pandas系列学习(七):数据透视表

Pandas-数据透视表 数据透视表(Pivot Table)是一种交互式的表,可以进行某些计算,如求和与计数等。所进行的计算与数据跟数据透视表中的排列有关。之所以称为数据透视表,是因为可以动态地改变它们的版面布置,以便按照不同方式分析数据,也可以重新安排行号、列标和页字段。每一次改变版面布置时,数据透视表会立即按照新的布置重新计算数据。另外,如果原始数据发生更改,则可以更新数据透视表。在使用Excel做数据分析时,透视表是很常用的功能,Pandas也提供了透视表功能,对应的API为pivot_table。 阅读详情
AI摘要

本文深入探讨Pandas库中的数据透视表功能pivot_table,通过实际案例讲解如何使用该功能进行数据分析,包括设置索引、列、聚合函数、填充缺失值等操作。

作者:chen_h
微信号 & QQ:862251340
微信公众号:coderpai


pandas系列学习(一):pandas入门

pandas系列学习(二):Series

pandas系列学习(三):DataFrame

pandas系列学习(四):数据提取

pandas系列学习(五):数据连接

pandas系列学习(六):数据聚合

pandas系列学习(七):数据透视表


介绍

大多数人可能都有使用 Excel 中的数据透视表的经验。 pandas 提供了一个类似的功能,称为 pivot_table。虽然它非常有用,但我经常发现自己很难记住如何使用语法格式化输出以满足我的需求。本文将重点介绍 pandas pivot_table 函数以及如何将其用于数据分析。

作为一个额外的奖励,我创建了一个简单的备忘录,总结了 pivot_table 。你可以在这篇文章的最后找到它,我希望它是一个有用的参考。

数据

使用 pandas 的 pivot_table 的一个挑战是确保你了解你的数据以及你尝试使用数据透视表来处理问题。这是一个看似简单的功能,但可以非常快速的产生非常强大的分析。

在这种情况下,我将跟踪销售渠道(也称为渠道)。基本问题是一些销售周期很长,管理层希望全年更详细的了解它。

典型问题包括:

  • 管道中有多少收入?
  • 什么产品正在筹备中?
  • 谁在什么阶段有什么产品?
  • 我们有多大可能在年底前完成交易?

许多公司将拥有销售用于跟踪流程的 CRM 工具或其他软件。虽然他们可能有分析数据的有用工具,但不可避免的有人会将数据导出到 Excel 并使用数据透视表来汇总数据。

使用 padnas 的数据透视表可能是一个很好的选择,因为它是:

  • 更快(一旦设置)
  • 自我记录(查看代码,你知道它做了什么)
  • 易于使用生成报告或者电子邮件
  • 更灵活,因为你可以定义客户关心的内容

读入数据

让我们先建立我们的环境,数据你可以点击这个下载。然后将我们的销售数据读入 DataFrame ,如下:

import pandas as pd
import numpy as np

df = pd.read_excel("./sales-funnel.xlsx")
df.head()
AccountNameRepManagerProductQuantityPriceStatus
0714466Trantow-BarrowsCraig BookerDebra HenleyCPU130000presented
1714466Trantow-BarrowsCraig BookerDebra HenleySoftware110000presented
2714466Trantow-BarrowsCraig BookerDebra HenleyMaintenance25000pending
3737550Fritsch, Russel and AndersonCraig BookerDebra HenleyCPU135000declined
4146832Kiehn-SpinkaDaniel HiltonDebra HenleyCPU265000won

为了方便起见,我们将状态列定义为类别并设置我们要查看的顺序。

这不是严格要求的,但可以帮助我们在分析数据时保持我们想要的顺序。

df["Status"] = df["Status"].astype("category")
df["Status"].cat.set_categories(["won","pending","presented","declined"],inplace=True)

