ValueError: Expected 2D array, got 1D array instead:

最新推荐文章于 2024-01-16 15:48:55 发布
原创 最新推荐文章于 2024-01-16 15:48:55 发布 · 1.5k 阅读 · 0 ·
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：

#pyspark   svm

本文记录了使用Apache Spark进行支持向量机(SVM)训练过程中遇到的问题及解决方案。主要问题为预测阶段出现的一维数组错误，并给出了正确的特征reshape方法。 
18/08/19 22:01:52 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Parsing data
Fitting model
train
Currently 8 partitions left
Size of data: 60000
Currently 4 partitions left
Size of data: 28024
Currently 2 partitions left
Warning: 456.0 relevant support vectors thrown away!
('model.support:', array([   0,    1,    3, ..., 7018, 7020, 7021], dtype=int32), ' self.max_sv:', 5000.0)
Warning: 484.0 relevant support vectors thrown away!
('model.support:', array([   0,    1,    3, ..., 7065, 7066, 7067], dtype=int32), ' self.max_sv:', 5000.0)
Warning: 348.0 relevant support vectors thrown away!
('model.support:', array([   0,    1,    2, ..., 6891, 6892, 6893], dtype=int32), ' self.max_sv:', 5000.0)
Warning: 453.0 relevant support vectors thrown away!
('model.support:', array([   1,    2,    4, ..., 7036, 7038, 7039], dtype=int32), ' self.max_sv:', 5000.0)
Size of data: 20000
Warning: 2935.0 relevant support vectors thrown away!
('model.support:', array([   9,   19,   23, ..., 9975, 9976, 9984], dtype=int32), ' self.max_sv:', 5000.0)
Warning: 2923.0 relevant support vectors thrown away!
('model.support:', array([  13,   35,   42, ..., 9968, 9970, 9996], dtype=int32), ' self.max_sv:', 5000.0)
Time: 845.46
Predicting outcomes training set
18/08/19 22:16:16 ERROR Executor: Exception in task 1.0 in stage 9.0 (TID 19)
org.apache.spark.api.python.PythonException: Traceback (most recent call last):
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/worker.py", line 229, in main
    process()
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/worker.py", line 224, in process
    serializer.dump_stream(func(split_index, iterator), outfile)
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 2438, in pipeline_func
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 2438, in pipeline_func
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 2438, in pipeline_func
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 362, in func
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 1056, in <lambda>
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 1056, in <genexpr>
  File "/home/hduser/pythonwork/CVM/bin/mnist.py", line 57, in <lambda>
    labelsAndPredsTrain = trainRDD.map(lambda p: (p.label, model.predict(p.features)))
  File "/home/hduser/pythonwork/CVM/cvm/svm.py", line 20, in predict
    return self.model.predict(features)
  File "/home/hduser/anaconda2/lib/python2.7/site-packages/sklearn/svm/base.py", line 548, in predict
    y = super(BaseSVC, self).predict(X)
  File "/home/hduser/anaconda2/lib/python2.7/site-packages/sklearn/svm/base.py", line 308, in predict
    X = self._validate_for_predict(X)
  File "/home/hduser/anaconda2/lib/python2.7/site-packages/sklearn/svm/base.py", line 439, in _validate_for_predict
    X = check_array(X, accept_sparse='csr', dtype=np.float64, order="C")
  File "/home/hduser/anaconda2/lib/python2.7/site-packages/sklearn/utils/validation.py", line 441, in check_array
    "if it contains a single sample.".format(array))
ValueError: Expected 2D array, got 1D array instead:
array=[0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.08627451 0.         0.         0.01960784
 0.2745098  0.2745098  0.2745098  0.2745098  0.2745098  0.2745098
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.00784314 0.30980392 0.91372549
 0.98039216 0.96862745 0.96862745 0.96862745 0.99607843 0.98039216
 0.93333333 0.93333333 0.84313725 0.47843137 0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.02352941 0.22745098
 0.41176471 0.61176471 0.99607843 0.99607843 0.9372549  0.78823529
 0.45098039 0.54117647 0.49803922 0.18431373 0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.03529412 0.61176471 0.99607843 0.51764706 0.14901961
 0.55294118 0.56862745 0.09411765 0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.63921569
 0.9254902  0.24313725 0.00392157 0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.11764706 0.98039216 0.33333333 0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.19215686 0.98823529 0.58431373 0.09803922 0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.02745098 0.23529412
 0.99607843 0.94509804 0.80392157 0.34901961 0.         0.
 0.         0.         0.         0.01960784 0.44313725 0.18431373
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.04705882 0.49411765
 0.98039216 1.         0.75686275 0.02745098 0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.05098039 0.31372549 0.8627451
 0.94901961 0.45882353 0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.1254902  0.8        0.96078431
 0.35294118 0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.03529412 0.30980392 0.00784314 0.         0.         0.
 0.         0.         0.02352941 0.89019608 0.81176471 0.01568627
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.32156863 0.6745098
 0.03137255 0.         0.         0.         0.         0.
 0.23529412 0.78039216 0.74509804 0.05098039 0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.54117647 0.96862745 0.58039216 0.5254902
 0.24313725 0.24313725 0.24313725 0.50196078 0.92156863 0.84705882
 0.41176471 0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.18039216 0.6        0.74509804 0.78039216 0.96470588 0.96470588
 0.96470588 0.92941176 0.6627451  0.16862745 0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.        ].
Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

