Pandas库

已于 2022-10-29 21:20:32 修改
阅读量1k 收藏 18
点赞数 13
文章标签： pandas python 数据分析
于 2022-10-29 21:18:09 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_74244187/article/details/127592253
版权

Pandas库

Pandas 一个强大的分析结构化数据的工具集，基础是Numpy（提供高性能的矩阵运算）。

数据结构

一维数据：Series

pd.Series(data,index,dtype,name,copy)

  • data：一组数据(ndarray 类型)。
  • index：数据索引标签，如果不指定，默认从 0 开始
  • dtype：数据类型，默认会自己判断。
  • name：设置名称。
  • copy：拷贝数据，默认为 False。

Series 是一种类似于一维数组的对象，相当于表格中的一列，它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。

不指定index

结果全部输出

import pandas as pd
a = [1,2,3]
a = pd.Series(a)
print(a)
# 输出结果：
0    1
1    2
2    3
dtype: int64
指定index

索引结果输出index部分

import pandas as pd
a = ["a","b","c"]
b= pd.Series(a,index=["x","y","z"])
print(b)
# 输出结果：
x    a
y    b
z    c
dtype: object
字典形式

结果是key+value，有index时只输出一部分

import pandas as pd
dict1 = {
	1:"Google", 2:"baidu", 3:"360"
}
c = pd.Series(dict1，name='SSS')#设置名称参数
print(c)
# 字典的 key变成了索引值
# 可以指定需要数据的索引输出
d = pd.Series(dict1,index=[1,2],name='AAA')
print(d)
输出结果：
1    Google
2     baidu
3       360
Name: SSS, dtype: object
1    Google
2     baidu
Name: AAA, dtype: object

二维数据Dateframe

pd.DataFrame( data, index, columns, dtype, copy)

  • data：一组数据(ndarray、series, map, lists, dict 等类型)。
  • index：索引值，或者可以称为行标签。
  • columns：列标签，默认为 RangeIndex (0, 1, 2, …, n) 。
  • dtype：数据类型。
  • copy：拷贝数据，默认为 False。

DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

使用ndarrays创建
import pandas as pd
data1 = {
	'sites': ['Google','Runoob','Wiki'],
	'number' : [1,2,3]
}
a = pd.DataFrame(data1)
print(a)
# 输出结果：
    sites  number
0  Google       1
1  Runoob       2
2    Wiki       3
使用列表创建
data2 = [
	['Google',10],
	['Baidu',20],
	['360',30]
]
b = pd.DataFrame(data2,columns=['Site','Age'],dtype=float)
print(b)
# 输出结果：
     Site   Age
0  Google  10.0
1   Baidu  20.0
2     360  30.0
使用字典创建
data3 = [
	{
		'a':1,
		'b':2
	},
	{
		'a':3,
		'b':4,
		'c':5
	}
]
c = pd.DataFrame(data3)
print(c)
# 输出结果(没有对应的部分数据为 NaN)：
   a  b    c
0  1  2  NaN
1  3  4  5.0
指定index
data4 = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}
d = pd.DataFrame(data4, index = ["day1", "day2", "day3"])
print(d)
# 输出结果：
      calories  duration
day1       420        50
day2       380        40
day3       390        45
从另一个DataFrame对象创建

即增加列或改变列的数据

import pandas as pd
e = pd.DataFrame(
    data = [
        [60, 78, 92, 85],
        [70, 68, 95, 76],
        [88, 98, 83, 87]
    ],
    index = ['小明', '小红', '小强', ],
    columns = ['语文', '数学', '英语', '化学'],
    dtype = float,
    copy = False
)
f = pd.DataFrame(e, copy = False)#浅拷贝
print(f)
f['语文'] = [0, 0, 0]
print(f)
#输出结果：
      语文    数学    英语    化学
小明  60.0  78.0  92.0  85.0
小红  70.0  68.0  95.0  76.0
小强  88.0  98.0  83.0  87.0
    语文    数学    英语    化学
小明   0  78.0  92.0  85.0
小红   0  68.0  95.0  76.0
小强   0  98.0  83.0  87.0
删除列

