的7个特征，给定5种参数下的随机森林模型，选出mae误差最小的，进行提交 import pandas as pd from sklearn.model_selection import train_test_split # Read the data X_ful
scikit-learn--Feature selection(特征选择)
qq_39355550的博客
09-16 2592
去掉方差较小的特征 方差阈值（VarianceThreshold）是特征选择的一个简单方法，去掉那些方差没有达到阈值的特征。默认情况下，删除零方差的特征，例如那些只有一个值的样本。 假设我们有一个有布尔特征的数据集，然后我们想去掉那些超过80%的样本都是0（或者1）的特征。布尔特征是伯努利随机变量，方差为 p(1-p)。 from sklearn.feature_selection impo...
使用scikit-learn对特征进行归一化和标准化
热门推荐
修炼之路
03-08 2万+
一、为什么需要进行特征缩放？因为对于大多数的机器学习算法和优化算法来说，将特征值缩放到相同区间可以使得获取性能更好的模型。就梯度下降算法而言，例如有两个不同的特征，第一个特征的取值范围为1~10，第二个特征的取值范围为1~10000。在梯度下降算法中，代价函数为最小平方误差函数，所以在使用梯度下降算法的时候，算法会明显的偏向于第二个特征，因为它的取值范围更大。在比如，k近邻算法，它使用的是欧式距离...
scikit-learn机器学习实战：从安装到核心概念解析
"scikit-learn学习笔记.pdf 是一本详尽介绍scikit-learn库的文档资料，涵盖了该库的基础知识、主要特点、安装方法以及多种机器学习算法的应用。" scikit-learn是Python编程语言中广泛使用的机器学习库，它为数据...

“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 2
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