個人貸款用戶分析（特征分析&邏輯回歸）

1??項目需求背景

為了擴大貸款業(yè)務(wù)的客戶人數(shù)，該銀行去年針對現(xiàn)有的存款用戶但未辦理貸款業(yè)務(wù)的客戶展開了一項推廣活動驻子，促使其辦理個人貸款業(yè)務(wù)，取得了較好的轉(zhuǎn)化效果。今年希望通過識別出更有貸款潛力的客戶哄酝，提高活動轉(zhuǎn)化率，降低營銷費用

2??數(shù)據(jù)收集

去年營銷活動的用戶信息祷膳，共包含5000條記錄陶衅，14個字段，對應字段含義如下：

ID - 客戶

Age - 客戶年齡

Experience - 客戶工作經(jīng)驗

Income - 客戶年收入（單位：千美元）

ZIPCode - 家庭地址郵政編碼

Family - 客戶的家庭規(guī)模

CCAvg - 每月信用卡消費額（單位：千美元）

Education - 教育水平 （1: 本科; 2: 研究生; 3: 高級）

Mortgage - 房屋抵押價值（如有）（單位：千美元）

Personal Loan - 此客戶是否接受上一次活動中提供的個人貸款直晨？（1：是 0：否）

Securities Account - 是否有證券賬戶万哪？（1：是 0：否）

CD Account - 是否有存款證明（CD）帳戶嗎（1：是 0：否）

Online - 是否開通網(wǎng)上銀行侠驯？（1：是 0：否）

CreditCard - 是否有信用卡？（1：是 0：否）

#導入相關(guān)庫
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

#設(shè)置全部行輸出
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

#讀取數(shù)據(jù)
data=pd.read_csv('Personal_Loan.csv')data.head()

3??數(shù)據(jù)探索和清洗

3.1??查看數(shù)據(jù)的形狀奕巍、類型吟策，處理缺失值、重復值的止、異常值

#數(shù)據(jù)整體情況

data.info()

-- 無缺失值檩坚，需要把Mortgage和Income更改為float類型，ZIP Code改為字符型

#變量類型轉(zhuǎn)換

data.Mortgage=data.Mortgage.astype('float')

data.Income=data.Income.astype('float')

data['ZIP Code']=data['ZIP Code'].astype('str')

data.info()

#查看重復值的個數(shù)

data.duplicated().sum()

-- 無重復值

#查看異常值

data.columns

#選擇散點圖方式

fig = plt.figure()

plt.scatter(data.values[:,0],data.values[:,2])

-- 查看各列的散點圖诅福，Experience列出現(xiàn)負數(shù)值匾委，為異常數(shù)據(jù)

#把Experience負值改為0

data.loc[data.Experience<0,'Experience']=0

3.2??描述性統(tǒng)計

data.describe()

4??數(shù)據(jù)預處理

4.1??去年營銷活動的效果如何

# 去年營銷活動效果

data.groupby('Personal Loan').size()

-- 5000名客戶中，有480個客戶開通了個人貸款業(yè)務(wù)氓润，轉(zhuǎn)化率9.6%赂乐，說明此次推廣活動的效果還是不錯的。數(shù)據(jù)源的可信度也比較高

4.2??特征篩選

4.2.1??相關(guān)系數(shù)

#把ID設(shè)為索引咖气，ID不屬于變量

data.set_index(['ID'],inplace=True)

#因變量Personal Loan跟其他變量的相關(guān)系數(shù)

cor = data.corr()['Personal Loan']

cor

cor[abs(cor)>0.05

#fig代表繪圖窗口(Figure)挨措；axis代表這個繪圖窗口上的坐標系(axis)

fig,axis=plt.subplots(figsize=(10,10))

#繪制熱力圖，顏色越深崩溪，相關(guān)性越強

ax=sns.heatmap(data.corr(),annot=True,linecolor='black',cmap="BrBG_r",fmt='.2f')

#fmt設(shè)置小數(shù)位

#bottom代表y軸下限浅役，top表示y軸上限（matplotlib版本畫熱力圖上下邊框只顯示一半）

bottom, top = ax.get_ylim()

ax.set_ylim(bottom + 0.5, top - 0.5);

