【Chapter 7.2 】數(shù)據(jù)轉(zhuǎn)換

【Chapter 7.2 】數(shù)據(jù)轉(zhuǎn)換

本章到目前為止介紹的都是數(shù)據(jù)的重排键闺。另一類重要操作則是過濾、清理以及其他的轉(zhuǎn)換工作。

1 刪除重復(fù)值

data = pd.DataFrame({'k1': ['one', 'two'] * 3 + ['two'],
                     'k2': [1, 1, 2, 3, 3, 4, 4]})
data
                     
Out[468]: 
    k1  k2
0  one   1
1  two   1
2  one   2
3  two   3
4  one   3
5  two   4
6  two   4

DataFrame方法duplicated返回的是一個boolean Series创坞，表示一個row是否是重復(fù)的（根據(jù)前一行來判斷）：

data.duplicated()
Out[469]: 
0    False
1    False
2    False
3    False
4    False
5    False
6     True
dtype: bool

drop_duplicateds返回一個DataFrame平酿，會刪除重復(fù)的部分：

data.drop_duplicates()
Out[470]: 
    k1  k2
0  one   1
1  two   1
2  one   2
3  two   3
4  one   3
5  two   4

上面兩種方法都默認(rèn)考慮所有列凤优；另外，我們可以指定一部分來檢測重復(fù)值蜈彼。假設(shè)我們只想檢測'k1'列的重復(fù)值：


data['v1'] = range(7)
data

Out[471]: 
    k1  k2  v1
0  one   1   0
1  two   1   1
2  one   2   2
3  two   3   3
4  one   3   4
5  two   4   5
6  two   4   6

data.drop_duplicates(['k1'])
Out[472]: 
    k1  k2  v1
0  one   1   0
1  two   1   1

duplicated和drop_duplicated默認(rèn)保留第一次觀測到的數(shù)值組合筑辨。設(shè)置keep='last'能返回最后一個：

data.drop_duplicates(['k1'])
Out[472]: 
    k1  k2  v1
0  one   1   0
1  two   1   1

data.drop_duplicates(['k1', 'k2'], keep='last')
Out[473]: 
    k1  k2  v1
0  one   1   0
1  two   1   1
2  one   2   2
3  two   3   3
4  one   3   4
6  two   4   6

data.drop_duplicates(['k1'],keep = 'last')
Out[474]: 
    k1  k2  v1
4  one   3   4
6  two   4   6

2 用函數(shù)和映射來轉(zhuǎn)換數(shù)據(jù)

對于許多數(shù)據(jù)集，你可能希望根據(jù)數(shù)組幸逆、Series或DataFrame列中的值來實現(xiàn)轉(zhuǎn)換工作棍辕。我們來看看下面這組有關(guān)肉類的數(shù)據(jù)：

data = pd.DataFrame({'food': ['bacon', 'pulled pork', 'bacon',
                              'Pastrami', 'corned beef', 'Bacon',
                              'pastrami', 'honey ham', 'nova lox'],
                     'ounces': [4, 3, 12, 6, 7.5, 8, 3, 5, 6]})
data
                     
Out[475]: 
          food  ounces
0        bacon     4.0
1  pulled pork     3.0
2        bacon    12.0
3     Pastrami     6.0
4  corned beef     7.5
5        Bacon     8.0
6     pastrami     3.0
7    honey ham     5.0
8     nova lox     6.0

假設(shè)你想加一列暮现，表明每種肉來源的動物是什么。我們可以寫一個映射：

meat_to_animal = {
    'bacon': 'pig',
    'pulled pork': 'pig',
    'pastrami': 'cow',
    'corned beef': 'cow',
    'honey ham': 'pig',
    'nova lox': 'salmon'
}

用于series的map方法接受一個函數(shù)楚昭，或是一個字典栖袋，包含著映射關(guān)系，但這里有一個小問題抚太，有些肉是大寫塘幅，有些是小寫。因此尿贫，我們先用str.lower把所有的值變?yōu)樾?

