numpy

最新推荐文章于 2023-10-09 22:35:36 发布
最新推荐文章于 2023-10-09 22:35:36 发布
阅读量409 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 爬虫
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。
本文链接：https://blog.youkuaiyun.com/qq_41386300/article/details/87894923
本文详细介绍了numpy库在Python中的使用，包括数组创建、数据类型、轴的理解、数组操作如转置、索引切片、数值修改、数组拼接、行列交换，以及常用的统计函数如求和、均值、中值、最大值、最小值等。同时讲解了布尔索引、缺失值处理和深浅拷贝的概念，并通过实例展示了numpy在实际问题中的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

list 相当于 特殊的数组
数组和列表的区别:

  • 数组: 存储的时同一种数据类型;
  • list: 容器， 可以存储任意数据类型;

numpy

  • 什么numpy？
    • 快速， 方便的科学计算基础库(主要是数值的计算， 多维数组的运算);
  • numpy的数据类型
    在这里插入图片描述
  • 轴的理解(axis): 0轴， 1轴， 2轴
    • 一维数组: [1,2,3,45] ----0轴
    • 二维数组: [[1,2,3,45], [1,2,3,45]] ----0轴, 1轴
      在这里插入图片描述
      在这里插入图片描述
1. numpy操作

  1. numpy创建数组(矩阵)?

    a = np.array([1,2,3,4,5])
    c1 = np.array(range(1,6))
    c2 = np.arange(1,6)

    创建三行四列的二维数组

    b=np.arange(12).reshape(3,4]

    print(type(c1))

    查看数据元素的类型

    print(c1.dtype)

    修改数组的数据类型

    print(c1.astype(‘float’))
    print(c1.astype(‘bool’))
    print(c1.astype(’?’)) # ?是bool类型的代号;

    创建的时候指定数据类型

    print(np.array([1,2,3,4], dtype=np.float))

    两个数组元素像加

    print(a+b) #[ 2 4 6 8 10]

    创建一个全为0的数组;

    print(np.zeros((3, 3), dtype=np.int))

    创建一个全为1的数组;

    print(np.ones((3, 4)))

    创建一个对角线全为1的正方形数组（方阵）

    print(np.eye(3))

  2. numpy数组的转置

    1).
    print(data.transpose())
    2). 0轴 ， 1 轴
    print(data.swapaxes(1, 0))
    3).
    print(data.T)

  3. numpy的索引和切片

  • 数组的切片是原始数组的视图，这意味着数据不会被复制，视图上的任何修改都会直接反映到源数组上
    在这里插入图片描述
    取第一行的数据

    print(data[0])

    取第一列的数据

    print(data.T[0])
    print(data[:, 1])

    获取多行

    print(data[:2])

    获取多列

    print(data.T[:2])
    print(data[:, :2])

    获取指定行的前几列;

    print(data[[0,2], :2])

    获取指定列的前几行

    print(data[:2, [0,2]])

    在这里插入图片描述

  • 花式索引
    在这里插入图片描述
    花式索引将数据复制到新数组中

  1. numpy中数值的修改
    布尔索引: 复杂的条件: data中所有大于8的数字都替换为0；

    data = np.arange(12).reshape((3, 4))
    print(data>8)# 返回一个三行四列的数组， 存储的是Bool值
    data[data>8] = 0

    复杂的条件: data中所有大于8的数字都替换为0， 否则替换为1

    print(np.where(data <= 8, 1, 0))

  2. 数组的拼接
    竖直拼接(vertically)

    print(np.vstack((t1, t2, t3)))

    水平拼接(horizontally)

    print(np.hstack((t1, t2, t3)))

  3. 数组的行列交换
    行交换（第一行和第二行进行交换）

    t4[[0, 1], :] = t4[[1, 0], :]

    列交换（第3列和第5列进行交换）

    t4[:, [2, 4]] = t4[:, [4, 2]]

  4. numpy常用的方法
    获取数组里面最大值的索引;

    max_item1 = np.argmax(data)
    print(max_item1)