透视数据

在我们构建数据透视表时,我认为最简单的方法就是一步一步。添加项目并检查每个步骤以验证你是否获得了预期的结果。不要害怕使用订单和变量来查看哪些需求。

最简单的数据透视表必须具有数据框和索引。在这种情况下,让我们使用 Name 作为索引。

pd.pivot_table(df,index=["Name"])
AccountPriceQuantity
Name
Barton LLC740150.035000.01.000000
Fritsch, Russel and Anderson737550.035000.01.000000
Herman LLC141962.065000.02.000000
Jerde-Hilpert412290.05000.02.000000
Kassulke, Ondricka and Metz307599.07000.03.000000
Keeling LLC688981.0100000.05.000000
Kiehn-Spinka146832.065000.02.000000
Koepp Ltd729833.035000.02.000000
Kulas Inc218895.025000.01.500000
Purdy-Kunde163416.030000.01.000000
Stokes LLC239344.07500.01.000000
Trantow-Barrows714466.015000.01.333333

你也可以拥有多个索引。是加上,大多数的 pivot_table args 都可以通过列表获取多个值。

pd.pivot_table(df,index=["Name","Rep","Manager"])
AccountPriceQuantity
NameRepManager
Barton LLCJohn SmithDebra Henley740150.035000.01.000000
Fritsch, Russel and AndersonCraig BookerDebra Henley737550.035000.01.000000
Herman LLCCedric MossFred Anderson141962.065000.02.000000
Jerde-HilpertJohn SmithDebra Henley412290.05000.02.000000
Kassulke, Ondricka and MetzWendy YuleFred Anderson307599.07000.03.000000
Keeling LLCWendy YuleFred Anderson688981.0100000.05.000000
Kiehn-SpinkaDaniel HiltonDebra Henley146832.065000.02.000000
Koepp LtdWendy YuleFred Anderson729833.035000.02.000000
Kulas IncDaniel HiltonDebra Henley218895.025000.01.500000
Purdy-KundeCedric MossFred Anderson163416.030000.01.000000
Stokes LLCCedric MossFred Anderson239344.07500.01.000000
Trantow-BarrowsCraig BookerDebra Henley714466.015000.01.333333

这很有趣但不是特别有用。我们可能想要做的是通过 Manager 和 Rep 查看。通过更改索引可以轻松完成。

pd.pivot_table(df,index=["Manager","Rep"])
AccountPriceQuantity
ManagerRep
Debra HenleyCraig Booker720237.020000.0000001.250000
Daniel Hilton194874.038333.3333331.666667
John Smith576220.020000.0000001.500000
Fred AndersonCedric Moss196016.527500.0000001.250000
Wendy Yule614061.544250.0000003.000000

你可以看到数据透视表非常智能,可以通过将 reps 与 manager 分组来开始汇总数据并对其进行汇总。现在我们开始了解数据透视表可以为我们做些什么。

为此,“账户” 和 “数量” 列不真正有用。让我们通过使用 values 字段显式定义我们关心的列来删除它。

pd.pivot_table(df,index=["Manager","Rep"],values=["Price"])
Price
ManagerRep
Debra HenleyCraig Booker20000.000000
Daniel Hilton38333.333333
John Smith20000.000000
Fred AndersonCedric Moss27500.000000
Wendy Yule44250.000000

价格列自动平均数据,但我们可以进行计数或者总和。使用 aggfunc 和 np.sum 添加它们很简单。

pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],aggfunc=np.sum)
Price
ManagerRep
Debra HenleyCraig Booker80000
Daniel Hilton115000
John Smith40000
Fred AndersonCedric Moss110000
Wendy Yule177000

aggfunc 可以获取一系列函数。让我们尝试使用 np.mean 函数和 len 来计算。

pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],aggfunc=[np.mean,len])
meanlen
PricePrice
ManagerRep
Debra HenleyCraig Booker20000.0000004
Daniel Hilton38333.3333333
John Smith20000.0000002
Fred AndersonCedric Moss27500.0000004
Wendy Yule44250.0000004

如果我们想要查看按产品细分的销售额,则 columns 变量允许我们定义一个或者多格列。

我认为 pivot_table 的一个令人困惑的问题是使用列和值。请记住,列是可选的 —— 它们提供了一种额外的方法来细分你关心的实际值。聚合函数将应用于你列出的值。

pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],
               columns=["Product"],aggfunc=[np.sum])
sum
Price
ProductCPUMaintenanceMonitorSoftware
ManagerRep
Debra HenleyCraig Booker65000.05000.0NaN10000.0
Daniel Hilton105000.0NaNNaN10000.0
John Smith35000.05000.0NaNNaN
Fred AndersonCedric Moss95000.05000.0NaN10000.0
Wendy Yule165000.07000.05000.0NaN

