数据分析——数据规范化

于 2024-04-05 19:04:22 发布
阅读量1.1k 收藏 32
点赞数 29
文章标签： 数据分析 python 大数据
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_66547608/article/details/137406412
版权

数据规范化是数据分析中的一个重要步骤，其目的在于确保数据的一致性和可比性，提高数据质量和分析结果的准确性。以下是一些数据规范化的常见方法和技术：

  1. 数据清洗：此步骤主要清除数据中的重复项、空格、格式错误等，确保数据的准确性和完整性。
  2. 数据转换：数据转换涉及将不同格式或单位的数据统一化，如转换日期格式、货币单位或度量单位，以便进行更有效的比较和分析。
  3. 数据规范化：这一步主要是将文本数据转换为统一的术语和格式。例如，设定规则、使用词典或将数据转换为特定的数据格式，以确保数据的一致性和可读性。
  4. 数据映射：当处理来自不同数据源的数据时，数据映射特别有用。它将不同数据源的数据映射到一个标准化的模板中，确保数据的一致性和可比性。
  5. 数据匹配：这一步骤主要是将同一实体的不同表述进行匹配。例如，在处理个人信息时，可能会将“小李”和“李小”这样的不同姓名表述匹配为同一实体。
  6. 数据验证：验证数据是否符合预设的规则或标准，确保数据的准确性和有效性。

在实际应用中，数据规范化有多种方法，例如Min-max规范化、Z-Score规范化以及小数定标规范化等。Min-max规范化是将原始数据投射到指定的空间[min,max]，通过公式新数值 = （原数值-极小值）/ (极大值 - 极小值) 进行计算。Z-Score规范化则是将原始数据转换为正态分布的形式，使得结果更易于比较，其公式为新数值 = （原数值 - 均值）/ 标准差。而小数定标规范化则是通过移动小数点的位置来进行规范化，具体移动位数取决于数据取值的最大绝对值。

除了提高数据质量和一致性，数据规范化还有助于提高数据的准确性和有效性，使得不同来源的数据可以进行更好的比较和分析。同时，它也有助于确保数据的安全和隐私保护，降低数据泄露和滥用的风险。此外，数据规范化还是数据治理和管理的基础，为组织提供了更可靠的数据支持，有助于做出更明智的决策。

在数据库设计中，规范化同样是一个关键步骤。它通过消除冗余数据、降低数据的插入、更新和删除异常，使得数据库中的数据具有最小冗余、最高一致性和完整性。这有助于优化数据库的性能和安全性，提高数据的响应速度和吞吐量。

总的来说，数据规范化是确保数据质量、提高数据分析效率、保障数据安全以及优化数据库设计的重要手段。对于任何组织来说，实施数据规范化都是提升数据管理水平和竞争力的重要途径。

 极大值极小值规划

import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.dates import DateFormatter

# 假设你的数据保存在一个名为 '各站点各时刻进出站客流数据.xlsx' 的 Excel 文件中
data = pd.read_excel('各站点各时刻进出站客流数据.xlsx')

# 取前几行数据，如果只需要一部分数据进行分析的话
data = data.head(20)

# 将'日期'和'时刻'列合并为一个时间戳
data['时间戳'] = pd.to_datetime(data['日期']) + pd.to_timedelta(data['时刻'], unit='H')

# 设置 '时间戳' 列为 DataFrame 的索引，方便后续绘图
data.set_index('时间戳', inplace=True)

# 删除原始的'日期'和'时刻'列
data.drop(['日期', '时刻'], axis=1, inplace=True)


# 数据规范化 - 使用极大值和极小值进行规范化
def min_max_scaler(data_series):
    min_val = data_series.min()
    max_val = data_series.max()
    return (data_series - min_val) / (max_val - min_val)