    获取每一列的最大值对应的索引;

    print(np.argmax(data, axis=0))

    获取每一行的最大值对应的索引;

    print(np.argmax(data, axis=1))

  5. numpy的深拷贝和浅拷贝
    列表的深拷贝和浅拷贝

    • 浅拷贝: a= b[::] a = copy.copy(b)
    • 深拷贝: a = copy.deepcopy(b)

    numpy中的拷贝

    • data1 = data: 完全不复制， 两个变量相互影响， 指向同一块内存空间；
    • data2 = data[::], 会创建新的对象data2，
      但是两个的数据变化是一致的;其中一个变了，另一个也会变
    • data3 = data.copy(), 深拷贝， 两个变量不互相影响;

  6. numpy中的nan和inf
    nan(not a number): 表示不是一个数字, 代表的是数据缺失
    inf(infinity): inf代表正无穷
    -inf代表负无穷

  • nan的特殊属性:

    • 两个nan的值是不相等的, 是float类型:

      *>>>np.nan == np.nan
      False
      *>>> np.nan != np.nan
      True
      *>>> type(np.nan)
      <class ‘float’>

    • 缺失值
      判断data里面的缺失值

      np.isnan(data)#返回值为bool的数组
      data!=data#返回值为bool的数组

      判断有多少个缺失值

      np.count_nonzero(data!=data)
      np.count_nonzero(np.isnan(data))
      np.isnan(data).sum()

      判断缺失值的位置

      np.where(np.isnan(data))

  1. numpy的常用统计函数

  • 求和

    print(data.sum())

    每一列数据的和；

    print(data.sum(axis=0))

    每一行数据的和；

    print(data.sum(axis=1))

  • 均值

    print(data.mean())
    print(data.mean(axis=0))
    print(data.mean(axis=1))

  • 中值

    print(np.median(data))
    print(np.median(data, axis=0))
    print(np.median(data, axis=1))

  • 最大值

    print(data.max())
    print(data.max(axis=0))
    print(data.max(axis=1))

  • 最小值

  • 极差

    print(np.ptp(data))
    print(np.ptp(data, axis=0))
    print(np.ptp(data, axis=1))

  • 标准差： 代表的是数据的波动稳定情况， 数字越大， 越不稳定;

    print(data.std())
    print(data.std(axis=0))
    print(data.std(axis=1))

  1. 两个小例子
    1.学生身高体重统计分析案例
    需求1:
    获取所有男生的身高平均值;获取所有女生的身高平均值;并绘制柱状图显示
import numpy as np
from pyecharts import  Bar
fname = "eg6-a-student-data.txt"
dtype = np.dtype([('gender', '|S1'), ('height', 'f2')])

#---------------------------------------知识点-------------------------------------------
# fname： 文件的名称， 可以是文件名， 也可以是ugz或者bz2的压缩文件;
# dtype： 数据类型， 可选， 默认是float;
# delimiter： 分隔符字符串， 默认情况是任何的空格，
# skiprows: 跳过前xx行， 一般情况跳过第一行;
#  usecols: 读取指定的列， 可以是元组；
# unpack： 如果为True， 对返回的数组对象转置；

data = np.loadtxt(fname=fname, dtype=dtype, skiprows=9,usecols=(1, 3))
# 判断是否性别为男的表达式
isMale = data['gender'] == b'M'

male_avg_height = data['height'][isMale].mean()
female_avg_height = data['height'][~isMale].mean()

bar = Bar(title="不同性别身高的平均值")
bar.add("", ["男", '女'], [male_avg_height, female_avg_height])
bar.render()

eg6-a-student-data.txt文件中的内容

需求2:
获取所有男生的体重, 求平均值;获取所有女生的体重, 求平均值;并绘制柱状图显示

def parser_weight(weight):
    # 对于体重数据的处理, 如果不能转换为浮点数据类型, 则返回缺失值;
    try:
        return  float(weight)
    except ValueError as e:
        return  -99

fname = "eg6-a-student-data.txt"
dtype = np.dtype([('gender', '|S1'), ('height', 'f2'), ('weight', 'f2')])
data = np.loadtxt(fname=fname, dtype=dtype, skiprows=9,
                  usecols=(1, 4), converters={4:parser_weight})

