R语言的模型表达式含义解析

最新推荐文章于 2023-02-24 11:07:40 发布
最新推荐文章于 2023-02-24 11:07:40 发布
阅读量997 收藏 6
点赞数 1
文章标签： r语言 开发语言
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_54000907/article/details/128607975
版权

专注系列化、高质量的R语言教程

推文索引 | 联系小编 | 付费合集

本篇介绍各式各样的模型表达式的含义，主要参考资料是《An Introduction to R》（链接：https://cran.r-project.org/doc/manuals/r-devel/R-intro.pdf）第11.1节的内容。

本篇目录如下：

  • 1 示例数据

  • 2 常用操作符和函数

  • 3 基本形式

  • 4 转换形式

  • 5 多项式

  • 6 交互式

    • 6.1 两个变量的交互

    • 6.2 三个变量的交互

1 示例数据

示例数据mtcars是R语言自带的数据集，可以直接使用。使用下列代码可以将其加载至全局环境中：

data("mtcars")

数学模型中的变量主要分为两种类型：连续变量和分类变量，或分别称数值变量和因子变量。

在mtcars中，所有变量均以数值变量的形式存在，但使用factor()函数可以将其转换为因子变量。

在本篇推文的例子中，始终以mpg变量为因变量。对于自变量：

  • 若为连续变量，使用的变量有wt、qsec、drat；

  • 若为分类变量，使用的变量有factor(vs)、factor(am)、factor(cyl)，其中前两者为二分类变量，后者为三分类变量。

2 常用操作符和函数

在书写模型表达式中常常会使用一些操作符和函数，这里列举几个。

  • ~

符号~是模型表达式的标志，用于分割因变量和自变量，其前面为因变量，后面为自变量。

  • +和-

符号+和-用于连接两个变量。符号+表示模型中包括其后面的项（变量），符号-表示模型中不包括其后面的项（变量）。

  • *

符号*用于设置交互项，其本义为乘号。由于模型表达式使用常数1表示截距项，并常常将其省略，因此模型表达式中的x1*x2实际相当于数学表达式的展开式（此处仅适用x1、x2均是连续型变量的情况）。

  • :

以x1:x2为例，它表示交互项。

  • I()函数

I()函数的作用是让表达式回归“本义”。如I(x1*x2)表示项，而非。

下面分门别类地介绍各种模型表达式的含义。

3 基本形式

  • y ~ x1 + x2

这是最普通的模型形式。y表示因变量，x1、x2表示自变量；模型包含截距项。

lm(mpg ~ wt, data = mtcars)
## lm(formula = mpg ~ wt, data = mtcars)
## 
## Coefficients:
## (Intercept)           wt  
##      37.285       -5.344

  • y ~ x + 1

含义同y ~ x，1表示截距项，省略不改变模型表达式含义。

lm(mpg ~ wt + 1, data = mtcars)
## lm(formula = mpg ~ wt + 1, data = mtcars)
## 
## Coefficients:
## (Intercept)           wt  
##      37.285       -5.344

  • y ~ x - 1或y ~ -1 + x

相当于在y ~ x的基础上- 1，表示模型不包含截距项；或理解成截距为0。

lm(mpg ~ wt - 1, data = mtcars)
## lm(formula = mpg ~ wt - 1, data = mtcars)
## 
## Coefficients:
##    wt  
## 5.292

  • y ~ x + 0

相当于在y ~ x + 1的基础上- 1，表示模型不包含截距项，含义同y ~ x - 1和y ~ -1 + x，+ 0不能省略。

lm(mpg ~ wt + 0, data = mtcars)
## lm(formula = mpg ~ wt + 0, data = mtcars)
## 
## Coefficients:
##    wt  
## 5.292

4 转换形式

转换形式即在模型表达式中使用各种函数对变量进行转换，转换后的结果整体表示一个变量。

  • log(y) ~ x

log(y)为因变量，x为自变量。

lm(log(mpg) ~ wt, data = mtcars)
## lm(formula = log(mpg) ~ wt, data = mtcars)
## 
## Coefficients:
## (Intercept)           wt  
##      3.8319      -0.2718