NaN 有点让人抓狂。如果我们想要删除它们,我们可以使用 fill_value 将它们设置为 0 。

pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],
               columns=["Product"],aggfunc=[np.sum],fill_value=0)
sum
Price
ProductCPUMaintenanceMonitorSoftware
ManagerRep
Debra HenleyCraig Booker650005000010000
Daniel Hilton1050000010000
John Smith35000500000
Fred AndersonCedric Moss950005000010000
Wendy Yule165000700050000

我认为添加数量列也是非常有用的,将数量添加到值列表中。

pd.pivot_table(df,index=["Manager","Rep"],values=["Price","Quantity"],
               columns=["Product"],aggfunc=[np.sum],fill_value=0)
sum
PriceQuantity
ProductCPUMaintenanceMonitorSoftwareCPUMaintenanceMonitorSoftware
ManagerRep
Debra HenleyCraig Booker6500050000100002201
Daniel Hilton10500000100004001
John Smith350005000001200
Fred AndersonCedric Moss9500050000100003101
Wendy Yule1650007000500007320

有趣的是,你可以将项目移动到索引以获得不同的可视化结果。从列中删除产品并添加都索引中。

pd.pivot_table(df,index=["Manager","Rep","Product"],
               values=["Price","Quantity"],aggfunc=[np.sum],fill_value=0)
sum
PriceQuantity
ManagerRepProduct
Debra HenleyCraig BookerCPU650002
Maintenance50002
Software100001
Daniel HiltonCPU1050004
Software100001
John SmithCPU350001
Maintenance50002
Fred AndersonCedric MossCPU950003
Maintenance50001
Software100001
Wendy YuleCPU1650007
Maintenance70003
Monitor50002

对于此数据集,此表示更有意义。现在,如果我想看一些总数怎么办?marginins = True 可以帮助我们实现。

pd.pivot_table(df,index=["Manager","Rep","Product"],
               values=["Price","Quantity"],
               aggfunc=[np.sum,np.mean],fill_value=0,margins=True)
summean
PriceQuantityPriceQuantity
ManagerRepProduct
Debra HenleyCraig BookerCPU650002325001.000000
Maintenance5000250002.000000
Software100001100001.000000
Daniel HiltonCPU1050004525002.000000
Software100001100001.000000
John SmithCPU350001350001.000000
Maintenance5000250002.000000
Fred AndersonCedric MossCPU950003475001.500000
Maintenance5000150001.000000
Software100001100001.000000
Wendy YuleCPU1650007825003.500000
Maintenance7000370003.000000
Monitor5000250002.000000
All52200030307051.764706

让我们将分析提升到一个水平,并在 manager 级别查看我们的数据管道。请注意如何根据我们之前的类别定义对状态进行排序。

pd.pivot_table(df,index=["Manager","Status"],values=["Price"],
               aggfunc=[np.sum],fill_value=0,margins=True)
sum
Price
ManagerStatus
Debra Henleywon65000
pending50000
presented50000
declined70000
Fred Andersonwon172000
pending5000
presented45000
declined65000
All522000

一个非常方便的功能是能够将字典传递给 aggfunc,因此你可以对你选择的每个值执行不同的功能。这具有使标签更清洁的作用。

pd.pivot_table(df,index=["Manager","Status"],columns=["Product"],values=["Quantity","Price"],
               aggfunc={"Quantity":len,"Price":np.sum},fill_value=0)
PriceQuantity
ProductCPUMaintenanceMonitorSoftwareCPUMaintenanceMonitorSoftware
ManagerStatus
Debra Henleywon650000001000
pending4000010000001200
presented3000000200001002
declined700000002000
Fred Andersonwon1650007000002100
pending05000000100
presented3000005000100001011
declined650000001000

