Pandas-2019-03-14

Pandas

Pandas 介绍

Pandas主要处理的数据结构

·系列（Series）
·数据帧（DataFrame）
·面板（Panel）
·这些数组都建立在Numpy上，所以执行速度非常快

维数和描述

·考虑这些数据结构的最好方法是，较高维数据结构是其较低维数据的容器
·例如DataFrame是Series的容器，Panel是DataFarme的容器

数据结构 维数 描述
Series 1 1D标记均为数组，大小不变
DataFrame 2 一般2D标记，大小可变的表结构与潜在的异质类型的列
Panel 3 一般3D标记，大小可变数组

可变性

·所有Pandas的数据结构是值可变的（可以修改），除了Series都是大小可变的。
　　·DataFrame被广泛使用，是最重要的数据结构之一。
　　·Panel面板数据结构使用少得多

Series 系列（序列）

Series是具有均匀数据的一位数组结构
　　·例如以下Series是整数：10,23,56...的集合
·关键点
　　·均匀数据
　　·尺寸大小不变
　　·数据的值可变

10 23 56 17 52 61 73 90 26 72

DataFrame

·DataFrame是一个具有异构数据的二维数组。

Pandas使用入门

创建对象

·通过传递值列表来创建一个Series，让Pandas创建一个默认的整数Series：

import pandas as pd
import numpy as np
s1 = pd.Series(np.arange(5))
s2 = pd.Series([1,3,5,np.nan,6,8])
print(s1,s2)

0    0
1    1
2    2
3    3
4    4
dtype: int32 0    1.0
1    3.0
2    5.0
3    NaN
4    6.0
5    8.0
dtype: float64

·通过Numpy数组，使用datetime索引和标记列来创建DataFrame：

dates = pd.date_range('20190301',periods=7)
print(dates)
print('--'*25)
df = pd.DataFrame(np.random.randn(7,4),index = dates,columns = list('ABCD'))
print(df)

DatetimeIndex(['2019-03-01', '2019-03-02', '2019-03-03', '2019-03-04',
               '2019-03-05', '2019-03-06', '2019-03-07'],
              dtype='datetime64[ns]', freq='D')
--------------------------------------------------
                   A         B         C         D
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
2019-03-04  0.135563  0.092274 -0.148957 -2.058148
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764
2019-03-07 -0.307063  0.897490  1.056798 -0.901982

通过传递可以转换为Series的对象的字典来创建Dataframe

df2 = pd.DataFrame({'A':1.,
                   'B':pd.Timestamp('20190302'),
                   'C':pd.Series(1,index=list(range(4)),dtype='float32'),
                   'D':np.array([3]*4,dtype='int32'),
                   'E':pd.Categorical(['test','train','test','train']),
                   'F':'foo'})
print(df2)

     A          B    C  D      E    F
0  1.0 2019-03-02  1.0  3   test  foo
1  1.0 2019-03-02  1.0  3  train  foo
2  1.0 2019-03-02  1.0  3   test  foo
3  1.0 2019-03-02  1.0  3  train  foo

查看数据

head,tail 查看框架顶部和底部的数据行

print('head: \n',df.head())
print('-'*50)
print('Tail: \n',df.tail(3))

head: 
                    A         B         C         D
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
2019-03-04  0.135563  0.092274 -0.148957 -2.058148
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363
--------------------------------------------------
Tail: 
                    A         B         C         D
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764
2019-03-07 -0.307063  0.897490  1.056798 -0.901982

index, columns,values显示索引，列和底层Numpy数据：

print('index is: ')
print(df.index)
print('columns is: ')
print(df.columns)
print('value is: ')
print(df.values)

index is: 
DatetimeIndex(['2019-03-01', '2019-03-02', '2019-03-03', '2019-03-04',
               '2019-03-05', '2019-03-06', '2019-03-07'],
              dtype='datetime64[ns]', freq='D')
columns is: 
Index(['A', 'B', 'C', 'D'], dtype='object')
value is: 
[[-2.02041037 -0.92475674 -1.88864928 -0.05189268]
 [-0.97632394 -0.68467222 -0.83701968 -0.77248437]
 [ 0.3531265  -0.6524075   0.55787276 -0.67863676]
 [ 0.13556278  0.09227419 -0.14895721 -2.05814846]
 [-0.11702479 -0.20276259  0.56630908 -1.77536338]
 [ 0.2537632  -0.20927471 -0.50362523 -0.3997636 ]
 [-0.30706349  0.89749039  1.05679755 -0.90198211]]

describe,info描述显示数据的快速统计摘要

df.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 7 entries, 2019-03-01 to 2019-03-07
Freq: D
Data columns (total 4 columns):
A    7 non-null float64
B    7 non-null float64
C    7 non-null float64
D    7 non-null float64
dtypes: float64(4)
memory usage: 280.0 bytes

print(df.describe())