使用, axis = 0表示对行操作, axis = 1表示针对列的操作, inplace为True, 则直接在源数据上进行修改, 否则源数据会保持原样

dataFrame.drop('化学', axis = 1, inplace = True)

使用loc属性返回指定行的数据

data1.loc[index]

返回第一行：

print(data1.loc[0])

返回多行：

print(data1.loc[[0,2]])#第一和第三行

指定indx：

data1 = pd.DataFrame(data, index = ["day1", "day2", "day3"])
print(df.loc["day2"])#即返回day2对应的行

一维数据：

sites = {
	1:"Google", 2:"baidu", 3:"360"
}
a = pd.Series(sites)
print(a)
print(a.loc[2])#返回baidu

存储

  • .to_csv(路径)：保存为.csv文件

  • .to_excel(路径)：保存为.xlsx文件

提取数据

从文件读取

  • read_csv(filepath_or_buffer = 文件路径, delimiter = 分隔符, header = 是否第一行为列标题, engine = 引擎, encoding = 编码)：读取.csv文件创建DataFrame对象
import pandas as pd
dataFrame = pd.read_csv('../数据/test.csv')
print(dataFrame)
  • read_excel(路径, header = 指定哪一行为标题, names = 指定列标题)：读取.xlsx文件创建DataFrame对象
import pandas as pd
dataFrame = pd.read_excel(
    '../数据/test.XLSX',
    header = None
)
print(dataFrame)

DataFrame 查看数据

  • .head(n = 5)：查看数据前n行
  • .tail(n = 5)：查看数据后n行
  • .info()：查看数据信息
  • .describe()：查看数据统计信息

DataFrame 操作

纵向叠加

  • concat(dataFrame列表)：将这些dataFrame的数据纵向叠加

    import pandas as pd

dataFrame1 = pd.DataFrame(
    data=[
        ['一级', '读书', 21, 176],
        ['二级', '游泳', 22, 178],
        ['三级', '游泳', 21, 185],
        ['二级', '游泳', 19, 182],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index = ['小明', '小红', '小强', '小于']
)
r = pd.concat([dataFrame1, dataFrame1])
print(r)
#输出结果：
    等级  爱好  年龄   身高
小明  一级  读书  21  176
小红  二级  游泳  22  178
小强  三级  游泳  21  185
小于  二级  游泳  19  182
小明  一级  读书  21  176
小红  二级  游泳  22  178
小强  三级  游泳  21  185
小于  二级  游泳  19  182

横向合并

  • merge(left = 左表, right = 右表, left_index, right_index, how = 连接方式( inner, left, right, outer))：按照指定连接方式将两个表合并
import pandas as pd

dataFrame1 = pd.DataFrame(
    data=[
        ['一级', '读书', 21, 176],
        ['二级', '游泳', 22, 178],
        ['三级', '游泳', 21, 185],
        ['二级', '游泳', 19, 182],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index=['小明', '小红', '小强', '小于']
)
print(dataFrame1)
dataFrame2 = pd.DataFrame(
    data=[
        ['学士', 'O'],
        ['学士', 'A'],
        ['博士', 'A'],
        ['院士', 'B'],
    ],
    columns=['学位', '血型'],
    index=['小明', '小红', '小强', '小于']
)
print(dataFrame2)
r = pd.merge(
    left=dataFrame1,
    right=dataFrame2,
    left_index=True,
    right_index=True,
    how='inner'
)
print(r)
#输出结果：
等级  爱好  年龄   身高
小明  一级  读书  21  176
小红  二级  游泳  22  178
小强  三级  游泳  21  185
小于  二级  游泳  19  182
    学位 血型
小明  学士  O
小红  学士  A
小强  博士  A
小于  院士  B
    等级  爱好  年龄   身高  学位 血型
小明  一级  读书  21  176  学士  O
小红  二级  游泳  22  178  学士  A
小强  三级  游泳  21  185  博士  A
小于  二级  游泳  19  182  院士  B

