pandas库基础操作

已于 2024-09-13 15:50:40 修改
阅读量1.1w 收藏 99
点赞数 37
文章标签： pandas
于 2024-09-13 08:50:19 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.youkuaiyun.com/2302_81096429/article/details/142166561
版权

目录

1.安装pandas库

2.导入pandas库

3.主要核心数据

Series

DataFrame

4.创建一个DataFrame

5.查看数据

6.选择数据

7.添加与删除与更改数据

添加数据

添加列

添加行

删除数据

删除列

删除行

修改数据

修改列

修改行

8.数据清洗

处理重复数据

处理缺失数据

删除缺失值

填充缺失值

计算平均值和中位数

纠正错误数据

9.数据分析

数据分组

数据提取

数据合并

总结

1.安装pandas库

打开命令提示符，输入如下指令进行安装

pip install pandas

2.导入pandas库

导入pandas库，并简写为pd

import pandas as pd

3.主要核心数据

Series

类似一维数组，由一组数据和相应的索引组成

import pandas as pd

# 创建Series
s= pd.Series(['a','b','c','d','e'])

print(s)

DataFrame

类似二维表格，由多组数据和相应的索引值组成

import pandas as pd

# 创建DataFrame
df = pd.DataFrame({
    'name':['a','b','c'],
    'age':[18,35,45],
    'gender':['male','female','male']
})

print(s)

4.创建一个DataFrame

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun'],
    'age':[18,35,45],
    'occupation':['student','teacher','doctor']
})

print (df)

该代码创建了一个名为df的Pandas DataFrame，包含三个人的信息：姓名（name）、年龄（age）和职业（occupation）。然后打印这个DataFrame。具体数据如下：
Xiaoming，18岁，学生
Xiaohong，35岁，教师
Xiaojun，45岁，医生

打印结果：

5.查看数据

# 查看前5行数据
print(df.head())

# 查看后5行数据
print(df.tail())

# 显示 DataFrame 的列名、数据类型、非空值数量等基本信息
print(df.info())

# 显示 DataFrame 中数值列的描述性统计信息，如计数、平均值、标准差、最小值、最大值等。
print(df.describe())

6.选择数据

可以通过索引值或切片来选择数据

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun'],
    'age':[18,35,45],
    'occupation':['student','teacher','doctor']
})

# 选择单列数据
print(df['name'])

# 选择多列数据
print(df[['age','occupation']])

# 选择单行数据
print(df.iloc[0])

# 选择多行数据
print(df.iloc[1:3])

# 根据条件选择数据
print(df[df['age'] > 30])

7.添加与删除与更改数据

添加数据

添加列

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun'],
    'age':[18,35,45],
    'occupation':['student','teacher','doctor']
})

# 添加一列
df['gender']=['male','female','male']
print(df)

此代码为设置DataFrame df的'gender'列赋值为一个固定列表，由于DataFrame df并没有'gender'列，所以添加这个列

打印结果：

原来的结果（意为4讲的创建一个DataFrame的结果，提供用于方便对比）

添加行

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun'],
    'age':[18,35,45],
    'occupation':['student','teacher','doctor']
})

# 添加一行
df.loc[3] = ['Xiaoqi', 20, 'student']
print(df)

功能：.loc 主要用于基于行标签或列标签进行选择和赋值。

此代码为设置DataFrame df索引值为3的行赋值为一个固定列表，由于DataFrame df并没有索引值为3的行， 所以添加这个行

打印结果：

 原来的结果（意为4讲的创建一个DataFrame的结果，提供用于方便对比）

删除数据

删除列

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun'],
    'age':[18,35,45],
    'occupation':['student','teacher','doctor']
})

# 删除一列
df.drop('occupation',axis=1,inplace=True)
print(df)

此代码将删除DataFrame df中的列'gender'。
drop方法 用于删除指定的行或列。
'gender' 指定要删除的列名。
axis=1 表示操作在列上进行。
inplace=True 表示修改原始数据框，不返回新数据框。
节省内存，避免创建额外的数据副本。
原始 DataFrame 被永久改变。

