kaggle入門--泰坦尼克號之災(zāi)(手把手教你)

@作者：煉己者

本博客所有內(nèi)容以學(xué)習(xí)、研究和分享為主，如需轉(zhuǎn)載凛捏，請聯(lián)系本人凳干，標(biāo)明作者和出處，并且是非商業(yè)用途连霉，謝謝！

大家也可以去我的github上看，最近剛更新轰坊，用jupyter notebook寫的铸董，視覺效果上感覺會更棒
https://github.com/lianjizhe/kaggle_tiantic_code，有幫助的話給個(gè)星呀衰倦。

摘要

本文主要是帶你入門kaggle最基礎(chǔ)的比賽——泰坦尼克號之災(zāi)袒炉，里面有各種可視化為你展示做的過程，并非只有一大段代碼樊零，希望能帶大家真正地去入門

這是我二月份參加的kaggle大賽,當(dāng)時(shí)參考了很多大佬的代碼,也算是完整的把這個(gè)流程走了一遍,取得了前%2的成績我磁。這個(gè)比賽對我很重要，因?yàn)榕琶壳傲俗そ螅抛屪约河行判囊恢鼻靶卸峒琛Ｔ谶@里呈現(xiàn)給大家，之前有發(fā)到CSDN博客沉衣，后來?xiàng)壧柫擞舾保F(xiàn)在正式地放到這里來，以后還會多多參加比賽豌习。

現(xiàn)在如果還按這個(gè)代碼去跑存谎，排名估計(jì)會下降不少了，畢竟這么久了肥隆，大家也可以在這個(gè)基礎(chǔ)上多多改善

排名

正文

一. 導(dǎo)入數(shù)據(jù)包與數(shù)據(jù)集

%matplotlib inline
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')

train=pd.read_csv(r'H:\kaggle\train.csv')
test=pd.read_csv(r'H:\kaggle\test.csv')
PassengerId=test['PassengerId']
all_data = pd.concat([train, test], ignore_index = True)

二. 數(shù)據(jù)分析

1.總體預(yù)覽

train.head()
output

?PassengerID（ID）
?Survived(存活與否)
?Pclass（客艙等級既荚，較為重要）
?Name（姓名，可提取出更多信息）
?Sex（性別栋艳，較為重要）
?Age（年齡恰聘，較為重要）
?Parch（直系親友）
?SibSp（旁系）
?Ticket（票編號）
?Fare（票價(jià)）
?Cabin（客艙編號）
?Embarked（上船的港口編號）

[input]:
train.info()

[output]:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
PassengerId    891 non-null int64
Survived       891 non-null int64
Pclass         891 non-null int64
Name           891 non-null object
Sex            891 non-null object
Age            714 non-null float64
SibSp          891 non-null int64
Parch          891 non-null int64
Ticket         891 non-null object
Fare           891 non-null float64
Cabin          204 non-null object
Embarked       889 non-null object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.6+ KB

從上面的數(shù)據(jù)我們可以發(fā)現(xiàn)有的特征是有空值的

2.數(shù)據(jù)初步分析(使用統(tǒng)計(jì)學(xué)與繪圖)

  • 目的:初步了解數(shù)據(jù)之間的相關(guān)性,為構(gòu)造特征工程以及模型建立做準(zhǔn)備
[input]:
train['Survived'].value_counts()

[output]:
0    549
1    342
Name: Survived, dtype: int64

1)Sex Feature：女性幸存率遠(yuǎn)高于男性

sns.barplot(x="Sex", y="Survived", data=train)
SEX Feature

2)Pclass Feature：乘客社會等級越高，幸存率越高

sns.barplot(x="Pclass", y="Survived", data=train)
Pclass Feature

3)SibSp Feature：配偶及兄弟姐妹數(shù)適中的乘客幸存率更高

sns.barplot(x="SibSp", y="Survived", data=train)
SibSp Feature

4)Parch Feature：父母與子女?dāng)?shù)適中的乘客幸存率更高

sns.barplot(x="Parch", y="Survived", data=train)![5.png](https://upload-
Parch Feature

