利用 Python 爬取了 37483 条上海二手房信息,我得出的结论是?

安居客python二手房数据预处理 题记: 继上篇对安居客二手房数据进行爬取之后,接下来是对安居客进行数据预处理。 一: 阅读详情

来源 | 杰哥的IT之旅(ID:Jake_Internet)

本文数据来源于链家网,搜集时间为2020年7月23日。

本次项目使用 Scrapy-Redis 分布式爬取链家网数据,请自备代理ip。完整代码已放在文末,本文不再赘述爬虫细节,源码中有详细注释。

仪表板展示
项目背景

去面试的时候被问上海二手房的一些情况,作为一个土著,我只知道上海这个区挺贵的那个区大概这个价,但是具体数值却说不上来。所以,就有了本文。

从政策上来看,自从 2016 年国家喊出“房住不炒”的口号之后中国的房价就出现了明显的降温。2019 年国家为了“救市”又宣布了几条政策:

1、政府不再垄断住房供应,缓解了开发商的资金压力,新房销售价格降低,导致新房市场火热而二手房市场冷清。
2、调整公积金贷款利率,提高了二房的房贷利率,打击市场投机需求。
3、鼓励租售并举,鼓励以住房租赁为主营业务的企业买房。
4、居住证降低申请门槛新政,让落户买房更加容易。
5、农民购房有补助,帮助农民工朋友们省去一部分买房成本。

从经济上来看,2020 年上半年上海人均可支配收入以 36577 元笑傲全国,同比增长3.64%。看似美丽的数值背后,隐藏着多少被平均的普通老百姓。

从社会上来看,2019 年我国人口出生率创下 1949 年以来的最低值,即使在 2016 年开放二胎政策以来,人口出生率也没有大幅提高。

从技术上来看,中国造楼能力世界第一!“基建狂魔”岂是浪得虚名!

分析目的

1、2020年上半年上海二手房整体挂牌量及均价走势如何?
2、目前上海二手房价位、房源有何特点?
3、上海各区县的挂牌情况,找出抛压最大的区域

数据清洗

首先我们看一下爬取的数据。维度不是太多,但是有些列我们可以拆分,例如地区、所在楼层、抵押信息等。

在对数据进行清洗前我们可以使用pandas_profiling进行快速的统计分析。

import pandas_profiling
pandas_profiling.ProfileReport(data).to_file("./report/html")

根据报告内容我们可以看到本次数据总共有 37491 行,20 列,存在 7 行重复,重复占比小于 0.1%,报告继续下拉可以看到每一列的统计情况。

我们需要清洗的几点:

1、去除重复行
2、替换 None 值
3、将地区、房屋户型、所在楼层、抵押信息进行切分合并
4、转换数据类型
5、删除多余字符
6、由于爬取时出现的错误,对价格列进行重新赋值
7、剔除异常数据

# 如果有重复值,则保留第一个
data.drop_duplicates(keep='first', inplace=True)

# 替换None
data = data.applymap(lambda x: '暂无数据' if x == 'None' else x)

# 切分地区、房屋户型、所在楼层、抵押信息后删除原列,将拆分出的新列合并至原data
data = pd.concat([data, data['地区'].str.extract(pat='(?P<区>.*?)\s(?P<镇>.*?)\s(?P<环>.*)'),
                  data['房屋户型'].str.extract(
                      pat='(?P<室>\d+)室(?P<厅>\d+)厅(?P<厨>\d+)厨(?P<卫>\d+)卫'),
                  data['所在楼层'].str.extract(
                      pat='(?P<所处楼层>.+)\(共(?P<总层数>\d+)层\)'),
                  data['抵押信息'].map(lambda x:x.strip()).str.extract(pat='(?P<有无抵押>.{1})抵押(?P<抵押情况>.*)?')], axis=1)

data.drop(['地区', '所在楼层', '抵押信息'], axis=1, inplace=True)
data['区'] = data['区']+'区'
# 去除建筑面积后面的平米单位,并转为float
data['建筑面积'] = data['建筑面积'].map(lambda x: float(x[:-1]))

