【特征选择】相关系数法

机器学习-特征中的相关性及相关系数、卡方检验、互信息 过滤式方法先按照某种规则对数据集进行特征选择,然后再训练学习器,特征选择过程与后续学习器无关,这相当于先用特征选择过程对初始特征进行“过滤”,再用过滤后的特征来训练模型。相关系数法、卡方检验法和互信息法是进行特征选择时常用的几种过滤式方法。 变量之间的关系 变量之间的关系可分为两类: (1)存在完全确定的关系——称为函数关系,即Y=2X+3; (2)不存在完全确定的关系——虽然变量间有着十分密切的关系,但是不能由一个或多各变量值精确地求出另一个变量的值,称为相关关系,存在相关关系... 阅读详情

特征选择最常用:相关系数法|原理+代码+可视化全攻略

相关系数法是机器学习中最简单、最直观、最常用的特征选择方法之一,专门用来删除高度冗余、信息重复的特征。它只看特征之间的线性相关程度,计算快、易解释,是数据预处理必学技能。


一、什么是相关系数法?一句话看懂

相关系数法 = 计算特征之间的相关性 → 删掉高度重复的特征,只留一个。

核心思想:

  • 如果两个特征非常像(相关系数接近 1 或 -1)
  • 它们就是重复信息
  • 只留一个,删掉另一个,减少冗余、提速、防过拟合

二、最通俗的比喻:删双胞胎

你有10个特征:

  • 面积、房间数、房龄、位置、距离市中心…

如果“面积”和“房间数”几乎总是一起变大变小,像双胞胎,信息几乎一样。
相关系数法就是:删掉一个双胞胎,留一个就行。


三、皮尔逊相关系数(最核心)

用来衡量两个连续变量的线性关系强弱。

公式(看懂就行):
r=∑(Xi−Xˉ)(Yi−Yˉ)∑(Xi−Xˉ)2∑(Yi−Yˉ)2 r=\frac{\sum\left(X_{i}-\bar{X}\right)\left(Y_{i}-\bar{Y}\right)}{\sqrt{\sum\left(X_{i}-\bar{X}\right)^{2} \sum\left(Y_{i}-\bar{Y}\right)^{2}}} r=∑(Xi​−Xˉ)2∑(Yi​−Yˉ)2​∑(Xi​−Xˉ)(Yi​−Yˉ)​

取值范围:-1 ~ +1

  • r ≈ 1:强正相关(一起变大)
  • r ≈ -1:强负相关(你大我小)
  • r ≈ 0:几乎没关系

四、相关系数法怎么做?(4步流程)

  1. 计算所有特征两两之间的相关系数
  2. 画热力图,一眼看出谁和谁高度相关
  3. 设定阈值(常用 0.8 / 0.9)
  4. 超过阈值 → 删掉其中一个特征

五、为什么要用相关系数法?(4大好处)

  1. 超级简单:会看热力图就会用
  2. 计算飞快:不训练模型,直接统计
  3. 删除冗余:减少重复信息,模型更稳
  4. 防过拟合:特征越少,模型越不容易乱学

六、Python 完整实战(房价预测)

直接复制可运行!

1. 导入库

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression, Lasso
from sklearn.metrics import mean_squared_error, r2_score

2. 生成模拟房价数据

np.random.seed(42)
n = 1000

area = np.random.normal(1500, 500, n)
rooms = np.random.normal(4, 1, n)
age = np.random.normal(20, 10, n)
location = np.random.choice([1,2,3,4], n)
distance = np.random.normal(5, 2, n)

# 目标:房价
price = 20000 + 100*area + 2000*rooms - 500*age - 3000*distance + np.random.normal(0,5000,n)

df = pd.DataFrame({
    'Area': area,
    'Rooms': rooms,
    'Age': age,
    'Location': location,
    'Distance_to_Center': distance,
    'Price': price
})

df.head()

3. 计算相关矩阵 + 热力图(关键)

# 计算相关系数
corr = df.corr()

# 画热力图
plt.figure(figsize=(10,8))
sns.heatmap(corr, annot=True, cmap='coolwarm', fmt='.2f', linewidths=0.5)
plt.title('特征相关系数热力图', fontsize=14)
plt.show()

看图就能直接删特征!