5)從不同生還情況的密度圖可以看出吸占，在年齡15歲的左側(cè)晴叨，生還率有明顯差別，密度圖非交叉區(qū)域面積非常大矾屯，但在其他年齡段兼蕊，則差別不是很明顯，認(rèn)為是隨機(jī)所致件蚕，因此可以考慮將此年齡偏小的區(qū)域分離出來遍略。

facet = sns.FacetGrid(train, hue="Survived",aspect=2)
facet.map(sns.kdeplot,'Age',shade= True)
facet.set(xlim=(0, train['Age'].max()))
facet.add_legend()
plt.xlabel('Age') 
plt.ylabel('density')
密度圖

6)Embarked登港港口與生存情況的分析
結(jié)果分析:C地的生存率更高,這個(gè)也應(yīng)該保留為模型特征.

sns.countplot('Embarked',hue='Survived',data=train)
Embarked

7)Title Feature(New)：不同稱呼的乘客幸存率不同
新增Title特征，從姓名中提取乘客的稱呼骤坐，歸納為六類绪杏。

all_data['Title'] = all_data['Name'].apply(lambda x:x.split(',')[1].split('.')[0].strip())
Title_Dict = {}
Title_Dict.update(dict.fromkeys(['Capt', 'Col', 'Major', 'Dr', 'Rev'], 'Officer'))
Title_Dict.update(dict.fromkeys(['Don', 'Sir', 'the Countess', 'Dona', 'Lady'], 'Royalty'))
Title_Dict.update(dict.fromkeys(['Mme', 'Ms', 'Mrs'], 'Mrs'))
Title_Dict.update(dict.fromkeys(['Mlle', 'Miss'], 'Miss'))
Title_Dict.update(dict.fromkeys(['Mr'], 'Mr'))
Title_Dict.update(dict.fromkeys(['Master','Jonkheer'], 'Master'))

all_data['Title'] = all_data['Title'].map(Title_Dict)
sns.barplot(x="Title", y="Survived", data=all_data)
Title Feature

8)FamilyLabel Feature(New)：家庭人數(shù)為2到4的乘客幸存率較高
新增FamilyLabel特征，先計(jì)算FamilySize=Parch+SibSp+1纽绍，然后把FamilySize分為三類蕾久。

all_data['FamilySize']=all_data['SibSp']+all_data['Parch']+1
sns.barplot(x="FamilySize", y="Survived", data=all_data)
FamilyLabel Feature

按生存率把FamilySize分為三類，構(gòu)成FamilyLabel特征拌夏。

def Fam_label(s):
    if (s >= 2) & (s <= 4):
        return 2
    elif ((s > 4) & (s <= 7)) | (s == 1):
        return 1
    elif (s > 7):
        return 0
all_data['FamilyLabel']=all_data['FamilySize'].apply(Fam_label)
sns.barplot(x="FamilyLabel", y="Survived", data=all_data)
FamilyLabel Feature

9)Deck Feature(New)：不同甲板的乘客幸存率不同
新增Deck特征僧著，先把Cabin空缺值填充為'Unknown'履因，再提取Cabin中的首字母構(gòu)成乘客的甲板號。

all_data['Cabin'] = all_data['Cabin'].fillna('Unknown')
all_data['Deck']=all_data['Cabin'].str.get(0)
sns.barplot(x="Deck", y="Survived", data=all_data)
Deck Feature

10)TicketGroup Feature(New)：與2至4人共票號的乘客幸存率較高
新增TicketGroup特征盹愚，統(tǒng)計(jì)每個(gè)乘客的共票號數(shù)栅迄。