由相關(guān)系數(shù)和熱力圖：

1.與Personal Loan強相關(guān)的變量：Income收入、CCAvg信用卡還款額和CD Account是否有是存款證明帳戶

2.與Personal Loan弱相關(guān)的變量：Education受教育程度伶唯，Mortgage房屋抵押價值和Family家庭人數(shù)

3.其中Age年齡觉既、Experience工作經(jīng)驗和ZIP Code家庭地址郵政編碼雖然關(guān)系不大，但它們屬于連續(xù)型變量乳幸，需要進一步分析瞪讼。可以分箱后再做觀察粹断，看看是否有某一段存在特殊值尝艘，也可以考慮放在模型中

定性變量：CD Account是否有是存款證明帳戶、Education受教育程度姿染、Family家庭人數(shù)

定量變量：Income收入背亥、CCAvg信用卡還款額、Mortgage房屋抵押價值

4.2.2??定性變量

# rc參數(shù)

plt.rcParams['font.sans-serif']=['SimHei']

plt.rcParams['axes.unicode_minus'] = False

#CD Account

#開通CD Account的用戶貸款比例

data.groupby('CD Account')['Personal Loan'].agg(['mean','count'])

#可視化

f,ax1= plt.subplots()

sns.countplot(x='CD Account',hue='Personal Loan',data=data,ax=ax1)

ax1.set_title('用戶貸款比例')#標題

-- 開通了CD Account的客戶悬赏，貸款的比例遠高于是沒有開通的客戶,說明開通CD Account的客戶成為貸款業(yè)務(wù)的潛在客戶可能性更大狡汉；且大量客戶沒有開通CD Account，找到方法讓客戶開通CD Account也是一個提高貸款率的可能選項

#Education

data.groupby('Education')['Personal Loan'].agg(['mean','count'])

-- 受教育水平越高闽颇，貸款的比例越高盾戴，尤其在本科以上學歷差距明顯，說明受教育水平高的用戶成為貸款業(yè)務(wù)的潛在客戶可能性更大

#Family

data.groupby('Family')['Personal Loan'].agg(['mean','count'])

-- 單身人士與沒有孩子的家庭的貸款率都比較低兵多，有孩子的家庭用戶相對而言更有意愿轉(zhuǎn)化為貸款用戶尖啡，特別是獨生子女家庭

4.2.3??定量分析-分箱

#Income收入

data['Income_bins']=pd.qcut(data.Income,20)

data.groupby('Income_bins')['Personal Loan'].agg(['mean','count'])

data.groupby('Income_bins')['Personal Loan'].mean().plot()

-- 高收入人群明顯申請貸款的橄仆，收入小于64時，貸款率幾乎為零衅斩，收入超過98時盆顾，貸款率急劇上升，超過170時畏梆，貸款意愿達到50%

#CCAvg信用卡還款額

data['CCAvg_bins']=pd.qcut(data.CCAvg,20)

data.groupby('CCAvg_bins')['Personal Loan'].agg(['mean','count'])

data.groupby('CCAvg_bins')['Personal Loan'].mean().plot()

-- CCAvge在2.8時您宪，貸款率會增大將近4倍；在4.3-6.0區(qū)間會貸款率會達到45%奠涌；大于6時宪巨，貸款率會稍有回落，但貸款意愿依舊比較強

#Mortgage房屋抵押價值

data['Mortgage_bins']=pd.cut(data.Mortgage,10)? #等深分箱會有重復邊界值,為0的數(shù)據(jù)占比太多

data.groupby('Mortgage_bins')['Personal Loan'].agg(['mean','count'])

plt.subplots(figsize=(15,5))

data.groupby('Mortgage_bins')['Personal Loan'].mean().plot()

-- 當Mortgage大于190.5時溜畅，貸款申請的意愿有明顯的提升捏卓，總體來看，抵押值越高慈格，貸款轉(zhuǎn)化率越高怠晴。但房屋抵押價值高的客戶很少