# 应用规范化函数到'进站人数'和'出站人数'列
data['进站人数'] = min_max_scaler(data['进站人数'])
data['出站人数'] = min_max_scaler(data['出站人数'])

# 绘制进站人数的折线图
plt.figure(figsize=(12, 6))
plt.plot(data.index, data['进站人数'], label='进站人数', marker='o')

# 绘制出站人数的折线图
plt.plot(data.index, data['出站人数'], label='出站人数', marker='o')

# 设置图表标题和轴标签
plt.title('站点编号155随时间变化的进出站人数折线图')
plt.xlabel('时间')
plt.ylabel('规范化后的进出站人数')

# 显示图例
plt.legend()

# 格式化x轴时间戳显示
plt.gca().xaxis.set_major_formatter(DateFormatter('%Y-%m-%d %H:%M'))

# 设置 Matplotlib 的参数，以使用支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False  # 正确显示负号

# 显示图表
plt.show()

 

 零一规划

import pandas as pd  
import matplotlib.pyplot as plt  
from matplotlib.dates import DateFormatter  
  
# 假设你的数据保存在一个名为 '各站点各时刻进出站客流数据.xlsx' 的 Excel 文件中  
data = pd.read_excel('各站点各时刻进出站客流数据.xlsx')  
  
# 取前几行数据，如果只需要一部分数据进行分析的话  
data = data.head(20)  
  
# 将'日期'和'时刻'列合并为一个时间戳  
data['时间戳'] = pd.to_datetime(data['日期']) + pd.to_timedelta(data['时刻'], unit='H')  
  
# 设置 '时间戳' 列为 DataFrame 的索引  
data.set_index('时间戳', inplace=True)  
  
# 删除原始的'日期'和'时刻'列  
data.drop(['日期', '时刻'], axis=1, inplace=True)  
  
# 零一归化函数  
def normalize(data_series):  
    min_val = data_series.min()  
    range_val = data_series.max() - min_val  
    return (data_series - min_val) / range_val  
  
# 应用零一归化到'进站人数'和'出站人数'列  
data['进站人数'] = normalize(data['进站人数'])  
data['出站人数'] = normalize(data['出站人数'])  
  
# 绘制进站人数的折线图  
plt.figure(figsize=(12, 6))  
plt.plot(data.index, data['进站人数'], label='进站人数', marker='o')  
  
# 绘制出站人数的折线图  
plt.plot(data.index, data['出站人数'], label='出站人数', marker='o')  
  
# 设置图表标题和轴标签  
plt.title('站点编号155随时间变化的进出站人数折线图（零一归化）')  
plt.xlabel('时间')  
plt.ylabel('零一归化后的进出站人数')  
  
# 显示图例  
plt.legend()  
  
# 格式化x轴时间戳显示  
plt.gca().xaxis.set_major_formatter(DateFormatter('%Y-%m-%d %H:%M'))  
  
# 设置 Matplotlib 的参数，以使用支持中文的字体  
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体  
plt.rcParams['axes.unicode_minus'] = False  # 正确显示负号  
  
# 显示图表  
plt.show()

 

 不规划

import pandas as pd
import matplotlib.pyplot as plt

# 假设您的数据保存在一个名为 '各站点各时刻进出站客流数据.xlsx' 的 Excel 文件中
data = pd.read_excel('各站点各时刻进出站客流数据.xlsx')
data = data.head(20)
# 选择需要进行归一化的列
columns_to_normalize = ['进站人数', '出站人数']

# 绘制归一化后的进站人数和出站人数的折线图
plt.figure(figsize=(12, 6))

# 绘制进站人数的折线图
plt.plot(data['时刻'], data['进站人数'], label='进站人数 (归一化后)', marker='o')

# 绘制出站人数的折线图
plt.plot(data['时刻'], data['出站人数'], label='出站人数 (归一化后)', marker='o')

# 设置图表标题和轴标签
plt.title('站点随时间变化的进出站人数折线图（归一化后）')
plt.xlabel('时间')
plt.ylabel('归一化后的进出站人数')

# 显示图例
plt.legend()
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体为黑体
plt.rcParams['axes.unicode_minus'] = False  # 正确显示负号
# 显示图表
plt.show()