# 判断是否性别为男
isMale = data['gender'] == b'M'
male_avg_height = data['height'][isMale].mean()
female_avg_height = data['height'][~isMale].mean()

# 判断体重是否大于0
is_weight_vaild =  data['weight'] > 0
male_avg_weight = data['weight'][isMale & is_weight_vaild].mean()
female_avg_weight = data['weight'][~isMale & is_weight_vaild].mean()



bar = Bar(title="不同性别体重身高的平均值")
bar.add("身高", ["男", '女'], [male_avg_height, female_avg_height])
bar.add("体重", ["男", '女'], [male_avg_weight, female_avg_weight])
bar.render()

nunpy的小练习

题目：

1. 创建一个 5x5 的二维数组，其中边界值为1，其余值为0;
    - np.ones()
    - 切片和索引的赋值


2. 使用数字 0 将一个全为 1 的 5x5 二维数组包围, 效果如下:
array([[0., 0., 0., 0., 0., 0., 0.],
       [0., 1., 1., 1., 1., 1., 0.],
       [0., 1., 1., 1., 1., 1., 0.],
       [0., 1., 1., 1., 1., 1., 0.],
       [0., 1., 1., 1., 1., 1., 0.],
       [0., 1., 1., 1., 1., 1., 0.],
       [0., 0., 0., 0., 0., 0., 0.]])




3. 创建一个 10x10 的二维数组，并使得 1 和 0 沿对角线间隔放置， 效果如下:
array([[0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0]])




4. 创建一个 0-10 的一维数组，并将 (1, 9] 之间的数全部反转成负数，  效果如下:
array([ 0,  1, -2, -3, -4, -5, -6, -7, -8, -9, 10])



5. 创建一个 5x5 的矩阵，其中每行的数值范围从 1 到 5, 效果如下:
array([[1., 2., 3., 4., 5.],
       [1., 2., 3., 4., 5.],
       [1., 2., 3., 4., 5.],
       [1., 2., 3., 4., 5.],
       [1., 2., 3., 4., 5.]])



6. 创建一个长度为 5 的一维数组，并将其中最大值替换成 0



7. 将二维数组的前两行进行顺序交换, 效果如下:
- 交换前
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]
 [20 21 22 23 24]]

- 交换后
[[ 5  6  7  8  9]
 [ 0  1  2  3  4]
 [10 11 12 13 14]
 [15 16 17 18 19]
 [20 21 22 23 24]]


8. 找出给定一维数组中非 0 元素的位置索引


9.找出数组中缺失值的总数及所在位置, 案例如下:
array([[0.8 , 0.25, 0.74, 0.05, 0.24, 0.16, 0.63, 0.62, 0.89, 0.85],
       [0.61, 0.76, 0.26, 0.3 , 0.82, 0.74, 0.96, 0.64, 0.58, 0.06],
       [0.78, 0.38, 0.19, 0.68, 0.75, 0.91, 0.13, 0.24, 0.98, 0.21],
       [0.47, 0.12, 0.34, 0.06, 0.46, 0.69, 0.1 ,  nan, 0.27, 0.92],
       [0.83, 0.01, 0.63, 0.15, 0.52, 0.52, 0.02, 0.  , 0.74, 0.59],
       [0.56, 0.66, 0.15,  nan, 0.26, 0.88, 0.15, 0.57, 0.61, 0.35],
       [0.33, 0.58, 0.06, 0.94, 0.58, 0.53, 0.97, 0.02, 0.32,  nan],
       [0.84, 0.71, 0.65, 0.42, 0.44, 0.96, 0.37, 0.65, 0.6 , 0.17],
       [0.04, 0.94, 0.92,  nan, 0.7 , 0.38, 0.28, 0.45, 0.35, 0.93],
       [0.38, 0.69, 0.43, 0.01, 0.67, 0.46, 0.73, 0.99, 0.94, 0.45]])
缺失值总数: 
 4
缺失值索引: 
 (array([3, 5, 6, 8]), array([7, 3, 9, 3]))

