AnnData 教程 1：开始使用 anndata

已于 2024-08-18 14:57:16 修改
阅读量1.1k 收藏 4
点赞数
分类专栏： 生信学习：单细胞和空间组 文章标签： 程序人生
于 2023-10-03 21:58:50 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/weixin_45851732/article/details/133530269
版权

写在前面

学习一个软件最好的方法就是啃它的官方文档。本着自己学习、分享他人的态度，分享官方文档的中文教程。软件可能随时更新，建议配合官方文档一起阅读。

::: block-1

目录

  • 1 初始化 AnnData
  • 2 添加对齐的 metadata
  • 3 观测/变量-水平矩阵
  • 4 非结构化 metadata
  • 5 层
  • 6 转换为 DataFrames
  • 7 将结果写入磁盘
  • 8 总结介绍
  • 9 视图和副本
  • 10 部分读取大数据
    :::

官网教程：https://anndata.readthedocs.io/en/latest/tutorials/notebooks/getting-started.html

在本教程中，我们介绍中心对象 AnnData（“Annotated Data”）的基本属性。

AnnData 专为类似矩阵的数据而设计。这意味着我们有 n 个观测值（observations），每个观测值可以表示为 d 维向量，其中每个维度对应于一个变量或特征。此 n×d 矩阵的行和列在索引的意义上是特殊的。

例如，在 scRNA-seq 数据中，每行对应于具有一个 barcode 的细胞，每列对应于具有 gene id 的基因。此外，对于每个细胞和每个基因，我们可能有额外的 metadata，如（1）每个细胞的供体信息，或（2）每个基因的替代基因符号。最后，我们可能有其他 unstructured metadata，如调色板，用于绘图。在不深入研究每一种基于 Python 的奇特数据结构的情况下，我们认为时至今日，还不存在其他真正的替代方案：

  • 处理稀疏性
  • 处理非结构化数据
  • 处理观测-水平和特征-水平的 metadata
  • 用户友好
import numpy as np
import pandas as pd
import anndata as ad
from scipy.sparse import csr_matrix
print(ad.__version__)
## 0.8.0

1 初始化 AnnData

让我们从构建一个包含一些稀疏计数信息的基本 AnnData 对象开始，可能代表 gene expression counts。

counts = csr_matrix(np.random.poisson(1, size=(100, 2000)), dtype=np.float32)
adata = ad.AnnData(counts)
adata
## AnnData object with n_obs × n_vars = 100 × 2000

我们看到 AnnData 提供了具有数据摘要统计的表示形式。我们传递的初始数据可以使用 adata.X 作为稀疏矩阵进行访问。

adata.X
## <100x2000 sparse matrix of type '<class 'numpy.float32'>'
##	with 126543 stored elements in Compressed Sparse Row format>

现在，我们使用 .obs_names 和 .var_names 为 obs 和 var 轴提供索引。

adata.obs_names = [f"Cell_{i:d}" for i in range(adata.n_obs)]
adata.var_names = [f"Gene_{i:d}" for i in range(adata.n_vars)]
print(adata.obs_names[:10])
## Index(['Cell_0', 'Cell_1', 'Cell_2', 'Cell_3', 'Cell_4', 'Cell_5', 'Cell_6','Cell_7', 'Cell_8', 'Cell_9'], dtype='object')

AnnData 取子集

这些索引值可用于对 AnnData 进行取子集，从而提供 AnnData 对象的视图。我们可以想象这对于将 AnnData 选取特定的细胞类型或感兴趣的基因模块的子集很有用。AnnData 取子集的规则与 Pandas DataFrame 的规则非常相似。您可以使用 obs_names/var_names、boolean masks, or cell index integer。

adata[["Cell_1", "Cell_10"], ["Gene_5", "Gene_1900"]]
## View of AnnData object with n_obs × n_vars = 2 × 2

2 添加对齐的 metadata

观测/变量水平

所以我们有了对象的核心，现在我们想给 observation 和 variable levels 添加 metadata。这对于 AnnData 来说非常简单，adata.obs 和 adata.var 都是 Pandas DataFrames。

ct = np.random.choice(["B", "T", "Monocyte"], size=(adata.n_obs,))
adata.obs["cell_type"] = pd.Categorical(ct)  # Categoricals are preferred for efficiency
adata.obs