数据集

站点编号日期时刻进站人数出站人数
1552015-10-0172941215
1552015-10-01811284067
1552015-10-01914413713
1552015-10-011020432976
1552015-10-011126783198
1552015-10-011225152804
1552015-10-011323132396
1552015-10-011417672680
1552015-10-011518732202
1552015-10-011618602350
1552015-10-011723481987
1552015-10-011811361982
1552015-10-011921251442
1552015-10-01201066930
1552015-10-01211273441
1552015-10-0122999323
1552015-10-012449194
1552015-10-027130648
1552015-10-0284962611
1552015-10-0297402284
1552015-10-021015371893
1552015-10-021119422232
1552015-10-021224831866
1552015-10-021315541607
1552015-10-021415171826
1552015-10-021515261784
1552015-10-021615391883
1552015-10-021720441784
1552015-10-021814001668
1552015-10-021920801292
1552015-10-0220949924
1552015-10-02211278427
1552015-10-0222660239
1552015-10-022310127
1552015-10-037118374
1552015-10-0384171363
1552015-10-0395681695
1552015-10-031014481781
1552015-10-031122591956
1552015-10-031223771724
1552015-10-031316921196
1552015-10-031415821488
1552015-10-031513091550
1552015-10-031615431685
1552015-10-031719481605
1552015-10-031814621683
1552015-10-031922181339
1552015-10-03201409731
1552015-10-03211347360
1552015-10-0322541209
1552015-10-03241792
1552015-10-047122280
1552015-10-0484021286
1552015-10-0496201684
1552015-10-041014471598
1552015-10-041121481644
1552015-10-041225631529
1552015-10-041315811171
1552015-10-041416291381
1552015-10-041516531580
1552015-10-041616901713
1552015-10-041723231761
1552015-10-041817191774
1552015-10-041930061412
1552015-10-04201687781
1552015-10-04211410421
1552015-10-0422868297
1552015-10-042462240
1552015-10-057123326
1552015-10-0584201192
1552015-10-0596901750
1552015-10-051011821455
1552015-10-051121791482
1552015-10-051224531491
1552015-10-051316351409
1552015-10-051416901579
1552015-10-051516801652
1552015-10-051617581908
1552015-10-051725101717
1552015-10-051815001856
1552015-10-051927541440
1552015-10-05201359761
1552015-10-05211437407
1552015-10-0522947315
1552015-10-0524111211
1552015-10-06797279
1552015-10-0684671196
1552015-10-0696701763
1552015-10-061013071314
1552015-10-061124631537
1552015-10-061228581568
1552015-10-061321101395
1552015-10-061423441559
1552015-10-061520811634
1552015-10-061619171648
1552015-10-061729351481
1552015-10-061816651469
1552015-10-061928621354
1552015-10-06201383920
1552015-10-06212423464
1552015-10-06221533300
1552015-10-0624104175
1552015-10-077112311
1552015-10-0784651296
1552015-10-0797901725
1552015-10-071015571385