Ticket_Count = dict(all_data['Ticket'].value_counts())
all_data['TicketGroup'] = all_data['Ticket'].apply(lambda x:Ticket_Count[x])
sns.barplot(x='TicketGroup', y='Survived', data=all_data)
TicketGroup Feature

按生存率把TicketGroup分為三類。

def Ticket_Label(s):
    if (s >= 2) & (s <= 4):
        return 2
    elif ((s > 4) & (s <= 8)) | (s == 1):
        return 1
    elif (s > 8):
        return 0

all_data['TicketGroup'] = all_data['TicketGroup'].apply(Ticket_Label)
sns.barplot(x='TicketGroup', y='Survived', data=all_data)
TicketGroup Feature

3.數(shù)據(jù)清洗

1)缺失值填充
Age Feature：Age缺失量為263皆怕，缺失量較大毅舆，用Sex, Title, Pclass三個(gè)特征構(gòu)建隨機(jī)森林模型，填充年齡缺失值愈腾。

from sklearn.ensemble import RandomForestRegressor
age_df = all_data[['Age', 'Pclass','Sex','Title']]
age_df=pd.get_dummies(age_df)
known_age = age_df[age_df.Age.notnull()].as_matrix()
unknown_age = age_df[age_df.Age.isnull()].as_matrix()
y = known_age[:, 0]
X = known_age[:, 1:]
rfr = RandomForestRegressor(random_state=0, n_estimators=100, n_jobs=-1)
rfr.fit(X, y)
predictedAges = rfr.predict(unknown_age[:, 1::])
all_data.loc[ (all_data.Age.isnull()), 'Age' ] = predictedAges

Embarked Feature：Embarked缺失量為2憋活，缺失Embarked信息的乘客的Pclass均為1，且Fare均為80虱黄，因?yàn)镋mbarked為C且Pclass為1的乘客的Fare中位數(shù)為80悦即，所以缺失值填充為C。

all_data[all_data['Embarked'].isnull()]
NaN
[input]:
all_data.groupby(by=["Pclass","Embarked"]).Fare.median()

[Output]:
Pclass  Embarked
1       C           78.2667
        Q           90.0000
        S           52.0000
2       C           15.3146
        Q           12.3500
        S           15.3750
3       C            7.8958
        Q            7.7500
        S            8.0500
Name: Fare, dtype: float64

all_data['Embarked'] = all_data['Embarked'].fillna('C')

Fare Feature：Fare缺失量為1橱乱，缺失Fare信息的乘客的Embarked為S辜梳，Pclass為3，所以用Embarked為S泳叠，Pclass為3的乘客的Fare中位數(shù)填充作瞄。

all_data[all_data['Fare'].isnull()]
NaN
fare=all_data[(all_data['Embarked'] == "S") & (all_data['Pclass'] == 3)].Fare.median()
all_data['Fare']=all_data['Fare'].fillna(fare)

2)同組識別
把姓氏相同的乘客劃分為同一組，從人數(shù)大于一的組中分別提取出每組的婦女兒童和成年男性析二。

all_data['Surname']=all_data['Name'].apply(lambda x:x.split(',')[0].strip())
Surname_Count = dict(all_data['Surname'].value_counts())
all_data['FamilyGroup'] = all_data['Surname'].apply(lambda x:Surname_Count[x])
Female_Child_Group=all_data.loc[(all_data['FamilyGroup']>=2) & ((all_data['Age']<=12) | (all_data['Sex']=='female'))]
Male_Adult_Group=all_data.loc[(all_data['FamilyGroup']>=2) & (all_data['Age']>12) & (all_data['Sex']=='male')]

發(fā)現(xiàn)絕大部分女性和兒童組的平均存活率都為1或0粉洼，即同組的女性和兒童要么全部幸存节预，要么全部遇難叶摄。

Female_Child=pd.DataFrame(Female_Child_Group.groupby('Surname')['Survived'].mean().value_counts())
Female_Child.columns=['GroupCount']
Female_Child
GroupCount
sns.barplot(x=Female_Child.index, y=Female_Child["GroupCount"]).set_xlabel('AverageSurvived')
AverageSurvived