答案：

import random

import numpy as np
from numpy import nan

# # #1.
# data=np.ones((5,5))
# data[1:4,1:4]=0
# print(data)
#
# # 2.
# data=np.ones((5,5))
# data[[0,4],:]=0
# data[:,[0,4]]=0
# print(data)
#3.
data=np.ones((10,10))
data[:,1::2]=0
data[0::2,:]=data[9::-2,::-1]
print(data)
# #4.
# data=np.arange(10)
# data[1:]=0-data[1:]
# print(data)
# #5.
# data=np.array([1,2,3,4,5]*5).reshape(5,5)
# print(data)
# # 6
# data=np.array([random.randint(1,101) for i in range(5)])
# data[np.argmax(data)]=0
# print(data)
#
print('------------7-------------')
data=np.arange(25).reshape(5,5)
print(data)
data[[0,1],:]=data[[1,0],:]
print(data)
#
# print('-----------------8------------------')
# data=np.array([1,4,0,5,0,4])
# # print([i for i in range(len(data)) if data[i]!=0 ])
# print(np.where(data[:]!=0))
#
print('-------9---------------------')
data=np.array([[0.8 , 0.25, 0.74, 0.05, 0.24, 0.16, 0.63, 0.62, 0.89, 0.85],
       [0.61, 0.76, 0.26, 0.3 , 0.82, 0.74, 0.96, 0.64, 0.58, 0.06],
       [0.78, 0.38, 0.19, 0.68, 0.75, 0.91, 0.13, 0.24, 0.98, 0.21],
       [0.47, 0.12, 0.34, 0.06, 0.46, 0.69, 0.1 , nan, 0.27, 0.92],
       [0.83, 0.01, 0.63, 0.15, 0.52, 0.52, 0.02, 0.  , 0.74, 0.59],
       [0.56, 0.66, 0.15,  nan, 0.26, 0.88, 0.15, 0.57, 0.61, 0.35],
       [0.33, 0.58, 0.06, 0.94, 0.58, 0.53, 0.97, 0.02, 0.32,  nan],
       [0.84, 0.71, 0.65, 0.42, 0.44, 0.96, 0.37, 0.65, 0.6 , 0.17],
       [0.04, 0.94, 0.92,  nan, 0.7 , 0.38, 0.28, 0.45, 0.35, 0.93],
       [0.38, 0.69, 0.43, 0.01, 0.67, 0.46, 0.73, 0.99, 0.94, 0.45]])