1552015-10-071131211498
1552015-10-071233021723
1552015-10-071330681739
1552015-10-071428101852
1552015-10-071525601895
1552015-10-071624422063
1552015-10-071739321910
1552015-10-071821181907
1552015-10-071933081583
1552015-10-072015301060
1552015-10-07212897602
1552015-10-07221389319
1552015-10-0724144219
1552015-10-087169314
1552015-10-0886001573
1552015-10-0895822452
1552015-10-08109621468
1552015-10-081118251201
1552015-10-081213051207
1552015-10-081314221196
1552015-10-081414701532
1552015-10-081514241343
1552015-10-081613421242
1552015-10-081721861096
1552015-10-081812981297
1552015-10-081919021090
1552015-10-08201192608
1552015-10-08211128362
1552015-10-0822333274
1552015-10-082421197
1552015-10-097122222
1552015-10-0984941219
1552015-10-0995342236
1552015-10-09109221394
1552015-10-091118141206
1552015-10-091212021246
1552015-10-091312351071
1552015-10-091412811431
1552015-10-091513571323
1552015-10-091611861340
1552015-10-091717501392
1552015-10-091813801550
1552015-10-091920391307
1552015-10-09201080673
1552015-10-0921829284
1552015-10-0922323177
1552015-10-09241389
1552015-10-107106234
1552015-10-108463964
1552015-10-1095191942
1552015-10-101010641394
1552015-10-101117971256
1552015-10-101214131079
1552015-10-101313361132
1552015-10-101413441320
1552015-10-101513121371
1552015-10-101612921484
1552015-10-101717791466
1552015-10-101813251621
1552015-10-101921961838
1552015-10-10201411971
1552015-10-10211004379
1552015-10-1022379239
1552015-10-102424133
1552015-10-117124210
1552015-10-118417869
1552015-10-1196371350
1552015-10-111014451316
1552015-10-111121851168
1552015-10-111219311118
1552015-10-111314681195
1552015-10-111412611338
1552015-10-111512431539
1552015-10-111614851875
1552015-10-111720521975
1552015-10-111813102127
1552015-10-111919911865
1552015-10-112013461071
1552015-10-11211132434
1552015-10-1122434252
1552015-10-112421165
1552015-10-127154274
1552015-10-1285961200
1552015-10-1295212288
1552015-10-121011501578
1552015-10-121118481340
1552015-10-121213971193
1552015-10-121314111146
1552015-10-121412711318
1552015-10-121511611363
1552015-10-121611421316
1552015-10-121715221228
1552015-10-121812951186
1552015-10-121918861080
1552015-10-12201084600
1552015-10-1221813264
1552015-10-1222320166
1552015-10-122423120
1552015-10-137122218
1552015-10-1384671055
1552015-10-1394232008
1552015-10-131010651342
1552015-10-131115471203
1552015-10-13121339998
1552015-10-131312551003
1552015-10-131411641161