## cell_type
## Cell_0	B
## Cell_1	B
## Cell_2	Monocyte
## Cell_3	Monocyte
## Cell_4	Monocyte
## ...	...
## Cell_95	B
## Cell_96	B
## Cell_97	B
## Cell_98	Monocyte
## Cell_99	Monocyte
## 100 rows × 1 columns

我们现在还可以看到 AnnData 表示已经更新：

adata
## AnnData object with n_obs × n_vars = 100 × 2000
##    obs: 'cell_type'

使用 metadata 取子集

我们还可以使用这些随机生成的细胞类型对 AnnData 进行取子集：

bdata = adata[adata.obs.cell_type == "B"]
bdata
## View of AnnData object with n_obs × n_vars = 36 × 2000
##    obs: 'cell_type'

3 观测/变量-水平矩阵

我们也可能在任一 level 都有 metadata，这些 metadata 具有许多维度，例如数据的 UMAP embedding。对于这种类型的 metadata，AnnData 具有 .obsm/.varm 属性。我们使用 keys 来识别我们插入的不同矩阵。.obsm/.varm 的限制是 .obsm 矩阵的长度必须等于 .n_obs(observations的数目)，而 .varm 矩阵的长度必须等于 .n_vars。它们可以各自独立地具有不同数量的维度。

让我们从一个随机生成的矩阵开始，我们可以将其解释为我们想要存储的数据的 UMAP embedding，以及一些随机的 gene-level metadata：

adata.obsm["X_umap"] = np.random.normal(0, 1, size=(adata.n_obs, 2))
adata.varm["gene_stuff"] = np.random.normal(0, 1, size=(adata.n_vars, 5))
adata.obsm
## AxisArrays with keys: X_umap

同样，可以看到 AnnData 表示已经更新：

adata
## AnnData object with n_obs × n_vars = 100 × 2000
##    obs: 'cell_type'
##    obsm: 'X_umap'
##    varm: 'gene_stuff'

关于 .obsm/.varm 的更多说明：

  1. “array-like” metadata 可以源自 Pandas DataFrame、scipy sparse matrix 或 numpy dense array。
  2. 使用 scanpy 时，它们的 values(columns) 不容易绘制，取而代之的是 .obs 中的项目很容易绘制，例如 UMAP 图。

4 非结构化 metadata

AnnData 有 .uns，它允许任何 unstructured metadata。这可以是任何东西，例如包含一些对我们的数据分析有用的一般信息的 list 或 dictionary。

adata.uns["random"] = [1, 2, 3]
adata.uns
## OverloadedDict, wrapping:
## 	OrderedDict([('random', [1, 2, 3])])
## With overloaded keys:
##	['neighbors'].

5 层

最后，我们可能有不同形式的原始核心数据，可能一种是 normalized 的，另一种不是。这些可以存储在 AnnData 的不同 layers 中。例如，让我们对原始数据进行 log transform 并将其存储在一个 layer 中：

adata.layers["log_transformed"] = np.log1p(adata.X)
adata
## AnnData object with n_obs × n_vars = 100 × 2000
##     obs: 'cell_type'
##     uns: 'random'
##     obsm: 'X_umap'
##     varm: 'gene_stuff'
##     layers: 'log_transformed'

