1）数据银行中的服务均用充值卡支付，充值后所有服务通用，使用时统一从数据银行充值卡中扣费；
2）主帐户和得到授权的子帐户可进行充值；
3）充值金额自动累加，服务期间均可使用（若服务到期后未续费，最长可延期断约半年内使用，超过时间剩余金额不可再使用）。
2、充值卡里的金额使用期限：
1）充值卡的金额，高级会员服务期内均可使用；
2）若高级会员服务到期未续约，充值卡里仍有余额，最多可延长至服务到期后半年内仍可使用，超过半年时间，服务自动关闭，充值卡中的余额失效，且不予退还；
3）降级的免费会员再次续费高级会员，则充值卡剩余资金可以继续使用；
当数据量变得大时，进行统计分析需要采取适当的策略和工具来处理和分析数据。以下是一些常用的方法：
1. 数据清理和预处理：对大量数据进行清理和预处理是进行统计分析的重要步骤。这包括去除异常值、处理缺失数据、标准化数据等。可以使用数据处理软件如Python中的pandas库或R语言中的tidyverse套件来处理数据。
2. 抽样：当数据量大到无法在合理时间内进行分析时，可以采用抽样方法来获取部分数据进行分析。抽样可以是随机抽样、分层抽样或者聚类抽样，具体选择哪种方法取决于数据的特点和分析的目的。
3. 并行计算：当数据量大时，可以利用并行计算的优势来加速统计分析。可以使用并行计算框架如Hadoop或Spark来并行处理数据，提高计算效率。
4. 数据可视化：当数据量大时，通过数据可视化可以更好地理解和分析数据。可以使用各种图表和图形工具来展示数据的分布、趋势和关系。常用的数据可视化工具包括matplotlib和seaborn库。
5. 建立模型：对于大数据集，可以利用机器学习和统计模型来进行分析。可以使用机器学习算法如决策树、随机森林、神经网络等来构建预测模型或分类模型。同时也可以使用统计模型如线性回归、逻辑回归等来进行推断和预测。
总的来说，当数据量大时，需要合理选择适当的数据处理和分析工具，并采用有效的方法来处理和分析数据，以获得准确的统计结果。
1. 散点图观察法：通过绘制数据集合的散点图，观察数据点的分布情况。如果数据点呈现出曲线、圆环、螺旋等非线性的形状，可以初步判断为非线性结构。
2. 相关系数法：计算数据集合中各个变量之间的相关系数。如果相关系数接近于0，则说明变量之间呈现出非线性关系。
3. 多项式拟合法：将数据集合拟合成多项式模型。如果多项式的次数为1，则表示线性结构；如果多项式的次数大于1，则表示非线性结构。
4. 决策树方法：通过决策树算法构建决策树模型，观察决策树的分支情况。如果决策树出现多个非线性的划分节点，则说明数据集合具有非线性结构。
需要注意的是，以上方法只是初步判断数据集合是否具有非线性结构，进一步的分析还需要结合具体的数据特征和领域知识来进行综合判断。