# 转换数据类型
data['价格'] = data['价格'].astype(float)

# 转换日期类型
data['挂牌时间'] = pd.to_datetime(data['挂牌时间'])

# 如果存在非时间类型的字符串则替换为NaT
data['上次交易'] = pd.to_datetime(data['上次交易'], errors="coerce")

# 存在括号几期、某区,都暂且删除
data['小区'] = data['小区'].str.replace("[\(\(].*?[\)\)]", "")

# 筛选出价格小于20的数据,我们可以发现这些房源的面积及所属区域都是比较好的,记录的数据可能有所错误
# 返回链家网站搜索这几套房源后发现,这些价格的单位都是"亿",所以我们需要对所有数据再一次进行清洗
# 统一使用'万'作为总价的单位
data['价格'] = data['价格'].map(lambda x: x*10000 if x < 20 else x)

# 计算每平米单价
data['均价'] = round(data['价格']/data['建筑面积']*10000, 2)

从上面的散点图我们可以看出右边有一个异常点,建筑面积4702平米,总价68万,我返回链家网查询该套房源发现在网站上他就是这么标价的。而同小区的价格如下所示。

该区域的均价都在 14000元/平米~20000元/平米,所以认为是链家网数据录入出现了问题。我们需要剔除掉该数据。

描述性分析

1、清洗好后总共剩下 37483 条数据
2、数据的统计周期是 2013-01-18 2020-07-24
3、上海目前出售的二手房面积从 13 平米 ~ 1663.1 平米不等
4、根据爬取数据来看上海最贵的二手房均价为 319960.62 元/平米,整体均价为 56466.26 元/平米

均价超过 30 万元/平米的房源到底在哪里?

可以看到挂牌的四套花园洋房均价超过 30 万元/平米,挂牌时间都已经挺久的了。大家可能对兴国路不大熟悉,但是相信大家在不少拍摄背景为上海的影视剧中都见到过一幢大楼。

没错,就是武康大楼,最早称为“诺曼底公寓”,而我们更喜欢叫它“九层楼”,这已经是清除了电线后的模样,其实我小时候的印象是这样的。

电线编织如蜘蛛网,这才是老底子的上海味道。

“九层楼”所处位置是个六岔路口,大家若要打卡请注意安全不要停留在路中间。旁边的武康路也是一条很有历史底蕴的“名人路”。

热门商圈
hot_list = ['四川北路', '中山公园', '漕河泾', '徐家汇', '陆家嘴', '南京西路',
            '南京东路', '人民广场', '淮海中路', '虹桥', '北外滩', '新天地', '静安寺']

hot = data[data['镇'].isin(hot_list)].groupby(by='镇')['均价'].agg(
    ['mean', 'count']).sort_values(by='count', ascending=True)
pyc.Bar().add_xaxis(hot.index.to_list()).add_yaxis(series_name="", yaxis_data=hot['count'].tolist(), label_opts=opts.LabelOpts(is_show=False)).reversal_axis(
).set_global_opts(title_opts=opts.TitleOpts(title="热门商圈挂牌数", subtitle="崇明区缺少相应房源数据;数据截至2020年7月\n数据来源:链家网 "), toolbox_opts=opts.ToolboxOpts()).render_notebook()

中山公园在售 674 套,均价 72750 元/平米,算是几个地块中比较便宜的了。

户型
huxing = data['房屋户型'].where(data['房屋户型'].isin(
    ['2室1厅1厨1卫', '1室1厅1厨1卫', '2室2厅1厨1卫', '3室2厅1厨2卫', '3室1厅1厨1卫', '2室1厅1厨2卫']), other='其他', errors='ignore')

pyc.Pie(init_opts=opts.InitOpts(height='600px', width='600px')).add(series_name='房屋户型', data_pair=huxing.value_counts().items(), radius=(100, 150), rosetype="radius", label_opts=opts.LabelOpts(
    is_show=True, formatter="{b}\n{c}套\n{d}%")).set_global_opts(title_opts=opts.TitleOpts(title="上海二手房挂牌房屋户型", subtitle="崇明区缺少相应房源数据;数据截至2020年7月\n数据来源:链家网 "), toolbox_opts=opts.ToolboxOpts()).render_notebook()