6 转换为 DataFrames

我们还可以访问 AnnData 从其中一个 layer 返回一个 DataFrame：

adata.to_df(layer="log_transformed")
## Gene_0	Gene_1	Gene_2	Gene_3	Gene_4	Gene_5	Gene_6	Gene_7	Gene_8	Gene_9	...	Gene_1990	Gene_1991	Gene_1992	Gene_1993	Gene_1994	Gene_1995	Gene_1996	Gene_1997	Gene_1998	Gene_1999
## Cell_0	0.693147	0.000000	0.693147	1.098612	0.693147	0.693147	0.693147	0.000000	0.000000	0.693147	...	0.000000	1.098612	0.000000	0.693147	0.693147	0.693147	1.098612	0.693147	0.693147	0.693147
## Cell_1	0.000000	1.098612	0.000000	1.098612	0.693147	0.693147	0.693147	0.000000	0.693147	0.693147	...	0.000000	0.693147	0.000000	0.693147	0.000000	1.098612	1.386294	0.000000	0.000000	1.098612
## Cell_2	1.098612	0.000000	0.000000	1.098612	0.693147	0.693147	1.098612	0.000000	0.000000	0.693147	...	1.098612	0.693147	1.098612	1.098612	0.693147	0.000000	1.098612	0.693147	0.693147	0.693147
## Cell_3	0.000000	1.098612	0.693147	1.386294	0.693147	1.098612	0.693147	1.098612	0.000000	1.098612	...	0.000000	0.000000	0.693147	1.386294	1.098612	0.693147	0.693147	0.000000	0.000000	0.693147
## Cell_4	0.693147	1.098612	0.693147	1.386294	0.693147	1.386294	0.693147	1.386294	1.098612	0.000000	...	1.098612	0.000000	1.386294	1.098612	0.693147	0.000000	0.000000	0.693147	0.693147	1.098612
## ...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
## Cell_95	1.609438	1.386294	0.693147	0.693147	1.609438	0.693147	0.000000	1.609438	0.693147	1.386294	...	0.000000	1.386294	0.693147	0.693147	0.000000	0.000000	1.386294	0.693147	1.098612	0.693147
## Cell_96	0.693147	0.693147	0.000000	0.000000	1.098612	0.000000	1.098612	0.693147	0.000000	0.000000	...	0.000000	1.098612	1.386294	1.098612	0.000000	0.693147	1.609438	0.693147	0.693147	0.000000
## Cell_97	1.098612	0.693147	0.000000	0.000000	0.000000	0.000000	0.000000	1.098612	0.693147	0.000000	...	0.693147	0.693147	0.000000	0.693147	0.000000	1.098612	0.000000	0.000000	1.098612	0.693147
## Cell_98	0.693147	0.693147	0.693147	0.693147	1.386294	0.000000	0.693147	1.098612	0.000000	0.693147	...	0.000000	0.693147	0.000000	0.000000	0.693147	0.693147	0.693147	0.000000	0.693147	1.098612
## Cell_99	0.000000	0.693147	0.693147	1.098612	1.791759	0.693147	0.693147	0.693147	0.693147	0.693147	...	0.693147	0.693147	0.000000	1.609438	1.098612	0.000000	0.693147	0.000000	0.693147	0.000000
100 rows × 2000 columns

我们看到 .obs_names/.var_names 被用于创建这个 Pandas 对象。

7 将结果写入磁盘

AnnData 带有自己的基于 HDF5 的持久文件格式：h5ad。如果类别数量较少的字符串列还不是类别，AnnData 将自动转换为类别。

adata.write('my_results.h5ad', compression="gzip")
!h5ls 'my_results.h5ad'
## X                        Group
## layers                   Group
## obs                      Group
## obsm                     Group
## obsp                     Group
## uns                      Group
## var                      Group
## varm                     Group
## varp                     Group

8 总结介绍

AnnData 已成为 Python 中单细胞分析的标准，这是有充分理由的——它使用简单，并通过其基于 key 的存储促进了更多可重复的分析。转换为流行的基于 R 的格式进行单细胞分析甚至变得更加容易。

9 视图和副本

为了好玩，让我们看看另一个 metadata 的使用场景。想象一下，观察结果来自一项多年研究中表征 10 个读数的仪器，该研究的样本取自不同地点的不同受试者。我们通常会以某种格式获取该信息，然后将其存储在 DataFrame 中：

obs_meta = pd.DataFrame({
        'time_yr': np.random.choice([0, 2, 4, 8], adata.n_obs),
        'subject_id': np.random.choice(['subject 1', 'subject 2', 'subject 4', 'subject 8'], adata.n_obs),
        'instrument_type': np.random.choice(['type a', 'type b'], adata.n_obs),
        'site': np.random.choice(['site x', 'site y'], adata.n_obs),
    },
    index=adata.obs.index,    # these are the same IDs of observations as above!
)