4.2.4??對相關(guān)系數(shù)低的連續(xù)型變量分箱觀察

#Age年齡

data['Age_bins']=pd.qcut(data.Age,6)

data.groupby('Age_bins')['Personal Loan'].agg(['mean','count'])

data.groupby('Age_bins')['Personal Loan'].mean().plot()

-- Age在32-39區(qū)間時貸款率較高，但總體年齡跟貸款率的相關(guān)性不高

#Experience工作經(jīng)驗

data['Experience_bins']=pd.qcut(data.Experience,6)

data.groupby('Experience_bins')['Personal Loan'].agg(['mean','count'])

data.groupby('Experience_bins')['Personal Loan'].mean().plot()

-- Experience在7-14區(qū)間時貸款率較高峦椰，但總體工作經(jīng)驗跟貸款率的相關(guān)性不高

#ZIP Code家庭地址郵政編碼

#郵政編碼的第一個數(shù)字代表美國各州龄寞，第二個和第三個數(shù)字一起代表一個地區(qū)（或一個大城市）,所以按照第2汰规、3個數(shù)字分區(qū)

data['ZIP Code_bins']=data['ZIP Code'].str.extract('9(\d\d)',expand=False)

plt.subplots(figsize=(15,5))

data.groupby('ZIP Code_bins')['Personal Loan'].agg(['mean','count'])

data.groupby('ZIP Code_bins')['Personal Loan'].mean().plot()

-- ZIP Code各地區(qū)與貸款率相關(guān)性不高

5??模型搭建

用連續(xù)型變量和分箱兩種方式測試模型的效果

5.1??用原始數(shù)據(jù)的變量

data.head(2)

最終選取加入模型的6個變量：Income收入汤功、Family家庭人數(shù)、CCAvg信用卡還款額溜哮、Education受教育程度滔金、Mortgage房屋抵押價值和CD Account是否有是存款證明帳戶（已嘗試把Experience、Age茂嗓、ZIP Code加入模型餐茵，沒有改善模型）

data.iloc[:,[2,4,5,6,7,10]].head()

# model_selection模型選擇功能

#train_test_split 訓練測試分區(qū)

#cross_val_score 交叉驗證得分

from sklearn.model_selection import train_test_split,cross_val_score

#劃分訓練集和測試集

xtrain,xtest,ytrain,ytest=train_test_split(data.iloc[:,[2,4,5,6,7,10]],data.iloc[:,8]

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ,test_size=0.3)

#test_size=0.2，指定訓練測試集隨機抽樣20%的數(shù)據(jù)

#random_state=0 隨機種子數(shù)的確定

xtrain.shape

#導入包和類

from sklearn.linear_model import LogisticRegression

#實例化

log=LogisticRegression(solver="lbfgs",C=0.04,max_iter=400)

#擬合數(shù)據(jù)

log.fit(xtrain,ytrain)

log.score(xtrain,ytrain)#訓練集R方

log.score(xtest,ytest)#測試集R方

y_log=log.predict(xtest)#predict_proba 預測評分,y的估計值述吸。根據(jù)預測的概率忿族，大于0.5的返回1

-- 正確率都是94%，考慮到數(shù)據(jù)集0蝌矛、1分布極不均衡道批，還要看下f1指標

5.2??使用連續(xù)型變量分箱后的數(shù)據(jù)

df=data.copy()

df=df.loc[:,['Income_bins','Family','CCAvg_bins','Education','Mortgage_bins','CD Account','Personal Loan']]

df.head()

#數(shù)字編碼

from sklearn.preprocessing import LabelEncoder

encoder= LabelEncoder().fit(df["Income_bins"])

df["Income_bins"] = encoder.transform(df["Income_bins"])

encoder= LabelEncoder().fit(df["CCAvg_bins"])

df["CCAvg_bins"] = encoder.transform(df["CCAvg_bins"])

encoder= LabelEncoder().fit(df["Mortgage_bins"])

df["Mortgage_bins"] = encoder.transform(df["Mortgage_bins"])

df.info() #需要的變量是數(shù)值型了

# model_selection模型選擇功能

#train_test_split 訓練測試分區(qū)