    at org.apache.spark.api.python.BasePythonRunner$ReaderIterator.handlePythonException(PythonRunner.scala:298)
    at org.apache.spark.api.python.PythonRunner$$anon$1.read(PythonRunner.scala:438)
	at org.apache.spark.api.python.PythonRunner$$anon$1.read(PythonRunner.scala:421)
    at org.apache.spark.api.python.BasePythonRunner$ReaderIterator.hasNext(PythonRunner.scala:252)
    at org.apache.spark.InterruptibleIterator.hasNext(InterruptibleIterator.scala:37)
    at scala.collection.Iterator$class.foreach(Iterator.scala:893)
    at org.apache.spark.InterruptibleIterator.foreach(InterruptibleIterator.scala:28)
    at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:59)
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:104)
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:48)
    at scala.collection.TraversableOnce$class.to(TraversableOnce.scala:310)
    at org.apache.spark.InterruptibleIterator.to(InterruptibleIterator.scala:28)
    at scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:302)
    at org.apache.spark.InterruptibleIterator.toBuffer(InterruptibleIterator.scala:28)
    at scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:289)
    at org.apache.spark.InterruptibleIterator.toArray(InterruptibleIterator.scala:28)
    at org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$12.apply(RDD.scala:939)
    at org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$12.apply(RDD.scala:939)
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:2067)
	at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:2067)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
    at org.apache.spark.scheduler.Task.run(Task.scala:109)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:345)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
    at java.lang.Thread.run(Thread.java:748)

解决方法:

    labelsAndPredsTrain = trainRDD.map(lambda p: (p.label, model.predict(p.features.reshape(1,-1))))

在feature后增加reshape方法.
说明:

