Python 數(shù)據(jù)處理（十二）—— dtypes

13 dtypes

在大多數(shù)情況下缘圈，pandas 將 NumPy 數(shù)組和 dtype 作用于 Series 和 DataFrame 的每一列劣光。

NumPy 支持 float, int, bool, timedelta64[ns] 和 datetime64[ns] 數(shù)據(jù)類型

注意：NumPy 不支持帶有時(shí)區(qū)信息的 datetimes

而本節(jié)我們將介紹 pandas 的擴(kuò)展類型，下面列出了所有的 pandas 擴(kuò)展類型

image.png

pandas 有兩種存儲(chǔ)字符串?dāng)?shù)據(jù)的方法：

object 類型糟把，可以容納任何 Python 對(duì)象绢涡，包括字符串
StringDtype 類型專門用于存儲(chǔ)字符串。

通常建議使用 StringDtype遣疯，雖然任意對(duì)象都可以存為 object雄可，但是會(huì)導(dǎo)致性能及兼容問題，應(yīng)盡可能避免缠犀。

DataFrame 有一個(gè)方便的 dtypes 屬性用于返回一個(gè)包含每個(gè)列的數(shù)據(jù)類型的序列

In [347]: dft = pd.DataFrame(
   .....:     {
   .....:         "A": np.random.rand(3),
   .....:         "B": 1,
   .....:         "C": "foo",
   .....:         "D": pd.Timestamp("20010102"),
   .....:         "E": pd.Series([1.0] * 3).astype("float32"),
   .....:         "F": False,
   .....:         "G": pd.Series([1] * 3, dtype="int8"),
   .....:     }
   .....: )
   .....: 

In [348]: dft
Out[348]: 
          A  B    C          D    E      F  G
0  0.035962  1  foo 2001-01-02  1.0  False  1
1  0.701379  1  foo 2001-01-02  1.0  False  1
2  0.281885  1  foo 2001-01-02  1.0  False  1

In [349]: dft.dtypes
Out[349]: 
A           float64
B             int64
C            object
D    datetime64[ns]
E           float32
F              bool
G              int8
dtype: object

在 Series 對(duì)象上数苫，使用 dtype 屬性。

In [350]: dft["A"].dtype
Out[350]: dtype('float64')

如果 pandas 數(shù)據(jù)對(duì)象在一列中包含多種數(shù)據(jù)類型辨液，將會(huì)自動(dòng)選擇一種能夠容納所有數(shù)據(jù)類型的類型（即向上轉(zhuǎn)換）虐急。最常用的就是 object

# these ints are coerced to floats
In [351]: pd.Series([1, 2, 3, 4, 5, 6.0])
Out[351]: 
0    1.0
1    2.0
2    3.0
3    4.0
4    5.0
5    6.0
dtype: float64

# string data forces an ``object`` dtype
In [352]: pd.Series([1, 2, 3, 6.0, "foo"])
Out[352]: 
0      1
1      2
2      3
3    6.0
4    foo
dtype: object

可以通過調(diào)用 DataFrame.dtypes.value_counts() 來統(tǒng)計(jì) DataFrame 中每種類型的列數(shù)

In [353]: dft.dtypes.value_counts()
Out[353]: 
float32           1
datetime64[ns]    1
float64           1
bool              1
int8              1
object            1
int64             1
dtype: int64

不同的數(shù)據(jù)類型可以在 DataFrame 中共存。不論是通過 dtype 參數(shù)設(shè)置室梅，還是傳遞 ndarray 或 Series戏仓，都會(huì)在 DataFrame 操作中保留其類型。

此外亡鼠，不同的數(shù)值類型不會(huì)合并

In [354]: df1 = pd.DataFrame(np.random.randn(8, 1), columns=["A"], dtype="float32")

In [355]: df1
Out[355]: 
          A
0  0.224364
1  1.890546
2  0.182879
3  0.787847
4 -0.188449
5  0.667715
6 -0.011736
7 -0.399073