上海二手房挂牌的户型千奇百怪,但还是以两室户居多,一室户偏少。

二手房价位
data['房价分层'] = pd.cut(data['价格'], bins=[-np.inf, 100, 300, 500, 800, 1000, np.inf], right=True,
                      labels=['100万以内', '100-300万', '300-500万', '500-800万', '800-1000万', '1000万及以上'])

pyc.Pie(init_opts=opts.InitOpts(height='500px', width='500px')).add(series_name="房价", data_pair=data['房价分层'].value_counts().items(), radius=(100, 150), rosetype=True, label_opts=opts.LabelOpts(
    formatter="{b}\n{c}套\n{d}%")).set_global_opts(title_opts=opts.TitleOpts(title="上海房价分层", subtitle="崇明区缺少相应房源数据;数据截至2020年7月\n数据来源:链家网 "), toolbox_opts=opts.ToolboxOpts()).render_notebook()

100 万以内想在上海买套房基本是不可能的了。可以往鹤岗考虑一下。同志们努把力,100-300 万有 13000 多套房源等着你!

房屋所属环线
pyc.Pie(init_opts=opts.InitOpts(height='500px', width='500px')).add(series_name="环线", data_pair=data['环'].replace("", "暂无数据").value_counts().items(), radius=(100, 150), rosetype=True, label_opts=opts.LabelOpts(
    formatter="{b}\n{c}套\n{d}%")).set_global_opts(title_opts=opts.TitleOpts(title="二手房所属环线", subtitle="崇明区缺少相应房源数据;数据截至2020年7月\n数据来源:链家网 "), toolbox_opts=opts.ToolboxOpts()).render_notebook()

外环外的房源明显是最多的,很可能是外环外房价偏低,所以比较火热吧,我们继续向下看。

上海均价地图
pyc.Map(init_opts=opts.InitOpts(height='500px', width='500px')).add(maptype="上海", series_name="均价", data_pair=[list(i) for i in data[data['挂牌时间'].dt.year == 2020].groupby(by=['区'])['均价'].mean().apply(round).items()], is_map_symbol_show=False, is_selected=True, label_opts=opts.LabelOpts(
    is_show=False)).set_global_opts(tooltip_opts=opts.TooltipOpts(formatter="{b}:{c}元/平米"), visualmap_opts=opts.VisualMapOpts(max_=100000, pos_right='5%', pos_bottom='20%', is_calculable=True), title_opts=opts.TitleOpts(title="2020年上半年上海二手房均价图", subtitle="崇明区缺少相应房源数据;数据截至2020年7月\n数据来源:链家网 "), toolbox_opts=opts.ToolboxOpts(), legend_opts=opts.LegendOpts(is_show=False)).render_notebook()

看看中间那红彤彤的区域,市中心的价格远远高于市区外。

挂牌量

虽然从上图来看上海二手房挂牌量逐年递增,但是考虑到数据爬取日期为2020年7月23日,可能前些年挂牌的二手房已经出售,所以爬取不到挂牌信息。故不能由此判断今年二手房市场较往年更活跃。

今年一二月受疫情影响,上海二手房挂牌量较低,随着疫情情况缓和,从三月起上海二手房挂牌量逐渐增加。2020年上半年6月份的挂牌量是最大的。

从交叉表来看,2020年1月1日至2020年7月23日链家网上已经挂牌 24673 套二手房。其中嘉定、闵行、宝山等区的抛压较大,7月浦东的挂牌量激增。

所以验证了上面外环外抛售房源较多的现象。

均价

虽然上海房价呈现着下跌趋势,但我还是买不起。

2020年上半年上海二手房均价在55100元/平米附近波动,4月份更是跌至54150元/平米。

看看这可爱的渐变色,黄浦区这房价,一年赚的钱还不够买个厕所的。

用折线图来看看趋势,好像各区都挺平缓的,浦东新区倒是在四月份之后有所上涨,虹口区在七月也有一小波上涨。

总结

1、2020年上半年上海二手房挂牌量稳步上涨,均价在55100元/平米附近波动。
2、除了虹口区以外各区的二手房均价在第二季度都趋于缓和。
3、100万以下的房源几乎所剩无几,主要价位集中在100-300万。
4、外环外的房源占比较大,是因为嘉定、闵行、宝山等区的挂牌量较高。
5、单身贵族喜欢的一室一厅房源仅剩下15.65%,连二手房房型的意思都是叫你赶紧找对象!