#cross_val_score 交叉驗證得分

from sklearn.model_selection import train_test_split,cross_val_score

#劃分訓練集和測試集

xtrain_new,xtest_new,ytrain_new,ytest_new=train_test_split(df.iloc[:,:6],df.iloc[:,-1]

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ,test_size=0.3,random_state=2)

#test_size=0.2，指定訓練測試集隨機抽樣20%的數(shù)據(jù)

#random_state=0 隨機種子數(shù)的確定

xtrain_new.shape

log_new=LogisticRegression(solver="lbfgs",C=0.3,max_iter=100)

#擬合數(shù)據(jù)

log_new.fit(xtrain_new,ytrain_new)

log_new.score(xtrain_new,ytrain_new)

log_new.score(xtest_new,ytest_new)

y_log_new=log_new.predict(xtest_new)

-- 正確率也是94%入撒，跟方法一差不多

6??模型評估

6.1??混淆矩陣預測

對模型進行評價

#方法一：

from sklearn.metrics import confusion_matrix #混淆矩陣包

from sklearn.metrics import classification_report #分類報告包

cm=confusion_matrix(ytest,y_log)#行放y隆豹，列放y的預測值,形成2*2的交叉表

print(classification_report(ytest,y_log,target_names=['非貸款','貸款']))

sns.heatmap(cm,fmt="d",cmap="icefire",annot=True)#annot將數(shù)值顯示在單元格里

-- 方法一：預測正確率95%，召回率53%茅逮，精準率88%璃赡，f1是66%判哥，該數(shù)據(jù)中1和0的比例差距較大，所以不能看正確率碉考，主要看f1塌计，模型總體得分較低

#方法二：

from sklearn.metrics import confusion_matrix #混淆矩陣包

from sklearn.metrics import classification_report #分類報告包

cm_new=confusion_matrix(ytest_new,y_log_new)#行放y，列放y的預測值,形成2*2的交叉表

print(classification_report(ytest_new,y_log_new,target_names=['非貸款','貸款']))

sns.heatmap(cm_new,fmt="d",cmap="icefire",annot=True)#annot將數(shù)值顯示在單元格里

-- 方法二：預測正確率95%豆励，召回率57%夺荒，精準率82%，f1是68%良蒸，比方法一得分高一點技扼，但差距不大

6.2??交叉驗證

評估模型的穩(wěn)定性

#方法一：

from sklearn.model_selection import cross_val_score,LeaveOneOut,KFold,GroupKFold

x,y=data.iloc[:,[1,2,4,5,6,7,10]],data.iloc[:,8]

scores=cross_val_score(log,x,y,cv=3,scoring="f1")

print('交叉驗證：%s'%scores)

print('平均交叉驗證得分：%s'% np.mean(scores))

-- 方法一：交叉驗證得分之差超過2%，模型過擬合

#方法二：

x_new,y_new=df.iloc[:,:6],df.iloc[:,-1]

scores_new=cross_val_score(log_new,x_new,y_new,cv=3,scoring="f1")

print('交叉驗證：%s'%scores_new)

print('平均交叉驗證得分：%s'% np.mean(scores_new))


-- 方法二：得分之差減小嫩痰，分組后的數(shù)據(jù)讓模型更穩(wěn)定了

6.3??解釋模型

輸出回歸系數(shù)和OR值

log.coef_

(np.exp(log.coef_)-1)*100

#順序：Income Family CCAvg Education Mortgage CD Account

#輸出回歸系數(shù)

log_new.coef_

(np.exp(log_new.coef_)-1)*100#方法二OR值

#順序：Income_bins Family CCAvg_bins Education Mortgage_bins CD Account

-- 方法一和方法二的OR值差別很大

6.4??用SGD模型 結(jié)合網(wǎng)格搜索進行調(diào)參

#建模

from sklearn.linear_model import SGDClassifier

sgd_clf=SGDClassifier(loss="log")

sgd_clf.fit(xtrain,ytrain)#擬合訓練集數(shù)據(jù)

sgd_clf.score(xtest,ytest)#非監(jiān)督模型是transform

from sklearn.model_selection import GridSearchCV

#參數(shù)設(shè)置

parameters=[{'penalty':['l2','l1'],'alpha':[0.04,0.05,0.06]},

? ? ? ? ? ? {'l1_ratio':[0.1,0.5,0.9,1]}

? ? ? ? ? ]