打印结果：

 原来的结果（意为4讲的创建一个DataFrame的结果，提供用于方便对比）

删除行

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun'],
    'age':[18,35,45],
    'occupation':['student','teacher','doctor']
})

# 删除一行
df.drop(1,axis=0,inplace=True)
print(df)

此代码将删除DataFrame df中索引值为1的行
1 指定要删除的对象。
axis=0 表示操作在行上进行。（默认为删除行，因此这里可以不输入）
inplace=True 表示修改原始数据框，不返回新数据框。
节省内存，避免创建额外的数据副本。
原始 DataFrame 被永久改变。

打印结果：

 原来的结果（意为4讲的创建一个DataFrame的结果，提供用于方便对比）

修改数据

修改列

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun'],
    'age':[18,35,45],
    'occupation':['student','teacher','doctor']
})

# 修改一列
df['age'] = [20,37,47]
print(df)

此代码为设置DataFrame df的'age'列赋值为一个固定列表，由于DataFrame df已经有'age'列，所以修改这个列

打印结果：

 原来的结果（意为4讲的创建一个DataFrame的结果，提供用于方便对比）

修改行

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun'],
    'age':[18,35,45],
    'occupation':['student','teacher','doctor']
})

# 修改一行
df.loc[2] = ['Xiaoqi', 20, 'student']
print(df)

功能：loc 主要用于基于行标签或列标签进行选择和赋值。

此代码为设置DataFrame df索引值为2的行赋值为一个固定列表，由于DataFrame df已经有索引值为2的行， 所以修改添加这个行

打印结果：

 原来的结果（意为4讲的创建一个DataFrame的结果，提供用于方便对比）

8.数据清洗

数据清洗（Data cleaning）是指对数据进行重新审查和校验的过程，目的是为了删除重复信息、纠正存在的错误，并提供数据的一致性。数据清洗是数据预处理的第一步，也是确保后续数据分析结果准确性的关键步骤。

代码用到：

# 处理重复数据
df.drop_duplicates(inplace=True)

# 删除缺失值
df=df.dropna()

# 填充缺失值
df=df.fillna(0)

# 计算平均值
df['mean']=df[['math','chinese','english']].mean(axis=1)

# 计算中位数
df['median']=df[['math','chinese','english']].median(axis=1)

处理重复数据

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun','Xiaoming','Xiaohong'],
    'age':[18,35,45,18,35],
    'occupation':['student','teacher','doctor','student','teacher']
})

# 处理重复数据
df.drop_duplicates(inplace=True)
print(df)

该函数用于删除Pandas DataFrame中的重复行。
drop_duplicates 方法会保留重复数据中的第一条记录，默认情况下删除其余重复项。
inplace=True 表示修改原始数据框，不返回新数据框。
节省内存，避免创建额外的数据副本。
原始 DataFrame 被永久改变。

打印结果：

处理前的结果（用于对比）

处理缺失数据

删除缺失值

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong',None,'Xiaoli','Xiaowang'],
    'age':[18,None,45,20,12],
    'occupation':['student','teacher','doctor','student',None]
})

# 删除缺失值
df=df.dropna()
print(df)

dropna()函数用于删除含有缺失值的行和列‘

打印结果：

处理前的结果（用于对比）

填充缺失值

import pandas as pd

df = pd.DataFrame({
    "name":['Xiaoming','Xiaohong','Xiaojun','Xiaoli','Xiaowang'],
    "age":[18,16,15,14,17],
    "score":[90,None,70,None,None],
})

# 填充缺失值
df=df.fillna(0)
print(df)

fillna(value)函数可以填充缺失值为value

打印结果：

处理前的结果（用于对比）

计算平均值和中位数

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun','Xiaoli','Xiaowang'],
    'math': [85, 90, 78, 92, 88],
    'chinese': [75, 80, 85, 90, 95],
    'english': [80, 85, 90, 95, 100],
    'mean':[None,None,None,None,None],
    'median':[None,None,None,None,None]
})