这种模型表达式对应的数学表达式类似泊松回归，但是存在本质的区别。具体可见推文广义线性模型的基本结构及与线性模型的比较第3节例2。

  • y ~ log(x)

y为因变量，log(x)为自变量。

lm(mpg ~ log(wt), data = mtcars)
## lm(formula = mpg ~ log(wt), data = mtcars)
## 
## Coefficients:
## (Intercept)      log(wt)  
##       39.26       -17.09

  • y ~ factor(x)

这种情况常见于x变量是具有分类性质的连续变量的情况，用于将该变量转换为因子变量（若x已经为因子变量则不需要转换）。

模型对连续变量和分类变量的处理方式是截然不同的。作为分类变量，它的每一个类别（组、水平）都是模型表达式中的一项，其中参考组为截距项，不出现模型输出结果中。

lm(mpg ~ cyl, data = mtcars)
## lm(formula = mpg ~ cyl, data = mtcars)
## 
## Coefficients:
## (Intercept)          cyl  
##      37.885       -2.876

lm(mpg ~ factor(cyl), data = mtcars)
## lm(formula = mpg ~ factor(cyl), data = mtcars)
## 
## Coefficients:
##  (Intercept)  factor(cyl)6  factor(cyl)8  
##       26.664        -6.921       -11.564

5 多项式

在数学中，形如称为x的多项式，最高次数称为多项式的次数。

  • y ~ x^2和y ~ x^n

这种写法不能实现x的多项式。不管n取多少，它的含义均与y ~ x相同。由于x^2 = x*x，R程序将其视为x与自身的交互，最终还是x自身。

lm(mpg ~ wt^2, data = mtcars)
## lm(formula = mpg ~ wt^2, data = mtcars)
## 
## Coefficients:
## (Intercept)           wt  
##      37.285       -5.344

lm(mpg ~ wt^10, data = mtcars)
## lm(formula = mpg ~ wt^10, data = mtcars)
## 
## Coefficients:
## (Intercept)           wt  
##      37.285       -5.344

  • y ~ I(x^2)

对应的数学表达式为。

lm(mpg ~ I(wt^2), data = mtcars)
## lm(formula = mpg ~ I(wt^2), data = mtcars)
## 
## Coefficients:
## (Intercept)      I(wt^2)  
##     28.0511      -0.7058

  • y ~ x + I(x^2)

在y ~ I(x^2)的基础上加上x的一次项，表示。

lm(mpg ~ wt + I(wt^2), data = mtcars)
## lm(formula = mpg ~ wt + I(wt^2), data = mtcars)
## 
## Coefficients:
## (Intercept)           wt      I(wt^2)  
##      49.931      -13.380        1.171

  • y ~ poly(x, 2, raw = T)

poly()函数可用于表示变量的多项式。y ~ poly(x, 2, raw = T)对应的数学表达式为，同y ~ x + I(x^2)。

lm(mpg ~ poly(wt, 2, raw = T), data = mtcars)
## lm(formula = mpg ~ poly(wt, 2, raw = T), data = mtcars)
## 
## Coefficients:
##           (Intercept)  poly(wt, 2, raw = T)1  poly(wt, 2, raw = T)2  
##                49.931                -13.380                  1.171

  • y ~ poly(x, n, raw = T)

表示自变量为x的n次多项式。

lm(mpg ~ poly(wt, 5, raw = T), data = mtcars)
## lm(formula = mpg ~ poly(wt, 5, raw = T), data = mtcars)
## 
## Coefficients:
##           (Intercept)  poly(wt, 5, raw = T)1  poly(wt, 5, raw = T)2  
##              -87.7182               218.8897              -147.7784  
## poly(wt, 5, raw = T)3  poly(wt, 5, raw = T)4  poly(wt, 5, raw = T)5  
##               45.6093                -6.7014                 0.3797

6 交互式

6.1 两个变量的交互

  • y ~ x1*x2

如果x1、x2均为连续变量，那么如前所述，它对应的数学表达式为。

lm(mpg ~ wt*qsec, data = mtcars)
## lm(formula = mpg ~ wt * qsec, data = mtcars)
## 
## Coefficients:
## (Intercept)           wt         qsec      wt:qsec  
##    -13.1149       5.4988       2.7568      -0.5897