print('缺失值总数',np.count_nonzero(data!=data))
print('缺失值总数',np.count_nonzero(np.isnan(data)))
print('缺失值总数',np.isnan(data).sum())
print(np.where(np.isnan(data)))
Numpy的轴及numpy数组转置换轴
分享关于数据的知识。
01-17 2487
最内层一对 [ ] 可以代表一个1维数组加粗的一对 [ ] 里面有3个一维数组，也就是2维数组最外层的一对 [ ] 里面有3个2维数组也就是3维数组0轴是行，1轴是列，2轴是纵深数组的shape维度是（4,3,2），元组的索引为 [ 0,1,2 ]假设维度是（2，3），元组的索引为[0,1]假设维度是（4，） 元组的索引为[0]可以看到轴编号和shape元组的索引是对等的，所以这个编号可以理解为高维nd.array.shape产生的元组的索引。
numpy基础—numpy的轴
weixin_51758140的博客
01-26 1039
0轴是行，1轴是列，2轴是纵深 数组的shape维度是（4,3,2），元组的索引为 [ 0,1,2 ] 假设维度是（2，3），元组的索引为[0,1] 假设维度是（4，） 元组的索引为[0] 总结：凡是提到轴，先看数组的维度，有几维就有几个轴 沿轴切片 import numpy as np a = np.array([ [1,2,3] , [4,5,6] , [7,8,9] ]) print(a[:2]) #表示切取0轴上的索引[0]和索引[1] [[1 2 3] [4 5 6]] import..
杂七杂八系列——001_Python Pandas与Numpy中axis参数的二义性
yu的博客
03-27 221
本文摘自简书，原作链接附在文末。 Stackoverflow问题如下： python中的axis究竟是如何定义的呢？他们究竟代表是DataFrame的行还是列？考虑以下代码 >>>df = pd.DataFrame([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]], \ columns=["col1", "col2", "col3", "col...
python中的0轴和1轴
greatwind的博客
09-28 761
个人理解，轴表示的是一个方向，类似于坐标系中的x轴和y轴： x轴代表水平方向； y轴代表垂直方向。 以此类比数据表中的0轴和1轴，就会容易很多： 0轴代表数据表里的垂直方向，比如，求一个数据表的列和，即垂直方向上的元素之和，df.sum(axis=0)； 1轴代表数据表里的水平方向。 ...
Python的numpy中axis=0、axis=1、axis=2解释
热门推荐
sally的jerry
03-14 5万+
参考：Python：一文让你彻底理解numpy中axis=-1/0/1/2… [实例讲解：np.argmax(axis= -1 0 1 2) np.sum(aixs= -1 0 1 2)] 0. 前置知识 0.1 axis axis翻译过来就是轴的意思。 numpy数组中： 一维数组拥有一个轴：axis=0； 二维数组拥有两个轴：axis=0，axis=1； 三维数组拥有三个轴：axis=0，axis=1，axis=2。 四维数组拥有三个轴：axis=0，axis=1，axis=2，axis=3。 0
numpy中多维数组的轴（axis）
fishineye的专栏
10-13 8340
多维数组的轴（axis=）是和该数组的size（或者shape）的元素是相对应的； >>> np.random.seed(123) >>> X = np.random.randint(0, 5, [3, 2, 2]) >>> print(X) [[[5 2] [4 2]] [[1 3] [2 3]] [[1 1] [0 1]]] >>> X.sum(axis=0) arr
NumPy初学者指南.pdf
09-20
NumPy是Python中用于科学计算的一个开源库，它提供了高性能的多维数组对象以及用于处理这些数组的工具。NumPy数组的结构被称作ndarray，它是一个同质的n维数组。NumPy之所以特别适用于科学计算，是因为它在处理大量...
numpy-2.1.1.tar.gz
09-04
numpy是Python编程语言中一个开源的数值计算扩展库，它被广泛应用于科学计算和数据分析领域，提供了高性能的多维数组对象以及用于对这些数组进行操作的工具。numpy库支持大量的维度数组与矩阵运算，此外也针对数组...
numpy-2.0.0.tar.gz
06-29
《numpy-2.0.0：深度学习中的基石》 numpy-2.0.0.tar.gz 是一个包含Python科学计算库numpy的版本2.0.0的压缩文件，它是Python编程语言在数据处理和数值计算领域的核心库。Numpy是众多科学计算库的基础，尤其在机器...
numpy-2.2.0.tar.gz
最新发布
12-17