              A         B         C         D
count  7.000000  7.000000  7.000000  7.000000
mean  -0.382624 -0.240587 -0.171039 -0.948324
std    0.849108  0.611463  1.007256  0.721805
min   -2.020410 -0.924757 -1.888649 -2.058148
25%   -0.641694 -0.668540 -0.670322 -1.338673
50%   -0.117025 -0.209275 -0.148957 -0.772484
75%    0.194663 -0.055244  0.562091 -0.539200
max    0.353127  0.897490  1.056798 -0.051893

df.T纵横坐标调换数据

df.T

<div>
<style scoped>
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>
<table border="1" class="dataframe">
<thead>
<tr style="text-align: right;">
<th></th>
<th>2019-03-01 00:00:00</th>
<th>2019-03-02 00:00:00</th>
<th>2019-03-03 00:00:00</th>
<th>2019-03-04 00:00:00</th>
<th>2019-03-05 00:00:00</th>
<th>2019-03-06 00:00:00</th>
<th>2019-03-07 00:00:00</th>
</tr>
</thead>
<tbody>
<tr>
<th>A</th>
<td>-2.020410</td>
<td>-0.976324</td>
<td>0.353127</td>
<td>0.135563</td>
<td>-0.117025</td>
<td>0.253763</td>
<td>-0.307063</td>
</tr>
<tr>
<th>B</th>
<td>-0.924757</td>
<td>-0.684672</td>
<td>-0.652408</td>
<td>0.092274</td>
<td>-0.202763</td>
<td>-0.209275</td>
<td>0.897490</td>
</tr>
<tr>
<th>C</th>
<td>-1.888649</td>
<td>-0.837020</td>
<td>0.557873</td>
<td>-0.148957</td>
<td>0.566309</td>
<td>-0.503625</td>
<td>1.056798</td>
</tr>
<tr>
<th>D</th>
<td>-0.051893</td>
<td>-0.772484</td>
<td>-0.678637</td>
<td>-2.058148</td>
<td>-1.775363</td>
<td>-0.399764</td>
<td>-0.901982</td>
</tr>
</tbody>
</table>
</div>

df.sort_index()通过轴排序

print(df.sort_index(axis=1,ascending=False))# 

                   D         C         B         A
2019-03-01 -0.051893 -1.888649 -0.924757 -2.020410
2019-03-02 -0.772484 -0.837020 -0.684672 -0.976324
2019-03-03 -0.678637  0.557873 -0.652408  0.353127
2019-03-04 -2.058148 -0.148957  0.092274  0.135563
2019-03-05 -1.775363  0.566309 -0.202763 -0.117025
2019-03-06 -0.399764 -0.503625 -0.209275  0.253763
2019-03-07 -0.901982  1.056798  0.897490 -0.307063

print(df.sort_index(axis=0,ascending=False))

                   A         B         C         D
2019-03-07 -0.307063  0.897490  1.056798 -0.901982
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363
2019-03-04  0.135563  0.092274 -0.148957 -2.058148
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893

print(df)

                   A         B         C         D
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
2019-03-04  0.135563  0.092274 -0.148957 -2.058148
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764
2019-03-07 -0.307063  0.897490  1.056798 -0.901982

df.sort_values()通过值排序

print(df.sort_values('C'))#,ascending = False加上为降序，默认升序,或df.sort_values(by = 'C')

                   A         B         C         D
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764
2019-03-04  0.135563  0.092274 -0.148957 -2.058148
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363
2019-03-07 -0.307063  0.897490  1.056798 -0.901982

取数简单操作

获取某一列产生一个新的Series

a = df['A']
print(a)
print(type(a))

