2020-006 用衫卓停基圖分析轉(zhuǎn)專業(yè)數(shù)據(jù)

用桑基圖分析轉(zhuǎn)專業(yè)數(shù)據(jù)

數(shù)據(jù)來源：西南交通大學(xué)教務(wù)網(wǎng)

西南交通大學(xué)2019年本科生轉(zhuǎn)專業(yè)名單公示

西南交通大學(xué)2018年本科生轉(zhuǎn)專業(yè)名單公示

西南交通大學(xué)2017年本科生轉(zhuǎn)專業(yè)名單公示

2019和2018的數(shù)據(jù)下載后都是pdf格式，使用pdf處理網(wǎng)站 ilovepdf 將pdf轉(zhuǎn)化成excel。

什么是砂赡耄基圖

來自百度百科

桑基圖（Sankey diagram）墓卦，即删氪海基能量分流圖，也叫陕浼簦基能量平衡圖睁本。它是一種特定類型的流程圖，圖中延伸的分支的寬度對應(yīng)數(shù)據(jù)流量的大小忠怖，通常應(yīng)用于能源呢堰、材料成分、金融等數(shù)據(jù)的可視化分析脑又。因1898年Matthew Henry Phineas Riall Sankey繪制的“蒸汽機(jī)的能源效率圖”而聞名暮胧，此后便以其名字命名為“桑基圖”问麸。

所以往衷，桑基圖中分支的寬度對應(yīng)數(shù)據(jù)流量的大小严卖，是展現(xiàn)數(shù)據(jù)流動的利器席舍。

來看一個示例，圖源 驢說蛙語/數(shù)據(jù)可視之美 - 上剩基圖

[圖片上傳失敗...(image-c6f6c4-1641968929253)]

是不是很好看来颤，很厲害，非常的nice稠肘？

那我們用它來展示一下轉(zhuǎn)專業(yè)數(shù)據(jù)福铅。

pyecharts

搜索了一下，python中pyecharts繪圖包能夠?qū)崿F(xiàn)上钜酰基圖的繪制滑黔。

使用pip可以很容易的安裝。

pip install pyecharts

有一點(diǎn)注意的是环揽，pyecharts 分為 v0.5.X 和 v1 兩個大版本略荡，v0.5.X 和 v1 間不兼容。網(wǎng)上的教程有一些是基于v0.5.X的歉胶，因此要注意鑒別汛兜，推薦去官網(wǎng)查看教程。本文中通今，pyecharts的版本是1.8.1粥谬。

數(shù)據(jù)讀取清洗

首先讀取數(shù)據(jù)。

import pandas as pd
data_2019 = pd.read_excel('轉(zhuǎn)專業(yè)2019-已轉(zhuǎn)檔.xlsx',skiprows=1)  #第一行是標(biāo)題衡创，skiprows=1跳過第一行
data_2019.head()

out:

image-20200727200929898

看起來還是比較不錯的帝嗡，但是很顯然，地球科學(xué)與環(huán)境工程學(xué)院少了一個院字璃氢。

再看一下2018和2017的數(shù)據(jù)哟玷。

data_2018 = pd.read_excel('轉(zhuǎn)專業(yè)2018-已轉(zhuǎn)檔.xlsx',skiprows=1)
data_2018.head()

out:

image-20200727202307456
data_2017 = pd.read_excel('轉(zhuǎn)專業(yè)2017-已轉(zhuǎn)檔.xls',skiprows=1) 
data_2017.head()

out:

image-20200727202549887

首先，將各個數(shù)據(jù)加上年份一也，合并巢寡。

data_2019['年份'] = 2019
data_2018['年份'] = 2018
data_2017['年份'] = 2017
data = pd.concat([data_2019,data_2018,data_2017],axis=0)