七、开始特征选择(删冗余)

# 设定阈值:超过0.8就算高度相关
threshold = 0.8

# 找出高度相关的特征对
high_corr = []
for i in range(len(corr.columns)):
    for j in range(i):
        if abs(corr.iloc[i, j]) > threshold:
            high_corr.append((corr.columns[i], corr.columns[j], corr.iloc[i, j]))

print("高度相关特征对:")
for item in high_corr:
    print(item)

假设我们发现 Area 和 Rooms 高度相关,我们删除 Rooms。

# 最终选择的特征
selected = ['Area', 'Age', 'Location', 'Distance_to_Center']

X = df[selected]
y = df['Price']

八、建模看看效果(筛选前后对比)

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 线性回归
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

print('===== 模型效果 =====')
print('MSE:', mean_squared_error(y_test, y_pred).round(2))
print('R2:', r2_score(y_test, y_pred).round(2))

可视化:真实值 vs 预测值

plt.figure(figsize=(10,6))
sns.scatterplot(x=y_test, y=y_pred, alpha=0.7)
plt.plot([y.min(), y.max()], [y.min(), y.max()], 'r--')
plt.title('真实价格 vs 预测价格')
plt.xlabel('真实')
plt.ylabel('预测')
plt.show()

九、相关系数法的优点

  1. 简单直观:热力图一目了然
  2. 速度极快:不用训练模型
  3. 有效去冗余:特别适合线性关系强的数据
  4. 提升模型稳定性:减少多重共线性

十、相关系数法的缺点(必看)

  1. 只认线性关系:非线性关系发现不了
  2. 对异常值敏感:极端值会影响相关性
  3. 不能判断谁更重要:只能删重复,不能判断对目标是否有用
  4. 只能用于连续特征:类别特征不能直接用

十一、什么时候用相关系数法?

  • 特征多、担心冗余
  • 特征之间明显是线性关系(如面积、尺寸、长度)
  • 快速预处理、快速降维
  • 线性模型(回归、逻辑回归、SVM)之前

十二、最简单总结(背诵版)

  • 相关系数法 = 删高度相关的冗余特征
  • 看热力图 → 超过阈值(0.8/0.9)→ 删一个
  • 优点:简单、快、稳
  • 缺点:只看线性、对异常值敏感
  • 最适合:线性关系明显、特征多、需要快速降维
基于相关系数法的近红外光谱波长选择用于玉米数据集的含量检测 利用皮尔逊相关系数选择代表性特征波段,去除全波长数据中的冗余信息,提高模型的预测效果 阅读详情

相关推荐

特征选择

一个数据集中的特征数过多,一方面会增加模型的复杂度,另一方也会引入更多的噪声数据,使模型更容易学到噪声,增大发生过拟合的风险。所以变量(特征)过多时,需要从原始特征中选择出一些最有效的特征以降低数据维度,从而减少模型复杂度,并有效提高模型性能。特征选择是机器学习和数据挖掘中的一个重要步骤,目的是从原始特征集合中选择出最具有预测能力和解释性的特征子集。

南城以北的博客 1762

Ftest(F检验,P值求取)

         F检验(F-test),最常用的别名叫做联合假设检验(英语:joint hypotheses test),此外也称方差比率检验、方差齐性检验。它是一种在原假设(null hypothesis, H0)之下,统计值服从F-分布的检验。F检验的计算公式:p值的计算:       p值的计算是与假设检验有着密不可分的关系,p值为结果可信水平的一个递减指标,p值越大,我们越不能以为样本中...

zijinmu69的博客 16万+

07特征选择与降维

一、特征选择 当数据预处理完成后,我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说,从两个方面考虑来选择特征: 特征是否发散:如果一个特征不发散,例如方差接近于0,也就是说样本在这个特征上基本上没有差异,这个特征对于样本的区分并没有什么用。 特征与目标的相关性:这点比较显见,与目标相关性高的特征,应当优选选择。除方差法外,本文介绍的其他方法均从相关性考虑。 根据特征选择...