2019-03-01   -2.020410
2019-03-02   -0.976324
2019-03-03    0.353127
2019-03-04    0.135563
2019-03-05   -0.117025
2019-03-06    0.253763
2019-03-07   -0.307063
Freq: D, Name: A, dtype: float64
<class 'pandas.core.series.Series'>

通过[]操作符，选择切片行

print(df[0:3])# 定制几行到几行
print(df['2019-03-02':'2019-03-04'])# 定制某个值到某个值的范围

                   A         B         C         D
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
                   A         B         C         D
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
2019-03-04  0.135563  0.092274 -0.148957 -2.058148

df.loc[]使用标签获取横切面

print(df.loc[dates[0]])

A   -2.020410
B   -0.924757
C   -1.888649
D   -0.051893
Name: 2019-03-01 00:00:00, dtype: float64

df.loc[]通过标签选择多个轴

print(df.loc[:,['A','B']])
print(df.A)

                   A         B
2019-03-01 -2.020410 -0.924757
2019-03-02 -0.976324 -0.684672
2019-03-03  0.353127 -0.652408
2019-03-04  0.135563  0.092274
2019-03-05 -0.117025 -0.202763
2019-03-06  0.253763 -0.209275
2019-03-07 -0.307063  0.897490
2019-03-01   -2.020410
2019-03-02   -0.976324
2019-03-03    0.353127
2019-03-04    0.135563
2019-03-05   -0.117025
2019-03-06    0.253763
2019-03-07   -0.307063
Freq: D, Name: A, dtype: float64

df.loc[] 显示标签切片，包括两个端点

print(df.loc['20190301':'20190305','A':'C'])
print(df.loc['20190301':'20190305',['A','B','C']]) #两种方式效果一样

                   A         B         C
2019-03-01 -2.020410 -0.924757 -1.888649
2019-03-02 -0.976324 -0.684672 -0.837020
2019-03-03  0.353127 -0.652408  0.557873
2019-03-04  0.135563  0.092274 -0.148957
2019-03-05 -0.117025 -0.202763  0.566309
                   A         B         C
2019-03-01 -2.020410 -0.924757 -1.888649
2019-03-02 -0.976324 -0.684672 -0.837020
2019-03-03  0.353127 -0.652408  0.557873
2019-03-04  0.135563  0.092274 -0.148957
2019-03-05 -0.117025 -0.202763  0.566309

df.loc[]/df.at获取某一个标量值

print(df.loc[dates[0],'A'])
print(df.at[dates[0],'A'])

-2.0204103737371066
-2.0204103737371066

df.iloc[]/df.iat[]通过位置来选择

print(df)
print('-'*50)
print('df.iloc[0,0]: \n',df.iloc[0,0])
print('-'*50)
print('df.iat[0,0]: \n',df.iat[0,0])#同上iloc[]
print('-'*50)
print('df.iloc[0]: ',df.iloc[0])
print('-'*50)
print('df.iloc[:,0]: \n',df.iloc[:,0])
print('-'*50)
print('df.iloc[0:2,3:5]: \n',df.iloc[0:2,3:5])
print('-'*50)
print('df.iloc[[0,2,3],[1,3,6]]: \n',df.iloc[[1,3,6],[0,2,3]])

                   A         B         C         D
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
2019-03-04  0.135563  0.092274 -0.148957 -2.058148
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764
2019-03-07 -0.307063  0.897490  1.056798 -0.901982
--------------------------------------------------
df.iloc[0,0]: 
 -2.0204103737371066
--------------------------------------------------
df.iat[0,0]: 
 -2.0204103737371066
--------------------------------------------------
df.iloc[0]:  A   -2.020410
B   -0.924757
C   -1.888649
D   -0.051893
Name: 2019-03-01 00:00:00, dtype: float64
--------------------------------------------------
df.iloc[:,0]: 
 2019-03-01   -2.020410
2019-03-02   -0.976324
2019-03-03    0.353127
2019-03-04    0.135563
2019-03-05   -0.117025
2019-03-06    0.253763
2019-03-07   -0.307063
Freq: D, Name: A, dtype: float64
--------------------------------------------------
df.iloc[0:2,3:5]: 
                    D
2019-03-01 -0.051893
2019-03-02 -0.772484
--------------------------------------------------
df.iloc[[0,2,3],[1,3,6]]: 
                    A         C         D
2019-03-02 -0.976324 -0.837020 -0.772484
2019-03-04  0.135563 -0.148957 -2.058148
2019-03-07 -0.307063  1.056798 -0.901982