#線性回歸中叫algha系數(shù)剿吻，logistic和svm叫C。懲罰系數(shù)的倒數(shù)串纺，值越小,正則化越大（懲罰越大）丽旅，修正過擬合，共線性

grid_search=GridSearchCV(sgd_clf,parameters,cv=3,scoring='accuracy')#scoring='accuracy'

grid_search.fit(xtrain,ytrain)

print("測試得分：%s" %grid_search.score(xtest,ytest))

print("全部及最優(yōu)系數(shù)：%s" %grid_search.best_estimator_)

-- 方法一最優(yōu)正則化系數(shù)是0.04纺棺，迭代正則化系數(shù)C

#建模

sgd_clf=SGDClassifier(loss="log")

sgd_clf.fit(xtrain_new,ytrain_new)#擬合訓練集數(shù)據(jù)

sgd_clf.score(xtest_new,ytest_new)#非監(jiān)督模型是transform


#參數(shù)設(shè)置

parameters=[{'penalty':['l2','l1'],'alpha':[0.04,0.05,0.06]},

? ? ? ? ? ? {'l1_ratio':[0.1,0.5,0.9,1]}

? ? ? ? ? ]

#線性回歸中叫algha系數(shù)榄笙，logistic和svm叫C。懲罰系數(shù)的倒數(shù)祷蝌，值越小,正則化越大（懲罰越大）茅撞，修正過擬合，共線性

grid_search=GridSearchCV(sgd_clf,parameters,cv=3,scoring='accuracy')#scoring='accuracy'

grid_search.fit(xtrain_new,ytrain_new)

print("測試得分：%s" %grid_search.score(xtest_new,ytest_new))

print("全部及最優(yōu)系數(shù)：%s" %grid_search.best_estimator_)

-- 方法二最優(yōu)正則化系數(shù)是0.0001巨朦，迭代正則化系數(shù)C（但是這個系數(shù)迭代過去效果并不好米丘，疑問？）

7??結(jié)論

7.1??相關(guān)性部分

更容易轉(zhuǎn)化為貸款客戶的用戶有如下特征：

· 開通了銀行賬戶的用戶相對于沒有開通銀行賬戶貸款意愿更強

·?教育水平越高的客戶越容易接受貸款

·?家庭人口較多的家庭貸款意愿較強糊啡，尤其是獨生子女的家庭

·?年齡區(qū)間在30-40歲的客戶相對貸款意愿更強

·?相對收入越高拄查，貸款的意愿越強烈， 當年收入超過82時棚蓄，貸款意愿會有5倍以上的上升堕扶，超過98時，貸款意愿達到17%以上梭依，超過170時稍算，貸款意愿達到一半