lowercased = data['food'].str.lower()
lowercased

Out[477]: 
0          bacon
1    pulled pork
2          bacon
3       pastrami
4    corned beef
5          bacon
6       pastrami
7      honey ham
8       nova lox
Name: food, dtype: object

data['animal'] = lowercased.map(meat_to_animal)
data

Out[478]: 
          food  ounces  animal
0        bacon     4.0     pig
1  pulled pork     3.0     pig
2        bacon    12.0     pig
3     Pastrami     6.0     cow
4  corned beef     7.5     cow
5        Bacon     8.0     pig
6     pastrami     3.0     cow
7    honey ham     5.0     pig
8     nova lox     6.0  salmon

我們也可以用一個函數(shù)解決上面的問題：

data['food'].map(lambda x: meat_to_animal[x.lower()])
Out[479]: 
0       pig
1       pig
2       pig
3       cow
4       cow
5       pig
6       cow
7       pig
8    salmon
Name: food, dtype: object

使用map是一個很簡便的方法电媳，用于element-wise轉(zhuǎn)換和其他一些數(shù)據(jù)清洗操作。

3 Replacing Values（替換值）

其實fillna是一個特殊換的替換操作庆亡。map可以用于修改一個object里的部分值匆背，但是replace能提供一個更簡單和更靈活的方法做到這點。下面是一個series：

data = pd.Series([1., -999., 2., -999., -1000., 3.])
data

Out[480]: 
0       1.0
1    -999.0
2       2.0
3    -999.0
4   -1000.0
5       3.0
dtype: float64

3 替換值

其實fillna是一個特殊換的替換操作身冀。map可以用于修改一個object里的部分值钝尸，但是replace能提供一個更簡單和更靈活的方法做到這點。下面是一個series：

data = pd.Series([1., -999., 2., -999., -1000., 3.])
data

Out[481]: 
0       1.0
1    -999.0
2       2.0
3    -999.0
4   -1000.0
5       3.0
dtype: float64

這里-999可能是用來表示缺失值的標(biāo)識符搂根。用NA來替代的話珍促，用replace，會產(chǎn)生一個新series（除非使用inplace=True）:

data.replace(-999, np.nan)
Out[482]: 
0       1.0
1       NaN
2       2.0
3       NaN
4   -1000.0
5       3.0
dtype: float64

-999這個值可能是一個表示缺失數(shù)據(jù)的標(biāo)記值剩愧。要將其替換為pandas能夠理解的NA值猪叙，我們可以利用replace來產(chǎn)生一個新的Series（除非傳入inplace=True）：

data.replace(-999, np.nan)
Out[483]: 
0       1.0
1       NaN
2       2.0
3       NaN
4   -1000.0
5       3.0
dtype: float64

如果你希望一次性替換多個值，可以傳入一個由待替換值組成的列表以及一個替換值：：

data.replace([-999, -1000], np.nan)
Out[484]: 
0    1.0
1    NaN
2    2.0
3    NaN
4    NaN
5    3.0
dtype: float64

對于不同的值用不同的替換值仁卷，也是導(dǎo)入一個list：

data.replace([-999, -1000], [np.nan, 0])
Out[485]: 
0    1.0
1    NaN
2    2.0
3    NaN
4    0.0
5    3.0
dtype: float64

參數(shù)也可以是一個dict：

data.replace({-999: np.nan, -1000: 0})
Out[486]: 
0    1.0
1    NaN
2    2.0
3    NaN
4    0.0
5    3.0
dtype: float64

注意：data.replace方法和data.str.replace方法是不同的穴翩，后者會對string進(jìn)行element-wise替換。

4 Renaming Axis Indexes（重命名Axis Indexes）

像是series里的value一樣锦积，axis label也能類似地是函數(shù)或映射來轉(zhuǎn)換芒帕，產(chǎn)生一個新的object。當(dāng)然也可以設(shè)置in-place不產(chǎn)生新的數(shù)據(jù)：

data = pd.DataFrame(np.arange(12).reshape((3, 4)),
                    index=['Ohio', 'Colorado', 'New York'],
                    columns=['one', 'two', 'three', 'four'])
data
                    