水果的博客 424

机器学习中的特征选择的方法

经验来说,过滤法更快速,但更粗糙。包装法和嵌入法更精确,比较适合具体到算法去调整,但计算量比较大,运行时间长。当数据量很大的时候,优先使用方差过滤和互信息法调整,在上其他特征选择方法。使用逻辑回归时,优先使用嵌入法。使用支持向量机时,优先使用包装法。迷茫的时候,从过滤法走起,看具体数据具体分析。

qq_41894936的博客 1235

机器学习特征筛选:相关系数法(correlation)

机器学习特征筛选:相关系数法 通过计算特征与特征之间的相关系数的大小,可判定两两特征之间的相关程度。 取值区间在[-1, 1]之间,取值关系如下: corr(x1,x2)相关系数值小于0表示负相关((这个变量下降,那个就会上升)),即x1与x2是互补特征 corr(x1,x2)相关系数值等于0表示无相关 corr(x1,x2)相关系数值大于0表示正相关,即x1与x2是替代特征 原理实现:取相关系数值的绝对值,然后把corr值大于90%~95%的两两特征中的某一个特征剔除。 如果两个特征是完全线性

data+scenario+science+insight 9735

特征选择过滤法之方差选择、双样本t检验、方差分析、相关系数法、卡方检验、互信息法

特征选择过滤法之方差选择、双样本t检验、方差分析、相关系数法、卡方检验、互信息法 目录 特征选择过滤法之方差选择、双样本t检验、方差分析、相关系数法、卡方检验、互信息法 方差选择 双样本t检验 方差分析 相关系数法 卡方检验 互信息法 方差选择 方差是衡量一个变量的离散程度(即数据偏离平均值的程度大小),变量的方差越大,就可以认为它的离散程度越大,也就是意味着这个变量对模型的贡献和作用会更明显,因此要保留方差较大的变量,反之,要剔除掉无意义的特征。方差大的变量更有可能产生对目标变量的差异

data+scenario+science+insight 1593

corr()函数的用法

corr()函数的用法 corr可选的方式有三种: 1)pearson:相关系数来衡量两个数据集合是否在一条线上面,即针对线性数据的相关系数计算,针对非线性数据便会有误差。 2)spearman:非线性的,非正太分析的数据的相关系数 3)kendall:用于反映分类变量相关性的指标,即针对无序序列的相关系数,非正太分布的数据 其中corr()函数的参数为空时,默认使用的参数为pearson 上面的结果验证了,pearson对线性的预测较好,对于幂函数,预测差强人意。 ...

weixin_44361900的博客 4万+

特征工程之特征选择 - Python

特征选择是机器学习中重要的步骤之一,它的目标是从原始数据中选择最具有预测能力的特征,以提高模型的性能。在本文中,我们将使用Python来介绍几种常用的特征选择方法,并提供相应的源代码。根据具体的问题和数据集,选择合适的特征选择方法可以提高模型的性能和泛化能力。希望本文能够为你提供一个入门的指导,并激发你进一步学习和应用特征选择的兴趣。基于模型的特征选择方法使用机器学习算法来评估特征的重要性,并选择具有高重要性的特征。它通过计算特征的方差,然后选择方差超过设定阈值的特征。

CyberLancer的博客 334

机器学习特征选择方法

特征决定上限,模型逼近上限。 特征选择对后面的模型训练很重要,选择合适重要的特征,对问题求解尤为重要,下面介绍一些常见的特征选择方法。 通常来说,从两个方面考虑来选择特征: 特征是否发散:如果一个特征不发散,例如方差接近于0,也就是说样本在这个特征上基本上没有差异,这个特征对于样本的区分并没有什么用。特征与目标的相关性:这点比较显见,与目标相关性高的特征,应当优选选择。 ①相关系数法 使用...

hellocsz的博客 2199

camera——HAL层知识分享

CameraHAL层是Android相机系统的核心中间层,负责连接Framework层与硬件驱动层。它通过标准化接口解耦软硬件,实现跨平台兼容性,同时为厂商提供硬件定制空间。主要功能包括:设备管理、数据流处理、参数控制以及图像优化。关键子系统涵盖预览、拍照、录像、对焦与曝光等模块,采用HAL3的"请求-响应"模型实现精细控制。性能优化重点关注启动时间、帧率稳定性和延迟控制。通过分层架构设计(接口层-核心层-适配层)和缓冲池机制,确保高效数据传输和硬件资源调度。