obs_meta
## time_yr	subject_id	instrument_type	site
## Cell_0	0	subject 4	type b	site x
## Cell_1	4	subject 8	type a	site y
## Cell_2	8	subject 2	type a	site y
## Cell_3	0	subject 2	type a	site y
## Cell_4	4	subject 8	type a	site y
## ...	...	...	...	...
## Cell_95	8	subject 2	type a	site y
## Cell_96	0	subject 1	type b	site y
## Cell_97	2	subject 1	type a	site y
## Cell_98	2	subject 1	type a	site x
## Cell_99	4	subject 1	type a	site y
## 100 rows × 4 columns

这就是我们将读出数据与 metadata 连接起来的方式。当然，下面对 X 的调用的第一个参数也可以只是一个 DataFrame。

adata = ad.AnnData(adata.X, obs=obs_meta, var=adata.var)

现在我们再次拥有一个单个数据容器，可以跟踪所有内容。

print(adata)
## AnnData object with n_obs × n_vars = 100 × 2000
##    obs: 'time_yr', 'subject_id', 'instrument_type', 'site'

对联合数据矩阵进行子集化对于关注变量或观察的子集或为机器学习模型定义训练测试拆分可能很重要。

访问两个 variables 的前 5 行：

adata[:5, ['Gene_1', 'Gene_3']]
## View of AnnData object with n_obs × n_vars = 5 × 2
##    obs: 'time_yr', 'subject_id', 'instrument_type', 'site'

这是一个视图！如果我们想要一个将数据保存在内存中的 AnnData，让我们调用 .copy()

adata_subset = adata[:5, ['Gene_1', 'Gene_3']].copy()

对于视图，我们还可以设置列的前 3 个元素。

print(adata[:3, 'Gene_1'].X.toarray().tolist())
adata[:3, 'Gene_1'].X = [0, 0, 0]
print(adata[:3, 'Gene_1'].X.toarray().tolist())
## [[0.0], [2.0], [0.0]]
## [[0.0], [0.0], [0.0]]

如果您尝试访问 AnnData 视图的部分内容，则会自动复制内容并生成数据存储对象。

adata_subset = adata[:3, ['Gene_1', 'Gene_2']]
adata_subset
## View of AnnData object with n_obs × n_vars = 3 × 2
##    obs: 'time_yr', 'subject_id', 'instrument_type', 'site'

adata_subset.obs['foo'] = range(3)

现在 adata_subset 存储实际数据，不再只是对 adata 的引用。

adata_subset
## AnnData object with n_obs × n_vars = 3 × 2
##    obs: 'time_yr', 'subject_id', 'instrument_type', 'site', 'foo'

显然，您可以使用所有 pandas 对序列或布尔索引进行切片。

adata[adata.obs.time_yr.isin([2, 4])].obs.head()
##    time_yr	subject_id	instrument_type	site
## Cell_1	4	subject 8	type a	site y
## Cell_4	4	subject 8	type a	site y
## Cell_5	2	subject 4	type b	site y
## Cell_7	4	subject 8	type b	site x
## Cell_9	4	subject 1	type a	site y

10 部分读取大数据

如果单个 .h5ad 非常大，您可以使用 backed 模式将其部分读入内存：

adata = ad.read('my_results.h5ad', backed='r')
adata.isbacked
## True

如果你这样做，你需要记住 AnnData 对象与用于读取的文件有一个打开的连接：

adata.filename
## PosixPath('my_results.h5ad')

由于我们在只读模式下使用它，我们不能损坏任何东西。要继续本教程，我们仍然需要显式关闭它：

adata.file.close()