絕大部分成年男性組的平均存活率也為1或0。

Male_Adult=pd.DataFrame(Male_Adult_Group.groupby('Surname')['Survived'].mean().value_counts())
Male_Adult.columns=['GroupCount']
Male_Adult
GroupCount

因?yàn)槠毡橐?guī)律是女性和兒童幸存率高安拟，成年男性幸存較低蛤吓，所以我們把不符合普遍規(guī)律的反常組選出來單獨(dú)處理。把女性和兒童組中幸存率為0的組設(shè)置為遇難組糠赦，把成年男性組中存活率為1的設(shè)置為幸存組会傲，推測處于遇難組的女性和兒童幸存的可能性較低，處于幸存組的成年男性幸存的可能性較高拙泽。

[Input]:
Female_Child_Group=Female_Child_Group.groupby('Surname')['Survived'].mean()
Dead_List=set(Female_Child_Group[Female_Child_Group.apply(lambda x:x==0)].index)
print(Dead_List)
Male_Adult_List=Male_Adult_Group.groupby('Surname')['Survived'].mean()
Survived_List=set(Male_Adult_List[Male_Adult_List.apply(lambda x:x==1)].index)
print(Survived_List)

[Output]:
{'Panula', 'Lefebre', 'Lobb', 'Johnston', 'Robins', 'Ilmakangas', 'Turpin', 'Arnold-Franchi', 'Lahtinen', 'Barbara', 'Goodwin', 'Oreskovic', 'Van Impe', 'Strom', 'Rosblom', 'Cacic', 'Attalah', 'Caram', 'Vander Planke', 'Palsson', 'Skoog', 'Danbom', 'Rice', 'Canavan', 'Bourke', 'Jussila', 'Olsson', 'Boulos', 'Zabour', 'Sage', 'Ford'}
{'Beane', 'Frauenthal', 'Harder', 'Nakid', 'Bishop', 'Beckwith', 'Bradley', 'Chambers', 'Cardeza', 'Daly', 'Goldenberg', 'Kimball', 'McCoy', 'Jussila', 'Frolicher-Stehli', 'Duff Gordon', 'Greenfield', 'Dick', 'Jonsson', 'Taylor'}

為了使處于這兩種反常組中的樣本能夠被正確分類淌山，對測試集中處于反常組中的樣本的Age，Title顾瞻，Sex進(jìn)行懲罰修改泼疑。

train=all_data.loc[all_data['Survived'].notnull()]
test=all_data.loc[all_data['Survived'].isnull()]
test.loc[(test['Surname'].apply(lambda x:x in Dead_List)),'Sex'] = 'male'
test.loc[(test['Surname'].apply(lambda x:x in Dead_List)),'Age'] = 60
test.loc[(test['Surname'].apply(lambda x:x in Dead_List)),'Title'] = 'Mr'
test.loc[(test['Surname'].apply(lambda x:x in Survived_List)),'Sex'] = 'female'
test.loc[(test['Surname'].apply(lambda x:x in Survived_List)),'Age'] = 5
test.loc[(test['Surname'].apply(lambda x:x in Survived_List)),'Title'] = 'Miss'

3)特征轉(zhuǎn)換
選取特征，轉(zhuǎn)換為數(shù)值變量荷荤，劃分訓(xùn)練集和測試集退渗。

all_data=pd.concat([train, test])
all_data=all_data[['Survived','Pclass','Sex','Age','Fare','Embarked','Title','FamilyLabel','Deck','TicketGroup']]
all_data=pd.get_dummies(all_data)
train=all_data[all_data['Survived'].notnull()]
test=all_data[all_data['Survived'].isnull()].drop('Survived',axis=1)
X = train.as_matrix()[:,1:]
y = train.as_matrix()[:,0]