2302_77429403的博客 2083

搭建Dzzoffice 教程

通过以上步骤,您已经成功配置了WEB环境,安装了DzzOffice,并完成了系统设置和应用安装。1.安装包的设置默认是系统盘之外的第二个盘,没有其他盘符的时候则安装在C盘,当主机盘符只有C盘可用的时候,安装时不要使用U盘,否则可能误装到U盘当中。4.如果之前已经安装,再次安装时请确保上次安装已经卸载或者所有文件可读,否则请备份文件,卸载之后再安装。在其他安装环境中,我没有相关的使用经验。3. 保证安装路径是纯净的,安装路径下不能有已安装的V8版本,若重新安装,请选择其它路径。

小胡的博客 4957

掌握特征选择:提高模型效率与性能的关键步骤

特征选择是机器学习中一个至关重要的步骤。无论是在面对大规模数据集时的计算瓶颈,还是在复杂模型训练中的过拟合问题,特征选择都能帮助你有效减轻这些问题,提升模型的效率和性能。本文将深入探讨特征选择的理论基础,并通过实践案例,向你展示如何在实际项目中应用特征选择方法,提升机器学习模型的表现。

xyaixy的博客 2457

labview汽车电子通用测试程序架构,CAN通讯上位机

结合做过的汽车电子测试项目,车身控制器测试,CAN网络模块测试,电机控制器功能测试,汽车仪表盘视觉及功能测试、电气盒功能测试、EOL下线检测、车用空调控制器功能测试等项目,结合实际项目,整理编写的一个汽车电子,通用测试架构,包含项目的讲解等。6、数据保存 、数据处理、 曲线显示 、报警处理等。7、CAN总线故障信息监控及记录保存。2、参数设置(CAN端口及参数)5、CAN通讯+数据解析。

ali2805486883的博客 2768

特征选择-过滤式选择

过滤式方法先按照某种规则对数据集进行特征选择,然后再训练学习器,特征选择过程与后续学习器无关,这相当于先用特征选择过程对初始特征进行“过滤”,再用过滤后的特征来训练模型。 【某种规则】:按照发散性或相关性对各个特征进行评分,设定阈值或者待选择阈值的个数,从而选择满足条件的特征。 特征的发散性:如果一个特征不发散,例如方差接近于 0,也就是说样本在该特征上基本没有差异,那么这个特征对于样本的区分并...

温染的笔记 1万+

解决vscode 连接服务器报错:The remote host may not meet VS Code Server‘s prerequisites for glibc and libstdc++

解决vscode远程连接服务器报错:The remote host may not meet VS Code Server's prerequisites for glibc and libstdc++ (The remote host does not meet the prerequisites for running VS Code Server)

qq_37200100的博客 9913

nRF52840 低功耗蓝牙开发指南:从硬件架构到物联网应用实战

本文深入解析nRF52840低功耗蓝牙芯片的硬件架构与开发实践,涵盖从开发环境搭建到BLE协议栈开发的详细指南。通过实战案例分享低功耗优化技巧,帮助开发者高效实现物联网应用,特别适合智能家居和工业场景。

d3e4f的博客 421

如何进行特征选择 实践

在做特征抽取的时候,我们是尽可能地抽取更多的Feature,但过多的 Feature 会造成 冗余(部分特征的相关度太高了,消耗计算性能),噪声(部分特征是对预测结果有负影响),容易过拟合等问题,因此我们需要进行 特征筛选。特征选择可以加快模型的训练速度,甚至还可以提升效果。 接下来,我们了解下各种特征选择的方式。 过滤型(Filter) 评估 单个特征 和 结果值 之间的相关程度,...

u010899985的博客 5288

基于74LS175的四人抢答电路设计(含详细设计分析及试错过程)

根据设计要求不难发现,只要有一人抢答,就会输出信号使指示灯常亮,此时其他人输入无效,适宜选择触发器,有人抢答时触发器输出由0变1,输出信号控制指示灯常亮,同时使CLR引脚输入0,触发器不工作,即其他选手不能再抢答。尝试加入一人抢答后其他人不可抢答功能,如下图,175四个~Q输出端接入同一个与非门,于是当有选手抢答时该与非门输出由0变1,将该信号输入U5A,U5A输出由1变0,接入~CLR即可使电路不再工作。但仿真时发现,该复位键仅可使抢答电路部分复位,计数部分只是暂停,并未复位。否则元器件将无法正常工作。