推荐阅读:
华为阿里腾讯下班时间曝光:所有的光鲜,都有加班的味道
收获10400颗星!这个Python库有点黑科技,竟然可以伪造很多'假'的数据!

哇塞!NASA 在GitHub上开源了火星探测车

Github这个库火了,收获9000颗星!十行Python代码即可生成GUI界面
我去!Github 可以这样玩啦!


点这里,领取新手福利
Python爬虫实战爬取租房网站2w+数据-链家上海区域信息(超详细) Python爬虫实战爬取租房网站-链家上海区域信息(过程超详细) 内容可能有点啰嗦 大佬们请见谅 后面会贴代码 带火们有需求的话就用吧 正好这几天做的实验报告就直接拿过来了,我想后面应该会有人用的到吧. 自己学着分析网址的话链家这个租房网站其他地区的也可以爬大家不妨试试 任务目的:从链家上爬取上海地区的租房信息 1.url分析 https://sh.lianjia.com/zufang/这是网站... 阅读详情

相关推荐

爬取某家网二手房数据(详细教程)

这里写目录标题项目描述:项目实施:1. 确定目标1.1 先来说第一个页面上述设置的目的是:所以我们可以在代码中这样呈现:1.2中间的列表部分下面的翻页部分:1.3 第二个页面从价格部分可以获取到:参考总价、单价从所在区域可以获取到:小区名称、大区域+小区域基本信息+交易信息数据如下图:最后是地图部分的数据:2. 流程设计3. 主要代码复现核心代码分析,完整代码看链接:获取当前条件下的房屋数据个数:判断是否超过3000,若超过则进行第二级筛选,若未超过则直接获取数据4. 运行完整代码:总结: 今天分享一篇爬虫

杜小白Blog 7656

用python的requests模块爬取上海地区链家二手房数据

代码链接 一、要爬取什么数据? 1、打开链家网,将目标城市设为上海。进入”二手房“板块。 2、获取二手房明细信息 每页30条二手房信息,共计100页,也就意味着本次信息抓取的数据条数最大值为3000条。 点击标题链接,需要抓取的信息如下图所示,包括标题、房屋总价、单价、所在区域、小区名称、房屋其他基本信息等。 二、获取每条二手房数据对应的url链接 1、二手房板块每页的url 上文有提到,链家二手房板块有100页,我们需要获取每个页面对应的url。 以第二页url为例:https://sh.lian

爱吃干脆面的小潘 3179

链家网沈阳二手房数据分析——从数据爬取到数据分析

数据爬取主要是通过使用requests实现的,鉴于爬取数据的流程简单以及电脑的性能所限,没有使用scrapy框架,而是使用where循环手动控制页码的形式,每次爬取5页信息,并将信息写入.csv文件中。 得到数据后,首先看一下数据的描述性变量,通过print(data_read.describe())得到如下结果: 观察网页,发现实际上当前区域只有1542套房源,可以得知数据里面包含了重复数据。 这是由于在爬取信息时采用了手动改变页面的形式,每次爬取后在写入csv文件时,都会写入一个表头,所以造成了表头重复

nanquan11的博客 3677

【python】爬取链家二手房数据做数据分析【附源码】

爬取链家二手房数据做数据分析

m0_73367097的博客 1万+

基于爬虫爬取某居客二手房网站中上海二手房的数据+机器学习方法进行数据分析(完整源码).zip

【资源说明】 1、该资源内项目代码都是经过测试运行成功,功能正常的情况下才上传的,请放心下载使用。 2、适用人群:主要针对计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、数学、电子信息等)的同学或企业员工下载使用,具有较高的学习借鉴价值。 3、不仅适合小白学习实战练习,也可作为大作业、课程设计、毕设项目、初期项目立项演示等,欢迎下载,互相学习,共同进步!