我們想以學(xué)院作為單位查看流動情況，那么主要使用到的列就是當(dāng)前學(xué)院椰苟、擬轉(zhuǎn)入學(xué)院抑月。

看一下這兩列的情況。

data['當(dāng)前學(xué)院'].unique()

out:

array(['機(jī)械工程學(xué)院', '材料科學(xué)與工程學(xué)院', '生命科學(xué)與工程學(xué)院', '地球科學(xué)與環(huán)境工程學(xué)', '公共管理與政法學(xué)院',
       '經(jīng)濟(jì)管理學(xué)院', '馬克思主義學(xué)院', '土木工程學(xué)院', '力學(xué)與工程學(xué)院', '交通運(yùn)輸與物流學(xué)院', '心理研究與咨詢中心',
       '數(shù)學(xué)學(xué)院', '物理科學(xué)與技術(shù)學(xué)院', '電氣工程學(xué)院', '茅以升學(xué)院', '信息科學(xué)與技術(shù)學(xué)院', '建筑與設(shè)計(jì)學(xué)院',
       '人文學(xué)院', '外國語學(xué)院', '地球科學(xué)與環(huán)境工程學(xué)\n院', '西南交大-利茲學(xué)院', '地球科學(xué)與環(huán)境工程學(xué)院'],
      dtype=object)

有帶\n的舆蝴，還有學(xué)院少個院的谦絮。

再看下擬轉(zhuǎn)入學(xué)院题诵。

data['擬轉(zhuǎn)入學(xué)院'].unique()

out:

array(['土木工程學(xué)院', '機(jī)械工程學(xué)院', '電氣工程學(xué)院', '信息科學(xué)與技術(shù)學(xué)院', '交通運(yùn)輸與物流學(xué)院', '經(jīng)濟(jì)管理學(xué)院',
       '人文學(xué)院', '外國語學(xué)院', '建筑與設(shè)計(jì)學(xué)院', '材料科學(xué)與工程學(xué)院', '力學(xué)與工程學(xué)院', '數(shù)學(xué)學(xué)院',
       '物理科學(xué)與技術(shù)學(xué)院', '生命科學(xué)與工程學(xué)院', '地球科學(xué)與環(huán)境工程學(xué)院', '公共管理與政法學(xué)院', '茅以升學(xué)院',
       '心理研究與咨詢中心', '信息科學(xué)與技術(shù)學(xué)', '信息科學(xué)與技術(shù)學(xué)\n院', '交通運(yùn)輸與物流學(xué)', '交通運(yùn)輸與物流學(xué)\n院',
       '材料科學(xué)與工程學(xué)\n院', '材料科學(xué)與工程學(xué)', '物理科學(xué)與技術(shù)學(xué)\n院', '生命科學(xué)與工程學(xué)', '地球科學(xué)與環(huán)境工',
       '公共管理與政法學(xué)', '西南交大-利茲學(xué)院', '心理研究與咨詢中', '心理研究與咨詢中\(zhòng)n心', '馬克思主義學(xué)院'],
      dtype=object)

有帶\n的，中心少了心层皱，學(xué)院少了院性锭，地球科學(xué)與環(huán)境工直接少了程學(xué)院三個字。

處理一下叫胖。

data['當(dāng)前學(xué)院'] = data['當(dāng)前學(xué)院'].str.replace(r"\n",'')
data['當(dāng)前學(xué)院'] = data['當(dāng)前學(xué)院'].str.replace('學(xué)$','學(xué)院')


data['擬轉(zhuǎn)入學(xué)院'] = data['擬轉(zhuǎn)入學(xué)院'].str.replace(r"\n",'')
data['擬轉(zhuǎn)入學(xué)院'] = data['擬轉(zhuǎn)入學(xué)院'].replace("地球科學(xué)與環(huán)境工",'地球科學(xué)與環(huán)境工程學(xué)院')
data['擬轉(zhuǎn)入學(xué)院'] = data['擬轉(zhuǎn)入學(xué)院'].str.replace('學(xué)$','學(xué)院')
data['擬轉(zhuǎn)入學(xué)院'] = data['擬轉(zhuǎn)入學(xué)院'].str.replace('中$','中心')

series直接replace是整個的替換草冈，str.replace是部分匹配替換。

$的意思是正則匹配從結(jié)尾開始匹配瓮增，當(dāng)以學(xué)為結(jié)尾時(shí)替換為學(xué)院怎棱，當(dāng)以中為結(jié)尾時(shí)替換為中心。