空值处理

  • .dropna(subset = 列名)：指定当某列出现空值才删除，没有subset时，只要一行中任意一个字段为空，就会被删除
  • .isnull()：返回布尔DataFrame对象（是否是空值）
删除空值
import pandas

dataFrame = pandas.DataFrame(
    data=[
        ['一级', None, 21, 176],
        ['二级', '游泳', None, 178],
        ['三级', '游泳', 21, 185],
        [None, '游泳', 19, None],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index=['小明', '小红', '小强', '小于']
)
print(dataFrame)
print(dataFrame.dropna())
#输出结果：
      等级    爱好    年龄     身高
小明    一级  None  21.0  176.0
小红    二级    游泳   NaN  178.0
小强    三级    游泳  21.0  185.0
小于  None    游泳  19.0    NaN
    等级  爱好    年龄     身高
小强  三级  游泳  21.0  185.0
判断空值
import pandas as pd
dataFrame = pd.DataFrame(
    data=[
        ['一级', None, 21, 176],
        ['二级', '游泳', None, 178],
        ['三级', '游泳', 21, 185],
        [None, '游泳', 19, None],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index=['小明', '小红', '小强', '小于']
)
print(dataFrame)
print(dataFrame.isnull())
print(dataFrame['等级'].isnull())
#输出结果：
      等级    爱好    年龄     身高
小明    一级  None  21.0  176.0
小红    二级    游泳   NaN  178.0
小强    三级    游泳  21.0  185.0
小于  None    游泳  19.0    NaN
       等级     爱好     年龄     身高
小明  False   True  False  False
小红  False  False   True  False
小强  False  False  False  False
小于   True  False  False   True
小明    False
小红    False
小强    False
小于     True
Name: 等级, dtype: bool
计算空值个数
import pandas as pd

dataFrame = pd.DataFrame(
    data=[
        ['一级', None, 21, 176],
        ['二级', '游泳', None, 178],
        ['三级', '游泳', 21, 185],
        [None, '游泳', 19, None],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index=['小明', '小红', '小强', '小于']
)
print(dataFrame)
print(dataFrame.isnull().sum())
#输出结果：
      等级    爱好    年龄     身高
小明    一级  None  21.0  176.0
小红    二级    游泳   NaN  178.0
小强    三级    游泳  21.0  185.0
小于  None    游泳  19.0    NaN
等级    1
爱好    1
年龄    1
身高    1
dtype: int64
填充空值
import pandas as pd
dataFrame = pd.DataFrame(
    data=[
        ['一级', None, 21, 176],
        ['二级', '游泳', None, 178],
        ['三级', '游泳', 21, 185],
        [None, '游泳', 19, None],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index=['小明', '小红', '小强', '小于']
)
print(dataFrame)
dataFrame['年龄'] = dataFrame['年龄'].fillna(20)
print(dataFrame)
#输出结果：
小明    一级  None  21.0  176.0
小红    二级    游泳   NaN  178.0
小强    三级    游泳  21.0  185.0
小于  None    游泳  19.0    NaN
      等级    爱好    年龄     身高
小明    一级  None  21.0  176.0
小红    二级    游泳  20.0  178.0
小强    三级    游泳  21.0  185.0
小于  None    游泳  19.0    NaN
去重