>>> a = [1,2,3,4]
>>> import numpy as np
>>> b = np.array(a)
>>> c = b.reshape(1,-1)
>>> print c
[[1 2 3 4]]
>>> print b
[1 2 3 4]
>>> print a
[1, 2, 3, 4]
ValueError: Expected 2D array, got 1D array instead
weixin_46713695的博客
09-05 471
Expected 2D array, got 1D array instead
sklearn报错：Expected 2D array, got 1D array instead
qq_32204441的博客
03-30 1471
背景 使用sklearn时会报错 ValueError: Expected 2D array, got 1D array instead 原因 这是因为在新版的sklearn中要求所有的数据都应该是二维矩阵，所以当数据是单独的一行或者一列时，要将其修改成二维。 解决方法 使用.reshape(1,-1)即可 x = [1,2,3] x_new = np.array(x).reshap...
【python】Expected 2D array, got 1D array instead:
weixin_42599186的博客
11-25 691
问题 ValueError: Expected 2D array, got 1D array instead 期望2维数组，输入的是一维数组 解决 Error底下也给了debug提示： Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample. 即 newData = np.array
Python机器学习bug：ValueError_ Expected 2D array, got 1D array instead
明而决之
11-28 7089
在学习机器学习时，为了便于理解观察，有时候会拿一些一维的数组进行测试，在初学阶段可能就难免会踩到这个坑。这个bug处理起来比较简单，就是将一维的数组变成二维的数组。相关环境：Windows 64位Python3.91.4.2。
python编程问题之ValueError: Expected 2D array, got 1D array instead：array=[102,5]
janestan的博客
11-02 1506
然后，对之前的数据 类型进行转换，利用 numpy包中的np.array以及reshape方法进行数据的更新覆盖，使输入的一维数据转换为二维矩阵，符合方法调用时的数据类型即可。一、由于python 中sklearn包的更新，不能直接将输入后的一维数据直接转换成二维数组 ，因此会出现关于上述所显示的问题，此时只需要将源代码中报错部分进行一些改进即可。当我们建立了相应的模型后，要对已经建立好的模型进行测试新的数据的时候，会由于数据的维度不一致导致代码在运行的时候回报错。1.1当只有一个数据组的时候。
精选资源
python3.7解决最小二乘遇到ValueError:Expected 2D array, got 1D array instead: array=[5.].关于reshape和predict
01-20
ValueError: Expected 2D array, got 1D array instead: array=[5.]. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single ...
python 使用sk_learn ：ValueError: Expected 2D array, got 1D array instead
weixin_45070839的博客
03-28 1817
源代码 """ date:0328 K均值 KMeans模型 """ import pandas as pd df = pd.read_csv("D:/mechine learning/transfer-time-location.csv", index_col=0,encoding='GBK') df[:3] from sklearn.cluster import KMeans model = KMeans(n_clusters=7) X = df['transfer_time'] model.
Python 错误 Valueerror: Expected 2d Array Got 1d Array Instead
迹忆客
01-16 1376
如您所知，每种编程语言都会遇到很多错误，有些是在运行时，有些是在编译时。Python 在使用 numpy 库时有时会遇到数组错误。当我们在 numpy 中传递一维数组而不是二维数组时，会发生错误。
python编程问题之ValueError: Expected 2D array, got 1D array instead: array=[12].
qq_36108664的博客
03-07 4299
Sklearn一元线性回归的程序 出自大学生慕课《深度学习基础》3.2 https://www.icourse163.org/learn/HIT-1206320802?tid=1450221457#/learn/content?type=detail&id=1214431019&cid=1218104386&replay=true from sklearn.linear_m...
使用新版sklearn报错ValueError: Expected 2D array, got 1D array instead
hm__2016的博客
03-11 1048
1.本人python小白刚试了如下代码便出错了： from sklearn.linear_model import LinearRegression # 创建并拟合模型 model = LinearRegression() X = [[6], [8], [10], [14], [18]] y = [[7], [9], [13], [17.5], [18]] model.fit(X, y) prin...
报错与解决 | ValueError: Expected 2D array, got 1D array instead:
qq_44250700的博客
12-14 951
期待二维数组，却得到的是一维数组，只需要在外面加一个`[]`即可声高维度。
解决ValueError: Expected 2D array, got 1D array instead
牛肉胡辣汤
10-12 1520
​，这个错误通常会在使用一些机器学习库的函数时出现，特别是在需要输入二维数组作为参数的情况下。​​是一个线性回归模型的实现类。在拟合模型时，它会尝试找到最佳的线性系数，使得模型的预测值与观测值之间的误差平方和最小。​错误，并结合实际应用场景，使用线性回归模型预测房屋价格。​​模块中的一个类，该模块提供了许多用于线性回归和相关任务的工具和方法。​错误时，我们需要检查输入数据的维度并将其转换为正确的形状。​类，我们可以方便地建立和使用线性回归模型，进行预测和解释。​，并使用模型进行预测，得到了预测结果​。