【CubeMX】STM32G474 HRTIM 互补PWM与死区时间配置实战

本文详细介绍了如何使用STM32CubeMX配置STM32G474的高分辨率定时器HRTIM生成互补PWM波形并精确设置死区时间。通过实战步骤讲解时钟配置、死区计算与高级功能,帮助工程师在电机驱动和电源应用中实现精准控制,避免上下桥臂直通风险。

grpc6streamer的博客 730

爬虫练习-爬取房价数据和简单分析

爬取上海二手房数据,然后简单用pandas做分析

kayotin的博客 1353

阿里平头哥与华为芯片的比较

阿里平头哥与华为芯片代表了中国AI芯片领域的两种典型发展路径:平头哥通过兼容CUDA生态快速切入市场,以较低成本提供接近国际水平的AI算力;华为则坚持全栈自研路线,构建从芯片到框架的完整技术体系,更注重供应链安全和自主可控。从短期来看,平头哥PPU在单卡性能参数上全面超越昇腾910B,接近英伟达H20水平,且成本优势明显,有望在云服务和互联网应用领域取得更大市场份额。而华为昇腾则凭借全栈自研和端边云协同优势,在政企市场和科研领域更具竞争力。

shao.bing的专栏 4044

我的 2020 年终总结

大家好,我是 JackTian,一个充满上进心且渴望自由的北漂 95 后打工人。 2020 年结束了,2021 新的一年开始了。 2020 年是极不平凡的一年,2021 年面临着不确定性。 在匆忙的工作中,总结了我的 2020 年度述职报告,汇报了近一年来的工作完成情况以及 2021 年的一些工作计划,不妨也跟大家来说说我公众号以及其他方面的这一年来的一些变化与成长以及接下来的规划与打算。 公众号 我接触公众号已经有两年多的时间了,这两年多的时间里经历了太多的辛酸与坎坷,从当初的 0 启动到今天的 2200

JackTian 1万+

CXL3.0 CDAT(Coherent Device Attributes Table)

在说明CDAT之前,先讲一下CXL中的DOE类型:CXL协议里定义了两种DOE的类型,一种是Compliance就是合规性测试的内容,还有一种就是CDAT(一致性属性表)Memory_Info_Valid是CXL设备的内存配置完成标志,位于DVSEC(Designated Vendor-Specific Extended Capability)的CXL Range X Size Low寄存器中(X为1或2)。

Summer的博客 1438

MOS 管驱动设计细节,波形分析

一般认为MOSFET是电压驱动的,不需要驱动电流。然而,在MOS的G S两级之间有结电容存在,这个电容会让驱动MOS变的不那么简单。 如果不考虑纹波和EMI等要求的话,MOS管开关速度越快越好,因为开关时间越短,开关损耗越小,而在开关电源中开关损耗占总损耗的很大一部分,因此MOS管驱动电路的好坏直接决定了电源的效率。 对于一个MOS管,如果把GS之间的电压从0拉到管子的开启电压所用的时间越短,那么MOS管开启的速度就会越快。与此类似,如果把MOS管的GS电压从开启电压降到0V的时间越短,那么MOS管关断的

m0_50862404的博客 1万+

【Python爬虫系列】Python 爬取上海链家二手房数据

Python 爬取上海链家网二手房数据

yuzhucu的专栏 1万+

回归预测 | MATLAB实现MPR多元多项式回归

回归预测 | MATLAB实现MPR多元多项式回归

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 1645

python抓取上海某二手房交易网站数据

上海 二手房 成交 爬虫

SFFS 1802

第十七章:载板成本结构分析

本文分析了ABF和BT载板的成本结构,其中ABF载板材料成本占比50%(主要来自ABF薄膜),制造成本35%,利润15%;BT载板材料成本45%,制造成本40%。ABF薄膜价格预计将从2023年的80-90美元/panel上涨至2026年的120-150美元。良率每提升1%可降低成本约5%,产能利用率每提高10%可降本3-5%。通过设计优化(如减少层数)、工艺改进(提升良率)和供应链优化(材料国产化)可有效降低成本。预计2024-2028年AI用ABF载板成本将上涨10-15%,而手机用BT载板涨幅约5%。