  • 输出结果中，wt、qsec分别表示自身的一次项，wt:qsec表示二者的交互项，也就是。

如果x1、x2均为分类变量，则x1*x2表示二者交叉分类的结果。

lm(mpg ~ factor(am)*factor(cyl), data = mtcars)
## Call:
## lm(formula = mpg ~ factor(am) * factor(cyl), data = mtcars)
## 
## Coefficients:
##              (Intercept)               factor(am)1              factor(cyl)6  
##                   22.900                     5.175                    -3.775  
##             factor(cyl)8  factor(am)1:factor(cyl)6  factor(am)1:factor(cyl)8  
##                   -7.850                    -3.733                    -4.825

  • 输出结果中截距项(Intercept)表示两个变量参考组的交互项，不含:符号的三项表示一个变量的参考组与另一个变量的非参考组的交互项，含有:符号的两项表示两个变量的非参考组的交互项。

如果x1、x2其中一个为连续变量，另一个为分类变量，则x1*x2表示按分类变量对连续变量进行分组。

lm(mpg ~ factor(cyl)*wt, data = mtcars)
## lm(formula = mpg ~ factor(cyl) * wt, data = mtcars)
## 
## Coefficients:
##     (Intercept)     factor(cyl)6     factor(cyl)8               wt  
##          39.571          -11.162          -15.703           -5.647  
## factor(cyl)6:wt  factor(cyl)8:wt  
##           2.867            3.455

  • 输出结果中，(Intercept)和wt分别表示连续变量在分类变量参考组下的截距和斜率；在包含分类变量的项中，不含:符号的两项表示连续变量在分类变量非参考组下的额外截距，含有:符号的两项表示连续变量在分类变量非参考组下的额外斜率。

  • y ~ I(x1*x2)

此种情况模型中仅包含交互项，不含一次项。

lm(mpg ~ I(wt*qsec), data = mtcars)
## lm(formula = mpg ~ I(wt * qsec), data = mtcars)
## 
## Coefficients:
##  (Intercept)  I(wt * qsec)  
##      34.7587       -0.2568

I()函数内只能为数值变量，若为因子变量则报错。

lm(mpg ~ I(factor(cyl)*wt), data = mtcars)

## Error in lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) : 
## 没有(非NA)案例可用

  • y ~ x1:x2

此种情况模型中仅包含交互项，不含一次项。该表达式既适用于数值变量，也适用于因子变量。

lm(mpg ~ wt:cyl, data = mtcars)
## lm(formula = mpg ~ wt:cyl, data = mtcars)
## 
## Coefficients:
## (Intercept)       wt:cyl  
##     30.2679      -0.4793

lm(mpg ~ factor(cyl):wt, data = mtcars)
## lm(formula = mpg ~ factor(cyl):wt, data = mtcars)
## 
## Coefficients:
##     (Intercept)  factor(cyl)4:wt  factor(cyl)6:wt  factor(cyl)8:wt  
##          32.432           -2.690           -4.056           -4.264

  • y ~ x1 %in% x2

这种书写方法同y ~ x1:x2。

lm(mpg ~ wt %in% cyl, data = mtcars)
## lm(formula = mpg ~ wt %in% cyl, data = mtcars)
## 
## Coefficients:
## (Intercept)       wt:cyl  
##     30.2679      -0.4793

lm(mpg ~ factor(cyl) %in% wt, data = mtcars)
## lm(formula = mpg ~ factor(cyl) %in% wt, data = mtcars)
## 
## Coefficients:
##     (Intercept)  factor(cyl)4:wt  factor(cyl)6:wt  factor(cyl)8:wt  
##          32.432           -2.690           -4.056           -4.264