.dropduplicates(subset = 列名列表, keep = ‘first’ 或 ‘last’)：删除完全重复行, 可指定某字段重复时删除, 默认保留第一个, 后面重复的会删掉

import pandas as pd

dataFrame = pd.DataFrame(
    data=[
        ['一级', None, 21, 176],
        ['二级', '游泳', None, 178],
        ['三级', '游泳', 21, 185],
        [None, '游泳', 19, None],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index=['小明', '小红', '小强', '小于']
)
print(dataFrame)
print(dataFrame.drop_duplicates(subset = ['爱好'], keep = 'first'))
#输出结果：
      等级    爱好    年龄     身高
小明    一级  None  21.0  176.0
小红    二级    游泳   NaN  178.0
小强    三级    游泳  21.0  185.0
小于  None    游泳  19.0    NaN
    等级    爱好    年龄     身高
小明  一级  None  21.0  176.0
小红  二级    游泳   NaN  178.0
排序

.sort_values(by = 列名, ascending = 是否升序)：对某列排序

import pandas as pd

dataFrame = pd.DataFrame(
    data=[
        ['一级', None, 21, 176],
        ['二级', '游泳', None, 178],
        ['三级', '游泳', 21, 185],
        [None, '游泳', 19, None],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index=['小明', '小红', '小强', '小于']
)
print(dataFrame)
dataFrame = dataFrame.sort_values(by = '等级', ascending = True)
print(dataFrame)
#输出结果：
      等级    爱好    年龄     身高
小明    一级  None  21.0  176.0
小红    二级    游泳   NaN  178.0
小强    三级    游泳  21.0  185.0
小于  None    游泳  19.0    NaN
      等级    爱好    年龄     身高
小明    一级  None  21.0  176.0
小强    三级    游泳  21.0  185.0
小红    二级    游泳   NaN  178.0
小于  None    游泳  19.0    NaN
分组

分组就是把指定的一列的值相同的分为一组, 调用一些函数对这些指定列值相同数据进行操作

.groupby(‘列名’)：对指定列分组, 就是把该列值一样的分成一组

import pandas as pd

dataFrame = pd.DataFrame(
    data=[
        ['一级', '读书', 21, 176],
        ['二级', '游泳', 20, 178],
        ['三级', '游泳', 21, 185],
        ['四级', '游泳', 19, 177],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index=['小明', '小红', '小强', '小于']
)
print(dataFrame)
groupData = dataFrame.groupby('年龄')
分段