布尔索引：使用单列Series的某个条件的值来选取数据

print(df[df.B>0])

                   A         B         C         D
2019-03-04  0.135563  0.092274 -0.148957 -2.058148
2019-03-07 -0.307063  0.897490  1.056798 -0.901982

布尔索引：满足条件的DataFrame中选值：

print(df[df>0])

                   A         B         C   D
2019-03-01       NaN       NaN       NaN NaN
2019-03-02       NaN       NaN       NaN NaN
2019-03-03  0.353127       NaN  0.557873 NaN
2019-03-04  0.135563  0.092274       NaN NaN
2019-03-05       NaN       NaN  0.566309 NaN
2019-03-06  0.253763       NaN       NaN NaN
2019-03-07       NaN  0.897490  1.056798 NaN

isin() 过滤数据(接收一个参数，元组或列表)

df2 = df.copy()
df2['E'] = ['one','two','three','four','five','six','seven']
print(df2)
print(df2[df2['E'].isin(('one','two'))])

                   A         B         C         D      E
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893    one
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484    two
2019-03-03  0.353127 -0.652408  0.557873 -0.678637  three
2019-03-04  0.135563  0.092274 -0.148957 -2.058148   four
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363   five
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764    six
2019-03-07 -0.307063  0.897490  1.056798 -0.901982  seven
                   A         B         C         D    E
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893  one
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484  two

修改DataFrame

添加列：字典，直接添加，Series+Series添加

d = {'one':pd.Series([1,2,3],index = ['a','b','c']),
    'two':pd.Series([1,2,3,4],index = ['a','b','c','d'])}
df3 = pd.DataFrame(d)
print(df3)
df3['three'] = pd.Series([20,30,40],index = ['a','b','d'])
print(df3)
df3['four']=df3['one']+df3['three']
print(df3)

   one  two
a  1.0    1
b  2.0    2
c  3.0    3
d  NaN    4
   one  two  three
a  1.0    1   20.0
b  2.0    2   30.0
c  3.0    3    NaN
d  NaN    4   40.0
   one  two  three  four
a  1.0    1   20.0  21.0
b  2.0    2   30.0  32.0
c  3.0    3    NaN   NaN
d  NaN    4   40.0   NaN

删除列：del，pop

pop 具有返回值，比如 a = pop df['three']会将删除的值赋予a

print(df)
del df['three']
print(df)

                   A         B         C         D  three
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893    NaN
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484    NaN
2019-03-03  0.353127 -0.652408  0.557873 -0.678637    NaN
2019-03-04  0.135563  0.092274 -0.148957 -2.058148    NaN
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363    NaN
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764    NaN
2019-03-07 -0.307063  0.897490  1.056798 -0.901982    NaN
                   A         B         C         D
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
2019-03-04  0.135563  0.092274 -0.148957 -2.058148
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764
2019-03-07 -0.307063  0.897490  1.056798 -0.901982

添加行：append

df3

<div>
<style scoped>
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>
<table border="1" class="dataframe">
<thead>
<tr style="text-align: right;">
<th></th>
<th>one</th>
<th>two</th>
<th>three</th>
<th>four</th>
</tr>
</thead>
<tbody>
<tr>
<th>a</th>
<td>1.0</td>
<td>1</td>
<td>20.0</td>
<td>21.0</td>
</tr>
<tr>
<th>b</th>
<td>2.0</td>
<td>2</td>
<td>30.0</td>
<td>32.0</td>
</tr>
<tr>
<th>c</th>
<td>3.0</td>
<td>3</td>
<td>NaN</td>
<td>NaN</td>
</tr>
<tr>
<th>d</th>
<td>NaN</td>
<td>4</td>
<td>40.0</td>
<td>NaN</td>
</tr>
</tbody>
</table>
</div>

df4 = pd.DataFrame([[5,6,7,8,9,10]],columns = ['one','two','three','four','five','six'],index=['d'])

print(df3.append(df4))#没有改变df3，只是重新生成了一个新的DataFrame
print('-'*50)
print(df3)

   five  four  one   six  three  two
a   NaN  21.0  1.0   NaN   20.0    1
b   NaN  32.0  2.0   NaN   30.0    2
c   NaN   NaN  3.0   NaN    NaN    3
d   NaN   NaN  NaN   NaN   40.0    4
d   9.0   8.0  5.0  10.0    7.0    6
--------------------------------------------------
   one  two  three  four
a  1.0    1   20.0  21.0
b  2.0    2   30.0  32.0
c  3.0    3    NaN   NaN
d  NaN    4   40.0   NaN

