pandas-数据清洗dropna,fillna,to_numeric,replace 图形解释

最新推荐文章于 2025-11-26 15:40:52 发布
原创 最新推荐文章于 2025-11-26 15:40:52 发布 · 790 阅读 · 20 ·
CC 4.0 BY-SA版权
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。
文章标签：

#pandas #python

练习数据

物业编号,街道门牌号,街道名称,是否自住,卧室数量,浴室数量,房屋面积
100001000,104,和平路,是,3,1,950
100002000,197,解放路,否,3,1.5,–
100003000,建设路,否,n/a,1,850
100004000,201,人民路,5,1,NaN,700
,203,幸福路,是,3,2,1600
100006000,207,光明街,是,NA,1,800
100007000,NA,朝阳路,2,华杰,950
100008000,213,新华街,是,1,1,
100009000,215,东风路,是,na,2,1800
100010000,219,建国路,否,4,2.5,–

import pandas as pd

# na_values 表示是 错误类型的数据
missing_values = ["n/a", "na", "--",""]
df = pd.read_csv('./dirty-data.csv', na_values = missing_values)

# 查看数值列的统计描述（识别异常值，如最大值/最小值异常）
# count 当前列中 数据有多少个
# mean 平均值是多少
# std 标准差是多少
# min 最小值
# max 最大值
df.describe()
物业编号街道门牌号卧室数量房屋面积
count9.000000e+008.0000007.0000007.000000
mean1.000056e+08194.8750002.4285711092.857143
std3.205897e+0337.4716561.133893427.617987
min1.000010e+08104.0000001.000000700.000000
25%1.000030e+08200.0000001.500000825.000000
50%1.000060e+08205.0000003.000000950.000000
75%1.000080e+08213.5000003.0000001275.000000
max1.000100e+08219.0000004.0000001800.000000
# 显示所有的列的统计情况
df.describe(include="all")
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
count9.000000e+008.0000001097.00000097.000000
uniqueNaNNaN103NaN5NaN
topNaNNaN和平路是NaN1NaN
freqNaNNaN15NaN4NaN
mean1.000056e+08194.875000NaNNaN2.428571NaN1092.857143
std3.205897e+0337.471656NaNNaN1.133893NaN427.617987
min1.000010e+08104.000000NaNNaN1.000000NaN700.000000
25%1.000030e+08200.000000NaNNaN1.500000NaN825.000000
50%1.000060e+08205.000000NaNNaN3.000000NaN950.000000
75%1.000080e+08213.500000NaNNaN3.000000NaN1275.000000
max1.000100e+08219.000000NaNNaN4.000000NaN1800.000000
# 25%：每列数据总数*25%，
# 50%：每列数据总数*50%,也就是中位数，
# 75%：每列数据总数*75%
# percentiles：指定要包括的其他百分位数，例如percentiles=[0.3,0.6,0.9]将返 总值的30%,60%,90%
df.describe(percentiles=[0.3,0.6,0.9])
物业编号街道门牌号卧室数量房屋面积
count9.000000e+008.0000007.0000007.000000
mean1.000056e+08194.8750002.4285711092.857143
std3.205897e+0337.4716561.133893427.617987
min1.000010e+08104.0000001.000000700.000000
30%1.000034e+08201.2000001.800000840.000000
50%1.000060e+08205.0000003.000000950.000000
60%1.000068e+08208.2000003.000000950.000000
90%1.000092e+08216.2000003.4000001680.000000
max1.000100e+08219.0000004.0000001800.000000
# 查看每列 (Dtype)数据类型、(Non-Null Count)非空值数量（快速定位缺失值）
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 10 entries, 0 to 9
Data columns (total 7 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   物业编号    9 non-null      float64
 1   街道门牌号   8 non-null      float64
 2   街道名称    10 non-null     object 
 3   是否自住    9 non-null      object 
 4   卧室数量    7 non-null      float64
 5   浴室数量    9 non-null      object 
 6   房屋面积    7 non-null      float64
dtypes: float64(4), object(3)
memory usage: 688.0+ bytes