cut(x = 切分数据, bins = 切分方式, right = 是否包含右区间, labels = 分割后每段的名字列表)：对一个数组进行分段

import pandas as pd
dataFrame = pd.DataFrame(
    data=[
        ['一级', '读书', 21, 176],
        ['二级', '游泳', 20, 178],
        ['三级', '游泳', 21, 185],
        ['四级', '游泳', 19, 177],
        ['四级', '读书', 19, 165],
        ['四级', '读书', 19, 190],
    ],
    columns=['等级', '爱好', '年龄', '身高'],
    index=['小明', '小红', '小强', '小于', '小兰', '小智']
)
r = pd.cut(x = dataFrame['身高'], bins = [160, 170, 180, 190, 200], right = False, labels = ['中等身高', '身高较高', '身高很高', '身高太高'])
print(r, end = '\n')
r = pd.cut(x=dataFrame['身高'], bins = 4, right=False, labels=['中等身高', '身高较高', '身高很高', '身高太高'])
print(r)
#输出结果：
小明    身高较高
小红    身高较高
小强    身高很高
小于    身高较高
小兰    中等身高
小智    身高太高
Name: 身高, dtype: category
Categories (4, object): ['中等身高' < '身高较高' < '身高很高' < '身高太高']
小明    身高较高
小红    身高很高
小强    身高太高
小于    身高较高
小兰    中等身高
小智    身高太高
Name: 身高, dtype: category
Categories (4, object): ['中等身高' < '身高较高' < '身高很高' < '身高太高']
小小小小七七
关注
重庆工商大学应统大数据分析技术（Python数据挖掘）期末考试题库选择题1-14参考答案
qhj19990324的博客
07-05 2349
说在前面： 大三上学期期末由于疫情，被逼得一天准备一科都行，而这学期大三下期只有两科，考前都没准备好。最主要的原因就是大数据分析技术题库太难，而且考试也不全是题库上的，印象很深的就是找“张姓”同学个数和成绩等这个大题15分，平时练了，但是题库上没有。 另外，题库上有些题目也有点问题。为了以后学弟学妹能轻松点，同时为了避免侵权，也为了能给学弟学妹们一点空间练习，仅把我自己原创以及确定的答案和发现的问题发出来。 参考代码中遇到要打开文件的情况，就将代码和文件放到一起，这样不需要完整的路径也可以执行了。文.
python pandas用法_Python Pandas系列series用法详细介绍
weixin_39652658的博客
12-03 1164
本文概述Pandas系列可以定义为能够存储各种数据类型的一维数组。我们可以使用” series”方法轻松地将列表, 元组和字典转换为series。series的行标签称为索引。Series不能包含多列。它具有以下参数：数据：可以是任何列表, 字典或标量值。index：索引的值应唯一且可哈希。它必须与数据长度相同。如果我们不传递任何索引, 则将使用默认的np.arrange(n)。dtype：是指系...
网络爬虫&pandas
huangguanghao1的博客
05-02 346
Pandas 是 Python 语言的一个扩展程序库，用于数据分析。 Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。 Pandas 名字衍生自术语 “panel data”（面板数据）和 “Python data analysis”（Python 数据分析）。 Pandas 一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算）。 Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。
pandas基础练习（后续完善）
tianxuanzhiren_hou的博客
01-07 448
下面数据都是在python code里边测试练习的，所以只有单行的测试和结果，没有整体的代码，后期会完善的，请大家多多指导 import pandas as pd Series pd.Series([list]，index=[list]) index可选，默认从0开始 例如 c= pd.Series([1,2,3,4,5]) c= pd.Series([1,2,3,4,5],index=[‘...
Python数据分析-Pandas
qq_61832249的博客
09-05 353
个人笔记，建议不看
pandas库学习报告.docx
04-11
数据仓库~有关于pandas库的学习报告 小丸子帮大家总结到位了 希望可以帮助各位 点赞收藏哈！！！
pandas库.docx
07-01
Pandas 是一个强大的 Python 库，主要用于数据分析和数据处理。它提供了快速、灵活、易用的数据结构，使得数据操作变得简单和直观。以下是 Pandas 库的一些主要特点和组成部分： 主要特点： 数据结构： Series：一...
pandas库学习配套资源
02-16
在数据分析领域，Pandas库是Python编程语言中的一个不可或缺的工具。它提供了高效的数据结构，如DataFrame和Series，使得处理和分析数据变得极其便捷。这个"pandas库学习配套资源"压缩包包含了几个重要的文件，可以...
pandas库的概要介绍与分析
07-01
以下是对Pandas库的详细资源描述，帮助用户高效地掌握这一强大的数据分析工具。 ### 官方文档与教程 - **Pandas官方文档**（https://pandas.pydata.org/pandas-docs/stable/）：这是学习和使用Pandas最权威的资源...