In [356]: df1.dtypes
Out[356]: 
A    float32
dtype: object

In [357]: df2 = pd.DataFrame(
   .....:     {
   .....:         "A": pd.Series(np.random.randn(8), dtype="float16"),
   .....:         "B": pd.Series(np.random.randn(8)),
   .....:         "C": pd.Series(np.array(np.random.randn(8), dtype="uint8")),
   .....:     }
   .....: )
   .....: 

In [358]: df2
Out[358]: 
          A         B    C
0  0.823242  0.256090    0
1  1.607422  1.426469    0
2 -0.333740 -0.416203  255
3 -0.063477  1.139976    0
4 -1.014648 -1.193477    0
5  0.678711  0.096706    0
6 -0.040863 -1.956850    1
7 -0.357422 -0.714337    0

In [359]: df2.dtypes
Out[359]: 
A    float16
B    float64
C      uint8
dtype: object

13.1 默認(rèn)值

默認(rèn)情況下赏殃，整數(shù)類型為 int64, float 類型為 float64。

無論平臺(tái)是 32 位還是 64 位间涵，下面的數(shù)據(jù)都是 int64 類型仁热。

In [360]: pd.DataFrame([1, 2], columns=["a"]).dtypes
Out[360]: 
a    int64
dtype: object

In [361]: pd.DataFrame({"a": [1, 2]}).dtypes
Out[361]: 
a    int64
dtype: object

In [362]: pd.DataFrame({"a": 1}, index=list(range(2))).dtypes
Out[362]: 
a    int64
dtype: object

注意：NumPy 在創(chuàng)建數(shù)組是會(huì)根據(jù)系統(tǒng)選擇相應(yīng)的類型，下面的代碼在 32 位操作系統(tǒng)中會(huì)返回 int32

In [363]: frame = pd.DataFrame(np.array([1, 2]))

13.2 向上轉(zhuǎn)型

當(dāng)與其他類型混合時(shí)勾哩，類型會(huì)隱式向上轉(zhuǎn)換抗蠢，這意味著它們從當(dāng)前類型提升為另一種類型,例如 int 提升到 float

In [364]: df3 = df1.reindex_like(df2).fillna(value=0.0) + df2

In [365]: df3
Out[365]: 
          A         B      C
0  1.047606  0.256090    0.0
1  3.497968  1.426469    0.0
2 -0.150862 -0.416203  255.0
3  0.724370  1.139976    0.0
4 -1.203098 -1.193477    0.0
5  1.346426  0.096706    0.0
6 -0.052599 -1.956850    1.0
7 -0.756495 -0.714337    0.0

In [366]: df3.dtypes
Out[366]: 
A    float32
B    float64
C    float64
dtype: object

DataFrame.to_numpy() 返回的數(shù)組的類型是出現(xiàn)次數(shù)最多的類型，因此這可能會(huì)發(fā)生一些強(qiáng)制的轉(zhuǎn)換

In [367]: df3.to_numpy().dtype
Out[367]: dtype('float64')

13.3 astype

可以使用 astype() 方法顯式地將 dtype 從一種類型轉(zhuǎn)換為另一種類型思劳。

默認(rèn)情況下迅矛，這些函數(shù)將返回一份拷貝（可以使用 copy=False 來更改這一行為），即使 dtype 并沒有改變

此外潜叛，如果 astype 操作無效秽褒，將引發(fā)異常

In [368]: df3
Out[368]: 
          A         B      C
0  1.047606  0.256090    0.0
1  3.497968  1.426469    0.0
2 -0.150862 -0.416203  255.0
3  0.724370  1.139976    0.0
4 -1.203098 -1.193477    0.0
5  1.346426  0.096706    0.0
6 -0.052599 -1.956850    1.0
7 -0.756495 -0.714337    0.0

In [369]: df3.dtypes
Out[369]: 
A    float32
B    float64
C    float64
dtype: object

# conversion of dtypes
In [370]: df3.astype("float32").dtypes
Out[370]: 
A    float32
B    float32
C    float32
dtype: object

使用 astype() 將某些列轉(zhuǎn)換為指定的類型壶硅。

In [371]: dft = pd.DataFrame({"a": [1, 2, 3], "b": [4, 5, 6], "c": [7, 8, 9]})