# 1. 查看各列缺失值数量

df.isnull().sum()

物业编号     1
街道门牌号    2
街道名称     0
是否自住     1
卧室数量     3
浴室数量     1
房屋面积     3
dtype: int64

dropna

df.dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)
axis：选择删除行还是列，axis=0（默认）表示操作行，axis=1表示操作列。
how：any表示一行/列有任意元素为空时即丢弃，all表示一行/列所有值都为空时才丢弃
thresh：axis中至少有N个非缺失值，否则删除。
subset：参数类型为列表，表示删除时只考虑的索引或列名。
inplace：是否在原数据上操作。

new_df = df.dropna()

new_df.to_string()
new_df
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
0100001000.0104.0和平路是3.01950.0
# 只删除列 ('物业编号')中有nan的行数据
new_df = df.dropna(subset=['物业编号'])
new_df
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
0100001000.0104.0和平路是3.01950.0
1100002000.0197.0解放路否3.01.5NaN
2100003000.0NaN建设路否NaN1850.0
3100004000.0201.0人民路51.0NaN700.0
5100006000.0207.0光明街是NaN1800.0
6100007000.0NaN朝阳路NaN2.0华杰950.0
7100008000.0213.0新华街是1.01NaN
8100009000.0215.0东风路是NaN21800.0
9100010000.0219.0建国路否4.02.5NaN

pd.fillna

pd.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)

value：用于填充的空值的值。
method： {‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None},
default None。定义了填充空值的方法，
pad / ffill表示用前面行/列的值，填充当前行/列的空值，
backfill / bfill表示用后面行/列的值，填充当前行/列的空值。

axis：轴。0或’index’，表示按行删除；1或’columns’，表示按列删除。
inplace：是否原地替换。布尔值，默认为False。如果为True，则在原DataFrame上进行操作，返回值为None。
limit：int， default None。如果method被指定，对于连续的空值，这段连续区域，最多填充前 limit 个空值（如果存在多段连续区域，每段最多填充前 limit 个空值）。如果method未被指定， 在该axis下，最多填充前 limit 个空值（不论空值连续区间是否间断）

downcast：dict, default is None，字典中的项为，为类型向下转换规则。或者为字符串“infer”，此时会在合适的等价类型之间进行向下转换，比如float64 to int64 if possible。

# 2. 填充缺失值
## 物业编号（唯一标识）：用“未知编号”填充（无法用数值填充）
df['物业编号'] = df['物业编号'].fillna('未知编号')
df.head()
#df.isnull().sum()
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
0100001000.0104.0和平路是3.01950.0
1100002000.0197.0解放路否3.01.5NaN
2100003000.0NaN建设路否NaN1850.0
3100004000.0201.0人民路51.0NaN700.0
4未知编号203.0幸福路是3.021600.0

to_numeric

pandas.to_numeric(arg, errors=‘raise’, downcast=None)
arg: 待转换的数据，可以是Series、DataFrame、列表、数组等。
errors: 控制遇到无法转换的值时的处理方式，可选值包括’raise’（默认，抛出异常）、‘coerce’（将无法转换的值设置为NaN）和’ignore’（保留原始值）。
downcast: 控制数值类型的转换，可选值包括’integer’、‘signed’、‘unsigned’、‘float’，用于降低数据类型的精度。