  • y ~ x1*x2 - x1和y ~ x1:x2 + x2

前者表示在包含一次项和交互项的模型基础上减去x1的一次项，后者表示在交互项的基础上加上x2的一次项。最终对应的的数学表达式是相同的，均为。

lm(mpg ~ wt*cyl - wt, data = mtcars) 
## lm(formula = mpg ~ wt * cyl - wt, data = mtcars)
## 
## Coefficients:
## (Intercept)          cyl       wt:cyl  
##     32.8026      -0.8324      -0.3562

lm(mpg ~ wt:cyl + cyl, data = mtcars) 
## lm(formula = mpg ~ wt:cyl + cyl, data = mtcars)
## 
## Coefficients:
## (Intercept)          cyl       wt:cyl  
##     32.8026      -0.8324      -0.3562

  • y ~ x2/x1

这种书写方法同y ~ x1*x2 - x1和y ~ x1:x2 + x2（注意x1和x2的顺序）。

连续/连续：

lm(mpg ~ cyl/wt, data = mtcars)
## lm(formula = mpg ~ cyl/wt, data = mtcars)
## 
## Coefficients:
## (Intercept)          cyl       cyl:wt  
##     32.8026      -0.8324      -0.3562

lm(mpg ~ cyl*wt - wt, data = mtcars)
## lm(formula = mpg ~ cyl * wt - wt, data = mtcars)
## 
## Coefficients:
## (Intercept)          cyl       cyl:wt  
##     32.8026      -0.8324      -0.3562

分类/连续：

lm(mpg ~ factor(am)/wt, data = mtcars) 
## lm(formula = mpg ~ factor(am)/wt, data = mtcars)
## 
## Coefficients:
##    (Intercept)     factor(am)1  factor(am)0:wt  factor(am)1:wt  
##         31.416          14.878          -3.786          -9.084

lm(mpg ~ factor(am)*wt - wt, data = mtcars) 
## lm(formula = mpg ~ factor(am) * wt - wt, data = mtcars)
## 
## Coefficients:
##    (Intercept)     factor(am)1  factor(am)0:wt  factor(am)1:wt  
##         31.416          14.878          -3.786          -9.084

连续/分类：

lm(mpg ~ wt/factor(am), data = mtcars) 
## lm(formula = mpg ~ wt/factor(am), data = mtcars)
## 
## Coefficients:
##    (Intercept)              wt  wt:factor(am)1  
##        38.8798         -5.6895         -0.4947

lm(mpg ~ wt*factor(am) - factor(am), data = mtcars) 
## lm(formula = mpg ~ wt * factor(am) - factor(am), data = mtcars)
## 
## Coefficients:
##    (Intercept)              wt  wt:factor(am)1  
##        38.8798         -5.6895         -0.4947

分类/分类：

lm(mpg ~ factor(am)/factor(vs), data = mtcars)
## lm(formula = mpg ~ factor(am)/factor(vs), data = mtcars)
## 
## Coefficients:
##             (Intercept)              factor(am)1  factor(am)0:factor(vs)1  
##                  15.050                    4.700                    5.693  
## factor(am)1:factor(vs)1  
##                   8.621

lm(mpg ~ factor(am)*factor(vs) - factor(vs), data = mtcars)
## lm(formula = mpg ~ factor(am) * factor(vs) - factor(vs), data = mtcars)
## 
## Coefficients:
##             (Intercept)              factor(am)1  factor(am)0:factor(vs)1  
##                  15.050                    4.700                    5.693  
## factor(am)1:factor(vs)1  
##                   8.621