看一下處理后的結(jié)果绷跑。

data['當(dāng)前學(xué)院'].unique()

out:

array(['機(jī)械工程學(xué)院', '材料科學(xué)與工程學(xué)院', '生命科學(xué)與工程學(xué)院', '地球科學(xué)與環(huán)境工程學(xué)院', '公共管理與政法學(xué)院',
       '經(jīng)濟(jì)管理學(xué)院', '馬克思主義學(xué)院', '土木工程學(xué)院', '力學(xué)與工程學(xué)院', '交通運(yùn)輸與物流學(xué)院', '心理研究與咨詢中心',
       '數(shù)學(xué)學(xué)院', '物理科學(xué)與技術(shù)學(xué)院', '電氣工程學(xué)院', '茅以升學(xué)院', '信息科學(xué)與技術(shù)學(xué)院', '建筑與設(shè)計(jì)學(xué)院',
       '人文學(xué)院', '外國語學(xué)院', '西南交大-利茲學(xué)院'], dtype=object)

data['擬轉(zhuǎn)入學(xué)院'].unique()

out:

array(['土木工程學(xué)院', '機(jī)械工程學(xué)院', '電氣工程學(xué)院', '信息科學(xué)與技術(shù)學(xué)院', '交通運(yùn)輸與物流學(xué)院', '經(jīng)濟(jì)管理學(xué)院',
       '人文學(xué)院', '外國語學(xué)院', '建筑與設(shè)計(jì)學(xué)院', '材料科學(xué)與工程學(xué)院', '力學(xué)與工程學(xué)院', '數(shù)學(xué)學(xué)院',
       '物理科學(xué)與技術(shù)學(xué)院', '生命科學(xué)與工程學(xué)院', '地球科學(xué)與環(huán)境工程學(xué)院', '公共管理與政法學(xué)院', '茅以升學(xué)院',
       '心理研究與咨詢中心', '西南交大-利茲學(xué)院', '馬克思主義學(xué)院'], dtype=object)

用集合運(yùn)算看一下差集拳恋，看是不是完全一樣。

set(data['當(dāng)前學(xué)院'].unique()) - set(data['擬轉(zhuǎn)入學(xué)院'].unique())

out:

set()

set(data['擬轉(zhuǎn)入學(xué)院'].unique()) - set(data['當(dāng)前學(xué)院'].unique())

out:

set()

確實(shí)一樣了砸捏。

再加上一個年級诅岩，畢竟轉(zhuǎn)專業(yè)大二的多，大三的少带膜，可以作為一個點(diǎn)來分析吩谦。

data['年級'] = data['學(xué)號'].astype(str).str[:4].astype(int)

這行代碼的意思是將學(xué)號列轉(zhuǎn)為str取前四位再轉(zhuǎn)為int，其實(shí)除以1e6也可以膝藕。小數(shù)據(jù)就不糾結(jié)性能問題了式廷，怎么方便怎么來。

最后看一下數(shù)據(jù)芭挽。

data.head()

out:

image-20200727204748581

繪圖

繪圖呢滑废，首先要學(xué)示例，赏嘧Γ基圖的官方示例在 pyecharts扇涑茫基圖

主要核心在于定義nodes與links，

from pyecharts import options as opts
from pyecharts.charts import Sankey

nodes = [
    {"name": "category1"},
    {"name": "category2"},
    {"name": "category3"},
    {"name": "category4"},
    {"name": "category5"},
    {"name": "category6"},
]

links = [
    {"source": "category1", "target": "category2", "value": 10},
    {"source": "category2", "target": "category3", "value": 15},
    {"source": "category3", "target": "category4", "value": 20},
    {"source": "category5", "target": "category6", "value": 25},
]

c = (
    Sankey()
    .add(
        "sankey",
        nodes,
        links,
        linestyle_opt=opts.LineStyleOpts(opacity=0.2, curve=0.5, color="source"),
        label_opts=opts.LabelOpts(position="right"),
    )
    .set_global_opts(title_opts=opts.TitleOpts(title="Sankey-基本示例"))
    .render("sankey_base.html")
)

nodes代表點(diǎn)辛馆，有名字俺陋，links代表線，有來源昙篙、去處和值腊状。最后render到html，使用瀏覽器打開就能查看了苔可。

拿2019的數(shù)據(jù)試試手缴挖，看看2019年轉(zhuǎn)專業(yè)的情況如何。

all_data = data
data = all_data[all_data['年份']==2019]