Out[487]: 
          one  two  three  four
Ohio        0    1      2     3
Colorado    4    5      6     7
New York    8    9     10    11

與series相同丰介，axis index有一個map方法：

transform = lambda x: x[:4].upper()
transform

Out[488]: <function __main__.<lambda>>

data.index
Out[489]: Index(['Ohio', 'Colorado', 'New York'], dtype='object')

#可以賦值給index背蟆，以in-place的方式修改DataFrame： 
data.index.map(transform)
Out[490]: Index(['OHIO', 'COLO', 'NEW '], dtype='object')

如果想要創(chuàng)建數(shù)據(jù)集的轉(zhuǎn)換版（而不是修改原始數(shù)據(jù)），比較實用的方法是rename：

data.rename(index=str.title, columns=str.upper)
Out[491]: 
          ONE  TWO  THREE  FOUR
Ohio        0    1      2     3
Colorado    4    5      6     7
New York    8    9     10    11

注意哮幢，rename能用于dict一樣的oject带膀，

data.rename(index={'OHIO': 'INDIANA'},
            columns={'three': 'pekaboo'})
            
Out[492]: 
          one  two  pekaboo  four
Ohio        0    1        2     3
Colorado    4    5        6     7
New York    8    9       10    11

rename能讓你避免陷入手動賦值給index和columns的雜務(wù)中〕裙福可以用inplace直接修改原始數(shù)據(jù)：


data.rename(index={'OHIO': 'INDIANA'}, inplace=True)
data

Out[493]: 
          one  two  three  four
Ohio        0    1      2     3
Colorado    4    5      6     7
New York    8    9     10    11

5 Discretization and Binning（離散化和裝箱）

連續(xù)型數(shù)據(jù)經(jīng)常被離散化或分散成bins（分箱）來分析垛叨。假設(shè)你有一組數(shù)據(jù)，你想把人分到不同的年齡組里：

ages = [20, 22, 25, 27, 21, 23, 37, 31, 61, 45, 41, 32]

我們把這些分到四個bin里柜某，19~25, 26~35, 36~60, >60嗽元×哺伲可以用pandas里的cut：

bins = [18, 25, 35, 60, 100]

cats = pd.cut(ages, bins)

cats

[(18, 25], (18, 25], (18, 25], (25, 35], (18, 25], ..., (25, 35], (60, 100], (35, 60], (35, 60], (25, 35]]
Length: 12
Categories (4, interval[int64]): [(18, 25] < (25, 35] < (35, 60] < (60, 100]]

返回的是一個特殊的Categorical object。我們看到的結(jié)果描述了pandas.cut如何得到bins还棱≡卮龋可以看作是一個string數(shù)組用來表示bin的名字惭等，它內(nèi)部包含了一個categories數(shù)組珍手，用來記錄不同類別的名字，并伴有表示ages的label（可以通過codes屬性查看）：

cats.codes #4種情況
Out[496]: array([0, 0, 0, 1, 0, 0, 2, 1, 3, 2, 2, 1], dtype=int8)

cats.categories
Out[497]: 
IntervalIndex([(18, 25], (25, 35], (35, 60], (60, 100]]
              closed='right',
              dtype='interval[int64]')


pd.value_counts(cats)
Out[498]: 
(18, 25]     5
(35, 60]     3
(25, 35]     3
(60, 100]    1

這里pd.value_counts(cats)是pandas.cut后bin的數(shù)量辞做。

這里我們注意一下區(qū)間琳要。括號表示不包含，方括號表示包含秤茅。你可以自己設(shè)定哪一邊關(guān)閉（right=False）:


pd.cut(ages, [18, 26, 36, 61, 100], right=False)
Out[499]: 
[[18, 26), [18, 26), [18, 26), [26, 36), [18, 26), ..., [26, 36), [61, 100), [36, 61), [36, 61), [26, 36)]
Length: 12
Categories (4, interval[int64]): [[18, 26) < [26, 36) < [36, 61) < [61, 100)]