·?當房屋抵押值大于190.5千美元時，貸款申請的意愿有明顯的提升,但房屋抵押價值高的客戶很少

·?每月消費額在2.8千美元以上的客戶睛挚，貸款申請的意愿有明顯的提升

7.2??模型部分

模型總體得分較低邪蛔，OR值過高，還需要找原因優(yōu)化扎狱，以下只是基于目前不成熟分析的結(jié)論

分組后的數(shù)據(jù)穩(wěn)定性更好侧到，目前得到的預測正確率95%勃教，召回率57%，精準率82%匠抗，f1是68%

在其他條件不變的情況下：

·?Income_bins增加一個單位故源，貸款率提高143%；

·?Family增加一個單位汞贸，貸款率提高130%绳军；

·?CCAvg_bins增加一個單位，貸款率提高6%矢腻；

·?Education增加一個單位门驾，貸款率提高460%；

·?Mortgage_bins增加一個單位多柑，貸款率提高4%奶是；

·?CD Account增加一個單位，貸款率提高614%

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 人面猴
    序言：七十年代末竣灌，一起剝皮案震驚了整個濱河市聂沙，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌初嘹，老刑警劉巖及汉，帶你破解...
    沈念sama閱讀 216,919評論 6贊 502
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件，死亡現(xiàn)場離奇詭異屯烦，居然都是意外死亡坷随，警方通過查閱死者的電腦和手機，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,567評論 3贊 392
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進店門漫贞，熙熙樓的掌柜王于貴愁眉苦臉地迎上來甸箱，“玉大人育叁，你說我怎么就攤上這事迅脐。” “怎么了豪嗽？”我有些...
    開封第一講書人閱讀 163,316評論 0贊 353
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵谴蔑，是天一觀的道長。 經(jīng)常有香客問我龟梦，道長隐锭，這世上最難降的妖魔是什么？ 我笑而不...
    開封第一講書人閱讀 58,294評論 1贊 292
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任计贰，我火速辦了婚禮钦睡，結(jié)果婚禮上，老公的妹妹穿的比我還像新娘躁倒。我一直安慰自己荞怒，他們只是感情好洒琢，可當我...
    茶點故事閱讀 67,318評論 6贊 390
  • 惡毒庶女頂嫁案：這布局不是一般人想出來的
    文/花漫 我一把揭開白布。 她就那樣靜靜地躺著褐桌，像睡著了一般衰抑。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上荧嵌，一...
    開封第一講書人閱讀 51,245評論 1贊 299
  • 城市分裂傳說
    那天呛踊，我揣著相機與錄音，去河邊找鬼啦撮。 笑死谭网，一個胖子當著我的面吹牛，可吹牛的內(nèi)容都是我干的赃春。 我是一名探鬼主播蜻底，決...
    沈念sama閱讀 40,120評論 3贊 418
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼，長吁一口氣：“原來是場噩夢啊……” “哼聘鳞！你這毒婦竟也來了薄辅？” 一聲冷哼從身側(cè)響起，我...
    開封第一講書人閱讀 38,964評論 0贊 275
  • 萬榮殺人案實錄
    序言：老撾萬榮一對情侶失蹤抠璃，失蹤者是張志新（化名）和其女友劉穎站楚，沒想到半個月后，有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體搏嗡，經(jīng)...
    沈念sama閱讀 45,376評論 1贊 313
  • ?護林員之死
    正文 獨居荒郊野嶺守林人離奇死亡窿春，尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,592評論 2贊 333
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年，在試婚紗的時候發(fā)現(xiàn)自己被綠了采盒。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片旧乞。...
    茶點故事閱讀 39,764評論 1贊 348
  • 活死人
    序言：一個原本活蹦亂跳的男人離奇死亡，死狀恐怖磅氨，靈堂內(nèi)的尸體忽然破棺而出尺栖，到底是詐尸還是另有隱情，我是刑警寧澤烦租，帶...
    沈念sama閱讀 35,460評論 5贊 344
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布延赌，位于F島的核電站，受9級特大地震影響叉橱，放射性物質(zhì)發(fā)生泄漏挫以。R本人自食惡果不足惜，卻給世界環(huán)境...
    茶點故事閱讀 41,070評論 3贊 327
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一窃祝、第九天 我趴在偏房一處隱蔽的房頂上張望掐松。 院中可真熱鬧，春花似錦、人聲如沸大磺。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,697評論 0贊 22
  • 一樁弒父案，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽量没。三九已至玉转，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間殴蹄，已是汗流浹背究抓。 一陣腳步聲響...
    開封第一講書人閱讀 32,846評論 1贊 269
  • 情欲美人皮
    我被黑心中介騙來泰國打工， 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留袭灯，地道東北人刺下。 一個月前我還...
    沈念sama閱讀 47,819評論 2贊 370
  • 代替公主和親
    正文 我出身青樓，卻偏偏與公主長得像稽荧，于是被迫代替她去往敵國和親橘茉。 傳聞我的和親對象是個殘疾皇子，可洞房花燭夜當晚...
    茶點故事閱讀 44,665評論 2贊 354