In [372]: dft[["a", "b"]] = dft[["a", "b"]].astype(np.uint8)

In [373]: dft
Out[373]: 
   a  b  c
0  1  4  7
1  2  5  8
2  3  6  9

In [374]: dft.dtypes
Out[374]: 
a    uint8
b    uint8
c    int64
dtype: object

通過對(duì) astype() 傳遞字典的方式，將某些列轉(zhuǎn)換為特定的 dtype

In [375]: dft1 = pd.DataFrame({"a": [1, 0, 1], "b": [4, 5, 6], "c": [7, 8, 9]})

In [376]: dft1 = dft1.astype({"a": np.bool_, "c": np.float64})

In [377]: dft1
Out[377]: 
       a  b    c
0   True  4  7.0
1  False  5  8.0
2   True  6  9.0

In [378]: dft1.dtypes
Out[378]: 
a       bool
b      int64
c    float64
dtype: object

注意

當(dāng)嘗試使用 astype() 和 loc() 將某些列轉(zhuǎn)換為指定的類型時(shí)销斟，將會(huì)發(fā)生向上轉(zhuǎn)換

因此庐椒，下列代碼會(huì)產(chǎn)出意料之外的結(jié)果：
In [379]: dft = pd.DataFrame({"a": [1, 2, 3], "b": [4, 5, 6], "c": [7, 8, 9]})

In [380]: dft.loc[:, ["a", "b"]].astype(np.uint8).dtypes
Out[380]: 
a    uint8
b    uint8
dtype: object

In [381]: dft.loc[:, ["a", "b"]] = dft.loc[:, ["a", "b"]].astype(np.uint8)

In [382]: dft.dtypes
Out[382]: 
a    int64
b    int64
c    int64
dtype: object

13.4 對(duì)象轉(zhuǎn)換

pandas 提供了各種函數(shù)來嘗試強(qiáng)制將類型從對(duì)象類型轉(zhuǎn)換為其他類型。

如果數(shù)據(jù)已經(jīng)具有正確的類型蚂踊，但是存儲(chǔ)在對(duì)象數(shù)組中约谈，則可以使用 datafame.infer_objects() 和 Series.infer_objects() 方法將其轉(zhuǎn)換為正確的類型

In [383]: import datetime

In [384]: df = pd.DataFrame(
   .....:     [
   .....:         [1, 2],
   .....:         ["a", "b"],
   .....:         [datetime.datetime(2016, 3, 2), datetime.datetime(2016, 3, 2)],
   .....:     ]
   .....: )
   .....: 

In [385]: df = df.T

In [386]: df
Out[386]: 
   0  1          2
0  1  a 2016-03-02
1  2  b 2016-03-02

In [387]: df.dtypes
Out[387]: 
0            object
1            object
2    datetime64[ns]
dtype: object

由于數(shù)據(jù)被轉(zhuǎn)置，所以原始推斷將所有的列存儲(chǔ)為對(duì)象犁钟，但是可以使用 infer_objects 糾正

Out[388]: 
0             int64
1            object
2    datetime64[ns]
dtype: object

以下函數(shù)可用于一維對(duì)象數(shù)組或標(biāo)量棱诱，執(zhí)行指定類型的轉(zhuǎn)換:

to_numeric()(轉(zhuǎn)換為數(shù)字類型)

In [389]: m = ["1.1", 2, 3]

In [390]: pd.to_numeric(m)
Out[390]: array([1.1, 2. , 3. ])

to_datetime()(轉(zhuǎn)換為 datetime 對(duì)象)

In [391]: import datetime

In [392]: m = ["2016-07-09", datetime.datetime(2016, 3, 2)]

In [393]: pd.to_datetime(m)
Out[393]: DatetimeIndex(['2016-07-09', '2016-03-02'], dtype='datetime64[ns]', freq=None)

to_timedelta()(轉(zhuǎn)換為 timedelta 對(duì)象)

In [394]: m = ["5us", pd.Timedelta("1day")]

In [395]: pd.to_timedelta(m)
Out[395]: TimedeltaIndex(['0 days 00:00:00.000005', '1 days 00:00:00'], dtype='timedelta64[ns]', freq=None)