# 计算平均值
df['mean']=df[['math','chinese','english']].mean(axis=1)

# 计算中位数
df['median']=df[['math','chinese','english']].median(axis=1)
print(df)

Pandas 的 mean()函数用于计算 DataFrame 或 Series 中数值的平均值。
Pandas 的 median()函数用于计算 DataFrame 或 Series 中数值的中位数。
axis：指定沿着哪个轴计算。默认为 0，表示按列计算；如果设为 1，则按行计算。

打印结果

处理前的结果（用于对比）

修改数据类型

假设我们有一个表格，其中包含姓名（name）、年龄（age），但年龄列的数据是字符串（str）类型，我们需要把他修改成整数（int）类型：

import pandas as pd

df=pd.DataFrame({
    'name':['a','b','c'],
    'age':['10','20','30']
})

df['age']=df['age'].astype(int)
print(df)

astype() 是 Pandas 中的一个非常实用的方法，用于将 DataFrame 或 Series 中的数据类型转换为指定的数据类型。

如果年龄（age）列有缺失值，这时候就不能直接使用astype(int)，需要使用：

df['age']=df['age'].astype(int,errors='ignore')

errors='ignore'可以把无法转换的数据进行保留 

纠正错误数据

假设我们有一个包含学生成绩数据的 DataFrame，其中可能存在一些错误数据。我将逐步展示如何检测和纠正这些错误数据。

import pandas as pd

df = pd.DataFrame({
    'name':['Xiaoming','Xiaohong','Xiaojun','Xiaoli','Xiaowang'],
    'math': [85, 90, -3, 92, 88],
    'chinese': [75, 105, 170, 90, -5],
    'english': [80, 85, 90, 95, 102],
    'mean':[None,None,None,None,None],
    'median':[None,None,None,None,None]
})

#检测并纠正异常值(各科目分数里有哪些分数>100 or <0)
for i in ['math','chinese','english']:
    df.loc[df[i]>100,i]=100
    df.loc[df[i]<0,i]=0
print(df)

利用for循环对DataFrame df的语数英分数进行遍历，这里利用了loc方法来选取数据。loc方法可以同时选择行和列，并且允许进行更复杂的条件筛选。

在给定的代码中：
df.loc[df[i]>100, i] = 100 这一行的意思是对于列 i（这里 i 是 'math', 'chinese', 'english' 中的一个），找出所有值大于100的行，并将这些行中列 i 的值设置为100。
同样的，df.loc[df[i]<0, i] = 0 这一行是找出所有值小于0的行，并将这些行中列 i 的值设置为0。

打印结果：

处理前的结果（用于对比）

重新排序索引值

import pandas as pd

df=pd.DataFrame({
    'name':['a','b','c'],
    'age':[11,12,14],
    'score':[71,62,55]
},index=[4,5,6])

# 重置索引并忽略原来的索引值
df=df.reset_index(drop=True)
print(df)

 使用 reset_index 方法并设置 drop=True 来忽略原来的索引值。

打印结果：

处理前的结果（用于对比）

9.数据分析

数据分组

import pandas as pd

# 假设df是包含学生分数和班级信息的数据框
df=pd.DataFrame({
    'class': ['A','B','A','A','A','B','A','B','B','B'],
    'score': [90, 85, 75, 65, 95, 85, 70, 90, 80, 85]
    })

# 使用groupby()按'class'列分组，然后计算'score'的平均值,结果赋值给新的变量grouped
grouped = df.groupby('class')['score'].mean()
print(grouped)

groupby()函数 是 Pandas 中用于对数据进行分组的强大工具。它允许你按照一个或多个列的值将数据分成不同的组，并对每个组执行聚合操作。

聚合操作（Aggregation Operations）是指在数据处理和数据分析领域中，将数据集中的数据根据一个或多个字段进行分组，并对每个分组执行一个或多个统计函数的过程

grouped = df.groupby('class')：按照 class 列的值将数据分成不同的组。例如，所有 class 为 'A' 的行组成一组，所有 class 为 'B' 的行组成另一组。
['score'].mean()：对每个组中的 score 列计算平均值。