Open 317

【教程4>第2章>第19节】 GMSK解调系统的FPGA开发与matlab对比验证

MSK(Minimum Shift Keying,最小频移键控)和GMSK(Gaussian Minimum Shift Keying,高斯最小频移键控)都是数字调制技术,主要用于无线通信系统中将数字信号转换为模拟信号进行传输。它们都是连续相位移键控(Continuous Phase Shift Keying, CPK)的一种形式,意味着相邻码元之间没有相位跳变的突变,而是连续过渡,这有助于减少信号带宽和降低邻道干扰。GMSK的解调过程与MSK类似,我们这里还是采用和MSK解调一样的1bit解调方法。

FPGA/MATLAB学习教程/源码/项目合作开发 1222

房地产爬虫实战:链家二手房数据抓取与深度分析

在房地产行业,链家作为头部平台积累了海量数据。链家采用动态加载技术,评论区、历史成交记录等关键信息通过AJAX请求获取,传统静态爬虫无法直接抓取。更严峻的是,其风控系统会检测请求频率、IP质量、浏览器指纹等特征,一旦触发阈值立即封禁IP。对于JavaScript渲染的内容,可使用Selenium模拟浏览器行为,或通过分析网络请求找到数据接口。立即启用备用代理池,建议使用住宅代理(如站大爷IP代理),配合每请求更换IP策略。同时优化代理IP池,确保每个IP的QPS(每秒请求数)控制在合理范围。

这家伙很懒,什么都没有留下 2428

假新闻检测论文分享(25)L-DefenseExplainable Fake News Detection With Large Language Model

现有的假新闻检测工作主要集中在通过深度网络结合多种信息来学习假新闻的潜在特征,如可信度、立场、传播模式、额外知识、域外数据等。尽管他们在探测上取得了成功,但受限于他们的黑箱性质,他们无法提供任何对公众至关重要的理由。为解决这一问题,一些研究致力于可解释假新闻检测(EFND),旨在同时生成准确性预测和解释。许多工作通过注意力机制在相关报道中注意突出特别的单词、短语或句子来提供可解释性。然而,这些工作只发现了对最终预测有高贡献的区域,缺乏直观和可信的解释。

weixin_41964296的博客 732

【python爬虫专项(30)】链家二手房源数据采集3(大数据量下的动态ip设置)

反爬措施 之前使用等待时间来进行反爬措施的应对,也可以通过设置动态ip代理来应对 为什么爬虫需要设置代理ip? 当一直使用同一个ip访问网站时,由于访问网站次数过量,给服务器过多压力,该ip可能被禁 IP地址:IP地址是IP协议提供的一种统一的地址格式,它为互联网上的每一个网络和每一台主机分配一个逻辑地址,以此来屏蔽物理地址的差异 如何查看本地ip地址 ① 直接百度搜索“ip” ② 通过...

lys_828的博客 1130

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

利用Python爬取3万多条上海二手房信息,我得出的结论是?

结论就是:爬再多我也买不去! 好了,废话不多说,正文开始: 本文数据来源于链家网,搜集时间为2020年7月23日。 本次项目使用Scrapy-Redis分布式爬取链家网数据,请自备代理ip。完整代码我已经放文末链接中,本文不再赘述爬虫细节,源码中我都有详细注释。 仪表板展示 项目背景 去面试的时候被问上海二手房的一些情况,作为一个土著,我只知道上海这个区挺贵的那个区大概这个价,但是具体数值却说不上来。所以,就有了本文。 从政策上来看,自从 2016 年国家喊出“房住不炒”的口号之后..

爬遍所有网站 996

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

上一篇: 适合 Python 入门的 8 款强大工具!
下一篇: 最受欢迎的男友职业排行榜,程序员挤进前三!
菜鸟学Python
博客等级 码龄9年 8095粉丝 571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
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