如果要執(zhí)行強(qiáng)制轉(zhuǎn)換，可以傳入一個(gè) errors 參數(shù)涝动，來指定 pandas 應(yīng)如何處理不能轉(zhuǎn)換為指定 dtype 或?qū)ο蟮脑?/p>

默認(rèn)情況下军俊，errors='raise'，這意味著在轉(zhuǎn)換過程中遇到的任何錯(cuò)誤都會(huì)引發(fā)異常

但是捧存，如果 errors='coerce'，這些錯(cuò)誤將被忽略担败，pandas 將把有問題的元素轉(zhuǎn)換為 pd.NaT 或 np.nan

有時(shí)候你的數(shù)據(jù)大部分都是正確的類型昔穴，但是可能有很少一部分不一致的類型，你可能希望將其標(biāo)記為缺失值而不是引發(fā)異常

In [396]: import datetime

In [397]: m = ["apple", datetime.datetime(2016, 3, 2)]

In [398]: pd.to_datetime(m, errors="coerce")
Out[398]: DatetimeIndex(['NaT', '2016-03-02'], dtype='datetime64[ns]', freq=None)

In [399]: m = ["apple", 2, 3]

In [400]: pd.to_numeric(m, errors="coerce")
Out[400]: array([nan,  2.,  3.])

In [401]: m = ["apple", pd.Timedelta("1day")]

In [402]: pd.to_timedelta(m, errors="coerce")
Out[402]: TimedeltaIndex([NaT, '1 days'], dtype='timedelta64[ns]', freq=None)

當(dāng) errors='ignore' 時(shí)提前，如果在轉(zhuǎn)換類型時(shí)遇到任何錯(cuò)誤吗货，它將簡單地返回轉(zhuǎn)換成功的數(shù)據(jù)

In [403]: import datetime

In [404]: m = ["apple", datetime.datetime(2016, 3, 2)]

In [405]: pd.to_datetime(m, errors="ignore")
Out[405]: Index(['apple', 2016-03-02 00:00:00], dtype='object')

In [406]: m = ["apple", 2, 3]

In [407]: pd.to_numeric(m, errors="ignore")
Out[407]: array(['apple', 2, 3], dtype=object)

In [408]: m = ["apple", pd.Timedelta("1day")]

In [409]: pd.to_timedelta(m, errors="ignore")
Out[409]: array(['apple', Timedelta('1 days 00:00:00')], dtype=object)

除了對(duì)象轉(zhuǎn)換外，to_numeric() 還提供了另一個(gè)參數(shù) downcast狈网，設(shè)置該參數(shù)能夠?qū)?shù)值型數(shù)據(jù)向下轉(zhuǎn)換為較小的 dtype宙搬，以節(jié)省內(nèi)存

In [410]: m = ["1", 2, 3]

In [411]: pd.to_numeric(m, downcast="integer")  # smallest signed int dtype
Out[411]: array([1, 2, 3], dtype=int8)

In [412]: pd.to_numeric(m, downcast="signed")  # same as 'integer'
Out[412]: array([1, 2, 3], dtype=int8)

In [413]: pd.to_numeric(m, downcast="unsigned")  # smallest unsigned int dtype
Out[413]: array([1, 2, 3], dtype=uint8)

In [414]: pd.to_numeric(m, downcast="float")  # smallest float dtype
Out[414]: array([1., 2., 3.], dtype=float32)

這些方法只適用于一維數(shù)組、列表或標(biāo)量拓哺，因此勇垛，它們不能直接用于多維對(duì)象，如 DataFrame士鸥。但是我們可以使用 apply 函數(shù)將其應(yīng)用到每列上

In [415]: import datetime

In [416]: df = pd.DataFrame([["2016-07-09", datetime.datetime(2016, 3, 2)]] * 2, dtype="O")

In [417]: df
Out[417]: 
            0                    1
0  2016-07-09  2016-03-02 00:00:00
1  2016-07-09  2016-03-02 00:00:00

In [418]: df.apply(pd.to_datetime)
Out[418]: 
           0          1
0 2016-07-09 2016-03-02
1 2016-07-09 2016-03-02