你也可以提供要应用于每个值的聚合函数列表:

table = pd.pivot_table(df,index=["Manager","Status"],columns=["Product"],values=["Quantity","Price"],
               aggfunc={"Quantity":len,"Price":[np.sum,np.mean]},fill_value=0)
table
PriceQuantity
meansumlen
ProductCPUMaintenanceMonitorSoftwareCPUMaintenanceMonitorSoftwareCPUMaintenanceMonitorSoftware
ManagerStatus
Debra Henleywon65000000650000001000
pending400005000004000010000001200
presented3000000100003000000200001002
declined35000000700000002000
Fred Andersonwon825007000001650007000002100
pending050000005000000100
presented3000005000100003000005000100001011
declined65000000650000001000

尝试将这一切全部拉到一起可能看起来非常疯狂,但是一旦你开始玩数据并慢慢添加项目,你就可以了解它是如何工作的。我的一般经验法则是,一旦你使用多个 group,你应该评估一个数据透视表是否是一个有用的方法。

高级数据透视表过滤

生成数据后,它就位于 DataFrame 中,因此你可以使用标准 DataFrame 函数对其进行过滤。

如果你只想看一个 manager:

table.query('Manager == ["Debra Henley"]')
PriceQuantity
meansumlen
ProductCPUMaintenanceMonitorSoftwareCPUMaintenanceMonitorSoftwareCPUMaintenanceMonitorSoftware
ManagerStatus
Debra Henleywon65000000650000001000
pending400005000004000010000001200
presented3000000100003000000200001002
declined35000000700000002000

我们可以查看所有待处理和赢得的交易。

table.query('Status == ["pending","won"]')
PriceQuantity
meansumlen
ProductCPUMaintenanceMonitorSoftwareCPUMaintenanceMonitorSoftwareCPUMaintenanceMonitorSoftware
ManagerStatus
Debra Henleywon65000000650000001000
pending400005000004000010000001200
Fred Andersonwon825007000001650007000002100
pending050000005000000100

这是 pivot_table 的强大功能,所以一旦你将数据转换为你需要的 pivot_table 格式,请不要忘记你拥有一个强大的功能。

为了总结所有这些,我创建了一个被王丹,希望能帮助你记住 pandas pivot_table 的使用方法,如下:

在这里插入图片描述

【python数据分析基础】—pandas透视表和交叉表 透视表是excel和其他数据分析软件中一种常见的数据汇总工具。它是根据一个或多个键对数据进行聚合,并根据行和列上的分组键将数据分配到各个矩形区域中。 阅读详情

相关推荐

使用Pandas 玩转透视表(pivot_table)

记住,变量“columns(列)”是可选的,它提供一种额外的方法来分割你所关心的实际值。也许,同一时间将这些东西全都放在一起会有点令人望而生畏,但是一旦你开始处理这些数据,并一步一步地添加新项目,你将能够领略到它是如何工作的。使用pandas中pivot_table的一个挑战是,你需要确保你理解你的数据,并清楚地知道你想通过透视表解决什么问题。这是pivot_table中一个很强大的特性,所以一旦你得到了你所需要的pivot_table格式的数据,就不要忘了此时你就拥有了pandas的强大威力。

白话机器学习 1463

python入门——Pandas透视表(pivot_table)

透视表是一种可以对数据动态排布并且分类汇总的表格格式。pivot_table是pandas中数据透视表的函数。本文简单实践一下pivot_table()函数的使用。

weixin_49249463的博客 2万+

pandas 数据透视表

使用函数 pivot_table( )

2401_84378523的博客 736

pd.pivot_table(数据透视表)

是Pandas库中的一个函数,它可以创建一个电子表格风格的数据透视表。这个函数非常强大,可以对数据进行多层次的分析。

整理做过的题目,不然就要忘记了! 2061

Python Pandas 高级数据操作 数据透视表

可以使用自定义函数来执行更复杂的聚合操作。通常通过 groupby 方法结合 apply 函数来实现。apply 函数可以对分组数据应用任意函数,从而实现灵活的数据处理。需要定义一个自定义函数,该函数将对分组的数据进行操作。这个函数可以执行任何计算,从简单的数学运算到复杂的逻辑。可以使用 groupby 方法对数据进行分组,并使用 apply 方法应用自定义函数。Python pandas.DataFrame.pivot_table函数方法的使用。