6.2 三个变量的交互

  • y ~ (x1 + x2 + x3)^2

该模型包括三个变量的一次项以及任意两个变量的交互项。

lm(mpg ~ (wt + qsec + drat)^2, data = mtcars) 
## lm(formula = mpg ~ (wt + qsec + drat)^2, data = mtcars)
## 
## Coefficients:
## (Intercept)           wt         qsec         drat      wt:qsec      wt:drat  
##     7.08683      6.48598      0.14217      0.09028     -0.23187     -1.99972  
##   qsec:drat  
##     0.38796
R语言学堂
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
形式语言与自动机理论试题答案解析.doc
11-26
- (F) 正确，这里涉及到正则表达式的乘法和加法操作，给定的例子中，s(rs+s)*r 和 rr*s(rr*s)* 不等价，因为它们识别的字符串集合不同。 5. 推导：文法推导是将起始符号转换为句子的过程。题目中给出了两个不同的...
R语言与统计分析---汤银才
kristoff的博客
09-19 7289
关于R中的函数或关键字符 命令 > help(fun) 或 ?fun 会立即显示名为“fun”函数的帮助页 &
R语言之可视化1
小k要加油的博客
12-07 2793
导入vcd包，不过暂时不用它画图，我们只是需要vcd包中的Arthritis数据集 简单的条形图 条形图通过垂直的或水平的条形展示了类别型变量的分布(频数)，函数barplot ()的最简单用法是:barplot (height)，其中的height是一个向量或一个矩阵。 向量 载入我们要用到的数据，在关节炎研究中,变量Improved记录了对每位接受了安慰剂或药物治疗的病人的治疗结果: library(vcd) counts<-table(Arthritis$Improved) coun
R中的公式：使用
theking_1991的专栏
02-28 2279
原文地址：http://gossipcoder.com/?p=1106 R中的公式：使用 Posted on 2012年8月21日 by 陈钢 R中很多函数都接收公式（formula）类型的参数，比如lm。来看一个最简单的使用公式的例子： 代码 1 > lm(y ~ x, data=dfrm)
菜鸟学R语言（回归分析1）
weixin_45331620的博客
06-26 3059
学会用R做回归分析 在统计学中，回归分析（regression analysis)指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。 线性回归（Linear Regression） 线性回归应该是最常用的回归了，其应用的原理就是最小二乘法。奔着少一点公式推导（不会推），多一点实例分析的原则，直接上代码。数据如下：
registerDoParallel,build,
最新发布
weixin_52576658的博客
02-24 299
cl一个由makeCluster返回的集群对象，或者在集群中要创建的节点数量。如果没有指定，在Windows上会创建并使用一个三个工作群组。Cores：用于并行执行的内核数量。如果没有指定，核心数将被设置为的值，如果指定的话，或者设置为并行包检测到的核心数的二分之一。R 2.14.0及以后版本的并行包提供了在具有多个内核或处理器或多台计算机的机器上并行执行R代码的功能。它本质上是snow和multicore包的融合。默认情况下，doParallel包使用类似雪的功能。
统计学与R语言学习
06-02
- R语言环境配置主要包括安装R软件、RStudio集成开发环境(IDE)以及必要的R包。 - 安装过程中可能需要根据操作系统选择不同的安装包。 2. **寻求帮助** - 在学习过程中遇到问题时，可以通过官方文档、在线社区如...
一款设计精巧的表达式解析器.pdf
10-20
本文将介绍一款使用DELPHI4.0开发的表达式解析器，虽然它的代码基于DELPHI，但核心算法是通用的，因此其他编程语言的开发者也能理解并进行移植。 该解析器支持四则运算（加、减、乘、除、商、模）以及逻辑运算（与...
R语言与统计
10-09
2. **表达式解析**： - 表达式如 `G Z X \ !` 可能是在描述某个统计模型的结构或公式。 - `R p 0 u p } X` 这样的表达方式可能是指在R语言中定义某种概率分布或模型参数。 - `} X X \ ! { L` 看起来像是在描述...
R语言简介-R Development Core Team
11-07
### R语言简介与核心知识点解析 #### 一、绪论 **R语言**是一种广泛应用于统计计算、图形表示以及数据分析领域的编程语言。它由R Development Core Team开发，并且随着社区的不断贡献而持续进化。R语言的核心优势...
R语言：基本统计分析
weixin_44330955的博客