你也可以用一個list或數(shù)組給labels選項來設(shè)定bin的名字：


group_names = ['Youth', 'YoungAdult', 'MiddleAged', 'Senior']

pd.cut(ages, bins, labels=group_names)
Out[501]: 
[Youth, Youth, Youth, YoungAdult, Youth, ..., YoungAdult, Senior, MiddleAged, MiddleAged, YoungAdult]
Length: 12
Categories (4, object): [Youth < YoungAdult < MiddleAged < Senior]

如果你只是給一個bins的數(shù)量來cut稚补，而不是自己設(shè)定每個bind的范圍，cut會根據(jù)最大值和最小值來計算等長的bins框喳。比如下面我們想要做一個均勻分布的四個bins：

data = np.random.rand(20)

pd.cut(data, 4, precision=2)
Out[503]: 
[(0.022, 0.26], (0.022, 0.26], (0.26, 0.5], (0.26, 0.5], (0.26, 0.5], ..., (0.5, 0.74], (0.26, 0.5], (0.74, 0.98], (0.022, 0.26], (0.74, 0.98]]
Length: 20
Categories (4, interval[float64]): [(0.022, 0.26] < (0.26, 0.5] < (0.5, 0.74] < (0.74, 0.98]]

precision=2選項表示精確到小數(shù)點后兩位课幕。

一個近似的函數(shù)，qcut五垮，會按照數(shù)據(jù)的分位數(shù)來分箱乍惊。取決于數(shù)據(jù)的分布，用cut通常不能保證每一個bin有一個相同數(shù)量的數(shù)據(jù)點放仗。而qcut是按百分比來切的润绎，所以可以得到等數(shù)量的bins：

data = np.random.randn(1000) # Normally distributed

cats = pd.qcut(data, 4) # Cut into quartiles
cats

Out[505]: 
[(-0.0426, 0.637], (-0.0426, 0.637], (0.637, 3.835], (-3.259, -0.725], (-0.0426, 0.637], ..., (-3.259, -0.725], (0.637, 3.835], (-0.725, -0.0426], (-3.259, -0.725], (-3.259, -0.725]]
Length: 1000
Categories (4, interval[float64]): [(-3.259, -0.725] < (-0.725, -0.0426] < (-0.0426, 0.637] < (0.637, 3.835]]

pd.value_counts(cats)
Out[506]: 
(0.637, 3.835]       250
(-0.0426, 0.637]     250
(-0.725, -0.0426]    250
(-3.259, -0.725]     250

類似的，在cut中我們可以自己指定百分比：

cats2 = pd.cut(data, [0, 0.1, 0.5, 0.9, 1.]) # 累進(jìn)的百分比
cats2

Out[507]: 
[(0.1, 0.5], (0.1, 0.5], NaN, NaN, (0.1, 0.5], ..., NaN, NaN, NaN, NaN, NaN]
Length: 1000
Categories (4, interval[float64]): [(0.0, 0.1] < (0.1, 0.5] < (0.5, 0.9] < (0.9, 1.0]]

pd.value_counts(cats2)
Out[508]: 
(0.1, 0.5]    154
(0.5, 0.9]    127
(0.0, 0.1]     33
(0.9, 1.0]     30
dtype: int64

在之后的章節(jié)我們還會用到cut和qcut诞挨，這些離散函數(shù)對于量化和群聚分析很有用莉撇。

6 Detecting and Filtering Outliers（檢測和過濾異常值）

過濾或轉(zhuǎn)換異常值是數(shù)組操作的一個重頭戲。下面的DataFrame有正態(tài)分布的數(shù)據(jù)：

data = pd.DataFrame(np.random.randn(1000, 4))
data.describe()