In [419]: df = pd.DataFrame([["1.1", 2, 3]] * 2, dtype="O")

In [420]: df
Out[420]: 
     0  1  2
0  1.1  2  3
1  1.1  2  3

In [421]: df.apply(pd.to_numeric)
Out[421]: 
     0  1  2
0  1.1  2  3
1  1.1  2  3

In [422]: df = pd.DataFrame([["5us", pd.Timedelta("1day")]] * 2, dtype="O")

In [423]: df
Out[423]: 
     0                1
0  5us  1 days 00:00:00
1  5us  1 days 00:00:00

In [424]: df.apply(pd.to_timedelta)
Out[424]: 
                       0      1
0 0 days 00:00:00.000005 1 days
1 0 days 00:00:00.000005 1 days

13.5 陷阱

對(duì)整數(shù)類型數(shù)據(jù)執(zhí)行選擇操作時(shí)闲孤，會(huì)很容易地將數(shù)據(jù)向上轉(zhuǎn)換為 float。而在沒有引入 nan 的情況下烤礁，輸入數(shù)據(jù)的 dtype 將被保留讼积。

In [425]: dfi = df3.astype("int32")

In [426]: dfi["E"] = 1

In [427]: dfi
Out[427]: 
   A  B    C  E
0  1  0    0  1
1  3  1    0  1
2  0  0  255  1
3  0  1    0  1
4 -1 -1    0  1
5  1  0    0  1
6  0 -1    1  1
7  0  0    0  1

In [428]: dfi.dtypes
Out[428]: 
A    int32
B    int32
C    int32
E    int64
dtype: object

In [429]: casted = dfi[dfi > 0]

In [430]: casted
Out[430]: 
     A    B      C  E
0  1.0  NaN    NaN  1
1  3.0  1.0    NaN  1
2  NaN  NaN  255.0  1
3  NaN  1.0    NaN  1
4  NaN  NaN    NaN  1
5  1.0  NaN    NaN  1
6  NaN  NaN    1.0  1
7  NaN  NaN    NaN  1

In [431]: casted.dtypes
Out[431]: 
A    float64
B    float64
C    float64
E      int64
dtype: object

而 float 類型不會(huì)改變

In [432]: dfa = df3.copy()

In [433]: dfa["A"] = dfa["A"].astype("float32")

In [434]: dfa.dtypes
Out[434]: 
A    float32
B    float64
C    float64
dtype: object

In [435]: casted = dfa[df2 > 0]

In [436]: casted
Out[436]: 
          A         B      C
0  1.047606  0.256090    NaN
1  3.497968  1.426469    NaN
2       NaN       NaN  255.0
3       NaN  1.139976    NaN
4       NaN       NaN    NaN
5  1.346426  0.096706    NaN
6       NaN       NaN    1.0
7       NaN       NaN    NaN

In [437]: casted.dtypes
Out[437]: 
A    float32
B    float64
C    float64
dtype: object

14 根據(jù) dtype 選擇列

select_dtypes() 方法可以根據(jù)列的 dtype 實(shí)現(xiàn)列的提取。

首先脚仔，讓我們創(chuàng)建一個(gè)具有不同 dtype 的數(shù)據(jù)框

In [438]: df = pd.DataFrame(
   .....:     {
   .....:         "string": list("abc"),
   .....:         "int64": list(range(1, 4)),
   .....:         "uint8": np.arange(3, 6).astype("u1"),
   .....:         "float64": np.arange(4.0, 7.0),
   .....:         "bool1": [True, False, True],
   .....:         "bool2": [False, True, False],
   .....:         "dates": pd.date_range("now", periods=3),
   .....:         "category": pd.Series(list("ABC")).astype("category"),
   .....:     }
   .....: )
   .....: 

In [439]: df["tdeltas"] = df.dates.diff()

In [440]: df["uint64"] = np.arange(3, 6).astype("u8")

In [441]: df["other_dates"] = pd.date_range("20130101", periods=3)

In [442]: df["tz_aware_dates"] = pd.date_range("20130101", periods=3, tz="US/Eastern")