## 街道门牌号（数值型）：用中位数填充（避免受极端值影响）
# 先将“NA”文本转为NaN，再提取数值列的中位数
df['街道门牌号'] = pd.to_numeric(df['街道门牌号'], errors='coerce')  # 非数值转为NaN
df['街道门牌号'] = df['街道门牌号'].fillna(df['街道门牌号'].median())
df.head()
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
0100001000.0104.0和平路是3.01950.0
1100002000.0197.0解放路否3.01.5NaN
2100003000.0205.0建设路否NaN1850.0
3100004000.0201.0人民路51.0NaN700.0
4未知编号203.0幸福路是3.021600.0
## 是否自住（分类值）：用众数“是”填充（出现频率最高）
df['是否自住'] = df['是否自住'].fillna(df['是否自住'].mode())
df.head()
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
0100001000.0104.0和平路是3.01950.0
1100002000.0197.0解放路否3.01.5NaN
2100003000.0205.0建设路否NaN1850.0
3100004000.0201.0人民路51.0NaN700.0
4未知编号203.0幸福路是3.021600.0
## 卧室数量（数值型）：先统一异常文本为NaN，再用中位数填充
df['卧室数量'] = df['卧室数量'].replace(['n/a', 'na', 'NA'], pd.NA)  # 替换异常文本
df['卧室数量'] = pd.to_numeric(df['卧室数量'], errors='coerce')  # 转为数值型
df['卧室数量'] = df['卧室数量'].fillna(df['卧室数量'].median()).astype(int)  # 填充后转整数
df.head()
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
0100001000.0104.0和平路是31950.0
1100002000.0197.0解放路否31.5NaN
2100003000.0205.0建设路否31850.0
3100004000.0201.0人民路51NaN700.0
4未知编号203.0幸福路是321600.0
## 房屋面积（数值型）：替换“--”为NaN，用均值填充
df['房屋面积'] = df['房屋面积'].replace('--',  pd.NA)
df['房屋面积'] = pd.to_numeric(df['房屋面积'], errors='coerce')
df['房屋面积'] = df['房屋面积'].fillna(round(df['房屋面积'].mean())).astype(int)  # 四舍五入为整数
df
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
0100001000.0104.0和平路是31950
1100002000.0197.0解放路否31.51093
2100003000.0205.0建设路否31850
3100004000.0201.0人民路51NaN700
4未知编号203.0幸福路是321600
5100006000.0207.0光明街是31800
6100007000.0205.0朝阳路NaN2华杰950
7100008000.0213.0新华街是111093
8100009000.0215.0东风路是321800
9100010000.0219.0建国路否42.51093
# 1. 修正“是否自住”（混合文本和数字，统一为“是/否”）
# 规则：原“是”保留，原“否”保留，数字/其他转为“未知”
def fix_own_occupied(x):
    if x in ['是', '否']:
        return x
    else:
        return '未知'  # 数字12/9/7等无法判断，标记为未知

df['是否自住'] = df['是否自住'].apply(fix_own_occupied)

# 2. 修正“浴室数量”（出现文本“HURLEY”，用均值替换）
df['浴室数量'] = df['浴室数量'].replace('HURLEY', pd.NA)  # 异常文本转为NaN
df['浴室数量'] = pd.to_numeric(df['浴室数量'], errors='coerce')
df['浴室数量'] = df['浴室数量'].fillna(round(df['浴室数量'].mean(), 1))  # 保留整数
df
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
0100001000.0104.0和平路是31.0950
1100002000.0197.0解放路否31.51093
2100003000.0205.0建设路否31.0850
3100004000.0201.0人民路未知11.5700
4未知编号203.0幸福路是32.01600
5100006000.0207.0光明街是31.0800
6100007000.0205.0朝阳路未知21.5950
7100008000.0213.0新华街是11.01093
8100009000.0215.0东风路是32.01800
9100010000.0219.0建国路否42.51093