Out[509]: 
                 0            1            2            3
count  1000.000000  1000.000000  1000.000000  1000.000000
mean     -0.025633    -0.062057     0.007312    -0.037653
std       1.029759     0.989084     0.999814     1.031975
min      -3.808553    -3.442724    -2.647014    -4.198109
25%      -0.735954    -0.713492    -0.691054    -0.742947
50%      -0.068758    -0.079244    -0.048442     0.019906
75%       0.619517     0.628789     0.728752     0.661834
max       3.822244     3.775342     3.229284     3.698836

假設(shè)我們想要找一個列中惶傻，絕對值大于3的數(shù)字：

data.head()
Out[510]: 
          0         1         2         3
0 -0.046264  0.420009 -0.244728 -1.907207
1  1.207292 -0.163423  0.043483  0.543991
2 -0.902596 -1.747752 -0.217981 -2.412121
3  0.233481 -0.741199  0.330361 -0.478363
4 -0.621485 -0.850046  0.795616  1.558565

col = data[2]
col.head()

Out[511]: 
0   -0.244728
1    0.043483
2   -0.217981
3    0.330361
4    0.795616
Name: 2, dtype: float64

col[np.abs(col) > 3]
Out[512]: 
141    3.115218
153    3.216137
384    3.229284
Name: 2, dtype: float64

選中所有絕對值大于3的行棍郎，可以用any方法在一個boolean DataFrame上：

data[(np.abs(data) > 3)].head()
Out[513]: 
    0   1   2   3
0 NaN NaN NaN NaN
1 NaN NaN NaN NaN
2 NaN NaN NaN NaN
3 NaN NaN NaN NaN
4 NaN NaN NaN NaN

data[(np.abs(data) > 3).any(1)] # any中axis=1表示column
Out[514]: 
            0         1         2         3
141 -0.863282 -1.357953  3.115218 -0.298364
153 -0.090615  0.307913  3.216137 -1.518234
201 -1.221955  3.775342  0.719315  1.125198
220 -1.204790 -3.351440 -0.562853 -0.183570
271 -0.498556 -1.282907  0.387269 -4.198109
..        ...       ...       ...       ...
480  3.297639 -1.583162  0.037219 -0.883607
551  3.822244 -1.058748  0.759103  1.042670
558 -3.808553 -1.112588 -1.458445 -1.363454
597 -0.839910  1.555326  0.885032  3.698836
798 -3.382429 -0.283277 -1.388250  0.855298

下面是把絕對值大于3的數(shù)字直接變成-3或3：

data[np.abs(data) > 3] = np.sign(data) * 3

data[21:23]
Out[516]: 
           0         1         2         3
21  2.043230 -1.900945  0.284129  0.357881
22  0.443324  0.377316 -0.034172  1.592983

data.describe()
Out[517]: 
                 0            1            2            3
count  1000.000000  1000.000000  1000.000000  1000.000000
mean     -0.025562    -0.062038     0.006751    -0.037154
std       1.022234     0.983840     0.998077     1.025519
min      -3.000000    -3.000000    -2.647014    -3.000000
25%      -0.735954    -0.713492    -0.691054    -0.742947
50%      -0.068758    -0.079244    -0.048442     0.019906
75%       0.619517     0.628789     0.728752     0.661834
max       3.000000     3.000000     3.000000     3.000000

np.sign(data)會根據(jù)值的正負(fù)號來得到1或-1：

np.sign(data).head()
Out[518]: 
     0    1    2    3
0 -1.0  1.0 -1.0 -1.0
1  1.0 -1.0  1.0  1.0
2 -1.0 -1.0 -1.0 -1.0
3  1.0 -1.0  1.0 -1.0
4 -1.0 -1.0  1.0  1.0

7 Permutation and Random Sampling（排列和隨機采樣）

排列（隨機排序）一個series或DataFrame中的row，用numpy.random.permutation函數(shù)很容易就能做到银室。調(diào)用permutation的時候設(shè)定好你想要進(jìn)行排列的axis坝撑，會產(chǎn)生一個整數(shù)數(shù)組表示新的順序：

df = pd.DataFrame(np.arange(5 * 4).reshape((5, 4)))
df


    0   1   2   3
0   0   1   2   3
1   4   5   6   7
2   8   9   10  11
3   12  13  14  15
4   16  17  18  19

sampler = np.random.permutation(5)
sampler

Out[519]: array([4, 2, 3, 0, 1])