In [443]: df
Out[443]: 
  string  int64  uint8  float64  bool1  ...  category tdeltas uint64 other_dates            tz_aware_dates
0      a      1      3      4.0   True  ...         A     NaT      3  2013-01-01 2013-01-01 00:00:00-05:00
1      b      2      4      5.0  False  ...         B  1 days      4  2013-01-02 2013-01-02 00:00:00-05:00
2      c      3      5      6.0   True  ...         C  1 days      5  2013-01-03 2013-01-03 00:00:00-05:00

[3 rows x 12 columns]

所有列的 dtypes

In [444]: df.dtypes
Out[444]: 
string                                object
int64                                  int64
uint8                                  uint8
float64                              float64
bool1                                   bool
bool2                                   bool
dates                         datetime64[ns]
category                            category
tdeltas                      timedelta64[ns]
uint64                                uint64
other_dates                   datetime64[ns]
tz_aware_dates    datetime64[ns, US/Eastern]
dtype: object

select_dtypes() 有兩個(gè)參數(shù):

include: 包含這些類型的列
exclude: 不包含這些類型的列

例如勤众，要選擇 bool 列

In [445]: df.select_dtypes(include=[bool])
Out[445]: 
   bool1  bool2
0   True  False
1  False   True
2   True  False

你也可以使用 NumPy dtype 層次結(jié)構(gòu)中的類型名稱

In [446]: df.select_dtypes(include=["bool"])
Out[446]: 
   bool1  bool2
0   True  False
1  False   True
2   True  False

select_dtypes() 也適用于通用數(shù)據(jù)類型

例如，選擇所有數(shù)字和布爾列鲤脏，同時(shí)排除無符號(hào)整數(shù)

In [447]: df.select_dtypes(include=["number", "bool"], exclude=["unsignedinteger"])
Out[447]: 
   int64  float64  bool1  bool2 tdeltas
0      1      4.0   True  False     NaT
1      2      5.0  False   True  1 days
2      3      6.0   True  False  1 days

要選擇字符串列们颜，必須使用 object 類型

In [448]: df.select_dtypes(include=["object"])
Out[448]: 
  string
0      a
1      b
2      c

如果想要查看通用數(shù)據(jù)類型的所有子類型吕朵，你可以定義類似如下的函數(shù)來返回一個(gè)子類型樹

In [449]: def subdtypes(dtype):
   .....:     subs = dtype.__subclasses__()
   .....:     if not subs:
   .....:         return dtype
   .....:     return [dtype, [subdtypes(dt) for dt in subs]]

In [450]: subdtypes(np.generic)
Out[450]: 
[numpy.generic,
 [[numpy.number,
   [[numpy.integer,
     [[numpy.signedinteger,
       [numpy.int8,
        numpy.int16,
        numpy.int32,
        numpy.int64,
        numpy.longlong,
        numpy.timedelta64]],
      [numpy.unsignedinteger,
       [numpy.uint8,
        numpy.uint16,
        numpy.uint32,
        numpy.uint64,
        numpy.ulonglong]]]],
    [numpy.inexact,
     [[numpy.floating,
       [numpy.float16, numpy.float32, numpy.float64, numpy.float128]],
      [numpy.complexfloating,
       [numpy.complex64, numpy.complex128, numpy.complex256]]]]]],
  [numpy.flexible,
   [[numpy.character, [numpy.bytes_, numpy.str_]],
    [numpy.void, [numpy.record]]]],
  numpy.bool_,
  numpy.datetime64,
  numpy.object_]]

注意

pandas 還定義了 category 和 datetime64[ns, tz] 類型，但它們沒有集成到通用的 NumPy 層次結(jié)構(gòu)中掌桩，因此沒有顯示在上述結(jié)果中