打印结果：

Name: score：
含义: 表示该 Series 对象的名称是 score。
dtype: float64：
含义: 表示该 Series 对象的数据类型是 float64，即浮点型数字。’

数据提取

import pandas as pd

df=pd.DataFrame({
    'email': ['john.doe@example.com',
        'jane.smith@company.org',
        'mike.brown@university.edu']
})

# 使用正则表达式提取用户名和域名
result = df['email'].str.extract(r'(\w+)\.(\w+)@(\w+)\.(\w+)')
print(result)
str.extract() 是一个非常强大的工具，可以用于从字符串中提取特定的子串。

(r'(\w+)\.(\w+)@(\w+)\.(\w+)')详细讲解：

第一个捕获组：(\w+)
(\w+): 捕获一个或多个字母数字字符（包括下划线）。这里的括号 () 形成一个捕获组。
例如，在 john.doe@example.com 中，这会捕获 john。

第二个捕获组：\.
\.: 匹配一个点字符 .。由于点字符在正则表达式中有特殊含义，需要用反斜杠 \ 转义。
例如，在 john.doe@example.com 中，这会匹配 .。

第三个捕获组：(\w+)
(\w+): 捕获一个或多个字母数字字符（包括下划线）。这里的括号 () 形成一个捕获组。
例如，在 john.doe@example.com 中，这会捕获 doe。

第四个捕获组：@
@: 匹配一个 @ 字符。
例如，在 john.doe@example.com 中，这会匹配 @。

第五个捕获组：(\w+)
(\w+): 捕获一个或多个字母数字字符（包括下划线）。这里的括号 () 形成一个捕获组。
例如，在 john.doe@example.com 中，这会捕获 example。

第六个捕获组：\.
\.: 匹配一个点字符 .。由于点字符在正则表达式中有特殊含义，需要用反斜杠 \ 转义。
例如，在 john.doe@example.com 中，这会匹配 .。

第七个捕获组：(\w+)
(\w+): 捕获一个或多个字母数字字符（包括下划线）。这里的括号 () 形成一个捕获组。
例如，在 john.doe@example.com 中，这会捕获 com。

(r'(\w+)\.(\w+)@(\w+)\.(\w+)')

r 前缀表示的是 原始字符串（raw string）。使用 r 前缀可以避免在字符串中转义特殊字符

为什么使用 r 前缀
在 Python 中，字符串默认会对某些字符进行转义处理。例如，\n 表示换行符，\t 表示制表符。然而，在正则表达式中，这些转义字符本身具有特殊的含义。如果不使用 r 前缀，就需要多次转义这些特殊字符，这会使正则表达式变得复杂且难以阅读。

打印结果：

如果觉得复杂只想提取完整的用户名和域名的话，可以这样

# 使用正则表达式提取完整的用户名和域名
result = df['email'].str.extract(r'(\w+\.\w+)@(\w+\.\w+)')
print(result)

数据合并

import pandas as pd

df=pd.DataFrame({
    'name':['a','b','c'],
    'age':[11,12,14],
    'score':[71,62,55]
})

df2=pd.DataFrame({
    'name':['d','e','f'],
    'age':[13,16,12],
    'score':[44,85,76]
})

