【特征选择】信息增益

数据分析 | 信息增益与基尼系数的通俗解释(含实例) 信息增益是基于信息论的概念,用于度量在给定特征的情况下,数据集的不确定性减少程度。在决策树中,选择能够使得信息增益最大的特征作为划分节点。基尼系数是一种衡量数据集纯度(impurity)的指标,它表示从数据集中随机抽取两个样本,其类别标签不一致的概率。在决策树中,选择基尼系数最小的特征作为划分节点。 阅读详情

机器学习特征选择:信息增益(超通俗讲解)

在做机器学习分类任务时,我们常会遇到特征太多、有用的太少的问题。特征选择就是帮我们挑出最有用的特征,既减少计算量,又避免模型过拟合,还能提升预测准确率。

今天用最通俗的方式,把信息增益这个经典特征选择方法讲透,本科生、研究生都能轻松看懂,包含原理、公式、代码、优缺点全总结。


一、先搞懂:什么是特征选择?

举个生活例子:
你要预测一个人会不会买奶茶,手里有这些特征:年龄、性别、身高、体重、喜不喜欢甜、收入、星座。

很明显:身高、体重、星座对买奶茶几乎没用,喜不喜欢甜、年龄才是关键。

特征选择就是:

从一堆特征里,自动选出对分类结果最有用的特征,扔掉没用的。

作用:

  1. 减少计算量,训练更快
  2. 避免特征太多导致过拟合
  3. 模型更简单、更容易解释

二、什么是信息增益?一句话讲明白

信息增益 = 用这个特征分类后,不确定性减少了多少。

越能把不同类别分开的特征,信息增益越大,这个特征就越有用。

通俗小场景:猜动物

一开始你完全不知道是什么动物,信息很混乱、不确定性很高。

  • 问:“是猫吗?” → 帮助很小
  • 问:“是哺乳动物吗?” → 直接把动物分成两类,不确定性大幅下降

这个“帮你减少迷茫”的程度,就是信息增益。

换到机器学习里:
用特征把数据集分组后,每组里的类别越纯(比如全是好瓜/全是坏瓜),信息增益就越高。


三、核心原理:熵、条件熵、信息增益

信息增益基于信息论,核心是三个概念:熵 → 条件熵 → 信息增益。

1. 熵(Entropy):衡量“混乱程度”

熵用来表示数据集的不确定性/纯净度。

  • 熵越大:数据越乱,类别分布均匀
  • 熵越小:数据越纯,类别集中
公式(一定要看懂)

假设数据集D有K个类别,第k类占比为pkp_kpk​:
H(D)=−∑k=1Kpklog⁡2pkH(D) = -\sum_{k=1}^K p_k \log_2 p_kH(D)=−k=1∑K​pk​log2​pk​

约定:0×log⁡20=00 \times \log_2 0 = 00×log2​0=0

举个最简单例子
  • 全是好瓜:熵=0(最纯)
  • 一半好瓜一半坏瓜:熵=1(最乱)

2. 条件熵(Conditional Entropy)

用特征A把数据分成几组后,剩下的平均混乱程度。

步骤:

  1. 按特征A的取值把D分成V个子集D1,D2...DVD_1,D_2...D_VD1​,D2​...DV​
  2. 分别算每个子集的熵
  3. 按子集大小加权平均
公式

H(D∣A)=∑j=1V∣Dj∣∣D∣H(Dj)H(D|A) = \sum_{j=1}^V \frac{|D_j|}{|D|} H(D_j)H(D∣A)=j=1∑V​∣D∣∣Dj​∣​H(Dj​)

  • ∣Dj∣∣D∣\frac{|D_j|}{|D|}∣D∣∣Dj​∣​:第j组数据占总数据的比例(权重)
  • H(Dj)H(D_j)H(Dj​):第j组数据的熵

3. 信息增益(Information Gain)

信息增益 = 原来的混乱程度 − 分完组后的混乱程度

最终核心公式

IG(D,A)=H(D)−H(D∣A)IG(D,A) = H(D) - H(D|A)IG(D,A)=H(D)−H(D∣A)