像往常一样，您应该使用 with 语句来避免悬空打开的文件（即将推出的功能）。

操作磁盘上的对象是可能的，但对于稀疏数据是实验性的。因此，我们将其排除在本教程之外。


结束

本文由mdnice多平台发布

TigerZ 生信宝库
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
anndata:R中带注释的多元观测数据
03-27
anndata-带注释的数据 是常用的Python软件包，用于跟踪数据和学习的注释，并且可用于读取和写入h5ad文件格式。 它也是scanpy python软件包（Wolf，Angerer和Theis 2018）中使用的主要数据格式。 但是，在R中使用scanpy / anndata可能会很麻烦。 当尝试读取h5ad文件时，R用户可以采用以下两种方法之一来解决此问题。 A）您可以手动读取文件（因为它是H5文件），但这需要大量的手动工作，并且需要对h5ad和H5文件格式的工作方式有很多了解（并且，还要期待因隐藏的hdf5r错误而引起的严重头痛） 。 或B）通过网状结构与scanpy和andata进行交互，但遇到了将某些python对象转换为R的问题。 我们最近在CRAN上发布了 ，它是Python程序包的R包装器-顶部撒有一些语法，使R用户感到宾至如归。 将R anndata仍在于积极
单细胞分析Scanpy(一)：Anndata数据结构
关关难过关关过
08-13 5225
Scanpy是一个分析单细胞转录组数据的python库，AnnData是scanpy的数据存储格式。
如何理解 AnnData ？
Kp0fS的草稿纸
08-15 1947
如何理解 AnnData？anndata是一个Python包，用于处理内存和磁盘上的带注释的数据矩阵，位于pandas和xarray之间。anndata提供了广泛的计算效率特性，其中包括稀疏数据支持、惰性操作和PyTorch接口。AnnData 里边的1、obs是啥？obs是对行（也就是Cell）的注释，比如说小明的注释是注释A，小红的注释是B，。。。整个obsbdata2、var是啥？var代表的是列，代表的是基因；代表对基因的注释结果；3、uns是啥？...
AnnData：单细胞和空间组学分析的数据基石
池塘春草梦的博客
01-14 1372
今天我们来系统学习一下单细胞分析的标准数据类型——AnnData！AnnData就是有注释的数据，全称是Annotated Data。
Python单细胞分析数据结构——AnnData
XerCis的博客
07-18 5573
AnnData是一种类似矩阵的数据，用于单细胞分析，已成为 Python 中该领域的标准数据结构。
数据存储格式——Anndata
weixin_54379099的博客
11-18 749
AnnData 是用于存储数据的对象，一般作为 scanpy 的数据存储格式。使用前事先按照scanpy库anndata 是一个 Python 软件包，用于处理内存和磁盘中的注释数据矩阵，介于 pandas 和 xarray 之间。anndata 提供了大量高效的计算功能，包括 sparse data support, lazy operations, and a PyTorch interface.
anndata2ri:在 AnnData 和 SingleCellExperiment 之间转换
05-29
AnnData ↭ SingleCellExperiment 从到并返回的 RPy2 转换器。 （有关转换的详细信息，请参阅） 例如，您可以使用它来使用和处理您的数据，如本 安装 pip install anndata2ri # or conda install -c bioconda ...
Python库 | anndata-0.5.8.tar.gz
04-06
资源分类：Python库 所属语言：Python 资源全名：anndata-0.5.8.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
PyPI 官网下载 | anndata-0.7.8.tar.gz
01-09
4. `docs`目录（如果存在）：可能包含了anndata的文档，如HTML格式的API参考、教程和示例，帮助用户理解和使用该库。 5. `requirements.txt`（如果存在）：列出anndata库依赖的其他Python库，确保在安装anndata时也...
PyPI 官网下载 | anndata-0.5.9.tar.gz
01-09
5. 联合分析：anndata设计时考虑了多组数据的联合分析，通过`.concatenate()`函数，可以方便地将多个`AnnData`对象组合在一起，便于进行跨样本比较和分析。 6. 扩展性：anndata库是模块化的，用户可以自定义函数来...
2分钟了解Anndata
m0_55282920的博客
01-12 533