將原來的數(shù)據(jù)用all_data存起來焚辅。

nodes = []
out_map = {}
in_map = {}
value_counts = data['當(dāng)前學(xué)院'].value_counts()
for name,value in value_counts.items():
    nodes.append({'name':f'轉(zhuǎn)出-{name}-{value}'})
    out_map[name] = f'轉(zhuǎn)出-{name}-{value}'
value_counts = data['擬轉(zhuǎn)入學(xué)院'].value_counts()
for name,value in value_counts.items():
    nodes.append({'name':f'轉(zhuǎn)入-{name}-{value}'})
    in_map[name] = f'轉(zhuǎn)入-{name}-{value}'
links = []
out_values = data['當(dāng)前學(xué)院'].value_counts().index
in_values = data['擬轉(zhuǎn)入學(xué)院'].value_counts().index
for i in out_values:
    for j in in_values:
        counts = data[(data['當(dāng)前學(xué)院']==i) & (data['擬轉(zhuǎn)入學(xué)院']==j)]
        if counts.empty:
            continue
        else:
            links.append({'source': out_map[i], 'target': in_map[j], 'value': counts.shape[0]})

在定義節(jié)點(diǎn)名稱的時(shí)候映屋，我希望把轉(zhuǎn)入轉(zhuǎn)出以及對應(yīng)的值也寫到名稱里苟鸯，所以也就需要一個in_map和out_map來做映射。

然后生成pic棚点，沒有直接渲染是因?yàn)槿绻敵龅?code>jupyterlab內(nèi)部倔毙，需要這個對象進(jìn)行再次render。

pic = (Sankey(init_opts = opts.InitOpts(width='1200px',height='1000px'))
       .add('', nodes,links,
            pos_left='16%',pos_right='0%',
            node_width = 30,node_gap = 20,
            linestyle_opt=opts.LineStyleOpts(opacity = 0.4,curve = 0.7,color = 'source',width=10),
            label_opts=opts.LabelOpts (position = 'left',font_family='Times New Roman'))
       .set_global_opts(
           title_opts=opts.TitleOpts(title = '2019年-轉(zhuǎn)專業(yè)',subtitle='          人數(shù)',pos_left='50%',
                                     title_textstyle_opts=opts.TextStyleOpts(font_size=20,font_family='Times New Roman',font_weight='bold'),
                                     subtitle_textstyle_opts=opts.TextStyleOpts(font_size=16,font_family='Times New Roman',font_weight='normal',color='black'))))

我加了一些參數(shù)乙濒，比如圖片的width和height，pos_left和pos_right是繪制的圖到邊緣的比例卵蛉，opacity透明度颁股，curve彎曲度，color='source'表明線的顏色根據(jù)source決定傻丝，width是線的長度甘有，position = 'left'表明標(biāo)簽在節(jié)點(diǎn)的左邊，還定義了很多字體和TitleOpts自定義的內(nèi)容葡缰，好的圖片就是慢慢的調(diào)整才會好看亏掀。

使用render函數(shù)渲染到html。pyecharts圖的優(yōu)勢之處在于它是交互式的圖標(biāo)泛释，你可以將鼠標(biāo)放在上面查看內(nèi)容滤愕。

2019年轉(zhuǎn)專業(yè)-加水印

從圖中可以看出，轉(zhuǎn)入信院怜校、電氣间影、交運(yùn)的人數(shù)眾多，都有50左右茄茁』瓯幔看來大家都知道學(xué)校的優(yōu)勢專業(yè)在哪。地院轉(zhuǎn)出人數(shù)最多裙顽，達(dá)到了77付燥。

我coding的時(shí)候使用的是jupyterlab，顯然渲染到jupyterlab內(nèi)部更友好愈犹，pyecharts也提供了這種方式键科。

最開始需要導(dǎo)入并設(shè)置NOTEBOOK_TYPE。

from pyecharts.globals import CurrentConfig, NotebookType
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB

然后獲得pic后漩怎。

pic.load_javascript()
pic.render_notebook()