修改数据类型

# 物业编号：转为字符串（避免科学计数法）
df['物业编号'] = df['物业编号'].astype(str)

# 街道门牌号：转为整数（门牌号应为整数）
df['街道门牌号'] = df['街道门牌号'].astype(int)
df
物业编号街道门牌号街道名称是否自住卧室数量浴室数量房屋面积
0100001000.0104和平路是31.0950
1100002000.0197解放路否31.51093
2100003000.0205建设路否31.0850
3100004000.0201人民路未知11.5700
4未知编号203幸福路是32.01600
5100006000.0207光明街是31.0800
6100007000.0205朝阳路未知21.5950
7100008000.0213新华街是11.01093
8100009000.0215东风路是32.01800
9100010000.0219建国路否42.51093
数据清洗与统计分析原理与代码实战案例讲解
AI天才研究院
10-25 1261
《数据清洗与统计分析原理与代码实战案例讲解》 关键词：数据清洗、统计分析、Python、R语言、数据预处理、数据分析、机器学习、大数据 摘要：本文将深入探讨数据清洗与统计分析的
AI创业公司的产品数据分析框架：数据采集数据处理与数据可视化
AI天才研究院
10-11 1280
文章标题 《AI创业公司的产品数据分析框架：数据采集、数据处理与数据可视化》 文章关键词 AI创业公司，产品数据分析，数据采集，数据处理，数据可视化，数据质量监控，数据处理性能优化，数据建模与算法选择，交互式数据可视化，数据可视化最佳实践 文章摘要
Python数据分析与程序设计(四)：Pandas数据分析实践
m0_71920354的博客
04-14 1506
上一篇系列博客中，我们介绍了Pandas库的基本概念和功能，为读者展示了Pandas在数据分析领域中的强大之处。本篇将从理论走向实践，通过具体的数据分析案例来应用Pandas库。对应数据集我会在后续上传，大家可以在我的主页中找到它是数据分析和机器学习中的一个重要步骤，它涉及将原始数据转换成适合进一步分析或模型训练的形式。预处理的目的是提高数据的质量，使其更加适合特定的分析任务；去除重复值：删除数据集中的重复记录，确保数据的唯一性。处理缺失值。
数据分析-numpy-pandas-matplotlib
qq_59049883的博客
07-05 1021
数据分析——numpy-pandas-matpoltlib
Python数据分析与可视化库Pandas完整教程
weixin_42502089的博客
04-28 1040
Pandas是一个功能强大的Python数据分析库，它提供了数据结构和数据分析工具，专为处理结构化（表格、多维、异质）和时间序列数据设计。Pandas的命名来自于术语 "panel data"（面板数据），它最初是由Wes McKinney在2008年开发的。它不仅提供了快速、灵活的数据结构，而且还支持对数据进行高效的操作，这在金融分析、社会科学、统计学、工程学和生物信息学等众多领域中至关重要。Pandas库的发展受益于Python语言本身的发展，该语言易于阅读和编写，同时具有强大的库生态系统。
特征工程(II)--数据预处理
WilenWu
04-06 834
导入必要的包 import numpy as np import pandas as pd import re from sklearn.base import BaseEstimator, TransformerMixin from sklearn.utils.validation import check_X_y, check_is_fitted from sklearn.preprocessing import FunctionTransformer from sklearn.compose impo
python数据清洗之学习总结（六、数据清洗之数据预处理)
wj的博客
03-10 2241
文章目录1.重复值处理 1.重复值处理 数据清洗一般先从重复值和缺失值开始处理 重复值一般采取删除法来处理 但有些重复值不能删除，例如订单明细数据或交易明细数据等 ...
Python高级学习笔记-day04-pandas库
XZSSWJS的博客
08-13 706
初学小小白，个人笔记使用，仅供参考
Python数据分析案例48——二手房价格影响因素分析
weixin_46277779的博客
06-29 4113
二手房价格影响因素分析，回归分析
pandas学习步骤
qq_45822672的博客
11-08 1833
pandas
【Pandas高效数据处理】：数据清洗与准备的关键技术全攻略
文章首先概述了Pandas库的基本架构和数据结构，随后深入探讨了数据清洗技术，包括缺失值和异常值的处理、数据转换及归一化方法。在数据准备与预处理章节，本文详细讲解了数据集划分、特征工程、数据编码与量化等关键...