python的一个库，专门用于处理、分析单细胞RNA测序数据或其他高维生物数据。单细胞RNA测序分析工具scanpy处理对象就是anndata数据结构。
Scanpy(一)AnnData数据结构与一些API用法介绍
热门推荐
白景屹的博客
10-07 1万+
目录Scanpy简介与安装 Scanpy简介与安装 Scanpy 是一个可扩展的工具包，用于分析与 AnnData 联合构建的单细胞分析数据。
探秘Anndata：数据存储与分析的高效解决方案
gitblog_00064的博客
04-18 457
探秘Anndata：数据存储与分析的高效解决方案 anndataAnnotated data.项目地址:https://gitcode.com/gh_mirrors/an/anndata 是一个开源Python库，主要用于单细胞数据分析中的高维数据管理。它提供了一种结构化的数据模型和API，便于科学家们存储、操作和共享复杂的生物信息学数据，尤其是单细胞转录组数据。本文将带你深入了解Anndata...
seurat自学笔记1.0 单细胞数据导入
Sanye2022的博客
02-16 2237
将csv转换为seurat可使用的matrix文件#需要R>4.0才可以使用情况一：三个文件三个文件指的是“barcodes.tsv","features.tsv","matrix.mtx";这个情况就比较好处理了，barcodes.tsv就是cell id，features.tsv就是gene id，matrix.mtx就是计数counts矩阵情况二：直接给了计数矩阵的csv情况三：直接给了计数矩阵的txt单个多个情况四：xslx文件。
2024世界技能大赛某省选拔赛“网络安全项目”B模块--数字取证解析
2401_84247760的博客
04-28 284
在结束之际，我想重申的是，学习并非如攀登险峻高峰，而是如滴水穿石般的持久累积。尤其当我们步入工作岗位之后，持之以恒的学习变得愈发不易，如同在茫茫大海中独自划舟，稍有松懈便可能被巨浪吞噬。然而，对于我们程序员而言，学习是生存之本，是我们在激烈市场竞争中立于不败之地的关键。一旦停止学习，我们便如同逆水行舟，不进则退，终将被时代的洪流所淘汰。因此，不断汲取新知识，不仅是对自己的提升，更是对自己的一份珍贵投资。让我们不断磨砺自己，与时代共同进步，书写属于我们的辉煌篇章。需要完整版PDF学习资源私我。
从GEO单细胞数据创建AnnData对象
最新发布
XMQ_MOLLY的博客
05-13 702
从基本的单细胞数据创建anndata对象进行下游分析
python小白入门单细胞分析scanpy
生信小博士的博客
12-06 3722
Scanpy 和 Seurat 基本上完全一样，Scanpy 构建的对象叫做 AnnData 对象，他的数据存储是以4 个模块存储
不同版本anndata的h5ad文件读取, 使用scipy.sparse
drunk_king的博客
12-25 564
这个转换没有保留anndata原有的比较好的结构，所以只适合小规模、少量数据，如果anndata有很多obs var等信息，还真不知道怎么处理比较好。找了找没有比较合适的方式，还是偷懒一个一个转成npz格式，再在旧版本里读取转成anndata吧。之后在旧版本里读取就行了，再视情况看要不要转回anndata。
ModuleNotFoundError: No module named 'anndata'
09-15
ModuleNotFoundError: No module named 'anndata' 错误通常意味着在您的Python环境中找不到名为'anndata'的模块。这可能有几个原因，并且可以采取一些解决方案来解决这个问题。 1. 检查模块是否已安装：首先，请确保您已经在您的Python环境中正确安装了'anndata'模块。可以通过运行以下命令来检查是否安装了该模块： ``` pip show anndata ``` 如果这个命令显示模块的详细信息，表示已经安装了'anndata'模块。如果未安装，请运行以下命令来安装它： ``` pip install anndata ``` 2. 检查模块名称拼写：请确保您在代码中正确引用了模块名称。在Python中，模块名称是区分大小写的，因此应严格按照模块的正确拼写来引用它。 3. 检查模块路径：如果您的'anndata'模块不在Python解释器的模块搜索路径中，您可能会遇到此错误。您可以通过在代码中添加模块所在的路径来解决这个问题： ``` import sys sys.path.append('/path/to/anndata') ``` 将`/path/to/anndata`替换为实际存储'anndata'模块的路径。 尝试上述解决方案后，您应该能够成功导入并使用'anndata'模块。如果问题仍然存在，请确保您的环境正确配置，并且模块文件没有损坏。同时，您还可以检查与'anndata'模块相关的任何文档或讨论区以获取更多关于该模块的信息和解决方案。
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