# 合并
All_df=pd.concat([df,df2])
print(All_df)

可以使用concat()函数将数据合并，这里将df与df2合并在一起并赋值给All_df。

打印结果：


可以在concat()函数里加上ignore_index=True把索引值重新排序

# 合并
All_df=pd.concat([df,df2],ignore_index=True)
print(All_df)

打印结果：

总结

对于Pandas库我是一位初学者，把学习过程记录在这篇文章上，希望这篇文章对你有帮助！如有不足的地方可以在评论区补充

Salt327
关注
pandas介绍——基础操作（9）
王伟健的博客
07-10 608
大家好，这次继续python另外一个包的学习~pandas1.pandas Series操作首先让我们重新在jupyter notebook中导入各种包import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns这里简单提一下，matplotlib和seaborn两个包都是我...
pandas的基本操作（一）
qq_40575024的博客
04-27 1819
pandas的基本操作（一）1.pandas的基本数据结构2.Series的数据结构3.DataFrame数据结构4. 文件读取函数 1.pandas的基本数据结构 目前，pandas的基本数据结构有3种，Series,DataFrame和Pandel。要想熟练使用Pandas,这三种数据结构一定要牢记于心。其中DataFrame使用频率最高。 数据结构 维度 轴标签 Series...
pandas基础操作
qq_45011164的博客
10-06 2797
Series 1.Series的创建 1.由列表或numpy数组创建 2.由字典创建 2.Series的常用属性以及常用方法 1.Series的常用属性 2.Series的常用方法 2.DataFrame 1.DataFrame的创建 1.ndarray创建 2.字典创建 2.DataFrame的属性 3.DataFrame的索引和切片操作 1.DataFrame的索引操作 2.DataFrame的切片操作 3.DataFrame的算术运算 4.时间数据类型的转换
三大库之Pandas库
2301_77288895的博客
04-04 1190
Pandas 的出现使得 Python 做数据分析的能力得到了大幅度提升，它主要实现了数据分析的五个重要环节：加载数据、整理数据、操作数据、构建数据模型、分析数据。通过drop方法删除 DataFrame 中的数据，默认情况下，drop() 不会修改原 DataFrame，而是返回一个新的 DataFrame。您可以使用行索引标签，从 DataFrame 中删除某一行数据。：要删除的行或列的标签。切片获取行和通过iloc方法获取行从结果上没有区别，切片是基于位置的切片操作，iloc是基于位置的索引操作。
【Python基础】pandas 使用指南（超详细！）
热门推荐
你一定能够成为你想要去成为的人。
02-04 1万+
pandas指南 学习目的： 掌握pandas中series与dataframe pandas数据清洗 使用pandas进行数据基本统计 时间序列分析 数据分析常用方法 1 Pandas基础 pandas是python中数据分析核心库，能够快速，灵活的对大量数据进行分析，是Python进行数据分析的必要利器； pandas支持多种数据导入，支持数据合并，拆分，基本统计，时间序列分析，透视表等多种操作； 1.1 Series数据结构 Series：一维的带索引数据结构(单列) Series类： pd
Pandas基本操作教程
qq_43283527的博客
09-29 1万+
导入数据 df= pd.read_csv( #该参数是数据在电脑里的路径，可以不填 filepath_or_buffer = r&quot;c:\Users\win 10\Desktop\sz000002.csv&quot;, #该参数代表数据的分隔符，csv文件默认为逗号，其他常见的&quot;\t&quot; sep= ',', #该参数代表跳过数据文件的第一行不读 skiprows ....................
pandas基本操作
qq_36407774的博客
10-26 699
1、删除某一列 df_color = df_color.drop(‘12345颜’,axis=1) 2、使用merge,根据多个条件进行合并 df_taskinfo_color = df_taskinfo.merge(df_color,how=‘left’,on=[‘a’,‘b’,‘c’,‘d’]) 3、读取文件时只选择某几列 data = pd.read_csv(‘data.csv’,usecols=[0,1,2]) 更改某列的名称 df_find = pd.concat([df_find1,df_fin
pandas的基本操作
taoxing
01-29 352