结论:

  • IG越大 → 特征A越能降低不确定性 → 越有用
  • IG越小 → 特征A没用,分了跟没分一样

四、完整计算流程(一步一步跟着算)

  1. 算整体熵H(D):不看任何特征,原始数据的混乱度
  2. 对每个特征A:
    • 按A的取值分组
    • 算每组熵
    • 算条件熵H(D|A)
  3. 算信息增益IG = H(D) − H(D|A)
  4. 按IG从大到小排序,选IG高的特征

五、实战案例:Python代码实现(可直接复制)

我们用一个是否喜欢水果的小数据集,亲手算信息增益。

1. 构造数据集

ColorSizeSweetLiked
GreenLargeSweetYes
GreenLargeNotSweetYes
YellowLargeSweetNo
YellowSmallSweetNo
YellowSmallNotSweetYes
GreenSmallSweetNo
GreenLargeNotSweetYes

2. Python代码

import pandas as pd
import numpy as np

# 1. 构造数据
data = {
    'Color': ['Green', 'Green', 'Yellow', 'Yellow', 'Yellow', 'Green', 'Green'],
    'Size': ['Large', 'Large', 'Large', 'Small', 'Small', 'Small', 'Large'],
    'Sweet': ['Sweet', 'NotSweet', 'Sweet', 'Sweet', 'NotSweet', 'Sweet', 'NotSweet'],
    'Liked': ['Yes', 'Yes', 'No', 'No', 'Yes', 'No', 'Yes']
}
df = pd.DataFrame(data)

# 2. 计算熵
def entropy(target_col):
    elements, counts = np.unique(target_col, return_counts=True)
    ent = 0
    for count in counts:
        p = count / sum(counts)
        ent -= p * np.log2(p)
    return ent

# 3. 计算条件熵
def conditional_entropy(data, feature_col, target_col):
    elements, counts = np.unique(data[feature_col], return_counts=True)
    cond_ent = 0
    total_num = len(data)
    for i in range(len(elements)):
        subset = data[data[feature_col] == elements[i]]
        p_sub = len(subset) / total_num
        cond_ent += p_sub * entropy(subset[target_col])
    return cond_ent

# 4. 计算信息增益
def info_gain(data, feature_col, target_col):
    total_ent = entropy(data[target_col])
    cond_ent = conditional_entropy(data, feature_col, target_col)
    return total_ent - cond_ent

# 5. 计算所有特征的信息增益
target = 'Liked'
features = ['Color', 'Size', 'Sweet']

for f in features:
    ig = info_gain(df, f, target)
    print(f"特征:{f},信息增益:{ig:.4f}")

3. 运行结果

特征:Color,信息增益:0.1281
特征:Size,信息增益:0.1281
特征:Sweet,信息增益:0.5216

✅ 结论:
甜度(Sweet) 信息增益最大,是区分“是否喜欢”最有用的特征。


六、信息增益的优点与缺点(面试常考)

优点

  1. 理论扎实:源自信息论,可量化特征有用程度
  2. 直观好理解:IG越大特征越有用
  3. 离散特征友好:计算简单、速度快
  4. 可解释性强:适合决策树等模型

缺点

  1. 偏向取值多的特征
    取值越多,分组越细,熵降得越多,容易被误判为重要特征,可能过拟合。
  2. 不能直接处理连续特征
    连续值必须先分箱/离散化,增加预处理步骤。
  3. 高维大数据下计算成本偏高

七、信息增益 vs 其他特征选择方法

方法优点缺点适用场景
信息增益直观、理论强、适合离散特征偏向多值特征、连续值需离散化离散特征、类别清晰、快速筛选
信息增益率修正多值偏向,比信息增益更稳计算稍复杂多值特征多、避免偏向
卡方检验统计严谨、适合分类特征样本量要求高、连续值需离散化需要统计检验、样本充足
互信息能抓非线性、支持连续+离散计算复杂、调参难特征与标签关系复杂
方差选择超快、简单不考虑与标签关系预处理快速去低方差特征
树模型重要性贴合模型、非线性强依赖模型、计算量大复杂数据、模型训练后评估

八、什么时候用信息增益?