import pandas as pd # 读取 Excel 文件（注意添加r前缀） df = pd.read_excel(r"D:\cleaned.xlsx") # 强制转换frame_id为整型 df['frame_id'] = pd.to_numeric(df['frame_id'], errors='coerce').astype('Int64') # 筛选数据（保持原有逻辑） filtered_df = df[(df['yp'] > -3.5) & (df['yp'] <= 0)].copy() # 计算是否有紧急车辆标记 has_emergency filtered_df.loc[:, 'has_emergency'] = filtered_df.groupby('frame_id')['cls_id'].transform( lambda x: x.eq(8).any() ) def calculate_spacing(group): """按车道排序并计算平均车头间距""" sorted_vehicles = group.sort_values("xp") spacings = sorted_vehicles["xp"].diff().dropna() # 计算相邻车辆之间的距离差值 return spacings.mean() if not spacings.empty else None # 返回非空时的均值 # 按照是否为紧急状态 + 时间帧分组计算车头间距 spacing_by_group = ( filtered_df.groupby(['has_emergency', 'frame_id'], observed=True) .apply(calculate_spacing) ) # 将结果转换为 DataFrame 格式 result_df = spacing_by_group.reset_index(name='平均车头间距(m)').fillna({'平均车头间距(m)': 0}) import matplotlib.pyplot as plt # 按frame_id排序保证时间连续性 result_sorted = result_df.sort_values('frame_id') # 创建画布 plt.figure(figsize=(15, 6)) # 绘制完整折线（浅蓝色背景线） plt.plot(result_sorted['frame_id'], result_sorted['平均车头间距(m)'], color='lightblue', linewidth=1, label='基础间距') # 突出显示有应急车辆的帧（红色圆点标记） emergency_frames = result_sorted[result_sorted['has_emergency']] plt.scatter(emergency_frames['frame_id'], emergency_frames['平均车头间距(m)'], color='red', s=30, label='存在应急车辆', zorder=3) # 设置图表格式 plt.title('车头间距随时间变化趋势（应急车辆标记）', fontsize=14, pad=20) plt.xlabel('时间帧ID', fontsize=12) plt.ylabel('平均车头间距(m)', fontsize=12) plt.grid(True, linestyle='--', alpha=0.5) plt.legend(loc='upper right') # 自动调整刻度密度 plt.xticks(rotation=45) plt.tight_layout() plt.show() 有报错，完善代码
04-02
好的，我现在需要帮助用户解决他们提供的Python代码中的错误。首先，我得仔细看一下用户提供的代码，...- 若仍有NaN值警告，可在数据清洗阶段添加： ```python df = df.dropna(subset=['xp', 'yp', 'cls_id']) ```
import pandas as pd import numpy as np import matplotlib.pyplot as plt # 1. 设置文件路径 file_path = r"C:\Users\asus\Desktop\E题\附件\附件1\1.xlsx" # 2. 读取 Excel 文件 df = pd.read_excel(file_path, sheet_name='Sheet1') # 3. 清洗帧号列 df['帧号'] = pd.to_numeric(df['帧号'], errors='coerce') df = df.dropna(subset=['帧号']) df = df.reset_index(drop=True) df['帧号'] = df['帧号'].astype(int) # 4. 提取脚部关键点 Y 值 foot_y_cols = ['29_Y', '30_Y', '31_Y', '32_Y'] # 检查列是否存在 for col in foot_y_cols: if col not in df.columns: raise ValueError(f"缺失关键点列：{col}") # 5. 对每个关键点进行插值修复（Y=0 视为缺失） df_interp = df[['帧号']].copy() for col in foot_y_cols: # 将 Y=0 替换为 NaN df_clean = df[col].replace(0, np.nan) # 使用线性插值修复（限制连续插值不超过5帧） df_interp[col] = df_clean.interpolate(method='linear', limit=5) # 剩余 NaN 使用前后均值或前向填充 df_interp[col] = df_interp[col].fillna(method='ffill').fillna(method='bfill') # 6. 