删除行：df.drop()使用索引标签从DataFrame中删除行

如果行标签是重复的则会删除多行。
删除行不会操作原表，只有重新赋值才能修改

print(df3)
print('-'*50)
print(df3.drop('d'))
print('-'*50)
print(df3)


   one  two  three  four
a  1.0    1   20.0  21.0
b  2.0    2   30.0  32.0
c  3.0    3    NaN   NaN
d  NaN    4   40.0   NaN
--------------------------------------------------
   one  two  three  four
a  1.0    1   20.0  21.0
b  2.0    2   30.0  32.0
c  3.0    3    NaN   NaN
--------------------------------------------------
   one  two  three  four
a  1.0    1   20.0  21.0
b  2.0    2   30.0  32.0
c  3.0    3    NaN   NaN
d  NaN    4   40.0   NaN

Python Pandas入门操作小结

编号 属性或方法 描述
1 T 转置行和列
2 axes 返回一个列或行，行轴标签和列轴标签作为唯一成员
3 dtypes 返回此对象中的数据类型(dtypes)
4 empty 如果NDFrame完全为空（无项目），则返回True
5 ndim 轴/数组维度大小
6 shape 返回表示DataFrame的维度的数组
7 size NDFrame中的元素数
8 values NDFrame中的Numpy表示
9 head() 返回开头n行，默认5行
10 tail() 返回末尾n行 
print(df)
print('-'*50)
print(df.axes)
print('-'*50)
print(df.dtypes)
print('-'*50)
print(df.empty)
print('-'*50)
print(df.ndim)
print('-'*50)
print(df.shape)
print('-'*50)
print(df.values)
print('-'*50)

                   A         B         C         D
2019-03-01 -2.020410 -0.924757 -1.888649 -0.051893
2019-03-02 -0.976324 -0.684672 -0.837020 -0.772484
2019-03-03  0.353127 -0.652408  0.557873 -0.678637
2019-03-04  0.135563  0.092274 -0.148957 -2.058148
2019-03-05 -0.117025 -0.202763  0.566309 -1.775363
2019-03-06  0.253763 -0.209275 -0.503625 -0.399764
2019-03-07 -0.307063  0.897490  1.056798 -0.901982
--------------------------------------------------
[DatetimeIndex(['2019-03-01', '2019-03-02', '2019-03-03', '2019-03-04',
               '2019-03-05', '2019-03-06', '2019-03-07'],
              dtype='datetime64[ns]', freq='D'), Index(['A', 'B', 'C', 'D'], dtype='object')]
--------------------------------------------------
A    float64
B    float64
C    float64
D    float64
dtype: object
--------------------------------------------------
False
--------------------------------------------------
2
--------------------------------------------------
(7, 4)
--------------------------------------------------
[[-2.02041037 -0.92475674 -1.88864928 -0.05189268]
 [-0.97632394 -0.68467222 -0.83701968 -0.77248437]
 [ 0.3531265  -0.6524075   0.55787276 -0.67863676]
 [ 0.13556278  0.09227419 -0.14895721 -2.05814846]
 [-0.11702479 -0.20276259  0.56630908 -1.77536338]
 [ 0.2537632  -0.20927471 -0.50362523 -0.3997636 ]
 [-0.30706349  0.89749039  1.05679755 -0.90198211]]
--------------------------------------------------
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 202,607评论 5赞 476
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 85,047评论 2赞 379
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 149,496评论 0赞 335
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 54,405评论 1赞 273
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 63,400评论 5赞 364
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 48,479评论 1赞 281
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 37,883评论 3赞 395
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 36,535评论 0赞 256
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 40,743评论 1赞 295
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,544评论 2赞 319
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,612评论 1赞 329
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 33,309评论 4赞 318
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 38,881评论 3赞 306
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,891评论 0赞 19
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,136评论 1赞 259
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 42,783评论 2赞 349
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 42,316评论 2赞 342