4.建模和優(yōu)化

1)參數(shù)優(yōu)化
用網(wǎng)格搜索自動化選取最優(yōu)參數(shù)移稳，事實(shí)上我用網(wǎng)格搜索得到的最優(yōu)參數(shù)是n_estimators = 28，max_depth = 6会油。但是參考另一篇Kernel把參數(shù)改為n_estimators = 26个粱，max_depth = 6之后交叉驗(yàn)證分?jǐn)?shù)和kaggle評分都有略微提升。

[Input]:
from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.feature_selection import SelectKBest

pipe=Pipeline([('select',SelectKBest(k=20)), 
               ('classify', RandomForestClassifier(random_state = 10, max_features = 'sqrt'))])

param_test = {'classify__n_estimators':list(range(20,50,2)), 
              'classify__max_depth':list(range(3,60,3))}
gsearch = GridSearchCV(estimator = pipe, param_grid = param_test, scoring='roc_auc', cv=10)
gsearch.fit(X,y)
print(gsearch.best_params_, gsearch.best_score_)

[Output]:
{'classify__max_depth': 6, 'classify__n_estimators': 42} 0.88109635084

2)訓(xùn)練模型

[Input]:
from sklearn.pipeline import make_pipeline
select = SelectKBest(k = 20)
clf = RandomForestClassifier(random_state = 10, warm_start = True, 
                                  n_estimators = 26,
                                  max_depth = 6, 
                                  max_features = 'sqrt')
pipeline = make_pipeline(select, clf)
pipeline.fit(X, y)

[Output]:

Out[40]:
Pipeline(memory=None,
     steps=[('selectkbest', SelectKBest(k=20, score_func=<function f_classif at 0x000000000C8AE048>)), ('randomforestclassifier', RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
            max_depth=6, max_features='sqrt', max_leaf_nodes=None,
            min_impurity_decreas...estimators=26, n_jobs=1,
            oob_score=False, random_state=10, verbose=0, warm_start=True))])

3)交叉驗(yàn)證

[input]:
from sklearn import cross_validation, metrics
cv_score = cross_validation.cross_val_score(pipeline, X, y, cv= 10)
print("CV Score : Mean - %.7g | Std - %.7g " % (np.mean(cv_score), np.std(cv_score)))

[Output]:
CV Score : Mean - 0.8451402 | Std - 0.03276752

5.預(yù)測

predictions = pipeline.predict(test)
submission = pd.DataFrame({"PassengerId": PassengerId, "Survived": predictions.astype(np.int32)})
submission.to_csv(r"h:\kaggle\submission1.csv", index=False)