1552015-10-131510751281
1552015-10-131611061289
1552015-10-131715891217
1552015-10-131813031211
1552015-10-131919351102
1552015-10-13201173640
1552015-10-1321802276
1552015-10-1322320181
1552015-10-13242369
1552015-10-147113211
1552015-10-148427987
1552015-10-1494751999
1552015-10-141010191437
1552015-10-141116511197
1552015-10-141213491106
1552015-10-141313311022
1552015-10-141412851171
1552015-10-141510991206
1552015-10-141611491249
1552015-10-141715831077
1552015-10-141813851147
张謹礧
关注
  • 29
    点赞
  • 踩
  • 32
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
数据规范化是什么？
数字成都
12-13 4900
软件系统经常使用各种长期保存的信息，这些信息通常以一定方式组织并存储在数据库或文件中，为减少数据冗余，避免出现插入异常或删除异常， 简化修改数据的过程，通 常需要把数据结构规范化。 数据规范化 通常用“范式(normal forms)” 定义消除数据冗余的程度。 (1) 第一范式（1NF） 每个属性值都必须是原子值，即仅仅是一个简单值而不含内部结构。 (2) 第二范式（2NF） 满足第一范式条件，...
大数据技术——数据处理和分析.pdf
12-23
⼤数据技术 ⼤数据技术——数据处理和分析 数据处理和分析 ⼤数据技术 ⼤数据技术——数据处理和分析 数据处理和分析 场景：数据清洗，数据规范化，统计分析等。 1. 实时处理 实时处理 对于实时数据及时处理，并输出...
数据的预处理之数据规范化
J 跬步， 致千里
04-01 1499
一、什么是数据规范化 数据规范化是数据挖掘中数据变换的一种方式，数据变换将数据转换或统一成适合于挖掘的形式。而数据规范化是指将被挖掘对象的属性数据按比例缩放，使其落入一个小的特定区间（如[-1, 1]或[0,1]）。 二、数据规范化的作用 对属性值进行规范化常用于涉及神经网络或距离度量的分类算法和聚类算法中。比如使用神经网络向后传播算法进行分类挖掘时，对训练元组中度量每个属性的输...
spark ML 中 VectorIndexer, StringIndexer等用法
03-19 1万+
VectorIndexer 主要作用：提高决策树或随机森林等ML方法的分类效果。 VectorIndexer是对数据集特征向量中的类别（离散值）特征（index categorical features categorical features ）进行编号。 它能够自动判断那些特征是离散值型的特征，并对他们进行编号，具体做法是通过设置一个maxCategories，特征向量中某一个特征不
数据标准化/归一化normalization
yusisc的博客
11-21 4991
数据标准化/归一化normalization - 皮皮blog - CSDN博客  http://blog.csdn.net/pipisorry/article/details/52247379 http://blog.csdn.net/pipisorry/article/details/52247379 这里主要讲连续型特征归一化的常用方法。离散参考[数据预处理：独热编码（One-H
数据标准化与规范化：理解与实践
最新发布
禅与计算机程序设计艺术
12-31 980
1.背景介绍 数据标准化和数据规范化是数据预处理中的重要环节，它们有助于提高数据质量，提高模型性能。数据标准化是将数据转换为同一尺度，使得数据之间可以进行比较和分析。数据规范化是将数据转换为有限的范围内，以减少数据的噪声和倾向。在这篇文章中，我们将深入探讨数据标准化与规范化的核心概念、算法原理、具体操作步骤以及数学模型公式。 2.核心概念与联系 2.1 数据标准化 数据标准化是将数据转换为...
Python爬取数据并存入MongoDB
12-21
最近和朋友一起开发APP，需要大量数据，而”互联网”与”共享”融合发展的理念，遂资源的可重用给予了当代骚客文人获得感与幸福感…好了，不日白了（正宗重庆话，吹牛的意思），开始正题 BeautifulSoup4 本人是做...
基于“互联网 ”的网络直播课程营销策略研究——以《数据挖掘》课程为例.pdf
07-14
基于“互联网 ”的网络直播课程营销策略研究——以《数据挖掘》课程为例.pdf
网络安全标准实践指南-网络数据安全风险评估实施指引规范
06-06
发现数据安全隐患，防范数据安全风险,依据《中华人民共和国网络安全法》《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》等法律法规，参照数据安全相关国家标准，全国信息安全标准化技术委员会在组织...
《管理信息系统》——数据库操作和数据分析.doc
02-27
然后将绘制的E-R图转换" "为相应的关系模型，并保证其规范化。 " "建立表之间的关系（表间关系实施参照完整性、级联更新相关字段、级联删除相关记录" "），填入相应的信息。 " "根据数据库中供应商关系和产品关系，...
美赛论文\MCM两个word模板+论文格式+word排版注意事项整理资料
01-10