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者

人面猴
序言：七十年代末边锁，一起剝皮案震驚了整個(gè)濱河市，隨后出現(xiàn)的幾起案子波岛，更是在濱河造成了極大的恐慌茅坛，老刑警劉巖，帶你破解...
沈念sama閱讀 211,194評(píng)論 6贊 490
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件则拷，死亡現(xiàn)場離奇詭異贡蓖，居然都是意外死亡，警方通過查閱死者的電腦和手機(jī)煌茬，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 90,058評(píng)論 2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)店門斥铺，熙熙樓的掌柜王于貴愁眉苦臉地迎上來，“玉大人坛善，你說我怎么就攤上這事晾蜘。” “怎么了眠屎？”我有些...
開封第一講書人閱讀 156,780評(píng)論 0贊 346
道士緝兇錄：失蹤的賣姜人
文/不壞的土叔我叫張陵剔交，是天一觀的道長。經(jīng)常有香客問我改衩，道長岖常，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 56,388評(píng)論 1贊 283
?港島之戀（遺憾婚禮）
正文為了忘掉前任葫督，我火速辦了婚禮竭鞍，結(jié)果婚禮上，老公的妹妹穿的比我還像新娘橄镜。我一直安慰自己偎快，他們只是感情好，可當(dāng)我...
茶點(diǎn)故事閱讀 65,430評(píng)論 5贊 384
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洽胶。她就那樣靜靜地躺著滨砍，像睡著了一般。火紅的嫁衣襯著肌膚如雪妖异。梳的紋絲不亂的頭發(fā)上惋戏，一...
開封第一講書人閱讀 49,764評(píng)論 1贊 290
城市分裂傳說
那天，我揣著相機(jī)與錄音他膳，去河邊找鬼响逢。笑死，一個(gè)胖子當(dāng)著我的面吹牛棕孙，可吹牛的內(nèi)容都是我干的舔亭。我是一名探鬼主播些膨，決...
沈念sama閱讀 38,907評(píng)論 3贊 406
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……” “哼钦铺！你這毒婦竟也來了订雾？” 一聲冷哼從身側(cè)響起，我...
開封第一講書人閱讀 37,679評(píng)論 0贊 266
萬榮殺人案實(shí)錄
序言：老撾萬榮一對(duì)情侶失蹤矛洞，失蹤者是張志新（化名）和其女友劉穎洼哎，沒想到半個(gè)月后，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體沼本，經(jīng)...
沈念sama閱讀 44,122評(píng)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噩峦，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 36,459評(píng)論 2贊 325
?白月光啟示錄
正文我和宋清朗相戀三年，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了抽兆。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识补。...
茶點(diǎn)故事閱讀 38,605評(píng)論 1贊 340
活死人
序言：一個(gè)原本活蹦亂跳的男人離奇死亡，死狀恐怖辫红，靈堂內(nèi)的尸體忽然破棺而出凭涂，到底是詐尸還是另有隱情，我是刑警寧澤贴妻，帶...
沈念sama閱讀 34,270評(píng)論 4贊 329
?日本核電站爆炸內(nèi)幕
正文年R本政府宣布导盅，位于F島的核電站，受9級(jí)特大地震影響揍瑟，放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜乍炉，卻給世界環(huán)境...
茶點(diǎn)故事閱讀 39,867評(píng)論 3贊 312
男人毒藥：我在死后第九天來索命
文/蒙蒙一绢片、第九天我趴在偏房一處隱蔽的房頂上張望。院中可真熱鬧岛琼，春花似錦底循、人聲如沸。這莊子的主人今日做“春日...
開封第一講書人閱讀 30,734評(píng)論 0贊 21
一樁弒父案熙涤，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽。三九已至困檩，卻和暖如春祠挫，著一層夾襖步出監(jiān)牢的瞬間，已是汗流浹背悼沿。一陣腳步聲響...
開封第一講書人閱讀 31,961評(píng)論 1贊 265
情欲美人皮
我被黑心中介騙來泰國打工等舔，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，地道東北人糟趾。一個(gè)月前我還...
沈念sama閱讀 46,297評(píng)論 2贊 360
代替公主和親
正文我出身青樓慌植，卻偏偏與公主長得像甚牲，于是被迫代替她去往敵國和親。傳聞我的和親對(duì)象是個(gè)殘疾皇子蝶柿，可洞房花燭夜當(dāng)晚...
茶點(diǎn)故事閱讀 43,472評(píng)論 2贊 348