一.准备 准备工作：我们需要装好pandas库，然后引入它，一般简写为pd import pandas as pd 二.基本操作 1）生成一个表格 方法一：pd.DataFrame() #三个参数，第一个为填入的值，第二个index为表格的行标，第三个columns为表格的列标。第二三个参数如果不填则默认从0开始一直排下去。 #方法一直接使用np df = pd.DataFrame(np.arange(12).reshape((3,4)),columns=['a','b','c','d']) #i
Pandas入门（一）—基本操作
九天狂狼的博客
08-26 451
                                               Pandas入门（一）—基本操作 Pandas是Python的一个数据分析常用库，以下是学习和使用Pandas的过程中积累的一些常用方法和基本操作。 1.读取CSV文件： pd.read_csv("文件路径名") 2.读取Excel文件： pd.read_excel("文件路径名") 3....
pandas操作
qiao8756的博客
06-06 490
带有重复值的轴索引：    obj = Series(range(5), index=['a', 'a', 'b', 'c']) obj.index.is_unique # 判断索引是否唯一，返回bool值 对于含有多个索引，在选取数据时，如果某个索引对应多个值，返回一个Series, 而对应单个值得，返回一个标量值。    对于  DataFrame对象与Series方法相似，选个单个唯一索引...
数据分析Pandas库基本操作详解：涵盖数据结构、导入导出、查看清洗及统计分析方法
最新发布
04-07
内容概要：本文详细介绍了 Pandas 库的基本操作，涵盖数据结构、数据导入与导出、数据查看与基本操作、数据清洗、数据排序与统计分析等方面。Pandas 是 Python 中用于数据处理和分析的重要工具，提供了 DataFrame 和...
Python使用Pandas库常见操作详解
12-23
对于数据分析初学者或专业人士来说，掌握Pandas库的操作对于提升工作效率至关重要。在实际应用中，结合NumPy、SciPy和Matplotlib等库，Pandas能够完成复杂的数据预处理和初步分析任务，是Python数据分析生态中的重要...
pandas库学习报告.docx
04-11
### pandas库学习报告 #### 一、pandas简介 pandas 是一个强大的 Python 库，专为数据分析设计。它建立在 NumPy 基础之上，提供了一系列高级数据结构和数据分析工具，使得处理数据变得更加简单高效。pandas 的核心...
Python Pandas库基础操作与数据结构详解
Python使用Pandas库进行数据分析是许多领域中的关键工具，它提供了高效且易于理解的数据结构来处理结构化数据。Pandas的核心数据类型包括Series和DataFrame，它们分别是基于一维和二维数组的数据容器。 1. **Pandas...
Python数据分析：pandas库基础操作与入门教程
"这个资源是一个关于Python数据处理库pandas的入门教程，介绍了pandas的基本操作和核心数据结构。pandas是Python中用于数据分析的重要工具，提供了快速、灵活且富有表现力的数据结构，如Series和DataFrame，适用于...
1.7学习计划
hap2y的博客
01-07 223
世界会向那些有目标和远见的人让路。 1、任务计划    （1）买票票    （2）复习计算机软件技术基础。 2、计划完成度    （1）算是可以回家啦    （2）下午把第二章讲的算法的分析仔细的学了一下。看书、看ppt、写草稿、记重点。比如计算时间空间复杂度、空间复杂度一类的。     看了一下老师留的练习题目，还有打印的资料。
Pandas 基本操作
weixin_46297209的博客
12-29 573
Pandas基本操作 简介 表格数据操作（增删改查） 实现多个表格的处理 数据清洗操作：缺失值，重复值，异常值，数据标准化，数据转化的操作 实现excel的特殊操作：生成透视表，交叉表 完成统计分析 一：构建dataframe dataframe同时拥有行索引和列索引，所以它是二维的 导入模块 import pandas as pd 构建dataframe方法一 columns：列索引 index：行索引，可以不写，会自动以数字补全 data：表格中的值 df1 = pd.DataFrame(data
Pandas库的基本使用方法
qq_54423921的博客
07-30 1818
参考文章https//book.douban.com/subject/35066598/
【pandas入门】pandas的基本操作
夜深人静后的码农
06-03 601
学习目标： 1、熟悉pandas工具的一些基本概念，了解DataFrame和Series数据结构 2、基于DataFrame 和 Series数据结构操作数据 3、 导入CSV到pandas的DataFrame数据结构 4、利用函数reindex将pandas里面的数据进行随机打乱 一、基本概念： 基本环境和代码在我的github进行下载,第一课Github链接 Dat...
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