Pandas库的详细介绍
最新发布
07-01
pandas库
Python数据分析与展示 | 【第三周】数据分析之概要 课后作业
JinbaoSite
05-28 7176
1单选(1分) pandas库与numpy库，如下哪个说法是不正确的？ A.pandas库的每个维度都有索引与之关联 B.numpy库更关心数据间关系，pandas库更关心数据与索引间的关系 C.pandas库不能表示n维（n>2）数据 D.pandas库是基于numpy库开发实现的答案：C2单选(1分) pandas库中的Series对象最不可能从如下哪个类型创建？ A.numpy的
python pandas库读取excel/csv中指定行或列数据详解
Free雅轩的博客
03-16 3万+
通过阅读表格,可以发现Pandas中提供了非常丰富的数据读写方法,下面这篇文章主要给大家介绍了关于python利用pandas库读取excel/csv中指定行或列数据的相关资料,需要的朋友可以参考下 引言 关键！！！！使用loc函数来查找。 话不多说，直接演示： 有以下名为try.xlsx表： 1.根据index查询 条件：首先导入的数据必须的有index 或者自己添加吧，方法简单，读取excel文件时直接加index_col 代码示例： import pandas as pd
Pandas读取Excel指定行列
Dawn1ngday的博客
05-14 1222
用pandas读取read_path（excel表名）的sheetname表，第4，5列，总行612，读取5-598行，得到Series数据。
Pandas进阶(第一关，第二关）
weixin_44196785的博客
09-25 1万+
简介 Pandas是基于NumPy的一种工具，该工具是为了解决数据分析任务而创建的。Pandas纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量快速便捷地处理数据的函数和方法。使Python成为强大而高效的数据分析环境的重要因素之一。 本实训的主要内容是：1.Pandas使用分组聚合进行组内计算，2.创建透视表和交叉表。本实训需要学员对Pandas的数据结构和统计函数有一定的了解。 第1关：Pandas分组聚合 任务描述 相关知识 分组 单列和多列分组 Seri
python数据分析与应用选择题题库_大数据分析与应用模拟考试
weixin_39866646的博客
11-26 9439
一、单选题（共20题，40分）1、对于DataFrame对象,以下说法错误的是:（P223,DataFrame类似于我们数据库中的数据表结构）A、 DataFrame对象是一个表格型的数据结构B、 DataFrame对象的列是有序的C、 DataFrame对象列与列之间的数据类型可以互不相同D、 DataFrame对象每一行都是一个Series对象 （P223 DataFrame对象每一列都是一个...
import pandas as pd 报错_【Python基础】学习用Pandas处理分类数据！
weixin_39534759的博客
11-20 2441
Datawhale干货作者：耿远昊，Datawhale成员，华东师范大学分类数据(categorical data)是按照现象的某种属性对其进行分类或分组而得到的反映事物类型的数据，又称定类数据。直白来说，就是取值为有限的，或者说是固定数量的可能值。例如：性别、血型等。今天，我们来学习下，Pandas如何处理分类数据。主要围绕以下几个方面展开：本文目录1.Category的创...
Pandas模块入门（一）——Series结构介绍
u014607457的博客
05-01 3万+
Pandas模块是Python用于数据导入及整理的模块，对数据挖掘前期数据的处理工作十分有用，因此这些基础的东西还是要好好的学学。Pandas模块的数据结构主要有两：1、Series ；2、DataFrame 这次就先了解一下Series结构。1. 介绍The Series is the primary building block of pandas and represents a one-d
Pandas库入门
一定要AC啊
02-11 280
Pandas库入门 pandas有两大数据类型series和dataframe Series import pandas as pd pd.Series(range(20)) 0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10 10 11 11 1...
【python】pandas库Series类型与基本操作详解
热门推荐
brucewong0516的博客
01-29 8万+
Series类型由一组数据及与之相关的数据索引组成，Series类型可以由如下类型创建： Python列表，index与列表元素个数一致 In [1]: import pandas as pd In [2]: list_a = [2,4,5,6] In [3]: pd.Series(list_a) Out[3]: 0 2 1 4 2 5 3 6 dtype:
vscode使用pandas库
06-06
在VSCode中使用pandas库，我们需要先安装pandas库。你可以通过在终端中输入以下命令进行安装：`pip install pandas`[^2]。 安装完成后，你可以在代码中通过`import pandas as pd`来导入pandas库。这里的pd是pandas库的一个常用别名，方便我们在代码中使用。下面是一个简单的例子，演示了如何使用pandas库读取csv文件。 ```python import pandas as pd # 读取csv文件 df = pd.read_csv('data.csv') # 打印出前5行 print(df.head()) ``` 这里的`read_csv`函数是pandas库中用于读取csv文件的函数。我们可以通过参数传递文件名，来读取csv文件中的数据。读取完成后，我们可以使用`head`函数来查看前几行数据。这个例子虽然简单，但是展示了pandas库在数据处理中的基本用法。

“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