以下是我所有文章的目錄翻翩，大家如果感興趣都许，也可以前往查看
??戳右邊：打開它，也許會看到很多對你有幫助的文章

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：七十年代末体斩，一起剝皮案震驚了整個(gè)濱河市梭稚，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌絮吵，老刑警劉巖弧烤，帶你破解...
    沈念sama閱讀 222,000評論 6贊 515
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件，死亡現(xiàn)場離奇詭異蹬敲，居然都是意外死亡暇昂，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 94,745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)店門伴嗡，熙熙樓的掌柜王于貴愁眉苦臉地迎上來急波，“玉大人，你說我怎么就攤上這事瘪校〕文海” “怎么了？”我有些...
    開封第一講書人閱讀 168,561評論 0贊 360
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵阱扬，是天一觀的道長泣懊。 經(jīng)常有香客問我，道長麻惶，這世上最難降的妖魔是什么馍刮？ 我笑而不...
    開封第一講書人閱讀 59,782評論 1贊 298
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任，我火速辦了婚禮窃蹋，結(jié)果婚禮上卡啰，老公的妹妹穿的比我還像新娘。我一直安慰自己警没，他們只是感情好匈辱，可當(dāng)我...
    茶點(diǎn)故事閱讀 68,798評論 6贊 397
  • 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杀迹，像睡著了一般亡脸。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上，一...
    開封第一講書人閱讀 52,394評論 1贊 310
  • 城市分裂傳說
    那天梗掰，我揣著相機(jī)與錄音嵌言，去河邊找鬼。 笑死及穗，一個(gè)胖子當(dāng)著我的面吹牛摧茴，可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播埂陆，決...
    沈念sama閱讀 40,952評論 3贊 421
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼苛白，長吁一口氣：“原來是場噩夢啊……” “哼！你這毒婦竟也來了焚虱？” 一聲冷哼從身側(cè)響起购裙，我...
    開封第一講書人閱讀 39,852評論 0贊 276
  • 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）和其女友劉穎鹃栽，沒想到半個(gè)月后躏率，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 46,409評論 1贊 318
  • ?護(hù)林員之死
    正文 獨(dú)居荒郊野嶺守林人離奇死亡民鼓，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 38,483評論 3贊 341
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年薇芝，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 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丰嘉。...
    茶點(diǎn)故事閱讀 40,615評論 1贊 352
  • 活死人
    序言：一個(gè)原本活蹦亂跳的男人離奇死亡夯到，死狀恐怖，靈堂內(nèi)的尸體忽然破棺而出饮亏，到底是詐尸還是另有隱情耍贾，我是刑警寧澤，帶...
    沈念sama閱讀 36,303評論 5贊 350
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布路幸，位于F島的核電站荐开，受9級特大地震影響，放射性物質(zhì)發(fā)生泄漏劝赔。R本人自食惡果不足惜誓焦，卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,979評論 3贊 334
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一胆敞、第九天 我趴在偏房一處隱蔽的房頂上張望着帽。 院中可真熱鬧，春花似錦移层、人聲如沸仍翰。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,470評論 0贊 24
  • 一樁弒父案观话，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽予借。三九已至，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間灵迫，已是汗流浹背秦叛。 一陣腳步聲響...
    開封第一講書人閱讀 33,571評論 1贊 272
  • 情欲美人皮
    我被黑心中介騙來泰國打工， 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留瀑粥，地道東北人挣跋。 一個(gè)月前我還...
    沈念sama閱讀 49,041評論 3贊 377
  • 代替公主和親
    正文 我出身青樓，卻偏偏與公主長得像狞换，于是被迫代替她去往敵國和親避咆。 傳聞我的和親對象是個(gè)殘疾皇子，可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,630評論 2贊 359

推薦閱讀更多精彩內(nèi)容

  • 侵刪。 Kaggle入門黄琼，看這一篇就夠了 1 年前 這次醞釀了很久想給大家講一些關(guān)于Kaggle那點(diǎn)兒事樊销，幫助對數(shù)...
    程序豬小羊閱讀 14,013評論 3贊 70
  • Android 自定義View的各種姿勢1 Activity的顯示之ViewRootImpl詳解 Activity...
    passiontim閱讀 172,302評論 25贊 707
  • 愿你是陽光 明媚不憂傷 陌時(shí) 光陰似彈起的輕羽 居無定所 隨風(fēng)漂泊 熟識 我總是抓不住時(shí)間的尾巴 剛好相遇又剛好分...
    葉可君閱讀 461評論 1贊 5
  • 她，是一位無憂無慮的精靈小公主脏款；他现柠，是一位天賦極強(qiáng)的小皇子。 上天安排他們相遇弛矛，并許下諾言 為了配得上他够吩，她拼了命...
    請?jiān)O(shè)置名稱閱讀 288評論 0贊 0
  • 夢里的三爸還是壯年時(shí)候那樣強(qiáng)健的身體，大踏步走來說丈氓，國家政策要求平墳或者遷墳周循。沒有明說，似乎也沒有對我說万俗。而我聽得...
    綠蘿寶貝閱讀 229評論 8贊 7