美赛论文的经典模板，内含两个word模板，还包括一些论文写作的注意事项，写作格式等，内容丰富
数据规范化（归一化）方法
泉眼里的气泡
06-22 1万+
数据挖掘中，在训练模型之前，需要对特征进行一定的处理，最常见的处理方式之一就是数据的规范化。数据的规范化的作用主要有两个：去掉量纲，使得指标之间具有可比性；将数据限制到一定区间，使得运算更为便捷。
【机器学习】【数据预处理】数据的规范化，归一化，标准化，正则化
wffzxyl的博客
05-08 8762
数据的规范化，归一化，标准化，正则化，这几个破词整得我头晕，首先这些词就没规范好，对数据做实验更晕，网上狂搜一阵后，发现数据归一化，标准化，正则化，还是有差别 数据规范化    一种是针对数据库的解释    规范化理论把关系应满足的规范要求分为几级，满足最低要求的一级叫做第一范式(1NF)，在第一范式的基础上提出了第二范式(2NF)，在第二范式的基础上又提出了第三范式(3NF)，
数据库规范化
m0_57697768的博客
03-27 2493
数据库范式，ER模型的相关概念
数据规范化与数据离散化
IST-CTO
10-02 3429
为了消除指标之间的量纲和取值范围差异的影响，需要进行标准化处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。
数据规范化的方法
weixin_38486858的博客
11-08 6996
感觉这是机器学习重要的一环，又是一个坑。 说数据规范化是坑是因为规范化、标准化、归一化傻傻分不清。数据标准化/归一化方法（Normalization Method）汇总这一篇貌似还好一点。 在机器学习中数据所用的度量单位可能影响数据分析。例如，把height的度量单位从米变成英寸，把weight的度量单位从公斤改成磅，可能导致完全不同的结果。一般而言，用较小的单位表示属性将导致
数据规范化处理
休的博客
02-11 6897
常用的三种数据规范化处理方法:   常用的数据规范化处理主要有Min-max规范化、Z-Score规范化和小数定标规范化。下面简要介绍下三种数据规范化方法，并用python的机器学习库SciKit-Learn来实现数据变化。 Min-max 规范化   Min-max 规范化方法是将原始数据变换到[0,1]的空间中用公式表示就是： 新数值 =（原数值 - 极小值）/（极大值 - 极小值）。 运行代...
三种常用数据标准化方法
热门推荐
chenpe32cp的博客
08-17 10万+
转载自：https://blog.csdn.net/bbbeoy/article/details/70185798 评价是现代社会各领域的一项经常性的工作，是科学做出管理决策的重要依据。随着人们研究领域的不断扩大，所面临的评价对象日趋复杂，如果仅依据单一指标对事物进行评价往往不尽合理，必须全面地从整体的角度考虑问题，多指标综合评价方法应运而生。所谓多指标综合评价方法，就是把描述评价对象不同方面的...
sklearn库中的数据预处理
08-30
在sklearn库中，数据预处理是指对原始数据进行转换和调整，以使其适用于机器学习模型的训练和评估。sklearn库提供了多种数据预处理的方法和函数。 其中，常用的数据预处理方法包括： - 特征选择：通过选择最具有代表性的特征，减少特征维度，提高模型性能。可以使用SelectKBest方法配合chi2方法进行特征选择，例如：X_fschi = SelectKBest(chi2, k=300).fit_transform(X_fsvar, y)。 - 特征转换：将原始特征转换成更适合模型使用的形式，如使用主成分分析（PCA）进行特征降维。sklearn提供了PCA方法，可以使用sklearn.decomposition.PCA类进行主成分分析。 - 数据规范化：通过缩放原始数据，使其具有相似的尺度，避免某些特征对模型训练的影响过大。sklearn提供了StandardScaler类和MinMaxScaler类进行数据规范化。 - 缺失值处理：处理缺失值的方法包括删除带有缺失值的样本、用均值或中位数替代缺失值等。sklearn提供了Imputer类进行缺失值处理。 - 数据标准化：将原始数据转化为均值为0，方差为1的标准正态分布。sklearn提供了StandardScaler类进行数据标准化。 这些方法和函数可以通过调用sklearn库中相应的模块和类进行使用。参考文献提供了关于sklearn库的使用教程和示例，可以详细了解sklearn库中的数据预处理方法的使用。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [机器学习sklearn工具——sklearn中的数据预处理和特征工程](https://blog.csdn.net/weixin_39736118/article/details/128517125)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *3* [数据挖掘库sklearn的使用教程和demo](https://download.csdn.net/download/weixin_67336587/85527941)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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

打赏作者

张謹礧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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