推荐使用

  • 数据以离散特征为主
  • 类别清晰、样本分布比较均衡
  • 做决策树特征分裂/特征筛选
  • 需要快速、可解释的特征选择

不推荐使用(换方法)

  • 特征取值特别多 → 用信息增益率
  • 大量连续特征、离散化困难 → 用互信息/树模型重要性
  • 需要严格统计显著性 → 用卡方检验
  • 维度极高 → 先方差筛选,再用信息增益

九、总结(必看)

  1. 信息增益 = 特征带来的不确定性减少量
  2. 核心公式:IG=H(D)−H(D∣A)IG = H(D) - H(D|A)IG=H(D)−H(D∣A)
  3. IG越大,特征对分类越有用
  4. 适合离散特征,简单高效,但偏向多值特征
  5. 实际使用:离散数据首选;复杂/连续数据搭配其他方法
信息熵、条件熵、信息增益 其中::样本属于第i个类别的概率:总样本数:集合中属于第个类别的样本个数。 阅读详情

相关推荐

【决策树算法精讲第03篇】特征选择:信息增益与ID3算法

信息增益在决策树的特征选择中扮演着核心角色,它主要用于衡量特征(X)对分类目标(Y)的贡献程度。其数学定义如下:在这个公式里,(H(Y))代表目标变量(Y)的熵,它反映了在分裂之前目标变量的不确定性程度。熵值越大,意味着目标变量的不确定性越高;反之,熵值越小,则表示目标变量越趋于确定。而(H(Y|X))被称为条件熵,它表示在已知特征(X)的条件下,目标变量(Y)的平均不确定性。通过计算两者的差值,即信息增益,我们能够清晰地了解到引入特征(X)后,目标变量(Y)的不确定性降低了多少。

熵数实验室 2061

决策树---信息增益

文章目录一、什么是信息增益?二、决策树的构造引入包1.信息增益2.划分数据集3.递归构建决策树三、在python中使用Matplotlib注解绘制树形图1.Matplotlib注解2.构造注解树四.测试与储存分类器1.使用决策树执行分类2.决策树的存储总结 一、什么是信息增益? 划分数据集的之前之后信息发生的变化称为信息增益,知道如何计算信息增益,就可以计算每个特征值划分数据集获得的信息增益,获取信息增益最高的特征就是最好的选择。 熵定义为信息的期望值,即计算所有类别所有可能包含的信息期望值,通过以下公式得

Huanghuali_的博客 1万+

用python实现求信息增益,进行特征选择。

使用python语言,实现求特征选择的信息增益,可以同时满足特征中有连续型和离散型属性的情况。 师兄让我做一个特征选择的代码,我在网上找了一下,大部分都是用来求离散型属性的信息益益,但是我的数据是同时包含离散型和连续型属性的,所以这里实现了一下。 代码块 import numpy as np import math class IG(): def init(self,X,y...

语雨听风的博客 6560

熵、信息增益、信息增益率

一、熵 (1)原理 初中物理我们对“熵”这个东西懵懵懂懂,印象中仿佛对物体内部的热效应有关,时隔这么多年在机器学习、深度学习领域的学习中又看见了它的踪影,不免有点让人有点熟悉又陌生的感觉。“熵”这个东西看不见又摸不着,到底什么是“熵”? “熵”是用来干什么的?“熵”是一个系统里面的混乱程度的度量、标尺。系统混乱程度越低,系统的熵值越小,反之越大。 我们先从物理学的角度出发,假设相同条件下有一桶冰水和一桶热水,哪一个的熵值会大呢? 冰水中的分子热运动速度较慢,内部的分子排布比较有规律。热水内部温

qq_39197555的博客 1万+

树模型中分裂特征选择标准--信息熵,信息增益,信息增益率的计算

1.熵:集和的熵值 -sum(pi * log(pi , 2))2.信息增益:集和的熵-按照特征a划分后子集的熵加权和(偏向类别数目多的属性) 3.信息增益率:信息增益/属性的熵(偏向类别数目少的属性)4.基尼值:1-集和各类别值的概率平方和(随机抽取两个样本其类别不一致的概率) 1 - sum(pi**2)5.基尼系数:按照属性a划分后各子集的加权基尼和ID3:判别式模型,分类树,多叉树,信息增...