這個數(shù)組能被用在基于iloc上的indexing或take函數(shù)：

df.take(sampler)
Out[520]: 

    0   1   2   3
4   16  17  18  19
3   12  13  14  15
2   8   9   10  11
1   4   5   6   7
0   0   1   2   3

為了選中一個隨機的子集，而且沒有代替功能(既不影響原來的值粮揉，返回一個新的series或DataFrame)巡李，可以用sample方法：

df.sample(n=3)

    0   1   2   3
0   0   1   2   3
3   12  13  14  15
4   16  17  18  19

如果想要生成的樣本帶有替代功能(即允許重復(fù))，給sample中設(shè)定replace=True:

choices = pd.Series([5, 7, -1, 6, 4])

draws = choices.sample(n=10, replace=True)

draws

4    4
4    4
1    7
1    7
1    7
1    7
4    4
3    6
1    7
1    7
dtype: int64

8 Computing Indicator/Dummy Variables（計算指示器/虛擬變量）

Dummy Variables：虛擬變量扶认，又稱虛設(shè)變量侨拦、名義變量或啞變量,用以反映質(zhì)的屬性的一個人工變量,是量化了的自變量,通常取值為0或1。

另一種在統(tǒng)計模型上的轉(zhuǎn)換或機器學(xué)習(xí)應(yīng)用是把一個categorical variable(類別變量)變?yōu)橐粋€dummy or indicator matrix（虛擬或指示器矩陣）辐宾。如果DataFrame中的一列有k個不同的值狱从，我們可以用一個矩陣或DataFrame用k列來表示膨蛮，1或0。pandas有一個get_dummies函數(shù)實現(xiàn)這個工作季研，當(dāng)然敞葛，你自己設(shè)計一個其實也不難。這里舉個例子：

df = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'b'],
                   'data1': range(6)})
df

pd.get_dummies(df['key'])

    a   b   c
0   0.0 1.0 0.0
1   0.0 1.0 0.0
2   1.0 0.0 0.0
3   0.0 0.0 1.0
4   1.0 0.0 0.0
5   0.0 1.0 0.0

在一些情況里与涡，如果我們想要給column加一個prefix惹谐， 可以用data.get_dummies里的prefix參數(shù)來實現(xiàn)：

In [111]: dummies = pd.get_dummies(df['key'], prefix='key')

In [112]: df_with_dummy = df[['data1']].join(dummies)

In [113]: df_with_dummy
Out[113]: 
   data1  key_a  key_b  key_c
0      0      0      1      0
1      1      0      1      0
2      2      1      0      0
3      3      0      0      1
4      4      1      0      0
5      5      0      1      0

如果DataFrame中的某行同屬于多個分類狰住，則事情就會有點復(fù)雜墅垮。看一下MovieLens 1M數(shù)據(jù)集廓鞠，14章會更深入地研究它：

In [114]: mnames = ['movie_id', 'title', 'genres']

In [115]: movies = pd.read_table('datasets/movielens/movies.dat', sep='::',
   .....:                        header=None, names=mnames)