设置中文字体 plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans'] plt.rcParams['axes.unicode_minus'] = False # 正常显示负号 # 7. 绘图 plt.figure(figsize=(16, 6)) for col in foot_y_cols: plt.plot(df_interp['帧号'], df_interp[col], label=col, linewidth=1.5) # 8. 设置横坐标刻度：每 10 帧一个 x_min = int(df_interp['帧号'].min()) x_max = int(df_interp['帧号'].max()) plt.xticks(np.arange(x_min, x_max + 1, 10)) # 9. 设置纵坐标刻度：每 50 像素一个 y_min = df_interp[foot_y_cols].min().min() y_max = df_interp[foot_y_cols].max().max() y_ticks = np.arange((y_min // 50) * 50, (y_max // 50 + 2) * 50, 50) plt.yticks(y_ticks) # 10. 添加标题和标签 plt.title('运动者1脚部关键点29、30、31、32的Y值关于帧值的分析图像', fontsize=16, pad=20) plt.xlabel('帧号', fontsize=12) plt.ylabel('Y 坐标（像素）', fontsize=12) # 11. 图例与网格 plt.legend(loc='upper right') plt.grid(True, alpha=0.3) # 12. 调整布局并显示 plt.tight_layout() plt.show() 参照上述代码把上传的表 代码展示出来
09-06
df['帧号'] = pd.to_numeric(df['帧号'], errors='coerce') df = df.dropna(subset=['帧号']) df = df.reset_index(drop=True) df['帧号'] = df['帧号'].astype(int) # 4. 提取脚部关键点 Y 值 foot_y_cols = ['29_...
Python在机器学习中的模型训练
2509_93937153的博客
11-26 292
上周对比SVM和随机森林时，用Pipeline把预处理和训练步骤串起来，cross_val_score直接出十折交叉验证结果，整个实验可复现性极高。数据预处理这块绝对是重头戏。最近在做回归项目，r2_score和mean_squared_error这几个指标函数随调随用，省去了自己实现的麻烦。但平心而论，在常规业务场景下，从数据探索到模型上线的整个生命周期，Python的生态链确实做到了无缝衔接。很多库的默认参数就够用，想要精细调控又能深入底层，这种灵活性才是我们坚持用Python搞机器学习的根本原因。
Python自动化测试框架开发
最新发布
2509_93945719的博客
11-26 401
封装requests时踩过坑，最初简单包装成通用方法，后来发现不同模块需要不同的超时策略和重试机制。框架开发过程中最大的体会是：好的设计不是一次性完成的，而是在不断踩坑、重构中迭代出来的。记住，自动化测试的终极目标不是追求100%覆盖率，而是用最小成本快速发现质量问题。最直观的变化是测试周期从原来的3天缩短到8小时，版本发布再也不用全员熬夜了。pytest的夹具机制比unittest灵活太多，特别是parametrize参数化，能轻松实现数据驱动。决定动手搭个统一的测试框架，把乱七八糟的脚本规范起来。
Java总结进阶之路 （基础二 ）
2509_94006474的博客
11-24 803
提示：java总结学习之路。
15：00开始面试，15：06就出来了，问的问题有点变态。。。
2301_78843735的博客
11-24 619
【摘要】本文分享了一位软件测试工程师的求职经历和面试经验。文章首先描述了作者遭遇降薪后寻求新工作的过程，并反思了在面试中因基础知识不足而失利的情况。随后系统整理了软件测试岗位的常见面试知识点，涵盖16个技术栈：包括测试理论、Linux、MySQL、Web/API/App测试、Python基础、性能测试等核心内容。其中详细列举了各技术栈的高频面试题，如测试步骤设计、Linux命令使用、Python编程题、MySQL优化等。最后提到完整的面试宝典包含近200页内容，旨在帮助求职者高效准备面试，提升通过率。
【TensorRT】20250826 日志 - 开启FP16的问题
GG_Bruse的博客
11-23 260
博主最近遇到一个新模型需要转 Engine 的任务，打算采用 Ckpt - ONNX - Engine的方式，遇到了一些小问题，记录一下。
收藏！软件测试面试题
2401_86705770的博客
11-26 243
作为一位过来人也是希望大家少走一些弯路，如果你不想再体验一次学习时找不到资料，没人解答问题，坚持几天便放弃的感受的话，在这里我给大家分享一些自动化测试的学习资源，希望能给你前进的路上带来帮助。
评论
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