2202_75463653的博客 8202

特征工程 | 特征选择、特征降维

LDA的全称是Linear Discriminant Analysis,将带上标签的数据(点),通过投影的方法,投影到维度更低的空间中,只要把特征值从大到小,对应的特征向量从上到下排列,则用前K行组成的矩阵乘以原始矩阵X, 就得到了我们需要的降维后的数据矩阵Y。坐标(3,2)之所以为(3,2)是因为我们确定了一个坐标系,换句话说就是确定了空间中的一组基,即(1,0)和(0,1)将多个具有相关性的特征综合为少数几个有代表性的特征,它们既能够代表原始特征的绝大多数信息,组合后的特征又不相关;

ToBeCeratinToBeTall的博客 2431

Python爬虫实战:基于异步爬虫与机器学习的数据采集——以电商平台在线评论有用性分析为例

内容涵盖爬虫原理、反爬虫策略应对、数据清洗、数据存储以及简单的数据分析预览,并为后续利用机器学习模型(如逻辑回归、随机森林)分析评论有用性打下坚实的数据基础。特别是在电子商务领域,在线评论作为UGC的一种主要形式,深刻影响着消费者的购买决策和商家的信誉体系。然而,平台上的评论质量参差不齐,充斥着大量无意义的灌水、广告甚至虚假评论。因此,如何自动识别和筛选出“有用”的评论,成为了学术界和工业界共同关注的焦点。我们选择目前Python爬虫领域最前沿、效率最高的技术组合,以确保爬虫的稳定性、速度和可扩展性。

2201_76125261的博客 109

【LAMMPS学习】八、基础知识(4.5)TIP5P水模型

​ 五点 TIP5P 刚性水模型通过添加两个通常无质量的附加位点 L 来扩展three-point TIP3P model,其中放置与氧原子相关的电荷。这些位点 L 位于距氧原子固定距离处,形成从 HOH 平面旋转 90 度的四面角。因此,这些位点在某种程度上近似于氧的孤对,从而改善了水结构,与four-point TIP4P model相比变得更加“四面体”。

荷塘阅色 1422

特征选择-相关系数法F检验

F检验(F-test),最常用的别名叫做联合假设检验(英语:joint hypotheses test),此外也称方差比率检验、方差齐性检验。它是一种在原假设(null hypothesis, H0)之下,统计值服从F-分布的检验。   F检验的计算公式:   p值的计算:        p值的计算是与假设检验有着密不可分的关系,p值为结果可信水平的一个递减指标,p值越大,我们越...

猪逻辑公园 1万+

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

特征选择的常见方法

随机森林的特征重要性评估可以帮助理解每个特征对于预测目标的相对影响大小,从而在特征选择过程中帮助决定哪些特征是最关键的。较大的系数对应的特征对目标变量的影响较大,较小的甚至为零的系数对应的特征则被认为不重要或者被模型忽略。总之,相关性系数法通过评估特征与目标变量之间的相关性来进行特征选择,是一种常用且有效的特征选择方法之一,适用于各种分类和回归问题中的特征筛选任务。总结来说,RFE 是一种强大的特征选择方法,特别适用于那些模型性能高度依赖于特征选择的情况下,能够帮助提高模型的泛化能力和解释性。

qq_62556797的博客 2627

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

如何进行特征选择|机器学习

特征选择 为什么要进行特征选择 我们在现实任务中经常会遇到维数灾难的问题,这是由于属性过多而造成的,若能从中选择出重要的特征,使得后续学习过程仅需在一部分特征上构建模型,则维数灾难问题会大为减轻。 去除不相关特征往往会降低学习任务的难度,我们把复杂的问题变得简单化,往往也能使得效率变高,结果变的更准确。 过滤式(Filter) 过滤式是过滤式的方法先对数据集进行特征选择,然后再训练学习器,特征选择过程与后续学习器无关,也就是说我们先用特征选择过程对初始特征进行“过滤”,再用过滤后的特征来训练模型

二哥为啥不像程序员? 1958

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

特征选择1

文章目录1.什么是特征选择2.为什么要做特征选择3.特征选择的基本原则4.特征选择常用的四种方法4.1 方差选择法4.2 相关系数法4.3 递归特征消除法4.4 模型选择法参考: 1.什么是特征选择 特征工程(Feature Selection),也叫做特征子集选择(Feature Subset Selection, FSS), 或者叫做属性选择(Attribute Selection)。是指从全...

我是天才很好 1888
上一篇: 【特征选择】嵌入法(Embedded)
下一篇: 【特征选择】信息增益
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
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

打赏作者

「已注销」

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