In [116]: movies[:10]
Out[116]: 
   movie_id                               title                        genres
0         1                    Toy Story (1995)   Animation|Children's|Comedy
1         2                      Jumanji (1995)  Adventure|Children's|Fantasy
2         3             Grumpier Old Men (1995)                Comedy|Romance
3         4            Waiting to Exhale (1995)                  Comedy|Drama
4         5  Father of the Bride Part II (1995)                        Comedy
5         6                         Heat (1995)         Action|Crime|Thriller
6         7                      Sabrina (1995)                Comedy|Romance
7         8                 Tom and Huck (1995)          Adventure|Children's
8         9                 Sudden Death (1995)
Action
9        10                    GoldenEye (1995)     Action|Adventure|Thriller
?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：七十年代末酌畜，一起剝皮案震驚了整個濱河市怎囚，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌桥胞，老刑警劉巖恳守，帶你破解...
    沈念sama閱讀 222,183評論 6贊 516
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件，死亡現(xiàn)場離奇詭異贩虾，居然都是意外死亡催烘，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 94,850評論 3贊 399
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進(jìn)店門整胃，熙熙樓的掌柜王于貴愁眉苦臉地迎上來颗圣，“玉大人，你說我怎么就攤上這事屁使≡谄瘢” “怎么了？”我有些...
    開封第一講書人閱讀 168,766評論 0贊 361
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵蛮寂，是天一觀的道長蔽午。 經(jīng)常有香客問我，道長酬蹋，這世上最難降的妖魔是什么及老？ 我笑而不...
    開封第一講書人閱讀 59,854評論 1贊 299
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任，我火速辦了婚禮范抓，結(jié)果婚禮上骄恶，老公的妹妹穿的比我還像新娘。我一直安慰自己匕垫，他們只是感情好僧鲁，可當(dāng)我...
    茶點故事閱讀 68,871評論 6贊 398
  • 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，像睡著了一般寞秃。 火紅的嫁衣襯著肌膚如雪斟叼。 梳的紋絲不亂的頭發(fā)上，一...
    開封第一講書人閱讀 52,457評論 1贊 311
  • 城市分裂傳說
    那天春寿，我揣著相機與錄音朗涩，去河邊找鬼。 笑死绑改，一個胖子當(dāng)著我的面吹牛谢床，可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播绢淀，決...
    沈念sama閱讀 40,999評論 3贊 422
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼萤悴，長吁一口氣：“原來是場噩夢啊……” “哼瘾腰！你這毒婦竟也來了皆的？” 一聲冷哼從身側(cè)響起，我...
    開封第一講書人閱讀 39,914評論 0贊 277
  • 萬榮殺人案實錄
    序言：老撾萬榮一對情侶失蹤蹋盆，失蹤者是張志新（化名）和其女友劉穎费薄，沒想到半個月后，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體栖雾，經(jīng)...
    沈念sama閱讀 46,465評論 1贊 319
  • ?護(hù)林員之死
    正文 獨居荒郊野嶺守林人離奇死亡楞抡，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 38,543評論 3贊 342
  • ?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)自己被綠了析藕。 大學(xué)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召廷。...
    茶點故事閱讀 40,675評論 1贊 353
  • 活死人
    序言：一個原本活蹦亂跳的男人離奇死亡，死狀恐怖账胧，靈堂內(nèi)的尸體忽然破棺而出竞慢，到底是詐尸還是另有隱情，我是刑警寧澤治泥，帶...
    沈念sama閱讀 36,354評論 5贊 351
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布筹煮，位于F島的核電站，受9級特大地震影響居夹，放射性物質(zhì)發(fā)生泄漏败潦。R本人自食惡果不足惜，卻給世界環(huán)境...
    茶點故事閱讀 42,029評論 3贊 335
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一准脂、第九天 我趴在偏房一處隱蔽的房頂上張望劫扒。 院中可真熱鬧，春花似錦狸膏、人聲如沸沟饥。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,514評論 0贊 25
  • 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闷板。三九已至澎灸，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間遮晚，已是汗流浹背性昭。 一陣腳步聲響...
    開封第一講書人閱讀 33,616評論 1贊 274
  • 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. 我叫王不留县遣，地道東北人糜颠。 一個月前我還...
    沈念sama閱讀 49,091評論 3贊 378
  • 代替公主和親
    正文 我出身青樓，卻偏偏與公主長得像萧求，于是被迫代替她去往敵國和親其兴。 傳聞我的和親對象是個殘疾皇子，可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 45,685評論 2贊 360

推薦閱讀更多精彩內(nèi)容