weixin_42098295的博客 1494

excel数据透视表与python中pandas使用pivot

文章目录Excel数据透视表操作数据透视表基本原理python中使用pandas的pivot函数 数据透视表是数据分析时的大招,可快速分类统计需要二次加工的信息,并生成相应的统计结果。下面通过一个实例直观体验一下。 Excel数据透视表操作 现在我们需要统计一个销售数据,想直到每种产品类别每个月的销售额是多少: 当然,我们可以采用筛选的方法,逐一筛选出每个产品类型的数据并进行求和,然而这种操作可能...

烂笔头 2224

数据透视表:Excel 和 Pandas 的用法及案例

用户界面Excel:图形用户界面,适合非编程用户。Pandas:基于代码,适合编程用户,灵活性更高。数据处理能力Excel:适合中小型数据集。Pandas:适合大型数据集,性能更好。可重复性和自动化Excel:手动操作,难以自动化。Pandas:代码可重复使用,容易自动化。

xinlinliu 1370

Pandas高级操作:多级索引、窗口函数、数据透视表等

在数据处理和分析中,pandas库提供了强大的功能,支持从简单到复杂的数据操作。本文将介绍一些pandas的高级操作,包括多级索引(MultiIndex)、窗口函数(Window Functions)、数据透视表与复杂聚合、数据合并与连接、高级数据变换以及时间序列数据的高级处理。

William数据分析的博客 2030

Pandas数据处理之数据透视表

3.10 数据透视表   数据透视表(pivot table) 是一种类似GroupBy的操作方法,常见于Excel中。数据透视表将每一列数据作为输入,输出将数据不断细分为多个维度累计信息的二维数据表。 3.10.1 演示数据透视表   示例将采用泰坦尼克号的乘客信息数据库来演示,可以在Seaborn程序库获取: In [1]: import numpy as np import pandas...

初一的博客 8014

Pandas_数据透视表与交叉表

数据透视表 pivot_table() pivot_table(self, values=None, index=None, columns=None,aggfunc='mean', fill_value=None, margins=False,dropna=True, margins_name='All'): ''' values:需要聚合的列名,默认所有数值的列 index:在结果...

rookie_is_me的博客 957

Costas环参数调优指南:QPSK载波同步中的环路滤波器设计技巧

本文深入解析QPSK载波同步中Costas环的参数调优,特别是环路滤波器的设计技巧。通过分析星座图异常现象,提供从理论计算到MATLAB仿真的实战调优指南,涵盖环路带宽、阻尼系数等关键参数在不同信噪比场景下的选择策略,旨在解决载波同步失锁、性能下降等工程难题。

weixin_29035147的博客 551

对比excel,学习pandas数据透视表

1、excel中做数据透视表 1)步骤如下 ① 选中整个数据源; ② 依次点击“插入”—“数据透视表” ③ 选择在Excel中的哪个位置,插入数据透视表 ④ 然后根据实际需求,从不同维度展示结果 ⑤ 结果如下 2、pandas中使用pivot_table()做数据透视表 1)语法格式 pd.pivot_table(data,index=None,columns=None, ...

数据分析与统计学之美 1926

别再死磕SPWM了!手把手教你用STM32实现SVPWM驱动PMSM电机(附代码)

本文详细介绍了如何使用STM32实现SVPWM驱动PMSM电机,对比传统SPWM方案,SVPWM在电压利用率、电流THD、转矩脉动和稳态温升等方面均有显著提升。通过克拉克变换优化、扇区快速判断和矢量作用时间补偿等核心算法,结合STM32硬件加速技巧,实现高效电机控制。附代码示例,助力开发者快速掌握SVPWM技术。

weixin_28733777的博客 275

利用excel与Pandas完成实现数据透视表

数据透视表是一种分类汇总数据的方法。本文章将会介绍如何用Pandas完成数据透视表的制作和常用操作。

2401_86168842的博客 1159

从理论到实践:Zemax驱动下的离轴三反光学系统全流程构建

本文详细阐述了从理论推导到软件实现的离轴三反光学系统全流程设计方法。文章首先分析了离轴三反系统在空间遥感等领域的优势,然后手把手指导如何基于像差理论计算共轴三反的初始结构参数,包括曲率半径与圆锥系数。最后,重点介绍了在Zemax中完成从共轴建模、视场离轴设置到优化与性能评估的完整实战步骤,为光学工程师提供了宝贵的经验与避坑指南。

weixin_29205061的博客 240

华为OD机考双机位C卷 - 朋友圈个数(Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 朋友圈个数(OD上机考试双机位C卷)。提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。