u012155582的专栏 5168

直播间人气协议算法:从批量操作到数据接口的自动化实现

本文深入解析直播间人气协议算法的实现原理与技术细节,涵盖批量账号管理、IP代理方案、用户行为模拟算法及平台数据接口调用策略。通过逆向工程分析通信协议,结合算法设计实现自动化流量提升,同时探讨风控规避与系统性能优化方案,为开发者提供合规的技术实践参考。

weixin_30505225的博客 520

通俗理解决策树算法中的信息增益(最朴实的大白话,保准能看懂)

信息增益 文章目录信息增益概念例子结论 在决策树算法的学习过程中,信息增益是特征选择的一个重要指标,它定义为一个特征能够为分类系统带来多少信息,带来的信息越多,说明该特征越重要,相应的信息增益也就越大。 概念 信息熵是代表随机变量的复杂度(不确定度),条件熵代表在某一个条件下,随机变量的复杂度(不确定度) 而我们的信息增益恰好是:信息熵 - 条件熵。 换句话说,信息增益代表了在一个条件下,信息复杂度(不确定性)减少的程度。 那么我们现在也很好理解了,在决策树算法中,我们的关键就是每次选择一个特征,特征有多个

忘川的博客 8524

分享一个简单的迭代学习机器人双臂控制(MATLAB)

1 什么是迭代学习控制 迭代学习控制(iterative learning control,简称ILC)由Uchiyama于1978年首先提出,不过因为论文由日文撰写,影响不是很大。1984年,Arimoto等人用英文介绍了该方法。它是指不断重复一个同样轨迹的控制尝试,并以此修正控制律,以得到非常好的控制效果的控制方法。 迭代学习控制的特点是“在重复中学习”,通过反复的迭代修正,达到改善控制效果的目的。迭代学习控制的原理是根据系统前次运行所获得的输出误差信息,在控制过程中不断修正控制输入,随着迭代的进行,逐

weixin_45776027的博客 4489

特征选择之信息增益

文本分类入门(十一)特征选择方法之信息增益 前文提到过,除了开方检验(CHI)以外,信息增益(IG,Information Gain)也是很有效的特征选择方法。但凡是特征选择,总是在将特征的重要程度量化之后再进行选择,而如何量化特征的重要性,就成了各种方法间最大的不同。开方检验中使用特征与类别间的关联性来进行这个量化,关联性越强,特征得分越高,该特征越应该被保留。 在信息增益中,重要性

wangzhiqing3的专栏 4100

ubuntu打实时内核补丁教程以及安装后显卡驱动问题解决方法

在ubuntu20.04上安装成功,亲测有效 目录ubuntu打实时内核补丁教程1、下载实时内核2、解压和打补丁(patch)3、安装依赖和编译安装4、修改一些文件,便于之后切换内核5、重启电脑实时内核版本下安装nvidia显卡驱动的问题1、先切换回之前的内核(非实时)版本2、重装之前内核(非实时)版本下的显卡驱动3、切换回实时内核(按照上面的步骤)4、在实时内核下安装显卡驱动 ubuntu打实时内核补丁教程 安装目标系统:ubuntu20.04 电脑配置:i9,2080ti 1、下载实时内核 打开终端,输