就可以在jupyterlab中看到繪制的圖形了萝嘁。

圖片的保存稍麻煩，截圖當(dāng)然不是最好的方式扬卷。在渲染成html后牙言，可以使用Chrome F12打開Devtools，然后按ctrl+shift+p怪得，輸入capture咱枉，選擇capture full size screen卑硫，就可以利用Chrome實(shí)現(xiàn)全網(wǎng)頁截圖，不過這個圖片有很多白邊蚕断，還需要進(jìn)行裁剪欢伏。

image-20200727211211923

pyecharts也提供了保存圖片的方式，不過需要安裝selenium或者phantomjs等Web自動化工具亿乳，最終實(shí)現(xiàn)的還是模擬網(wǎng)頁截圖硝拧，圖片可能依然有大白邊，因此我沒有采用葛假。

image-20200727211523263

轉(zhuǎn)出比例

在我將圖發(fā)到空間后障陶，有人說轉(zhuǎn)專業(yè)的人數(shù)并不能代表這個學(xué)院的流失率。之前的圖表只是反映了哪些學(xué)院更熱門聊训。

左側(cè)的轉(zhuǎn)出人數(shù)相對來說信息量較小抱究，如果以學(xué)院的人數(shù)為基準(zhǔn)進(jìn)行轉(zhuǎn)出比的計(jì)算，就能夠非常直觀的體現(xiàn)學(xué)院的流失率了带斑。

那就開干鼓寺！

此處感謝馬大佬提供學(xué)院人數(shù)數(shù)據(jù)，數(shù)據(jù)來自入學(xué)信息勋磕，略有不準(zhǔn)妈候。

num_of_stu = pd.read_excel('學(xué)院人數(shù).xlsx')
num_of_stu.head()

out:

image-20200727213226761

我*，這么早的都有挂滓，果然是大佬州丹。

2019年轉(zhuǎn)專業(yè)主要是2018級的，將2018級的提出來杂彭。

再看看學(xué)院能不能對應(yīng)起來墓毒。

num_of_stu_2018 = num_of_stu[num_of_stu['年級']==2018]
set(num_of_stu_2018['學(xué)院'].unique()) - set(data['當(dāng)前學(xué)院'].unique())

out:

{'利茲學(xué)院', '國際教育學(xué)院', '少數(shù)民族預(yù)科'}

國際教育學(xué)院和少數(shù)民族預(yù)科不在當(dāng)前學(xué)院當(dāng)中，不用管亲怠，利茲名字有錯誤所计，改一下。

num_of_stu_2018['學(xué)院'].replace("利茲學(xué)院",'西南交大-利茲學(xué)院',inplace=True) #inplace=True团秽，直接更改原數(shù)據(jù)

讓學(xué)院變成index主胧，易于訪問。

num_of_stu_2018.set_index('學(xué)院',inplace=True)

然后我們只取2018級的轉(zhuǎn)專業(yè)學(xué)生习勤。如果不提出來踪栋，相當(dāng)于2017級和2018級一起的轉(zhuǎn)專業(yè)人數(shù)比2018級人數(shù)，數(shù)據(jù)就偏大了图毕。

data = all_data[(all_data['年份']==2019)&(all_data['年級']==2018)] # &在pandas用于條件且判斷夷都，括號必須加

接下來繪圖。

比例按百分比展示取小數(shù)點(diǎn)后2位予颤，links里的值按轉(zhuǎn)出人數(shù)占當(dāng)前學(xué)院2018級人數(shù)的比例囤官。