12-08 3369
1.数据的特征 1.1 数据的集中特征 mean(M) [1] 7.788 median(M) [1] 7.25 quantile(M) 0% 25% 50% 75% 100% 0.800 4.075 7.250 11.250 17.400 length(M[M>=mean(M)]) [1] 23 summary(M)#返回数据M的概括性信息 Min. 1st Qu. Median Mean 3rd Qu. Max. 0.800 4.075 7.250 7.788 11.2.
#R#时间序列相关函数
duqi_yc的专栏
01-29 4816
文档1：《R与金融时间序列分析常见问题集》 【包】 library(zoo)            #时间格式预处理 library(xts)            #同上 library(timeSeires)      #同上 library(urca)           #进行单位根检验 library(tseries)         #arma模型 library(f
stats | 线性回归（一）——模型表达式和输出结果
R语言学堂
04-29 5207
线性回归是形式最简单的回归模型，这里就不对其概念和含义做过多叙述了。本篇先简单介绍下书写线性回归表达式以及提取模型结果的方法，从中也可以理解R语言进行回归分析的基本语法。使用的数据集来自R...
R语言普通最小二乘回归分析
qq_27390023的博客
01-24 5902
回归分析都是统计学的核心。它其实是一个广义的概念，通指那些用一个或多个预测变量（也称自变量或解释变量）来预测响应变量（也称因变量、效标变量或结果变量）的方法。普通最小二乘（OLS）回归包括简单线性回归、多项式回归和多元线性回归。 OLS回归的数据必须满足以下统计假设: (1)正态性:对于固定的自变量值，因变量值成正态分布。 (2)独立性: Yi值之间相互独立。 (3)线性:因变量与自变量之间为线性相关。 (4)同方差性:因变量的方差不随自变量的水平不同而变化。 如果违背了以上假设，你的统计显著性检验.
R语言mtcars汽车性能指标解释
qq_45611850的博客
09-26 6480
R语言mtcars汽车性能指标解释 该数据集包含32种汽车模型的数据, 这些数据取自《美国汽车》杂志(1974年《汽车趋势》杂志)。对于每辆汽车, 你有11个要素, 以不同的单位(美国单位)表示, 它们如下： mpg：Miles Per Gallon 油耗(每加仑英里(美国))：功能更强大, 更重的汽车往往消耗更多的燃油。 cyl：cylinders 汽缸数：功率更大的汽车通常具有更多的汽缸 disp：displacement, in cubic inches 排量(立方英寸)：发动机气缸的总容
R语言学习笔记（三）
hehuanlin123的博客
03-22 8492
11 广义线型模型 数据分析 BY 伦大锤   阅读量 2,204 线性模型可以通过一系列连续型和/或类别型预测变量来预测正态分布的响应情况，但在许多情况下，假设因变量为正态分布（甚至连续型变量）并不合理，例如： 结果变量可能是类别型的。二值变量（是/否、通过/失败、存活/死亡）和多类别变量（优/良/可/差）都显然不是正态分布；结果变量可能是计数型的（一周交通事故的数
R 语言 ar模型
wzh-whu
06-10 2万+
R语言ar模型简介     利用R语言实现时间序列的预报是一件很方便的事，但是目前由于其他语言的强大，几乎很难找到关于R的好的帖子。这里总结下本人利用ar模型预测的简单过程：     首先数据的读入 data = read.table('L:\\R数据\\1.txt') 这个的作用是将1.txt中的数据流读入到一个数据集中，这个数据集采用表格形式存储数据流，默认的为空格符分割字段。
R语言与时间序列学习笔记（1）
热门推荐
beta
10-19 2万+
今天分享的是R语言中时间序列的有关内容。主要有：时间序列的创建，ARMA模型的建立与自相关和偏自相关函数。 一、          时间序列的创建 时间序列的创建函数为：ts().函数的参数列表如下： ts(data = NA, start = 1, end = numeric(),frequency = 1,   deltat = 1, ts.eps = getOption("ts.ep
时间序列分析 AR模型
qq_42716381的博客
09-29 7538
格林函数在求解P阶AR模型方差中的应用 注：本文是本人在学习P阶AR模时的学习笔记，转载请注明出处！ 说明：由于本人的原始文档在word2010中，且含大量由mathtype打出来的公式，不能进行粘贴操作，但又不能通过word2010在csdn上发博文，故下面均为图片形式。 如果大家对上述推导过程有存疑之处，欢迎留言交流。 ...
R语言定义手册：基础对象与表达式处理
R语言的表达式在解析时遵循一定的规则，从左到右逐个操作符进行计算，涉及递归、函数调用和对象引用等步骤。理解这个过程有助于开发者编写高效和可读的R代码。 4. **学习和实践**： 对于数据挖掘专业人士而言，...
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