weixin_39275295的博客 7996

SIMetrix教程-001.SIMetrix软件简介与安装

  由于某些原因需要用到SIMetrix仿真软件,然而网上的资料并不是特别多,故在此记录一下这款仿真软件的学习过程,也给有需要的人提供一些参考,免走弯路。如果使用过Pspice或者LTspice软件,学习SIMetrix会很容易入门,仿真软件都是大同小异的,会一样后都可以快速入门其他软件。   SIMetrix是一款以SPICE模型为基础的仿真软件,集成了SIMetrix和SIMPLIS两款内核,为工程师提供了可靠的、易于使用的、并完美结合了速度与精度的电路仿真方式。官方的话不多说,和LTspice一样,优

gaoyong_wang的博客 2万+

特征选择方法之信息增益

前文提到过,除了开方检验(CHI)以外,信息增益(IG,Information Gain)也是很有效的特征选择方法。但凡是特征选择,总是在将特征的重要程度量化之后再进行选择,而如何量化特征的重要性,就成了各种方法间最大的不同。开方检验中使用特征与类别间的关联性来进行这个量化,关联性越强,特征得分越高,该特征越应该被保留。 在信息增益中,重要性的衡量标准就是看特征能够为分类系统带来多少信息,带

promise_LOVE的专栏 2296

0基础手把手搭建 Trae\+Seedance2\.0 真人短剧生成智能体(可直接运行)

前言:本文专为0基础新手编写,全程无复杂代码、无专业术语,一步一截图提示(操作路径清晰),只需跟着点鼠标、复制粘贴,就能搭建出可自动生成真人短剧的智能体,生成的短剧可直接导出发布。核心工具:Trae(字节跳动AI IDE,免费)+ Seedance2.0(真人视频生成API,公测免费),无需提前学习编程、设计,全程10-15分钟搞定。 适用人群:0基础小白、想快速生成真人短剧(自媒体、短视频创作者)、无需懂技术即可实现自动化短剧生成的人群。

skygulangfendouz的专栏 1063

基于信息增益的特征选择方法

基于信息增益的特征选择方法

日常分享模型调优、Data Agent 搭建实操案例与行业技术思考,记录从数据预处理到智能体迭代的完整实践。沉心打磨可落地的算法方案,输出干货向技术内容,与同好一同探索数据智能与大模型进阶路径。 1206

Rockchip RK3566 Buildroot SDK构建与内核编译实战指南

嵌入式Linux开发中,交叉编译环境是系统启动的基础支撑。Buildroot作为轻量级嵌入式构建框架,通过配置驱动、自动化下载和分层编译机制,显著降低定制化Linux发行版的集成门槛。其核心价值在于将内核、根文件系统与工具链统一管理,兼顾资源约束下的确定性构建与工程可复现性。典型应用场景涵盖ARM64平台(如RK3566)的固件开发、IoT设备量产镜像生成及硬件Bring-up阶段的快速验证。本文围绕Buildroot SDK全流程实践,深入解析环境搭建、Repo源码同步、离线DL库预置及内核编译等关键环节

weixin_36047538的博客 138

CMCC-IPC-A410串口刷机救砖教程

《CMCC-IPC-A410摄像头串口刷机指南》摘要 本指南针对2018年前老款CMCC-IPC-A410摄像头变砖/升级失败的情况,提供串口刷机方案。需准备CH340G串口模块、杜邦线、海康V5.5.82固件等工具。操作包含硬件连接(TX/RX交叉接线)、115200波特率终端配置、CTRL+U进入刷机模式,通过UPF格式化、tftp传输固件、update写入等步骤完成修复。刷机后设备恢复未激活状态,需重置密码,原定制功能可能失效。整个过程需稳定供电,耗时约15-20分钟,注意此操作将使原厂保修失效。(1

海康威视技术支持 1857

特征工程(3):特征选择—信息增益

信息增益,基于信息熵来计算,它表示信息消除不确定性的程度,可以通过信息增益的大小为变量排序进行特征选择。信息量与概率呈单调递减关系,概率越小,信息量越大。 1. 基本概念 1.1 信息量 信息量的数学定义如下式所示,U表示发送的信息,则表示发送信息U中的一种类型。 1....