nodes = []
out_map = {}
in_map = {}
value_counts = data['當(dāng)前學(xué)院'].value_counts()
for name,value in value_counts.items():
    ratio = value/num_of_stu_2018.loc[name,"人數(shù)"]
    nodes.append({'name':f'轉(zhuǎn)出-{name}-{ratio:.2%}'})
    out_map[name] = f'轉(zhuǎn)出-{name}-{ratio:.2%}'
value_counts = data['擬轉(zhuǎn)入學(xué)院'].value_counts()
for name,value in value_counts.items():
    ratio = value/num_of_stu_2018.loc[name,"人數(shù)"]
    nodes.append({'name':f'轉(zhuǎn)入-{name}-{ratio:.2%}'})
    in_map[name] = f'轉(zhuǎn)入-{name}-{ratio:.2%}'
links = []
out_values = data['當(dāng)前學(xué)院'].value_counts().index
in_values = data['擬轉(zhuǎn)入學(xué)院'].value_counts().index
for i in out_values:
    for j in in_values:
        counts = data[(data['當(dāng)前學(xué)院']==i) & (data['擬轉(zhuǎn)入學(xué)院']==j)]
        if counts.empty:
            continue
        else:
            ratio = counts.shape[0]/num_of_stu_2018.loc[i,"人數(shù)"]
            links.append({'source': out_map[i], 'target': in_map[j], 'value': ratio})
pic = (Sankey(init_opts = opts.InitOpts(width='1200px',height='1000px'))
       .add('', nodes,links,
            pos_left='18%',pos_right='0%',
            node_width = 30,node_gap = 20,
            linestyle_opt=opts.LineStyleOpts(opacity = 0.4,curve = 0.7,color = 'source',width=10),
            label_opts=opts.LabelOpts (position = 'left',font_family='Times New Roman'))
       .set_global_opts(
           title_opts=opts.TitleOpts(title = '     2019年-2018級-轉(zhuǎn)專業(yè)',subtitle='轉(zhuǎn)入或轉(zhuǎn)出人數(shù)/當(dāng)前學(xué)院2018級人數(shù)',pos_left='50%',
                                     title_textstyle_opts=opts.TextStyleOpts(font_size=20,font_family='Times New Roman',font_weight='bold'),
                                     subtitle_textstyle_opts=opts.TextStyleOpts(font_size=16,font_family='Times New Roman',font_weight='normal',color='black')))) 
pic.load_javascript()
pic.render_notebook()
2019年2018級按轉(zhuǎn)出-加水印

圖中冬阳，左側(cè)的比例代表轉(zhuǎn)出人數(shù)占當(dāng)前學(xué)院人數(shù)的比例，右邊的比例代表轉(zhuǎn)入人數(shù)比擬轉(zhuǎn)入學(xué)院原人數(shù)党饮。中間線的粗細(xì)肝陪，代表流動人數(shù)占當(dāng)前學(xué)院人數(shù)的比例。

從圖中可以看出刑顺，馬院氯窍、生命學(xué)院和地環(huán)學(xué)院的學(xué)生流失嚴(yán)重，馬院達(dá)到了驚人的26%蹲堂，可怕狼讨。因?yàn)榈丨h(huán)學(xué)院有一部分學(xué)院內(nèi)部轉(zhuǎn)專業(yè)的，所以生命學(xué)院比地環(huán)學(xué)院的實(shí)際流失率要嚴(yán)重一些贯城。啊，快跑霹娄！

將links里的值按轉(zhuǎn)入人數(shù)占擬轉(zhuǎn)入學(xué)院2018級人數(shù)的比例試一下能犯。

2019年2018級按轉(zhuǎn)入-加水印

從圖中可以看出，電氣學(xué)院和交運(yùn)學(xué)院都是非常友好的犬耻，很歡迎其他學(xué)院轉(zhuǎn)入踩晶，信息學(xué)院第三，人文學(xué)院第四枕磁。

馬大佬強(qiáng)勢出場

按人數(shù)和按比例各有千秋渡蜻，都有信息量，馬大佬建議我整合起來计济。

如果左側(cè)是轉(zhuǎn)出人數(shù)占比茸苇，右側(cè)是人數(shù)，那么一張圖就能展示學(xué)院流失率與學(xué)院喜好沦寂。但是由于值的量綱不同学密，這種操作需要強(qiáng)行修改渲染器，我實(shí)力太菜传藏，搞不了腻暮。

馬大佬決定親自上手，用matlab從頭繪制了一個毯侦。

2019_轉(zhuǎn)專業(yè)_按轉(zhuǎn)出學(xué)院基數(shù)歸一化(2)-加水印

馬大佬的圖按數(shù)值大小排了序哭靖，兩列節(jié)點(diǎn)的標(biāo)簽在兩邊，在pyecharts中我都沒有找到對應(yīng)的實(shí)現(xiàn)方式侈离。