NumPy（Numerical Python）是一个开源的Python库，广泛用于科学计算。它提供了强大的多维数组对象（ndarray）以及用于操作这些数组的工具。NumPy的核心功能包括： 多维数组对象：支持一维、二维及更高维度的数组运算...
如何理解python中的0轴和1轴
03-14 1万+
最近在学习的过程中碰到一个之前很熟悉的知识点，现在却傻傻分不清，就是我们在看代码的时候经常会看到某个函数里面 F.log_softmax(y/temp,dim=1)，比如这个dim=1 因此为了彻底记住，网上查了些资料，把自己的理解记录在这里。 0轴代表一个矩阵里竖着的那一个方向，1轴代表一个矩阵里横着的那一个方向。 举个栗子，如下所示 import numpy as np a = np.array([[1,2],[3,4],[5,6]]) print(a) 输出结果如下： [[1 ...
Numpy运算中axis=0和axis=1的区分
qingsi11的博客
01-27 1618
在使用python做数据处理和分析的时候，我们经常需要针对行或者列做运算，比如求和、均值、最大、最小值等。怎么确定axis取0还是1？ 官方解释： axis只的就是轴，轴用来为超过一维数组定义的属性，二维数据拥有两个轴：第0轴沿着行的方向垂直向下，第1轴沿着列的方向水平延申。根据官方的说法，1表示横轴，方向从左到右；0表示纵轴，方向从上到下。当axis=1时，数组的变化是横向的，体现出列的增加或者减少。反之，当axis=0时，数组的变化是纵向的，体现出行的增加或减少。 上面的官方解释是针对二维数据，如果是三
numpy 轴的理解
cpyy103的博客
04-06 459
轴 在numpy中关于axis的轴有时会有点晕，这里做下总结 如果axis=0，表示0轴，第一个维度 axis=1，表示1轴，第二个维度 有点抽象 本地使用jupyter，设没注释的为代码输入，注释部分为输出 sum 二维 import numpy as np a = np.array([[1,2,3],[4,5,6]]) a # array([[1, 2, 3], # [4, 5,...
python中numpy的轴（axis）理解
sgcwudi的博客
06-18 2560
a = np.array([[1,3],[2,6],[3,4]]) np.shape(a) 就是从最外层括号开始往内一层层剥开，[[1,3],[2,6],[3,4]]，最外层括号有三个元素，[1,3],[2,6],[3,4]，第二层括号有1,3 两个元素，所以是（3,2）. [[1,3],[2,6],[3,4]]) 0轴：即第0层括号[1,3]，[2,6]，[3,4]]，即a[0],a[1],a[2] 1轴：即第1层括号1,3，即a[0][0],a[1][1] 轴的理解，np.sum(a,
理解numpy中的axis(轴)
JPLAY的博客
09-16 565
理解numpy中的axis(轴)
【Python 模块学习】NumPy中的维度(dimension)、轴(axis)、秩(rank)的含义
Babyfatliang的博客
02-19 2万+
这个和Python自带的列表有较大的区别，列表中的元素类型是可以不相同的，如一个列表中，它可以包含数字、字符、字符串等，而在数组中，它的数据类型是相同的，如都是整型或者浮点型。如下图中的数组b，从属性 ndim 中可以知道，它的秩为2，即轴的个数是2，或者维度的数量是2（行和列两个维度）。在下面的例子中，有一个数组 [1,2,1]， 它的维度是1，也就是有一个轴，这个轴的长度是3，而它的秩也为1。秩的值已经变为3，它的shape反映出它的轴0长度为2，轴1长度为2，轴2的长度为3。
numpy中的axis（轴的理解）
masterShaw的博客
05-09 2094
# 沿着axis指定的轴进行相应的函数操作。如果不知道axis，则把结构体展开成一维，然后再开始计算 import numpy as np print("array x") x = [[1, 2, 3], [5, 1, 2]] x = np.array(x) print(x) print("shape x") print(x.shape) print("max") max_ = np....
Numpy学习笔记——numpy的轴
wander404的博客
10-09 842
轴编号与shape的索引是对等的，这个。shape（3，2，4）表示数组的维度，shape的索引可以看作轴编号，即一条轴其实就是一个维度。以下图为例，一维数组的shape维度是（4，），对应的元组的索引是 [0]；二维数组的shape维度是（2，4），对应的元组的索引为[0，1]；三维数组的shape维度是（3，2，4），对应的元组的索引为[0，1，2]此外，索引也可以从负数开始，对于负数索引，-1表示最后一个维度，-2表示导数第二个维度，以此类推。
numpy+mkl wheel安装指南
numpy+mkl wheel安装文件知识点： 1. NumPy简介： NumPy是一个开源的Python库，它提供了高性能的多维数组对象以及相关工具。它在科学计算领域尤其重要，因为其核心数据结构数组能够提供快速和便捷的数组运算。NumPy...
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