算法大师! 695

【数据处理包Pandas】数据透视表

本文讲解数据处理包Pandas,围绕数据透视表的基本方法。

Morse_Chen的博客 2004

11.Pandas数据透视表

文章目录Pandas数据透视表准备工作什么是数据透视表手工制作一张数据透视表数据透视表语法多维数据透视表数据透视表的其他选项value参数aggfunc参数margin参数margins_name参数泰坦尼克号生还率分析整体情况男女船舱登记生还率排除异常美国人生日分析整体情况每年的人口出生情况创建日期索引不同年代的星期日均出生数各年份平均每天的出生数 Pandas数据透视表 前面我们讲解了Pandas的GroupBy对象,并且结合行星的例子讲解了Groupby是如何探索数据集内部的关联性了 数据透视表(pi

鸿神的博客 1243

一文读懂OpenClaw:核心组件与工作原理深度解析

Agent核心:负责理解意图、规划任务、协调执行消息系统:统一的消息格式,实现组件间解耦工具注册表:可扩展的工具系统,支持自定义工具模型适配层:多模型支持,统一API接口安全机制:沙箱隔离、权限确认、操作审计性能优化:并行执行、智能缓存、增量更新理解这些核心组件和工作原理,将帮助你更好地使用OpenClaw,也为后续开发自定义扩展打下坚实基础。在下一篇文章中,我们将详细介绍OpenClaw的界面操作,包括命令行与交互模式的各种技巧。

gaoxiang_120的专栏 833

第 5 篇:责任链模式 (Chain of Responsibility) —— 协议栈的流水线

本文介绍了责任链模式在嵌入式通信协议解析中的应用。针对传统"面条式"代码维护困难的问题,提出将各协议解析器解耦为独立处理单元,通过链表形式串联。文章详细展示了模式实现:定义抽象处理者接口、实现具体协议处理器、构建链表管理器。该方案具有内存占用低(O(1)栈空间)、可动态扩展、支持优先级调整等优势,并探讨了性能优化策略及动态插件系统等扩展应用,为嵌入式通信协议处理提供了清晰的架构方案。

一路往蓝-Anbo 的博客 180

Pandas数据框:数据透视表与分组

1.背景介绍 1. 背景介绍 Pandas数据框是Python中最流行的数据分析库之一,它提供了强大的数据结构和功能,使得数据分析变得简单而高效。数据透视表和分组是Pandas数据框中两个非常重要的功能之一,它们可以帮助我们对数据进行聚合和分析。 在本文中,我们将深入探讨数据透视表和分组的概念、原理和应用,并通过实例来展示如何使用这些功能来解决实际问题。 2. 核心概念与联系 2.1 数...

AI天才研究院 1125

7.工具高级参数—CogPMAlignTool

CogPMAlign工具是用于图像模式匹配的视觉检测工具,主要包含训练参数和运行参数两类设置。训练参数包括弹性参数(处理图像非线性变形,建议不超过8像素)和特征粒度限制(控制边缘点密度)。运行参数涉及对比度阈值(影响特征点识别)、自动边缘阈值、接受阈值(0-1.0分值判定匹配有效性)和XY重叠(过滤重叠结果)等关键设置。该工具通过PatMax/PatQuick算法实现模板匹配,匹配分数0-1.0反映匹配度,受模板形状匹配度、自由度、特征缺失等因素影响。通过合理配置参数,可在执行速度和匹配精度间取得平衡,最高

937
上一篇: pandas系列学习(六):数据聚合
下一篇: 回归模型的不稳定性
coderpai
博客等级 码龄10年 1082粉丝 469原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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