ValueError: Expected 2D array,got 1D array instead
weixin_34295316的博客
09-25 370
2019独角兽企业重金招聘Python工程师标准>>> ...
解决ValueError: Expected 2D array, got 1D array instead: Reshape your data either using array.reshap
牛肉胡辣汤
10-30 3021
在机器学习算法中，如果遇到"ValueError: Expected 2D array, got 1D array instead"错误，说明算法期望的输入是一个二维数组，但实际传入的是一个一维数组。这个错误可以通过使用​​numpy​​库中的​​函数来解决，将一维数组转换为二维数组。通过指定目标形状，我们可以确保数据符合算法的输入要求。reshape()函数是NumPy库中用于修改数组形状的函数之一。它用于将一个数组转换为指定形状的新数组。
ValueError: Expected 2D array, got 1D array instead: array=[].
最新发布
04-11
<think>好的，用户遇到了ValueError，提示“Expected 2D array, got 1D array instead”，这通常在使用某些机器学习库（比如scikit-learn）时出现，因为它们要求输入是二维数组。用户需要知道如何将一维数组转换为二维数组来解决这个问题。 首先，我应该回顾一下NumPy的reshape方法。用户可能对reshape的参数不太熟悉，特别是-1的用法。需要解释清楚reshape(-1,1)和reshape(1,-1)的区别，以及何时使用哪种方式。例如，当数据是单一特征时，使用reshape(-1,1)来变成二维数组，每行一个样本；如果是单一样本，则用reshape(1,-1)。 然后，需要引用用户提供的例子，比如引用[1]和引用[2]中的内容，说明reshape的具体应用场景。比如StandardScaler在scikit-learn中需要二维输入，这时候必须转换。 还要考虑用户可能的代码示例，给出具体的Python代码片段，比如使用numpy的reshape函数或者直接修改数组结构。比如用户可能有一个一维数组array，通过array.reshape(-1,1)转换成二维。 另外，需要提醒用户注意转换后的形状是否符合库函数的要求。例如，某些模型需要(n_samples, n_features)，所以正确的转换方式很重要。如果用户误用了reshape(1,-1)，可能会导致样本数错误，应该指出这点。 可能还需要提到flatten或ravel方法，但这里的问题是从一维转二维，所以重点在reshape。同时，可以说明在机器学习中的常见情况，比如特征标准化时的处理。 最后，总结解决步骤：确定数据是单一特征还是单一样本，选择合适的reshape方法，应用在数据预处理步骤中，并验证形状是否正确。确保用户理解为什么会出现这个错误，以及如何根据具体情况调整数组维度。</think>在Python中遇到`ValueError: Expected 2D array, got 1D array instead`错误时，通常是因为某些机器学习库（如scikit-learn）要求输入数据为二维数组，但实际传入的是一维数组。以下是详细解决方法： --- ### 1. **理解错误原因** 大多数机器学习模型的输入需要二维数组格式，例如： - 二维数组形状为`(n_samples, n_features)`，表示`n_samples`个样本，每个样本包含`n_features`个特征。 - 若输入一维数组（形状为`(n,)`），则会触发维度不匹配的错误。 --- ### 2. **使用`reshape`方法转换维度** 通过NumPy或Pandas的`reshape`方法调整数组形状： - **情况1：数据为单一特征** 若数据是单个特征（如`[1, 2, 3, 4]`），需转换为`(n_samples, 1)`，即每行一个样本： ```python import numpy as np array_1d = np.array([1, 2, 3, 4]) array_2d = array_1d.reshape(-1, 1) # 形状变为(4, 1) ``` - **情况2：数据为单个样本** 若数据是单个样本的多个特征（如`[0.1, 0.2, 0.3]`），需转换为`(1, n_features)`： ```python array_2d = array_1d.reshape(1, -1) # 形状变为(1, 3) ``` --- ### 3. **在预处理流程中应用** 以`StandardScaler`为例，标准化前需确保数据为二维： ```python from sklearn.preprocessing import StandardScaler # 原始一维数据 raw_data = np.array([1, 2, 3, 4, 5]) # 转换为二维后再标准化 scaled_data = StandardScaler().fit_transform(raw_data.reshape(-1, 1)) # 若需恢复为一维（可选） scaled_data_1d = scaled_data.reshape(-1) ``` 引用示例中提到，通过`reshape(-1,1)`将数据转换为二维，标准化后再用`reshape(-1)`转回一维（若需要）[^2]。 --- ### 4. **验证形状** 转换后可通过`shape`属性检查维度： ```python print(array_2d.shape) # 应输出类似(n_samples, n_features) ``` --- ### 常见场景示例 | 原始数据形状 | 目标形状 | 转换方法 | 适用场景 | |--------------|-------------------|--------------------|------------------------| | `(n,)` | `(n, 1)` | `reshape(-1, 1)` | 单特征多样本（如回归） | | `(n,)` | `(1, n)` | `reshape(1, -1)` | 多特征单样本（如预测） | --- ### 5. **其他方法** - **使用`np.newaxis`扩展维度** ```python array_2d = array_1d[:, np.newaxis] # 等效于reshape(-1, 1) ``` - **Pandas DataFrame转换** 若数据为Series，可转换为DataFrame： ```python import pandas as pd df = pd.DataFrame({'feature': array_1d}) ``` --- 通过上述方法，可有效避免维度不匹配错误。关键是根据数据含义选择`reshape(-1,1)`（单特征）或`reshape(1,-1)`（单样本）[^1]。 ---
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