满腹的小不甘 6762

安卓开发工程师在车载项目中的角色与技术实践

本文全面探讨了安卓开发工程师在车载项目中的关键角色,重点分析了技术栈(Kotlin/Java/Gradle)、岗位职责和任职要求。文章详细解读了车载安卓开发的核心技能,包括架构设计、性能优化和缺陷修复,并提供了20个针对性面试问题及答案。特别强调了车载环境的特殊需求,如硬件集成、安全认证和实时性要求。通过技术深度与实践案例的结合,为开发者和企业提供了从需求分析到系统优化的完整指导,旨在提升车载安卓开发的专业水平和招聘效率。

郑伟强dev的专栏 136

信息增益 java_信息增益的特征选择方法

正如我前面提到的,了开方检验(CHI)以外,信息增益(IG,Information Gain)也是非常有效的特征选择方法。但凡是特征选择,总是在将特征的重要程度量化之后再进行选择,而怎样量化特征的重要性,就成了各种方法间最大的不同。开方检验中使用特征与类别间的关联性来进行这个量化。关联性越强。特征得分越高。该特征越应该被保留。在信息增益中,重要性的衡量标准就是看特征可以为分类系统带来多少信息,带来...

weixin_35880510的博客 174

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。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

决策树的特征选择之2:信息增益

决策树最终的优化目标使得叶结点的总不纯度最低,即对应衡量不纯度的指标最低。 同时,全局最优树没有办法简单高效地获得,因此,此处仍然要以局部最优化方法来指导建模过程,并通过优化条件的设置,最终在每一步都是局部最优的条件下逐步至尽可能全局最优的结果。 而在信息熵指数的指导下,决策树生成过程的局部最优条件也非常好理解:即在选取属性测试条件(attribute test condition)对某结点(数据...

The Zen of Data Analysis 1387

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

特征选择,熵,条件熵,信息增益

特征选择,熵,条件熵,信息增益特征选择例子熵条件熵信息增益例子 特征选择 特征选择是在于选取能够提高分类器学习效率的特征。对于没有分类能力的特征,经验上扔掉这样的特征对最终的分类结果并没有什么大影响。 通常特征选择的准则是信息增益或信息增益比 例子 上表是有15个样本组成的贷款申请训练数据,数据包含贷款申请人的4个特征(年龄,是否有工作, 是否有自己的房子,信贷情况),最后一列是类别。特征选择是决定用哪个特征来划分特征空间,选择哪个特征作为根节点,可能的情况: 直观上,如果一个特征具有更好的分类能力,或

weixin_42204397的博客 1704

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

基于信息增益的决策树特征选择算法(ID3算法)及python实现

基于信息增益的决策树算法(ID3算法)及python实现 决策树概述 不同于逻辑回归,决策树属于非线性模型,可以用于分类,也可用于回归。它是一种树形结构,可以认为是if-then规则的集合,是以实例为基础的归纳学习。基本思想是自顶向下,以信息增益(或信息增益比,基尼系数等)为度量构建一颗度量标准下降最快的树,每个内部节点代表一个属性的测试,直到叶子节点处只剩下同一类别的样本。它的决策流程如下所示: 决策树的学习包括三个重要的步骤,特征选择,决策树的生成以及决策树的剪枝。 特征选择:常用的特征选择有信息增

qq_33700236的博客 7043

机器学习-特征选择:如何用信息增益提升模型性能?

其中,( IG(S, A) ) 表示数据集 ( S ) 关于特征 ( A ) 的信息增益,( T ) 是根据特征 ( A ) 分割后的子集,( |S_t| ) 是子集 ( S_t ) 中的样本数,( |S| ) 是原始数据集 ( S ) 中的样本总数,( H(S_t) ) 是子集 ( S_t ) 的信息熵。然而,特征选择本身充满挑战。偏向于具有较多取值的特征:信息增益度量的是特征的不确定性减少程度,这意味着具有较多取值的特征通常会获得更高的信息增益值,可能会导致偏向选择具有更多取值的特征。

笑不语的博客 1211
上一篇: 【特征选择】相关系数法
下一篇: 【特征选择与降维】主成分分析 PCA
「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