果然自己從頭繪制才是定制性最強(qiáng)的试幽，給馬大佬鼓掌。

最后

本次只分析了2019年的轉(zhuǎn)專業(yè)數(shù)據(jù)卦碾，后續(xù)分析等待進(jìn)一步進(jìn)行抡草。

你有什么分析建議呢饰及，歡迎留言??。

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：七十年代末康震，一起剝皮案震驚了整個濱河市燎含，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌腿短，老刑警劉巖屏箍，帶你破解...
    沈念sama閱讀 212,383評論 6贊 493
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件，死亡現(xiàn)場離奇詭異橘忱，居然都是意外死亡赴魁，警方通過查閱死者的電腦和手機(jī)，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,522評論 3贊 385
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進(jìn)店門钝诚，熙熙樓的掌柜王于貴愁眉苦臉地迎上來颖御，“玉大人，你說我怎么就攤上這事凝颇∨斯埃” “怎么了？”我有些...
    開封第一講書人閱讀 157,852評論 0贊 348
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵拧略，是天一觀的道長芦岂。 經(jīng)常有香客問我，道長垫蛆，這世上最難降的妖魔是什么禽最？ 我笑而不...
    開封第一講書人閱讀 56,621評論 1贊 284
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任，我火速辦了婚禮袱饭，結(jié)果婚禮上川无，老公的妹妹穿的比我還像新娘。我一直安慰自己虑乖，他們只是感情好舀透，可當(dāng)我...
    茶點(diǎn)故事閱讀 65,741評論 6贊 386
  • 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决左，像睡著了一般愕够。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上佛猛，一...
    開封第一講書人閱讀 49,929評論 1贊 290
  • 城市分裂傳說
    那天惑芭，我揣著相機(jī)與錄音，去河邊找鬼继找。 笑死遂跟，一個胖子當(dāng)著我的面吹牛，可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播幻锁，決...
    沈念sama閱讀 39,076評論 3贊 410
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼凯亮，長吁一口氣：“原來是場噩夢啊……” “哼！你這毒婦竟也來了哄尔？” 一聲冷哼從身側(cè)響起假消，我...
    開封第一講書人閱讀 37,803評論 0贊 268
  • 萬榮殺人案實(shí)錄
    序言：老撾萬榮一對情侶失蹤，失蹤者是張志新（化名）和其女友劉穎岭接，沒想到半個月后富拗，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體，經(jīng)...
    沈念sama閱讀 44,265評論 1贊 303
  • ?護(hù)林員之死
    正文 獨(dú)居荒郊野嶺守林人離奇死亡鸣戴，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(diǎn)故事閱讀 36,582評論 2贊 327
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年啃沪，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了悠汽。 大學(xué)時(shí)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奏属。...
    茶點(diǎn)故事閱讀 38,716評論 1贊 341
  • 活死人
    序言：一個原本活蹦亂跳的男人離奇死亡，死狀恐怖皆串，靈堂內(nèi)的尸體忽然破棺而出入偷，到底是詐尸還是另有隱情追驴，我是刑警寧澤，帶...
    沈念sama閱讀 34,395評論 4贊 333
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布盯串，位于F島的核電站氯檐，受9級特大地震影響戒良，放射性物質(zhì)發(fā)生泄漏体捏。R本人自食惡果不足惜，卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 40,039評論 3贊 316
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一糯崎、第九天 我趴在偏房一處隱蔽的房頂上張望几缭。 院中可真熱鬧，春花似錦沃呢、人聲如沸年栓。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,798評論 0贊 21
  • 一樁弒父案薄霜，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽某抓。三九已至，卻和暖如春惰瓜，著一層夾襖步出監(jiān)牢的瞬間否副，已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,027評論 1贊 266
  • 情欲美人皮
    我被黑心中介騙來泰國打工崎坊， 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留备禀，地道東北人。 一個月前我還...
    沈念sama閱讀 46,488評論 2贊 361
  • 代替公主和親
    正文 我出身青樓，卻偏偏與公主長得像曲尸，于是被迫代替她去往敵國和親赋续。 傳聞我的和親對象是個殘疾皇子，可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,612評論 2贊 350